Buch, Deutsch, 166 Seiten, Paperback, Format (B × H): 148 mm x 210 mm, Gewicht: 275 g
Buch, Deutsch, 166 Seiten, Paperback, Format (B × H): 148 mm x 210 mm, Gewicht: 275 g
ISBN: 978-3-96146-975-8
Verlag: Diplomica Verlag
In Zeiten steigender Prävalenz des Online-Handels stehen innovative Vertriebs- und Preisstrategien im Fokus des unternehmerischen Interesses. Besonders personalisiertes Pricing und die Aufteilung von Gesamtkosten in Produktpreis und Versandkosten sind relevante Ansätze des Behavioral Pricing, um Gewinnmargen zu maximieren. Mit der Einführung von Sprachassistenten und der wachsenden Bedeutung von Voice Commerce ergeben sich zusätzlich neue Möglichkeiten, gezielt auf Konsumenten einzugehen und personalisierte Preisstrategien einzusetzen. Vor allem technikaffine Verbraucher gelten hierbei als attraktive Zielgruppe.
Eine umfassende theoretische und forschungsempirische Analyse beleuchtet die Einflüsse von Preishöhe, separaten Versandkosten und der Benutzeroberfläche auf die Preiswahrnehmung, Word-of-Mouth-Intention und letztlich Kaufintention. Ein besonderes Augenmerkt liegt zudem auf dem Mediator Anthropomorphismus und dem Moderator Innovativeness. Als Erweiterung bisheriger Forschung verknüpfen die Autoren das Behavioral Pricing mit dem Themengebiet des Voice Commerce und liefern interessante Implikationen für die Forschung sowie praxisorientierte Empfehlungen für Unternehmen.
Autoren/Hrsg.
Fachgebiete
Weitere Infos & Material
Textprobe:
4 Empirische Untersuchung des Forschungsmodells
4.1 Zur Wahl der Varianz- und Regressionsanalyse als geeignete Analysemethoden
Zur Prüfung der postulierten modelltheoretischen Wirkungsmechanismen ist eine empirische Analyse notwendig. Diverse Analysemethoden existieren in der Konsumentenforschung, deren Anwendung in Abhängigkeit des mathematisch-statistischen Untersuchungszwecks und des angestrebten Forschungsziels erfolgt (Backhaus et al., 2016, S. 14). Für eine optimale Aussagekraft der Abhängigkeitsstrukturen eignen sich multivariate Analyseverfahren, die den simultanen Einfluss mehrerer unabhängiger Variablen auf abhängige Variablen in Beziehung setzen und quantitativ untersuchen (Backhaus et al., 2016, S. 8; Timm, 2002, S. 1 f.). Speziell für die Marketingforschung und Marketingpraxis zeigt sich die Relevanz der Varianz- und Regressionsanalyse zur Auswertung von empirisch gewonnenen Daten (Backhaus et al., 2016, S. 8; Herrmann et al., 2006, S. 34; Schendera, 2011, S. 5).
Multivariate Analysemethoden lassen sich, je nach Gegenstand der Fragestellung, in strukturentdeckende und strukturprüfende Verfahren unterscheiden (Backhaus et al., 2016, S. 15). Erstere beziehen sich auf eine Identifizierung und Entdeckung relevanter Zusammenhänge, unabhängig von Vorstellungen und Erwartungen der Forschenden. Im Gegensatz dazu verifizieren oder falsifizieren strukturprüfende Verfahren zuvor bereits postulierte Wirkungsrichtungen, deren Herleitung auf Grundlagen theoretischer und wissenschaftlicher Erkenntnisse beruhen (Backhaus et al., 2016, S. 15; Herrmann et al., 2006, S. 58). Sogenannte strukturprüfende Verfahren dienen dazu a priori postulierte kausalanalytische Abhängigkeiten respektive Dependenzen einer oder mehrerer unabhängiger Variablen auf eine oder mehrere abhängige Variablen an der Realität zu testen (Backhaus et al., 2016, S. 16; Kuß, 2012, S. 236). Die letztgenannte Kategorie der strukturprüfenden Verfahren lassen sich in die, für die vorliegende Studie relevante, Varianz- und Regressionsanalyse subsumieren (Kuß, 2012, S. 236).
