Akzeptanz von Location Based Services bei lokalen Bekleidungsunternehmen

Master's Thesis , 2016 , 94 Pages , Grade: 1,7

Business economics - Offline Marketing and Online Marketing

Die Bekleidungsbranche befindet sich im Wandel. Während der Anteil des Onlinehandels vom gesamten Umsatzvolumen der Bekleidungsbranche bedeutend und konsequent steigt, muss der stationäre Handel Umsatzeinbußen hinnehmen. Bei dieser Verteilung spielen reine Onlinehändler wie Zalando, Amazon oder Otto, die über fortgeschrittenes Onlinemarketing und einen guten Service verfügen, eine große Rolle. Um in diesem Wettbewerb zu überleben, ist es für Bekleidungsunternehmen sehr wichtig, Online- und Offlinekanäle zur Kommunikation und zur Verkaufsabwicklung anzubieten und miteinander zu verbinden.

Dazu kommt eine neue Herausforderung für Unternehmen, die mit der raschen Verbreitung von mobilen Endgeräten, Smartphones und Tablets, verbunden ist. Laut Statista erreichte 2015 die Anzahl der Smartphonenutzer 45,6 Mio., während die Anzahl von Tablet-PC-Nutzern auf 30,7 Mio. geschätzt wurde. Diese verändern das Konsumentenverhalten: Konsumenten benutzen Smartphones und Tablets als Informationskanal für
die Produktsuche sowie als Einkaufskanal.

Ein aktuell oft diskutiertes Informationsinstrument via mobile Endgeräte für den stationären Handel sind Location Based Services (ortsbezogene Dienste). Location Based Services (im Weiteren LBS) sind webbasierte Dienstleistungen bzw. Applikationen via mobile Endgeräte, die dem Kunden individuelle Informationen, passend zu seiner aktuellen Position, bereitstellen. Das Alleinstellungsmerkmal dieser Applikationen ist die automatische Standorterkennung des Endgerätes. Zu den LBS zählen bspw. die Applikationen „Foursquare“ oder „kaufDA“, die, durch die automatische Standorterkennung, je nach gesuchter Produktkategorie, wie etwa Mode oder Fast Food, die Auflistung der nahe gelegenen stationären Geschäfte, Restaurants oder auch deren Angebote liefern. Solche LBS haben das Ziel, die Informationen, ausgehend von der Kundeninitiative, über nahe liegende Geschäfte und Lokale bereitzustellen, und werden Pull-LBS-Informationsvermittler genannt. Da in der vorliegenden Arbeit nur diese Art LBS untersucht wird, wird nur die Benennung LBS verwendet. Solche LBS bringen Chancen für lokale Unternehmen, unabhängig von der Branche oder Größe, durch ihre Besonderheit Offline- und Onlinewelt zu verbinden.Interessant ist auch das Studienergebnis aus Südkorea, dass lokale Informationen häufiger von Smartphones als vom stationären
PC abgerufen werden. [...]

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1. Einleitung
1.1 Problemstellung
1.2 Relevanz für die Marketingpraxis
1.3 Zielsetzung und Aufbau der Arbeit

2. Theoretische Überlegungen
2.1 Zielgrößen
2.2 Einflussgrößen
2.2.1 Wahrgenommene einfache Benutzbarkeit
2.2.2 Informationsbedarf an lokalen Geschäften
2.2.3 Wahrgenommene Sicherheit in Bezug auf Datenschutz
2.2.4 Sozialer Einfluss
2.2.5 Gewohnheit der Nutzung des mobilen Internets
2.2.6 Wahrgenommener Spaß durch Selbstdarstellung
2.3 Funktionale Beziehungen

3. Messtheoretische Überlegungen
3.1 Strukturgleichungsmodell: Submodelle und Untersuchungsverfahren
3.2 Informationsgewinnung: angewandte Methode
3.3 Grundgesamtheit
3.3.1 Smartphone- bzw. Tablet-PC-Nutzer und der Anteil der LBS-Nutzer
3.3.2 Geschlechter- und Altersverteilung der LBS-Nutzer

4. Stand der bisherigen empirischen Forschung
4.1 Theory of Reasoned Action
4.2 Technology Acceptance Model
4.3 Akzeptanzkonzept „Task-Technology-Fit“
4.4 Unified Theory of Acceptance and Use of Technology 2
4.5 Studie zu Einflussfaktoren der LBS-Nutzungsbereitschaft

5. Hypothesen

6. Empirische Studie
6.1 Design der Studie
6.1.1 Datenquelle und Vorgehen zur Gewinnung der relevanten Probanden
6.1.2 Zusammensetzung und Analyse der Stichprobe
6.1.3 Verwendete Skalen
6.2 Operationalisierung der Modellvariablen
6.3 Ergebnisse der Studie
6.4 Beurteilung der Güte der empirischen Untersuchung
6.4.1 Güteprüfung des Strukturgleichungsmodells
6.4.1.1 Güteprüfung der reflektiven Modelle
6.4.1.2 Güteprüfung der formativen Modelle
6.4.1.3 Gütebeurteilung des Strukturmodells
6.4.1.4 Gesamtbeurteilung des Strukturgleichungsmodells
6.4.2 Objektivität, Generalisierbarkeit und Praktikabilität

7. Fazit

Anhang: Fragebogen der Untersuchung

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Technology Acceptance Model

Abbildung 2: Pavlou-Modell

Abbildung 3: Das untersuchte Modell der Master-Thesis

Abbildung 4: Altersverteilung von Smartphone- bzw. Tablet-PC-Nutzern und der derderderder der Gesamtbevölkerung

Abbildung 5: Altersverteilung von LBS- und Smartphone- bzw. Tablet-PC-Nutzern

Abbildung 6: Theory of Reasoned Action

Abbildung 7: Geschlechterverteilung der Stichprobe

Abbildung 8: Altersverteilung der Stichprobe im Vergleich

Abbildung 9: Darstellung der Ergebnisse im Strukturmodell

Tabellenverzeichnis

Tabelle 1: Teilnehmer nach dem Merkmal „Kenntnisse bzw. Nutzung von LBS“

Tabelle 2: Stichprobe nach Altersverteilung und Geschlecht

Tabelle 3: Verteilung der Stichprobe nach Berufstätigkeit

Tabelle 4: Verteilung der Stichprobe nach Bildungsabschluss

Tabelle 5: Likert-Skala und Intervallskala von neun latenten Variablen

Tabelle 6: Operationalisierung der neun latenten Variablen

Tabelle 7: Indikatoren und Quellen der fünf latenten Variablen

Tabelle 8: Tabellarische Darstellung der Hypothesenprüfungsergebnisse

Tabelle 9: Indikatorladungen, t-Werte und Indikatorreliabilität

Tabelle 10: Cronbachs Alpha, Konstruktreliabilitäts- und DEV-Werte

Tabelle 11: Korrelationen zwischen allen untersuchten Konstrukten

Tabelle 12: Werte des Fornell-Larcker-Kriteriums

Tabelle 13: Indikatorgewichte, t- und VIF-Werte

Tabelle 14: Konstruktkorrelationen der drei formativen Konstrukte

Tabelle 15: Effektstärke und Wirkungskoeffizient der unabhängigen Variablen

Tabelle 16: Gütekriterien des Strukturmodells im Überblick

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung

1.1 Problemstellung

Die Bekleidungsbranche befindet sich im Wandel. Während der Anteil des Online- handels vom gesamten Umsatzvolumen der Bekleidungsbranche bedeutend und konse- quent steigt, muss der stationäre Handel Umsatzeinbußen hinnehmen.¹ Bei dieser Ver- teilung spielen reine Onlinehändler wie Zalando, Amazon oder Otto, die über fortge- schrittenes Onlinemarketing und einen guten Service verfügen, eine große Rolle.² Um in diesem Wettbewerb zu überleben, ist es für Bekleidungsunternehmen sehr wichtig, Online- und Offlinekanäle zur Kommunikation und zur Verkaufsabwicklung anzubieten und miteinander zu verbinden.³

