Im Zuge der Digitalisierung und technologischen Entwicklung ergeben sich für Onlinehändler verschiedene Möglichkeiten, sich im Wettbewerb zu behaupten. In der vorliegenden Arbeit wurde, unter Anwendung der Theory of Reasoned Action, evaluiert, wie sich folgende zwei Onlineservices auf das Konsumentenverhalten auswirken: zum einen die personalisierte Empfehlung des Anbieters und zum anderen die Angabe der Popularitätsinformation anderer Konsumenten. Diese Untersuchung erfolgte unter Durchführung eines virtuell realisierten Szenario-Experiments, dessen Teilnehmerzahl (N) 240 betrug.
Für die Onlinebefragung wurden vier Stimuli manipuliert, um im Nachgang Effekte innerhalb der jeweiligen Gruppen zu erforschen. Hierbei konnte sowohl ein positiver Effekt zwischen einer personalisierten Empfehlung des Anbieters und der Zahlungsbereitschaft der Konsumenten festgestellt werden – als auch zwischen der Popularitätsinformation anderer Käufer, angegeben in der gängigen Form eines 5-Sterne-Bewertungssystems, und der Zahlungsbereitschaft seitens des Konsumenten.
Zudem fand die Autorin heraus, dass Männer generell eine höhere Zahlungsbereitschaft besitzen als Frauen. Überdies konnte das Markenvertrauen als Moderator für die Beziehung zwischen dem Stimulus und der Zahlungsbereitschaft identifiziert werden.
Inhaltsverzeichnis
Abkürzungsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 EINLEITUNG
1.1 THEMATIK, RELEVANZ UND ZIELSETZUNG
1.2 STRUKTUR UND KAPITELÜBERBLICK
2 BEGRIFFSDEFINITIONEN UND WISSENSCHAFTLICHE EINORDNUNG
2.1 DEFINITIONEN UND BEGRIFFSERKLÄRUNGEN
2.1.1 Onlineshopping
2.1.2 Personalisierte Empfehlung
2.1.3 Popularitätsinformation
2.1.4 Konsumentenverhalten
2.2 WISSENSCHAFTLICHE EINORDNUNG
3 KONZEPTIONELLER RAHMEN, FORSCHUNGSFRAGE UND HYPOTHESEN
3.1 CHOICE OVERLOAD
3.2 BIG DATA
3.3 FORSCHUNGSFRAGE
3.4 THEORY OF REASONED ACTION UND THEORY OF PLANNED BEHAVIOR
3.5 HYPOTHESEN UND FORSCHUNGSMODELL
3.5.1 Personalisierte Empfehlungen im Onlineshopping
3.5.2 Popularitätsinformation im Onlineshopping
3.5.3 Gleichzeitiges Vorhandensein von personalisierter Empfehlung und Popularitätsinformation
3.5.4 Forschungsmodell
4 METHODE
4.1 STUDIENDESIGN UND VORGEHEN
4.2 MESSUNG
4.2.1 Zahlungsbereitschaft der Teilnehmer
4.2.2 Kaufabsicht der Teilnehmer
4.2.3 Weiterempfehlungsabsicht
4.2.4 Vertrauen
4.2.5 Kontrollvariablen
4.2.6 Manipulationscheck
4.3 PRETEST
5 ERGEBNISSE
5.1 STICHPROBE
5.2 DESKRIPTIVE STATISTIK
5.3 INFERENZSTATISTIK
5.4 SPOTLIGHTANALYSE
6 GENERELLE DISKUSSION
7 LIMITATIONEN
8 IMPLIKATIONEN
9 MÖGLICHKEITEN FÜR WEITERE FORSCHUNG
10 FAZIT UND AUSBLICK
11 LITERARTURVERZEICHNIS
Appendix I
Appendix II
Zusammenfassung
Im Zuge der Digitalisierung und technologischen Entwicklung ergeben sich für Onlinehändler verschiedene Möglichkeiten, sich im Wettbewerb zu behaupten. In der vorliegenden Arbeit wurde, unter Anwendung der Theory of Reasoned Action, evaluiert, wie sich folgende zwei Onlineservices auf das Konsumentenverhalten auswirken: zum einen die personalisierte Empfehlung des Anbieters und zum anderen die Angabe der Popularitätsinformation anderer Konsumenten. Diese Untersuchung erfolgte unter Durchführung eines virtuell realisierten Szenario-Experiments, dessen Teilnehmerzahl (N) 240 betrug. Für die Onlinebefragung wurden vier Stimuli manipuliert, um im Nachgang Effekte innerhalb der jeweiligen Gruppen zu erforschen. Hierbei konnte sowohl ein positiver Effekt zwischen einer personalisierten Empfehlung des Anbieters und der Zahlungsbereitschaft der Konsumenten festgestellt werden - als auch zwischen der Popularitätsinformation anderer Käufer, angegeben in der gängigen Form eines 5-Sterne-Bewertungssystems, und der Zahlungsbereitschaft seitens des Konsumenten. Zudem fand die Autorin heraus, dass Männer generell eine höhere Zahlungsbereitschaft besitzen als Frauen. Überdies konnte das Markenvertrauen als Moderator für die Beziehung zwischen dem Stimulus und der Zahlungsbereitschaft identifiziert werden.
