Lade Inhalt...

Die Eignung von Feedback-Informationen aus User Communities für die Prognose von Markterfolgen

Eine quantitative Analyse der Dauer und der Intensität von Feedbackprozessen

Bachelorarbeit 2010 67 Seiten

BWL - Unternehmensführung, Management, Organisation

Leseprobe

Inhaltsverzeichnis

1 Einleitung und Relevanz
1.1 Zielsetzung der Arbeit
1.2 Aufbau der Arbeit

2 Literaturüberblick: Prognose von Markterfolg und Feedback in User Communities
2.1 Ausgewählte Dimensionen zur Systematisierung der Prognosemethoden
2.1.1 Die Dimension „Zeitpunkt der Prognose“
2.1.2 Die Dimension „Informationsquelle“
2.2 Die Rolle von Feedback im Innovationsprozess
2.2.1 Feedback als wichtiger Faktor zur Qualitätsverbesserung
2.2.2 Feedback als Indikator für Qualität und Akzeptanz

3 Forschungslücke und Forschungsfrage

4 Hypothesenentwicklung

5 Methodik
5.1 Untersuchungsdesign
5.1.1 Beschreibung der Online-Community threadless
5.1.2 Beschreibung des Samples
5.1.3 Datenerhebung
5.2 Variablen
5.2.1 Abhängige Variable: Das Community Rating
5.2.2 Unabhängige Variablen: Dauer und Intensität des Feedbackprozesses

6 Ergebnisse der Datenanalyse
6.1 Feedbackprozess-Dauer als Indikator für späteren Markterfolg
6.2 Feedbackprozess-Intensität als Indikator für späteren Markterfolg
6.3 Gesamtmodell: Der Rahmen des Feedbackprozesses
6.4 Zusammenfassung

7 Diskussion
7.1 Schlussfolgerungen und Implikationen
7.2 Limitationen

8 Literaturverzeichnis

9 Anhang

Abbildungsverzeichnis

Abbildung 1 - Verortung ausgewählter Prognosemethoden anhand der Dimensionen Zeitpunkt und Informationsquelle

Abbildung 2 - Die 5 Phasen des NPD-Prozesses

Abbildung 3 - Entwicklung der Kosten und der Flexibilität im NPD-Prozess

Abbildung 4 - Verteilung der Gesamtdauer der Feedbackprozesse

Abbildung 5 - Verteilung der Anzahl der Versionen

Tabellenverzeichnis

Tabelle 1 - Gesamtdauer des Feedbackprozesses

Tabelle 2 - ø Dauer pro Version

Tabelle 3 - Analyse der Koeffizienten Modell Feedbackprozessdauer

Tabelle 4 - Die Anzahl der Versionen

Tabelle 5 - Analyse der Koeffizienten Modell Anzahl der Versionen

Tabelle 6 - Die gesamte Inaktivität

Tabelle 7 - Die ø Inaktivität pro Version

Tabelle 8 - Analyse der Koeffizienten Modell Feedbackprozessintensität

Tabelle 9 - Analyse der Koeffizienten Gesamtmodell

Tabelle 10 - Zusammenfassung der Modellanalysen

Tabelle 11 - Aussagen über Hypothesen

Tabelle 12 - Median der Gesamtdauer des Feedbackprozesses

Tabelle 13 - Häufigkeitsverteilung der Gesamtdauer der Feedbackprozesse

Tabelle 14 - Aggregierte Gesamtdauer der Feedbackprozesse

Tabelle 15 - Modellzusammenfassung Modell Feedbackprozessdauer

Tabelle 16 - ANOVA Modell Feedbackprozessdauer

Tabelle 17 - Modellzusammenfassung Modell Gesamtdauer

Tabelle 18 - Analyse der Koeffizienten Modell Gesamtdauer

Tabelle 19 - Modellzusammenfassung Modell ø Dauer pro Version

Tabelle 20 - Analyse der Koeffizienten Modell ø Dauer pro Version

Tabelle 21 - Modellzusammenfassung Modell Dauer unter/über 5

Tabelle 22 - Analyse der Koeffizienten Modell Dauer unter/über 5

Tabelle 23 - Median der Anzahl der Versionen

Tabelle 24 - Häufigkeitsverteilung der Anzahl der Versionen

Tabelle 25 - Modellzusammenfassung Modell Anzahl der Versionen

Tabelle 26 - Modellzusammenfassung Modell Clusterung der Anzahl der Versionen

Tabelle 27 - ANOVA Modell Clusterung der Anzahl der Versionen

Tabelle 28 - Analyse der Koeffizienten Modell Clusterung der Anzahl der Versionen

