Thema 12 Einkauf im Internet, Zielgruppe und Kaufverhalten · Das Marketing unterliegt einem...

Thema 12

Einkauf im Internet, Zielgruppe und Kaufverhalten

Seminararbeit

Prof. Dr. Bernd Skiera Lehrstuhl für Betriebswirtschaftslehre, insbesondere Electronic Commerce

Fachbereich Wirtschaftswissenschaften

Johann Wolfgang Goethe-Universität Frankfurt am Main

von

cand. rer. pol. Anja Bach / Nicole Schmitt Studienrichtung: BWL

eCommerce Seminar Anja Bach / Nicole Schmitt - II -

Inhaltsverzeichnis

Tabellenverzeichnis.... ................................................................................................................III Abkürzungsverzeichnis ..............................................................................................................IV Symbolverzeichnis......................................................................................................................V

1 Einleitung ...............................................................................................................................1

2 eCommerce.............................................................................................................................2

2.1 Internetnutzung................................................................................................................2

2.2 Nutzerprofil .....................................................................................................................3

2.3 Motivation der Internetshopper .......................................................................................5

2.4 Produktauswahl ...............................................................................................................5

2.5 Akzeptanz von Zahlungsmethoden .................................................................................6

2.6 Schwierigkeiten beim Einkauf im Internet ......................................................................7

2.7 Fazit der deutschen Studien.............................................................................................8

3 Analyse des 10th GVU’s WWW User Surveys ...................................................................9

3.1 Einführung.......................................................................................................................9

3.2 Vorgehensweise...............................................................................................................9

3.3 Operationalisierung .......................................................................................................11 3.3.1 Abhängige Variable .............................................................................................11 3.3.2 Unabhängige Variable .........................................................................................11

3.4 Darstellung der Analyse ................................................................................................13

3.5 Interpretation und Vergleich der Ergebnisse .................................................................17 3.5.1 Gütemaß ..............................................................................................................17 3.5.2 Klassifikationstabelle ..........................................................................................18 3.5.3 Variablen.............................................................................................................18 3.5.4 Wahrscheinlichkeit ..............................................................................................20

3.6 Fazit der 10th GVU’s WWW User Surveys (amerikanischer Markt)...........................20

4 Ausblick ................................................................................................................................21

5 Anhang..................................................................................................................................21

6 Literaturverzeichnis .............................................................................................................22

Anzahl Wörter: 1828

Dateiname: eCommerce Seminar

eCommerce Seminar Anja Bach / Nicole Schmitt - III -

Tabellenverzeichnis

Tabelle 1: Soziodemographie der Onlinenutzer 1997 bis 1999......................................2

Tabelle 2: In den vergangenen 12 Monaten bestellte Produkte

Bereits in Anspruch genommene Online-Dienstleistungen...........................6

Tabelle 3: Akzeptanz von Zahlungsmethoden...............................................................7

Tabelle 4: Probleme beim Einkauf im Internet..............................................................8

eCommerce Seminar Anja Bach / Nicole Schmitt - IV -

Abkürzungsverzeichnis

GVU Graphic, Visualization, & Usability Center

LL Logarithmus Likelihood

PCC proportional chance criterion

SPSS Superior Performing Software System

eCommerce Seminar Anja Bach / Nicole Schmitt - V -

Symbolverzeichnis

a Konstante

a Anteil an der Gesamtheit der Beobachtungen

bi Koeffizienten

p Wahrscheinlichkeit für das Eintreten eines Ereignisses

Q Question

xi Werte der unabhängigen Variablen

eCommerce Seminar Anja Bach / Nicole Schmitt - VI -

eCommerce Seminar Anja Bach / Nicole Schmitt - 1 -

1 Einleitung „Die Nutzer des Internet sind fast alle Studenten und unter 30 Jahre alt!“ Kann man das

wirklich so stehen lassen? Für Unternehmen, die eine Internetpräsenz planen, ist diese

Aussage zu unspezifisch.

Online-Shops sind vergleichbar mit Ladengeschäften. Der Erfolg ist abhängig von einer gut

durchdachten Strategie. Kundenspezifische Angebote und entsprechende Werbemaßnahmen,

insbesondere die Beachtung des Marketing-Mix, haben große Bedeutung. Lukrative

Geschäfte können nur diejenigen machen, die eine gewisse Bekanntheit und Reputation durch

aktive Marketingmaßnahmen erworben haben.

Das Marketing unterliegt einem Wandel: Vom Mass-Marketing zum Individual-Marketing.

Maßgeschneiderte Produkte, dialogorientierte Kommunikation mit einzelnen Zielpersonen

wie auch der Aufbau von dauerhaften Geschäftsbeziehungen werden zum Ziel. Es werden

genauere Daten benötigt, um die gewünschte Zielgruppe mit der Nutzerstruktur des Internet

vergleichen zu können.

Neuste Studien zum Thema eCommerce/Internetshopping haben versucht, die Masse der

Internetnutzer näher zu beleuchten. Das Interesse der auf Individual-Marketing orientierten

Unternehmen an diesen Studien wächst mit der Notwendigkeit, auf die speziellen Merkmale,

Bedürfnisse und Motivationen der jeweiligen Kunden eingehen zu können. Ihnen muss ein

Added Value geschaffen werden, der sich sowohl auf geringere Preise, bessere Produkte,

dauernde Verfügbarkeit oder einen besseren Service beziehen kann.

Aus diesen Betrachtungen heraus ergeben sich folgende Leitfragen:

1. Wer nutzt das Online-Shopping als Einkaufsmöglichkeit wirklich?

2. Gibt es den „typischen“ Onlineshopper?

Im Rahmen dieser Arbeit soll nun erst allgemein auf die Internetnutzung und ihre

Möglichkeiten eingegangen werden, speziell auf die Entwicklung in Deutschland.