Abstract
In the course of digitization and technological development, online retailers have different opportunities for successfully positioning themselves within competition. In this work, using the Theory of Reasoned Action, it was examined how the following online services affect consumer behavior: a personalized recommendation of the retailer and the popularity information of other consumer. A scenario experiment with 240 participants (N) was carried out online. For the online survey, four stimuli were manipulated to investigate effects within the four groups. In this case, a positive effect can be established between a personalized recommendation of the retailer and the consumers’ willingness to pay. On the other hand, a positive effect can be established between the popularity information of other consumers, by using a 5 star rating system, and consumers’ willingness to pay. In addition the author found out that men generally have a higher willingness to pay than women. Furthermore brand trust was identified as a moderator for the relationship between stimulus and willingness to pay.
Keywords: Consumer Behavior, Online Shopping, Online Services, Personalized Recommendation, Popularity information
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
ABBILDUNG 1: BEISPIEL DER PRODUKTPRÄSENTATION BEI AMAZON.DE
ABBILDUNG 2: FORSCHUNGSANSÄTZE DES KONSUMENTENVERHALTENS
ABBILDUNG 3: S-O-R PARADIGMA
ABBILDUNG 4: THEORY OF REASONED ACTION
ABBILDUNG 5: THEORY OF PLANNED BEHAVIOR
ABBILDUNG 6: FORSCHUNGSMODELL
ABBILDUNG 7: VERSCHIEDENE VARIANTEN DER ANGEZEIGTEN ARMBANDUHR
ABBILDUNG 8: BEISPIEL DES STIMULUS AUS GRUPPE
ABBILDUNG 9: MITTELWERTVERGLEICH DER ZAHLUNGSBEREITSCHAFT BEI PERSONALISIERTER EMPFEHLUNG ODER KEINE
ABBILDUNG 10: MITTELWERTVERGLEICH DER ZAHLUNGSBEREITSCHAFT BEI POPULARITÄTSINFORMATION ODER KEINE
ABBILDUNG 11: MITTELWERTE DER ZAHLUNGSBEREITSCHAFT NACH GESCHLECHT
Tabellenverzeichnis
TABELLE 1: ÜBERBLICK ÜBER DIE FORSCHUNGSHYPOTHESEN
TABELLE 2: MITTELWERT, STANDARDABWEICHUNG FÜR DIE ZENTRALE VARIABLE ZAHLUNGSBEREITSCHAFT
TABELLE 3: MITTELWERT, STANDARDABWEICHUNG, CRONBACHS ALPHA FÜR DIE ZENTRALE VARIABLE KAUFABSICHT
TABELLE 4: MITTELWERT, STANDARDABWEICHUNG, CRONBACHS ALPHA FÜR DIE ZENTRALE VARIABLE WEITEREMPFEHLUNGSABSICHT
TABELLE 5: ÜBERBLICK ÜBER DIE FORSCHUNGSHYPOTHESEN UND AUSWERTUNG
TABELLE 6: VERTRAUEN ALS MODERATOR FÜR DIE BEZIEHUNG STIMULUS UND ZAHLUNGSBEREITSCHAFT
1 Einleitung
1.1 Thematik, Relevanz und Zielsetzung
Abbildung 1: Beispiel der Produktpräsentation bei amazon.de
Unsere Empfehlungen fur Sie
[Diese Abbildung wurde aus urheberrechtlichen Grunden von der Redaktion entfernt.]
Die hier einleitende Abbildung zeigt ein typisches Interface des Onlineanbieters Amazon. Während eines Besuches - und damit verbunden ist immer der potenzielle Einkauf - auf der Website, werden mir als Konsumenten1 unter anderem Produktempfehlungen angezeigt, die versprechen auf mich und mein persönliches Kaufverhalten abgestimmt zu sein. Darunter befindet sich beispielsweise das Buch „The Big Five for Life: Was wirklich zählt im Leben“ von John Strelecky und Bettina Lemke, das als Bestseller deklariert ist und von 222 Personen mit durchschnittlich 4,5 von 5 Sternen bewertet wurde. Hier stoßen wir auf die in dieser Arbeit zugrundeliegende Situation: Ein Produkt wird als individuell auf mich abgestimmt charakterisiert und gleichzeitig ist an dem angezeigten Bewertungssystem nicht nur erkennbar wie zufrieden andere Konsumenten mit diesem Produkt - in unserem Falle dem Buch - gewesen sind, sondern vor allem auch für wie viele andere Personen, dieses Produkt auch passend und zutreffend ist. Warum bieten Onlinehändler wie Amazon Onlineservices, wie diese, an?
Laut einer Studie von Statista (2016) betrug der Umsatz im Einzelhandel in Deutschland im engeren Sinne2 2015 473,9 Milliarden Euro. Für das Jahr 2016 wird ein Umsatz von 485,7 Milliarden Euro prognostiziert. Aufgrund des steigenden Umsatzes im Einzelhandel, wird auch der Wettbewerb immer intensiver, da mehr und mehr Anbieter von den zu erwartenden Umsätzen profitieren möchten. Für Händler ist es deshalb zunehmend wichtig sich online zu präsentieren, um einerseits mehr Konsumenten und Aufmerksamkeit akquirieren zu können und andererseits mehr Produkte zu verkaufen (Grabner- Kraeuter, 2002). Der Wettbewerb im Einzelhandel wird nicht ausschließlich in Bezug auf die Preise für bestimmte Produkte ausgetragen, sondern in erheblichem Maße mit dem gesamten Leistungsbündel (Greipl, 1978). Dazu zählen Sortiment, Qualität, Information und Service. Ein Einzelhändler kann sich demnach nicht nur über den Preis behaupten, sondern muss den Konsumenten ein Gesamtpaket mit Einkaufserlebnis bieten. Die strategische Situation im Einzelhandel „ist durch gesättigte Märkte, zunehmende Austauschbarkeit der Geschäfte, einen fortschreitenden Konzentrationsprozeß und einen sich verschärfenden Verdrängungswettbewerb gekennzeichnet“ (Gröppel-Klein, 2013, S. 9).