Die Besonderheit der Varianzanalyse stellt die Messung unabhängiger Variablen in sogenannten Faktoren auf nominalem Skalenniveau dar, die abhängige metrische Variablen determinieren (Backhaus et al., 2016, S. 17). Klassische Experimente separieren Experimentalgruppen in diverse Ausprägungen der Faktoren, in der Statistik präsent unter dem Terminus Faktorstufen (Huber et al., 2014, S. 26). In verschiedenen Szenarien findet a priori eine gezielte Manipulation der unabhängigen Variablen in eindeutig klassifizierbare, voneinander distinktive Attribute statt. Um einer Verzerrung der Ergebnisse vorzubeugen, bedarf es einer taktischen Gestaltung der Szenarien, indem sich die Faktorstufen einer unabhängigen Variablen lediglich in einem Attribut, der interessierenden Manipulation, differenzieren (Janczyk & Pfister, 2015, S. 48). Hierbei überprüft die Varianzanalyse simultan die Wirkung alternativer Faktorstufen auf die Zielvariablen (Backhaus et al., 2016, S. 24).
Kernaspekt der Varianzanalyse stellt ein Mittelwertvergleich der jeweiligen Faktorstufen in Hinblick auf die Zielvariablen dar. Entscheidend für eine Falsifizierung ist eine ausreichend hohe Varianz der Gruppenmittelwerte der manipulierten Gruppen mit weiteren Vergleichsgruppen (Keselman et al., 1998, S. 359). Zur erfolgreichen Realisierung des Forschungsziels spielt eine profunde Zusammenstellung eines experimentellen Versuchsdesigns eine entscheidende Rolle (Huber et al., 2014, S. 9 f.).
Für experimentelle Versuchsdesigns spielen einfaktorielle und mehrfaktorielle Varianzanalysen, die in Abhängigkeit der Anzahl der Faktoren variieren (Berekoven et al., 2009, S. 204 f.), eine große Rolle. Während die Analysis of Variance (ANOVA) eine einfache, univariate Analyse lediglich einer abhängigen Variable darstellt, definiert eine Multivariate Analysis of Variance (MANOVA) eine mehrfaktorielle Varianzanalyse mehrerer Zielgrößen (Backhaus et al., 2016, S. 175; Kuß, 2012, S. 256 ff.). Damit eröffnet die mehrfaktorielle Varianzanalyse eindeutige Vorteile gegenüber simplen t-Tests, die einen paarweisen Vergleich der Gruppenmittelwerte unabhängiger Stichproben berücksichtigen (Magerhans, 2016, S. 144). Existieren mehr als zwei Faktorstufen, stellt der traditionelle t-Test eine unzureichende Analysemethode dar, da Einzeltests eine Kumulierung des Fehlers 1. Art, des Alpha-Fehlers, auslösen (Backhaus et al., 2016, S. 197). Somit steigt die Wahrscheinlichkeit, eine tatsächlich korrekte Nullhypothese abzulehnen.
Die Berücksichtigung multipler Faktoren der MANOVA ermöglicht hingegen zusätzlich die Identifikation von Interaktionen zwischen den Faktoren und zeichnet sich damit aufgrund der simultanen Überprüfung mehrerer abhängiger Variablen durch eine höhere Aussagekraft und Effizienz aus (Backhaus et al., 2016, S. 185). Interaktionseffekte beschreiben in diesem Zusammenhang eine Abweichung reiner additiver Effekte des Hauptmodells (Janczyk & Pfister, 2015, S. 124 f.). Wechselwirkungen zwischen unabhängigen Variablen entstehen, sofern sich die Kombination der Effekte zweier Faktoren potenzierend auf die abhängige Variable auswirkt. Keine Interaktion liegt hingegen vor, wenn lediglich eine arithmetische Addition stattfindet (Huber et al., 2014, S. 28; Janczyk & Pfister, 2015, S. 125). Wirken neben manipulierten Faktoren weitere intervallskalierte unabhängige Variablen, sogenannte Kovariaten, auf die Zielgröße ein, erfolgt eine Anwendung einer Analysis of Covariance (ANCOVA) respektive Multivariate Analysis of Covariance (MANCOVA) (Backhaus et al., 2016, S. 198; Kuß, 2012, S. 262).
