Vorlesen

Innovation durch Crowdsourcing?

Wintersemester 2009/2010 

Executive Summary 

1. Zusammenfassung 

Zahlreiche empirische Studien belegen die hohe Innovationskraft von Usern und verweisen darüber hinaus auf das Potential, Internet-Communities erfolgreich in den Innovationsprozess zu integrieren. Darüber, wie solche online-basierten Plattformen optimal gestaltet werden können, gibt es jedoch wenige empirische Erkenntnisse. Die Bedeutung der Masse im Innovationsprozess, bekannt unter dem Begriff „Crowdsourcing“, ist Thema dieses Forschungsprojektes. Dabei stehen Erfolgsvariablen, um die „kollektive Intelligenz“ der crowd optimal zu nutzen, im Zentrum der Erhebung. Basierend auf einer explorativen Literaturrecherche, Experteninterviews und einem Online-Experiment, der iChallenge, sollen Aussagen über die neun identifizierten möglichen Einflussvariablen (z.B.: Motivation, Interaktion, Kreativität, etc.) getroffen werden, woraus sich Empfehlungen für die Architektur zukünftiger Crowdsourcing Plattformen ableiten lassen.

2. Theoretischer Hintergrund 

Online Ideenwettbewerbe und Crowdsourcing- Plattformen sind eine erfolgsversprechende Möglichkeit, um User in den Innovationsprozsess zu integrieren. (Prügl & Schreier 2006; von Hippel 2001; Thomke & von Hippel 2002; von Hippel & Katz 2002; Franke & Piller 2004; Piller & Walcher 2006).  

Die hohe praktische Relevanz von Crowdsourcing ist an zahlreichen Erfolgsbeispielen wie iStockphoto, Atizo oder Innocentive ersichtlich, wobei Art und Umsetzung der Geschäftsmodelle stark variieren. Diese Beispiele zeigen, dass man die Ideenqualität bei gleichzeitiger Senkung von Kosten- und Zeiteinsatz steigern kann (Piller & Walcher 2006; Howe 2008). Die Forschungsfrage der Untersuchung lautete:  

„Welche Einflussvariablen sind für Ideenqualität bei Crowdsourcing entscheidend?“  

In vorliegendem Setting verstehen wir unter „Crowdsourcing“ einen offenen Aufruf an eine breite, undefinierte Masse von Personen (Howe 2006; Tapscott & Williams 2008), der an die kollektive Intelligenz, „wisdom of the crowd“ (Surowiecki 2004) appellieren soll. Um herauszufinden, ob die Crowd tatsächlich mit Forschungs- und Entwicklungsabteilungen oder Experten an Effizienz mithalten oder diese gar übertreffen kann, gingen wir möglichen Erklärungsvariablen für den Erfolg von Crowdsourcing, welcher durch hohe Ideenqualität definiert wird, auf den Grund.  

Mittels Experteninterviews, sowie auf Basis von Sekundärliteratur identifizierten wir Erfolgsfaktoren, die im Anschluss im Rahmen eines Online-Experiments, dem webbasierten Ideenwettbewerb, „iChallenge“, empirisch getestet wurden.  

Folgende Erfolgsvariablen zeichneten sich aufgrund der Exploration ab:  

  • Motivation
    Der Einfluss von Motivation auf die Ideenqualität wird in der Literatur als entscheidend erachtet (Lakhani & Boudreau 2009). Dabei werden verschiedene Motivationsarten wie extrinsiche und intrinsische in unserem Projekt unterschieden.  

  • Interaktion
    Zahlreiche Forschungen belegen den positiven Einfluss von Interaktion und Kommunikation auf die Ideenentwicklung. Die Möglichkeit, sich während der Entwicklung von Ideen auszutauschen, beeinflusst deren Qualität maßgeblich (Franke, Keinz & Schreier 2006; Füller, Jawecki & Mühlbacher 2007; Pisano & Verganti 2008).  

  • Formulierung der Aufgabenstellung
    Der Wortlaut der Aufgabenstellung hat Experten zufolge Auswirkungen auf die Qualität der eingereichten Ideen (Ebner, Leimeister & Krcmar 2009). Gestaltet sich die Formulierung allgemein-generisch, bietet sie dem Teilnehmenden einen breiteren gedanklichen Freiraum bei der Lösungsfindung als eine spezifisch formulierte Angabe, da diese den Lösungsraum einschränkt.