Um einen Einstieg in die Inhalte der oben erwähnten Leitfragen zu bekommen, wird versucht

anhand verschiedener aktueller Studien ein Nutzerprofil herauszufiltern. Hier wird nur der

Business-to-Consumer Bereich betrachtet.

Da der Fokus dieser Betrachtung im Speziellen auf dem Onlineshopping bzw. dem

Onlineshopper liegt, wird nun anhand einer Analyse des 10th GVU’s WWW User Surveys


der Versuch unternommen, das oben entwickelte Nutzerprofil mit Hilfe zusätzlicher

Variablen zu spezifizieren, um der Beantwortung der Leitfragen näher zu kommen.

Im abschließenden Ausblick wird eine Prognose über die Zukunftsaussichten des Online-

Shopping gegeben.

2 eCommerce

2.1 Internetnutzung

Das Internet entwickelt sich auch in Deutschland immer mehr zum Massenmedium. Es bietet

für Unternehmen einen neuen Markt. Niedrige Anfangsinvestitionen ermöglichen eine globale

Präsenz bei einer 24-stündigen Erreichbarkeit nach dem Motto: „Anytime, Anywhere,

Anyhow“. Die Eintrittsbarrieren für Handel und Marketing sind zunächst gering.1

Anhand der ARD/ZDF-Online-Studien 1999 lässt sich eine jährlich steigende Zuwachsrate

von Internetnutzern beobachten. Waren es 1997 noch 4,5 Mio bundesdeutsche Erwachsene

(über 14 Jahre), so wurden im Frühjahr 1998 schon 6,6 Mio und im Frühjahr 1999 sogar 11,2

Mio Erwachsene gezählt. Das entspricht 17,7% der bundesdeutschen Erwachsenen.

Tabelle1

1Vgl. Skript E-Commerce I, Kapitel 1, S.9


Im Vordergrund der Internetnutzung stehen das World Wide Web (WWW) sowie das

Versenden bzw. Empfangen von E-Mails. Beides sind relativ junge Formen der

Kommunikation.

Die Suche nach Produkt- oder Allgemeininformation im WWW wird von 80% der Probanden

der Studie Internetshopping 98/99 betrieben, wobei die Produktinformationssuche nicht

unbedingt den Onlinekauf mit sich bringt. Dieses ist heute noch die Ausnahme.

An zweiter Stelle der Nutzungsrangliste stehen Software-Downloads und Nachrichten (60%)2

gefolgt von Internet-Chatten (44%)3 und dem Abruf von Aktienkursen (33%)4.

Homebanking wird von 24%5 benutzt. Gäbe es hier nicht das Problem des

Sicherheitsaspektes, wäre die Prozentzahl deutlich höher.

Nur 15%6 benutzen das Medium mehr oder weniger regelmäßig zum Kauf.

Fazit:

• niedrige Anfangsinvestitionen

• globale Präsenz

• 24-stündige Erreichbarkeit

• geringe Eintrittsbarrieren

• jährlich drastisch steigende Zuwachsrate von Internetnutzern

• WWW und e-Mails junge Kommunikationsform mit hohem Stellenwert für Internetnutzer

• nur 15% Internetkäufe

2.2 Nutzerprofil

Um Aussagen über Onlineshopper machen zu können, müssen Menschen befragt werden, die

mit dem Internet und dem Handel über das World Wide Web bereits in Berührung gekommen

sind. Es ergibt sich bei der Erstellung des Nutzerprofil des „typischen“ Onlineshopper das

2 Internetshopping Report 98/99, S.10 3 Internetshopping Report 98/99, S.10 4 Internetshopping Report 98/99, S.10 5 Internetshopping Report 98/99, S.10 6 Internetshopping Report 98/99, S.10


Problem, dass sich viele Studien nur auf die Analyse des „typischen“ Internetnutzers

beziehen. Diese sind jedoch noch nicht miteinander gleichzusetzen.

Der idealtypische Onliner ist demnach männlich, über 30 Jahre alt, überdurchschnittlich

gebildet, angestellt in einem Wirtschaftsunternehmen, verfügt über ein leicht gehobenes,

etwas über dem Bundesdurchschnitt liegendes Nettoeinkommen.7/8

Der idealtypische Online Käufer wird laut Internetshopping Studie 98/99 als erfahrener

Internetnutzer bezeichnet, da er schon mehr als zwei Jahre online ist. Er benutzt das Internet

aus beruflichen wie aus privaten Gründen und interessiert sich am meisten für aktuelle

Nachrichten, für Produktinformationen und möchte sich unterhalten. Er hat mehrfach im

Internet eingekauft, wobei er meist positive Erfahrungen gemacht hat. Es ist davon

auszugehen, dass er erneut online einkaufen wird.

Es zeigen sich beim Thema eCommerce größere Unterschiede bezüglich der Geschlechter. In

den vergangenen 12 Monaten haben 35,1%9 der männlichen und 20,6%10 der weiblichen

Internetnutzer online Produkte bestellt. Insgesamt waren es 30,1%11. Es fällt auf, dass

Onlineshopping für männliche Nutzer attraktiver zu sein scheint. Der Anteil der weiblichen

User steigt aber jährlich.