In Hinblick auf das angestrebte Forschungsziel der vorliegenden Studie eignet sich die varianzanalytische Methodik der ANOVA und MANOVA für die Analyse des Wirkungsgefüges. Aufgrund der höheren Evidenz und Qualität interessiert im Folgenden insbesondere eine mehrfaktorielle multivariate Varianzanalyse (Backhaus et al., 2016, 185; Kuß, 2012, S. 262). Die Anwendung der MANOVA ist allerdings, zusätzlich zu Prämissen der ANOVA, an spezifische Bedingungen geknüpft (Huber et al., 2014, S. 63). Grundlegend bestehen Prämissen der Unabhängigkeit der Gruppenmesswerte sowie Normalverteilung und Varianzhomogenität der abhängigen Variable für jede Einheit. Problematisch stellen sich extreme Ausreißer dar, die insbesondere bei offenen Skalen Bedeutung erlangen (Huber et al., 2014, S. 64). Konkret ermöglichen geschlossene Likert-Skalen und eine randomisierte Zuordnung der Probanden sowie Gleichbesetzungen der Zellen eine adäquate Erfüllung der Prämissen (Eschweiler et al., 2007, S. 7; Huber et al., 2014, S. 64; Tabachnick & Fidell, 2007, S. 330). Während eine Mindestanzahl von 20 Probanden je Zelle notwendig ist, empfiehlt sich hingegen eine Gruppengröße von 30 Probanden (Eschweiler et al., 2007, S. 7; Huber et al., 2014, S. 64). Zusätzlich zu den genannten Prämissen der ANOVA bedarf es einer multivariaten Normalverteilung sowie einer moderaten Korrelation zwischen den abhängigen Variablen, die gleichzeitig die Prämissenverletzung der Multikollinearität der Zielgrößen verhindert (Eschweiler, 2007, S. 10; Huber et al., 2014, S. 68). Konkrete Schritte der Durchführung der Prämissenprüfungen folgen in Kapitel 4.3.1.
Neben der Varianzanalyse stellt die Regressionsanalyse ein wichtiges Analyseverfahren zur Überprüfung von Wirkzusammenhängen dar (Backhaus et al., 2016, S. 15). Insbesondere die exakte Quantifizierung eines kausalen Zusammenhangs zwischen unabhängigen und abhängigen Variablen trägt zur großen Popularität der Methode bei. Vorteile der Regressionsanalyse offenbaren sich durch ihren flexiblen Charakter sowie durch die strukturprüfende Analyse des kausalen Zusammenhangs von metrischen unabhängigen und abhängigen Variablen (Backhaus et al., 2016, S. 16; Schendera, 2011, S. 5).
Mithilfe der linearen Regressionsanalyse gelingt somit eine Identifikation linearer Zusammenhänge mehrerer Variablen. Für eine regelgerechte vollständige Durchführung der Regressionsanalyse bedarf es zunächst einer Überprüfung der zugrunde liegenden Prämissen. Diesbezüglich bedarf es einer Normalverteilung der Residuen, eines linearen Zusammenhangs zwischen unabhängiger und abhängiger Variablen sowie der Vermeidung von Multikollinearität, Autokorrelation und Heteroskedastizität (Schendera, 2011, S. 6 f.). Als flexible Dependenzanalyse, die Werte der abhängigen Variable prognostiziert und kausale Zusammenhänge schätzt, eignet sich die Regressionsanalyse, insbesondere für nachgelagerte Konstrukte innerhalb der postulierten Wirkungszusammenhänge (Allison, 1990, S. 94).