Es werden immer mehr Wettbewerber mit immer größer werdenden Sortimenten für eine gleichbleibende Masse an Konsumenten. Aufgrund des steigenden Angebots, steigt auch Unsicherheit über die richtige Produktauswahl auf Konsumentenseite (Iyengar & Lepper, 2000). Um sich im Wettbewerb behaupten zu können, müssen Händler mehr bieten als eine einfache Produktpräsentation. Es kommt darauf an, der richtigen Person, im richtigen Moment, die richtige Information zu präsentieren. Dieses Wachstum ist unter anderem dem Internet geschuldet (Nagar & Gandotra, 2016). Online können Händler kostengünstiger agieren und wachsen als im stationären Handel. Darüber hinaus können Online-Händler Targeting3 besser umsetzen als es im stationären Handel der Fall wäre. Die Zahl an Menschen, die online agieren wächst, was zur Folge hat, dass auch immer mehr Händler ihre Produkte im
Internet anbieten. Seit Beginn des 21. Jahrhunderts ist die Anzahl an Internetnutzern weltweit um das Achtfache auf insgesamt 2,3 Milliarden Nutzer angestiegen (Internet World Stats, 2012). Laut Nagar und Gandotra (2016) ist die Internetnutzung und speziell das Onlineshopping weiterhin im Wachstum.
Obwohl das Internet solch ein mächtiges Medium für Shopping geworden ist, weist es Schwächen auf. Das Übermaß an Angeboten und den dazu gehörenden Informationen könnten das Konsumentenverhalten beeinflussen und die Kaufentscheidungsfindung erschweren (Nagar & Gandotra, 2016). So bergen Onlineshops ein erhöhtes Risiko der Verunsicherung des Konsumenten bezüglich seiner eigenen Produktauswahl und seiner letztendlichen Kaufentscheidung. Um darauf richtig zu reagieren, müssen Unternehmen individuelle Empfehlungen und Services anbieten (ebd.). Der Erfolg von Handelsunternehmen hängt nicht zuletzt auch davon ab, in welchem Maße es ihnen gelingt verschiedene Datenquellen zu integrieren, um individuelle Angebote sowie Services vorschlagen zu können (Rudolph & Linzmajer, 2014). Indem Händler Big Data passend einsetzen, wird es ihnen möglich, sich einen Wettbewerbsvorteil zu verschaffen.
Als Konsequenz daraus entwickelten Onlinehändler verschiedene Wege, den Konsumenten die Entscheidung zu erleichtern. Beispielsweise sind Anbieter dank der Analyse und Speicherung von Daten (z. B. Einkaufshistorie, Suchverlauf) imstande, personalisierte Empfehlungen zu geben. Somit können Onlinehändler auf die individuellen Bedürfnisse eines Konsumenten eingehen. Eine weitere Möglichkeit ist die Angabe von Popularitätsinformationen anderer Konsumenten, damit Interessenten die Entscheidung anderer Käufer ihrer eigenen zugrunde legen können. Um die positiven Auswirkungen dieser einzelnen Instrumente komplett ausschöpfen zu können, haben Onlinehändler (wie Amazon.de) begonnen, Produkte kombiniert mit Popularitätsinformationen anderer Konsumenten und einer personalisierten Empfehlung des Anbieters vorzustellen. Da bislang keine empirische Untersuchung dieses Zusammenspiels unternommen wurde, ist das Ziel der vorliegenden Forschungsarbeit, die daraus resultierenden Effekte zu betrachten.
1.2 Struktur und Kapitelüberblick
Zum Zwecke dieser Untersuchung erfolgt in Kapitel zwei die Begriffsdefinition der bedeutsamen Begriffe nebst einer wissenschaftlichen Einordnung der Thematik von der vorliegenden Arbeit. Daraufhin umreißt Kapitel drei den konzeptionellen Rahmen, stellt die Forschungsfrage vor und leitet die zu untersuchenden Hypothesen her. Im Anschluss daran kann das Forschungsmodell präsentiert werden. In Kapitel vier wird die Methode der empirischen Untersuchung beschrieben, wobei auf das Studiendesign und die Messung der Daten detailliert eingegangen wird. Als Nächstes stellt das fünfte Kapitel die Stichprobe vor und referiert die Ergebnisse des Szenario- Experiments. Die generelle Diskussion thematisiert alle Ergebnisse und bietet mögliche Erklärungen. Außerdem beinhaltet die Arbeit Limitationen und Implikationen, die im siebten und achten Kapitel erläutert werden. Ferner werden Möglichkeiten für weitere Forschung im neunten Kapitel aufgezeigt. Das letzte Kapitel beschließt die vorliegende Arbeit mit einem Fazit und einem kurzen Ausblick auf die zukünftige Entwicklung.
2 Begriffsdefinitionen und wissenschaftliche Einordnung
In diesem Kapitel sollen zunächst Definitionen und Begriffserklärungen zur Einstimmung sowie zum besseren Verständnis unternommen werden. Daran anschließend erfolgt die wissenschaftliche Einordnung der Forschungsthematik.