  • Position im sozialen Netzwerk
    Die Stellung des Teilnehmenden im sozialen Netzwerk hat Auswirkungen auf deren Ideen. Zwei von diesen werden im Experiment genauer betrachtet und ihre Auswirkungen auf die Qualität der entwickelten Idee untersucht: „Brückenbauer“ (Bindeglied zwischen sozialen Gruppen) und „Gruppenzentrum“ (Mittelpunkt einer sozialen Gruppe).

  • Kreativität
    Oft erfordern Aufgabenstellungen ein hohes Maß an divergentem Denken, welches nach Kreativität verlangt. Folglich wird ein Zusammenhang zwischen der Kreativität einer Person und der Qualität ihrer entwickelten Idee vermutet. (Hirschman 1967).

  • Diversität
    Hier stellt sich die Frage, ob eine heterogene Gruppe, bestehend aus Teilnehmenden mit unterschiedlichem Hintergrund, Ideen höherer Qualität liefert als eine Gruppe geringer Diversität (Brabham 2008; Surowiecki 2004). Gerade in Zusammenhang mit Teamarbeit ist diese Thematik vieldiskutiert und weist somit auch für unser Crowdsourcing-Projekt große Relevanz auf.

  • Wissen aus dem Zielmarkt und analogen Märkten
    Problemlösungskompetenz erfordert einerseits Wissen aus dem Zielmarkt, aber andererseits auch aus analogen Bereichen (Grentner 1993). Inwiefern dieses Wissen tatsächlich Einfluss auf die Ideenqualität hat und im konkreten Fall abgerufen wird, wurde mit diesen Einflussvariablen überprüft.

  • Gruppengröße
    In der Literatur wird mehrfach auf den Zusammenhang von Größe einer Community mit der Qualität der Ideen hingewiesen. Um Ideen zu generieren, sollen einerseits kleine Teams gebildet werden (Pisano & Verganti 2008). Nach dem Gesetz von Linus jedoch (Raymond 1999), ist das Ergebnis umso besser, je größer eine Community ist.  

3. Forschungsfrage und Hypothesen 

Auf Basis der in der Recherche identifizierten Variablen lassen sich neun Hypothesen zu unserer Forschungsfrage „Welche Einflussvariablen sind für Ideenqualität bei Crowdsourcing entscheidend?“ ableiten:  

  • H1: Die Ideenqualität steigt in Abhängigkeit vom Motivationslevel des Teilnehmenden.  

  • H2: Die Ideenqualität steigt bei Interaktion der Teilnehmenden.  

  • H3: Die Ideenqualität ist bei spezifischer Formulierung der Aufgabenstellung höher als bei generischer.  

  • H4a: Die Ideenqualität steigt, je zentraler die Position des Teilnehmenden im Gruppenzentrum ist.  

  • H4b: Die Ideenqualität steigt, je stärker die Rolle des Teilnehmenden als Brückenbauer zwischen sozialen Netzwerken ist.  

  • H5: Die Ideenqualität steigt in Abhängigkeit von der Kreativität des Teilnehmenden.  

  • H6: Die Ideenqualität steigt in Abhängigkeit von der Diversität des Teilnehmenden.  

  • H7a: Die Ideenqualität steigt in Abhängigkeit vom Wissen des Teilnehmenden aus dem Zielmarkt.  

  • H7b: Die Ideenqualität steigt in Abhängigkeit von der Leaduserness des Teilnehmenden.

  • H8: Die Ideenqualität steigt in Abhängigkeit vom Wissen des Teilnehmenden aus analogen Bereichen.

  • H9: Die Ideenqualität steigt in Abhängigkeit von der absoluten Gruppengröße.

[Abb. 1 vgl. unten]
Abb. I: Hypothesensystem 

4. Methodik 

Das Forschungsprojekt teilt sich in 4 Phasen (siehe Abb. 2). Nach Überprüfung der Relevanz in der Explorationsphase, in welcher die wichtigsten Aspekte herausgearbeitet wurden, wurden die bereits aufgezählten Hypothesen formuliert. Um diese zu testen, galt es, ein geeignetes Experimentaldesign zu entwickeln. Ein Pretest diente zur Überprüfung der Konzeption und half, technische Fehler im Vorfeld zu identifizieren.  

