Eine empirische Studie zu Entscheidungsunterstützungssystemen bei Kaufentscheidungen in Onlineshops

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung

2 Entscheidungen
2.1 Entscheidungsverhalten
2.2 Entscheidungsstrategien
2.3 Entscheidungsstrategieauswahl (Effort-Accuracy-Framework)
2.4 Überlastung des Entscheiders (Information Overload)

3 Entscheidungsunterstützungssysteme
3.1 Interactive Information Management Tools (IIMTs)
3.2 IIMTs in der Praxis

4 Theorie und Hypothesen
4.1 Wahrgenommene Nützlichkeit (perceived usefulness)
4.2 Vertrauen (confidence)
4.3 Zufriedenheit (Satisfaction)
4.4 Freude am Einkaufen (shopping enjoyment)

5 Entwicklung des Prototypen und des Fragebogens
5.1 Designkriterien zur Entwicklung des Prototypen
5.2 Umsetzung der Designkriterien
5.3 Usability Tests
5.3.1 Erster Usability Test
5.3.2 Zweiter Usability Test
5.4 Entwicklung des Fragebogens

6 Empirische Analyse
6.1 Allgemeine Organisation des Experiments
6.2 Ablauf des Experiments
6.3 Ergebnisse
6.3.1 Bereinigung des Datensatzes
6.3.2 Deskriptive Analyse & Analyse der Designkriterien
6.3.3 Überprüfung der Hypothesen
6.3.4 Tracking Analyse

7 Zusammenfassung, Kritik und Ausblick

8 Anlagen
8.1 Feedback der ersten Expertenrunde
8.2 Arbeitsbogen des Thinking Aloud Tests
8.3 Rohdaten des Thinking Aloud Tests
8.4 Einführender Text des Thinking Aloud Tests 2. Stufe
8.5 Verwendeter Fragebogen und resultierender Datensatz
8.6 Deskriptive Analyse der Trackingdaten

Literaturverzeichnis

9 Eidesstattliche Erklärung Fehler! Textmarke nicht definiert

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Produktvergleichsmatrix eines Multi-Attribute Decision Problems am Beispiel. www.hp.com

Abbildung 2: Zusammenhang zwischen Decision Accuracy und Information Load

Abbildung 3: Produktvergleichsmatrix des Onlineshops www.dell.com

Abbildung 4: IIMT PAIRWISE COMPARISON des Onlineshops www.samsung.de

Abbildung 5: IIMT PAIRWISE COMPARISON des Onlineshops www.cdw.com

Abbildung 6: IIMT MARKManually und CALCULATEsimple im entwickelten Prototypen

Abbildung 7: IIMT SCORE im entwickelten Prototypen

Abbildung 8: Google Produktsuche mit IIMT SORT

Abbildung 9: IIMT FILTER am Beispiel des Onlineauktionshauses www.ebay.com

Abbildung 10: Screenshot der Buchsuchmaschine www.bookbutler.com

Abbildung 11: Screenshot des Online-Verkaufportals von Dell Laptops und Notebooks

Abbildung 12: Screenshot der Produktvergleichsmatrix des Onlineshops www.cdw.com

Abbildung 13: Skizze der Weboberfläche des Prototypen ohne Funktionalität

Abbildung 14: Screenshot der Weboberfläche ohne IIMTs

Abbildung 15: Screenshot der Weboberfläche mit wenig IIMTs

Abbildung 16: Inhaltlicher Ablauf des Experiments

Abbildung 17: Mittelwert der Designkriterien Items

Abbildung 18: Post Hoc Tests nach Gabriel

Abbildung 19: IIMT Verwendung in der Gruppe wenige IIMTs

Abbildung 20: Welche IIMTs wurden mindestens einmal verwendet? Gruppe wenige IIMTs

Abbildung 21: Letzte Gewichtungsentscheidung. Gruppe wenige IIMTs

Abbildung 22: IIMT Verwendung in der Gruppe alle IIMTs

Abbildung 23: Welche IIMTs wurden mindestens einmal verwendet? Gruppe alle IIMTs

Abbildung 24: Letzte Gewichtungsentscheidung. Gruppe alle IIMTs

Tabellenverzeichnis

Tabelle 1: Entscheidungsmatrix eines Multi-Attribute Decision Problems

Tabelle 2: Beschreibung einzelner Entscheidungsstrategien

Tabelle 3: Cronbachs Alpha Werte der Itemblöcke zur Überprüfung der Hypothesen

Tabelle 4: Cronbachs Alpha Werte der Itemblöcke zur Messung der Designkriterien

Tabelle 5: Beispiel eines Hinweiszettels, der an Probanden vor Versuchsbeginn ausgegeben wurde

Tabelle 6: Beispielhafte Produktvergleichsmatrix

Tabelle 7: Darstellung der Attribute und Attributsausprägungen des Experiments

Tabelle 8: Ausschlussfälle des Datensatzes

Tabelle 9: Fragebogen und Rohdaten des Thinking Aloud Tests

Tabelle 10: Verwendeter Fragebogen & Resultierende Daten

1 Einleitung

Zum Zeitpunkt der Erstellung dieser Arbeit im Mai 2010 durchbrach die Anzahl der Internetanschlüsse die Marke von 1,8 Milliarden. Weltweit können 26,6% der Menschen als Internetnutzer eingestuft werden. In Europa betrug 2009 der Anteil der Internetnutzer 53% der Gesamtbevölkerung, in Nordamerika sogar 76,2% (Miniwatts Marketing Group, 2010).

Mit der steigenden Anzahl von Personen, die im Internet aktiv sind, erhöht sich auch die Anzahl der Personen, die das Internet zum Einkaufen nutzen. Dieses sogenannte shopping in online environments oder kurz online shopping möchten wir in Anlehnung an Häubl und Trifts, 2000 als:„shopping activity performed by a consumer via a computer-based interface, where the consumer’s computer is connected to, and can interact with, a retailer’s digital storefront (implemented on some computer) through a network (e.g., the WWW),“ definieren.

