Vorlesen

Learning what you want: Building preferences by individualizing a product

Sommersemester 2008 

Executive Summary 

1 Zusammenfassung 

In den vergangenen Jahren hat der weltweite Individualisierungs- und Differenzierungstrend nicht nur alle Lebensbereiche erfasst, sondern auch neue Konzepte zur Befriedigung der zunehmend heterogenen Kundenbedürfnisse gefordert. Eine Lösung wurde im Konzept der Mass Customization of Products gefunden, das von zahlreichen Wissenschaftern wie beispielsweise Frank Piller und B. Joseph Pine II seit den 1990er Jahren erforscht wird. Diese Forschung hat der Wirtschaftspraxis mit Toolkits for User Innovation and Design die Antwort auf die neuen Herausforderungen der individualisierten Bedürfnisse gegeben. 

Der Begriff Mass Customization wurde 1987 von Davis geprägt: „Mass Cusomization of markets means that the same large number of customers can be reached as in mass markets of the industrial economy, and simultaneously they can be treated individually as in the customized markets of pre-industrial economies“ (Davis, 1987). Mass Customization wird hier als Verbindung effizienter Massenfertigung mit kundenspezifischer Einzelfertigung gesehen werden (Vgl. Pine, 1993); innerhalb des Mass Customization Prozesses kann der Kunde/die Kundin etwa die Funktion eines Co-Designers (Customer Co-Design) übernehmen und ein Produkt in einer bestimmten Produkteigenschaft (Design, Passform, Funktionalität) nach seinen individuellen Vorstellungen gestalten. Alle vom Kunden/von der Kundin gesetzten Maßnahmen finden innerhalb eines vom Hersteller eindeutig definierten Lösungsraumes statt. Abhängig von der durch den Kunden/Kundinnen individualisierbaren Produkteigenschaft variieren die Ausprägungen des Lösungsspielraums. Die Individualisierungskosten verursachen in der Regel nur einen geringen Aufschlag auf den Normalpreis und verursachen somit keinen Sprung in ein höheres Preissegment. In den meisten Fällen wird die Kundenintegration innerhalb des Mass Customization Prozesses über Toolkits ermöglicht. 

Ziel dieser Studie ist es, den Einfluss von Toolkits auf User-Präferenzen zu untersuchen und Eigenschaften von Toolkits zu identifizieren, die zu einer erhöhten Präferenzklarheit führen. Forschungsfragen lauten unter anderem: „Führt der Prozess des Selbstgestaltens gegenüber der Auswahl vorgefertigter Produkte aus einem Online-Shop zu einer höheren Präferenzklarheit?“ „Welchen Einfluss hat Feedback in Kombination mit der Toolkit-Benutzung auf die Präferenzen der Kunden/Kundinnen?“  

Die Ergebnisse der Untersuchung zeigen, dass die Ausgestaltung des Toolkits einen erwähnenswerten Einfluss auf die Präferenzklarheit der User hat. Bei der Integration einer Feedbackfunktion in das Toolkit zeigt sich allerdings kein ganz so klares Bild. Generell führt der individuelle Gestaltungsprozess eines Laufschuhs verglichen mit der herkömmlichen Auswahl eines vorgefertigten Laufschuhs aus einem Online-Shop zu einer höheren Präferenzklarheit und einer größeren Zahlungsbereitschaft bei den Konsumentinnen und Konsumenten.  