Dazu kommt eine neue Herausforderung für Unternehmen, die mit der raschen Verbreitung von mobilen Endgeräten, Smartphones und Tablets, verbunden ist. Laut Statista erreichte 2015 die Anzahl der Smartphonenutzer 45,6 Mio.⁴, während die Anzahl von Tablet-PC-Nutzern auf 30,7 Mio. geschätzt wurde.⁵ Diese verändern das Konsumentenverhalten: Konsumenten benutzen Smartphones und Tablets als Informationskanal für die Produktsuche sowie als Einkaufskanal.⁶

Ein aktuell oft diskutiertes Informationsinstrument via mobile Endgeräte für den statio- nären Handel sind Location Based Services (ortsbezogene Dienste). Location Based Services (im Weiteren LBS) sind webbasierte Dienstleistungen bzw. Applikationen via mobile Endgeräte, die dem Kunden individuelle Informationen, passend zu seiner aktu- ellen Position, bereitstellen.⁷ Das Alleinstellungsmerkmal dieser Applikationen ist die automatische Standorterkennung des Endgerätes.⁸ Zu den LBS zählen bspw. die Appli- kationen „Foursquare“ oder „kaufDA“, die, durch die automatische Standorterkennung, je nach gesuchter Produktkategorie, wie etwa Mode oder Fast Food, die Auflistung der nahe gelegenen stationären Geschäfte, Restaurants oder auch deren Angebote liefern. Solche LBS haben das Ziel, die Informationen, ausgehend von der Kundeninitiative, über nahe liegende Geschäfte und Lokale bereitzustellen, und werden Pull-LBS-

Informationsvermittler genannt.⁹ Da in der vorliegenden Arbeit nur diese Art LBS un- tersucht wird, wird nur die Benennung LBS verwendet. Solche LBS bringen Chancen für lokale Unternehmen, unabhängig von der Branche oder Größe, durch ihre Beson- derheit Offline- und Onlinewelt zu verbinden.¹⁰ Interessant ist auch das Studienergebnis aus Südkorea, dass lokale Informationen häufiger von Smartphones als vom stationären PC abgerufen werden.¹¹

Für die Bekleidungsunternehmen können diese Services besonders verlockend sein, da laut der gemeinsamen Studie der Hochschule Niederrhein, kaufDA und des Handels- verbandes Deutschland die meistgesuchten Produktkategorien via Smartphones Klei- dung und Mode sind.¹² Genaue Zahlen zur Nutzung von LBS für die Bekleidungssuche wurden noch nicht veröffentlicht. Bekannt ist nur, dass die Anzahl der Nutzer, die LBS zur Preis- und Warenangebotssuche von lokalen Händlern genutzt haben, im Jahr 2014 56 % betrug, im Jahr 2013 waren es 50 %.¹³

1.2 Relevanz für die Marketingpraxis

LBS sind dem mobilen Marketing, insbesondere den Kommunikationsbereichen Wer- bung und Verkaufsförderung zuzuordnen.¹⁴ Aus der Sichtweise der Bekleidungsbranche bieten LBS im deutschen Raum folgende Marketingbotschaften: 1. Informationen zu nahe liegenden Bekleidungsgeschäften, 2. Bewertungen von nahe liegenden Beklei- dungsgeschäften sowie 3. Informationen über aktuelle Angebote von Geschäften.¹⁵ Eine weitere Möglichkeit, die LBS bieten können, ist die Suche nach einem konkreten Pro- dukt in nahe liegenden Geschäften. Diese LBS-Möglichkeit bietet sich aktuell nicht in Deutschland, obwohl diese in Amerika seit einiger Zeit erfolgreich praktiziert wird.¹⁶ Als das Endziel von LBS soll die LBS-Zubringerfunktion in den stationären Geschäften betrachtet werden.¹⁷

Die Marketingbotschaften von LBS bieten Bekleidungsunternehmen die Möglichkeiten, neue Kunden zu gewinnen sowie die Kundenbindung durch attraktive Angebote zu stärken. Die Kunden suchen aus eigener Initiative nach Informationen und betrachten somit die LBS-Informationen nicht als Werbung.¹⁸ Aus Unternehmenssicht ist die An- sprache via LBS eine zielgenaue Ansprache. Die Streuverluste und Kosten im Vergleich zu klassischen Werbeträgern, wie Zeitschriften- oder Fernsehwerbung, werden dabei verringert.¹⁹

1.3 Zielsetzung und Aufbau der Arbeit

LBS werden als Erfolgsfaktoren des Einzelhandels angesehen und sollen die Umsätze des stationären Handels und damit der enthaltenen Bekleidungsunternehmen erhöhen.²⁰ Deswegen ist es wichtig, die Konsumentenakzeptanz von LBS bei lokalen Beklei- dungsunternehmen ins Visier zu nehmen. Mit dieser Zielsetzung beschäftigt sich die vorliegende Arbeit. Dabei werden die LBS-Nutzungsbereitschaft, deren Einflussfakto- ren und die tatsächliche Nutzung von LBS bei der Bekleidungskaufabsicht untersucht. Ein weiteres Ziel der Abhandlung ist, die Wirkungs- bzw. Zubringerfunktion von LBS in Bekleidungsgeschäfte zu untersuchen. Um diese Zielsetzungen zu erreichen, werden folgende Forschungsfragen formuliert:

1. Welche Faktoren beeinflussen die LBS-Nutzungsbereitschaft bei der Bekleidungs- kaufabsicht?
2. Welche LBS-Informationen sind für die LBS-Nutzungsbereitschaft und die tatsächli- che Nutzung von LBS bei der Bekleidungskaufabsicht von großer Bedeutung?
3. Welche Faktoren beeinflussen die tatsächliche Nutzung von LBS bei der Beklei- dungskaufabsicht?
4. Wie groß ist die Wahrscheinlichkeit, dass LBS durch die bereitgestellten Informatio- nen Nutzer in Bekleidungsgeschäfte führen, und welche Faktoren sind dafür ent- scheidend?
5. Welche Handlungsvorschläge können für Bekleidungsunternehmen abgeleitet wer- den?

Die Master-Thesis wird in zwei Teile geteilt: einen theoretischen und einen empiri- schen. Der theoretische Teil baut größtenteils auf empirischen Studien aus Fachzeit-

schriften auf. In Kapitel 2 werden zuerst drei untersuchte Zielgrößen dargestellt. Danach werden sechs erklärende bzw. unabhängige Größen erläutert und anschließend die Be- ziehungen von Zielgrößen und erklärenden Größen grafisch veranschaulicht. Das Kapi- tel 3 widmet sich den messtechnischen Überlegungen der Untersuchung. Als Erstes wird die Auswahl der Untersuchungsmethode „Strukturgleichungsmodellierung“ für die vorliegenden Forschungsziele begründet. Danach wird die ausgewählte Methode der Informationsgewinnung diskutiert. Anschließend wird die Grundgesamtheit definiert und anhand der vorherigen Studien beschrieben. In Kapitel 4 werden die fünf relevanten Studien, auf denen die vorliegende Untersuchung aufgebaut wird, zusammengefasst. Anschließend werden in Kapitel 5 acht Hypothesen aufgestellt, die durch den empiri- schen Teil bestätigt oder widerlegt werden sollen.

Kapitel 6 umfasst den empirischen Teil. Angefangen wird mit der Beschreibung des Studiendesigns. Dieses schließt mehrere Unterpunkte ein. Zuerst werden die Datenquel- le der Untersuchung sowie die eingesetzte Vorgehensweise zur Gewinnung der relevan- ten Teilnehmer erläutert. Danach werden die Probanden, die im Weiteren die untersuch- te Stichprobe darstellen, nach mehreren wichtigen Merkmalen quantifiziert und analy- siert. Anschließend werden die verwendeten Skalen erläutert und die Skalierung der neun untersuchten Größen tabellarisch veranschaulicht. Nach der Erläuterung des Stu- diendesigns werden die Operationalisierung von neun untersuchten Faktoren und die Ergebnisse der acht überprüften Hypothesen dargestellt. Der empirische Teil wird mit der Güteanalyse abgeschlossen. Dabei wird zuerst die Validität und die Reliabilität der Messmodelle und darauf aufbauend die Güte des Strukturgleichungsmodells geprüft. Danach werden die Kriterien Objektivität, Generalisierbarkeit und Praktikabilität der Untersuchung analysiert. In Kapitel 7 wird das Fazit gezogen. Hierbei werden, basie- rend auf den Ergebnissen der empirischen Untersuchung, die Forschungsfragen der Master-Thesis beantwortet.