Fazit:

Der idealtypische Onlinekäufer ist

• erfahrener Onlinenutzer (aus beruflichen und privaten

Gründen)

• Mehrfachkäufer

• eher männlich

7 ARD/ZDF-Online-Studie 1999, „Wird Online Alltagsmedium?“, S. 403 8 Internetshopping Report 98/99, S.10 9 Vgl. W&V, 33/99, „Fast zehn Millionen online“, S.117 10 Vgl. W&V, 33/99, „Fast zehn Millionen online“, S.117 11 Vgl. W&V, 33/99, „Fast zehn Millionen online“, S.117


2.3 Motivation der Internetshopper12

Der Kauf übers Internet ist nicht nur deshalb für viele Menschen interessant, weil es die

Möglichkeit der Verwirklichung eines modernen Lebensgefühls bietet oder weil sie erwarten,

in den Genuss von Vorteilen zu kommen, die ihnen außerhalb des Netzes entgehen.

Hauptargumente sind vielmehr schnelle, unkomplizierte Bestellmöglichkeiten,

Bequemlichkeit, die Unabhängigkeit von Ladenöffnungszeiten sowie die Zeitersparnis.

Weitere Argumente sind ein besserer Preis-/Leistungsvergleich, eine schnellere Lieferung,

günstigere Preise und eine vielfältigere Produktauswahl.

Fazit:

• modernes Lebensgefühl

• „Anytime“, „Anywhere“, „Anyhow“

• Preis -/Leistungsvergleich

• schnelle Lieferung

• vielfältige Produkauswahl

2.4 Produktauswahl13

Neueste Studien zeigen, dass die am häufigsten bestellten Produkte im Internet immer noch

Bücher sind. 40% der männlichen und 44% der weiblichen Onlineshopper haben schon bei

Amazon & Co. gekauft. An zweiter Stelle stehen CDs. Ihr Absatz ist ebenso wie der von

Büchern im Vergleich zu Herbst 1998 gestiegen. Dagegen hat sich der Absatz von Computer

und Software verringert. Trotzdem stehen diese Produkte noch an dritter Stelle der Top-

Seller-Liste. Vermehrt werden auch Produkte des täglichen Bedarfs, wie Kleidung und

Sportartikel online eingekauft.

Die Offenheit gegenüber Onlinedienstleistungen wächst weiter, speziell im Touristikbereich,

wobei der Lieferservice von Lebensmitteln immer noch an letzter Stelle der Liste steht.

12 Vgl. Focus, 1999, „Der Markt der Online-Kommunikation - Zukunftsmarkt Internet“


Tabelle 2

Die Aussage, dass digitale bzw. digitalisierbare Produkte ein entscheidendes Erfolgskriterium

des Onlineverkaufs seien, bestätigt sich hier nicht.14 Wieso werden sonst Bücher und CDs

meist in physischer Form am häufigsten gekauft?

Fazit:

Meist bestellte Produkte

• Bücher

• CDs

• Computer und Software

2.5 Akzeptanz von Zahlungsmethoden15

Klassische Zahlungsmethoden werden aufgrund des Sicherheitsbedürfnisses von einer

Mehrzahl der Internetnutzer bevorzugt. Deshalb ist der Einkauf per Rechnung und per

Nachnahme am beliebtesten. Die Bezahlung per Kreditkarte ist nur unter der Voraussetzung

der verschlüsselten Datenübertragung für die Befragten akzeptabel. E-Cash und DigiCash

konnten sich in Deutschland noch nicht durchsetzen.

13 Vgl. W&V, 33/99, „Fast zehn Millionen online“, S.117 14 Albers 1999, „Was verkauft sich im Internet? - Produkte und Inhalte“ 15 Vgl. Internetshopping Report 98/99, S. 37


Tabelle 3

Quelle: Internetshopping Report 98/99

Fazit:

Bevorzugte Zahlungsmethoden

• Rechnung

• Nachnahme

2.6 Schwierigkeiten beim Einkauf im Internet

Für viele User ist der Einkauf via Internet noch nicht alltäglich.

Die größten Schwierigkeiten sieht die Mehrheit der Befragten in der Unsicherheit des

Zahlungsverkehrs sowie in der Übertragung der persönlichen Daten.

Kompliziert erscheint auch das gezielte Suchen bzw. Finden von Homepageadressen und

bestimmten Produkten. Durch viele Anbieter geht die Übersicht verloren. Auch die

Komplexität der Seiten und die Unsicherheit des Kunden führt dazu, dass die endlich

gefundene Seite, ohne genaueres Prüfen des Angebots, schnell wieder verlassen wird. Lange

Ladezeiten und die dadurch verursachten hohen Kosten werden ebenfalls als Manko beim

Internetkauf gesehen, wie auch das zu geringe Angebot an verschiedenen

Zahlungsmöglichkeiten. Mangelnde Abbildungsqualität von Produkten und unzureichende

Informationen werden als Hindernisse beim Kauf genannt.


Tabelle 4

Quelle: Internetshopping Report 98/99

Fazit:

Größte Schwierigkeiten

• Sicherheitsbedenken beim Zahlungsverkehr

• technische Schwierigkeiten

2.7 Fazit der deutschen Studien

Der „typische“, deutsche Onlineshopper ist ein erfahrener, überwiegend männlicher

Internetnutzer (aus beruflichen und privaten Gründen), über 30 Jahre alt, Mehrfachkäufer,

überdurchschnittlich gebildet und verfügt über ein leicht gehobenes, etwas über dem

Bundesdurchschnitt liegendes Nettoeinkommen.