In 2008 haben deutsche Konsumenten für 13,6 Milliarden Euro im Internet eingekauft, was ein Umsatzplus von 19% gegenüber dem Vorjahr bedeutet. Gleichzeitig nahm der Anteil der Personen, die in Deutschland im Internet einkauften im gleichen Zeitraum um 12% auf 29,5 Millionen zu.^[1]

Der Online Handel bietet sowohl für den Konsumenten als auch für den Händler Vorteile. Händler sparen Verkaufsfläche sowie Verkaufspersonal und können potentiell jede Person, die einen Zugang zum Internet besitzt, ansprechen. Bei der Produktpräsentation existiert keine Begrenzung durch physische Regalflächen, so dass ein Angebot einer größeren Masse an Produkten möglich wird. Aufgrund dieser Gegebenheiten können Online Händler eine enorme Produktpalette anbieten.

Konsumenten haben den Vorteil, dass ein Webstore 24 Stunden am Tag geöffnet ist und sich Produktvergleiche leicht durchführen lassen. Darüber hinaus können Konsumenten aus einer breiteren Produktpalette wählen (Lohse und Johnson, 1996). Lohse und Johnson, 1996 konnten in diesem Zusammenhang zeigen, dass Kunden wesentlich mehr Informationen beim Onlinekauf abfragen, als dies beim klassischen Kauf der Fall ist. Die Menge an zu verarbeitenden Informationen bringt jedoch auch Nachteile mit sich. Kunden sind schnell mit der Menge an Informationen überfordert, da ihre kognitiven Fähigkeiten begrenzt sind. Dies kann Unzufriedenheit, Kaufabbruch und damit Umsatzverluste auslösen (Chris M. White und Ulrich Hoffrage, 2009). Diese Überlastung des Kunden bei der Informationsverarbeitung wird als Information Overload bezeichnet und stellt ein zentrales Problem für Online Händler dar.

Problematisch ist ebenfalls, dass beim Online Shopping keine face-to-face Interaktion mit dem Kunden möglich ist und der Shopbesitzer den Kunden nicht a priori mit allen Informationen versorgen kann (Ariely, 2000), die für seine Kaufentscheidung wichtig sind. Somit müssen andere Wege der Unterstützung gefunden werden, um zum einen die Menge an dargebotenen Informationen kundenspezifisch anzupassen und zum anderen die Komplexität des Entscheidungsproblems für den Kunden zu verringern (Don N. Kleinmuntz und Schkade, 1993).

Werkzeuge, die Entscheidern im Allgemeinen und Kunden von Onlineshops im Besonderen in Entscheidungsstrategien unterstützen, werden als Interactive Decision Aids (IDA) bezeichnet. Eine Sorte von IDAs, sogenannte Interactive Information Management Tools (IIMTs), werden in dieser empirischen Studie thematisiert. Diese Tools wurden von Gupta, Govindarajan und Malhotra, 1999 als „tools which enable buyers to sort through and/or compare available product alternatives“ definiert.

Entscheidungs­strategien sind systematische Vorgehensweisen, die Entscheider bei der Lösung von Entscheidungsaufgaben anwenden. Es besteht seit Jahren kein Zweifel darüber, dass Entscheider solche Strategien verwenden (Johnson und Payne, 1985). Von uns wurde in Zusammenarbeit mit Pfeiffer, 2010 ein Prototyp eines Onlineshops vorgeschlagen, der durch Einsatz verschiedener IIMTs Entscheider gezielt bei der Anwendung ihrer Entscheidungsstrategien unterstützt. Nach unserer Kenntnis wird in der Praxis bisher weder ein vergleichbares System eingesetzt, noch ist ein solches System jemals empirisch evaluiert worden.

Ziel dieser Studie ist es, diesen entwickelten Prototypen zu evaluieren und damit das Potential aufzuzeigen, bestehende oder zukünftige Onlineshops durch den Einsatz von IIMTs aufzuwerten. Es stellt sich die Frage, wie Kunden eines Onlineshops auf diese Unterstützung ihrer Entscheidungsstrategien reagieren. Werden Onlineshops, die Entscheider durch IIMTs unterstützen, auf wichtige Faktoren, wie wahrgenommene Nützlichkeit (engl. perceived usefulness), Benutzer­freundlichkeit (engl. ease of use), Vertrauen (engl. confidence) und Zufriedenheit (engl. satisfaction) besser bewertet als andere, die die Kunden weniger oder überhaupt nicht in ihren Entscheidungsstrategien unterstützen? Welche Elemente eines Prototypen, der mit allen derzeit in der Literatur und Praxis bekannten IIMTs ausgestattet ist, werden von Kunden verwendet? Können bestehende Onlineshops durch den Einsatz von IIMTs aufgewertet werden?

Um diese Fragen zu beantworten, wird in Kapitel 2 das Entscheidungsverhalten im Allgemeinen und von Kunden von Onlineshops im Besonderen beschrieben. In diesem Kapitel wird ebenfalls die Produktvergleichsmatrix als wichtiger Grundbegriff eingeführt. Außerdem wird auf besondere Regeln eingegangen, nach denen Kunden diese Produktvergleichsmatrix nach einer geeigneten Alternative durchsuchen - so genannte Entscheidungsstrategien. Wir werden anschließend ein Modell vorstellen, das erklärt, wie Kunden stets aus ihrem Set an einsetzbaren Entscheidungsstrategien, die für sie passende auswählen. Ebenfalls dargestellt wird die Überlastung des Kunden mit Informationen, der so genannte Information Overload, der unerwünschte Effekte, sowohl für den Kunden als auch den Verkäufer beinhalten kann. In Kapitel 3 werden Systeme beschrieben, die den Kunden beim Einsetzten seiner Entscheidungsstrategien unterstützen können. Dabei werden vor allem die IIMTs theoretisch beschrieben und anschließend ihr praktischer Einsatz anhand einer deskriptiven Studie von Pfeiffer, 2010 dargestellt. In Kapitel 4 werden die Theorien und Hypothesen dieser Arbeit ausgearbeitet. Wir werden theoretisch diskutieren, warum die Höhe der Entscheidungsstrategieunterstützung durch IIMTs wichtige Variablen der Bewertung von Onlinesystemen beeinflussen kann. In Kapitel 5 wird die Entwicklung des Prototypen und des Fragebogens beschrieben. Zunächst behandeln wir wichtige, aus der Literatur gewonnene Designkriterien, welche für die Entwicklung von Onlinesystemen notwendig sind, damit diese vom Kunden akzeptiert werden. Anschließend beschreiben wir zwei Usability Tests, bei denen unser entwickelter Prototyp einmal durch ein Expertenteam durch die Methode des Brainstormings und einmal durch Testuser durch die Methode des Thinking alouds evaluiert wurde. Anschließend wird die Entwicklung des Fragebogens der empirischen Studie erläutert.