2. Theoretische Überlegungen

In diesem Kapitel werden alle Faktoren erläutert, die in dieser Arbeit untersucht werden. Die Erkenntnisse über diese Faktoren werden überwiegend den Vorstudien aus den Fachzeitschriften entnommen. Abschließend wird das untersuchte Modell grafisch dar- gestellt. Begriffe wie Faktoren, Variablen und Größen werden als Synonyme verwendet.

2.1 Zielgrößen

Ausgehend von der in der Einleitung geschilderten Zielsetzung werden drei Zielgrößen definiert. Die Zielgrößen „LBS-Nutzungsbereitschaft bei der Bekleidungskaufabsicht“ und „tatsächliche Nutzung von LBS bei der Bekleidungskaufabsicht“ verkörpern die Akzeptanz von LBS bei der Bekleidungskaufabsicht. Die dritte Zielgröße „Wille für den Besuch des Bekleidungsgeschäfts“ wird zur Erklärung der Wirkungs- bzw. der Zubrin- gerfunktion von LBS genutzt.²¹ Die Zielgröße „LBS-Nutzungsbereitschaft bei der Be- kleidungskaufabsicht“ hat allerdings eine Doppelfunktion. Die LBS-Nutzungsbereit- schaft bei der Bekleidungskaufabsicht ist nicht nur die untersuchte Zielgröße, sondern auch gleichzeitig die Einflussgröße für die tatsächliche Nutzung von LBS bei der Be- kleidungskaufabsicht und den Willen für den Besuch des Bekleidungsgeschäfts.

Angefangen wird mit der Erklärung der akzeptanzbezogenen Zielgrößen. Es werden verschiedene Sichtweisen zu den Zielgrößen „Nutzungsbereitschaft“ und „tatsächliche Nutzung“ einer Informationstechnologie aus verschiedenen Studien erläutert und die abgeleitete, in dieser Master-Thesis vertretene, Sichtweise dargestellt.

LBS gehören zu den Informationstechnologien . ²² Informationstechnologien dienen so- wohl zur Informationsbereitstellung als auch zum Informationsaustausch und umfassen dafür eingesetzte Geräte, wie Computer, Tablets oder Smartphones sowie bestimmte Anwendungen.²³ Die Akzeptanzforschung von LBS, die erst ab 2008 zunehmend an- fing, basiert auf den Erkenntnissen früherer Studien, die andere Informationstechnolo- gien, wie PC-Programme oder mobile Services wie die mobile E-Mail, untersuchten.²⁴

Das erste grundlegende Modell zur Akzeptanz der Informationstechnologien wurde von Davis et al. (1989) dargestellt und empirisch bestätigt. Untersucht wurde die Akzeptanz des PC-Programms „WriteOne“. Davis et al. (1989) leiten ihr „Technology Acceptance Model“ (im Weiteren TAM) von der allgemeinen psychologischen Theorie der Verhal- tenserklärung „Theory of Reasoned Action“ (im Weiterem TRA) von Fishbein & Ajzen (1975) ab.²⁵ Diese erklärt allgemein das Verhalten einer Person, ihre Triebkräfte und Ausprägungen. Laut der Theorie hängt das Perfektionieren eines Verhaltens bei einem Individuum von seiner Absicht, dieses Verhalten zu verbessern, ab. Diese Absicht beeinflusst anschließend sein aktuelles Verhalten.²⁶ Davis et al. (1989) übernehmen diese Sichtweise für die Akzeptanz einer Informationstechnologie und leiten zwei Zielgrößen der Akzeptanz ab: „Nutzungsabsicht“ und „tatsächliche Nutzung“.²⁷ Die Akzeptanz der Informationstechnologie wird dabei als das Verhalten gegenüber dieser Informationstechnologie angesehen. Die zwei Zielgrößen der Akzeptanz von Davis et al. (1989) werden in späteren und heutigen Studien der Akzeptanzforschung zu verschiedenen Informationstechnologien übernommen.²⁸ In der Abhandlung werden ebenso die Zielgrößen der Akzeptanz von Davis et al. (1989) vertreten.

In verschiedenen Studien wird die Zielgröße „Nutzungsabsicht“ einer Informationstech- nologie unterschiedlich verstanden und daher auch unterschiedlich gemessen. Davis et al. (1989) und Venkatesh et al. (2003) definieren die Nutzungsabsicht als zukünftige Absicht der Nutzung, die bspw. als Anzahl zukünftiger Monate der Nutzung gemessen wird.²⁹ Fang et al. (2006) definieren die Nutzungsabsicht als allgemeine Nutzungsbe- reitschaft, die durch den Nutzungsbereitschaftsgrad gemessen wird.³⁰ Analog zu Fang et al. (2006) untersuchen Gerpott & Berg (2011) die Nutzungsbereitschaft und definieren diese als allgemeine Nutzungsbereitschaft, die durch den Wahrscheinlichkeitsgrad der Nutzung gemessen wird.³¹ Ausgehend von der Logik von Fang et al. (2006), kann die Nutzungsbereitschaft von Gerpott & Berg (2011) auch als Nutzungsabsicht angesehen werden.

In der vorliegenden Studie wird die Zielgröße „Nutzungsbereitschaft“, deren Definition und Messung, von Gerpott & Berg (2011) vertreten und als Ausprägung der Nutzungs- absicht betrachtet. Diese Sichtweise wird wegen der besseren Anpassung für die Befra- gung der hypothetischen Nutzung von LBS in einer konkreten Situation gewählt.

Die zweite akzeptanzbezogene Zielgröße „tatsächliche Nutzung“ wird in den Studien der Akzeptanzforschung ebenso unterschiedlich verstanden und gemessen. Davis (1989) und Davis et al. (1989) messen die tatsächliche Nutzung von allgemeinen PC- Programmen als sechs- und siebenstufige Häufigkeit von nie bis mehrmals am Tag.³² Venkatesh et al. (2003) erfassen die tatsächliche Nutzung von fachbereichsspezifischen PC-Programmen als Nutzungsdauer nach dem Einloggen bzw. Starten eines Pro- gramms.³³ Diese Messung als Nutzungsdauer/Tag ist in Venkatesh et al. (2003) zielfüh- rend, da die getesteten PC-Anwendungen in Unternehmen für alltägliche Arbeitsaufga- ben verwendet werden. Für die Untersuchung der tatsächlichen Nutzung der mobilen Services im privaten Kontext, wie MMS oder mobile E-Mail, verwenden Venkatesh et al. (2012) eine andere Messung. Die Nutzung wird als Häufigkeitsangabe auf einer Sie- ben-Punkte-Skala von nie bis mehrmals am Tag, analog zu Davis (1989) und Davis et al. (1989) gemessen.³⁴ Dieses Nutzungsverständnis als Häufigkeit und nicht als Dauer wird auch für diese Arbeit übernommen, allerdings mit einer anderen Häufigkeitsskala.

Die letzte betrachtete Zielgröße ist der Wille für den Besuch des Bekleidungsgeschäfts anhand der LBS-Informationen. Diese Zielgröße wurde neu entwickelt. Der Anstoß zur Entwicklung und Untersuchung dieses Faktors entstand infolge der Diskussion über LBS in aktuellen Arbeiten von Heinemann.³⁵ Heinemann betrachtet LBS als Rettungs- anker für lokale Einzelhandelsunternehmen in den Digitalzeiten.³⁶ Dies wird damit be- gründet, dass LBS aufgrund der Bereitstellung von schnellen mobilen und lokalen In- formationen über Einzelhandelsgeschäfte eine Zubringerfunktion in diese Geschäfte einnehmen.³⁷ Ausgehend von dieser Argumentation ist es von großem Interesse zu un- tersuchen, ob LBS diese Funktion für lokale Bekleidungseinzelunternehmen erfüllen. Der Wille für den Besuch wird als Wahrscheinlichkeitsgrad des Besuchs verstanden.