3 Analyse des 10th GVU’s WWW User Surveys

3.1 Einführung

Im folgenden soll nun anhand des 10th GVU’s WWW User Surveys, der sich überwiegend

auf die amerikanische Bevölkerung bezieht, ein Nutzerbild erarbeitet werden. Zum einen

sollen einige soziodemographischen Daten auf ihre Signifikanz hinsichtlich des Kaufs oder

Nichtkaufs überprüft werden. Neben diesen sollen auch Variable wie zum Beispiel der

Sicherheitsaspekt, das Durchhaltevermögen beim Suchen sowie die Bereitschaft, Kreditkarten

zu benutzen, in Betracht gezogen werden.

Vielleicht ergibt sich hieraus eine Ergänzung des Profil des zukünftigen Onlineshopper in

Deutschland, da in den USA die Nutzung der „multimedialen Welt“ schon fast alltäglich

geworden ist.

3.2 Vorgehensweise

In dieser Analyse soll das Kaufverhalten der Internetnutzer in den Vordergrund gestellt

werden. Als multivariates Analyseverfahren wird die logistische Regression eingesetzt. Dies

erscheint sinnvoll, da man hier mit einer qualitativen Fragestellung des Kaufs oder Nichtkaufs

konfrontiert wird.

Mit der logistischen Regression wird die Abhängigkeit einer dichotomen Variablen von

anderen unabhängigen Variablen, die beliebiges Skalenniveau aufweisen können, untersucht.

In der Regel handelt es sich bei der dichotomen Variablen um ein Ereignis, das Eintreten kann

oder nicht - hier Kauf ja oder nein -. Die logistische Regression berechnet dann die

Wahrscheinlichkeit des Eintreffen des Ereignisses in Abhängigkeit von den Werten der

unabhängigen Variablen.

Die Wahrscheinlichkeit für das Eintreten des Ereignisses bei einem Fall wird dabei nach dem

Ansatz.

berechnet, wobei

zep −+

=1

1

axbxbxbz nn +⋅++⋅+⋅= ...211


xi sind die Werte der unabhängigen Variablen, bi sind Koeffizienten, deren Berechnung

Aufgabe der logistischen Regression ist, a ist eine Konstante.

Ergibt sich für p ein Wert kleiner als 0,5, nimmt man an, dass das Ereignis nicht eintritt, im

anderen Fall nimmt man das Eintreffen des Ereignisses an.

In diesem Teil der Arbeit wird ein Datensatz, der sich aus mehreren ausgewählten Fragebögen

des 10th GVU‘s WWW User Surveys über das Kaufverhalten von Kunden im Internet

zusammensetzt, der logistischen Regression unterzogen.

Um den Einfluss verschiedener Variablen auf den Einkauf im Internet zu untersuchen, wird

als abhängige Variable nur die „Purchased Internet product and services“ (Q04) aus dem

Fragebogen „Purchases on the Internet“ gewählt. Diese Frage bezieht sich nur auf den Kauf

innerhalb der letzten drei Monate, was zur Folge hat, dass Nutzer, die z. B. vor vier Monaten

online gekauft haben, nun nicht als Käufer sondern als Nichtkäufer erkannt werden.

Unabhängige Variablen :

„Gender“ (Q47), „Education Attainment“(Q46) und „Household Income“(Q53) aus dem

Fragebogen „General Demographics“;

„Willing to use Credit Card on Web“(Q08) und „How Concerned about Security for

Ecommerce”(Q02) aus dem Fragebogen „Online Privacy and Security“;

„Personal Shopping“(Q196) und „Time to Give Up“(Q207) aus dem Fragebogen „Finding

Product Information and Purchasing Questionnaire“;

„Age“(X2) und „Experience“(X3) aus dem Fragebogen „Purchases on the Internet“.

Um die Ergebnisse des SPSS-Outputs besser interpretieren zu können, werden die

unabhängigen Variablen recodiert und zum großen Teil Dummy-Variablen erzeugt. Die

genauere Darstellung erfolgt im Punkt „Operationalisierung“.

Der Datensatz der 10th GVU’s WWW User Surveys Studie schränkt die Auswahl der

unabhängigen Variablen sehr ein, da die Fragen, die interessant für die Analyse des Käufer-

Nichtkäuferverhalten wären, durch den Datensatz nicht abgedeckt werden. Der Purchasing-

Fragebogen, der sich ausschließlich an Käufer richtet, befaßt sich vor allem mit der

Beziehung eines Konsumenten zu einem bestimmten Internethändler. Dieses hilft jedoch nicht

bei der Erstellung eines charakteristischen Käuferprofils.


3.3 Operationalisierung

3.3.1 Abhängige Variable Wie oben bereits erwähnt, wurde die Variable „Purchased Internet product and services“

(Q04) gewählt. Sie wurde lediglich recodiert.

Dies wurde folgendermaßen vorgenommen:

Kauf 1

Nichtkauf 0

3.3.2 Unabhängige Variable Bei den unabhängigen Variablen werden neben der Recodierung für fast alle Variablen

Dummy-Variablen gebildet.

Die neu definierten, recodierten Daten setzen sich wie folgt zusammen:

Household Income

Incti29$ Household Income<=29$ 1

Others 0

Incti74$ Household Income<=74$ 1

Others 0

Inco75$ Household Income>=75$ 1

Others 0

Age Groups

Age11t20 Age Group 11-20 1

Others 0

Age21t25 Age Group 21-25 1

Others 0

Age26t50 Age Group 1

Others 0

Ageo50 Age Group 50+ 1

Others 0


Experience

Ex1to3 Experience 1-3 1

Others 0

Exo4 Experience >4 1

Others 0

Education Attainment

Voctech Education Attainment Voc/Tech 1

Others 0

College Education Attainment College 1

Others 0

Masters Education Attainment Masters 1

Others 0

Docorpro Education Attainment Doctoral or Professional 1

Others 0

Willing to Use Credit Cards on Web

Q08 Yes 1

No 0

How Concerned about Security EC

Consec1 How Concerned about Security for EC Not 1

Others 0

Consec2 How Concerned about Security for EC Somewhat 1

Others 0

Consec3 How Concerned about Security for EC 1

Others 0


Personal Shopping

Perssho2 Personal Shopping<=2/mo 1

Others 0

Perssho3 Personal Shopping 3-9/mo 1

Others 0

Perssho4 Personal Shopping>10/mo 1

Others 0

Time to Give Up

Giveup1 Time to Give Up<10min 1

Others 0

Giveup2 Time to Give Up10-30min 1

Others 0

Giveup3 Time to Give Up>30min 1

Others 0

Gender

Gen Male 1

Female 0

3.4 Darstellung der Analyse

Die folgende Analyse des oben beschriebenen Datenmaterials wird mit dem Programm

„SPSS für Windows“ vorgenommen. Als multvariate Analysemethode wird die logistische

Regression eingesetzt, die durch folgende Anweisungen im SPSS-Menü durchgeführt wird:

Folgend sollen einige Auszüge des Outputs dokumentiert werden.

sticBinaryLogigressionAnalyse →→→ Re


Total number of cases: 913 (Unweighted) Number of selected cases: 913 Number of unselected cases: 0 Number of selected cases: 913 Number rejected because of missing data: 601 Number of cases included in the analysis: 312

In das Modell werden aufgrund fehlender Daten nur 312 von 913 im Fragebogen enthaltenen

Fällen aufgenommen.

Dependent Variable Encoding: Original Internal Value Value ,00 0 1,00 1 Dependent Variable.. Q04 Purchased Internet product and services Beginning Block Number 0. Initial Log Likelihood Function -2 Log Likelihood 223,15935 • Constant is included in the model. Estimation terminated at iteration number 4 because Log Likelihood decreased by less than ,01 percent. Classification Table for Q04 The Cut Value is ,50 Predicted NO YES Percent Correct N Y Observed NO N 0 36 ,00% YES Y 0 276 100,00%

Overall 88,46% ---------------------- Variables in the Equation ----------------------- Variable B S.E. Wald df Sig R Exp(B) Constant 2,0369 ,1772 132,1261 1 ,0000 Beginning Block Number 1. Method: Backward Stepwise (LR) Estimation terminated at iteration number 6 because Log Likelihood decreased by less than ,01 percent. -2 Log Likelihood 154,055 Goodness of Fit 192,437 Cox & Snell - R^2 ,199 Nagelkerke - R^2 ,389 Chi-Square df Significance Model 69,104 22 ,0000 Block 69,104 22 ,0000 Step 69,104 22 ,0000


Die Güte der Anpassung des Modells wird anhand der Likelihood-Funktion beurteilt. Als

Maß gilt der negative doppelte Wert des Logarithmus (-2LL). Im Beispiel beträgt der

Anfangswert 223,159. Er ergibt sich aus dem Regressionsmodell, das nur die Konstante

enthält. Eine Abnahme des Wertes bedeutet eine Verbesserung der Anpassung des Modells.

Im ersten Schritt, in dem alle Variablen in das Modell integriert werden, wird nach sechs

Iterationen ein –2LL von 154,055 erreicht. Die Differenz von 69,104 wird als Chi-Quadrat-

Wert ausgewiesen und ist höchst signifikant.

Classification Table for Q04 The Cut Value is ,50 Predicted NO YES Percent Correct N Y Observed NO N 12 24 33,33% YES Y 7 269 97,46% Overall 90,06%

In der Klassifikationstabelle wird die beobachtete Gruppenzugehörigkeit (1=Kauf,

2=Nichtkauf) der im Modell berechneten vorhergesagten Gruppenzugehörigkeit

gegenübergestellt. Der Tabelle ist zu entnehmen, dass von insgesamt 276 Käufern 269 richtig

erkannt werden. 7 werden hingegen vom Test als Nichtkäufer beurteilt, obwohl sie Käufer

sind. Von den insgesamt 36 Nichtkäufern werden nur 12 als solche erkannt. 24 hingegen

werden als Käufer eingestuft. Insgesamt werden also 281 Fälle richtig beurteilt. Dies

entspricht 90,06 %. In diesem Schritt werden durch das Verfahren der Rückwärtsregession

erst einmal alle Variablen in das Modell mit aufgenommen.

Zwecks besserer Überschaubarkeit wird diese Art der Regression verwendet. In 14 Schritten

werden nicht signifikante (Signifikanzniveau größer gleich 0,05), unabhängige Variablen aus

dem Modell entfernt.

Variable(s) Removed on Step Number

2.. EXO4Y Experience >4 Years Estimation terminated at iteration number 6 because Log Likelihood decreased by less than ,01 percent. -2 Log Likelihood 154,123 Goodness of Fit 193,442 Cox & Snell - R^2 ,198 Nagelkerke - R^2 ,389 Chi-Square df Significance Model 69,036 21 ,0000 Block 69,036 21 ,0000 Step -,068 1 ,7946


Im 2. Schritt erhöht sich das Gütemaß um den Wert 0,068. Trotz Elimination unsignifikanter

Variablen findet keine Verbesserung der Anpassung statt. Dieses setzt sich in den folgenden

Schritten fort.

Ab Schritt 4 nimmt der Prozentsatz der richtig Beurteilten ab. Im Schritt 6 wird wieder der

ursprünglichen Wert erreicht. Diese Prozedur setzt sich bis zum letzten Schritt fort (siehe

Anlage SPSS-Output, logistische Regression), in dem ein endgültiger Wert von 89,42%

angenommen wird (siehe weiter unten). Er liegt etwas mehr als 1% höher als in der

Ausgangssituation, in der nur die Konstante in der Gleichung erscheint.