Tabelle 29 - Median der gesamten Inaktivität

Tabelle 30 - Häufigkeitsverteilung der gesamten Inaktivität

Tabelle 31 - Modellzusammenfassung Modell gesamte Inaktivität

Tabelle 32 - Analyse der Koeffizienten Modell gesamte Inaktivität

Tabelle 33 - Modellzusammenfassung Modell ø Inaktivität pro Version

Tabelle 34 - Analyse der Koeffizienten Modell ø Inaktivität pro Version

Tabelle 35 - Modellzusammenfassung Modell Feedbackprozessintensität

Tabelle 36 - ANOVA Modell Feedbackprozessintensität

Tabelle 37 - Modellzusammenfassung Gesamtmodell

Tabelle 38 - ANOVA Gesamtmodell

1 Einleitung und Relevanz

Die Prognose von Markterfolg ist einer der wichtigsten Bestandteile des gesamten Neuprodukt- entwicklungsprozesses (New Product Development-, NPD-Prozess). Gleichzeitig ist dieses Auswählen von einzelnen Produktkonzepten, die weiterentwickelt werden sollen, auch einer der schwierigsten Schritte in diesem Prozess (Dahan und Srinivasan, 2000) und ein Bereich, der noch immer besonderer methodischer und prozeduraler Verbesserungen bedarf (Klink und Athaide, 2006). Die Prognose von Markterfolg ist einer der wichtigsten Inputs in dieses Auswahlverfahren und oftmals konditional für das Festhalten an der Entwicklung oder dem Verwerfen eines Produkt- oder Dienstleistungskonzeptes und somit für das Binden verfügbarer Ressourcen (Ozer, 1999, Armstrong und Brodie, 1999, Dahan und Srinivasan, 2000). Außerdem dient sie als Entscheidungsgrundlage für die meisten Geschäfts- und Marketingentscheidungen (Mahajan und Wind, 1988). Die Analyse der Akzeptanz eines Produkt- konzeptes sowie der Aufnahmefähigkeit und -bereitschaft eines Marktes dient vor allem aber auch dazu, Unternehmen vor Fehlschlägen zu bewahren. Eine solche Prüfung sollte sich über alle Phasen der Entwicklung und Einführung neuer Produkte ziehen (Erichson, 2007, Ozer, 1999, Mahajan und Wind, 1988). Oft wird jedoch auf eine gründliche Prognose verzichtet oder eine Entscheidung auf nicht ausreichend aussagekräftige Ergebnisse gestützt, was für Unternehmen beträchtliche Schäden bedeuten kann (Sanders und Manrodt, 1994).

Einerseits sind komplette Fehlschläge bei der Produkteinführung am Markt oder auf den Märkten die Folge (Crawford, 1977, Goldenberg et al., 2001, Griffin, 1997, Stevens und Burley, 1997, Ogawa und Piller, 2006), andererseits können aber auch durch ungenaue oder unsauberere Prognosen Kosten für das Unternehmen entstehen oder sich die Position des Unternehmens im Vergleich zur Konkurrenz und allgemein am Markt verschlechtern (Spann und Skiera, 2003). Die Auswahl von Ideen erfolgt trotz dieser heiklen Konsequenzen und der enormen Bedeutung dieses Schrittes, oft eher intuitiv oder spontan und aus dem Bauch heraus (Bothos et al., 2008).

Gründe hierfür sind u.a. das Bestreben von Unternehmen der Verkürzung der so genannten „time-to- market“ eines Produktes (Herrmann und Huber, 2009), aber auch die Limitationen traditioneller Marktforschungsmethoden. Einige sind manipulationsanfällig, durch den Einfluss der Erhebenden selbst, sowie durch den der Konkurrenz, andere zu künstlich inszeniert und unrealistisch und wieder- um andere einfach nur zu teuer und langwierig (Burke, 1996). Oft sind Unternehmen aber auch nur nicht zufrieden mit der Genauigkeit und Aussagekraft von Prognosemethoden (Ozer, 2005, Kahn, 2002).

Die in der Praxis gebräuchlichsten Methoden lassen sich anhand von zwei Dimensionen einordnen:

(1) Zeitpunkt der Prognose im Innovationsprozess und (2) Informationsquelle für die Prognose.

(1) Der Zeitpunkt der Prognose im Innovationsprozess ist sehr bedeutend, da früher verfügbare Prog- nosen auch das Risiko unzweckmäßig lange gebundener Ressourcen verringern. Das NPD-Manage- ment sollte also danach streben aussagekräftige Prognosen schon im sogenannten „fuzzy frontend“ des NPD-Prozesses, das der Ideengenerierungs- und der ersten Konzepterstellungsphase entspricht, durch- zuführen.
(2) Die Informationsquelle einer Prognose auf der anderen Seite ist entscheidend für ihre Qualität, da sie sehr viel über die Validität und die Reliabilität der Methode aussagt. Diese Dimension wird vor allem durch die Anzahl der Befragten bzw. der verwendeten Daten (also das Kontinuum wenige/viele) und die Art der Daten bzw. den Status der Befragten (also das Kontinuum Experten/Konsumenten) bestimmt. Vorteilhafter sind meistens Methoden, die sich auf eine große Datenbasis stützen können. Dies ermöglicht objektivere Schlussfolgerungen.

Diese Klassifizierung kann jedoch nicht allen Verhältnissen genau gerecht werden, da sich z.B. bei internetgestützten Verfahren die Anwendung der Methode auch nicht unbedingt auf einen genauen Zeitpunkt beschränkt, sondern eher flexibel im gesamten Prozess möglich ist.

Die meisten der Methoden haben den Nachteil, dass sie zusätzliche Erhebungen verlangen und somit Kosten verursachen, die z.B. im Fall von Markttests enorme Höhen erreichen können (Burke, 1996, Erichson, 2007, Herrmann und Huber, 2009). Die wünschenswerte Ausprägung von sehr früh im NPD-Prozess mit der gleichzeitigen Verwendung einer großen Datenbasis und in einer ressourcen- schonenden, aber dennoch zuverlässigen Art und Weise, ist noch nicht vorhanden. Es existiert also ein starkes Verlangen nach schnelleren, leichter anwendbaren und kostengünstigeren Verfahren, die zumindest gleich zuverlässig sind (Urban et al., 1997, Dahan et al., 2007) und früher im NPD-Prozess ansetzen, um das unnötige Binden von Ressourcen zu vermeiden. Dabei ermöglichen das Internet und die neuen Informations- und Kommunikationstechnologien verschiedenartige neue Wege den NPD- Prozess zu unterstützen (Soukhoroukova et al., 2010, Dahan und Srinivasan, 2000).

Generell verstärkt das Heranziehen von Online-Communities zur Vorhersage von Markterfolg in gewisser Weise das Prognoseproblem, da die Analyse der Unmenge an erfassten beziehungsweise erfassbaren Daten und der daraus resultierenden potenziell riesigen Anzahl an Ideen eine eigene Herausforderung darstellt (Brabham, 2008a, Howe, 2006). Der riesige Vorteil bei der Analyse von Innovation in Online-Communities ist aber, dass der gesamte Innovationsprozess sichtbar und doku- mentiert ist. Daher laden gerade Online-Communities, wie die T-Shirt Plattform threadless, zu einer intensiveren Betrachtung ein. Sie werden heute von vielen Menschen genutzt, um ihre Ideen, Interes- sen und Vorstellungen hinsichtlich Produktgestaltung mit anderen zu teilen. Diese User geben aber vor allem auch bereitwillig innovationsrelevante Informationen preis und teilen konstruktives Feedback mit ihren Peers (Henkel und von Hippel, 2005, Franke und Shah, 2003, Lakhani und Panetta, 2007). Dieses Feedback ist von großer Bedeutung für den Innovationsprozess (Franke et al., 2008), da es in Online-Communities schnell bereitgestellt werden und somit den Lernprozess der Feedbacksuchenden beschleunigen kann (Galagan, 2009). Darüber hinaus wird durch das Feedback von Peers eine Idee, ein Produkt, ein Design, etc. weiterentwickelt und oft auch qualitativ hochwertiger (Franke et al., 2008).