2.2 Einflussgrößen

Einflussgrößen dienen zur Erklärung der Zielgröße „LBS-Nutzungsbereitschaft bei der Bekleidungskaufabsicht“. Ihre Aufgabe ist es, zu klären, wie die Entscheidung, LBS zu nutzen, dadurch beeinflusst wird, das heißt, ob sie eine Wirkung haben und in welchem Maße sie die Nutzungsentscheidung beeinflussen können. Außerdem werden die Ein- flussfaktoren nicht nur als direkte Einflussgrößen der LBS-Nutzungsbereitschaft, sondern auch als indirekte Einflussgrößen der tatsächlichen Nutzung von LBS bei der Beklei- dungskaufabsicht und des Willens für den Besuch des Bekleidungsgeschäfts, betrachtet.

2.2.1 Wahrgenommene einfache Benutzbarkeit

Die Einflussgrößen werden, genauso wie die Zielgrößen, aus den Vorstudien der Ak- zeptanzforschung von Informationstechnologien für die Akzeptanz von LBS übernom- men. Die ersten Einflussgrößen der Akzeptanz wurden ebenso im Modell zur Akzeptanz der Informationstechnologie TAM von Davis et al. (1989) dargestellt. Davis et al. (1989) erklären die Nutzungsabsicht einer Technologie durch die wahrgenommene Nützlichkeit und die wahrgenommene einfache Benutzbarkeit.³⁸ Die wahrgenommene Nützlichkeit beschreibt allgemein, inwieweit ein Anwender der Informationstechnologie einen Nutzen beimisst. Die Benutzerfreundlichkeit misst den Aufwand, den ein Anwen- der erbringen muss, um diese Informationstechnologie zu nutzen.³⁹ Das vollständige Modell wird in Abbildung 1 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Abbildung nach: Davis et al. (1989): S. 985

Abbildung 1: Technology Acceptance Model tatsächliche Nutzung

Wie aus dem Modell ersichtlich ist, übt die einfache Benutzbarkeit, im Vergleich zur Nützlichkeit, keinen direkten, sondern einen indirekten Einfluss auf die Nutzungsabsicht aus. Später wird in mehreren Studien der direkte Einfluss der einfachen Benutzbarkeit empirisch bestätigt; dadurch werden die Einstellungen als Zwischenfaktor überflüssig.⁴⁰ Auch bei der vorliegenden Untersuchung wird angenommen, dass die einfache Benutzbarkeit die Nutzungsabsicht direkt beeinflusst.

Ursprünglich wurde TAM zur Erklärung von PC-Anwendungen durch Mitarbeiter im unternehmerischen Kontext entwickelt und hat sich dafür als gut erwiesen.⁴¹ Für die Erklärung der Nutzungsbereitschaft von Informationstechnologien für private Zwecke ist diese Erklärung zu wenig. Nur die Nützlichkeit und Benutzerfreundlichkeit sind als Erklärungsgrößen für die LBS-Nutzung zu privaten Zwecken unzureichend und zudem abstrakt.⁴² Die abstrakte Befragung der Nützlichkeit in TAM, ohne Bezug auf eine Situ- ation, wird kritisiert. Die LBS-Nutzungsbereitschaft soll für eine konkrete alltägliche Situation untersucht werden.⁴³ Diese Ansicht wird in dieser Abhandlung verfolgt und daher nur der Erklärungsfaktor „wahrgenommene einfache Benutzbarkeit“ von Davis et al. (1989) übernommen. Die Untersuchung der einfachen Benutzbarkeit soll vermitteln, inwieweit Konsumenten die Benutzung von LBS als leicht und verständlich empfinden und wie diese die LBS-Nutzungsbereitschaft beeinflusst. Ein positiver Zusammenhang zwischen der einfachen Benutzbarkeit und der Nutzungsbereitschaft von anderen mobi- len Internetdiensten, wie bspw. der mobilen E-Mail oder der mobilen Recherche, wurde schon in mehreren Studien bestätigt.⁴⁴

2.2.2 Informationsbedarf an lokalen Geschäften

Das andere grundlegende Modell, das zur Erklärung der Akzeptanz von Informations- technologien entwickelt wurde, ist „Task-Technology-Fit“ (im Weiteren TTF) von Goodhue & Thompson (1995). Der Leitgedanke des Modells besagt, dass der Fit (die Eignung) einer Technologie für die Ausführung einer Aufgabe die Nutzung dieser Technologie vorbestimmt.⁴⁵ Dieses Modell wurde zuerst, genauso wie TAM, zur Ak- zeptanzforschung von PC-Software durch Mitarbeiter verwendet. So wurde in der Stu- die von Goodhue & Thompson (1995) untersucht, wie eine bestimmte PC-Software passt, um eine bestimmte Aufgabe eines Fachbereichs im Unternehmen zu lösen. Die Eignung der Software wird als „Fit“ verstanden. Der Fit bestimmt als einziger Faktor, ob die Software benutzt wird oder nicht.⁴⁶ Das Konzept liefert eine Nützlichkeitserklä- rung zu einer Technologie in einem klar definierten Kontext. Der Fit wird dabei als Nützlichkeitsausdruck verstanden.⁴⁷ Demzufolge ist dieses Konzept wegen seiner Kon- kretisierbarkeit besser als TAM zur Erklärung der Nützlichkeit von LBS geeignet.⁴⁸

Im Kontext der privaten Nutzung ist es wichtig zu untersuchen, inwieweit LBS für kon- krete bzw. alltägliche Situationen nützlich sein können.⁴⁹ In der Arbeit ist von Interesse, ob LBS nützlich sein können, wenn bei Konsumenten eine Bekleidungskaufabsicht vor- liegt. Die Funktionalität der LBS besteht in der Bereitstellung von Informationen über lokale Geschäfte.⁵⁰ Der Fit zwischen dem individuellen Servicebedarf und der Funktio- nalität von LBS reflektiert den Informationsbedarf an lokalen Geschäften.⁵¹ Anhand die- ser Argumentation wird der Informationsbedarf an lokalen Geschäften als zweiter Ein- flussfaktor der Nutzungsbereitschaft definiert und als eine Nützlichkeitsausprägung an- gesehen.

2.2.3 Wahrgenommene Sicherheit in Bezug auf Datenschutz

Die Internet-Informationstechnologien sind eng mit den Datenschutz- bzw. Sicherheits- bedenken der persönlichen Informationen verbunden.⁵² Unter Datenschutz wird das Recht einer Person verstanden, frei zu agieren und frei von Überwachung, Störung und Beeinflussung anderer Personen, Organisationen sowie eines Staates zu sein.⁵³

Für Mitarbeiter als Anwender der Informationstechnologien wird dieser Einflussfaktor als nicht relevant betrachtet und anfangs nicht untersucht.⁵⁴ Wesentlich relevanter sind die Datenschutzbedenken bei der privaten Nutzung einer Internet-Informations- technologie. Darunter werden die Bedenken von Konsumenten verstanden, dass ihre privaten Informationen von Serviceanbietern gesammelt, gespeichert und genutzt wer- den könnten.⁵⁵ Der Datenschutz ist die am häufigsten untersuchte LBS-Thematik der letzten Jahre. Die meisten Studien zu dieser Thematik konzentrieren sich auf die Unter- suchung von Einflussfaktoren, die die Datenschutzbedenken beeinflussen.⁵⁶

Die Untersuchung von Einflussfaktoren des Datenschutzes wird in der Arbeit nicht an- gestrebt. Es wird ausschließlich der Faktor „wahrgenommene Sicherheit in Bezug auf Datenschutz“ untersucht. Dieser wird von dem Faktor „wahrgenommene Sicherheit“ von Fang et al. (2006) abgeleitet. Der Faktor „wahrgenommene Sicherheit“ wird als Einflussgröße für die Nutzungsabsicht von mobilen Applikationen analysiert. Die For- scher leiten den Faktor „wahrgenommene Sicherheit“ vom Pavlou-Modell (2001) ab.⁵⁷ Der Beitrag des Pavlou-Modells besteht darin, dass es das grundlegende Akzeptanzmo- dell TAM von Davis et al. (1989) um einen weiteren Einflussfaktor „wahrgenommenes Risiko“ erweitert und das erweiterte TAM im Konsumentenkontext untersucht hat. In der nachfolgenden Abbildung 2 wird das Pavlou-Modell dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Abbildung nach: Pavlou (2001): S. 817

Abbildung 2: Pavlou-Modell

Dieses Modell wurde für den Online-Einzelhandel, zur Erklärung der Konsumenten- Transaktionsabsicht entwickelt. Es wurde empirisch bestätigt, dass neben der wahrge- nommenen Nützlichkeit und der wahrgenommenen Benutzerfreundlichkeit von Online- shops auch das wahrgenommene Risiko eine entscheidende Rolle für die Nutzung und die Kaufabsicht in Onlineshops spielt. Das wahrgenommene Risiko hängt allein vom Vertrauen ab. Vertrauen wiederum hängt vom wahrgenommenen Datenschutz und der Sicherheit ab. Pavlou (2001) stellt Datenschutz nicht als Haupteinflusskomponente der Transaktionsabsicht, sondern als eine indirekte Einflussgröße dar.⁵⁸ Der direkte Ein- flussfaktor ist das wahrgenommene Risiko.