2.1 Definitionen und Begriffserklärungen
Nachfolgend werden vier Begriffe erläutert, die für die vorliegende Arbeit von Bedeutung sind.
2.1.1 Onlineshopping
Der Begriff Onlineshopping bezieht sich auf das Shoppingszenario, das für die Untersuchung eine Einkaufssituation beschreibt, die die Teilnehmer der
Onlinebefragung erleben. Es handelt sich dabei um einen Einkauf in einem Onlineshop, weshalb sich die zu untersuchende Einkaufssituation auf den Onlinekontext beschränkt. Es ist bedeutsam, eine konkrete Abgrenzung zum traditionellen Handel vorzunehmen. Dach (2002) definiert Onlineshopping als einen Teil des E-Commerce, bei dem Konsumgüter von einem beliebigen Ort außerhalb des traditionellen, stationären Handels über das Internet von Konsumenten erworben werden.
2.1.2 Personalisierte Empfehlung
Für die Untersuchung wird die personalisierte Empfehlung des Anbieters als Onlineservice herangezogen. Im Allgemeinen versteht man unter einer Service- Personalisierung, die Interaktion des Unternehmens mit einem Konsumenten auf Eins-zu-eins-Basis, um die Individuation des Konsumenten hervorzuheben (Surprenant & Solomon, 1987). Eine Service-Personalisierung kann auf verschiedene Art und Weise von einem Händler angeboten werden. In dieser Studie wird die personalisierte Empfehlung des Onlinehändlers als Onlineservice verwendet.
2.1.3 Popularitätsinformation
Für die vorliegende Arbeit versteht man unter dem Begriff Popularitätsinformation die Bekanntgabe von Einschätzungen Dritter. In der Literatur wird oftmals von Word-of-Mouth4 [WOM] gesprochen (z. B. Chen, Wang, & Xie, 2011; Maxham & Netemeyer, 2002). Unter WOM versteht man die zwischenmenschliche Kommunikation von Konsumenten bezüglich ihrer persönlichen Erfahrungen und Bewertungen eines Unternehmens oder eines Produkts (Richins, 1983). Für die Untersuchung wurde die Popularitätsinformation unter Verwendung eines 5-Sterne-Bewertungssystems widergespiegelt.
2.1.4 Konsumentenverhalten
Das Konsumentenverhalten umfasst das Verhalten von Nachfragern bei Kauf und Gebrauch von Konsumgütern (Saito, 2009). Um das zu untersuchende Feld für die vorliegende Arbeit einzugrenzen, wurden unter dem Aspekt des Konsumentenverhaltens, die Zahlungsbereitschaft, die Kaufabsicht und die Weiterempfehlungsabsicht untersucht. Die Zahlungsbereitschaft eines Konsumenten ist für Unternehmen eine wichtige Determinante, da bereits geringe Preisveränderungen einen Einfluss auf den Umsatz und die Profitabilität eines Unternehmens haben können (Marn, Roegner, & Zawada, 2003). Nach Varian (1992) versteht man unter der Zahlungsbereitschaft eines Konsumenten den maximalen Preis, zu dem ein Konsument bereit ist, ein Produkt zu kaufen. Die Kaufabsicht eines Konsumenten ist ein Konstrukt, um die Absicht, ein bestimmtes Produkt zu kaufen, zu erfassen. Die Weiterempfehlungsabsicht beschreibt, ob ein Konsument bereit dazu ist, ein bestimmtes Produkt beispielsweise an Familienmitglieder, Freunde oder Kollegen weiterzuempfehlen. Die Weiterempfehlungsabsicht wiederum steht in Zusammenhang mit der Konsumentenzufriedenheit (Kroeber-Riel & Weinberg, 2003).
2.2 Wissenschaftliche Einordnung
Bevor die Konsumentenwahrnehmung von personalisierten Empfehlungen des Anbieters und Popularitätsinformationen anderer Konsumenten im Onlineshopping näher untersucht werden kann, gilt es, den wissenschaftlichen Hintergrund zu umreißen. Das Thema dieser Arbeit lässt sich in das Fachgebiet Konsumentenverhaltensforschung einordnen.
Für die Erklärung des Verhaltens von Konsumenten existieren in der Literatur einige Theorien und Modelle, welche sich vereinfacht in behavioristische, neobehavioristische und kognitive Ansätze unterteilen lassen (Meffert, Burmann, & Kirchgeorg, 2012) (vgl. Abbildung 1).
Abbildung 2: Forschungsansätze des Konsumentenverhaltens
Quelle: Eigene Darstellung in Anlehnung Meffert, Burmann und Kirchgeorg, 2012
Bei behavioristischen Forschungsansätzen wird davon ausgegangen, dass nur direkt beobachtbare und messbare Variablen des Konsumentenverhaltens von Bedeutung sind (Meffert et al., 2012). Beispielhafte Modelle wären Black-Box- und S-R-Modelle. Das S steht hierbei für Stimuli und das R für Response, womit das Verhalten des Konsumenten als Reaktion [R] auf beispielsweise Marketingaktivitäten als Stimuli [S] interpretiert wird (Meffert et al., 2012). Da der Denkprozess der Rezipienten, der zur Reaktion geführt hat, als nicht messbar angesehen wird, entfällt hier eine nähere Betrachtung.
