Knappe Ressourcen bei Marketing Instrumenten wie Verkaufszeit, Werbebudget oder Regalplatz werden durch die Regel Elastizität × Deckungsbeitrag optimal aufgeteilt. Häufig empfehlen die Autoren, entsprechende Parameter aufgrund teurer Erhebungsmethoden oder zu kurzer Erhebungszeiträume subjektiv zu schätzen. Dem Autor ist jedoch kein Aufsatz bekannt, indem der Effekt der Beobachtungsanzahl auf das Ergebnis der Optimierung gemessen wurde. Diese Dissertation betrachtet eben diesen Einfluss der Schätzgenauigkeit auf die Lösung von Marketing-Allokationsproblemen, welcher ausschließlich durch die Beobachtungszahl beeinflusst wird. Dabei wurde erarbeitet, ob es eine Art �kritische Anzahl� an Beobachtungswerten gibt oder ob Optimierungen mit ungenauen Daten sogar aktuelle Resultate noch verschlechtern können. Zur Beantwortung dieser Fragestellungen wurde eine stochastische Simulationsstudie herangezogen, wobei Parameterschätzungen sowohl mit dem gängigen Verfahren OLS sowie mit einem MCMC-Modell der hierarchisch Bayesschen Regression durchgeführt wurden.
Einen zweiten zentralen Bestandteil der Dissertation bildet die Tatsache, dass Analysten zwar bei Parameterschätzungen eindeutig den stochastischen Verlauf feststellen, bei der Optimierung jedoch jenen Schätzern grundsätzlich einen deterministischen Verlauf unterstellen. Aus diesem Grund wurde ein Ansatz entwickelt, welcher den stochastischen Charakter der Parameterschätzer auch bei der Optimierung mit berücksichtigt. Die Resultate zeigen, ob mittels stochastischer Optimierung verbesserte Ergebnissen erzielt werden können.

Scarce marketing instruments like selling time, advertising budget or retail space are optimized by following the rule elasticity × contribution margin. In the literature considered authors often decide to estimate parameters subjectively because collection of empirical data is expensive or in the short run even impossible. But to the best of my knowledge no author has considered the effect of the number of observations on optimization results. This dissertation focuses on the impact of estimation accuracy on the solution of marketing allocation problems conditional on the number of observations. Is there a �critical number� of observations and can inaccuracy of estimates deteriorate optimization results? A stochastic simulation study serves to answer these questions. Response function parameters are estimated by OLS and a Markov Chain Monte Carlo technique appropriate for a hierarchical Bayesian regression model.
The second focal point of the dissertation deals with the fact that analysts empirically fit approximate demand models, but as a rule act as if the models are completely accurate when using them for prediction. In a stochastic optimization exercise they are considered as random variables. This approach is compared to the deterministic model analyzed before.