2 Einleitung und Hypothesen 

Seit den 1970er Jahren hat sich die Rolle der Kunden/Kundinnen dramatisch verändert. Der passive Konsument/die passive Konsumentin, der ein mehr oder weniger gut auf seine individuellen Bedürfnisse abgestimmtes Produkt akzeptiert, gehört der Vergangenheit an. Individualität ist innerhalb der vorherrschenden Multioptionsgesellschaft „in“ (Vgl. Hildebrand, 1997). Dem Kunden/der Kundin kommt eine zunehmend aktive Rolle zu (vgl. von Hippel und Katz, 2002): Innovationen in der Kommunikationstechnologie und neue Fertigungstechniken machen es möglich, dass Kunden/Kundinnen über online-basierte Tools individualisierte Produkte gestalten und damit quasi zu Co-Designern werden. Die Instrumente, die in einem solchen Setting zum Einsatz kommen, heißen Toolkits for User Innovation and Design

Der Toolkit-Ansatz birgt viele potentielle Vorteile: Da sich die Kunden/Kundinnen, die Toolkits nutzen, ihre Produkte selbst gestalten, entsprechen diese in der Regel viel eher ihren individuellen Bedürfnissen und Präferenzen als Standardprodukte. Es überrascht daher nicht, dass User bereit sind, einen höheren Preis für selbst gestaltete Produkte zu bezahlen als für technisch vergleichbare Standardprodukte (Vgl. z. B. Schreier, 2006; Franke und Piller, 2004). Toolkits als Möglichkeit zur Mass Customization erhöhen mittelbar die Kundenzufriedenheit und bilden die Basis für eine langfristige Bindung zwischen User und Hersteller.  

Eine Frage die in diesem Zusammenhang u. a. von Simonson (2005) aufgeworfen wurde ist, ob es für Kunden/Kundinnen, die noch keine klaren Präferenzen haben überhaupt Sinn macht ein Toolkit zu verwenden: Wie sollten sie ein Produkt zusammenstellen, wenn sie gar nicht wissen was sie wollen?Die klassische Sichtweise in der Präferenzforschung geht davon aus, dass User ohne klare Präferenzen im Produktauswahlprozess vorläufige, „konstruierte“ Präferenzen bilden, die auf früheren Erfahrungen und situativen Merkmalen beruhen. Diese instabilen Präferenzen führen in der Folge zu einer niedrigen Entscheidungssicherheit bzw. Kaufwahrscheinlichkeit (Vgl. dazu Simonson 2005). Simonsons Überlegungen liegt allerdings die Annahme zugrunde, dass die Benützung des Toolkits die Präferenzen an sich nicht verändert bzw. konkretisiert. Diese Annahme ist anzuzweifeln. Wie von anderen Forschern (Vgl. z. B. Hutchinson und Alba, 1991; West, Brown und Hoch; 1996) gezeigt wurde, unterliegen Präferenzen einem ständigen Wandel. Die Hypothese, dass Toolkits die Präferenzen verändern bzw. sogar konkretisieren liegt also nahe. Ziel dieser Untersuchung war es, diesen Zusammenhang näher zu beleuchten – daraus leitet sich Hypothese 1 ab. 

Hypothese 1: 
Beim Selbstdesignen eines Produktes mittels Toolkit erhöht sich die Präferenzklarheit mehr als beim Aussuchen eines Produktes aus einem Shop.  

In dieser Studie sollte zudem untersucht werden, welche weiteren Faktoren Einfluss auf die Präferenzklarheit in Zusammenhang mit Toolkits haben. Als viel versprechender Einflussfaktor wurde Feedback durch andere Personen ausgewählt. Um zwischen dem Einfluss von konstruktivem und destruktivem Feedback zu trennen, wurde auch dieser Bereich separat getestet. Die Hypothesen 2 und 3 leiteten sich aus diesen Überlegungen ab.

Hypothese 2: 
Wird den Usern bei der Verwendung eines Toolkits Feedback gegeben, erhöht sich ihre Präferenzklarheit mehr als bei der Verwendung eines Toolkits ohne Feedbackfunktion.

Hypothese 3:
Wird konstruktives Feedback innerhalb eines Toolkits gegeben, erhöht dies die Präferenzklarheit stärker, als wenn dem User ein Mal konstruktives Feedback gemeinsam mit destruktivem Feedback gegeben wird.  

