Masterarbeit, 2020
100 Seiten, Note: 1,0
Abbildungsverzeichnis
Tabellenverzeichnis
Abkürzungsverzeichnis
1 Smart Speaker: Eine technologische Revolution für den Einkauf
2 Die Ära der Sprachbenutzeroberfläche: Sprechen statt Tippen
2.1 Die Evolution der sprachgesteuerten Nutzerschnittstelle
2.2 Smart Speaker als intelligente persönliche Assistenten
2.3 Conversational Commerce – Einkaufen per Sprachbefehl
3 Die Entwicklung eines Modells zur Betrachtung der Resistenz von sprachbasiertem Einkaufen
3.1 Resistenz gegenüber Innovationen
3.1.1 Abgrenzung der Resistenz gegenüber der Innovationsübernahme
3.1.2 Widerstandsbarrieren als Gründe der Resistenz
3.1.3 Dimensionen und Formen der Resistenz
3.2 Skepsis als Vorläufer der Resistenz
3.3 Faktoren, welche die Skepsis respektive der Resistenz beeinflussen
3.3.1 Produktbezogene Barrieren
3.3.2 Personenbezogene Barrieren
3.3.3 Skepsis gegenüber Smart Speakern
4 Empirische Untersuchung der Resistenz von Smart Speakern zur Nutzung für den Online-Einkauf
4.1 Untersuchungsdesign
4.1.1 Datenerhebung
4.1.2 Fragebogenkonzeption
4.1.3 Tools und Analyseverfahren
4.2 Datenanalyse und Ergebnisse
4.2.1 Deskriptive Statistik der Stichprobe
4.2.2 Gütebeurteilung der Messmodelle
4.2.3 Evaluation des Strukturmodells
5 Schlussteil
5.1 Zusammenfassung und Diskussion der Ergebnisse
5.2 Implikationen für Theorie und unternehmerische Praxis
5.2.1 Theoretische Implikationen
5.2.2 Implikationen für die unternehmerische Praxis
5.3 Limitationen und weitere Forschung
Anhang
Quellenverzeichnis
Das Ziel dieser Forschungsarbeit ist es, den Widerstand der Verbraucher gegen die Nutzung von Smart Speakern für den Online-Einkauf zu verstehen. Zu diesem Zweck wird das Konstrukt der Skepsis als vorgelagerte Haltung der Resistenz in das konzeptuelle Rahmenwerk der Widerstandsbarrieren von Ram und Sheth (1989) integriert. Zur Erklärung derjenigen Faktoren, welche das negative Urteilsergebnis gegenüber der Technologie verursachen wurde eine Online-Umfrage mit deutschen Konsumenten (n=268) durchgeführt. Die erhobenen Daten wurden mithilfe der Strukturgleichungsanalyse in SmartPLS geschätzt. Die Ergebnisse zeigen, dass die Skepsis einen starken Einfluss auf die Resistenz ausübt und die Faktoren Leistungserwartung, Datenschutz- und Sicherheitsbedenken sowie die individuelle Trägheit diese signifikant über die Skepsis beeinflussen.
The purpose of this research is to understand consumer resistance to the use of smart speakers for online shopping. To this end, this thesis will discuss how the theoretical basis of resistance barriers discovered by Ram and Sheth (1989) influence skepticism and how that correlates to the initiation of resistance by the consumer. In order to explain what causes the negative assessment of the technology, an online survey of German consumers (n=268) was conducted. The collected data was then estimated using structural equation analysis in SmartPLS. The results show that skepticism exerts a strong influence on resistance and that the factors performance expectancy, privacy and security concerns, as well as inertia significantly influence resistance due to skepticism.
Abbildung 1: Vereinfachte Darstellung der Funktionsweise von Smart Speakern
Abbildung 2: Einordnung der Resistenz in den Innovation-Decision-Prozess nach Rogers (2003)
Abbildung 3: Quellen des passiven Innovationswiderstandes
Abbildung 4: Quellen des aktiven Innovationswiderstandes
Abbildung 5: Innovation-Decision-Prozess mit Dimensionen und Formen der Resistenz
Abbildung 6: Integration der Skepsis in den Innovation-Decision-Process
Abbildung 7: Kausalmodell für die empirische Untersuchung
Abbildung 8: Theoretisches Modell und Hypothesen
Abbildung 9: Komponenten des Strukturgleichungsmodells
Abbildung 10: Vereinfachte Darstellung reflektiv und formativ spezifizierter Messmodelle
Abbildung 11: Ergebnisse der Strukturgleichungsanalyse in SmartPLS
Tabelle 1: Operationalisierung des Forschungsmodells auf Grundlage der bisherigen Resistenzliteratur
Tabelle 2: Stichprobenbeschreibung
Tabelle 3: Smart Speaker-Bekanntheit
Tabelle 4: Smart Speaker Aktivitäten der Nutzer
Tabelle 5: Gütebeurteilung reflektiver Messmodelle
Tabelle 6: Reliabiliäts- und Validitätsprüfung reflektiver Messmodelle
Tabelle 7: Gütebeurteilung formativer Messmodelle
Tabelle 8: Signifikanz der äußeren Gewichte formativer Messmodelle
Tabelle 9: Gütekriterien zur Beurteilung für das Strukturmodell
Tabelle 10: Ergebnisse der Pfadkoeffizienten im Strukturmodell
Tabelle 11: Spezifisch indirekte Effekte
Tabelle 12: Ergebnisermittlung der Effektgrößen auf die Skepsis und Resistenz
Tabelle 13: Übersicht der signifikanten Ergebnisse
Anhang 14: Endgültiger Fragebogen
Anhang 15: Fragebogen Items und Skalen
Anhang 16: Kreuztabellen zum Vergleich demografischer Daten und der Nutzergruppe von Smart Speakern
Anhang 17: Ergebnisse der explorativen Faktorenanalyse in SPSS
Anhang 18: Ergebnisse der Multikollinearitätsprüfung (VIF Werte)
Anhang 19: Ergebnisse der SmartPLS Multigroup-Analysis
Abbildung in dieser Leseprobe nicht enthalten
„OK Google, welche Veranstaltungen sind am Wochenende in meiner Nähe?“, „Alexa, bestell mir das rote Kleid, das mir neulich so gut gefallen hat“, und „Hey Siri, sag mir, wo ich zu dem Kleid passende Schuhe finde“. So oder ähnlich könnten zukünftig Dialoge im Alltag von Jedermann klingen. Bequem aus dem Wohnzimmer heraus, per Spracheingabe, könnten Verbraucher den Wocheneinkauf erledigen, ein neues Outfit bestellen oder ein paar Konzertkarten ganz einfach online bestellen.
