Das Ergebnis ist eindeutig: Das Kompensationslabel erhöht zwar die Bereitschaft mit 1,59 Euro einen um +33% höheren Preis als den ursprünglichen Preis von 1,19 Euro zu zahlen um 25%. Jedoch würde der Absatz des Jogurts bei 1,59 Euro immer noch deutlich niedriger sein als beim Original Jogurt Preis von 1,19 Euro. So konnten sich 54% aller Milchproduktekäufer vorstellen, den Joghurt zu 1,19 Euro zu kaufen, unabhängig eines Labels. Ohne Label waren nur noch 24% aller Milchproduktekäufer bereit, den Joghurt zum höheren Preis zu kaufen, mit Label immerhin noch 34%. Selbst wenn Penny keine Schadenkompensation leisten würde, würde sich dieses Label wirtschaftlich nicht lohnen, denn der Gewinnbeitrag sinkt dabei um 15% gegenüber dem bisherigen Gewinnbeitrag ohne Label.
Es gäbe auch die Idee beide Varianten -ohne und zusätzlich mit Label- anzubieten und dabei zu hoffen, dass zumindest kompensationsaffine Kunden eine noch höhere Kaufneigung besitzen, und bevorzugt das „Wahre Kosten“ Produkt kaufen. Auch das haben wir geprüft, indem wir affine Menschen - definiert als solche, „die Bereitschaft zu Kompensationsaufschlägen, wie sie etwa Flügen bereits üblich sind, zeigen“ – befragt haben.
Und tatsächlich ist diese Gruppe deutlich eher bereit die „Wahre Kosten“ Produkte zu kaufen (+30% höhere Kaufbereitschaft bei dem Preis 1,59 Euro des Beispieljogurts). Doch diese Personen haben mit 63% auch per se eine höhere Kaufbereitschaft bereits beim Originalpreis. Vermutlich sind diese Menschen besser situiert und können sich ihr „Weltanschauen leisten“. Im Ergebnis gab also auch keinen Hinweis darauf, dass sich ein „Wahre Kosten“-Label als zusätzliches Nischenprodukt wirtschaftlich anbietet. Auch wenn die Gruppe der kompensationsaffinen Käufer eine höhere Kaufbereitschaft aufwies, sank diese auch bei einem Preis von1,59 Euro auf 35% ohne Label und 44% mit Label.
Diese Untersuchung war durch eine neue Marktforschungsmethodik „Implicit Price Intelligence“ der Plattform www.supra.tools möglich, die Ergebnisse innerhalb von 48h ermöglicht. Darin sind Test-Setup, die Feldphase und die Datenanalyse enthalten. Die Methodik basiert auf angewandte neurowissenschaftliche Methoden, die unbewusste Einstellung auf Basis der Reaktionszeit offenlegen. Zusätzlich verwendet die Analyse, Maschine Learning Methoden, die psychologisch-bedingte Antwortverzerrungen, die in Befragungen immer enthalten sind, herausrechnet.