Fang et al. (2006) formulierten für ihre Studie die Einflussgröße „wahrgenommenes Risiko“ von Pavlou (2001) um und nannten sie „wahrgenommene Sicherheit“, um dem Faktor eine positive Richtung zu verleihen. Die wahrgenommene Sicherheit wurde da- bei als der Grad verstanden, der aufzeigt, wie sicher sich ein Nutzer bei der Nutzung einer Applikation fühlt.⁵⁹ Die geschilderte Sichtweise wird auch in der vorliegenden Arbeit vertreten und die Einflussgröße „wahrgenommene Sicherheit in Bezug auf Da- tenschutz“ als Einflussfaktor der LBS-Nutzungsbereitschaft bei der Bekleidungskaufab- sicht definiert.

2.2.4 Sozialer Einfluss

Der Faktor „sozialer Einfluss“ hat seinen Ursprung in der Verhaltenserklärungstheorie TRA, die in Kapitel 2.1 zur Erklärung der Zielgrößen „LBS-Nutzungsbereitschaft bei der Bekleidungskaufabsicht“ und „tatsächliche Nutzung von LBS bei der Bekleidungs- kaufabsicht“ einbezogen wurde. Die Theorie besagt, dass die Verhaltensabsicht von Einstellungen einer Person und von wahrgenommenen sozialen Einflüssen abhängt. Die Einstellungen einer Person zu einem Verhalten ergeben sich aus ihren Erwartungen und Bewertungen. Soziale Einflüsse sind wahrgenommene Einflüsse von Mitmenschen, die dieser Person wichtig sind. Zu solchen Personen können Verwandte, Freunde oder Kol- legen gezählt werden. Soziale Einflüsse wirken auf die Ansicht einer Person, dass die Mitmenschen von einem erwarten, sich in einer bestimmten Weise zu verhalten.⁶⁰

Wird unter Verhalten die LBS-Nutzung und unter Verhaltensabsicht die LBS-Nutzungs- bereitschaft verstanden, dann entsteht folgende logische Kette. Die Einstellung zur LBS- Nutzung wird durch Erwartungen und Bewertungen gebildet. Dazu zählen bspw. die oben dargestellten Faktoren „wahrgenommene einfache Benutzbarkeit“ oder „wahrgenommene Nützlichkeit“ von LBS. Soziale Einflüsse werden als subjektiv wahrgenommene Erwartun- gen aus der Umwelt an die eigene Person verstanden, LBS zu nutzen oder nicht.⁶¹

In Studien konnte ein Zusammenhang zwischen den sozialen Einflüssen aus TRA und der Nutzungsabsicht für technologische Innovationen sowie speziell für mobile Appli- kationen bestätigt werden.⁶² Es ist auch zu bemerken, dass in einigen Beiträgen unter sozialem Einfluss neben dem Mitmenscheneinfluss auch der Medieneinfluss mitberücksichtigt wird. Empirisch wurden Mitmenschen- und mediale Einflüsse von Gerpott & Berg (2011) für erste LBS in Deutschland sowie von Königstorfer (2008) für mobile Parkservices in Deutschland bestätigt.⁶³ Diese umfassendere Betrachtung des sozialen Einflusses wird ebenso in dieser Master-Thesis vertreten und untersucht.

2.2.5 Gewohnheit der Nutzung des mobilen Internets

Die ersten Akzeptanzforschungsstudien von Informationstechnologien fokussieren Einflussfaktoren, die anfangs, für die ersten Benutzungen einer Anwendung, als relevant erscheinen, wie bspw. Nützlichkeit oder Benutzerfreundlichkeit. Allerdings ist es auch wichtig, die Einflussfaktoren, die mit der längeren Nutzung entstehen, wie Erfahrung oder Gewohnheit der Nutzung, für die Nutzungserklärung zu berücksichtigen. Wird eine neue Applikation auf Akzeptanz untersucht, ist die Erfahrung oder die Gewohnheit der Nutzung ähnlicher Applikationen zur Erklärung einzubeziehen.⁶⁴

Die Untersuchungen unterscheiden sich in ihrer Wahl zwischen den Einflussfaktoren „Erfahrung“ oder „Gewohnheit“. In dieser Abhandlung wird der Einflussfaktor „Ge- wohnheit“ eingesetzt und dies durch die folgende Argumentation begründet. Unter der Gewohnheit der Nutzung wird die bisherige Verhaltensweise verstanden, die durch eine automatische Nutzung einer Technologie gekennzeichnet ist.⁶⁵ Die Erfahrung mit der Applikation wird als Zeitdauer der Nutzung verstanden und sagt nichts über die Intensi- tät der Nutzung oder das Beherrschen einer Technologie aus. Die Erfahrung ist ein not- wendiger, aber auch unzureichender Faktor für die Entstehung der Gewohnheit.⁶⁶

Zu der ersten Studie, die die Auswirkung der Gewohnheit auf die Nutzung von Informa- tionstechnologien untersuchte, zählt die von Limayem et al. (2007). Darin analysierten die Autoren die allgemeine Nutzung des Internets für private Zwecke, wobei das Inter- net als eine allgemeine Applikation angesehen wird. Es wird empirisch bestätigt, dass die Gewohnheit der Internetnutzung einen direkten Einfluss auf die Nutzungshäufigkeit des Internets hat.⁶⁷

Später erweitern Venkatesh et al. (2012) die Sichtweise bezüglich der Gewohnheit. Es wurde getestet, ob sich die Gewohnheit der Nutzung des mobilen Internets auf die Nutzungsabsicht und die tatsächliche Nutzung für bestimmte gängige mobile Anwendun- gen, wie mobile E-Mail oder mobile Spiele, auswirkt. Es wurde empirisch bestätigt, dass die Gewohnheit der Nutzung des mobilen Internets einen Einfluss auf die Nut- zungsabsicht und die tatsächliche Nutzung der untersuchten mobilen Anwendungen ausübt.⁶⁸ Mobiles Internet wird dabei als allgemeine Anwendung angesehen und die getesteten Anwendungen werden als spezielle, konkrete Möglichkeiten des mobilen Internets betrachtet.⁶⁹ Daraus lässt sich schließen, dass die allgemeine mobile Internet- nutzung einen Einfluss auf die Nutzung von speziellen mobilen Anwendungen ausübt. In der Master-Thesis können LBS als spezielle Anwendungen des mobilen Internets betrachtet werden. Deswegen kann die Gewohnheit der Nutzung des mobilen Internets auch eine entscheidende Rolle für die LBS-Nutzungsabsicht spielen. Aus diesem Grund wird die Gewohnheit der Nutzung des mobilen Internets als eine Einflussgröße für die Untersuchung übernommen. Es ist anzunehmen, dass für die Nutzer, die die Nutzung des mobilen Internets für gewöhnlich und selbstverständlich erachten, die LBS- Nutzungsbereitschaft höher ist als für die User, die das mobile Internet selten nutzen.