Die voranschreitende Digitalisierung und dazu die zunehmende Beliebtheit mobiler Geräte hat die Interaktion zwischen Menschen und Unternehmen deutlich verändert (van Eeuwen 2017, 2). Besonders in jüngster Vergangenheit hat sich dabei die Integration der Sprachtechnologie zu einem wachsenden Merkmal entwickelt (Tuzovic und Paluch 2018, 83). Branchenexperten, wie Microsoft-Chef Satya Nadella, sind davon überzeugt, dass Sprache die neue Schnittstelle ist, die den Umgang mit Computern revolutionieren wird (Nadella (o.A.), zitiert in Schröer 2018, 54). Smart Speakern scheint diesbezüglich bereits der Durchbruch gelungen zu sein. Im Oktober 2016 legte das Unternehmen Amazon vor und brachte seinen Amazon Echo mit dem Sprachassistenten Alexa auf den deutschen Markt - seither schießen die Verkaufszahlen Jahr für Jahr in die Höhe (Statista 2019). Jüngste Studien zur Einführung der intelligenten Lautsprecher prognostizieren, dass der Markt weiterhin exponentiell wachsen wird: Demzufolge wird für den Abschluss des Jahres 2019 eine weltweite Gesamtstückzahl verkaufter Geräte von 75 Millionen geschätzt, was im Vergleich zum Vorjahr (53 Millionen) ein Plus von 41 Prozent ausmacht (Smart Speaker boomen: Massive Umsatzsteigerung erwartet 2019).
Viele Menschen sind dieser Innovation gegenüber bereits positiv eingestellt. Welche Rolle wird also der dialogorientierte Handel mittels Smart Speaker in den kommenden Jahren spielen? Das Forschungsunternehmen Juniper Research geht davon aus, dass der allgemeine Umsatz im Bereich des Spracheinkaufs global bis 2023 auf 80 Milliarden Dollar pro Jahr ansteigen wird (Onlim 2019). Dennoch ist das Einkaufen per Sprachbefehl noch nicht weitreichend in den Alltag der Konsumenten integriert, insbesondere in Deutschland steht die Mehrheit den Smart Speakern und der Möglichkeit zur Unterstützung von Alltagsanwendungen per Sprachbefehl noch eher kritisch gegenüber (Grollmann 2019). Auch wenn das Interesse und zugleich die Verbreitung der Geräte stetig zunimmt, so sind die Verbraucher mit zunehmender Komplexität der Anwendungen derzeit noch geneigt, sich der Nutzung (vorerst) zu widersetzen. Laut einer Umfrage des Beratungshauses PricewaterhouseCoopers nutzen die Konsumenten ihre smarten Lautsprecher bisher nur für eingeschränkte Dienste mit geringer Komplexität (PWC 2018, 6). Wann ist der Kunde also bereit Smart Speaker umfänglich für die Anwendungspotenziale kommerzielle Zwecke, die sich Conversational Commerce nennen, zu nutzen? Zurzeit scheint hier noch eine Diskrepanz zwischen Erwartungen und der Leistung der Geräte zu bestehen. Aus diesem Grund beschäftigt sich die vorliegende Arbeit mit der Frage, welche Gründe dafür verantwortlich sind, dass sich die Konsumenten dieser speziellen Art der Innovation derzeit noch widersetzen.
Die Ergebnisse dieser Arbeit haben besonders in praktischer Hinsicht ihren Wert. So können relevante Erkenntnisse darüber, wie Kunden die Interaktion mit einem Smart Speaker wahrnehmen helfen, die derzeit noch bestehenden Herausforderungen für Unternehmen aus der Kundenperspektive zu verstehen, zu überwinden und die Entwicklung am Markt voranzutreiben. Aus theoretischer Sicht ist die aktuelle Literatur über Innovationsresistenz in mehreren Aspekten dahingehend noch unzureichend. Aufgrund der Neuartigkeit der Technologie gibt es bisher noch wenig bis gar keine Forschungsarbeiten zum Thema der Sprachtechnologie und ihren Geräten. Zuletzt veröffentlichte Studien konzentrierten sich noch auf den Einsatz früherer smarter Technologien, wie der Smartwatch (Kim und Shin 2015), Augmented Reality Smart Glasses (Kalantari und Rauschnabel 2017) oder Messenger Chatbots (van Eeuwen 2017). Zudem hat sich in der Vergangenheit die Mehrheit der Forschungsarbeiten primär mit Fragen der Akzeptanz bzw. Adoption (Übernahme) von Innovationen beschäftigt. Dabei spielt die Resistenz (Widerstand) der Verbraucher eine wichtige Rolle für den Erfolg dieser Innovationen, da er deren Verbreitung hemmen oder verzögern kann (z.B. Ram 1987; Ram und Sheth 1989; Sheth 1981). Erstaunlicherweise gilt das Konzept des Widerstands gegenüber Innovationen jedoch als das weniger entwickelte im Gegensatz zur Betrachtung der Akzeptanz (Ram 1987, 208). Angesichts der häufigen Misserfolge besonders neuer technologischer Produkte ist es jedoch lohnend zu untersuchen, was die Verbraucher an der Funktionsweise und/oder dem Nutzen der Innovationen skeptisch sein lässt (Morel und Sääksjärvi 2010, 273).
Daher ist das notwendige Ziel dieser Arbeit ein rudimentäres Verständnis hinsichtlich der derzeitigen Widerstandsfähigkeit der Verbraucher für den Anwendungsfall des Conversational Commerce zu untersuchen. In der vorhandenen Resistenzforschung widmen sich zwar bereits viele Autoren den zu überwinden Barrieren der Resistenz, nicht aber der Dimension der Skepsis. Da diese jedoch den Beurteilungs- und Entscheidungsprozess einer Innovation erheblich beeinflussen kann, überprüft diese Arbeit, ob die Skepsis ein geeignetes Mittel ist, um das Thema eingehender zu betrachten. Hinsichtlich der Nutzung der Smart Speaker für den Online-Einkauf, ergibt sich die Annahme, dass die Resistenz gegenüber dem sprachbasierten Einkauf einer Skepsis, verbunden mit dem Gerät bzw. der Technologie selbst, vorausgeschaltet ist. Daher liefert diese Arbeit einen Erkenntnisbeitrag zur bestehenden Forschung, indem sie das Konstrukt der Skepsis in die Resistenzforschung integriert und dessen Auswirkungen auf den Widerstand untersucht. Bereits Banikema und Roux (2014) geben Hinweise darauf, dass die Skepsis als eine Art Neigung dem Widerstand vorausgeschaltet ist. Zur tiefergehenden Ergründung der Ursachen des Widerstands dient daher einer Analyse derjenigen Merkmale, welche die Skepsis hervorrufen und die negative Reaktion auf den Widerstand auslösen. Nach bisherigen Untersuchungen kann der Widerstand durch produktspezifische Barrieren (funktionale Barrieren) und durch konsumentenspezifische Faktoren (psychologische Barrieren) getrieben werden (Ram und Sheth 1989). Für das Verständnis soll die Analyse der Einflussfaktoren helfen, Aufschluss darüber zu erlangen, welche Unsicherheiten die Nutzungsabsicht der Konsumenten in Deutschland im Umgang mit Smart Speakern am meisten zu beeinflussen scheinen, um die aktuellen Vorbehalte für den sprachgesteuerten Einkauf zu ermitteln. Die Forschungsfrage wird daher wie folgt formuliert:
Welche produkt- und personenbezogenen Faktoren rufen die Skepsis der Konsumenten gegenüber Smart Speakern hervor und beeinflussen somit das Resistenzverhalten zur Nutzung für den Online-Einkauf?
Um die formulierte Forschungsfrage zu beantworten, erfolgt in Kapitel 2 zunächst eine genauere Betrachtung des technologischen Wandels zur Sprachtechnologie und dem Produkt Smart Speaker für die Anwendung des Conversational Commerce selbst, die als hilfreich für das Verständnis des Kontexts angesehen wird. Denn bereits erste grundlegende Merkmale für das Verständnis des Geräts und der Funktionsweise können einen ersten Hinweis dazu geben, wieso sich Verbraucher der Nutzung widersetzen.