In einer explorativen Studie fand Holzinger-Neulinger (2010), dass Feedbackmuster im critiques- Bereich, dem vom Rest der Seite abgetrennten Feedbackbereich der Online-Community threadless, erstens vorhanden sind und sich zweitens bei später erfolgreichen, mäßig erfolgreichen und nicht erfolgreichen Designs systematisch unterscheiden. Zusätzlich scheint es auch bei threadless eine starke Bereitschaft zur Kooperation und eine ausgeprägte Hilfsbereitschaft der Peers unter sich zu geben. Sie geben einander sehr häufig (konstruktives) Feedback, auch unabhängig vom Fortschritt im Design- bzw. Entwurfsprozess, und schätzen auch im Allgemeinen gerade diese Beteiligung in der Gemein- schaft als einen der hauptsächlichen Motivatoren (Fletcher, 2006). Aus der Analyse dieser Feedback- muster könnte sich eine neue Möglichkeit, Erfolg kostengünstig, schnell, sowie sehr früh im Innovati- onsprozess zu prognostizieren, herausbilden.

1.1 Zielsetzung der Arbeit

Das Ziel dieser Arbeit ist, die Ergebnisse, die bereits über Feedbackmuster in Online-Communities vorliegen, quantitativ zu überprüfen. Im Rahmen dieser Bachelorarbeit wird der Fokus auf eine Auswahl designbezogener Propositionen, die von Holzinger-Neulinger (2010) aufgestellt wurden, gelegt, die im Hinblick auf ihre Validität überprüft werden sollen.

Diese Studie kann dazu dienen, Möglichkeiten aufzuzeigen, wie Prognosen verbessert und vereinfacht werden könnten. Sie könnten kostengünstiger durchgeführt werden, da kein (großer) zusätzlicher Aufwand betrieben werden müsste, um das Feedback auszuwerten oder extra Daten zu erheben, wie es bei anderen Marktforschungs- und Prognosemodellen oft der Fall ist. Außerdem wären Vorhersagen weitaus schneller und vor allem früher im Innovationsprozess möglich, da das Feedback schon während des Innovationsprozesses zur Analyse verfügbar und gut dokumentiert ist.

Diese Arbeit beschäftigt sich im Speziellen mit dem vom restlichen Teil der Seite abgetrennten Feedbackbereich der Online-Community threadless und behandelt somit nur einen sehr spezifischen Anwendungsbereich. Sie dient jedoch in gewisser Weise auch der Bearbeitung der viel allgemeineren Frage, ob Feedbackprozesse und -muster in Online-Communities generell zur Prognose von Markterfolg herangezogen werden können.

1.2 Aufbau der Arbeit

Im anschließenden Kapitel 2 wird die für diese Bachelorarbeit relevante Literatur aufgearbeitet und besprochen. Dabei wird zuerst die Einordnung der bestehenden Prognosemodelle in die 2 Dimensionen „Zeitpunkt“ und „Informationsquelle“ besprochen. Danach wird genauer auf Feedback im Innovationsprozess eingegangen.

Im Kapitel 3 wird aus der herausgearbeiteten Forschungslücke die Forschungsfrage erstellt zu deren Operationalisierung im Kapitel 4 auf Basis der jeweils einschlägigen Literatur die zu überprüfenden Hypothesen aufgestellt und genauer beschrieben werden.

Das Kapitel 5 widmet sich der Methodik, die dieser Arbeit zugrunde liegt. Es wird auf das Untersuchungsdesign dieser Studie sowie auf die verwendeten Variablen genauer eingegangen.

Im Kapitel 6 werden die Ergebnisse der Studie dargestellt, analysiert und erläutert welche im Kapitel 7 diskutiert werden. In diesem abschließenden Kapitel werden auch die Implikationen für die weitere Forschung thematisiert und die Limitationen dieser Arbeit erläutert.

2 Literaturüberblick: Prognose von Markterfolg und Feedback in User Communities

Diese Bachelorarbeit stützt sich auf die Relevanz von Erfolgsprognosen im NPD-Prozess. Dabei ist ein Verständnis der bereits vorhandenen Forschungsergebnisse im Bereich der Erfolgsprognose von Markterfolg notwendig. Außerdem ist Wissen über Feedbackprozesse, ein Grundverständnis der Rolle von Feedback bei der Verbesserung der Qualität des Outputs und die Funktion von Feedback als Indikator für empfundene Qualität und Akzeptanz von entscheidender Bedeutung für diese Arbeit. Die einschlägige Literatur für jeden der genannten Punkte wird hier in der Folge überblicksartig diskutiert.

2.1 Ausgewählte Dimensionen zur Systematisierung der Prognosemethoden

Unternehmen streben danach, genau das zu produzieren, was Kunden nachfragen, genau zu dem Zeitpunkt, an dem sie es nachfragen (Ogawa und Piller, 2006). Doch angesichts der immer heterogeneren Kundenbedürfnisse, der sich schnell ändernden Konsumentenpräferenzen und der immer kürzer werdenden Produktlebenszyklen ist dies ein beinahe unmöglich zu verwirklichendes Ziel (Barczak et al., 2009, Franke und von Hippel, 2003).

Wenn auf derartige Prognosen verzichtet wird, was durchaus geschieht (Sanders und Manrodt, 1994, Ogawa und Piller, 2006), oder diese nur in ungenügendem Ausmaß oder ungenau und fehlerhaft durchgeführt werden (Crawford, 1977, Klink und Athaide, 2006), hat dies für Unternehmen meist weitreichende Konsequenzen. Hohe Fehlerquoten bzw. Flopraten bei der Einführung von Neu- produkten sind oft die Folge (Crawford, 1977, Goldenberg et al., 2001, Griffin, 1997, Stevens und Burley, 1997). Dies ist wiederum mit (unnötigen) finanziellen Belastungen für die Unternehmen verbunden und verschlingt somit Unsummen an monetären Ressourcen (Herrmann und Huber, 2009).