Eine Vielzahl an Studien hat gezeigt, dass Konsumenten/Konsumentinnen bereit sind, für ein selbst gestaltetes Produkt signifikant mehr zu bezahlen als für ein Standardprodukt (Vgl. z. B. Schreier, 2006; Franke und Piller, 2004). Demzufolge sollte auch in diesem Untersuchungskontext bestätigt werden, in wie weit die Verwendung eines Toolkits zu einer höheren Zahlungsbereitschaft beiträgt. 

Hypothese 4: 
Das Selbstdesignen eines Produktes mittels Toolkit bewirkt eine höhere Zahlungsbereitschaft als das Aussuchen eines Produktes aus einem Online-Shop.  

3 Forschungsdesign

Zur Überprüfung der Hypothesen wurde ein umfassendes Experimentalsetting als geeignetes Untersuchungsdesign ausgewählt. 

3.1 Untersuchungsfeld

Als Untersuchungsfeld wurde eine Produktkategorie gewählt, in der die Möglichkeit, ein individualisiertes Produkt mittels Toolkit zu designen, noch relativ neu ist. Damit war es möglich, die potenziellen Toolkit-User, mit einem für sie neuen Design-Problem zu konfrontieren; denn nur, wenn es sich bei den Probanden um echte Novizen in diesem Bereich handelt, kann der Effekt der Toolkit-Anwendung auf die in den Hypothesen angeführte Präferenzklarheit sowie die Zahlungsbereitschaft gezeigt werden.  

Darüber hinaus sollte das Untersuchungsfeld in einer Produktkategorie angesiedelt sein, die den Probanden vertraut ist und bei der davon ausgegangen werden kann, dass Präferenzen bereits ausgebildet sind. Um sicherzustellen, dass die Probanden ausreichend Aufmerksamkeit und Energie in den Produktdesignprozess investieren, sollte der Design-Aspekt eine beträchtliche Rolle bei der Kaufentscheidung spielen und auch eine generelle Affinität des Probanden zum Produkt bestehen.

Unter Berücksichtigung dieser Vorgaben wurde die Produktkategorie Laufschuh ausgewählt; als optimales Online-Toolkit für Laufschuhe wurde die Sportschuh-Design-Plattform auf www.nikeid.com ausgewählt. Dieses Toolkit war sowohl bezüglich des großen Lösungsraums als auch aufgrund der bereits existierenden Starting-Points für die Studie das ideale Untersuchungsfeld. 

3.2 Stichprobe 

Die am Experiment teilnehmenden Personen sollten eine Affinität zu Laufschuhen besitzen und zusätzlich auf das Design der Laufschuhe Wert legen. Die Probanden wurden per E-Mail über den Adress-Verteiler der Wirtschaftsuniversität Wien, sowie durch Aushänge an der Wirtschaftsuniversität Wien rekrutiert. Das Sample setzt sich wie folgt zusammen:

Sample (N = 254)  
Alter  
Minimum 18,0
Maximum 55,0
Mittelwert 24,2
Standardabweichung 5,2
Geschlecht  
Weiblich 51,6 %
Männlich 48,4 %

 Tabelle 1: Beschreibung des Samples  

3.3 Der Untersuchungsablauf 

Das Experiment setzte sich aus drei Phasen zusammen. Das durchgängige Thema war die ideale Gestaltung eines Laufschuhs. Um sicherzustellen, dass die Versuchsteilnehmer im Verlauf des gesamten Experiments auch wirklich ihre idealen Laufschuhe auswählten bzw. gestalteten, wurde ihnen in jeder Phase des Experiments mitgeteilt, dass sie die Möglichkeit hätten, diese Laufschuhe zu gewinnen. Außerdem wurde ihr Zeitaufwand mit zehn Euro vergütet. 