Kapitel 3 hat im Anschluss daran die Entwicklung eines Modells zur Messung der Resistenz gegenüber der Smart Speakern zur Nutzung für den Online-Einkauf zum Ziel. In einem ersten Schritt wird genauer auf das Verständnis des Begriffs Resistenz und seiner Abgrenzung zur Akzeptanz im Forschungsgebiet der Innovationsdiffusionsforschung eingegangen. Folgend werden bestehende Konzeptionen zu Dimensionen und Verhaltensformen der Resistenz eingehender erläutert, um nachzuvollziehen, in welcher Art und in welchem Stadium des Innovations-Entscheidungsprozesses Konsumenten Widerstand entwickeln, bevor das Konstrukt der Skepsis als Vorreiter der Resistenz in das Forschungsmodell integriert wird. Im letzten Abschnitt werden die ursächlichen Faktoren der Skepsis operationalisiert und zur Herleitung der Hypothesen herangezogen.
Zur Überprüfung des Forschungsmodells wird in Kapitel 4 eine quantitative Erhebung durchgeführt und deren Aufbau sowie Ergebnisse vorgestellt. Die Analyse dient dazu, die kausalen Wirkungszusammenhänge im Hinblick auf die Entstehung von Resistenz empirisch zu beschreiben. Infolgedessen hat der zweite Teil des Kapitels die Beurteilung des Konzeptmodells sowie die Prüfung der aufgestellten Hypothesen auf Grundlage der erhobenen Daten zum Gegenstand.
Das abschließende Kapitel 5 liefert eine ausführliche Schlussbetrachtung der vorangegangenen Arbeit inklusive einer Diskussion und Zusammenfassung der Ergebnisse. Daraus werden Implikationen für die Forschung und unternehmerische Praxis abgeleitet. Zudem werden einerseits die Grenzen der Untersuchung, andererseits interessante Ansatzpunkte für die weitere Forschung gegeben.
Dieses Kapitel klärt zunächst über die Grundlagen des Studienthemas auf, indem die Entwicklung der Interaktion zwischen den Menschen und Computern hin zur sprachbasierten Benutzeroberfläche mit ihren Vorteilen erläutert wird. Im zweiten Abschnitt wird der Smart Speaker mit integriertem Assistenten als Schnittstelle genauer betrachtet, um die derzeitige Bereitschaft und vielmehr noch die Hemmnisse im Umgang mit der Sprachtechnologie näher zu beleuchten. Zuletzt erfolgt die inhaltliche Vorstellung des Themenbereichs Conversational Commerce und damit gleichzeitig eine inhaltliche Eingrenzung des relevanten Rahmens zur Beantwortung der Forschungsfrage.
Das Leben wird einfach smart und zwar in allen Bereichen: Grund dafür ist die Realisierung der sogenannten smarten Technologien1. Darunter ist insbesondere die Vernetzung von Geräten und Menschen sowohl zueinander, aber auch über das Internet zu verstehen (Kruse-Brandao und Wolfram 2018, 159). Dieses Phänomen untersucht und beschreibt die Human-Computer-Interaktion (HCI), ein multidisziplinäres Studiengebiet, das sich mit der Gestaltung der Computertechnik und speziell der Interaktion zwischen den Menschen (als Nutzern) und Computern beschäftigt (Interaction Design Foundation o.A.). Dabei hat sich die HCI inzwischen auf fast alle Formen der Gestaltung digitaler Systeme ausgeweitet (ebd.). Der Ort und die Art und Weise, an dem Nutzer mit den Geräten kommunizieren können, beschreibt die Benutzerschnittstelle (engl. user interface (UI)) (Tuzovic und Paluch 2018, 88). Um künftig eine weitreichende Kommunikation zwischen Marken, Produkten oder Services und den Konsumenten mittels smarter Geräte zu fördern, gilt es verstärkt diese Schnittstelle zu optimieren.
Heutzutage sind die meisten UIs grafisch, bestehend aus Schaltflächen und Bildschirmen. Diese Schnittstelle ahmt die Art und Weise nach, wie wir mechanische Aufgaben ausführen und ersetzt die frühere textuelle Interaktion (Conversational UI is our future 2018). Die neueste Art der HCI ist die dialogorientierte Benutzeroberfläche (engl. conversational user interface (CUI)). Sie ist Teil einer langen Evolution der Interaktion zwischen dem Menschen und Computern und wird seit vielen Jahren erforscht (van Eeuwen 2017, 3). Dabei werden zwei Arten von Dialog-UI unterschieden: (1) auf Messaging-Plattformen basierende Schnittstellen (Text-Chatbots) und (2) sprachgesteuerte Schnittstellen (virtuelle Assistenten) (Conversational UI is our future 2018). Die für diese Arbeit interessante zweite Entwicklung zur sprachgesteuerten Konversations-Schnittstelle bezeichnet in der HCI einen vollständigen Paradigmenwechsel, da sie es ermöglicht, mit einem Computer in natürlicher Sprache zu kommunizieren und die Interaktion zwischen dem Menschen und Computern bereits verändert hat und in Zukunft noch weiter verändern wird (Berkowitz 2016, zitiert in Tuzovic und Paluch 2018, 88). Damit werden sie die Lücke zwischen der HCI und der Mensch-zu-Mensch-Interaktion weiter schließen (Karat, Vergo und Nahamoo 2003, 170). Schon jetzt bevorzugen es immer mehr Nutzer, per Sprachsteuerung das Unternehmen ihrer Wahl zu kontaktieren. Bereits 2017 erfolgten zwei Milliarden Anfragen über Sprache pro Woche (Deloitte 2018, 11). Die Vorteile in der Verwendung der Sprachtechnologie sind für die Verbraucher neben der Schnelligkeit besonders die Bequemlichkeit und die Flexibilität (Tuzovic und Paluch 2018, 83).
Realisiert werden kann die CUI mit Hilfe der intelligenten persönlichen Assistenten (IPA), auch Sprachassistenten genannt. Ein IPA ist ein Softwareprogramm, welches die natürliche Sprache von Benutzern erkennen, interpretieren und in gleicher Weise darauf antworten kann (Francke 2018, 9). Apples Siri, Amazons Alexa und Googles Assistant sind derzeit die populärsten dieser Sprachassistenten (Marketing mit Sprachassistenten o.A.). Dabei unterscheiden sich diese von früheren, sprachaktivierten Technologien durch die Verbesserungen in der Verarbeitung natürlicher Sprache. Dies ist insbesondere auf einen enormen Anstieg der Rechenleistung der Geräte, sowie der zunehmenden Verfügbarkeit von Daten zurückzuführen (Hirschberg und Manning 2015, 261, zitiert in Hoy 2018, 82). Diese, mit dem Internet verbundenen Systeme lassen sich vermehrt auch in verschiedenste Hardware-Geräte, insbesondere in intelligente Heimlautsprecher integrieren (Hoy 2018, 81). Im nächsten Abschnitt werden daher Smart Speaker als Sprach-Benutzerschnittstelle genauer betrachtet.