Anwendung erfahren die Varianz- und Regressionsanalyse zur Überprüfung der postulierten Wirkungszusammenhänge. Beginnend mit der zunächst durchgeführten mehrfaktoriellen Varianzanalyse erfolgt eine Untersuchung des Einflusses der drei Faktoren des Preises, der Preispartitionierung und der visuellen Benutzeroberfläche mit jeweils zwei Ausprägungen auf die drei Zielgrößen des wahrgenommenen Wertes, der Preisfairness sowie der WOM-Intention. Aufgrund der Art des Untersuchungsdesigns, der Anzahl der Faktoren und abhängigen Variablen konzeptualisiert sich eine dreifaktorielle MANOVA eines 2x2x2-Designs exklusive einer a posteriori Berücksichtigung des Moderators Innovativeness (Backhaus et al., 2016, S. 175; Schnell et al., 2018, S. 4189). Neben postulierten direkten Effekten gilt es, Interaktionseffekte zu analysieren sowie die moderierende Rolle der Consumer Innovativeness zu überprüfen. Umfassende Messungen hoher Varianzen zwischen den Gruppen und gleichzeitig niedriger Varianzen innerhalb der Gruppen erzielen erstrebenswert hohe Signifikanzen der postulierten Hypothesen (Huber et al., 2014, S. 17).
Eine ergänzende Mediation beleuchtet den komplexen Zusammenhang zwischen einer visuellen Benutzeroberfläche und der WOM-Intention des Nachfragers, determiniert durch die intermediäre Variable des Anthropomorphismus. Dabei erfolgt eine exakte Betrachtung des totalen, direkten sowie indirekten Effekts des Mediationsmodells (Hayes, 2017, S. 77). Während die Realisierung der Analyse wesentlich mithilfe der Statistik-Software SPSS 27 des Herstellers IBM erfolgt, ermöglicht die von Hayes (2017, S. 414 ff.) erstellte Zusatzsoftware SPSS-Makro PROCESS eine Untersuchung komplexer Mehrfachwechselwirkungen (Hayes, 2017, S. 551 f.). Schließlich bietet die nachgelagerte Regressionsanalyse eine detaillierte Vorhersage und Identifizierung der kausalen Einflussfaktoren der Kaufintention und gewährt somit Aufschluss über zentrale Treiber des Konsumentenverhaltens (Backhaus et al., 2016, S. 64; Schendera, 2011, S. 5).
4.2 Konzeptualisierung der Studie
4.2.1 Zur Wahl einer geeigneten Datenerhebungsmethode
Experimentelle Erhebungen liefern fundamentale Grundlagen für die systematische Untersuchung von dependenzanalytischen Wirkungszusammenhängen (Backhaus et al., 2016, S. 17 f.). In der Psychologie, Sozialwissenschaft und Marktforschung stellt die Datenerhebungsmethode des Experiments die favorisierte Quelle für die Generierung von Primärdaten dar (Kuß, 2012, S. 58; Magerhans, 2016, S. 115; Sigall & Mills, 1998, S. 218). Damit bildet die experimentelle Empirie eine entscheidende Basis für die Überprüfung von Hypothesen (Perdue & Summers, 1986, S. 317). Experimente repräsentieren potenziell repetierbare Versuchsanordnungen, deren Durchführung unter determinierten und kontrollierten Versuchsbedingungen stattfinden (Huber et al., 2014, S. 23; Koch, 1997, S. 91). Somit ermöglicht eine systematische Variation und Analyse unabhängiger Variablen eine fundierte Aussage über Auswirkungen und Wirkungsrichtungen der Zusammenhänge (Huber et al., 2014, S. 23).
Im Gegensatz zu einer primärstatistischen Datenerhebung, die auf bestehendes Datenmaterial großer Datensätze zurückgreift, verfolgt ein empirisch-quantitativer Forschungsansatz die Erhebung und Sammlung neuer Daten zu Forschungszwecken (Schöneck & Voß, 2013, S. 19). Während Sekundärforschungen tendenziell Kostenvorteile und Zeitersparnis charakterisieren, relativieren sich die Vorzüge aufgrund Problematiken der Aktualität, Verfügbarkeit und Repräsentanz der Daten (Kuß, 2012, S. 43 f.). Insbesondere komplexe Wirkungszusammenhänge, die bisher wenig Untersuchung in sekundärstatistischen Quellen finden, bedürfen einer empirischen Erhebung (Schöneck & Voß, 2013, S. 27; Kuß, 2012, S. 42 f.). Befragungen, Beobachtungen sowie Experimente stellen das wesentliche Fundament der Informationsgewinnung dar (Koch & Riedmüller, 2021, S. 88).