Ablauf des Experiments:

Phase 1: Vorher-Messung  

  • Mündliche Befragung über das Design des idealen Laufschuhs (Präferenzfragen) 

  • Auswahlaufgabe mit Anreiz zum Wechsel (Beeinflussungsversuch durch Interviewer/Cues) 

  • Willingness to Pay – Gebot für selbst-designte Laufschuhe 

  • Toolkit-Fragebogen (Einschätzung von Toolkits) 

Phase 2: Treatment  

  • Abhängig von der Gruppenzuteilung (siehe weiter unten), entweder 
    Alternative Aufgabe
    Shop
    Toolkit mit oder ohne Feedback 

Phase 3: Nachher-Messung 

  • Mündliche Befragung über den idealen Laufschuh (Präferenzfragen) 

  • Auswahlaufgabe mit Anreiz zum Wechsel (Beeinflussungsversuch durch Interviewer/Cues)

  • Willingness to Pay – Veränderung des Gebots

  • Fragebogen über Einflussvariablen im Experiment 

Bei der mündlichen Befragung standen Angaben des Probanden zum Design des idealen Laufschuhs im Mittelpunkt. Bei Präferenzunklarheiten konnten die Probanden auch ihre Unsicherheit zum Ausdruck bringen (Antwortoption: Ich weiß nicht). 

Bei der Auswahlaufgabe wurden dem Probanden Bilder von fünf unterschiedlich gestalteten Laufschuhen vorgelegt, aus denen die Probanden ein Paar auswählen mussten und auch gewinnen konnten. Der Versuchsleiter versuchte gezielt durch nonverbale (Mimik) und verbale Kommunikation (Laute, subektive und/oder objektive Kommentare) die Auswahlentscheidung des Probanden zu beeinflussen, um damit die Existenz bzw. in weiterer Folge die Stabilität der Präferenz zu testen. 

Die Zahlungsbereitschaft (Willingness to Pay) wurde mittels einer Gebotskarte gemessen. Die Probanden erhielten eine Karte, auf der sie ihr Gebot für ihren selbst gestalteten Laufschuh abgeben konnten. Dieser Betrag sollte der maximalen Zahlungsbereitschaft für das eigene Design entsprechen und wäre unter bestimmten Umständen auch zu bezahlen. 

Das Experiment wurde in vier Versuchs- und zwei Kontrollgruppen mit insgesamt 254 Probanden durchgeführt. Die Gruppen wurden entsprechend der Hypothesen gebildet (siehe Tabelle 2). Die Kontrollgruppen waren notwendig, um einerseits zu zeigen, dass ein potentiell gezeigter Effekt nicht auf die Zeit zwischen Vorher- und Nachher-Messung bzw. auf die Messung an sich zurückgeführt werden kann. Die Stichprobe wurde randomisiert auf die sechs Gruppen verteilt.

Bezeichnung Beschreibung
A Kontrollgruppe; ShirtCity-Toolkit
  Versuchsgruppe; Nike-Shop
C Kontrollgruppe; Nike-Toolkit ohne Vorher-Messung
D Versuchsgruppe; Nike-Toolkit
E Versuchsgruppe; Nike-Toolkit mit konstruktivem Feedback
F Versuchsgruppe; Nike-Toolkit mit konstruktivem/destruktivem Feedback

 Tabelle 2: Treatments der verschiedenen Experimentalgruppen  

Der größte Unterschied zwischen den Gruppen bestand im Treatment der Probanden: Die Gruppen mit der Verwendung des Toolkits als Treatment erstellten ihren idealen Laufschuh mittels Nike-Toolkit. Probanden in Gruppen E und F erhielten zusätzlich während des Designprozesses Feedback zu ihrem individuell gestalteten Laufschuh, und hatten die Option ihr Design nach dem Feedback abzuändern. Dieses Feedback, das gegenüber den Probanden als Feedback aus der Nike-Community ausgewiesen wurde, musste während des Designprozesses verpflichtend ein Mal mittels Mausklick eingeholt werden. Das Feedback umfasste wohlüberlegte Kommentare, die darauf abzielten, den Probanden weitere Informationen bezüglich passender Farben und Farbkombinationen zu geben. Konstruktive Kritik bestand aus objektiven Vorschlägen wie z. B. das Hinzufügen bestimmter Kontrastfarben. Destruktive Kritik bemängelte das Design subjektiv ohne Verbesserungsvorschläge. Beim Feedback an die Probanden wurde besonders darauf geachtet, das es adäquat zum individuellen Laufschuh-Design war. Die Probanden in Gruppe E erhielten ausschließlich konstruktives Feedback, die Probanden in Gruppe F waren sowohl konstruktivem als auch destruktivem Feedback ausgesetzt. 