Im Gegensatz zu den behavioristischen Forschungsansätzen werden bei den neobehavioristischen Forschungsansätzen auch Variablen, die nicht direkt beobachtbar, sondern nur indirekt über Indikatoren erfasst werden können, hinzugezogen (Meffert et al., 2012). Grund hierfür ist, dass das neobehavioristische SOR-Modell davon ausgeht, dass von außen nicht erkennbar ist, weshalb eine Person auf einen Reiz reagiert. Das bedeutet, dass das Modell um die im Organismus [O] ablaufenden Vorgänge, die nicht direkt beobachtet werden können, ergänzt wird, um menschliches Verhalten zu erklären. Diese, im Inneren des Menschen ablaufende Vorgänge werden durch hypothetische Konstrukte bzw. intervenierende Variablen wie Motive, Aufmerksamkeit, Erinnerung, Emotionen oder Einstellungen beeinflusst (Kroeber-Riel & Weinberg, 2003,). Hiermit entsteht eine kausale Verknüpfung zwischen Stimulus [S], Organismus [O] und Reaktion [R] (vgl. Abbildung 3).
Abbildung 3: S-O-R Paradigma
Quelle: Eigene Darstellung in Anlehnung Meffert, Burmann und Kirchgeorg, 2012
Die kognitiven Forschungsansätze werden zusätzlich zu den vorhergehenden Konstrukten um Informationsverarbeitungsprozesse im Lang- und Kurzzeitgedächtnis ergänzt. Laut Meffert et al. (2012) versteht man darunter die Variablen Lernen, Denken und Wissen.
In der vorliegenden Arbeit liegt der Fokus auf der Reaktion [R], die durch den Stimulus [S], den ein Konsument in einem Online-Shoppingszenario aufnimmt, hervorgerufen wird. Die Reaktion [R] wird hierbei mit der Zahlungsbereitschaft, der Kaufabsicht und der Weiterempfehlungsabsicht überprüft.
3 Konzeptioneller Rahmen, Forschungsfrage und Hypothesen
Im folgenden Kapitel wird der konzeptionelle Rahmen umrissen und die Forschungsfrage präsentiert, um im Anschluss die Hypothesen der vorliegenden Forschungsarbeit herzuleiten.
3.1 Choice Overload
„ Freedom is the right to choose: the right to create for oneself the alternatives of choice. Without the possibility of choice, and the exercise of choice, a man is
not a man but a member, an instrument, a thing. “
-Thomas Jefferson
Je mehr Auswahl, desto besser! Dies ist laut Iyengar und Lepper (2000) eine gängige Annahme in der heutigen Gesellschaft. Sie führten verschiedene Experimente in diesem Bereich durch. In ihrer ersten Studie platzierten sie im Eingangsbereich eines Supermarkts einen Tisch mit einer Auswahl an exotischen Marmeladen. Entweder präsentieren sie eine Auswahl von sechs oder 24 verschiedenen Marmeladen zum Probieren. Jeder Konsument erhielt einen Rabattgutschein von einem Dollar auf den Kauf einer beliebigen Sorte. Iyengar und Lepper (2000) fanden heraus, dass mehr Konsumenten den Probiertisch erreichten, wenn die Auswahl von 24 Sorten präsentiert wurde. Jedoch kauften 30 Prozent der Konsumenten, die das kleine Sortiment an Marmeladen sahen eine Marmelade (mit dem Rabattgutschein) und nur drei Prozent der Konsumenten, die das große Sortiment sahen. Als Ergebnis interpretierten sie, dass zu viel Auswahl die Motivation, eine Entscheidung zu treffen, reduziert (ebd.).
Es existieren einige Theorien in der Sozialpsychologie - wie Attributionstheorien (Kelley, 1967) oder die Theorie der Reaktanz (Brehm, 1966) -, die vermuten lassen, dass alleine die rein illusorische Wahrnehmung einer Auswahl große Effekte auslösen kann (Langer & Rodin, 1976). Aufgrund der technologischen Weiterentwicklung agieren immer mehr Menschen und Unternehmen online (Nagar & Gandotra, 2016). Dadurch erhalten Konsumenten eine zunehmend größere Auswahl an Produkten und deren Variationen. Verbraucher können nun sowohl im stationären Handel als auch online einkaufen. Jedoch hat die Verfügbarkeit einer großen Auswahl nach Nagar und Gandotra (2016) nicht nur Vorteile. Zu dieser Erkenntnis kamen auch Iyengar und Lepper (2000). Sie bemängeln, dass bisher meist nur eine kleine Auswahl untersucht wurde, beispielsweise zwischen zwei oder sechs Alternativen, aber keine großen bis sehr großen Auswahlmöglichkeiten. So wurde zwar festgestellt, dass Konsumenten lieber eine Auswahl haben als keine, aber nicht, wie sich das Konsumentenverhalten bei einer sehr großen Auswahl entwickelt.
Obwohl Konsumenten das Verlangen nach mehr Auswahl haben und alle zusätzlichen Optionen in ihr Berücksichtigungsset aufnehmen, fällt ihnen die Entscheidungsfindung oftmals schwer (Nagar & Gandotra, 2016). Das bedeutet, je mehr Auswahl ein Konsument vorfindet, desto schwieriger ist es für ihn, sich für ein Produkt zu entscheiden. Des Weiteren steigt mit zunehmendem Angebot das Risiko, sich falsch zu entscheiden (Nagar & Gandotra, 2016). Darüber hinaus kann die Motivation zu entscheiden oder die Zufriedenheit mit der finalen Entscheidung sinken (Scheibehenne, Greifeneder, & Todd, 2010). In Folge wächst die Unsicherheit über die eigene Kaufentscheidung. Konsumenten beginnen, ihre Entscheidung eindringlich zu evaluieren und zu hinterfragen, denn vielleicht wäre ein anderes Produkt doch besser gewesen. Eine große Anzahl an Wahlmöglichkeiten kann sogar dazu führen, dass Konsumenten die Entscheidung aufschieben, weitere Alternativen suchen, eine voreingestellte Option auswählen oder abbrechen, um sich nicht entscheiden zu müssen (Iyengar & Lepper, 2000). Dies ist vor allem beim Onlineshopping der Fall, da man online viele ähnliche Produkte in vielen verschiedenen Onlineshops findet.