Als Smart Speaker werden technische Standalone-Geräte bezeichnet, die als ein mit dem Internet verbundener Lautsprecher Zugriff auf einen IPA, bieten (Marketing mit Sprachassistenten o.A.). Über ihre eingebauten Mikrofone können sie die Sprachbefehle der Nutzer empfangen und sich durch die Verbindung mit einer Systemcloud beim Nutzer für eine Vielzahl an Anwendungen engagieren (Mott, Lester und Branting 2004, 2). Besonders für den Speaker, im Vergleich zu anderen Sprachassistenten, ist, dass er als dauerhafter Assistent im eigenen Heim dient (Francke 2018, 13). Diese Sonderheit ermöglicht in dieser Arbeit die Unterscheidung zu anderen IPAs, wie beispielsweise denen in Smartphones (ebd.). Die bekanntesten Beispiele für Smart Speaker sind derzeit Amazon Echo, Google Home, Microsofts Cortana oder der HomePod von Apple (Deloitte 2018, 22).
Laut einem Bericht des Capgemini Research Institute (2019) spielt die Verbreitung von Smart Speakern für die vermehrte Nutzung von Sprachassistenten eine tragende Rolle. Die steigende Popularität dieser Geräte ist innerhalb von 18 Monaten (zwischen 2018 und 2019) von 46 auf 64 Prozent angestiegen (Schwartz 2019). Amazon ist mit 10,5 Millionen verkauften Geräten in Q3/2019 Marktführer auf diesem Gebiet (Statista 2019). Das Unternehmen brachte den Assistenten Alexa mit seinem Echo-verbundenen Home Speaker 2014 in den USA auf den Markt (Hoy 2018, 82). In Deutschland wurde der Lautsprecher erstmals im Jahr 2016 verkauft – seither nimmt er mehr und mehr Einzug in den Alltag (Statista 2019). Allein in den USA ist der Prozentsatz der US-Bürger, die intelligente Lautsprecher besitzen, um 40,3 Prozent (von 47,3 Millionen Geräten auf 66,4 Millionen) von 2018 bis 2019 gestiegen (Voicebot 2019, 6). In Deutschland sind bis heute dagegen lediglich 11,6 Prozent der Haushalte mit einem Smart Speaker ausgestattet (Kinsella 2019). Das entspricht 8,7 Millionen Geräten (Deloitte 2018, zitiert in Onlim 2019, 6).
Im Rahmen unterschiedlicher Konsumentenbefragungen haben sich einzelne Unternehmen mit dem aktuellen Nutzungsverhalten von Sprachassistenten und auch Smart Speakern befasst (Voicebot 2019, 16). Die Anwendungsgebiete sind dabei vielfältig: per Sprachbefehl können Benutzer ihren persönlichen IPA in ihrem Smart Speaker aufrufen und beauftragen alltägliche Aufgaben zu übernehmen. Dazu gehören beispielsweise das Beantworten einfacher Fragen (z.B. Uhrzeit, Wetter, etc.) oder das Durchsuchen des Internets, das Abspielen von Musik, die Bedienung von Smart-Home-Komponenten oder das Verwalten des Kalenders mittels verbaler Befehle (Hoy 2018, 81ff.). Hinzu kommen Hilfestellungen für das Senden und Lesen von Textnachrichten, Telefonieren, Verwalten von Mails oder das Setzen von Erinnerungen (ebd.). Buvat et al. (2018, 6) weisen allerdings spezifisch darauf hin, dass die Nutzer digitaler Sprachassistenten diese derzeit vorwiegend noch für wenig komplexe Produkt- oder Angebotsinformationssuchen sowie Hilfefunktionen verwenden. Eine Nutzung für komplexere Aufgaben, das heißt, die Nutzung für tatsächliche Transaktionen hat bisher noch nicht das Interesse der Nutzer geweckt.
Die Funktionsweise ist dabei im Großen und Ganzen immer gleich. Zu jedem Zeitpunkt hält das Gerät einen kontinuierlichen „Puffer“ bereit, der die letzten paar Sekunden des aus seiner Umgebung aufgenommenen Tons, den er scannt, einfängt, um zu überprüfen, ob das „Aktivierungswort (z.B. „Alexa“ oder „OK Google“) genannt wird (Lau, Zimmermann und Schaub 2018, 1f.). Ist das Schlüsselwort erkannt, beginnt das Gerät mit der Aufnahme und dem Datentransfer zum Server (ebd.). Mikrofone, die in den vernetzten Lautsprechern sitzen, nehmen die natürliche Sprache (Befehle und Anfragen) der Nutzer entgegen, leiten diese in Text verarbeiteten Signale über die Cloud zur Datenbank des Anbieters. In Echtzeit analysiert der Server den Mitschnitt und sendet eine passende Antwort zurück an den Smart Speaker, der das Ergebnis entweder in natürlicher Sprache ausgibt oder eine jeweilige Handlung entsprechend delegiert (Francke 2018, 10f.). Während der Bearbeitung solcher Sprachbefehle kommen verschiedene Spracherkennungsalgorithmen zum Einsatz (engl. Natural Language Processing (NLP )), auf deren tiefergehende Beschreibung der Funktionsweise im Umfang dieser Arbeit verzichtet wird. Zum vereinfachten Verständnis dient die nachfolgende Abbildung 1.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1 : Vereinfachte Darstellung der Funktionsweise von Smart Speakern
Quelle: Eigene Darstellung in Anlehnung an Francke 2018, 10.
Die Verarbeitung natürlicher Sprache an der UI ist nach wie vor noch immer ein neues Phänomen. Unklar ist, was sich in Zukunft alles über die Sprache gestalten lässt. Das Bewusstsein für sprachgesteuerte Assistenten und ihre Fähigkeiten ist noch in der frühen Entwicklungsphase und wird das Verbraucherverhalten und die Art und Weise, wie diese mit Marken interagieren, weiter verändern. Besonders in Deutschland scheint der Aufwand zur Nutzung der Smart Speaker noch zu groß und die Unsicherheit gegenüber damit verbundenen Risiken zu hoch (Tadyszak 2016), weshalb sich die Konsumenten der Idee zur Nutzung (erst einmal) widersetzen.
Das Thema Sprachschnittstelle ist das große Thema im digitalen Marketing (van Eeuwen 2017, 3), spätestens seit den zunehmenden Erfolgen der Spracherkennungsdienste von Amazon, Google, Apple und Co. und damit auch die Möglichkeit für den Conversational Commerce. Dass so etwas in den nächsten Jahren auch in Deutschland populär wird, halten Handelsexperten für wahrscheinlich: der sprachbasierte Einkauf ist eine absolut neue Form digitaler Interaktion und steht noch in seinen Anfängen, hat jedoch eindeutig das Potenzial, den Handel ein weiteres Mal zu revolutionieren (Starcke 2019).
Bis dato gibt es in der wissenschaftlichen Literatur keine feststehende Definition des Begriffs Conversational Commerce. Lawson (2016) definiert ihn als die Sammlung verschiedener Technologien, welche sowohl direkt, als auch indirekt die Sprachverarbeitung umfassen (Lawson 2016, zitiert in Tuzovic und Paluch 2018, 85). Geprägt wurde der Begriff zuvor von Chris Messina (Developer und Experience Lead bei Uber), der ihn auf eine zunehmende Nutzung von sprachtechnologischen Schnittstellen in Form von Messaging-Apps und diversen Sprachassistenten zur Interaktion mit Menschen, Marken oder Diensten und Bots im Shopping-Kontext bezieht (Messina 2016).