In Kapitel 6 ist die Empirische Analyse dieser Arbeit dokumentiert. Zunächst werden die Organisation und der Ablauf des Experiments beschrieben und nachfolgend die Ergebnisse der statistischen Auswertung dargestellt. Dabei wird ebenfalls dargelegt, ob die in Kapitel 4 entwickelten Hypothesen empirisch bestätigt werden können. Außerdem werden die Ergebnisse des Klickverhaltens der User auf der Weboberfläche, die so genannte Trackinganalyse, vorgestellt. Hier wird beantwortet werden, welche IIMTs von den Usern häufiger bzw. seltener verwendet werden.

In Kapitel 7 werden unsere gewonnenen Erkenntnisse zusammengefasst und Möglichkeiten für weitere Studien aufgezeigt, wobei wir auch Kritik an unserer Arbeit üben und Verbesserungsmöglichkeiten vorschlagen. Außerdem werden aufgrund der gewonnenen Erkenntnisse Handlungsempfehlungen für die Praxis abgeleitet.

2 Entscheidungen

In diesem Kapitel werden wichtige Grundlagen für die spätere empirische Arbeit geschaffen. Zunächst wird in Kapitel 2 das Entscheidungsverhalten von Personen im Allgemeinen und Kunden im Besonderen beschrieben. Dabei werden die zwei Phasen des Entscheidungsprozesses, die Screeningphase und die in-depth comparison Phase erläutert sowie eine Art von Repräsentation von Entscheidungsproblemen in einer Produktvergleichsmatrix vorgestellt. In Kapitel 2.2 werden systematische Vorgehensweisen von Kunden beschreiben, um diese Produktvergleichsmatrizen nach Informationen für ein passendes Produkt zu durchsuchen. In Kapitel 2.3 wird ein Framework beschrieben, welches erklärt, von welchen Faktoren die Wahl von Entscheidungsstrategien durch Kunden abhängt. Das Framework ist als Effort-Accuracy-Framework in der Literatur bekannt. Kapitel 2.4 stellt eine für Kunden und Verkäufer gefährliche Situation des Information Overload dar, eine Überlastung des Kunden mit Informationen.

2.1 Entscheidungsverhalten

Um einen wichtigen Grundstein für die vorliegende Analyse zu legen, ist es zunächst notwendig, das Entscheidungsverhalten von Personen zu verstehen. Wir werden diese Personen, die Entscheidungen zu treffen haben, als Entscheider bezeichnen^[2]. Eine Entscheidung setzt grundsätzlich die Wahl zwischen zwei oder mehr Alternativen voraus, die sich typischerweise hinsichtlich der Ausprägungen verschiedener Attribute unterscheiden. Aufgrund dieser Elemente werden Entscheidungsprobleme als multi-alternative und multi-attributive Entscheidungsprobleme^[3] (engl.: multi alternative multi attribute choice tasks) bezeichnet (Keeney, Raiffa und Meyer, 2003).

Da wir im Rahmen dieser Arbeit unser Hauptaugenmerk auf Kunden eines Onlineshops richten möchten, definieren wir den Begriff Kunde als Entscheider in einer Kaufsituation in einem Onlineshop. Statt von Alternative werden wir im Zusammenhang des Onlineshoppings von Produkt sprechen, welches als Alternative von einem Kunden in einem online Kaufvorgang ausgewählt werden kann. Der Kauf stellt für den Kunden die Entscheidungssituation dar.

Verschiedene Studien gehen davon aus, dass ein Entscheider im Entscheidungsprozess verschiedene Stufen durchläuft, in denen die Zahl der möglichen Optionen sukzessiv abnimmt (Alba et al., 1997; Wyer, 1994; Shocker et al., 1991). In jeder Stufe existieren so genannte Sets, die alle Alternativen beinhalten, die vom Entscheider gewählt werden können. Das Entscheidungsverhalten von Kunden kann in zwei elementare Phasen eingeteilt werden. Die erste Phase wird als Screening Phase bezeichnet. Hier werden einzelne Alternativen aus einer Gesamtmenge an Alternativen ausgewählt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Produktvergleichsmatrix eines Multi-Attribute Decision Problems am Beispiel. www.hp.com

Die daraus resultierende Menge an Alternativen, das so genannte Consideration Set, wird in einer zweiten Phase nochmals nach einem möglichen Wahlkandidaten durchsucht (Häubl und Trifts, 2000). In dieser Arbeit konzentrieren wir uns auf die Unterstützung des Entscheiders in der zweiten Phase, der sogenannten in-depth comparison Phase. Um Alternativen und Attribute in der in-depth comparison Phase übersichtlich darzustellen, hat sich die Darstellung der Alternativen in einer Produktvergleichsmatrix (engl.: Comparison Matrix) durchgesetzt. Die Produktvergleichsmatrix bildet eine wichtige Grundlage für die Analyse von Entscheidungsstrategien und wird nachfolgend beschrieben.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Entscheidungsmatrix eines Multi-Attribute Decision Problems.