3.2 Big Data
Der Begriff Big Data beschreibt das Phänomen großer Mengen an Daten, die beispielsweise aus dem Bereich des Internets generiert werden können (Erevelles, Fukawa, & Swayne, 2016). Das Forschungsgebiet Big Data entsteht an der Schnittstelle von Informations-, Computerwissenschaft und Statistik (Rudolph & Linzmajer, 2014). Dank der technologischen Entwicklung und vor allem der steigenden Akzeptanz gegenüber Social-Media-Anwendungen wie beispielsweise Blogs, Foren, Facebook und Twitter steigt die Menge der Daten rasant an (ebd.). Auch der Handel spürt diese Entwicklung. Seit 2004 wächst der Onlinehandel und kann sich immer größere Marktanteile sichern. Ein gekonnter Umgang mit Big Data verspricht im Handel Wettbewerbsvorteile (ebd.). Dank der Aufzeichnung und Speicherung von Käufen kann das Konsumentenverhalten besser verstanden werden (ebd.). Zudem können beispielsweise Einkaufshistorien gespeichert werden, um individuelle Angebote auf deren Basis zu erstellen.
Big Data ermöglicht die Verwendung großer Datenmengen aus verschiedenen Quellen mit einer hohen Verarbeitungsgeschwindigkeit. Laut Rudolph und Linzmajer soll der „konkrete Nutzen von Big-Data-Analysen [ ] darin bestehen, diese unterschiedlichen Datenquellen sinnvoll miteinander zu verbinden, um das Kundenerlebnis über alle Marketing- und Vertriebskanäle hinweg zu verbessern“ (2015, S. 18). Dies macht es beispielsweise Amazon möglich, die Predictive Modeling-Methode 5 einzusetzen, um personalisierte Empfehlungen zu erstellen (Einav/Levin 2013, zitiert nach Rudolph & Linzmajer, 2014).
3.3 Forschungsfrage
Das große Angebot an Produkten und Informationen in Onlineshops könnte die Entscheidungsfindung des Konsumenten beeinträchtigen und eventuell den Kauf sogar verhindern (Iyengar & Lepper, 2000).
Um diesem Problem entgegen zu wirken, müssen sich Händler effektive Onlinestrategien überlegen. Als mögliche Lösungsansätze führten einige Händler beispielsweise personalisierte Empfehlungen als Onlineservices ein, die dem Kunden die Entscheidung für ein Produkt erleichtern sollen. Dem Konsumenten wird das Gefühl vermittelt, das ihm angebotene Produkt sei individuell für ihn ausgewählt. Des Weiteren finden sich oftmals Popularitätsinformationen anderer Konsumenten, vor allem in Form von Bewertungssystemen (Zhang, Ye, Law, & Li, 2010). Auch diese Informationen sollen dem Kunden die Entscheidung erleichtern, da ihm gezeigt wird, wie viele andere Konsumenten sich für dieses Produkt entschieden und wie sie es bewertet haben. Obwohl schon einige Aspekte des Onlineshoppings betrachtet wurden, gibt es noch etliches zu erforschen, bis eindeutige Ergebnisse vorgelegt werden können.
Unter anderem untersuchten diverse Studien die Auswirkungen von personalisierter Empfehlung oder Popularitätsinformationen im Onlineshopping. Eine Forschungslücke findet sich allerdings bei der Frage, wie Konsumenten sich verhalten, wenn beide Ansätze gleichzeitig zur Entscheidungsfindung herangezogen werden. Aus diesem Grund beschäftigt sich die vorliegende Arbeit mit folgender Forschungsfrage:
Welche Auswirkungen lassen sich auf das Konsumentenverhalten feststellen, wenn Konsumenten im Onlineshopping, zu bestimmten Produkten sowohl eine personalisierte Empfehlung des Anbieters als auch eine Popularit ä tsinformation anderer Konsumenten erhalten?
Das Ziel dieser Arbeit ist, den Effekt von gleichzeitigem Vorhandensein einer personalisierten Empfehlung sowie einer Popularitätsinformation im Onlineshopping empirisch zu erforschen und mögliche Implikationen für den Onlinehandel zu identifizieren.
3.4 Theory of Reasoned Action und Theory of Planned Behavior
Die Theorie des überlegten Handels (engl. TRA=Theory of Reasoned Action) ist ein Entscheidungsmodell, das den Zusammenhang von Einstellungen und Verhalten beschreibt. Für die Theorie wird der Mensch als rationales Wesen angenommen, das seine Entscheidungen aufgrund von ihm zugänglichen Informationen trifft. Das von Fishbein und Ajzen (1975) entwickelte Modell findet seinen Ursprung in der Sozialpsychologie. Es definiert den kausalen Zusammenhang zwischen Einstellungen, subjektiven Normen, Intentionen und dem Verhalten von Individuen (Lee & Park, 2009). Es wird dabei angenommen, dass das Verhalten der Individuen von deren Intention zu handeln bestimmt wird, die wiederum durch zwei konzeptionell unabhängige Komponenten determiniert wird: die Einstellung von Individuen und deren subjektive Norm (vgl. Abbildung 4).