Es gibt eine große Anzahl verschiedener Methoden um diesem Problem entgegenzuwirken und den Markterfolg von Produkten zu prognostizieren (Mahajan und Wind, 1988). Das NPD-Management bedient sich hierbei sehr oft den aus der Marktforschung bekannten Modellen (Armstrong und Brodie, 1999, Urban und Hauser, 1993). Aufgrund der Vielzahl der verfügbaren Instrumente wird eine über- sichtliche Darstellung notwendig, die nur durch eine Gruppierung der verschiedenen Prognose- methoden anhand bestimmter objektiver Kriterien möglich wird. Dabei eignen sich im Besonderen der (1) Zeitpunkt der Prognose und die (2) Informationsquelle bzw. die Quelle des Inputs in das jeweilige Prognosemodell.

Durch Zuhilfenahme dieser zwei Größen lassen sich die existierenden Methoden in einem Koordina- tensystem verorten, das die beiden Faktoren als Achsen ausweist (siehe Abbildung 1) und somit die einzelnen Methoden dem in der Literatur als typisch angeführten Zeitpunkt und der Informationsquelle zuordnet.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 - Verortung ausgewählter Prognosemethoden anhand der Dimensionen Zeitpunkt und Informations- quelle

Einerseits gibt es Methoden, die sehr früh, aber auch andere, die erst sehr spät im Innovationsprozess eingesetzt werden (können) um den Erfolg des Produktes oder der Dienstleistung bzw. der Markt- akzeptanz einzelner Eigenschaften vorherzusagen. Der Zeitpunkt dieser Vorhersage kann entscheiden- de Konsequenzen nach sich ziehen, zumal je weiter der Innovationsprozess fortgeschritten ist, desto mehr Ressourcen gebunden sind und desto fixierter das innovierende Unternehmen ist (Herstatt und Verworn, 2001). Andererseits stellt der Input in das jeweilige Prognosemodell ein wichtiges Unter- scheidungskriterium dar, da von ihm die Zuverlässigkeit einer Methode abhängt. Ob nun einige Exper- ten oder die breite Masse an Konsumenten einbezogen werden hat weitreichenden Einfluss auf die Qualität und die Art der Prognoseergebnisse.

Es ist weder Sinn noch Ziel dieser Bachelorarbeit, die gesamte relevante Literatur über Prognosemodelle erschöpfend zu sichten bzw. diese zu moderieren und zu besprechen. Daher werden im Folgenden die Auswahl, Bedeutung und vor allem auch die Wichtigkeit der beiden Faktoren und schließlich auch Dimensionen (1) Zeitpunkt und (2) Quelle des Inputs in das Prognosemodell erläutert, ergänzt durch eine beispielhafte Aufzählung der ihnen zuordenbaren Methoden.

Für ausführlichere Diskussionen einzelner Methoden sei hier z.B. auf Herrmann et al. (2008), für einen Überblick über viele verschiedene Verfahren z.B. auf Ozer (1999, 2002) oder Armstrong (1999, 2001) verwiesen.

2.1.1 Die Dimension „Zeitpunkt der Prognose“

In der Literatur wird der NPD-Prozess meist als ein Aufeinanderfolgen von 5 Phasen dargestellt (siehe Abbildung 2). In der ersten Phase dreht sich alles um die Ideengewinnung und das Treffen einer groben Vorauswahl aus allen möglichen Produkten und deren Ausprägungen. Danach kommt es zur Entwicklung von Grobkonzepten für die Umsetzung, das dazugehörige Marketing und erste Absatz- prognosen. Diese zwei Phasen werden ob ihrer Unsicherheit und unkonkreten Informationen auch als das „fuzzy frontend“ des NPD-Prozesses bezeichnet. In Phase 3 liegt der Schwerpunkt auf Ent- wicklung, Konstruktion und Design für die aus der vorherigen Phase übernommenen Produktideen und es werden die ersten Prototypen produziert, welche in der vierten Phase getestet werden. Schluss- endlich kommt es zur Markteinführung des Neuprodukts (Brockhoff, 1999, Sawhney et al., 2005, Urban und Hauser, 1993, Dahan und Hauser, 2002, Herstatt und Verworn, 2001).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 - Die 5 Phasen des NPD-Prozesses

Daraus wird offensichtlich, dass in jeder Phase eine gewisse Auswahl unter den verfügbaren Produkt- konzepten getroffen wird, wobei jeweils nur einige weiterverfolgt werden. Dieses Aussieben von Produktkonzepten bis schlussendlich nur noch eines, wenn möglich „das Beste“, übrigbleibt ist eine der schwierigsten Aufgaben mit denen sich NPD-Teams konfrontiert sehen (Dahan und Srinivasan, 2000). Eine kontinuierliche Prognose der Marktakzeptanz über alle Phasen des NPD-Prozesses hinweg ist hier unerlässlich (Ozer, 1999, Herrmann und Huber, 2009). Der wichtigste Input in diesen Prozess des Aussiebens ist dementsprechend auch der prognostizierte Markterfolg eines Konzeptes (Dahan und Srinivasan, 2000). Diese Vorhersage ist jedoch, abhängig von der jeweiligen Phase im NPD- Prozess, teilweise sehr schwer zu treffen. Daher wird in der Literatur auch unter anderem ein Fest- halten an mehreren Produktkonzepten bis in die Prototypen- und die Testphase gefordert. Ein solches Verhalten verursacht natürlich aber auch wieder höhere Kosten (Srinivasan et al., 1997).

Wenn Prognosen sehr früh im Innovationsprozess, also im „fuzzy frontend“, ansetzen bietet das für das innovierende Unternehmen einige Vorteile. Zum Einen sind noch keine substantiellen Ressourcen gebunden, die unter anderem mit der Produktion bzw. der Prototypenherstellung verbunden sind (Armstrong und Brodie, 1999). Zum anderen stehen dem Unternehmen noch viele Möglichkeiten offen. Es hat sich noch nicht festgelegt, in welche Richtung es weiterentwickeln möchte. Es geht also nicht um eine go-/no-go-Entscheidung, sondern um einen Richtungsentscheid. (Dahan und Srinivasan, 2000, Herstatt und Verworn, 2001).