Inzwischen gibt es immer mehr Onlineshops, die erste sprachorientierte Prozesse integriert haben, überwiegend in Form von sprachgestützten Chatbots zur Kommunikationsunterstützung (GS1 Germany 2018, 12). Im Rahmen vorstellbarer Einkaufs- und Bestellprozesse gibt es umfangreiche Möglichkeiten, die die Kunden von Morgen zur Nutzung in Betracht ziehen könnten. Tuzovic und Paluch (2018) untergliedern den Conversational Commerce daher in die drei Bereiche (1) Vor dem Kauf, der den Bereich der Information und Suche nach möglichen Produkten und Services umfasst, (2) Kauf, der Bereich, indem die Transaktion tatsächlich stattfindet und (3) Nach dem Kauf, indem sich die Sprachkommunikation insbesondere durch Kundenbetreuungsprozesse auszeichnet (Tuzovic und Paluch 2018, 96). Für den Gang dieser Arbeit wird der Conversational Commerce anlehnend an das Szenario (2) in einem begrenzten Rahmen betrachtet, indem die Sprachsteuerung zum tatsächlichen Akt des Einkaufs (des Kaufabschlusses) genutzt wird.
In den USA hat der Trend zum Bestellen mittels Sprache bereits begonnen. Bereits 62 Prozent der Besitzer eines Smart Speakers haben dort einmal einen Einkauf über den Sprachassistenten ausprobiert (Pohlgeers 2019). Vielmehr noch zeigt sich ein relatives Wachstum der monatlich regelmäßig aktiven Nutzer des sprachbasierten Kommerzes um 10,5 Prozent, von 13,6 (2017) auf 15,0 (2018), Tendenz steigend (Voicebot 2019, 17). Entsprechend sind die amerikanischen Firmen auch für die Nachfrage gerüstet. Allerdings sind auch die amerikanischen Nutzer beim Kauf aktuell noch eher zurückhaltend. So fand PWC (2018) in der Umfrage „Consumer Intelligence Seires: Prepare for the voice revolution“ heraus, dass der amerikanische Markt dem sprachbasierten Einkauf zwar aufgeschlossen gegenübersteht, es sich hierbei bisher jedoch um wenig wertvolle Warenbestellungen handelt (PWC 2018, 6) Das Potenzial wird damit auch hier noch nicht vollständig ausgeschöpft. Denkbar ist jedoch, dass positive Erfahrungen im Umgang mit dieser Funktion in Zukunft die Auslastung steigern können.
Im deutschsprachigen Raum ist das Thema „Einkaufen per Sprache“ dagegen derzeit noch eher Neuland. Das belegt das Consumer Barometer der KPMG (2018), das das Potential der generellen Nutzung von Sprachassistenten in Smartphones oder Speakern von dreiviertel der Konsumenten zwar erkannt wird, die Sprachsteuerung im Einkaufzusammenhang derzeit aber noch vergleichsweise selten vorkommt: so haben lediglich sechs Prozent der Nutzer die Bestellfunktion einmal ausprobiert (KPMG 2018, 6). Grundsätzlich zeichnet sich jedoch eine Änderung des Nutzungsverhaltens ab. 39 Prozent der Nutzer in Deutschland geben an, sich für den Anwendungsbereich zu interessieren (Weidemann 2019, zitiert in Bundesverband Digitale Wirtschaft 2019, 7).
Zusammenfassend ist die zunehmende Verbreitung der Sprachtechnologie am Markt deutlich zu erkennen. In Zukunft wird die Anzahl und auch die Vielfalt der Geräte, die sprachbasierte Anwendungen anbieten, weiterwachsen und dem Verbraucher an einer Vielzahl von Standorten - zu Hause, unterwegs und im Geschäft seine Dienste erweisen (smartsheet 2018). Das Interesse für die Smart Speaker seitens der Nutzer steigt rasant und bietet daher großes Potenzial für den sprachbasierten Einkauf. Eine umfassende Betrachtung der Gründe für die derzeitige Nicht-Nutzung fehlt jedoch bislang. Somit ist unklar, wieso die Möglichkeit zur Nutzung von Smart Speakern für den Online-Einkauf noch nicht gleichermaßen angenommen wurde wie andere Anwendungen. Es gibt bis dato keine wissenschaftlichen Untersuchungen dazu, welche Faktoren der Unsicherheit im Umgang mit den Geräten, vielmehr noch dem speziellen Anwendungsfall allgemein zugrunde liegen. Die vorliegende Arbeit wird daher eine genaue Betrachtung des Nutzerverhaltens vornehmen und diejenigen Hemmnis-Faktoren zu identifizieren versuchen, die das ablehnende Verhalten der Verbraucher auslösen, um in Zukunft den Weg für Kaufabschlüsse über Sprachsteuerung zu ebnen.
Dieses dritte Kapitel umfasst die Definition des Resistenzbegriffs gegenüber Innovationen und seine Abgrenzung im Vergleich zur Akzeptanz. Im Anschluss daran erfolgt die Bereitstellung notwendiger, theoretischer und methodischer Grundlagen zur Behandlung und Beantwortung der Fragestellung. Dazu werden etablierte Modelle, aber auch relevante Erweiterungen aus jüngeren Studien aus dem Bereich der Resistenzforschung herangezogen, die einen relevanten Beitrag zur Untersuchung des übergeordneten Forschungsziels leisten. Anschließend daran werden in kritischer Würdigung die für diese Arbeit verstandene Sicht- und Verwendungsweise der Resistenz dargestellt, bevor eine hinreichende Konzeptualisierung für den Beitrag zur Untersuchung der Resistenz gegenüber Smart Speakern und ihrer Verwendung für den Online-Einkauf vorgeschlagen wird. Ergänzt wird der Teil durch ein Kapitel zur Operationalisierung der Skepsis auslösenden Faktoren, einschließlich ihrer Diskussion im Kontextbezug und der Hypothesenableitung.
Um ein tiefergehendes Verständnis für die Resistenz der Konsumenten gegenüber der Smart Speaker Nutzung für den Online-Einkauf zu erlangen, ist es zunächst einmal notwendig, den Begriff selbst genauer zu betrachten. Bildungssprachlich wird dem Begriff laut Duden die Bedeutung des Widerstands zugeschrieben. Als weitere Synonyme gelten Ablehnung, Abwehr, Protest, Widerstandsfähigkeit oder Zurückweisung (Duden 2020a). In der vorliegenden Arbeit soll tiefergehend dazu die Betrachtung im Rahmen der Betriebswirtschaftslehre beziehungsweise dem Marketingkontext im Forschungsfeld der Resistenz gegenüber Innovationen vorgenommen werden. In diesem Bereich beschreibt die Resistenz eher einen speziellen Fall der generellen Ablehnung von Veränderungen (Reinders 2010, 6).