Eine Produktvergleichsmatrix besteht aus Spalten und Zeilen. In den Spalten sind die verschiedenen AlternativenAbbildung in dieser Leseprobe nicht enthalten mit Abbildung in dieser Leseprobe nicht enthalten und in den Zeilen die Attribute (Abbildung in dieser Leseprobe nicht enthalten mit Abbildung in dieser Leseprobe nicht enthalten abgetragen. Die einzelnen Attribute können bei jeder Alternative verschiedene Ausprägungen annehmen. Diese Ausprägungen sind die inneren Elemente der Matrix Abbildung in dieser Leseprobe nicht enthalten mit Abbildung in dieser Leseprobe nicht enthalten und Abbildung in dieser Leseprobe nicht enthaltenEine schematische Darstellung einer Produktvergleichsmatrix ist in Tabelle 1 dargestellt. Abbildung 1 zeigt eine Produktvergleichsmatrix aus dem Onlineshop des Technologiekonzerns Hewlett-Packard. In diesem Beispiel bestehen die Alternativen aus den Notebookmodellen HP G72-100, HP G62-100 und HP G61-400. Die Attribute dieser Produktvergleichsmatrix lauten: Installiertes Betriebssystem, Prozessortyp, Maximaler Hauptspeicher, Interne Laufwerke und Anzeigegröße. Die Attributsausprägungen sind im Inneren der Matrix dargestellt. Ein Beispiel für eine Attributsausprägung lautet „500GB SATA Festplatte 7200 U/min“ für das Attribut „Interne Laufwerke“ des Modells HP G62-100.

Die Produktvergleichsmatrix macht deutlich, dass die Produkte alle identische Attribute aufweisen. Sollte eine Alternative ein Attribut nicht enthalten, so wird die Ausprägung des Attributs für diese Alternative mit „fehlend“ bezeichnet.

Eine Produktvergleichsmatrix kann nach verschiedenen Regeln durch den Kunden eines Onlineshops durchsucht werden. Diese Regeln werden Entscheidungsstrategien genannt und im nächsten Kapitel ausführlich vorgestellt.

2.2 Entscheidungsstrategien

Es gibt verstärkt Hinweise darauf, dass Entscheider bei der Bearbeitung der Produktvergleichsmatrix und somit bei der Lösung eines Entscheidungsproblems systematisch vorgehen. So stellen Johnson und Payne bereits 1985 fest:

“One of the major findings of years of decision research is that an individual uses many different cognitive processes (strategies) in making a decision, contingent on task demands.“

Die Aussage von Payne zeigt, dass diese systematischen Vorgehensweisen als Entscheidungsstrategien (engl.: decision strategies) bezeichnet werden. Zu diesen Entscheidungsstrategien existieren verschiedene Definitionen:

“Evaluation strategies are rules or heuristics according to which an evaluation can

be made” (Harte und Koele, 2001).

Payne, Bettman und Johnson, 1993 definieren eine Entscheidungsstrategie als:

“a sequence of operations used to transform an initial stage of knowledge into a final goal state of knowledge in which the decision maker feels that the decision problem is solved.”

Beide Definitionen sind ähnlich. Während die erste Definition von Regeln oder Heuristiken spricht, betont die zweite Definition die einzelnen Schritte, die bei der Anwendung dieser Regeln oder Heuristiken durchgeführt werden. Beide Definitionen verbindet, dass weniger das Ergebnis der Entscheidung - im ersten Fall die Evaluation, im zweiten Fall die Lösung des Entscheidungsproblems, maßgeblich sind - sondern vielmehr der Prozess zur Erreichung des Ziels.

Interessant ist nun, welche Operationen in welcher Reihenfolge in diesem Prozess durch den Entscheider angewendet werden, um das Entscheidungsproblem zu lösen. Zur genaueren Beantwortung dieser Frage, ist zunächst notwendig, einen geeigneten Modellrahmen zu schaffen. Entscheidungsprobleme lassen sich wie in Kapitel 2 beschrieben durch verschiedene Alternativen darstellen, aus denen der Entscheider eine auswählen kann. Jede Alternative weist mehrere Attribute auf, die wiederum verschiedene Ausprägungen aufweisen können. Um Entscheidungsstrategien von Kunden zu verstehen, ist es notwendig das Konstrukt der Präferenzen einzuführen.

Das Präferenzmodell besagt, dass ein Produkt aus verschiedenen nutzenstiftenden Attributen und Attributsausprägungen besteht. Zu jedem Attribut und jeder Attributsausprägung wird ein Entscheider eine bestimmte Präferenz aufweisen. Beispielweise würden Kunden häufig bei sonst gleichen Attributsausprägungen ein günstigeres Produkt einem teureren vorziehen und somit einem niedrigerem Preis eine höhere Präferenz beimessen als einem hohen. Wir möchten die Präferenz, die ein Kunde einem Attribut oder einer Attributsausprägung beimisst als Einzelwert (engl.: attribute value) bezeichnen (Eisenführ und Weber, 2002). Neben dem Begriff des Einzelwerts ist ebenfalls der Begriff des Aspirationslevels oder Grenzwerts bedeutend. Ein Aspirationslevel beschreibt einen Wert, den eine Attributsausprägung über- oder unterschreiten kann. Eine Über- oder Unterschreitung kann dazu führen, dass der Entscheider eine Alternative nicht mehr auswählen wird. Ein Beispiel für ein Überschreiten eines Aspirationslevels wäre ein Preis eines Produktes von 100 Euro bei einem Kunden welcher nur einen Maximalpreis von 50 Euro bereit ist zu zahlen. Ein Unterschreiten eines Aspirationslevels ist bei Luxusartikeln möglich. Hier wäre ein Kunde nicht bereit, ein Produkt zu kaufen, das zu günstig ist. Ein Beispiel hierfür wäre ein Geschenkkauf für einen Anlass, bei dem es dem Entscheider wichtig erscheint, eine bestimmte Menge Geld auszugeben. Nachdem diese wichtigen Begriffe definiert sind, ist es möglich, die Entscheidungsstrategien aus der Literatur zu verstehen. Tabelle 2 beschreibt die wichtigsten Entscheidungsstrategien, welche in dieser Arbeit verwendet werden.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Beschreibung einzelner Entscheidungsstrategien. Quelle: (Pfeiffer, Riedl und Rothlauf, 2010)

Wie Tabelle 2 deutlich macht, existieren eine Vielzahl von Entscheidungsstrategien, die völlig unterschiedliche Herangehensweisen an die Bearbeitung der Produktvergleichsmatrix aufweisen. Um die Fülle an Entscheidungsstargien zu klassifizieren, möchten wir an dieser Stelle zwei Klassifikationsmerkmale, die für diese Arbeit von Belang sind und in der Literatur häufig verwendet werden, aufzeigen. Für eine umfassendere Klassifizierung sei an dieser Stelle auf Pfeiffer et al., 2010b verwiesen.

