Das heutige Marketing und somit auch die Marktforschung der Unternehmen ist einem zunehmend komplexen und dynamischen Umfeld ausgesetzt. Aufgrund der immer schwieriger werdenden Produkt- differenzierung und der zunehmenden Individualisierung der Gesellschaft sind die Unternehmen verstärkt um eine am individuellen Kundenwunsch orientierte Marktbearbeitung bemüht. Die Identifizierung der Kundenbedürfnisse erfordert dabei verstärkt umfangreiches Datenmaterial, welches durch neuere Vertriebswege und automatisierte Verfahren der Datenerhebung zur Verfügung gestellt werden kann. Der Marktforschung werden so Potentiale zur Erhebung und Erfassung umfangreichen Datenmaterials eröffnet, ohne dadurch die klassische Primärdatenerhebung zu verdrängen. Aufgrund der geänderten Marktbe- dingungen sind daher an ein Instrument der Datenanalyse in der Marktforschung besondere Anforderungen zu stellen.

In den vergangenen Jahren wurde in der Betriebswirtschaftslehre den künstlichen neuronalen Netzen in der Datenanalyse eine besondere Aufmerksamkeit geschenkt. Die Eigenschaften wurden hierbei oftmals geradezu euphorisch dargestellt. Im Rahmen der vorliegenden Dissertation wurden die Modelle diskutiert und in den Methodenkatalog der Datenanalyse eingeordnet. Ziel der Arbeit war es zu untersuchen, ob der Konnektionismus als Instrument der Datenanalyse einen besonderen Beitrag zur Marktforschung leisten kann und dadurch die Unternehmen gegebenenfalls Wettbewerbsvorteile durch ein erweitertes Verständnis der Marktverhältnisse erringen können. Hierzu wurden ausgewählte konnektionistische Modelle den konventionellen Verfahren der Regressions-, der Diskriminanz- und der Clusteranalyse gegenübergestellt, wobei mögliche Potentiale für einen Einsatz künstlicher neuronaler Netze zur Funktionsapproximation in der Kaufverhaltensforschung und als Instrument der Marktsegmentierung aufgezeigt wurden. Empfehlungen zur Netzwerkdefinition, -analyse und -interpretation wurden abgeleitet.

Im Rahmen der Arbeit wird der Konnektionismus als ein äußerst flexibler Modellierungsansatz mit breitem Einsatzspektrum charakterisiert. Je nach Netzwerkdefinition stellen die künstlichen neuronalen Netze der Dependenzanalyse parametrische, semiparametrische oder nichtparametrische statistische Modelle dar. Im Falle der Diskriminanzanalyse lassen sich künstliche neuronale Netze als Bayes-Klassifikator ausge- stalten. Das betrachtete konnektionistische Modell der Clusteranalyse wird als nicht-hierarchisches Verfahren charakterisiert. Die Modelle stellen innerhalb des Methodenkatalogs der Marktforschung Alternativen zu den konventionellen statistischen Methoden der Datenanalyse dar. Der Konnektionismus ergänzt somit die bisher eingesetzten Methoden um flexible statistische Modelle, ohne die konventionellen Verfahren zu verdrängen.

Die betrachteten Modelle können einen Beitrag zur Verarbeitung komplexer Variablenbeziehungen, sowohl bei kleinen als auch bei großen Datenmengen leisten. Als semiparametrische beziehungsweise nicht- parametrische Modelle können sie nichtlineare Variablenbeziehungen abbilden und flexibel an die dynamischen Marktver- hältnisse angepaßt werden. Die verdeckten Verarbeitungseinheiten der künstlichen neuronalen Netze können als latente Variablen der Modelle interpretiert werden. Im Falle der Cluster- analyse ermöglicht die räumliche Anordnung der Cluster Aussagen zu Ähnlichkeiten innerhalb der Clustermerkmale.

Aufgrund der Eigenschaften und der Interpretationsmöglichkeiten der Verarbeitungseinheiten der Modelle kann daher mit Hilfe konnektionistischer Datenanalysen ein erweitertes Verständnis der Marktverhältnisse geschaffen werden, wobei sich die betrachteten künstlichen neuronalen Netze vorrangig in der explorativen Datenanalyse einsetzen lassen. Die Modelle können einen Beitrag zu einer stärker kundenorientierten Produktdifferenzierung leisten, wodurch am Markt wiederum Wettbewerbsvorteile generiert werden können.

Zusammenfassend stellen die betrachteten konnektionistischen Modelle statistische Verfahren dar, die aufgrund ihrer speziellen Eigenschaften den Methodenkatalog der konventionellen Datenanalyse der Marktforschung sinnvoll ergänzen können.