[Abb. 2 vgl. unten]
Abb. II: Forschungsanordnung 

Die Teilnehmenden (n=2599) für die Haupterhebung wurden über zahlreiche Kanäle im D-A-CH-Raum angesprochen. Die Aufgabenstellung lautete: „Die iChallenge: Ihre Idee für eine neue App. Wir suchen eine neuartige und innovative Idee für eine praktische App für den Alltag. Diese sollte für möglichst viele Nutzer interessant sein. Beschreiben Sie Ihre Idee möglichst präzise in max. 1000 Zeichen!“ Der Ablauf des Experiments ist in nachstehender Grafik dargestellt: 

[Abb. 3 vgl. unten]
Abb. III: Grafik Ablauf des Experiments 

Die Teilnehmenden wurden unterschiedlichen Treatments ausgesetzt (Taskformulierung, Motivation, Interaktion). Dabei wurde einem Teil der Probanden eine spezifische, einem anderen Teil eine generische Aufgabenbeschreibung vorgelegt. Innerhalb der Gruppen wurden manche Teilnehmende intrinsisch, durch die Einspielung eines Videos, und andere durch einen Textbaustein extrinsisch motiviert. Weiters nahmen wir eine Aufteilung in Solisten und Interaktions-Gruppen vor. In den Interaktionsgruppen konnten sich die Teilnehmenden in einem Chatfenster (siehe Abb. 4) Feedback zu ihren Ideen geben. Die Verteilung der Teilnehmenden innerhalb der Treatments ist aus Tabelle 1 ersichtlich.

Stimulus  erfolgt  nicht erfolgt
Taskformulierung Spezifisch  552 572
Intrinsische Motivation (Video) 582 542
Extrinsische Motivation (Text) 545 579
Interaktion 98 1026

 Tab. I: Treatmentverteilung 

Um die Wirkungen der unterschiedlichen Treatments zu überprüfen, wurden im Anschluss allen Teilnehmenden Kontrollfragen gestellt. Der abschließende Fragebogen gab Aufschluss über die Position im sozialen Netzwerk, Kreativität, Diversität, Wissen aus dem Zielmarkt und Wissen aus analogen Märkten. Die abhängige Variable „Ideenqualität“ befindet sich zurzeit in der Evaluierungsphase. Sämtliche eingereichten Ideen werden einerseits von Usern (n=400), andererseits auch von einem ausgewählten Expertenpanel bewertet (n=12).    

5. Ergebnisse  

Aufgrund der noch nicht abgeschlossenen Bewertungsphase können hier nur vorläufige Ergebnisse, basierend auf der zurzeit verfügbaren Bewertung präsentiert werden. Im Rahmen der vorläufigen Analyse wurden OLS-Regressionen sowie Mittelwertvergleiche (T-Tests) durchgeführt. Abb. 5 fasst die Ergebnisse der vorläufigen Analyse zusammen:

[Abb. 5 vgl. unten]
Abb. 5 Hypothesentests
(** p<0,01, * p<0,05, two-tailed test) 

H1: konnte aufgrund des negativen Manipulation-Checks nicht getestet werden. Der Manipulation Check hat bei beiden Motivationen keine Unterschiede ergeben. Durch die Ankündigung wurde bereits ein hohes Maß an extrinsischer Motivation gegeben (Preise im Wert von € 50.000,-). Möglicherweise wurden zusätzlich gesetzte Anreize (kommerzielle Umsetzung durch Apple) nicht mehr entsprechend wahrgenommen. 

H2: Wie in der Hypothese angenommen, hat Interaktion bei der Ideenfindung einen
positiven Einfluss (ß=0,098; p<0,05, twotailed test) auf die Ideenqualität und somit
konnte die Hypothese H2 vorläufig bestätigt werden.

Mittelwert Nein  2,1548
Mittlewert Ja  2,2561
t-Value  -3,6404
p-Value *** 0,0001
   p<0,01 (two-tailed test)

Tab. II: Mittelwertsvergleich H2 

H3: Mit den bisher vorliegenden Bewertungen lässt sich noch kein signifikanter Einfluss der Taskformulierung auf die Ideenqualität feststellen.