Gruppe A benutzte ein Toolkit für T-Shirts; aufgrund der unterschiedlichen Produktkategorie war die Benutzung dieses Toolkits irrelevant für die Präferenzen für Laufschuhe und diente lediglich zur Kontrolle, ob eventuell auftretende Effekte nicht zufälliger Natur bzw. auf Zeiteffekte zurückzuführen wären. Bei Gruppe C gab es keine Vorher-Messung. Diese Gruppe diente zur Kontrolle, ob die Messung selbst einen Effekt verursacht. Probanden in Gruppe B hatten die Möglichkeit, im Nike Shop einen bereits fertigen, nicht individuell gestalteten Laufschuh auszuwählen.  

Die Online-Fragebögen zum Ende des Experiments beinhalteten die eigene Einschätzung im Umgang mit Toolkits, sowie Angaben zur individuellen Design- und Modeaffinität, Kreativität, Konformität, Computerkenntnissen, Einschätzung des Feedbacks, Zufriedenheit mit dem Design und den Designmöglichkeiten, Einschätzung der eigenen Präferenzen sowie demografische Fragen. 

3.3 Operationalisierung 

Bei den Präferenzfragen wurden bei der Vorher- und Nachher-Messung jeweils vier (randomisierte) Fragen gestellt. Als Maß für die Variable Präferenzklarheit wurde die Anzahl der konkreten Antworten auf diese Fragen gezählt (im Vergleich zur Antwort, die Präferenzunklarheit ausdrückt – „ich weiß nicht“). Die Zahlungsbereitschaft wurde als das Gebot für einen selbstdesignten Schuh operationalisiert. 

4 Ergebnisse

Die folgende Tabelle soll einen ersten Überblick über die Untersuchungsergebnisse geben und zeigen, wie sich die Mittelwerte der unterschiedlichen Gruppen zwischen der Vorher-Messung und der Nachher-Messung der Präferenzklarheit verändert haben. Je höher die Werte sind, desto größer war die Präferenzklarheit zu diesem Zeitpunkt.

Gruppe Präferenzklarheit vorher Präferenzklarheit, nachher
A: ShirtCity 3,4828 3,4828
B: Nike Shop 3,6600 3,7800
C: keine Vorher-Messung + Toolkit --------- 3,9032
D: nur Toolkit 3,3125 3,7917
E: Toolkit + konstruktives Feedback 3,5660 3,9321
F: Toolkit + konstruktives und destruktives Feedback 3,1860 3,8605

 Tabelle 3: Mittelwerte der Gruppen bei der Vorher- und Nachher-Messung der Präferenzklarheit, operationalisiert als konkrete Antworten auf die Präferenzfragen  

Die ersten drei Hypothesen befassen sich mit der Entstehung von Präferenzklarheit durch die Verwendung eines Toolkits. 

Hypothese 1: Beim Selbstdesignen eines Produktes mittels Toolkit erhöht sich die Präferenzklarheit mehr als beim Aussuchen eines Produktes aus einem Shop. 

Um die Hypothese H1 zu überprüfen, wurde die „Anzahl an konkreten Antworten auf die Präferenzfragen vorher/nachher“ über fünf Treatment-Gruppen analysiert (ohne Gruppe C, da diese Gruppe keine Vorher-Messung der Präferenz hatte).  

