{"id":16710,"date":"2021-04-23T10:21:47","date_gmt":"2021-04-23T08:21:47","guid":{"rendered":"https:\/\/www.munich-business-school.de\/insights\/?p=16710"},"modified":"2023-07-01T14:34:20","modified_gmt":"2023-07-01T12:34:20","slug":"der-einfluss-von-empfehlungssystemen-auf-die-kaufabsicht-von-konsumentinnen","status":"publish","type":"post","link":"https:\/\/www.munich-business-school.de\/insights\/2021\/der-einfluss-von-empfehlungssystemen-auf-die-kaufabsicht-von-konsumentinnen\/","title":{"rendered":"Der Einfluss von Empfehlungssystemen auf die Kaufabsicht von Konsument*innen"},"content":{"rendered":"\n

Aufgrund der Informationsflut und der daraus resultierenden Entscheidungsunf\u00e4higkeit der Verbraucher*innen werden Empfehlungssysteme zunehmend zu einem wichtigen Instrument im E-Commerce. Doch wie beeinflussen diese Systeme die Kaufabsichten der Konsument*innen? Eine neue Studie, die im Rahmen einer Masterarbeit an der Munich Business School durchgef\u00fchrt wurde, untersucht diese Frage am Beispiel von Taiwan.<\/strong><\/p>\n\n\n\n

\n\n\n\n
\n

„Digital vernetzt zu sein, ver\u00e4ndert substanziell die Art und Weise, wie Unternehmen im Wettbewerb erfolgreich sind.“<\/p>\nJung, Kraft, 2017<\/cite><\/blockquote>\n\n\n\n

Mit den Fortschritten in der Informationstechnologie spielt der E-Commerce eine wichtige Rolle in unserem t\u00e4glichen Leben und bietet den Verbraucher*innen ein hohes Ma\u00df an Komfort. Allerdings neigen Verbraucher*innen dazu, von der st\u00e4ndig wachsenden Menge an produktbezogenen Inhalten, die sie erhalten, \u00fcberw\u00e4ltigt zu werden, und leiden folglich unter einer Informations\u00fcberlastung, die zu einer schlechten Entscheidungsfindung f\u00fchren kann. Um diese Informationsflut zu bew\u00e4ltigen, werden Empfehlungssysteme zunehmend zu einem wichtigen Werkzeug im E-Commerce. Das Hauptmerkmal von Empfehlungssystemen ist ihre F\u00e4higkeit, das Benutzer*innenverhalten zu analysieren, insbesondere im Hinblick darauf, f\u00fcr welche Artikel sich ein*e bestimmte*r Benutzer*in interessieren k\u00f6nnte, und den Konsument*innen entsprechend ihrer Vorlieben und Verhaltens Artikelvorschl\u00e4ge 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 \u00fcber Benutzer*innen, um ein tieferes Verst\u00e4ndnis der Zielbenutzer*innen zu erlangen und eine solide Grundlage f\u00fcr zuk\u00fcnftige 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. Schlie\u00dflich prognostiziert das System und pr\u00e4sentiert den Benutzer*innen Produktempfehlungen (Isinkaye, Folajimi & Ojokoh, 2015, S. 263-264).<\/p>\n\n\n\n

Empfehlungssysteme – ein m\u00e4chtiges Tool zur Entscheidungsfindung und Beeinflussung der Kaufabsicht<\/h2>\n\n\n\n

Basierend auf den Datenfilterungs- und Bewertungssch\u00e4tzungsmethoden werden Empfehlungssysteme \u00fcblicherweise 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 \u00fcber die Interessen, Vorlieben und Bed\u00fcrfnisse 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 schl\u00e4gt einer Person Empfehlungen basierend auf der Analyse anderer Benutzer*innen vor, die \u00e4hnliche Pr\u00e4ferenzen haben (Sivapalan, Sadeghian, Rahnama & Madni, 2014, S. 163). Dieser Ansatz erfordert historische Daten und fr\u00fchere Bewertungen von Benutzer*innen und funktioniert durch den Aufbau einer Datenbank, die aus den Pr\u00e4ferenzen der Benutzer*innen f\u00fcr Artikel besteht, und die Suche nach den Benutzer*innen, die \u00fcber Gemeinsamkeiten mit dem Zielperson verf\u00fcgen (Cheng, Wang, 2014, S. 290).
Die hybride Filterung wurde vorgeschlagen, indem zwei oder mehr Empfehlungstechniken kombiniert werden, um eine h\u00f6here Leistung zu erreichen und die Einschr\u00e4nkungen der einzelnen Techniken zu vermeiden (Isinkaye, Folajimi & Ojokoh, 2015, S. 269). Am h\u00e4ufigsten kombiniert der hybride Filteransatz die St\u00e4rken der inhaltsbasierten und kollaborativen Filterans\u00e4tze, um Empfehlungssysteme zu optimieren (Bagherifard, Rahmani, Nilashi & Rafe, 2017, S. 1777).<\/p>\n\n\n\n

In dieser Studie – entstanden im Rahmen einer Abschlussarbeit an der Munich Business School<\/a> – 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\u2019 Information Privacy Concerns). Das UTAUT-Modell hilft dabei, die Wahrnehmungen und Verhaltensabsichten der Benutzer*innen gegen\u00fcber Empfehlungssystemen zu verstehen, w\u00e4hrend das IUIPC-Modell die Datenschutzbedenken der Benutzer*innen in Bezug auf Empfehlungssysteme untersucht. Um dar\u00fcber hinaus besser zu verstehen, was eine Empfehlung f\u00fcr Konsument*innen n\u00fctzlich macht, beinhaltet dieses Forschungsmodell die drei Faktoren, die die Leistungserwartung beeinflussen, d.h. Empfehlungsgenauigkeit, Neuartigkeit und Vielfalt.<\/p>\n\n\n

\n
\"Research
Forschungsmodell (von den Autor*innen illustriert)<\/figcaption><\/figure>\n<\/div>\n\n\n

Um die Einflussfaktoren auf die Kaufabsicht taiwanesischer Online-K\u00e4ufer*innen f\u00fcr empfohlene Produkte zu untersuchen, wurde ein quantitativer Forschungsansatz gew\u00e4hlt. Insgesamt konnten \u00fcber eine Online-Umfrage, die \u00fcber Social-Media-Plattformen und Messaging-Anwendungen verteilt wurde, insgesamt 276 vollst\u00e4ndige und g\u00fcltige Antworten gesammelt werden. <\/p>\n\n\n\n

Wie Empfehlungssysteme designt und entwickelt sein sollten<\/h2>\n\n\n\n

Die Ergebnisse deuten darauf hin, dass das Vertrauen der Konsument*innen in Empfehlungssysteme und die Leistungserwartung von Empfehlungssystemen wichtige Faktoren sind, die die Kaufabsicht beeinflussen, und dass Empfehlungsgenauigkeit, Neuartigkeit und Vielfalt indirekt die Kaufabsicht beeinflussen, indem sie die Wahrnehmung der Kundschaft \u00fcber die Leistungserwartung von Empfehlungssystemen pr\u00e4gen. Daher macht diese Studie mehrere praktische Vorschl\u00e4ge, um das Design und die Entwicklung von effektiven Empfehlungssystemen durch Dienstleistungsorganisationen zu erleichtern.<\/p>\n\n\n\n

Aufbau von Vertrauen<\/h3>\n\n\n\n