Eine erste Unterteilung bildet die Einteilung in kompensatorische und nicht kompensatorische Entscheidungsstrategien. Bei den kompensatorischen Entscheidungs­strategien kann ein schlecht beurteiltes Attribut einer Alternative durch ein positiv bewertetes Attribut der gleichen Option ausgeglichen werden. Bei dieser Gruppe ist demnach vorgesehen, dass ein Kunde einen Kompromiss zwischen negativen und positiven Eigenschaften eines Produktes vornehmen kann.

Die zweite Gruppe bildet die Gruppe der nicht kompensatorischen Entscheidungsstrategien. Bei diesen wird eine Alternative verworfen, sobald ein als entscheidungsrelevant eingestuftes Attribut einen Wert aufweist, der schlechter bewertet wird als ein festgelegter Grenzwert. Bei den nicht kompensatorsischen Strategien wird nur ein Bruchteil der vorhandenen Informationen zur Entscheidungsfindung verwendet. Ein Kompromiss findet nicht statt (Payne, Bettman und Johnson, 1993; Todd und Benbasat, 1994).

Ein zweites Klassifikationsmerkmal betrifft die Vollständigkeit, mit der die Informationen der Produktvergleichsmatrix durchsucht werden. Diese Informationssuche innerhalb der Produktvergleichsmatrix kann vollständig oder selektiv sein. Bei einer vollständigen Suchstrategie werden alle Informationen, die theoretisch berücksichtigt werden könnten, vom Entscheider tatsächlich berücksichtigt. Eine Entscheidungsstrategie aus der Klasse der vollständigen Strategien muss demnach sämtliche Ausprägungen aller Attribute über sämtlichen Alternativen berücksichtigen. Bei einer selektiven Strategie wird der Entscheider einzelne Informationen nicht berücksichtigen.

Diese Klassifikationsmerkmale machen deutlich, dass sich Entscheidungsstrategien hinsichtlich zweier Kriterien messen lassen. Zum einen können Entscheidungsstrategien, die nur einen Bruchteil der zur Verfügung stehenden Informationen verwenden, bei sonst gleichen Bedingungen, nicht so genaue Entscheidungslösungen generieren wie die Entscheidungsstrategien, die alle Informationen der Entscheidungsmatrix berücksichtigen. Diese Entscheidungsstrategien, die nur einen Bruchteil der Entscheidungsmatrix durchsuchen, können bei sonst gleichen Bedingungen nicht aufwendiger sein als solche, bei denen die Matrix in vollem Umfang durchsucht wird. Zum anderen generieren Entscheidungsstrategien demnach unterschiedlichen Nutzen in Form von Genauigkeit.

Im nächsten Kapitel wird beschrieben, wie Entscheider Entscheidungsstrategien in einem Kompromiss zwischen Aufwand und Genauigkeit auswählen. Danach wird dargestellt, warum es in Entscheidungssituationen zu Überlastung des Entscheiders bei der Verarbeitung von Informationen kommen kann und Entscheider nicht mit unendlich hohem mentalem Aufwand belastet werden können.

2.3 Entscheidungsstrategieauswahl (Effort-Accuracy-Framework)

Es ist bekannt, dass Entscheider eine Vielzahl von Entscheidungsstrategien in verschiedenen Kontexten anwenden können und somit flexibel sind (Payne, 1982). In welchen Situationen welche Strategien möglich sind, hängt sowohl von den Kosten als auch von der Genauigkeit einer Strategie ab.

Um mit den Begriffen Kosten und Nutzen zu arbeiten, ist es zunächst notwendig diese zu definieren. Kosten (bzw. Aufwand oder Mühe engl.: Effort) werden von Cardozo, 1965 im Zusammenhang der Entscheidungssituation eines Kunden wie folgt definiert:

"Customer effort includes the physical, mental, and financial resources expended to obtain a product".

In dieser Studie möchten wir uns auf die mentalen oder kognitiven Elemente des Aufwands beschränken und somit der engeren Definition von Russo und Dosher, 1983 folgen, nachdem Aufwand als

„total use of cognitive resources required to complete the task“ aufgefasst werden kann.

Genauigkeit möchten wir als Nähe zur optimalen Entscheidung für den jeweiligen Entscheider auffassen. Kosten und Genauigkeit sind wichtige Begriffe, um zu verstehen, warum Entscheider in verschiedenen Entscheidungssituationen verschiedene Entscheidungsstrategien anwenden. Payne, Bettman und Johnson, 1993 entwickelten ein Framework, das den Kompromiss des Entscheiders zwischen Genauigkeit und Mühe einer Entscheidung aufzeigt. Jede Entscheidungssituation stellt somit einen Ausgleich dar, zwischen dem Wunsch, eine möglichste präzise fehlerfreie, aber auch schnelle (Biggs et al., 1985) Entscheidung zu treffen und dem Bemühen, den kognitiven Aufwand zu minimieren. Beide Ziele können nicht gleichzeitig erreicht werden.

Diese Theorie ist als Effort-Accuracy-Framework bekannt und bereits vielfach empirisch bestätigt worden (Creyer, Bettman und Payne, 1998). Nutzer haben die Wahl zwischen Strategien, die zwar sehr ungenau sind, jedoch ohne viel Aufwand angewendet werden können. Jedoch können Entscheider bei Investition in Aufwand genauere Ergebnisse erzielen.