2.2.6 Wahrgenommener Spaß durch Selbstdarstellung

Der letzte Einflussfaktor ist „wahrgenommener Spaß durch Selbstdarstellung“. Dieser Faktor wurde von Königstorfer (2008) für die Akzeptanzforschung des mobilen Park- service als Einflussgröße entwickelt und dessen Einfluss empirisch bestätigt. Der Faktor konnte einen starken positiven Einfluss auf die Nutzungsabsichten des mobilen Inter- netdienstes aufweisen. ⁷⁰ Auch in anderen Studien konnte ein starker Einfluss von ähnli- chen Faktoren bestätigt werden. So bekräftigten Venkatesh et al. (2012) einen starken positiven Einfluss des Faktors „hedonistische Motivation“ auf die Nutzungsabsichten des mobilen Internets⁷¹ sowie bestätigten Nysveen et al. (2005) den stärksten positiven Einfluss von „Enjoyment“ auf die Nutzungsabsicht mobiler Dienste.⁷² Dennoch besteht der Vorteil des Faktors „wahrgenommener Spaß durch Selbstdarstellung“ darin, dass er nicht nur den Spaß der Nutzung einer mobilen Anwendung berücksichtigt, sondern dar- über hinausgeht. Im Weiteren wird näher auf den Faktor eingegangen.

Die Erkenntnis, dass Produkte und insbesondere technologische Innovationen eine symbolische Dimension für Konsumenten haben, wurde schon in den achtziger Jahren in qualitativen Studien gewonnen.⁷³ Später wurde zudem empirisch bestätigt, dass der Besitz von Produkten, die zur Darstellung der eigenen Identität dienen, durch die Be- wertung und Wahrnehmung das Selbst beeinflusst wird.⁷⁴ Darüber hinaus haben die Untersuchungen der technologischen Innovation gezeigt, dass die Darstellung der eige- nen Identität ein entscheidender Faktor für deren Nutzung ist.⁷⁵ Smartphones sowie Tablet-PCs zählen zu den Produkten, die zur Darstellung der eigenen Identität dienen, bspw. durch ihre Marke, das Design oder die Nutzung von bestimmten Services. In der Studie von Taylor & Harper (2003) wurde festgestellt, dass insbesondere für Kinder und Jugendliche im Umgang mit Handys die Selbstdarstellung eine große Bedeutung hat.⁷⁶ Allerdings können auch für Erwachsene die Aspekte der Selbstdarstellung bei der Nut- zung der mobilen Anwendungen relevant sein. User können mobile Anwendungen nut- zen, um Spaß zu haben und um die Freude an der Nutzung mit anderen zu teilen. Der Einflussfaktor „wahrgenommener Spaß durch Selbstdarstellung“ erfasst die hedonisti- sche Motivation der Nutzung, mobile LBS nicht nur für sich allein zu genießen, sondern diese auch anderen zu zeigen sowie als Statussymbol einzusetzen.⁷⁷

2.3 Funktionale Beziehungen

In Kapitel 2.1 wurden drei Zielgrößen erläutert, die zu erklären sind, und in Kapitel 2.2 sechs Einflussgrößen, die diese Zielgrößen beeinflussen. Dabei wurden die Einflussfak- toren den verschiedenen Studien entnommen. Der Fokus lag auf Beiträgen, die die Ak- zeptanz von ähnlichen mobilen Anwendungen oder auch LBS untersucht haben. In die- sen Studien wurde empirisch bestätigt, dass Beziehungen zwischen Einfluss- und Ziel- größen der Akzeptanz eine lineare Abhängigkeit haben. Dabei wurde die allgemeine Nutzung von mobilen Anwendungen ohne Bezug auf eine Branche analysiert. Die Un- tersuchung hat das Ziel, die Nutzung von LBS für die Bekleidungskaufabsicht, d.h. eine Konkretisierbarkeit der Nutzung, zu erfassen. Der deduktiven Analyse, vom Allgemei- nen zum Speziellen, folgend, wird für die Analyse angenommen, dass die Beziehungen zwischen Einfluss- und Zielgrößen auch linear beschrieben werden können.⁷⁸ Im Weiteren wird auf die einzelnen Beziehungen eingegangen.

Es wurde empirisch bestätigt, dass alle sechs Einflussfaktoren „wahrgenommene einfa- che Benutzbarkeit“⁷⁹, „Informationsbedarf“⁸⁰, „wahrgenommene Sicherheit“⁸¹, „sozialer Einfluss“, „Gewohnheit der Nutzung des mobilen Internets“⁸² und „wahrgenommener Spaß durch Selbstdarstellung“⁸³ eine positive, lineare und direkte Wirkung auf die Nut- zungsbereitschaft von mobilen Anwendungen haben. Das bedeutet, wenn ein Einfluss- faktor steigt, dann steigt auch die allgemeine Nutzungsbereitschaft einer mobilen An- wendung linear an. In der Studie wird die LBS-Nutzungsbereitschaft bei der Beklei- dungskaufabsicht als Zielgröße untersucht. Die linearen und positiven Einflüsse der sechs genannten Einflussfaktoren werden auch für die Zielgröße angenommen.

Die Zielgröße „Nutzungsbereitschaft“ von mobilen Anwendungen wirkt wiederum positiv linear auf die tatsächliche Nutzung von mobilen Anwendungen.⁸⁴ Im Kontext der Untersuchung beeinflusst die LBS-Nutzungsbereitschaft bei der Bekleidungskaufabsicht die tatsächliche Nutzung von LBS bei der Bekleidungskaufabsicht linear und positiv. Außerdem wird angenommen, dass die LBS-Nutzungsbereitschaft bei der Bekleidungskaufabsicht den Willen für den Besuch des Geschäfts, als eine logische Folge der LBS-Nutzung, positiv und linear beeinflusst.

Der Faktor „LBS-Nutzungsbereitschaft bei der Bekleidungskaufabsicht“ erfüllt eine Doppelfunktion. Auf der einen Seite ist er eine Zielgröße, die durch sechs Einflussgrößen erklärt wird, auf der anderen ein direkter Einflussfaktor für die zwei anderen Zielgrößen. In der nachfolgenden Abbildung 3 wird das untersuchte Modell mit allen erläuterten Faktoren und deren Zusammenhängen grafisch veranschaulicht.

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Abbildung nach: Fang et al. (2006): S. 141; Gerpott & Berg (2011): S. 284; Venkatesh et al. (2012): S. 160; Königstorfer (2008): S. 37 f.

Abbildung 3: Das untersuchte Modell der Master-Thesis

3. Messtheoretische Überlegungen

3.1 Strukturgleichungsmodell: Submodelle und Untersuchungsverfahren

Wie theoretisch und grafisch dargestellt wurde, ist das Ziel der Master-Thesis, den Einfluss von mehreren Faktoren auf die Akzeptanz von LBS für die Bekleidungsunternehmen zu untersuchen. Es werden die kausalen Abhängigkeiten bzw. die UrsacheWirkungs-Beziehungen untersucht. Daher ist es eine kausalanalytische Forschung,⁸⁵ bei der ein multivariates Verfahren eingesetzt werden soll.

Aus Sicht der Statistik ist das abgebildete Modell aus Abbildung 3 ein Strukturmodell, das Wirkungsbeziehungen zwischen latenten Faktoren zeigt und auf theoretischen und logischen Überlegungen aufgebaut wird.⁸⁶ Alle neun untersuchten Faktoren des Modells sind latente Variablen; diese können nicht direkt beobachtet und gemessen werden, sondern nur durch die Indikatoren, die diese beschreiben. Die Erklärung der latenten Variablen durch die messbaren Indikatoren wird Operationalisierung genannt.⁸⁷ Die Operationalisierung der neun untersuchten Faktoren wird in Kapitel 6.2 erläutert. Die Indikatoren ermöglichen es, die latenten Faktoren zu verstehen und zu messen. Deswe- gen wird hier über die Messmodelle gesprochen, die eine Verbindung zwischen latenten Variablen und deren Indikatoren darstellen. Ein Messmodell besteht aus je einer laten- ten Variablen und den dazugehörenden Indikatoren.⁸⁸ Das untersuchte Strukturmodell beinhaltet insgesamt neun latente Variablen und wird daher durch neun Messmodelle ergänzt bzw. erklärt.