Variable(s) Removed on Step Number 14.. GIVEUP3 Time to Give Up >30min Estimation terminated at iteration number 6 because Log Likelihood decreased by less than ,01 percent. -2 Log Likelihood 164,579 Goodness of Fit 235,602 Cox & Snell - R^2 ,171 Nagelkerke - R^2 ,335 Chi-Square df Significance Model 58,580 9 ,0000 Block 58,580 9 ,0000 Step -,785 1 ,3757 Note: A negative Chi-Square value indicates that the Chi-Square value has decreased from the previous step.

Der -2LL Wert liegt bei 164,579 und damit besteht nur eine Differenz von 58,58 (=Chi-

Quadrat Wert) zum –2LL Wert in der Ausgangssituation. Trotz der 14 Schritte hat sich nur

eine geringfügige Verbesserung ergeben.

Classification Table for Q04 The Cut Value is ,50 Predicted NO YES Percent Correct N Y Observed NO N 10 26 27,78% YES Y 7 269 97,46% Overall 89,42%

Im letzten Klassifikations-Tableau werden 10 von 36 Nichtkäufern erkannt. Dies stellt zwar

eine Verbesserung zum Ausgangstableau dar, in dem keine Nichtkäufer erkannt werden,

jedoch eine Verschlechterung bezüglich des 1. Schrittes.


---------------------- Variables in the Equation ----------------------- Variable B S.E. Wald df Sig R Exp(B) INCO75$ 1,3780 ,6544 4,4347 1 ,0352 ,1045 3,9670 AGE21T25 1,4923 ,8822 2,8616 1 ,0907 ,0621 4,4474 AGE26T50 1,9800 ,7801 6,4420 1 ,0111 ,1411 7,2428 AGEO50 1,8948 ,9203 4,2393 1 ,0395 ,1002 6,6515 MASTERS 1,7275 ,8518 4,1131 1 ,0426 ,0973 5,6266 Q08 2,2649 ,6438 12,3755 1 ,0004 ,2156 9,6306 PERSSHO2 1,8724 ,9596 3,8074 1 ,0510 ,0900 6,5040 PERSSHO3 4,0981 1,1573 12,5385 1 ,0004 ,2173 60,2232 PERSHO4 4,1402 1,4105 8,6162 1 ,0033 ,1722 62,8157 Constant -4,5575 1,3774 10,9485 1 ,0009 --------------- Variables not in the Equation ----------------- Residual Chi Square 10,943 with 13 df Sig = ,6156 Variable Score df Sig R INCTI29$ ,0297 1 ,8633 ,0000 INCTI74$ ,3460 1 ,5564 ,0000 EX1TO3 1,0810 1 ,2985 ,0000 EXO4Y ,8578 1 ,3543 ,0000 VOCTECH ,2265 1 ,6341 ,0000 COLLEGE ,0000 1 ,9982 ,0000 DOCORPRO ,0308 1 ,8607 ,0000 CONSEC2 ,1596 1 ,6895 ,0000 CONSEC3 1,0580 1 ,3037 ,0000 GIVEUP1 ,1725 1 ,6779 ,0000 GIVEUP2 ,4322 1 ,5109 ,0000 GIVEUP3 ,7521 1 ,3858 ,0000 GEN ,7716 1 ,3797 ,0000 No more variables can be deleted or added.

Wie im Tableau „Variables in the Equation“ zu sehen ist, bleiben am Ende der Regression 9

von 21 Variablen im Modell. Zwei weisen im Gegensatz zu den übrigen ein

Signifikanzniveau größer 0,05 auf, was ungewöhnlich erscheint. Dazu weiteres in der

Interpretation.

3.5 Interpretation und Vergleich der Ergebnisse

3.5.1 Gütemaß Wie in der Darstellung der Analyse bereits erwähnt, wird der –2LL Wert zur Beurteilung der

Güte der Anpassung verwendet. Sinkt sein Wert im Laufe der Regression, bedeutet dies eine

Verbesserung der Anpassung.

Im dargestellten Modell nimmt das –2LL Maß im Ausgangstableau einen Wert von

223,15935 an. Absolut gesehen findet im Modell nach durchgeführter Regression eine

Verbesserung der Anpassung statt, da der –2LL Wert auf 164,579 gesunken ist.


3.5.2 Klassifikationstabelle Zu Beginn der Analyse werden alle vorhergesagten, durch das Modell bestimmten Käufer

richtig den beobachteten zugeordnet. Das Modell kann jedoch keinen der Nichtkäufer

erkennen. Der Anteil der korrekt vorhergesagten Fälle beträgt 88,46%.

Nach Durchführung der logistischen Regression hat sich der Anteil der korrekt

vorhergesagten Fälle auf 89,42% erhöht. Es werden jetzt 10 von 36 Nichtkäufern

identifiziert, doch dafür 7 der Käufer als Nichtkäufer eingestuft. Diese Verschlechterung im

Bereich der Käufer ist zu vernachlässigen, da diese 7 nur 2% der Käufer ausmachen.

Insgesamt läßt sich also eine Verbesserung erkennen. Da man es hier mit zwei sehr

unterschiedlich großen Gruppen zu tun hat, wird zur Beurteilung der Klassifizierungsgüte das

„proportional chance criterion“ (PCC) empfohlen. Er entspricht einer zufälligen Trefferquote

von

a ist der Anteil an der Gesamtzahl der Beobachtungen. In unserem Beispiel nimmt a einen

Wert von (7+269)/312=0,8846 an. Der PCC Wert ist demnach 0,7959. Da 89,42% der

Beobachtungen richtig klassifiziert werden, ist die Zuordnung gegenüber dem PCC Wert als

gut zu beurteilen, da der PCC Wert kleiner als der Prozentsatz der richtig klassifizierten

Beobachtungen sein muß.