Abbildung 4: Theory of Reasoned Action
Quelle: Eigene Darstellung in Anlehnung an Fishbein und Ajzen, 1975
Hierbei erfasst die Einstellung, inwiefern die Ausführung des eigenen Verhaltens positiv oder negativ gewertet werden kann (Fishbein & Ajzen, 1975). Laut der TRA wird die Einstellung auf einer zweiten Ebene durch die erwarteten Konsequenzen des Verhaltens und deren Bewertung determiniert (ebd.). Indem man die Produkte der erwarteten Wertkomponenten aufsummiert, lässt sich die Einstellung vorhersagen. Daher kann man die TRA auch als Erwartungs-Wert- Modell betiteln.
Die subjektive Norm beschreibt den sozialen Druck eines Individuums, das Verhalten entweder auszuführen oder es zu unterlassen, und kann auch über eine Erwartungs-Wert-Funktion vorhergesagt werden (ebd.) - indem man wahrgenommene Erwartungen von der Umgebung und wichtigen Bezugspersonen, das Verhalten auszuführen oder nicht, mit der Motivation, diesen Erwartungen zu entsprechen, multipliziert (ebd.). Fishbein und Ajzen (1975) definieren subjektive Norm als die Konsumentenwahrnehmung des sozialen Drucks, ausgeübt von anderen bezüglich des Kaufs eines Produkts.
Die theoretischen Annahmen der TRA beschränken sich allerdings auf Verhalten, das vollständig unter willentlicher Kontrolle steht. Aufgrund dieser Einschränkung entwickelte Ajzen (1991) die TRA weiter zu der Theorie des geplanten Verhaltens (TPB=engl. Theory of Planned Behavior) und ergänzte die Komponente der wahrgenommenen Verhaltenskontrolle (vgl. Abbildung 5). Diese Komponente beschreibt, inwiefern die Verhaltensausführung von einer Person kontrolliert werden kann, und die Einschätzung, wie leicht oder schwer der Person die Verhaltensausführung fällt (Ajzen, 1991). Hierfür werden verhaltenserleichternde interne Ressourcen wie Fähigkeiten und Wissen sowie externe Ressourcen wie Geld und Zeit hinzugezogen (ebd.). Somit wird ein direkter Einfluss auf die Intention erwartet, da Personen keine Absicht entwickeln würden - auch nicht, wenn sie dem Verhalten gegenüber positiv gestimmt sind und Umfeld oder Bezugspersonen dieses Verhalten erwarten -, wenn die dafür nötigen Ressourcen nicht vorhanden sind (ebd.). Wird keine Intention entwickelt, kann kein Verhalten folgen, weshalb die wahrgenommene Verhaltenskontrolle indirekt auf das Verhalten wirkt.
Abbildung 5: Theory of Planned Behavior
Quelle: Eigene Darstellung in Anlehnung an Fishbein und Ajzen, 1975
Die TRA wurde schon mehrfach in Studien zum Thema Konsumentenverhalten im Onlinekontext angewandt (z. B., Gentry & Calantone, 2002; Kim, Kim, & Kumar, 2003). Lee und Park (2009) untersuchten mithilfe der TRA die
Auswirkungen von personalisierten Onlineservices. Darüber hinaus wurde die Prognosefähigkeit der TRA im Zusammenhang mit der Akzeptanz neuer Technologien berichtet (Davis, Bagozzi, & Warshaw, 1989). Dies ist von Bedeutung, da Menschen, die Onlineshopping betreiben, eine Akzeptanz gegenüber neuen Technologien aufweisen sollten.
Die TPB wurde von Lin (2007) angewandt, um die Intention, Onlineshopping zu betreiben, zu untersuchen.
Die TRA wird in der vorliegenden Arbeit herangezogen, um die Wirkungsweise von Onlineservices als Intention, hier personalisierte Empfehlungen oder die Angabe einer Popularitätsinformation in Form eines Bewertungssystems, auf das Konsumentenverhalten als Verhalten zu untersuchen. Konkreter wird sie als konzeptioneller Rahmen verwendet, um zu verstehen, wie sich das Konsumentenverhalten im Onlineshopping-Kontext bei einer Onlineservice- Funktion verhält. In der vorliegenden Arbeit werden die Wirkungsweisen der Einstellung und subjektiver Norm aufgrund mangelnder Kapazität nicht untersucht. Jedoch berichten einige Studien von dem Einfluss der subjektiven Norm, in Form von Meinungen wichtiger Kontaktpersonen, auf die Intention (Lee & Park, 2009). Des Weiteren erkannten vorherige Forschungen, dass vergangenes Einkaufserleben als Einstellung einen Einfluss auf die aktuelle Intention hat (z. B. Bagozzi, Wong, Abe, & Bergami, 2000; Shim, Eastlick, Lotz, & Warrington, 2001).
3.5 Hypothesen und Forschungsmodell
Im Folgenden Kapitel werden zunächst alle zu untersuchenden Hypothesen aufgestellt und anschließend in einem Forschungsmodell zusammengeführt.
3.5.1 Personalisierte Empfehlungen im Onlineshopping
Im ersten Schritt wird der Onlineservice personalisierte Empfehlung eines Onlinehändlers untersucht.