Mittelwert Nein 2,1502
Mittlewert Ja 2,1776
 t-Value -1,0612
 p-Value 0,2888
   p<0,05 (two-tailed test)

Tab. III: Mittelwertsvergleich H3 

H4: Der Einfluss der Position von Teilnehmenden im sozialen Netzwerk auf die Ideenqualität konnte mit vorläufigen Daten nicht nachgewiesen werden. 

H5: Der Einfluss von Kreativität auf die Ideenqualität konnte mit den vorliegenden Daten nicht belegt werden.

 Koeffizient  0,008
 R² (R² adjusted)  0,003 (0,002)
 F-Value  3,635
 p-Value  0,056
  p<0,05 (two-tailed test)

Tab. IV: OLS Regressionsergebnisse H5
H6: Die Diversität konnte mit den vorliegenden Daten noch nicht getestet werden, da
die Bewertung erst abgeschlossen werden muss. 


H7a: Das Zielmarktwissen von Teilnehmenden hat keinen signifikanten Einfluss auf die Ideenqualität.

 Koeffizient  0,0000
 R² (R² adjusted)  0,000 (0,000)
 F-Value  0,037
 p-Value  0,846
   p<0,05 (two-tailed test)

Tab. V: OLS Regressionsergebnisse H7a 

H7b: Weiters konnte mit den vorliegenden Daten kein Einfluss von Leaduserness auf die Ideenqualität nachgewiesen werden.

 Koeffizient  0,001
 R² (R² adjusted)  0,000 (0,000)
 F-Value  0,734
 p-Value  0,392
   p<0,05 (two-tailed test)

Tab. VI: OLS Regressionsergebnisse H7b 

H8: Hingegen ergab der Hypothesentest zum Einfluss analogen Wissens auf die Ideenqualität einen hochsignifikanten Einfluss (ß=0,015; p<0,01, two-tailed test).

 Koeffizient  0,015
 R² (R² adjusted)  0,009 (0,008)
 F-Value  10,2
 p-Value  0,001
   p<0,05 (two-tailed test)

Tab. VII: OLS Regressionsergebnisse H8 

Tabelle 8 fasst die vorläufigen Ergebnisse der OLS-Regression aller Hypothesen (H2 bis H8) zusammen, bei der derzeit 5 von 12 Expertenbewertungen vorliegen:

     Signifikanz
 Konstante  2.000  *** 0,000
 H2 Interaktion  0,098  * 0,031
 H3 Taskformulierung  0,032  0,214
 H4a Netzwerkpos. Zentrum  0,000  0,966
 H4b Netzwerkpos. Brückenb.  0,010  0,424
 H5 Kreativität  0,006  0,170
 H7a Zielmarktwissen  0,003  0,512
 H7b Leaduser  0,000  0,845
 H8 Analoge Märkte  0,015  ** 0,003
 R² (R² adjusted)  0,017 (0,009)  
 F-Value  2,189  

Tab. VIII: OLS Regressionsergebnisse H2–H8 

6. Diskussion und Limitationen 

Zunächst sei darauf hingewiesen, dass die vorliegenden Ergebnisse lediglich auf den bisher zur Verfügung stehenden Daten aufbauen. Die endgültigen Ergebnisse werden erst mit vollständiger Auswertung der Haupterhebung zur Verfügung stehen.
Zudem ergeben sich Einschränkungen aus dem bewusst sehr umfassend gesetzten
Forschungsdesign. Um die noch sehr junge Forschung in diesem Bereich voranzutreiben, wurde ein breiter Ansatz gewählt, bei dem möglichst viele Variablen untersucht werden konnten. 

7. Implikationen 

Die bis dato vorliegenden Ergebnisse zeigen, dass zunächst zwei der ursprünglich neun vermuteten Variablen tatsächlich einen positiven Einfluss auf den Erfolg von Crowdsourcing-Projekten zu haben scheinen. Einerseits ist dies die Interaktion zwischen den Usern und andererseits der Transfer analogen Wissens auf die Problemstellung. 