Die Ergebnisse der ANOVA zeigen, dass die höchste Steigerung der Anzahl der konkreten Antworten bei der Nachher-Messung im Vergleich zur Vorher-Messung bei den Toolkitgruppen D, E und F erfolgt ist. Dieses Ergebnis ist höchst signifikant (p < 0,001):

Gruppe Anzahl an Probanden Präferenzdifferenz[1]
Differenz der Mittelwerte
A: ShirtCity 29 0,0000
B: Nike Shop 50 0,1200
D: nur Toolkit 48 0,4792
E: Toolkit + konstruktives Feedback 52 0,3654
F: Toolkit + konstruktives und destruktives Feedback 43 0,6744
insgesamt p<0,001[2] [F=5,549]

1 = 4 Präferenzfragen vorher, 4 Präferenzfragen nachher; nachher - vorher 

2 = ANOVA 

Tabelle 4: Ergebnisse „Einfluss der Gruppe auf die Präferenzdifferenz“

Zur weiteren Analyse für diese und die Hypothesen 2 und 3 wurden paarweise Vergleiche herangezogen. Diese zeigen ein hoch signifikantes Ergebnis beim Mittelwertvergleich zwischen der Toolkitgruppe D und den beiden alternativen Treatmentgruppen A und B. Gruppe D weist hier im Vergleich zu den beiden anderen betrachteten Gruppen jeweils eine positive Differenz der Mittelwerte auf:

Gruppe Vergleichsgruppe Mittelwertdifferenz Signifikanz  
 
D: nur Toolkit A: ShirtCity + 0,479 0,005  
B: Nike Shop + 0,359 0,014  

Tabelle 5: Gruppenvergleiche auf signifikante Mittelwertunterschiede der Präferenzdifferenz der Gruppe D mit den Gruppen A und B.  

Damit kann die Hypothese H1 als vorläufig bestätigt angesehen werden: Die Verwendung von Toolkits erhöht tatsächlich die Präferenzklarheit.

Die beiden folgenden Hypothesen beleuchten den Einfluss des Faktors Feedback auf die Präferenzklarheit. 

Hypothese 2: Wird den Usern bei der Verwendung eines Toolkits Feedback gegeben, erhöht sich ihre Präferenzklarheit mehr, als bei der Verwendung eines Toolkits ohne Feedbackfunktion. 

Hypothese 3: Wird konstruktives Feedback innerhalb eines Toolkits gegeben, erhöht dies die Präferenzklarheit stärker, als wenn dem User ein Mal konstruktives Feedback gemeinsam mit destruktiven Feedback gegeben wird.

Um die Hypothesen H2 und H3 zu überprüfen, wurde die Präferenzdifferenz der „Anzahl an konkreten Antworten auf die Präferenzfragen vorher/nachher“ über drei Toolkit-Gruppen verglichen:   

Gruppe Vergleichsgruppe Mittelwertdifferenz Signifikanz  
 
D: nur Toolkit E: Konstr. Feedback + 0,114 0,431  
F: Konstr./Destr. Feedback - 0,195 0,198  
F: Konstr./Destr. Feedback D: Nur Toolkit + 0,195 0,198  
E: Konstr. Feedback + 0,309 0,039  

Tabelle 6: Gruppenvergleiche auf signifikante Mittelwertunterschiede der Präferenzdifferenz

Wie man obiger Tabelle entnehmen kann, sind die Unterschiede zwischen den Gruppen D und E bzw. D und F nicht signifikant. Die Probanden der Gruppe F (Toolkitbenutzung + konstruktives und destruktives Feedback) konnten im Vergleich zu den Vergleichsgruppen die höchste Präferenzdifferenz zwischen der Vorher- & Nachher-Messung erreichen. Der Faktor Feedback hatte somit keinen einheitlich signifikanten Einfluss auf die Präferenzklarheit. Daher kann die Hypothese 2 in Bezug auf nur konstruktives Feedback vorläufig verworfen, in Hinblick auf 1x konstruktives Feedback gemeinsam mit 1x destruktivem Feedback hingegen vorläufig bestätigt werden.  