Eine Innovation aus Sicht des Konsumenten bedeutet zunächst immer eine Veränderung, welche überwunden werden muss, bevor eine Adoption (Übernahme) beziehungsweise Implementierung dieser in den Alltag möglich ist (Ram 1987, 208). Der Smart Speaker und seine Sprachtechnologie können in diesem Sinne als eine solche Innovation betrachtet werden. Rogers (2003, 12) beschreibt diese als eine Idee, Praxis oder ein Objekt, das von einem Individuum als neu empfunden wird. So können Smart Speaker von den Verbrauchern als etwas Neues im Vergleich zu bestehenden Produkten (z.B. Smartphones) wahrgenommen werden. Sowohl als Produkt selbst, aber auch in ihrer Funktion zur Erbringung von Serviceleistungen im Sinne des Conversational Commerce. Innovationen wollen im Vergleich zu bereits auf dem Markt etablierten Alternativen einen Mehrwert bieten – allerdings kann sich nur ein geringer Teil dieser durchsetzen und dauerhaft am Markt behaupten (Ram und Sheth 1989, 5f.). Vermutlich, da sich mit der Änderung des gewohnten Verhaltens durch die Übernahme der Innovation meist auch zu erwartende Risiken ergeben. Werden Innovationen also als besonders risikoreich oder unsicher wahrgenommen, führt dies schließlich zu einer negativen Reaktion des Konsumenten gegenüber dem neuen Service oder dem Produkt, die in der wissenschaftlichen Literatur als Widerstand (engl. Resistance ) definiert wird (Cornescu und Adam 2013, 457; Ram und Sheth 1989, 8). Ram und Sheth (1989), die in der Literatur als die Urväter der Resistenzforschung angesehen werden (Kleijnen, Lee und Wetzels 2009, 345), definieren diese negative Reaktion, die Verbraucher einer Innovation entgegenbringen, sei es, weil sie potenzielle Veränderungen gegenüber einem zufriedenstellenden Status quo mit sich bringt oder weil sie mit ihren Glaubensstrukturen in Konflikt steht (Ram und Sheth 1989, 6f.) .
Während Sheth (1981,177) erstmals die Resistenz als das unzureichend betrachtete Konzept der Innovationsforschung benennt, wird bis heute die Relevanz zur Betrachtung dieser im Rahmen der Neueinführung von Produkten weiter herausgestellt (Haber 2008, 2). Erst in aktuelleren Publikationen, die im Zuge der Digitalisierung veröffentlicht wurden, haben sich in der Marketingliteratur im Zusammenhang mit der Einführung neuer Produkte oder einer neuen Art von Dienstleistungserbringung erste Untersuchungen zum Konsumentenwiderstand ergeben (z.B. Heidenreich und Handrich 2015; 2013; Kleijnen et al. 2009; Laukkanen 2016; Mani und Chouk 2016, 2018; Talke und Heidenreich, 2014). Insofern leistet die Untersuchung dieser Arbeit einen signifikanten Erkenntnisbeitrag zu dem Thema der Innovationsresistenz. Speziell zur Beantwortung der Frage, warum Smart Speaker und ihre Sprachtechnologie im Einkaufszusammenhang am Markt bisher noch unzureichend beachtet werden.
Bisherige Untersuchungen zur Verbreitung von Innovationen galten in der Vergangenheit überwiegend der Erforschung der Akzeptanz, welche im Gegensatz zur Resistenz, die die Ablehnung einer neuen Technologie nach sich zieht, vielmehr die Voraussetzung für eine Adoption darstellt (Binsack 2003, 9f.). Die Adoption ist laut Rogers (2003) das Entscheidungsergebnis eines Konsumenten zur Übernahme und Nutzung einer Innovation nach bestehender Akzeptanz (Rogers 2003, 177). Die Literatur hat in diesem Bereich das Verhalten der Verbraucher gegenüber Innovationen bereits anhand einer Reihe von Faktoren identifiziert, welche die Akzeptanz sowohl positiv, aber auch negativ beeinflussen2. Sie erklärt darin jedoch nicht ausreichend das Nicht-Adoptionsverhalten der Konsumenten. Während bestimmte Aspekte die Adoption charakterisieren können, ist nicht klar, ob das Fehlen dieser oder das Vorhandensein anderer Faktoren gleichzeitig den Widerstand erklären (Patsiotis, Hughes und Weber 2013, 294). Damit umgehen sie die Ergründung derer Faktoren, die zur Ablehnung der Innovation durch die Konsumenten führen (Ellen, Wiener und Cobb-Walgren 1991, 297f.).
Die Unterscheidung zwischen Akzeptanz und Resistenz wird deutlich in der Betrachtung des Prozesses, den ein Konsument während seiner Entscheidung für oder gegen eine Innovation durchläuft (engl. Innovation-Decision-Process (IDP) nach Rogers, 2003) (Abbildung 2). Dieser erfolgt üblicherweise in fünf Stufen. Er beginnt mit der Knowledge Stufe, in der der Konsument zufällig oder aber bewusst erstmals mit der Innovation in Berührung kommt (Rogers 2003, 171ff.). In der zweiten und für diese Arbeit interessante Stufe der Persuasion findet die individuelle Beurteilung der speziellen Eigenschaften der Innovation statt (ebd.). Der Konsument entwickelt eine positive oder negative Einstellung gegenüber dem Produkt, was sich in Akzeptanz oder Resistenz wiederspiegelt, bevor im Anschluss daran eine Entscheidung ( Decision ) zur Adoption oder Ablehnung gefällt wird (Binsack 2003, 9; Nabih, Bloem und Poiesz 1997, 191). Innerhalb der vierten, der Implementation Stufe, resultiert schließlich das Verhalten je nach Entscheidungsergebnis (Rogers 2003, 179). Die Entstehung einer positiven Einstellung (Akzeptanz) führt demnach zur Übernahme und Nutzung der Innovation, während eine negative Entscheidung (Resistenz) zur Ablehnung führt (Binsack 2003, 9f.). In der letzten, abschließenden Stufe, des Prozesses der Confirmation, wird das korrespondierende Verhalten der zuvor getroffenen Entscheidung bestärkt (Rogers 2003, 180). Abschließend betrachtet, stellen Akzeptanz beziehungsweise Resistenz damit poten-zielle Resultate der Persuasionsphase dar. Sie bilden somit in den ersten beiden Stufen dasselbe Konstrukt mit jeweils gegensätzlicher Ausprägung (Binsack 2003, 10; Nabih et al. 1997, 191). Der unten dargestellte Prozess zeigt einen idealtypischen Verlauf des IDP, der mögliche Rückkopplungen oder Wechselentscheidungen nicht betrachtet.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2 : Einordnung der Resistenz in den Innovation-Decision-Prozess nach Rogers (2003)
Quelle: Eigene Darstellung in Anlehnung an Haber 2008, 13.
Welche Faktoren schließlich zur Entstehung der Resistenz führen, hängt von unterschiedlichen Faktoren ab. Im Allgemeinen dient das Konzept der Widerstandsbarrieren nach Ram und Sheth (1989) als anerkannter theoretischer Rahmen, um die Hindernisse zu identifizieren, die zur Resistenz der Verbraucher gegen Innovationen führen, um diese zu überwinden (Laukkanen, Sinkkonen, Kivijärvi und Laukkanen, 2007).