Im „fuzzy frontend“ können z.B. Conjoint-Analysen eingesetzt werden, die schon im Fokus zahl- reicher wissenschaftlicher Arbeiten standen (Green und Srinivasan, 1990, Green und Srinivasan, 1978). Gerade auch die durch das Internet in ihrer Wirkungskraft verbesserte webbasierte Conjoint- Analyse, sowie die „Fast Polyhedral Adaptive Conjoint Estimation“, die sich während des Eingabe- prozesses zusätzlich noch durch Rücksichtnahme auf die bereits gegebenen Antworten auf die Befrag- ten einstellt und ihren eigenen Verlauf verändert, eignen sich besonders für diese frühe Phase des NPD-Prozesses (Dahan und Hauser, 2002). Ansonsten kommen im „fuzzy frontend“ eher Methoden zum Einsatz, die auf Einschätzungen und somit eher auf dem Bauchgefühl, als auf quantitativ- objektivierten Kriterien beruhen (Armstrong und Brodie, 1999). Das NPD-Management greift hier meistens auf Marktforschungstechniken zurück (Urban und Hauser, 1993). Hierzu zählen unter ande- rem auch Experteneinschätzungen (Ozer, 2008), die Delphi-Methode, die eine spezielle Form dieser Einbeziehung von Experten darstellt (Rowe und Wright, 2001, Rowe und Wright, 1999), die Analyse von geäußerten Kaufabsichten (Morwitz et al., 2007) oder die Einbeziehung von Fokusgruppen (Burke, 1996, Ogawa und Piller, 2006). Letztere Methode ist aufgrund ihrer leicht interpretierbaren Ergebnisse, ihrer Schnelligkeit und ihrer Flexibilität eines der populärsten Instrumentarien in der Praxis (Burke, 1996). Eine Studie unter den Fortune 500-Unternehmen ergab, dass unter allen verfüg- baren Methoden nur Fokusgruppen von mehr als der Hälfte der untersuchten Firmen angewandt wur- den (Ogawa und Piller, 2006).

So früh im NPD-Prozess Prognosen anstellen zu wollen bringt natürlich, neben den Schwächen der einzelnen Prognosemodelle selbst, auch andere Schwierigkeiten mit sich. Zum Einen leidet die Relia- bilität in solch frühen und unsicheren Phasen. Vorhersagen rein aufgrund von Expertenmeinungen zu treffen oder sich auf Fokusgruppen von 6-12 Personen zu verlassen ist sicherlich nicht die sicherste Form einer Vorhersage. Durch die oftmals nur geringe Stichprobengröße lässt sich keinesfalls auf die Reaktion der breiten Öffentlichkeit schließen (Burke, 1996, Ogawa und Piller, 2006, Armstrong und Brodie, 1999). Armstrong (2001) schreibt sogar, dass Fokusgruppen eigentlich nie dazu gedacht waren, um Ergebnisse zu prognostizieren und überdies einige Prognosegrundsätze verletzen. Trotzdem ist dies unter Unternehmen eine gängige, weil leicht verständliche, Praxis.

Zum anderen wird in der Literatur oft erwähnt, dass Konsumenten ihre Wünsche nur schwer und unpräzise artikulieren können, was natürlich noch diffiziler wird, wenn noch nicht einmal (greifbare) Prototypen vorhanden sind. Konsumenten seien intern inkonsistent. Sie können nicht explizit verdeutlichen, was sie wollen. Sie brauchen überdies oft auch noch andere Personen, die für sie die (Kauf) Entscheidungen treffen (Ogawa und Piller, 2006).

Je weiter der NPD-Prozess fortschreitet, desto schwieriger wird es Änderungen an den (noch vorhandenen) Konzepten vorzunehmen (siehe Abbildung 3). Diese werden immer weiter verfeinert, der Einfluss auf die Ausprägungen sinkt und immer mehr wird in die Vorbereitung der endgültigen Einführung investiert, wodurch es zur massiven Bindung von monetären und zeitlichen Ressourcen kommt (Herstatt und Verworn, 2001).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3 - Entwicklung der Kosten und der Flexibilität im NPD-Prozess

Andererseits ermöglichen die in der 3. Phase hergestellten Prototypen ein viel konkreteres Testen der Produktkonzepte, was gleichzeitig mit einer höheren Validität und Reliabilität verbunden ist.

In der vorletzten Phase des NPD-Prozesses, der sogenannten Testphase, stehen die Produktkonzepte also im Großen und Ganzen schon fest. Hier kommen nun z.B. Markttests zum Einsatz mit denen die Zufriedenheit und Akzeptanz von Konsumenten mit Produktkonzepten und die dazugehörigen Wie- derkaufsraten erhoben werden können. Die Durchführung eines solchen Markttests hat als großen Vorteil die enorme Realitätsnähe, wodurch eine hohe prognostische Validität erreicht werden kann (Herrmann und Huber, 2009, Erichson, 2007). Die Implementierung eines solchen Verfahrens ist jedoch mit hohen Kosten verbunden und, mit einer Durchführungszeit von 6 Monaten bis zu einem Jahr, äußerst langsam. Außerdem sind Markttests, da sie öffentlich durchgeführt werden, anfällig für Gegenaktionen von und somit für Verzerrungen durch Konkurrenten (Burke, 1996). Durch die Ver- lagerung der Markttests in virtuelle Umgebungen, wie es bei Simulierten Markttests (STM) gemacht wird, werden einige dieser Mankos gutgemacht (Burke, 1996, Erichson, 2007, Herrmann und Huber, 2009) Auch die Methode der „Information Acceleration“ liefert hier sehr gute Ergebnisse, ist aber aufgrund ihrer enormen Kosten nur für Hochrisikoprodukte, die mit großem Kapitalaufwand einher- gehen, einsetzbar (Urban et al., 1997, Urban et al., 1996, Dahan und Srinivasan, 2000, Herstatt und Verworn, 2001).

Es gibt aber auch Prognosemethoden, die erst nach der Markteinführung ansetzen, wie z.B. das sogenannte Postponement, das bereits von einigen Unternehmen angewendet wird (Ogawa und Piller, 2006). Fisher und Raman (1996) fanden in einer Studie über eine Skimodefirma, dass die Genauigkeit von Prognosen drastisch gesteigert werden kann, wenn man 20 % der Erstverkäufe (also schon nach Markteintritt) in das Modell mit einbezieht und erst nach diesen anfänglichen Verkäufen und der Analyse der darauf aufbauenden Prognose weitere Entscheidungen trifft.