Die Gesamtmodellierung setzt sich aus dem Strukturmodell und den Messmodellen zu- sammen und wird auch Strukturgleichungsmodellierung genannt. Die Besonderheit der Strukturgleichungsmodellierung besteht darin, dass sie die Analyse und Messung von Zusammenhängen zwischen komplexen latenten Variablen erlaubt;⁸⁹ sie ist demnach eine geeignete multivariate Methode für diese Untersuchung. Grundsätzlich kann ein Strukturgleichungsmodell durch das kovarianz- bzw. das varianzbasierte Verfahren ge- schätzt werden.⁹⁰

Für das untersuchte Strukturgleichungsmodell ist das varianzbasierte Verfahren aus mehreren Gründen geeignet. Die entscheidenden Gründe werden im Weiteren genannt. Erstens erlaubt das varianzbasierte Verfahren die Untersuchung von reflektiven und formativen Messmodellen, die beide im Modell vorhanden sind und in Kapitel 6.2 dar- gestellt werden. Mit dem kovarianzbasierten Verfahren werden typischerweise nur re- flektive Messmodelle untersucht.⁹¹ Zweitens stützt sich das varianzbasierte Verfahren in geringerem Maße auf die bewährten Theorien als das kovarianzbasierte Verfahren.⁹² In der Untersuchung wird zwar auf die geprüften Theorien wie TAM oder TRA aufgebaut, jedoch wird auch eine neue, bis jetzt unerforschte Zielgröße „Wille für den Besuch des Bekleidungsgeschäfts“ untersucht. Drittens erlaubt das varianzbasierte Verfahren die Auswertung von kleinen Stichprobengrößen; je nach Komplexität des Modells reichen 30 bis 100 Probanden aus.⁹³ Für das kovarianzbasierte Verfahren werden für die Auswertung mindestens 200 bis 800 Probanden benötigt.⁹⁴

Das varianzbasierte Verfahren baut auf der Partial-Least-Squares-Methode (im Weiteren PLS-Methode) auf, häufig werden sie auch gleichgesetzt. Das Ziel dieser Methode ist es, die Schätzparameter der Abhängigkeit eines Faktors auf einen anderen so zu schätzen, dass die erklärte Varianz des abhängigen Faktors maximiert wird. Eine lineare Abhängigkeit zwischen den Faktoren wird dabei vorausgesetzt.⁹⁵ Insgesamt werden mithilfe dieser Methode acht Abhängigkeiten geschätzt.

Die statistische Auswertung der Untersuchung wird mithilfe einer SmartPLS-Software durchgeführt, die für die Analyse von Kausalmodellen eingesetzt wird und ein varianz- basiertes Verfahren anwendet.⁹⁶ Der von der Software geschätzte Koeffizient der Ab- hängigkeit und seine Signifikanz sind die Basis für die Beurteilung der Abhängigkeit.⁹⁷ Darüber hinaus ist es auch wichtig, die Güte des untersuchten Modells zu prüfen. Auch dafür werden von der PLS-Software notwendige Kennzahlen zur Beurteilung ausge- rechnet.⁹⁸

3.2 Informationsgewinnung: angewandte Methode

Der andere wichtige Aspekt der Untersuchung ist die Informationsgewinnung. Im ersten Schritt wurde entschieden, dass die Informationen speziell erhoben werden. Die benö- tigten Informationen für die vorliegende Untersuchung wurden bis dato nicht veröffent- licht. Da die Daten neu erhoben werden, ist diese Forschung der Primärforschung zuzu- ordnen.⁹⁹ Im nächsten Schritt wird die geeignete Erhebungsmethode gewählt. Es bieten sich die Erhebungsmethoden Beobachtung, Befragung oder eine Mischform aus beiden an.¹⁰⁰ Für die Untersuchung wird die Befragung als Erhebungsmethode gewählt, da die- se eingesetzt wird, um Einstellungen, Meinungen, Präferenzen oder Verhaltensabsichten zu erfassen.¹⁰¹ Meinungen, Einstellungen und Verhaltensabsichten im Kontext der LBS sind auch der Gegenstand dieser Untersuchung. Die Beobachtung als Erhebungsmethode ist in diesem Fall ungeeignet, da dabei das Kundenverhalten ohne Kommunikation un- tersucht wird und die benötigten Informationen so nicht gewonnen werden können.¹⁰²

Die Befragung wird in einer schriftlichen und elektronischen Form, mithilfe von On- linefragebögen, durchgeführt. Verglichen mit der mündlichen oder schriftlich-postali- schen Befragung weist die schriftlich-elektronische Befragung Bequemlichkeit, Zeit- effizienz sowie eine höhere Verbreitung auf.¹⁰³ Aus den genannten Gründen wird auch diese Befragungsform gewählt. Nachteilig wird bei der Onlinebefragung das Repräsen- tativitätsproblem genannt, da es eine nicht-zufällige Erhebungsmethode ist und nicht jeder eine Chance hat, an der Befragung teilzunehmen. Nur bestimmte Probandengrup- pen werden erreicht und einige Gruppen bleiben ausgeschlossen.¹⁰⁴ Allerdings muss bei diesem Nachteil das Thema der Untersuchung und die für dieses Thema relevante Grundgesamtheit bedacht werden. Unter Grundgesamtheit werden alle potenziellen Un- tersuchungsobjekte für eine Forschungsfrage verstanden.¹⁰⁵ Auf die Überlegungen über die Grundgesamtheit und deren Merkmale wird im Weiteren eingegangen.

3.3 Grundgesamtheit

Als Grundgesamtheit der Untersuchung wird die Anzahl der LBS-Nutzer in Deutschland betrachtet. Dies impliziert, dass diese Smartphone- bzw. Tablet-PC-Nutzer sind. Personen mit diesen Merkmalen verfügen über das nötige Wissen, um die Fragen zu den untersuchten Faktoren beantworten zu können. Zu LBS-Nutzern gibt es nur wenige veröffentlichte Daten. Durch die Analyse von zwei deskriptiven Studien und StatistaDaten wird im Weiteren versucht, LBS-Nutzer zu quantifizieren und den Merkmalen „Geschlecht“ und „Alter“ zuzuordnen. Diese Erkenntnisse werden außerdem verwendet, um die Probanden der eigenen empirischen Untersuchung nach diesen Merkmalen zu vergleichen und zu beurteilen. Daten zum Bildungsabschluss oder zur Berufstätigkeit von LBS-Nutzern wurden bis jetzt nicht veröffentlicht.

3.3.1 Smartphone- bzw. Tablet-PC-Nutzer und der Anteil der LBS-Nutzer

Die Anzahl von Smartphone-Nutzern betrug im Jahr 2014 ca. 41,1 Mio. und 2015 etwa 45,6 Mio.¹⁰⁶ Die Anzahl von Tablet-PC-Nutzern lag im Jahr 2014 bei 27,7 Mio.

[...]

---

¹ Vgl. Statista (2015a), S. 1; Heinemann (2015b), S. 3 f.

² Vgl. Heinemann (2015b), S. 173.

³ Vgl. Heinemann (2012), S. 15 ff.; Heinemann (2014), S. 9; Hudetz & Stüber (2014), S. 204.

⁴ Vgl. Statista (2015b), S. 1.

⁵ Vgl. Statista (2015c), S. 1.

⁶ Vgl. BITKOM (2013), S. 28; Heinemann (2014), S. 9 f.

⁷ Vgl. Spiekermann (2004), S. 10; Laudon & Traver (2015), S. 504.

⁸ Vgl. Bauer et al. (2008), S. 207.

⁹ Vgl. Zou & Huang (2012), S. 247; Spiekermann (2004), S. 14.

¹⁰ Vgl. Heinemann (2014), S. 113.

¹¹ Vgl. Ghose et al. (2013), S. 613 f.

¹² Vgl. o. V. (2014), S. 2.

¹³ Vgl. eWeb Research Center (2014), S. 21 f.

¹⁴ Vgl. Heinemann (2014), S. 65 ff.

¹⁵ Vgl. ebd., S. 110 f., S. 181 f.