Es gibt nur einen signifikanten Unterschied zwischen den Gruppen E und F (p<0,05), wie der obigen Tabelle zu entnehmen ist, jedoch ist dieser anders ausgeprägt als im Vorhinein vermutet wurde. Die Probanden der Gruppe E (mit konstruktivem Feedback) haben durch dieses Feedback weniger klarer Präferenzen als die Gruppe F (mit zusätzlichem destruktivem Feedback) und als die Gruppe D (ohne Feedback). Die Hypothese H3 muss somit verworfen werden, da die Gruppe F eine höhere Präferenzdifferenz erzielte als die Gruppe E. 

Die 4. Forschungshypothese befasst sich mit dem Zusammenhang zwischen der Verwendung eines Toolkits und der Zahlungsbereitschaft der User. Es wurde untersucht, inwieweit jene User, die ein Toolkit verwendet haben, eine höhere Zahlungsbereitschaft für das selbstdesignte Produkte aufweisen als jene User, die im Rahmen des Experiments ein vorgefertigtes Produkt aus dem Nike-Online-Shop ausgewählt haben. 

Hypothese 4: Das Selbstdesignen eines Produktes mittels Toolkit bewirkt eine höhere Zahlungsbereitschaft als das Aussuchen eines Produktes aus einem Online-Shop. 

Um die Hypothese H4 zu überprüfen, wurde die Differenz der Willingness to pay im Vorher-/ Nachhervergleich über fünf Treatment-Gruppen analysiert (ohne Gruppe C, da bei dieser Gruppe kein Gebot vor der Toolkitbenutzung abgegeben wurde). Die Ergebnisse sind auch bei den Mittelwertdifferenzen der Zahlungsbereitschaft signifikant (p < 0,05):

Gruppe Anzahl an Probanden Willingness to pay - Differenz [3]
Differenz der Mittelwerte
 
A: ShirtCity 29 0,0000  
B: Nike Shop 50 2,3600  
D: nur Toolkit 48 8,5000  
E: Toolkit + konstruktives Feedback 52 7,4830  
F: Toolkit + konstruktives und destruktives Feedback 43 4,7209  
     
insgesamt p<0,05[4] [F=3,289]  

3 = Gebot nachher – Gebot vorher; in absoluten Zahlen

4 = ANOVA 

Tabelle 7: Ergebnisse „Einfluss der Gruppe auf die Willingness to pay-Differenz“  

Auch der paarweise Vergleich zeigt ein hoch signifikantes Ergebnis beim Mittelwertvergleich zwischen der Gruppe D und den Gruppen A und B auf. Gruppe D weist hier im Vergleich zu den anderen betrachteten Gruppen die höchste positive Veränderung der Mittelwerte auf:

Gruppe Vergleichsgruppe Mittelwertdifferenz Signifikanz  
 
D: nur Toolkit A: ShirtCity + 8,500 0,004  
B: Nike Shop + 6,140 0,014  
E: Konstr. Feedback + 1,017 0,679  
F: Konstr./Destr. Feedback + 3,779 0,145  

Tabelle 4: Gruppenvergleiche auf signifikante Mittelwertunterschiede der Differenz der Zahlungsbereitschaften für einen selbstdesignten Laufschuh zwischen Vorher- und Nachher-Messung  

Damit kann die Hypothese H4 als vorläufig bestätigt angesehen werden: Das Selbst-Designen eines Produktes mittels eines Toolkits erhöht die Zahlungsbereitschaft der User. 

5 Zusammenfassung der Untersuchungsergebnisse 

Die Ergebnisse der vorliegenden Untersuchung zeigen, dass die Verwendung von Toolkits zur Präferenzklarheit beitragen kann. Simonsons implizite Annahme, dass dies nicht geschieht, kann somit stark in Zweifel gezogen werden. Toolkits nutzen auch Kunden/Kundinnen, die noch keine klaren Präferenzen haben. Diese lernen durch das Toolkit ihre Präferenzen kennen und erstellen gleichzeitig ein Produkt, das diesen Präferenzen entspricht. 