Grundsätzlich strukturieren Wissenschaftler die Datenerhebungsmethoden ferner in qualitative und quantitative Untersuchungen (Schöneck & Voß, 2013, S. 28). Qualitative Untersuchungen umfassen aufwendige Erhebungen mithilfe von offenen Interviews, welche neue Erkenntnisse speziell zu bisher unerforschten Themen offenbaren. Indessen offerieren quantitative Datenerhebungsmethoden standardisierte Instrumente, die eine zielgerichtete, systematische und gleichzeitig umfangreiche Datengewinnung ermöglichen (Janczyk & Pfister, 2015, S. 1; Schöneck & Voß, 2013, S. 28). In diesem Zusammenhang bietet die quantitative Datenerhebungsmethode mittels experimenteller Befragung Vorteile, indem eine Quantifizierung von speziell komplexen, schwer quantifizierbaren Konstrukten der Einstellungen, Wahrnehmungen und Intentionen von Konsumenten erfolgt. Aufgrund der Standardisierung von internetgestützten Befragungen profitieren Forschende von geringen Gesamtkosten, unkomplizierter Auswertung sowie von Vorteilen eines geringen Zeitaufwandes (Homburg, 2012, S. 263; Magerhans, 2016, S. 77; Schöneck & Voß, 2013, S. 37).
Online-Befragungen charakterisieren sich ferner durch eine einfache Gewinnung einer Vielzahl von Befragungspersonen sowie einer potenziellen Integration von Mehrthemenbefragungen (Magerhans, 2016, S. 116). Dadurch auftauchende Probleme unseriöser Antworten aufgrund der Anonymität der Befragten lassen sich durch die Einbindung diverser Attention Checks lösen (Homburg, 2012, S. 264). Aufgrund des einheitlichen Befragungsdesigns bei Online-Interviews ist eine soziale Interaktion zwischen Befragenden und Befragten ausgeschlossen. Somit liegt kein Interviewer-Bias vor, welcher die Auswertung negativ verzerrt (Magerhans, 2016, S. 118; Schöneck & Voß, 2013, S. 38). Aufgrund der hohen Reichweite von Online-Befragungen ermöglicht das Untersuchungsdesign somit eine schnelle Realisierung großer Fallzahlen. Schließlich präsentiert sich die hohe Relevanz der Datenerhebungsmethode aufgrund der potenziellen Einbindung ergänzender audiovisueller Illustrationen (Homburg, 2012, S. 264; Magerhans, 2016, S. 120). Insbesondere durch Integration des Vergleichs von visuellen und sprachbasierten Benutzeroberflächen, der automatischen Datenerfassung sowie der einfachen Akquisition von Teilnehmenden stellt die experimentelle Online-Befragung die präferierte Datenerhebungsmethode der vorliegenden Untersuchung dar.
Konkret erfolgte die Anfertigung des Fragebogens mithilfe der Befragungssoftware SoSci Survey. Im Zeitraum des 28. Mai 2021 bis 11. Juli 2021 erreichten Interessierte der Online-Befragung die Startseite des Fragebogens. Innerhalb persönlicher Netzwerke erfolgte eine Verbreitung des Links via Direktnachricht, MS Teams, E-Mail sowie auf diversen Social Media Plattformen und adäquaten Foren der sozialen Medien. Eine zusätzliche Steigerung der Reichweite erfolgte durch die Verlinkung der Befragung auf den wissenschaftlichen Plattformen SurveyCircle sowie PollPool (PollPool, 2021; SurveyCircle, 2021). Mithilfe eines spezifischen Rankingsystems erzielt die Unterstützung anderer empirischer Forschungsarbeiten eine Aufwertung der Studie des Nutzers. Zusätzliche monetäre Anreize erhielten die Teilnehmenden durch eine Verlosung von fünf Amazon Gutscheinen im Wert von 10 Euro. Schließlich gelang es, aufgrund der motivationalen Anreize sowie der intensiven interpersonellen Weiterleitung des Fragebogens, insgesamt 707 Teilnehmende zu akquirieren.