Ist eine Produktvergleichsmatrix gegeben und der Entscheider hat die Wahl zwischen verschiedenen Entscheidungsstrategien, die sich hinsichtlich ihres Aufwandes nicht unterscheiden, so wird er die Entscheidungsstrategie anwenden, die ein höheres Maß an Genauigkeit aufweist. Hat der Entscheider die Wahl zwischen zwei Strategien, welche die gleiche Genauigkeit aufweisen, so wird er die Strategie wählen, die mit weniger Aufwand verbunden ist (Todd und Benbasat, 1992).

Neben dem Effort-Accuracy-Framework existieren noch verwandte Frameworks, wie cost benefit priciples und perceptual processes, die an dieser Stelle nur erwähnt werden. Auf sie wird in dieser Arbeit nicht weiter eingegangen, da sie in der Literatur, im Gegensatz zum Effort-Accuracy-Framework, weniger Beachtung finden (Payne, 1982).

Zusammenfassend lässt sich festhalten, dass

1. Entscheider stets einen Kompromiss zwischen Genauigkeit ihrer Entscheidung (Johnson und Payne, 1985; Payne, 1982), die Sie maximieren möchten und dem Aufwand zur Entscheidungsfindung, den Sie minimieren möchten (Beach und Mitchell, 1978; Einhorn und Hogarth, 1981), eingehen.
2. mehr Aufwand, der sinnvoll in die Entscheidungsfindung investiert wird, zu genaueren Ergebnissen führt (Adelbratt und Montgomery, 1980; Christensen-Szalanski, 1978, Ravi Dhar, 1996, Klein und Yadav, 1989).

Im nächsten Kapitel wird dargestellt, warum Entscheider auf die mentalen Kosten eines Entscheidungsprozesses zu achten haben. Dabei wird erklärt, warum Onlineshop Betreiber ein Interesse daran haben, die mentale Belastung für den Kunden niedrig zu halten.

2.4 Überlastung des Entscheiders (Information Overload)

Produktvergleichsmatrizen können unterschiedliche Größen annehmen. Während eine 2*2 Matrix lediglich vier Elemente enthält, die wichtig für die Entscheidung eines Kunden sein könnten, so weist eine 4*4 Matrix bereits 16 Elemente auf. Eine Produktvergleichsmatrix des Onlineshops www.dell.com ist in Abbildung 3 dargestellt. Diese Matrix hat eine Größe von 10*13 und besitzt somit 130 Elemente^[4]. Wie wir in Kapitel 3.2 noch sehen werden, können Produktvergleichsmatrizen in der Praxis beliebig groß werden. Mit der Größe der Matrizen steigt auch die Zahl der Informationen, die ein Kunde für seine Entscheidung verarbeiten kann. Die Informationsverarbeitung wird von Tushman und Nadler, 1978 als

„gathering, interpreting, and synthesis of information in the context of organizational decision making“ definiert.

Auf den ersten Blick erscheint es für eine Entscheidung sinnvoll, so viele Informationen wie möglich heranzuziehen, damit eine Wahl ohne Einschränkungen getreffen werden kann. Tatsächlich scheint es für einen Entscheider bis zu einem bestimmten Punkt nützlich zu sein, die Menge an verarbeiteten Informationen (engl.: Information Load) zu erhöhen, um die Qualität seiner Entscheidung (engl.: Decision Accuracy) zu steigern. Beim Überschreiten dieses Punktes wird der Entscheider überfordert, da er die Menge der Informationen nicht mehr verarbeiten kann. Der Zusammenhang zwischen Entscheidungsgenauigkeit und Menge der verarbeiteten Informationen wird häufig in einer auf dem Kopf stehenden U Form dargestellt (siehe Abbildung 2) (Schroder, Driver und Driver, 1967). Eine Überlastung, die als Information Overload bezeichnet wird (Eppler, 2002), tritt hinter dem Maximum der dargestellten Informationsfunktion auf. Sie hat für den Entscheider verschiedene Nachteile, wie Unfähigkeit neue Informationen zu verarbeiten (O'Reilly, III, 1980) oder eine Entscheidung zu treffen (Bawden, 2001), Stress und Angst (Eppler, 2002), unsystematische Suche sowie Unfähigkeit Wichtiges von Unwichtigem zu trennen (Bawden, 2001).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Zusammenhang zwischen Decision Accuracy und Information Load. Quelle: (Eppler, 2002)

Der Information Overload hat ebenfalls negative Auswirkungen auf den Betreiber des Onlineshops, da die Überlastung des Kunden diesen davon abhalten kann seine Kaufentscheidung zu treffen (Chris M. White und Ulrich Hoffrage, 2009; Iyengar und Lepper, 2000). Iyengar und Lepper, 2000, untersuchten den Produktauswahlprozess von Kunden, denen verschiedene Mengen von Produkten gezeigt wurden. In der ersten Gruppe wurden 24 Produkte präsentiert und in einer zweiten Gruppe lediglich sechs. Die Wahrscheinlichkeit, dass die Probanden die Suche abbrechen, war in der ersten Gruppe signifikant erhöht. Gleichzeitig war die Kaufwahrscheinlichkeit in der Gruppe mit weniger Auswahl signifikant höher als in der Gruppe mit großer Produktauswahl..

Nachfolgend werden Systeme beschrieben, die zum Ziel haben, einen Entscheider bei seiner Entscheidung zu unterstützen. Wir werden uns auf so genannte Interaktive Information Management Tools konzentrieren, welche zum Ziel haben, den Aufwand des Entscheiders bei Einsatz seiner Entscheidungsstrategien zu reduzieren.

3 Entscheidungsunterstützungssysteme

Da die kognitive Leistungsfähigkeit von Entscheidern begrenzt ist, müssen online Händler eine Lösung finden, um die Menge an dargestellten Informationen für jeden Kunden anzupassen. Da dies nicht a priori möglich ist und keine Verkäufer face-to-face mit dem Kunden interagieren können, sind in heutigen Onlineshops häufig IDAs implementiert, um den Entscheider zu unterstützen (Häubl und Trifts, 2000). Interaktivität kann als multi­dimensionales Konstrukt, bestehend aus wechselseitigem Informationsaustausch, zur Bereitstellung von Informationen auf Anfrage und in Echtzeit sowie Anpassung von Inhalten aufgefasst werden (Häubl und Trifts, 2000).