Der Fortschritt und die Weiterentwicklung von Informations- und Kommunikationstechnologien ermöglichen ein hohes Niveau an Onlineservice- Personalisierung, wodurch Konsumenten ein freundlicheres und individuelleres Onlineshopping-Erlebnis erfahren als zuvor (Lee & Park, 2009). Dieses hohe Niveau an Personalisierung und Individualisierung kann online viel kostengünstiger erreicht werden als im stationären Handel (Lee & Park, 2009). Verschiedene Studien diskutieren die Auswirkungen von Onlineservice- Personalisierung auf das Konsumentenverhalten und ordnen sie der Onlineservice-Qualität zu (z. B. Zeithaml, Parasuraman, & Malhotra, 2002).
Es gibt zwar mehrere Möglichkeiten, die Onlinebeziehung zwischen Onlinehändler und Konsument zu personalisieren, jedoch ist die der personalisierten Empfehlung am aussichtsvollsten für den Onlinehändler (The e-tailing Group, 2003, zitiert nach Senecal & Nantel, 2004). Laut Suprenant und Solomon (1987) wird dabei das Ziel verfolgt, die Individuation des Interessenten hervorzuheben. Unter der Individualität einer Person versteht man das Bewusstsein und die Anerkennung von Einzigartigkeit (Abels, 2010).
Laut Lee und Park (2009) kann eine gut umgesetzte Service-Personalisierung im Onlinekontext sowohl für den Onlinehändler als auch für den Konsumenten vorteilhaft sein. Dadurch würde die Möglichkeit bestehen, die Individualität des Konsumenten besser hervorzuheben als im traditionellen Handelsgeschäft6 (Vesanen, 2007). Grund hierfür ist die Datengewinnung über das Internet, beispielsweise über vorhergehende Einkäufe oder den Suchverlauf eines Kunden. Im Offlineshopping-Kontext kann eine Service-Personalisierung vor allem über das Verkaufspersonal generiert werden (Lee & Park, 2009).
Die vorliegende Arbeit verwendet die personalisierte Empfehlung des Onlinehändlers als Onlineservice, der die Konsumentenwahrnehmung beeinflussen könnte. Somit wird folgende Hypothese generiert:
Eine personalisierte Empfehlung des Anbieters k ö nnte sich positiv auf das Konsumentenverhalten7 auswirken, da
(H1a) die Zahlungsbereitschaft eines Konsumenten im Onlineshopping h ö her ist, wenn eine personalisierte Empfehlung des Anbieters vorliegt.
(H1b) die Kaufabsicht eines Konsumenten im Onlineshopping h ö her ist, wenn eine personalisierte Empfehlung des Anbieters vorliegt.
(H1c) die Weiterempfehlungsabsicht eines Konsumenten im Onlineshopping h ö her ist, wenn eine personalisierte Empfehlung des Anbieters vorliegt.
3.5.2 Popularitätsinformation im Onlineshopping
Ein weiterer Onlineservice, den Unternehmen anbieten können, um die Entscheidungsfindung von Interessenten zu erleichtern, ist die Angabe einer Popularitätsinformation. Dank des Internets haben Konsumenten die Möglichkeit, ihre Bewertung eines bestimmten Produkts online zu veröffentlichen (Zhang et al., 2010). Laut West et al. (1999, zitiert nach Senecal & Nantel, 2004) reichen Empfehlungsquellen von traditionellen Quellen wie anderen Konsumenten bis hin zu Bewertungssystemen. Einige Onlinehändler wie Amazon.de geben ihren Kunden die Möglichkeit, die gekauften Produkte mithilfe eines 5-Sterne-Bewertungssystems zu evaluieren und Kommentare zu verfassen. Während diese Popularitätsinformation in der Marketingliteratur auch als Word-of-Mouth [WOM] bezeichnet wird (z. B. Chen, Wang, & Xie, 2011; Maxham & Netemeyer, 2002) tritt in der Psychologie der Begriff des Observational Learning8 [OL] auf (Bandura, 1977). OL beschreibt Lernvorgänge, die aufgrund der Beobachtung des Verhaltens menschlicher Vorbilder entstehen. Ferner wurde bereits gezeigt, dass WOM vor allem bei Erfahrungsgütern9 einen Einfluss hat, da Konsumenten somit Risiko und Unsicherheit reduzieren können (Murray, 1991).
[...]
1 Zur Gewährleistung einer besseren Lesbarkeit wurde im Text auf die weibliche Substantivform
2 Einzelhandel ohne KfZ-Handel, Tankstellen, Brennstoffhandel und Apotheken
3 Unter Targeting versteht man eine zielgruppengerechte Ansprache der Konsumenten
4 WOM bedeutet im Deutschen „Mundpropaganda“
5 Modell, bei dem gegebene Daten analysiert und interpretiert werden, um daraus Vorhersagen über zukünftige Ereignisse, Trends oder das Konsumentenverhalten abzuleiten.
6 Mit traditionellen Handelsgeschäft wird ein stationäres Ladenlokal im Offline-Kontext bezeichnet
7 Siehe Kapitel 2.1.4
8 Englischer Begriff für Modell-Lernen, was eine von Albert Bandura entwickelte Sozialkognitive Lerntheorie bezeichnet
9 Ein Erfahrungsgut ist ein Gut, dessen Qualität ein Konsument erst nach vollzogenem Konsum feststellen kann.
- Arbeit zitieren
- Anonym,, 2016, Onlineshopping. Konsumentenverhaltens bei personalisierten Empfehlungen und Popularitätsinformationen, München, GRIN Verlag, https://www.grin.com/document/427063
-
-
-
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.