¹⁶ Vgl. Brewer-Hay (2011), o. S.; Heinemann (2014), S. 68.

¹⁷ Vgl. Heinemann (2015a), S. 58 ff.

¹⁸ Vgl. Lücke (2011), S. 126.

¹⁹ Vgl. Heinemann (2014), S. 110 f.

²⁰ Vgl. ebd., S. 65 ff.

²¹ Vgl. Bredner (2015), S. 17 f.

²² Vgl. Lehrer et al. (2011), S. 4.

²³ Vgl. Eigner et al. (2012), S. 1 f.

²⁴ Vgl. Davis (1989), S. 333; Fang et al. (2006), S. 157.

²⁵ Vgl. Davis et al. (1989), S. 985 ff.

²⁶ Vgl. Fishbein & Ajzen (1975), S. 16 ff.

²⁷ Vgl. Davis et al. (1989), S. 985.

²⁸ Vgl. u. a. Königstorfer (2008), S. 37; Venkatesh et al. (2003), S. 447; Venkatesh et al. (2012), S. 178.

²⁹ Vgl. Davis et al. (1989), S. 989; Venkatesh et al. (2003), S. 460; Venkatesh et al. (2012), S. 178.

³⁰ Vgl. Fang et al. (2006), S. 135.

³¹ Vgl. Gerpott & Berg (2011), S. 282.

³² Vgl. Davis (1989), S. 329; Davis et al. (1989), S. 991.

³³ Vgl. Venkatesh et al. (2003), S. 438.

³⁴ Vgl. Venkatesh et al. (2012), S. 178; Davis (1989), S. 329; Davis et al. (1989), S. 991.

³⁵ Vgl. Heinemann (2014), S. 5 ff.; Heinemann (2015a), S. 58 ff.

³⁶ Vgl. Heinemann (2015a), S. 58 ff.

³⁷ Vgl. Heinemann (2014), S. 65 ff.

³⁸ Vgl. Davis et al. (1989), S. 985.

³⁹ Vgl. Davis (1989), S. 320.

⁴⁰ Vgl. Fang et al. (2006), S. 141; Venkatesh et al. (2003), S. 447 ff. ; Venkatesh et al. (2012), S. 169 ff.

⁴¹ Vgl. Davis (1989), S. 326 ff.; Dishaw & Strong (1999), S. 13 f.; Venkatesh et al. (2003), S. 428.

⁴² Vgl. Gerpott (2010), S. 14; Venkatesh & Ramesh (2006), S. 201.

⁴³ Vgl. Gerpott (2010), S. 14.

⁴⁴ Vgl. u. a. Fang et al. (2006), S. 127 ff.; Venkatesh et al. (2012), S. 169.

⁴⁵ Vgl. Goodhue & Thompson (1995), S. 213.

⁴⁶ Vgl. ebd., S. 221 ff.

⁴⁷ Vgl. Gerpott (2010), S. 15.

⁴⁸ Vgl. Fang et al. (2006), S. 146; Gerpott & Berg (2011), S. 279 ff.

⁴⁹ Vgl. Gerpott (2010), S. 14.

⁵⁰ Vgl. eWeb Research Center (2014), S. 57.

⁵¹ Vgl. Gerpott & Berg (2011), S. 285.

⁵² Vgl. Fang et al. (2006), S. 129.

⁵³ Vgl. Laudon & Traver (2015), S. 467.

⁵⁴ Vgl. Davis (1989), S. 319 ff.; Venkatesh et al. (2003), S. 447.

⁵⁵ Vgl. Sheng et al. (2008), S. 351 ff.

⁵⁶ Vgl. Daurer (2014), S. 29.

⁵⁷ Vgl. Fang et al. (2006), S. 130.

⁵⁸ Vgl. Pavlou (2001), S. 817.

⁵⁹ Vgl. Fang et al. (2006), S. 130.

⁶⁰ Vgl. Fishbein & Ajzen (1975), S. 301 f.

⁶¹ Vgl. ebd.

⁶² Vgl. u. a. Schepers & Wetzels (2007), S. 99; Venkatesh et al. (2012), S. 169.

⁶³ Vgl. Gerpott & Berg (2011), S. 283 f.; Königstorfer (2008), S. 51.

⁶⁴ Vgl. Limayem et al. (2007), S. 705; Gerpott & Berg (2011), S. 280.

⁶⁵ Vgl. Kim et al. (2005), S. 418; Limayem et al. (2007), S. 705.

⁶⁶ Vgl. Venkatesh et al. (2012), S. 161.

⁶⁷ Vgl. Limayem et al. (2007), S. 722 ff.

⁶⁸ Vgl. Venkatesh et al. (2012), S. 169 f.

⁶⁹ Vgl. ebd., S. 178.

⁷⁰ Vgl. Königstorfer (2008), S. 38 ff.

⁷¹ Vgl. Venkatesh et al. (2012), S. 169.

⁷² Vgl. Nysveen et al. (2005), S. 336.

⁷³ Vgl. Hirschman (1982), S. 537 f.; Belk (1988), S. 140.

⁷⁴ Vgl. Kleine et al. (1993), S. 210 ff.

⁷⁵ Vgl. Leung & Wei (2000), S. 313 f.; Peters & Ben Allouch (2005), S. 247.

⁷⁶ Vgl. Taylor & Harper (2003), S. 282.

⁷⁷ Vgl. Nysveen et al. (2005), S. 336 f.; Königstorfer (2008), S. 39.

⁷⁸ Vgl. Hussy et al. (2013), S. 35.

⁷⁹ Vgl. Fang et al. (2006), S. 141; Venkatesh et al. (2012), S. 169.

⁸⁰ Vgl. Gerpott & Berg (2011), S. 284.

⁸¹ Vgl. Fang et al. (2006), S. 144.

⁸² Vgl. Venkatesh et al. (2012), S. 169.

⁸³ Vgl. Königstorfer (2008), S. 37 ff.

⁸⁴ Vgl. Venkatesh et al. (2012), S. 170.

⁸⁵ Vgl. Kuß et al. (2014), S. 47.

⁸⁶ Vgl. Backhaus et al. (2013), S. 65 f.

⁸⁷ Vgl. Grunwald & Hempelmann (2012), S. 54 f.

⁸⁸ Vgl. Huber et al. (2007), S. 3; Backhaus et al. (2013), S. 77.

⁸⁹ Vgl. Homburg & Klarmann (2006), S. 728.

⁹⁰ Vgl. Huber et al. (2007), S. 6.

⁹¹ Vgl. Herrmann et al. (2006), S. 44; Chin & Newsted (1999), S. 314.

⁹² Vgl. Chin & Newsted (1999), S. 313.

⁹³ Vgl. Chin & Newsted (1999), S. 314; Herrmann et al. (2006), S. 44; Huber et al. (2007), S. 2.

⁹⁴ Vgl. Chin & Newsted (1999), S. 314; Herrmann et al. (2006), S. 44.

⁹⁵ Vgl. Homburg et al. (2008), S. 571 f.; Huber et al. (2007), S. 6 ff.

⁹⁶ Vgl. Weiber & Mühlhaus (2014), S. 337.

⁹⁷ Vgl. Huber et al. (2007), S. 115 f.

⁹⁸ Vgl. Weiber & Mühlhaus (2014), S. 332 ff.

⁹⁹ Vgl. Kuß & Eisend (2010), S. 41.

¹⁰⁰ Vgl. Homburg & Krohmer (2008), S. 25.

¹⁰¹ Vgl. Bruhn (2012), S. 104.

¹⁰² Vgl. Kuß & Eisend (2010), S. 136 f.

¹⁰³ Vgl. Grunwald & Hempelmann (2012), S. 48.

¹⁰⁴ Vgl. ebd., S. 48 f.

¹⁰⁵ Vgl. ebd., S. 34.

¹⁰⁶ Vgl. Statista (2015b), S. 1.

• College: University of applied sciences, Munich
• Grade: 1,7
• Author: Veronika Keiner (Author)
• Publication Year: 2016
• Pages: 94
• Catalog Number: V337386
• ISBN (eBook): 9783668270633
• Language: German
• Tags: akzeptanz, location, based, services, bekleidungsunternehmen