Die Forscher Ram und Sheth beschäftigten sich als Erste mit dem Wechsel der Sichtweise von der Akzeptanz hin zur wichtigen Betrachtung der Nicht-Annahme neuer Produkte (Ram und Sheth 1989, 6). Diese Forschung zu Innovationswiderstandsbarrieren basiert weitgehend auf den ersten Untersuchungen von Ram (1987), in dem er ein Modell zur Operationalisierung der Innovationsresistenz anhand ihrer Eigenschaften in drei Kategorien definiert: (1) wahrgenommene Innovationscharakteristika der Innovation, (2) Verbrauchereigenschaften und (3) Merkmale von Verbreitungsmechanismen. Ram erarbeitet mit dieser Arbeit eine sehr umfassende Auflistung an potenziellen Resistenzdeterminanten (Ram 1987, 208ff.). Interessant dabei ist, dass er die adoptionsrelevanten Innovationseigenschaften nach Rogers (1962) als Determinanten der Resistenz uminterpretiert, indem er diese negativ formuliert. Diese Vorgehensweise erscheint im Rahmen der bisher nicht eindeutigen Abgrenzung zwischen Akzeptanz und Resistenz eher undifferenziert, da es keine Beweise dafür gibt, dass diese Faktoren die gleichen Auswirkungen in beide Richtungen haben (vgl. Kap. 3.1.1).
Auf diesem Modell aufbauend entwickelten Ram und Sheth gemeinsam im Jahr 1989 das angedeutete, heute bekannteste Modell des Konsumentenwiderstands gegen Innovationen. Darin betrachten sie den Widerstand als kritische Variable, die zu großen Veränderungen im Alltag der Verbraucher führen kann, ihre etablierten Abläufe stören und mit ihrer bisherigen Glaubensstruktur in Konflikt geraten kann (Ram und Sheth 1989, 6ff.). Im Gegensatz zur ersten Struktur von Ram (1987) schlägt das neue Modell einen ersten konzeptionellen Rahmen vor, der auf Barrieren basiert, die den Widerstand fördern. Eine solche Widerstandsbarriere beschreibt eine Schwelle, die durch ihre zugrundeliegenden Treiber ausgelöst wird und dazu führt, sich der Innovation zu widersetzen, sollte sie nicht durch Zugänglichkeit und Lernen überschritten werden (z.B. Garcia, Bardhi und Friedrich 2007; Kleijnen et al. 2009; Szmigin und Foxall 1998). Ram und Sheth (1989, 7ff.) identifizieren zwei Kategorien von Barrieren, um den Widerstand der Verbraucher gegenüber Innovationen zu erklären: (1) funktionale Barrieren und (2) psychologische Barrieren. Diese werden seither von der nachfolgenden Forschung als allgemein akzeptiertes Konzept angesehen (Antioco und Kleijnen, 2010; Laukkanen et al. 2007; Talke und Heidenreich 2014).
Nach Ram und Sheth (1989) stellen alle Innovationen zunächst, in unterschiedlichem Ausmaß, Unsicherheiten und potenzielle, nicht vorhersehbare Nebenwirkungen dar (Ram und Sheth 1989, 8). Funktionale Widerstandsbarrieren entstehen, wenn die Verbraucher erhebliche Veränderungen durch die Übernahme der Innovation wahrnehmen und das Produkt dabei als dysfunktional oder unangemessen für die eigenen Bedürfnisse und Nutzungserwartungen ansehen (Talke und Heidenreich 2014, 899). Dabei können sie sich um ihre Wertbarriere, (engl. value barrier ) ihre Nutzungsbarriere (engl. usage barrier ) und/oder ihre Risikobarriere (engl. risk barrier ) sorgen (Ram und Sheth 1989, 6ff.). Die value barrier basiert auf dem wirtschaftlichen Wert einer Innovation und beschreibt das Preis-Leistungs-Verhältnis oder den Wert des Produkts im Vergleich zu den derzeit verwendeten Alternativen (Ram und Sheth 1989, 7f.). Gemeint ist neben dem Preis damit auch die Erwartung an den Mehrwert beziehungsweise Vorteil an das Produkt im Gegensatz zu bestehenden Alternativen (Hoeffler 2003, zitiert in Talke und Heidenreich 2014, 899). Die usage barrier ist für Ram und Sheth (1989) der wahrscheinlich wichtigste Treiber für den Widerstand der Verbraucher gegen Neuerungen (Ram und Sheth 1989, 7). Diese Barriere beschreibt die Art und Weise der Möglichkeit zur Nutzung einer Innovation und tritt ein, sollte sie nicht mit den gegenwärtigen Praktiken oder Gewohnheiten der Verbraucher kompatibel sein (ebd.). Die mit der Übernahme einhergehenden, wahrgenommenen Risiken (physisch, wirtschaftlich, funktional und sozial) bezeichnen sie als risk barrier (Ram und Sheth 1989, 8). Diese Risikobarriere beschreibt demnach alle Ängste und Unsicherheiten, die mit der Annahme der Innovation einhergehen. Dazu gehören die Wahrnehmung der Verbraucher hinsichtlich der möglichen Schäden an der eigenen Person oder Eigentum, die Unsicherheit in Zusammenhang mit den Kosten (im allgemeinen Sinne), die niedrige Erwartung an die tatsächlichen Leistung sowie der Einfluss auf und durch das soziale Umfeld (Kleijnen et al. 2009, 347).
Die psychologischen Barrieren umfassen die Traditionsbarriere (engl. tradition barrier ) und die Imagebarriere (engl. image barrier). Diese entstehen, wenn die zur Übernahme von Innovationen notwendige Kompatibilität der Innovation mit den bestehenden Normen, Überzeugungen, Werten und Erfahrungen eines Konsumenten unvereinbar ist (Ram und Sheth 1989, 8f.). Die tradition barrier beinhaltet im Allgemeinen die Veränderungen, die eine Innovation in der täglichen Routine verursachen kann, sowie eine Präferenz für bestehende, vertraute Produkte und Verhaltensweisen gegenüber neuen (ebd.). Die image barrier dagegen ist mit der Identität der Innovation verbunden, bezogen auf den Markt, das Branchenimage oder auch die Produktkategorie und somit stark abhängig von individuellen spezifischen Merkmalen und dem situativen Kontext der Innovation (Ram und Sheth 1989, 9).
Für die Theorie und auch Praxis hilft dieses Konzept von Ram und Sheth (1989) diejenigen Faktoren zu identifizieren, welche die Resistenz der Verbraucher verursachen, diese besser zu verstehen und die Verbesserungsbemühungen für die Wettbewerbsfähigkeit, Produktivität und Rentabilität künftig effizienter zu gestalten (Herbig und Dunphy 1995). Denn mit den smarten Technologien als technologische Neuheiten kommen mehr und mehr Produkte auf den Markt, die besonders erklärungsbedürftige Produkte darstellen, da sie in Verbindung mit künstlicher Intelligenz ein für den Konsumenten besonders komplexes Produkt darstellen (Sääksjärvi 2003, 91). Daher wurde das Modell von Ram und Sheth in verschiedenen Studien ständig aktualisiert. In jüngster Erweiterung entwickelten Mani und Chouk (2018) ein Modell, welches das von Ram und Sheth bekannte Modell in einem allgemeineren Rahmen im Bereich Smart Services zu integrieren und empirisch zu testen versucht, indem sie es für die vorliegende Arbeit zwei interessante Barrieren erweitern. Einerseits um die individuelle Barriere, welche die von Samuelson und Zeckhauser (1988) entwickelte Status quo Bias (SQB)-Theorie umfasst. Damit integrieren sie die Präferenz für die Aufrechterhaltung des Status quo in die Betrachtung der aktiven Resistenz. Die SQB-Theorie bezieht sich auf ein Verhaltensverzerrung, die den Widerstand gegen Veränderungen widerspiegelt, dass grundlegend eine Innovation als eher risikoreich statt nutzenbringend einschätzt (Kim und Kankanhalli 2009, 569). Diese Tendenz beziehen Polites und Karahanna (2012) auf den Begriff der Trägheit und bezeichnen damit eine personelle Prädisposition als Ursache für die Ablehnung der Veränderungen (Polites und Karahanna 2012, zitiert in Mani und Chouk 2018, 794). Mani und Chouk (2018) gehen in ihrer Studie davon aus, dass die Trägheit als eine individuelle Barriere wirken kann, die den Widerstand gegen Innovationen erhöht (ebd.). Ferner erweitern sie das Ram und Sheth-Modell um die Einbeziehung der ideologischen Barriere, welche die allgemeine Skepsis gegenüber dem Internet of Things (IoT) umfasst: Diese beschreibt die ersten persönlichen Überzeugungen des Verbrauchers in der Auseinandersetzung mit der Innovation und damit sowohl psychologische, wie auch individuelle Merkmale gegenüber der Resistenz (Mani und Chouk 2018, 784f.).