3.5.3 Variablen Zunächst müssen erst alle Variablen, die im Endtableau „Variables in the Equation“

erscheinen, dahingehend untersucht werden, ob sie signifikant von Null verschieden sind. Nur

dann haben sie einen Einfluß auf den Kauf. Signifikant von Null verschieden bedeutet, dass

das Signifikanzniveau einen Wert kleiner 0,05 annimmt.

Das Einkommen größer $ 75.000 bleibt als signifikante Variable im Modell enthalten.

Menschen mit einem gehobenen Einkommen scheinen daher tatsächlich vermehrt über das

Internet einzukaufen. Diese deckt sich mit der Beschreibung des typischen deutschen

Internetnutzer, der durch ein gehobenes, leicht über dem Bundesdurchschnitt liegenden

Einkommen charakterisiert wird. In diesem Punkt könnte also der typische Onlinekäufer der

USA mit dem Deutschen gleichgesetzt werden.

Keine der drei Altersgruppen wird in der Analyse eliminiert, obwohl die Altersgruppe der

21-25jährigen nicht signifikant von Null verschieden ist. Da ihr Signifikanzniveau über 5%

( ) .12 αα −+


liegt, hat diese Altersklasse keinen Einfluß auf die abhängige Variable. Sie ist also nicht

kaufbestimmend. Die Altersklassen der 26-50jährigen und der über 50jährigen sind

signifikant von Null unterschieden. Auch in den deutschen Studien wird ein Alter von über

30 Jahren als typisch angegeben. Bisher scheint es keine gravierenden Unterschiede zwischen

deutschen und amerikanischen Käufern zu geben.

Von den Variablen, die die Ausbildung betreffen, bleibt nur die Variable „Masters“ im

Endtableau. Sie ist signifikant von Null verschieden und hat dadurch Einfluß auf die

abhängige Variable.

Die Bereitschaft zur Nutzung von Kreditkarten im Internet scheint bei den amerikanischen

Käufern besonders hoch zu sein, da hier das Signifikanzniveau nahe bei Null liegt. Zu

beachten ist hier, dass in den USA im Internet nur per Kreditkarte bezahlt werden kann und

somit keine andere Zahlungsalternative für die Käufer besteht. In Deutschland läßt sich dies

noch nicht durchsetzen, da noch zu viele Onlinekäufer auf traditionelle Zahlungsmittel

bestehen.

Die Variablen der Kategorie „Personal Shopping“ bleiben alle im Endtableau enthalten, doch

auch hier gibt es eine Variable (Personal Shopping<=2/mo), die gemäß dem

Signifikanzkriterium keinen Einfluß auf die Kaufentscheidung hat. Die Amerikaner kaufen

demnach mehr als 2 mal pro Monat online ein. Zu den Deutschen läßt sich nur sagen, dass sie

Mehrfachkäufer sind, in welchem Zeitraum war allerdings nicht zu erkennen.

Einige Variablen, die einen positiven Einfluß auf die Kaufentscheidung vermuten ließen,

werden schnell aus dem Modell eliminiert und somit nicht in die Endgleichung mit

aufgenommen.

Ein Beispiel hierfür ist das Geschlecht. In allen bisher gelesenen Studien stellt sich heraus,

dass überwiegend Männer im Internet einkaufen. Das Geschlecht müßte also einen Einfluß

auf die Kaufentscheidung haben, zumindest in Deutschland. Ob sich der Einfluß des

Geschlechts für die amerikanischen Onlinekäufer nun verneinen lässt oder ob es am Modell

liegt, ist schwer zu sagen, denn zum Beispiel in der Studie zum Thema eCommerce im

Internet von ComCult research ist zu lesen, dass die Zahl der amerikanischen

Internetkäuferinnen sich zwar erhöht hat, aber immer noch mehr Männer das Medium Internet

für Einkäufe nutzen. Auch die Überprüfung der Häufigkeitsverteilung des zehnten GVU

Datensatzes legt die Vermutung nahe, dass ein Fehler im Modell vorliegt.


Die Erfahrung des Internetnutzers im Netz wird in der Literatur häufig mit dem

Onlineshopping verbunden, d. h. dass vor allem erfahrene Internetuser auf eCommerce

Angebote zurückgreifen. Innerhalb des Modells kann dieses nicht bestätigt werden. Auch hier

stellt sich die Frage nach der Erklärung.

Sicherheitsbedenken scheinen keinen signifikanten Einfluss auf das Kaufverhalten in den

USA zu haben, während in Deutschland Personen mit besonders hohen Sicherheitsbedenken

eher nicht zum Einkauf im Internet neigen.

Da viele Web-Seiten aufgrund des Versuchs, durch möglichst viele Informationen den

Kunden zum Kauf zu bewegen, ein hohes Maß an Komplexität aufweisen, erschien uns das

Durchhaltevermögen beim Suchen als bedeutendes Kriterium. Doch auch dieses wird im

Modell als nicht signifikant ausgewiesen und erscheint somit nicht in der Endgleichung.