Grundsätzlich kann festgehalten werden, dass viele der Methoden, die im „fuzzy frontend“ eingesetzt werden können, auch in den späteren Phasen Verwendung finden, jedoch dies umgekehrt für die Methoden der späteren Phasen mangels ausgearbeiteter Prototypen, die z.B. für Markttests notwendig sind, nicht immer zutrifft. So werden Fokusgruppen oder Conjoint-Analysen nicht nur in den frühen NPD-Phasen angewendet, sondern kommen auch später zum Einsatz. Vor allem aber auch die web- basierten Prognosemethoden sind sehr flexibel, was den Zeitpunkt ihres Einsatzes angeht. Informati- onsmärkte beschränken sich genauso wenig auf eine bestimmte Phase wie die Anwendung von Tool- kits (Soukhoroukova et al., 2010, Spann und Skiera, 2003, Franke et al., 2008, Franke et al., 2010, Franke und von Hippel, 2003).

2.1.2 Die Dimension „Informationsquelle“

Bei der Untersuchung der Informationsquelle der Prognose ist vor allem die Unterscheidung zwischen Menge an Input, also meist der Menge an Befragten bzw. erhobenen Daten, und Art des Inputs, also dem Status der Befragten hinsichtlich des Innovationsprojektes sinnvoll. Oft treten die Ausprägungen „wenige“ und „Experten“ und die Ausprägungen „viele“ und „Konsumenten“ gemeinsam auf.

Wenn Prognosemethoden auf eher wenigen Aussagen von, wie oben beschrieben, meist Experten zurückgreifen, so stellen sie meinungsbasierte Instrumentarien dar (Armstrong, 2001). Ein Beispiel hierfür ist die Delphi-Methode, die auf Experteneinschätzungen aufbaut. Obwohl der Vorteil dieser Methode unter anderem auch die Möglichkeit der Einbeziehung mehrerer Experten ist (Armstrong und Brodie, 1999), wird keine wirklich große Anzahl an Befragten eingeschlossen, was zum Teil auf die Verfügbarkeit von Experten und zum anderen Teil auf die Methode selbst und den sonst un- wirtschaftlich hohen Verwaltungsaufwand zurückzuführen ist (Rowe und Wright, 2001).

Diese meinungsbasierten Prognosen sind im Gegensatz zu statistischen oder einfach nur eine große Zahl an Befragten bzw. Daten verwendenden Methoden zu sehen. Meist kann ein Unternehmen jedoch nicht einfach auswählen, ob es lieber meinungsbasierte oder großzahlige Prognosemethoden ver- wenden möchte. Dies ergibt sich oft aus der Phase im Innovationsprozess - je früher, desto eher kommen meinungsbasierte Verfahren zum Einsatz - oder rein aus der Verfügbarkeit von Daten (Armstrong, 2001, Armstrong und Brodie, 1999, Mahajan und Wind, 1988). Zu den eher großzahligen Instrumenten, die überwiegend Konsumenten einbeziehen, ist unter anderem auch die Durchführung eines Markttests zu zählen, weil eine breite Masse an potentiellen Kunden angesprochen werden kann (Burke, 1996, Erichson, 2007, Herrmann und Huber, 2009).

Ansonsten wurde dieser Bereich der Prognosemethoden vor allem durch das Internet unterstützt. Nicht nur, dass bestehende Modelle durch ihre Verlagerung ins Internet kostengünstiger, schneller und mit einer weitaus größeren Reichweite durchgeführt werden können (Wright, 2005), was z.B. ein großer Vorteil der webbasierten Conjoint-Analyse ist, auch eröffneten die Informations- und Kommunikati- onstechnologien einige neue Wege, den NPD-Prozess zu unterstützen und Prognosen anzustellen (Soukhoroukova et al., 2010, Dahan und Srinivasan, 2000, Dahan und Hauser, 2002). Vorteil dieser internetgestützten Methoden ist, dass sie sehr viel leichter eine große Anzahl an Befragten bzw. an Daten sammeln können. So entstand auch die Idee hinter Crowdsourcing, dem Nutzen der Intelligenz, der Ideen und der Problemlösungskraft einer großen Menge an Internetnutzern (Howe, 2006). Zahlrei- che Plattformen wie z.B. iStockphoto haben sich dieser Idee bedient und teils sehr erfolgreiche Inter- netdienste gemacht (Brabham, 2008b, Brabham, 2008a, Brabham, 2009). Gleichzeitig bieten diese Integration einer großen Masse und die damit verbundende Menge an Daten, die diese Crowd produ- ziert, neue Möglichkeiten Prognosen zu treffen.

Methoden, die viele verschiedene Konsumenten einbeziehen, sind unter anderem Innovations- oder Ideenwettkämpfe (Terwiesch und Xu, 2008), die auch durch sogenannte „Toolkits for User Innovation and Design“ unterstützt werden können (Piller und Walcher, 2006), die zuvor genannten Toolkits selbst im Zuge der individualisierten Massenfertigung (Franke et al., 2008, Franke et al., 2010, Franke und von Hippel, 2003) oder die von Ogawa und Piller (2006) „collective customer commitment“ genannte Methode, bei der sich User bereits vor der Produktion eines bestimmten Gutes moralisch oder tatsächlich dazu verpflichten, dieses eine Produkt später zu kaufen. Ein Paradebeispiel für diese Art der Einbeziehung von Usern ist threadless, eine Online-Community für selbstdesignte T-Shirts.

Ansonsten haben vor allem Informationsmärkte in den letzten Jahren große Beachtung erfahren. Durch den spielähnlichen Aufbau und oft auch durch die Kombination mit verschiedenen Anreizen können sie eine Vielzahl an Usern zur Teilnahme motivieren, die zum virtuellen Handeln mit Aktien auf einer Online-Plattform zusammengebracht werden. Die Aktien repräsentieren dabei jeweils einzelne Neuprodukte und der Marktmechanismus sorgt dafür, dass die Aktienpreise die Wahrscheinlichkeit für den Erfolg einer bestimmten Idee widerspiegeln (Bothos et al., 2008, Dahan et al., 2007, Soukhoroukova et al., 2010, Spann und Skiera, 2003).