Die meisten Studien, die sich mit der Innovationsresistenz beschäftigen verwenden das Konzept der Widerstandsbarrieren, um zu erklären, warum die Konsumenten neue Produkte ablehnen (z.B. Bagozzi und Lee 1999). Inhaltlich unterschieden sich diese Konzeptionen jedoch. Die Autoren konzeptualisieren den Innovationswiderstand teils als eine Einstellung (z.B. Ellen et al. 1991), andere als eine Absicht oder ein Verhalten (z.B. Kleijnen et al. 2009; Szmigin und Foxall 1998) und wieder andere als eine Kombination aus beidem (z.B. Laukkanen, Sinkkonen und Laukkanen 2008; Talke und Heidenreich, 2014).
Talke und Heidenreich (2014) entwickeln einen speziellen Beitrag zur Forschung, indem sie nicht nur die Faktoren zu verstehen versuchen, welche zur Überwindung des Widerstands führen, sondern unterschiedliche Stadien der Innovationsannahme betrachten, in denen ein Kunde voraussichtlich Widerstand gegen die Innovation entwickeln wird (Talke und Heidenreich 2014, 894ff.). Dabei bauen sie auf der Grundlage von Bagozzi und Lee (1999) auf, in der die Autoren zeigen, dass unterschiedliche Treiber unterschiedliche Auswirkungen je nach Position im Innovationsentscheidungsprozess auf die Kunden haben. Sie unterschieden dahingehend zwei Arten von Resistenz: passive und aktive Resistenz.
Unter passiver Resistenz (Abbildung 3) wird eine individuelle, persönlichkeitsbezogene Neigung des Einzelnen verstanden, sich Veränderungen zu widersetzen. Andererseits setzt sie sich aus situationsspezifischen Faktoren zusammen, welche die Zufriedenheit mit Status quo bestimmen (Bagozzi und Lee 1999; Nabih et al. 1997; Szmigin und Foxall 1998, zitiert in Talke und Heidenreich 2014, 897).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3 : Quellen des passiven Innovationswiderstandes
Quelle: Talke und Heidenreich 2014, 897.
Sie umschreibt dabei die erste Reaktion eines Konsumenten gegenüber der Innovation und befindet sich in einer Art Haltung, in der eine Ablehnung der Innovation als wahrscheinlich gilt (Bagozzi und Lee 1999, 219). Das heißt, diese Form der Resistenz tritt bereits dann auf, wenn der Konsument sich noch nicht bewusst mit dem neuen Produkt oder Service befasst hat. Sheth (1981) beschreibt dies als die stärkste Determinante in der Entstehung von Widerstand (Sheth 1981, 275). Durch diese Passivität ist noch keine gefestigte Einstellungsbildung gegenüber der Innovation beim potenziellen Adopter erfolgt, weswegen das finale Urteilsergebnis inklusive des Verhaltens noch offenbleibt (Binsack 2003, 10). Talke und Heidenreich (2013) ordnen den passiven Innovationswiderstand in den IDP nach Rogers (2003) als negatives Ergebnis der Wissensphase ein (Talke und Heidenreich 2014, 896).
Im Gegensatz zur passiven Resistenz tritt die aktive Form erst nach der Phase der Evaluation auf (Rogers 2003, 164ff.). An dieser Stelle hat der Konsument das Produkt beziehungsweise den Service nicht nur bewusst wahrgenommen, sondern sich auch damit auseinandergesetzt und ggf. sogar ausprobiert (Rogers 2003, zitiert in Talke und Heidenreich 2014, 902f.). Somit stellt die aktive Resistenz das entscheidende Ergebnis nach einer ungünstigen Innovationsbewertung dar (Kleijnen et al. 2009; Nabih et al. 1997). Anders ausgedrückt ist die Resistenz die Schlussfolgerung der Wahrnehmung des Konsumenten in Bezug auf bestimmte Attribute, die seine Erwartungen bei der Bewertung der Innovation nicht erfüllen (Bagozzi und Lee 1999). Diese Art von Widerstand ist von innovationsspezifischen Faktoren abhängig und mit einer von funktionalen und psychologischen Barrieren getriebenen Einstellungsbildung verbunden (Abbildung 4) (Talke und Heidenreich 2014, 898f.). Aktiver Innovationswiderstand resultiert demnach aufgrund der wahrgenommenen oder tatsächlichen Unzulänglichkeit der Produktfunktionalität oder aus Konflikten mit gesellschaftlichen Normen, Werten und individuellen Nutzungsmustern (Ram und Sheth 1989, 9; Talke und Heidenreich 2014, 899).
[...]
1 Smarte Technologien beschreiben Produkte und Services, die aufgrund der zugrundeliegenden Datenbasis zunehmend nicht nur an Intelligenz, sondern auch Konnektivität, d.h. möglichen Verbindungen zu anderen Geräten gewinnen, und sich dabei besonders durch ein autonomes Handeln sowie eine ortsunabhängige Bearbeitung auszeichnen (Mani und Chouk 2018, 782).
2 Als die bekanntesten und am meisten verbreiteten Modelle zur Erklärung der Akzeptanz gelten das Technology Acceptance Model (TAM) entwickelt von Davies (1989) sowie das innerhalb der Unified Theory of Acceptance and Use of Technology (UTAUT) entwickelte Akzeptanzmodell (Venkatesh, Morris, Davis und Davis 2003) mit ihren Erweiterungen.
.
Der GRIN Verlag hat sich seit 1998 auf die Veröffentlichung akademischer eBooks und Bücher spezialisiert. Der GRIN Verlag steht damit als erstes Unternehmen für User Generated Quality Content. Die Verlagsseiten GRIN.com, Hausarbeiten.de und Diplomarbeiten24 bieten für Hochschullehrer, Absolventen und Studenten die ideale Plattform, wissenschaftliche Texte wie Hausarbeiten, Referate, Bachelorarbeiten, Masterarbeiten, Diplomarbeiten, Dissertationen und wissenschaftliche Aufsätze einem breiten Publikum zu präsentieren.
Kostenfreie Veröffentlichung: Hausarbeit, Bachelorarbeit, Diplomarbeit, Dissertation, Masterarbeit, Interpretation oder Referat jetzt veröffentlichen!
Kommentare