Die Ergebnisse in Bezug auf das Feedback sind weniger eindeutig. Dass Feedback innerhalb eines Toolkits generell zu klareren Präferenzen führt, konnte nicht bestätigt werden. Überraschend war allerdings das Ergebnis, dass konstruktives und destruktives Feedback gemeinsam zu klareren Präferenzen führt, als wenn nur konstruktives Feedback gegeben wird. Eine mögliche Erklärung dafür könnte sein, dass das destruktive Feedback die Kunden/Kundinnen aufrüttelt und sie zu einer nochmaligen Reflexion (und damit Festigung) ihrer Präferenzen angeregt werden. Die Zahlungsbereitschaft war bei der Benutzung eines Toolkits erwartungsgemäß höher als bei der Benutzung eines Online-Shops. 

6 Restriktionen und weitere Forschung 

Die Ergebnisse der durchgeführten Untersuchung dürfen nicht vorbehaltlos für Toolkits generalisiert werden. Als wichtigste Restriktion sollte beachtet werden, dass diese Studie im Speziellen die Auswirkungen von Designtoolkits für Laufschuhe auf die Präferenzbildung bzw. -einsicht untersucht hat und daher eine Übertragbarkeit der Ergebnisse auf funktionale Toolkits nicht ohne weiteres unterstellt werden kann. Es liegt jedoch nahe, auch dort von einem ähnlich gearteten Zusammenhang auszugehen; ein interessanter Anknüpfungspunkt für zukünftige Forschungsprojekte. 

Ausgehend vom subjektiven Empfinden der Versuchleiter konnten kleinere Schwächen am Untersuchungsdesign ausgemacht werden. Eine zusätzliche Frage nach dem tatsächlichen Bedarf an neuen Sportschuhen ist nicht gestellt worden. Insbesondere im Hinblick auf die Willingness-to-pay konnte es aufgrund des fehlenden Bedarfs zu einer Senkung der absoluten Gebotshöhe kommen (oft wurde einfach „null“ geboten). Die große Anzahl an Versuchsleitern und die große Anzahl an mündlich gestellten Fragen können zudem einen kleinen, nicht-quantifizierbaren verzerrenden Einfluss der Interviewer bewirkt haben. Bei der Frage nach dem Einfluss des Feedbacks auf die Präferenzen konnte die Äquivalenz des Feedbacks nicht zur Gänze gewährleistet werden, da bei manchen Designs ein adäquates konstruktives bzw. destruktives Feedback kaum möglich war. 

Ein weiterer interessanter Punkt für zukünftige Forschung stellt das überraschende Ergebnis in Bezug auf Feedback dar. Zukünftige Forschungsprojekte könnten hier anknüpfen und untersuchen, inwieweit destruktives Feedback (evtl. nur in Zusammenhang mit konstruktivem Feedback) tatsächlich einen positiven Einfluss auf die Präferenzklarheit hat oder ob es sich dabei um einen zufälligen Effekt in der vorliegenden Studie handelte. 

Die vorliegenden Ergebnisse sollten daher durch Studien in ähnlichen Branchen, vor allem auch mit Toolkits, bei denen der funktionale Aspekt im Zentrum steht, untermauert bzw. ergänzt werden, um dadurch eine valide Grundlage für Handlungsempfehlungen für die Wirtschaftspraxis zu erhalten.

Student Team 

  • Jen-Yie Chen
    Elisabeth Ettel
    Anna-Maria Garbowicz
    Elisabeth Goldermann
    Isabella Hidalgo Schindzelors
    Tatiana Karseka
    Bettina Lahoda
    Katharina Pernkopf
    Yanyan Ren-Qiu
    Thomas Schmid
    Friederike Seiler
    Martin Strak
    Claudia Michaela Tomisek
    Sandra Trinko
    Silvia Zahradnik