2.2 Die Rolle von Feedback im Innovationsprozess

2.2.1 Feedback als wichtiger Faktor zur Qualitätsverbesserung

Userinnovationen (von Hippel, 1978, von Hippel, 2005) treten geographisch und demographisch verteilt auf, und nicht an einem bestimmten Ort oder bei einer bestimmten Kategorie von User konzentriert (von Hippel, 2009). Außerdem handelt es sich bei Innovationsprozessen im Allgemeinen meist um arbeitsteilige Prozesse, deren Qualität sich offensichtlich erhöht, je mehr Input von verschiedenen Beteiligten mit verschiedenen Backgrounds einfließt (DiStefano und Maznevski, 2000). Zusätzlich sei hier auf die Problematik der „sticky information“ hingewiesen: Die für den Innovationsprozess benötigten Informationen sowie die Problemlösungsfähigkeiten, welche beide meist an unterschiedlichen Orten vorhanden und verfügbar sind, müssen zusammengebracht werden. Die Beschaffung, der Transfer und die Verwendung von technischen Problemlösungsinformationen sind jedoch sehr oft kostspielig und aufwändig (von Hippel, 1994).

Daher ist es für (innovierende) User wichtig, Wege zu finden, durch die sie ihre Bestrebungen und Begabungen mit denen anderer kombinieren, die innovationsrelevanten Informationen sammeln und somit ihre Wirkungskraft multiplizieren können (von Hippel, 2009). Hier bieten sich Gemeinschaften (sog. Communities) an, in denen sich Individuen aufgrund von z.B. gleichen Interessen zusammenschließen und sich über Probleme, Ideen und auch Lösungsvorschläge austauschen und somit die Innovationstätigkeit Einzelner unterstützen (Franke und Shah, 2003).

Gerade auch das Internet und folglich Online-Communities unterstützen den userzentrierten Innovati- onsprozess (Dahan und Hauser, 2002, Sawhney et al., 2005). Online-Communities ermöglichen unter anderem den regen Austausch von (Innovations-)Ideen oder Vorstellungen über z.B. Produkteigen- schaften und -ausprägungen. Hierfür ist vor allem die Form der User Innovation Communities rele- vant, in denen sich User zusammenschließen, um ihrem Wunsch nach individueller gestalteten und/oder völlig neuen Produkten Rechnung zu tragen (von Hippel, 2005). User posten ihre Innovati- onsvorschläge und teilen somit ihre Innovation mit der gesamten Community. Sie bekommen dann zumeist Hilfe von anderen Mitgliedern, ein Phänomen, das in derlei Zusammenschlüssen von Usern üblich und weit verbreitet ist (von Hippel, 2005). Die freie Zurverfügungstellung von innovations- relevanten Informationen wird auch als „free revealing“ bezeichnet und ist ein Charakteristikum vieler Online-Communities, sowie des Web 2.0 ganz allgemein (Harhoff et al., 2003).

Dies ermöglicht dem Innovator einerseits seine Idee zu verfeinern, durch die Diskussion und das Eingehen auf die Vorschläge anderer User aus dem Prozess zu lernen und komplementäres Wissen seiner Peers zu nutzen (Franke und von Hippel, 2003, von Hippel, 2009, von Hippel, 2005, Brabham, 2009). In Online-Communities wird durch den regen Input der Community-Mitglieder auch ein gemeinsamer Stock kollektiven Wissens kreiert, der von jedem Teilnehmer genutzt und durch die Nutzung erweitert wird: Ein neuer Beitrag wird getestet und kritisch beäugt und in der Folge entweder validiert oder wieder abgestoßen (Brown und Duguid, 1991).

Darüber hinaus kommt es durch den oft iterativen Prozess von Idee posten, Verbesserungsvorschläge erhalten und Idee adaptieren (oder Nichtadaptierung begründen) zu einem gründlichen Durchdenken der Idee oder des Konzepts. Durch die intensive und kontinuierliche Interaktion, zahlreiche Beiträge und Rückmeldungen anderer und mehrere dieser Modifikationsschleifen kommt es meist zu einem, im Vergleich zur Ausgangsidee, besseren Endprodukt. Jedoch hat nicht nur die Anzahl dieser Iterationen, sondern auch die Anzahl der Mitglieder in der jeweiligen Online-Community und die Menge an Feedback, die von diesen gegeben wird, Einfluss auf die Qualität des Outputs (Füller et al., 2007).

2.2.2 Feedback als Indikator für Qualität und Akzeptanz

Feedback kann aber nicht nur dazu dienen, bereits vorhandene Konzepte zu verbessern und Ideen zu verfeinern oder die Fähigkeiten desjenigen, der das Feedback erhält, zu verbessern. Rückmeldungen über die Brauchbarkeit oder Güte eines bestimmten Entwurfs oder einfach nur explizite Kritik - möge sie positiv oder negativ sein - und Meinungsaustausch können auch Indizien für die Qualität des Objekts sein, über welches Feedback gegeben wurde.