Die Unterstützung des Entscheiders durch IDAs erfolgt vorranging durch Hilfe bei der Informationsverarbeitung. IDAs können Informationen aufbereiten und entsprechend den Bedürfnissen des Entscheiders anzeigen. Vor allem verarbeitungsintensive und standardisierte Prozesse können mit Hilfe dieser Tools unterstützt werden (Ariely, 2000). Ziel ist es, die geistigen Ressourcen des Entscheiders zu schonen (Häubl und Trifts, 2000), so dass dieser bei seiner Entscheidung nicht den Bereich des Information Overload erreicht.

IDAs lassen sich in zwei Gruppen einteilen. Die erste Gruppe bilden die Recommendation Agents (RA), die andere die IIMTs. RA geben den Entscheidern Vorschläge zur Auswahl von Alternativen. In Dialogform versucht das System durch Präferenzen, die der Kunde zur Verfügung stellen muss, für ihn relevante Informationen auszugeben bzw. Produktvorschläge zu unterbreiten. Die Grundidee dieser Systeme basiert darin, einen beratenden menschlichen Verkäufer zu ersetzen.

Es existieren beim Einsatz von RAs allerdings zahlreiche Nachteile: Die in Kapitel 2.2 beschriebenen Präferenzen von Kunden werden während des Entscheidungsprozesses stetig angepasst (Payne, Bettman und Schkade, 1999; Tversky und Simonson, 1993). Aus diesem Grund ist es schwierig für einen Kunden, diese vor der konkreten Kaufsituation anzugeben (Payne, Bettman und Johnson, 1993). Außerdem sind Kunden häufig unmotiviert ihre Präferenzen preiszugeben, ohne eine direkte Gegenleistung des Systems zu erhalten (Spiekermann und Paraschiv, 2002). Zusätzlich ist es möglich, dass Kunden nicht über genügend Fachwissen verfügen, um Fragen bezüglich ihrer Präferenzen zu beantworten (Spiekermann und Paraschiv, 2002). Es ist wahrscheinlich, dass diese und weitere Gründe dazu führten, dass RAs sich in der Praxis nicht durchgesetzt haben (Fitzsimons und Lehmann, 2004).

Neuere Systeme versuchen Produktvorschläge aufgrund von vergangenen Käufen oder Bewertungen des Kunden zu unterbreiten und werden content based Systems genannt. Ein anderer Ansatz versucht die Produktvorschläge anhand der Käufe oder Bewertungen anderer Kunden zu generieren. Systeme dieses Typs werden collaborative-based Systems genannt. Die content- als auch die collaborativ based Systems werden an dieser Stelle nur zur Abgrenzung zu der dritten Klasse an Entscheidungsunterstützungssystemen eingeführt, den IIMTs, mit der sich diese Arbeit beschäftigt^[5]. Diese Art von IDAs werden im Gegensatz zu den bisher dargestellten RAs in der Praxis wesentlich häufiger eingesetzt (Xiao und Benbasat, 2007)^[6]. Nachfolgend werden wir zunächst in Kapitel 3.1 diese IIMTs definieren und beschreiben. Anschließend wird in Kapitel 3.2 anhand einer deskriptiven Studie von Pfeiffer, 2010 die aktuelle Verwendung von IIMTs in den Top 100 e-commerce Onlineshops dargestellt.

3.1 Interactive Information Management Tools (IIMTs)

Wie in Kapitel 2.3 erwähnt, muss nach dem Effort Accuracy Modell ein Entscheider bei jeder Entscheidung einen Kompromiss zwischen der Höhe der eingesetzten Mühe zur Entscheidungsfindung und dem Nutzen, den er durch die Genauigkeit seiner Entscheidung erlangt, eingehen.

Für Onlineshopbetreiber wäre es ideal, jeden Kunden bis zum Maximum der in Abbildung 2 dargestellten Informationsfunktion mit Informationen zu versorgen. Da dies in einer Onlineumgebung ohne face-to-face Interaktion nicht möglich ist (Ariely, 2000), wäre in Betracht zu ziehen,, den Kunden in seinen Entscheidungsstrategien durch IIMTs zu unterstützen. IIMTs haben die Aufgabe, den Aufwand des Kunden bei der Informationsverarbeitung, die gemäß der Definition von Tushman und Nadler, 1978, das Erfassen, Interpretieren und die Synthese von Informationen enthält, zu unterstützen. Damit wäre es dem Kunden möglich, mehr Informationen zu verarbeiten als ohne IIMTs (Todd und Benbasat, 1992).

IIMTs sollen sich vor allem durch ein hohes Maß an Interaktionsfähigkeit und Flexibilität auszeichnen. Sie werden von Gupta, Yadav und Varadarajan, 2009, definiert als:

“Tools which enable buyers to sort through and/or compare available product alternatives”.

Wir folgen Pfeiffer, 2010, indem wir nicht wie Gupta, Yadav und Varadarajan, 2009 die vollständige Entscheidungsmatrix als IIMT betrachten, sondern lediglich einzelne Elemente eines Systems, die verwendet werden können, um den Inhalt oder das Erscheinungsbild der Produktvergleichsmatrix zu verändern. Der Vorteil der IIMTs liegt darin, dass sie den Kunden sowohl in der Selektionsphase als auch in der in-depth comparison Phase unterstützen können. Wir möchten uns in dieser Arbeit auf Letzteres konzentrieren.