Community-Mitgliedern sollte folglich die Möglichkeit zur Interaktion und damit zum
Austausch über ihre Ideen gegeben werden. Dies kann durch Foren, Chatrooms oder andere Medien zur raschen Kommunikation erreicht werden. Durch gezielte Maßnahmen, z.B. der Involvierung von Usern aus völlig anderen Themen-, Forschungs- und Wissensbereichen, sollte auch dieser identifizierte Erfolgsfaktor Beachtung finden. 

8. Literaturverzeichnis 

  • Brabham, D.C. (2008): „Crowdsourcing as a model for problem solving: An introduction and cases“, Convergence: The International Journal of Research into New Media Technologies 14 (1), 75 – 90. 

  • „Communities“, Journal of Business Research, 30, 60 – 71. 

  • Ebner, W., Leimeister, J. & Krcmar, H. (2009): „Community engineering for innovations: the ideas competition as a method to nurture a virtual community for innovations“, R&D Management 39 (4), 342 – 356. 

  • Franke, N. & Piller, F. (2004): „Value Creation by Toolkits for User Innovation and Design: The Case of the Watch Market“, Journal of Product Innovation Management 21 (6), 401 – 415.

  • Franke, N., Keinz, P. & Schreier, M. (2008): „Complementing Mass Customization
    Toolkits with User Communities: How Peer Input Improves Customer Self-Design“,
    Journal of Product Innovation Management 25 (6), 546 – 559.

  • Füller, J., Jawecki, G. & Mühlbacher, H. (2007): „Innovation creation by online
    basketball Hirschman, A. O. (1967) Development Projects Observed. Washington, D.C.: The Bookings Institution.

  • Howe, J. (2006): „The Rise of Crowdsourcing“. Wired Magazine 14 (6). 

  • Lakhani, K. & Boudreau, K. (2009): „How to Manage Outside Innovation“, MIT Sloan
    Management Review 50 (4), 69 – 76.

  • Morrison, P., Roberts, J. & Midgley, D. (2004): „The nature of lead users and measurement of leading edge status“, Research Policy 33 (2), 351 – 362.

  • Morrison, P., Roberts, J. & von Hippel, E. (2000): „Determinants of user innovation
    and innovation sharing in a local market“, Management Science 46 (12), 1513 – 1527.

  • Piller, F. & Walcher, D. (2006): „Toolkits for idea competitions: a novel method to integrate users in new product development“, Research and Development Management 36 (3), 307 – 318.

  • Pisano, G & Verganti, R. (2008): „Which Kind of Collaboration Is Right for You?“, Harvard Business Review 86 (12), 78 – 86.

  • Prügl, R. & Schreier, M. (2006): „Learning from leading-edge customers at The
    Sims: Opening up the innovation process using toolkits“, R&D Management 36 (3),
    237 – 250.

  • Surowiecki, J. (2005): „The Wisdom of Crowds“, USA: Anchor Books.

  • Tapscott, D. & Williams, A. D. (2008): „Wikinomics: How Mass Collaboration Changes
    Everything“, USA: Penguin Group.

  • Thomke, S. & von Hippel, E. (2002): „Customers as Innovators. A New Way to Create Value“, Harvard Business Review 80 (4), 74 – 81.

  • Vallerand, R. J. (2000): „Deci and Ryan‘s Self-Determination theory: A View From the
    Hierarchical Model of Intrinsic and Extrinsic Motivation.“, Psychological Inquiry 11 (4),
    312 – 318.

  • von Hippel, E. & Katz, R. (2002): „Shifting innovation to users via toolkits“, Management Science 48 (7), 821 – 833.

  • von Hippel, E. (2001): „PERSPECTIVE: User toolkits for innovation“, Journal of Product Innovation Management 18 (4), 247 – 257. 

Student Team 

  • Aida Alagic
    Alexander Duggleby
    Stefan Glanz
    Sebastian Hildebrandt
    Andreas Kardinal
    Konstanze Kroiss
    Andreas Reisinger
    Christine Spernbauer
    Thomas Stöckl
    David Szwarc
    Manuel Zingl

Anhang: Abbildungen

Abbildung 1

Abbildung 2

Abbildung 3

Abbildung 4

Abbildung 5

Abbildung 6