So wird bei modernen Empfehlungssystemen, die vor allem im Bereich der Online-Shops zur Anwen- dung kommen, auf Feedback bzw. Stellungnahmen verschiedenster User zurückgegriffen, um für den Kaufinteressenten die Entscheidung zu erleichtern bzw. vorzubereiten. Diese Stellungnahmen und (Produkt)Bewertungen können auch in sogenannte kollaborative oder inhaltsbasierte Filtersysteme einfließen (Schafer et al., 2008, Yang et al., 2009). Schafer et al. (2008) besprechen einige der mögli- chen Aufgaben, die durch ein solches Filtersystem und die dazugehörigen Reviews von anderen Peers unterstützt werden können. Darunter findet sich neben dem Suchen eines Users nach Objekten, die ihm gefallen oder nach neuen Objekten, die ihn eventuell interessieren könnten, z.B. auch die spezielle Beratung hinsichtlich eines konkreten Gegenstandes. Bei all diesen Aufgaben werden vom System zur Hervorbringung einer Empfehlung auch die Bewertungen anderer User, sowohl quantitativer (meist auf einer Art Skala von z.B. 1 Stern bis 5 Sterne) als auch qualitativer Art (Beschreibung der gemach- ten Erfahrungen) einbezogen, um dem interessierten User eine Hilfestellung zur Entscheidungsfindung zu bieten. Somit handelt es sich natürlich bei diesen User-Reviews vor allem für Informationssuchen- de um eine Art Indikator von Qualität und z.B. bei der möglichen Abfrage „Das interessiert Kunden aktuell“ um einen Indikator der Akzeptanz eines bestimmten Produktes. Empfehlungssysteme, die auf diesen Indikatoren und somit auch auf der Analyse von Online-Mund-zu-Mund-Propaganda aufbauen, finden bereits in einer Vielzahl von Unternehmen im Internet ihre Anwendung (Dellarocas, 2003, Dellarocas et al., 2007). Ganz allgemein stellen Produktreviews im Internet ein potentiell enorm wertvolles Markt- und Meinungsforschungsinstrument für Firmen dar, die diese Art von frei verfügba- rem Online-Feedback nützen können, um die Einstellungen ihrer Kunden hinsichtlich ihrer Produkte zu überwachen und somit in Echtzeit ihre Produktion, Distribution und ihre Marketingstrategie dem- entsprechend anzupassen und zu adaptieren (Dellarocas et al., 2007).

Pang und Lee (2008) bemerken auch, dass „was andere Leute denken, schon immer für die meisten von uns ein wichtiges Stück an Information für den Entscheidungsfindungsprozess war.“ Das Internet ermöglicht es nun, dass wir auf die Meinungen und Kritiken von Tausenden von Menschen zugreifen und uns so unsere eigene Entscheidungsfindung erleichtern. In einer Studie fand Horrigan (2008), dass unter den Lesern von Restaurant- und Hotelkritiken und Bewertungen verschiedener anderer Services, wie z.B. Reisebüros oder Ärzten, zwischen 73% und 87% der Befragten berichteten, dass sie sich beim Kauf sehr stark von diesen verfügbaren Kritiken beeinflussen ließen. Außerdem zeigten sich Konsumenten bereit zwischen 20% und 99% Preisaufschlag in Kauf zu nehmen, wenn es sich um ein Produkt oder einen Service handelte, der mit 5 Sternen bewertet wurde im Vergleich zu einem mit „nur“ 4 Sternen (Horrigan, 2008).

Diese immense Indikatorwirkung von Feedback und Reviews kennt man jedoch nicht nur aus dem Bereich des Online-Shoppings. Horrigan und Rainie (2007) führten eine Studie unter 2500 Amerika- nern durch, bei der sich herausstellte, dass während des Präsidentschaftswahlkampfes in den USA im Jahr 2006 ungefähr 31% der erwachsenen Bevölkerung online waren und das Internet als Informa- tions- und Meinungsbildungsquelle und zum Gedankenaustausch über die Kandidaten via E-Mail nutzten. Von dieser Gruppe gaben 28% an, dass sie sich Informationen aus ihrer eigenen Community holten und sich so Perspektiven aufzeigen ließen. Weitere 34% behaupteten, sich auch außerhalb ihrer Community auf Informations- und Meinungssuche zu begeben (Horrigan und Rainie, 2007).

Obwohl großes Interesse der Markt- und Meinungsforscher sowie auch der Wissenschaft im Bereich der Verwertung von Online-Reviews besteht, wurden jedoch bisher erst sehr wenige konkrete Grundsätze, Richtlinien und konkrete Vorgehensweisen festgelegt (Dellarocas et al., 2007).

3 Forschungslücke und Forschungsfrage

Wie bereits aus den vorherigen Ausführungen hervorgeht, spielen Prognosemodelle eine besondere Rolle im NPD-Prozess von Unternehmen (Armstrong, 2001, Dahan und Srinivasan, 2000, Herrmann und Huber, 2009, Ozer, 2005, Klink und Athaide, 2006). Im Speziellen bedarf es schnellerer, kostengünstigerer Methoden, die früher im NPD-Prozess ansetzen (Urban et al., 1997, Dahan et al., 2007), um das unnötige Binden von Ressourcen zu vermeiden (Ozer, 1999) und die „time-to-market“ zu verringern (Herrmann und Huber, 2009).

Da durch das Internet einige neue Methoden erste vielversprechende Ergebnisse liefern, wird in die- sem Bereich angestrengt gearbeitet. Vor allem auf den Methoden, die eine große Anzahl von Usern einbinden können, liegt besonderes Augenmerk. Dazu zählen unter anderem Informationsmärkte (Dahan et al., 2007, Soukhoroukova et al., 2010, Spann et al., 2009, Spann und Skiera, 2003), der Einsatz von Online-Communities (Füller et al., 2006, Füller et al., 2007) - die auch mit Crowd- sourcing-Ansätzen verbunden werden (Brabham, 2008a, Howe, 2006) - und „Toolkits for User Inno- vation and Design“ im Rahmen individualisierter Massenfertigung oder als Unterstützung für Ideen- wettbewerbe (Franke et al., 2008, Franke und Piller, 2004, Franke et al., 2010, Franke und von Hippel, 2003, Piller und Walcher, 2006). Sie alle setzen aber mehr oder weniger spät im NPD-Prozess an und benötigen immer auch irgendeine Art von zusätzlichem (Erhebungs-)Aufwand damit eine Prognose überhaupt erst möglich wird. Dieser zusätzliche Aufwand schlägt sich nahezu immer in Form von Kosten und dem Verbrauch zeitlicher Ressourcen nieder.

[...]

Details

Seiten
67
Jahr
2010
ISBN (eBook)
9783640964314
ISBN (Buch)
9783640964680
Dateigröße
2.9 MB
Sprache
Deutsch
Katalognummer
v175392
Institution / Hochschule
Wirtschaftsuniversität Wien – Entrepreneurship und Innovation
Note
Sehr Gut
Schlagworte
eignung feedback-informationen user communities prognose markterfolgen eine analyse dauer intensität feedbackprozessen sehr

Autor

Zurück

Titel: Die Eignung von Feedback-Informationen aus User Communities für die Prognose von Markterfolgen