Der Einfluss von Empfehlungssystemen auf die Kaufabsicht von Konsument*innen

Businessman holding a cell phone with a cloud of notification icons like recommendations, comments, etc. on top of it.

„Digital vernetzt zu sein, verändert substanziell die Art und Weise, wie Unternehmen im Wettbewerb erfolgreich sind“ (Jung, Kraft, 2017). Mit den Fortschritten in der Informationstechnologie spielt der E-Commerce eine wichtige Rolle in unserem täglichen Leben und bietet den Verbraucher*innen ein hohes Maß an Komfort. Allerdings neigen Verbraucher*innen dazu, von der ständig wachsenden Menge an produktbezogenen Inhalten, die sie erhalten, überwältigt zu werden, und leiden folglich unter einer Informationsüberlastung, die zu einer schlechten Entscheidungsfindung führen kann. Um diese Informationsflut zu bewältigen, werden Empfehlungssysteme zunehmend zu einem wichtigen Werkzeug im E-Commerce. Das Hauptmerkmal von Empfehlungssystemen ist ihre Fähigkeit, das Benutzer*innenverhalten zu analysieren, insbesondere im Hinblick darauf, für welche Artikel sich ein*e bestimmte*r Benutzer*in interessieren könnte, und den Konsument*innen entsprechend ihrer Vorlieben und Verhaltens Artikelvorschläge zu machen (Lu, Wu, Mao, Wang & Zhang, 2015, S. 12). Um Empfehlungen zu generieren, folgen Empfehlungssysteme einem Prozess, der aus drei Phasen besteht. In der ersten Phase sammelt das System umfangreiche Informationen über Benutzer*innen, um ein tieferes Verständnis der Zielbenutzer*innen zu erlangen und eine solide Grundlage für zukünftige Phasen zu schaffen. Dieser Input kann entweder explizites Feedback sein, wie z. B. Produktbewertungen, oder implizites Feedback, wie z. B. die Kaufhistorie. In der zweiten Phase filtert und nutzt das Empfehlungssystem die in der ersten Phase gesammelten Daten, indem es einen maschinellen Lernalgorithmus einsetzt. Schließlich prognostiziert das System und präsentiert den Benutzer*innen Produktempfehlungen (Isinkaye, Folajimi & Ojokoh, 2015, S. 263-264).

Basierend auf den Datenfilterungs- und Bewertungsschätzungsmethoden werden Empfehlungssysteme üblicherweise in folgende Kategorien unterteilt: inhaltsbasierte, kollaborative und hybride Filtersysteme. Bei der inhaltsbasierten Filtertechnik wird die Empfehlung durch den Abgleich des Inhalts von Elementen und der Benutzer*innenprofile generiert. Die Inhalte der Elemente werden als eine Menge von Beschreibungen dargestellt, die aus den Merkmalen der Elemente extrahiert werden. Das Profil des*der Nutzer*in besteht aus den Informationen über die Interessen, Vorlieben und Bedürfnisse des*der Benutzer*in und wird durch die Analyse der Artikelmerkmale erstellt, die der*die Benutzer*in in der Vergangenheit gekauft oder angesehen hat (Lops, Gemmis & Semeraro, 2011, S. 75).
Kollaboratives Filtern betrachtet die Meinungen anderer Benutzer*innen als wichtigen Faktor und schlägt einer Person Empfehlungen basierend auf der Analyse anderer Benutzer*innen vor, die ähnliche Präferenzen haben (Sivapalan, Sadeghian, Rahnama & Madni, 2014, S. 163). Dieser Ansatz erfordert historische Daten und frühere Bewertungen von Benutzer*innen und funktioniert durch den Aufbau einer Datenbank, die aus den Präferenzen der Benutzer*innen für Artikel besteht, und die Suche nach den Benutzer*innen, die über Gemeinsamkeiten mit dem Zielperson verfügen (Cheng, Wang, 2014, S. 290).
Die hybride Filterung wurde vorgeschlagen, indem zwei oder mehr Empfehlungstechniken kombiniert werden, um eine höhere Leistung zu erreichen und die Einschränkungen der einzelnen Techniken zu vermeiden (Isinkaye, Folajimi & Ojokoh, 2015, S. 269). Am häufigsten kombiniert der hybride Filteransatz die Stärken der inhaltsbasierten und kollaborativen Filteransätze, um Empfehlungssysteme zu optimieren (Bagherifard, Rahmani, Nilashi & Rafe, 2017, S. 1777).

In dieser Studie – entstanden im Rahmen einer Abschlussarbeit an der Munich Business School – sollen die Faktoren untersucht werden, die die Kaufabsicht der Konsument*innen in Bezug auf die von Empfehlungssystemen vorgeschlagenen Produkte beim Online-Shopping beeinflussen, um eine ganzheitliche Sicht auf Empfehlungssysteme aus der Perspektive der Konsument*innen zu gewinnen. Zu diesem Zweck integriert unser Forschungsmodell das von Venkatesh, Morris, Davis & Davis (2003) vorgeschlagene UTAUT-Modell (Unified Theory of Acceptance and Use of Technology) mit dem von Malhotra, Kim & Agarwal (2004) vorgeschlagenen IUIPC-Modell (Internet Users’ Information Privacy Concerns). Das UTAUT-Modell hilft dabei, die Wahrnehmungen und Verhaltensabsichten der Benutzer*innen gegenüber Empfehlungssystemen zu verstehen, während das IUIPC-Modell die Datenschutzbedenken der Benutzer*innen in Bezug auf Empfehlungssysteme untersucht. Um darüber hinaus besser zu verstehen, was eine Empfehlung für Konsument*innen nützlich macht, beinhaltet dieses Forschungsmodell die drei Faktoren, die die Leistungserwartung beeinflussen, d.h. Empfehlungsgenauigkeit, Neuartigkeit und Vielfalt.

Research Model Recommender System

Forschungsmodell (von den Autor*innen illustriert)

Hui-Chieh Chen Portrait
Über Hui-Chieh Chen
Hui-Chieh Chen is a master's student in the International Business master's program at MBS and conducted the described study as part of her master's thesis supervised by Prof. Dr. Hans H. Jung and Prof. Dr. Alexander Suhm.
Über Prof. Dr. Hans H. Jung 50 Artikel
Hans H. Jung ist seit 2012 Professor für das Lehrgebiet Marketing an der Munich Business School. Nach seiner Promotion war Jung mehrere Jahre als Manager und Berater für Premium-Automobilhersteller im In- und Ausland tätig. Seit 2011 arbeitet er als Senior Manager bei der Managementberatung UNITY AG.
Über Prof. Dr. Alexander Suhm 4 Artikel
Prof. Dr.-Ing. Alexander Suhm studierte Allgemeiner Maschinenbau an der Technischen Hochschule in Karlsruhe und promovierte 1993 zu neuen Produktentwicklungsmethoden. Er wechselte als Managementberater für die Automobilindustrie und den Maschinen- und Anlagenbau zur Softlab GmbH (BMW Group) und verantwortete dort den Bereich Automotive Management. Von 2001 bis 2007 war er Geschäftsführer der Managementberatungsgesellschaft Nexolab GmbH (BMW Group). 2007 wechselte er dann als Partner im Bereich Automotive zur UNITY AG. Bis 2017 war er neben seiner Verantwortung als Niederlassungsleiter in München in der Geschäftsführung der österreichischen und chinesischen Landesniederlassung tätig. Heute arbeitet er in Aufsichtsrats- und Beiratsmandaten, coacht Start-ups und lehrt als Dozent an der Munich Business School.