Obwohl die Produktvergleichsmatrix, die verschiedene Produkte und deren Attribute darstellt, mittlerweile sehr verbreitet ist, scheinen die IIMTs zur Unterstützung von Entscheidungsstrategien des Entscheiders bisher weder in der Forschung noch in der Praxis starke Beachtung zu finden. Eine Ausnahme bilden Gupta, Yadav und Varadarajan, 2009, die Sortieren und Entfernen aus der Vergleichsmatrix ebenso untersuchen wie Wan, Menon und Ramaprasad, 2009. Nach unserem Kenntnisstand hat sich Pfeiffer, Riedl und Rothlauf, 2010, am umfassendsten mit der Entwicklung von IIMTs beschäftigt. Pfeiffer, Riedl und Rothlauf, 2010, legen bei der Entwicklung der IIMTs großen Wert darauf, dass die in Kapitel 2.2 beschriebenen Entscheidungsstrategien unterstützt werden. In dieser Arbeit werden nachfolgend nur die fertig entwickelten IIMTs vorgestellt und wenn möglich, Beispiele aus der Praxis aufgezeigt. Sollten noch keine Beispiele existieren, so wird auf den von uns entwickelten Prototypen zurückgegriffen. Für eine Übersicht von IIMTs, die Entscheidungsstrategien unterstützen, sei auf Pfeiffer, Riedl und Rothlauf, 2010, verwiesen. Die von Pfeiffer, Riedl und Rothlauf, 2010 entwickelten IIMTs lauten im Einzelnen:

PAIRWISE COMPARISON

Das IIMT PAIRWISE COMPARISON (dt.: paarweiser Vergleich) erlaubt es einem Entscheider, alle Attribute zweier Alternativen zu vergleichen. Häufig werden bei Verwendung dieses IIMTs zwei Alternativen in einer temporären Produktvergleichsmatrix dargestellt oder die anderen Alternativen einer Matrix werden ausgeblendet. Das IIMT kann sowohl in der Screeningphase als auch auf der in-depth comparison Phase eingesetzt werden. Eine Anwendung dieses Tools im Onlineshop www.samsung.de ist in Abbildung 4 dargestellt.

MARK

Das IIMT MARK (dt.: markieren) erlaubt es, Attribute zu markieren, deren Attributsausprägungen über alle Alternativen identisch sind (MARKsimilar) oder sich in mindestens einer Ausprägung unterscheiden (MARKDifferent). MARKManually erlaubt es dem Entscheider, beliebige Attributsausprägungen in einer Matrix positiv oder negativ zu markieren. Abbildung 5 zeigt den Einsatz des IIMTs MARKDifferent im Onlineshop www.cdw.com. Attribute die über verschiedene Ausprägungen verfügen, sind gelb markiert. Nur das Attribut „UNSPSC“ ist mit der Attributsausprägung „43211508“ über alle Alternativen identisch. Somit wird dieses Attribut nicht markiert. Das IIMT MARKsimilar würde in diesem Beispiel nur das Attribut „UNSPSC“ gelb markieren. In Abbildung 6 ist die Verwendung des IIMTs MARKManually dargestellt. Die Attributsausprägungen des Attributs „Lautsprecher“ wurden mit einer gelben Umrandung positiv markiert. Mit dem IIMT MARKNegative können Attributsausprägungen negativ markiert werden, wenn diese beispielsweise einen Aspirationslevel des Kunden nicht erfüllen. MARKNegative wird von Pfeiffer, Riedl und Rothlauf, 2010 nicht verwendet, wir führen es ein, um das IIMT REMOVEMarkings zu unterstützen. In Abbildung 7 können mit dem Kreuzsymbol an den Attributsausprägungen diese negativ markiert werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: IIMT PAIRWISE COMPARISON des Onlineshops www.samsung.de.

REMOVE

Das IIMT REMOVEAlternative(dt.: Entfernen) entfernt einzelne Alternativen aus der Produktvergleichsmatrix. Es ist in Abbildung 12 im oberen Teil der Produktvergleichsmatrix mit dem Hinweis „Remove“ abgebildet. Das IIMT REMOVEAttribute entfernt Attribute aus der Produktvergleichsmatrix, es ist in Abbildung 6 in Höhe der Attribute als „-“ Symbol dargestellt. Mit dem IIMT REMOVEMarkings ist es möglich Alternativen zu entfernen, die vorher mit MARKNegative negativ markiert wurden.

SCORE

Ein weiteres IIMT stellt SCORE (dt.: punkten) dar. Zum einen können damit Attributen Gewichte zugeordnet werden (SCOREAttribute), zum anderen Attributsausprägungen Einzelwerte (SCOREAttributeLevel). In Abbildung 7 ist dieses IIMT in dem von uns entwickelten Prototypen dargestellt. Das Attribut „Video Player“ ist mit drei Sternen gewichtet. Die Attributsausprägung „ja“ des Attributs „Video Player“ ist ebenfalls mit drei Sternen bewertet und gibt den Einzelwert des Nutzers an.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: IIMT PAIRWISE COMPARISON des Onlineshops www.cdw.com.

[...]

^[1] Quelle: http://www.gfk.com/group/press_information/press_releases/003717/index.de.html Aufgerufen am 26.05.2010

^[2] Nicht nur Personen, sondern auch Tiere, Roboter oder Computer können Entscheidungen treffen. Allerdings werden in dieser Arbeit nur menschliche Entscheider betrachtet.

^[3] Aus Vereinfachungsgründen werden wir multi-alternative und multi-attributive Entscheidungsprobleme nach­folgend kurz als Entscheidungsprobleme bezeichnen.

^[4] Die Attribute im einzelnen lauten: Modell, Abbildung, Kundenbewertung, Preis, Besondere Angebote, Prozessor, Betriebssystem, Bildschirm, Arbeitsspeicher, Festplatte, Grafikkarte, Akku und Hardware Support Services.

^[5] Für einen Überblick zur aktuellen Forschung im Bereich der Recommendation Agents sei an dieser Stelle auf Kyle B. Murray und Gerald Häubl, “Interactive consumer decision aids,” Handbook of marketing decision models ( 2008) Oliver Hinz und Jochen Eckert, “The Impact of Search and Recommendation Systems on Sales in Electronic Commerce,” Business & Information Systems Engineering 2, no. 2 (2010) verwiesen.

^[6] Für eine ausgezeichnete Übersicht über den Forschungsstand im Bereich der Recommendation Agens wird an dieser Stelle auf Bo Xiao und Izak Benbasat, “E-Commerce Product Recommendation Agents: Use, Characteristics, and Impact” MIS Quarterly 31, no. 1 (2007) verwiesen.