3.5.4 Wahrscheinlichkeit Neben der Signikanzbestätigung kann mit der logistischen Regression außerdem eine

Wahrscheinlichkeit dafür geschätzt werden, dass eine Person einen Einkauf im Internet tätigt

(siehe Punkt 3.2). Der Koeffizient b läßt sich aus der 1. Spalte des Tableaus „Variables in the

Equation“ entnehmen. Der Wert der Konstanten a ist der letzte in dieser Spalte. Für die

Variablen xi muß ein Wert eingesetzt werden. Da zwei der Variablen im Endtableau nicht

signifikant sind, folgt, dass diese die Wahrscheinlichkeit des Kaufs zwar erhöhen würden,

aber aufgrund ihrer nicht signifikant von Null verschiedenen Steigung keinen Nachweis

erbringen, dass Personen in der Altersgruppe der 21-25jährigen und Personen, die weniger als

zweimal im Monat online ordern, häufig Käufer sind. Es ergibt sich hieraus die Frage, wieso

sie nach durchgeführter Regression noch im Endtableau enthalten sind.

3.6 Fazit der 10th GVU’s WWW User Surveys (amerikanischer Markt)

Gezeigt werden konnte, dass Personen mit einem Einkommen über $ 75.000, einem Alter von

über 26 Jahren, die den Abschluß „Masters“ sowie die Bereitschaft zur Kreditkartenzahlung

im Internet haben und mehr als dreimal pro Monat im Internet bestellen, „typische“

Onlinekäufer der USA sind.


4 Ausblick Faßt man die Ergebnisse zusammen, lassen sich keine gravierenden Unterschiede zwischen

dem „typischen“ amerikanischen und dem „typischen“ deutschen Internetshopper erkennen.

Nimmt man nun an, dass der amerikanische Onlineshopper dem deutschen in seiner

Entwicklung voraus ist, könnte der „typische“ deutsche Onlineshopper zukünftig wie folgt

beschrieben werden: Er ist 26 Jahre und älter, verfügt über ein gehobenes Einkommen sowie

über einen mittleren bis hohen Bildungsstand. Aufgrund seine gesunkenen

Sicherheitsbedenken wird er vermehrt mit Kreditkarte bezahlen. Jedoch muß hierbei die

Mentalität des Deutschen berücksichtigt werden, weshalb z. B. Sicherheitsbedenken nicht

allzu schnell abnehmen werden. Außerdem ist anzunehmen, dass es unter den Onlineshoppern

immer mehr Onlineshopperinnen geben wird.

Darüber hinaus ist zu vermuten, dass sich bei wachsendem Angebot von internettypischen

Produkten, die Segmentierung der Zielgruppen weiter verfeinert. Ein Beispiel hierfür ist

heute bereits der inzwischen weltgrößte Computerhersteller Dell, der im Direktvertrieb,

besonders im Internet, individuelle Geräte verkauft, die am Bildschirm auf die Belange des

Kunden zugeschnitten werden.

Die Gesamtzielgruppe der Internetuser und Internetshopper wird sich drastisch vergrößern

und in alle Altersklassen und soziodemographische Schichten ausdehnen. Helfen dabei

werden Internetzugänge übers TV und verbesserte bzw. sicherere Zahlungssysteme. Das

Individual-Marketing der Anbieter wird in zunehmendem Maße gefragt.

5 Anhang Inhaltsverzeichnis Diskette

spss_purch_gen_sec_shop verwendeter Fragebogen

spss_output Output der logistischen Regression

recode SPSS Syntax


Literaturverzeichnis Albers, S. (1999), „Was verkauft sich im Internet?-Produkte und Inhalt“

Backhaus, K. /Erichson, B. /Plinke, W. /Weiber, R. (1996), „Multivariate Analysemethoden. Eine anwendungsorientierte Einführung“, Berlin et al.

Bühl, Achim; Zöfel, P., „SPSS Version 8“, Bonn, Addison-Wesley-Longman, 1998

Deutsche Fachpresse, Online-Umfrage 1999, Fachinformationen im Internet, September 1999

dmmv SPECIAL 10/99, E-Commerce Know-How, Teil 1: Grundlagen

Frankfurter Allgemeine Zeitung, Internet und Telekommunikation im Überblick, „Virtuelle Marktplätze gewinnen immer mehr Anhänger“, 28.10.1999, Nr. 251, S. 33

http://www.comcult.de/infopool/in _ecom.htm, (Stand: 10.6.1999)

Hartmann, Axel, „ Fast zehn Milionen online“, W&V 33/99, S. 116 f.

http://www.ifap.bepr.ethz.ch/~egger/ibq/res.htm

http://www.internet-shop.de/stati.html

http:/www.uni-mainz.de/~ifpwww/ok/ref060599a.html

Internet FirstSurf – Symposion Publishing, „Kurzreport Internetshopping 98/99“, Düsseldorf

Focus (Hrsg.), 1999, Der Markt der Online-Kommunikation – Zukunftsmarkt Internet, München

Krafft, Dr. Manfred, Zeitschrift für Betriebswirtschaft, „Der Ansatz der Logistischen Regression und seine Interpretation“, Gabler -Verlag 1997

Link, J. (1998), „Wettbewerbsvorteile durch Online Marketing“, Berlin et al.

Media Perspektiven, Sonderdruck aus MP 8/1999, ARD/ZDF-Online-Studie 1999:“Wird Online Alltagsmedium?“

Pfeiffer, Schuchmann, „Datenanalyse mit SPSS für Windows“, 2. Aufl., München, Wien, Oldenburg 1996

Skiera, B., Skript eCommerce I, SS 1999

Date post:	11-Sep-2019
Category:	Documents
Upload:	others
View:	4 times
Download:	0 times

Thema 12 Einkauf im Internet, Zielgruppe und Kaufverhalten · Das Marketing unterliegt einem...

Documents