Akzeptanz anbieterseitiger Integration in die Alltagsprozesse der Konsumenten: Erste empirische Ergebnisse; Consumer acceptance of provider integration: empirical findings;

DOI 10.1007/s11573-011-0501-8Z Betriebswirtsch (2011) 81:111–145

Zf B-SPECIAL ISSUE 5/2011

Akzeptanz anbieterseitiger Integration indie Alltagsprozesse der Konsumenten:Erste empirische Ergebnisse

Rolf Weiber • Robert Hörstrup • Daniel Mühlhaus

Zusammenfassung: Eine besondere Spielart des Web 2.0 stellt dieVerarbeitung der Nutzungsdatenvon Produkten dar, aus denen dann u. a. über Web-Anwendungen den Nutzern in Echtzeit Service-leistungen zur Optimierung ihrer Konsum- bzw. Nutzungsprozesse geliefert werden können. DieErfassung von Nutzungsdaten von Produkten in Echtzeit ermöglicht aktuell vor allem sog. AmbientIntelligence (AmI) Anwendungen, womit sich gleichzeitig für die Anbieter völlig neue Optionen inder Vermarktung ihrer Leistungen eröffnen. Dabei ist insb. die „klassische“ Kundenintegration inRichtung einer „Anbieterintegration“ (AI) zu erweitern, bei der die Anbieter in die Alltagsprozesseder Nachfrager integriert sind. Der Beitrag arbeitet die zentralen Charakteristika der AI heraus undtestet durch die Entwicklung sowie empirische Prüfung eines adaptierten Akzeptanz-Modells dieAkzeptanz der AI. Die dabei erzielten Ergebnisse lassen für die Zukunft eine durchaus breite Inan-spruchnahme der AI erwarten und motivieren damit auch zukünftige Forschungsarbeiten in diesemBereich, die der Beitrag abschließend kurz skizziert.

© Gabler-Verlag 2011

Univ.-Prof. Dr. R. Weiber (�)Marketing und Innovation, Universität Trier,Universitätsring 15, 54286 Trier, DeutschlandE-Mail: [email protected]

Dipl.-Kfm. R. HörstrupOLIGO Lichttechnik GmbH,Meysstraße 22–24, 53773 Hennef, DeutschlandE-Mail: [email protected]

Dipl.-Volksw. Dipl.-Kfm. D. MühlhausTNS Infratest, Landsberger Str. 284, 80687 München, DeutschlandE-Mail: [email protected]

112 R. Weiber et al.

Schlüsselwörter: Ambient Intelligence · Kundenintegration · Technology Acceptance Model(TAM) · Anbieterintegration

JEL Classification: M30 · M31 · M39

1 Das Internet der Dinge als Herausforderung für das Marketing

Das World Wide Web gehört neben E-Mails zweifelsfrei zu den bekanntesten Dienstendes Internets, das immer noch rasanten Weiterentwicklungen unterlegen ist. Diesen Ent-wicklungen „Versionsnummern“ zuzuordnen wird jedoch vielfach kritisiert (Berners-Lee2006), nichtsdestotrotz zeigen sich einige Besonderheiten des sog. Web 2.0. In der Li-teratur (z. B. O’Reilly 2005) erfolgt dabei überwiegend eine Betonung der Interaktions-möglichkeiten zwischen den Nutzern sowie die aktive Mitgestaltung der Nutzer von Web-Anwendungen als zentrale Charakteristika des Web 2.0, was im Ergebnis zur Entwicklung„kollektiver Intelligenz“ führt bzw. führen soll. Darüber hinaus wird von O’Reilly aberauch herausgestellt, dass das Web 2.0 nicht länger auf die PC-Plattform beschränkt bleibt,sondern völlig neue Anwendungen eröffnet, wenn „more and more devices are connectedto the new platform . . . [and] our phones and our cars are not consuming data but reportingit“ (O’Reilly 2005, S. 6). O’Reilly schlägt damit die Brücke zu den gegenwärtig aktuellenInformatikforschungen im Bereich der sog. „Ambient Intelligence“ (AmI), die die Mög-lichkeiten untersuchen,Anwender umfassend in ihren alltäglichenAnwendungsprozessen,etwa durch Echtzeitbeobachtung der Nutzung, mit Serviceleistungen zu unterstützen. Dervorliegende Beitrag konzentriert sich auf diese Ausprägungsform des Web 2.0, bei der dieInformationsabgabe sowie Vernetzung zwischen Produkten im sog. „Internet der Dinge“(Fleisch und Mattern 2005, S. 3 ff.) verbunden wird mit Web-Anwendungen und zeigt sichdaraus ergebende neue Optionen einer erweiterten Integration von Anbieter- und Kunden-aktivitäten i. S. einer „Kundenintegration 2.0“ auf.

Die technischen Entwicklungen im AmI-Bereich zielen insb. darauf ab, die Anwenderumfassend in ihren alltäglichen Anwendungsprozessen zu unterstützen und ermöglichenServiceleistungen insb. in Prozessen, die für den Nutzer oftmals „unsichtbar“ sind, sichflexibel auf konkrete Anwendungssituationen einstellen können und nicht zwingend Akti-vitäten durch den Nutzer erfordern (Fälsch 2007, S. 47). Ermöglicht werden können solcheServiceleistungen durch die Integration einer Vielzahl von miniaturisierten Prozessoren,Sensoren und Funkmodulen in Räume, Umgebungen und Alltagsdinge, ergänzt durch un-terstützende Infrastruktursysteme (Mattern 2005, S. 41). Aktuell reichen „smarte Dienst-leistungen“ von Kontrollservices über Diebstahlsicherungen und Informationsdienste bishin zu Risiko-Dienstleistungen, bei denen z. B. Auto-Versicherungen ihre bislang ge-schätzten Versicherungskosten anhand von tatsächlichen Nutzungsdaten wie Fahrstrecke,Geschwindigkeit oder Tageszeit berechnen (Coroama 2006, S. 137 ff.; Fleisch et al. 2005,S. 26 f.). Weitere Anwendungsfelder liegen derzeit z. B. im Bereich des Assisted Living(Fraunhofer-IuK-Verbund 2009, S. 6 ff.) sowie dem Verkehrs-, Medizin- und Sportbe-reich (Bundesministerium für Bildung und Forschung 2006, S. 45 ff.; Bick und Kummer2010, S. 59 ff.). Beispielhaft sei für die Verbindung zwischen einer AmI- und einer Web-Anwendung hier das von adidas offerierte „micoach“ genannt, das ein persönliches Trai-ningssystem darstellt, das kontinuierliche Herzfrequenzmessungen und Schrittzählungen

Akzeptanz anbieterseitiger Integration in die Alltagsprozesse der Konsumenten 113

während des Laufens oder beim Fitnesstraining durchführt, diese Messungen über eineWeb-Anwendung mit personenbezogenen Daten (Alter, Gewicht, Größe usw.) abgleichtund auf dieser Basis dem Läufer in EchtzeitAnweisungen zum optimalen Trainingsverlaufgibt (http://www.adidas.com/de/micoach).

Die wachsende Integration von Informationstechnik in Produkte undAlltagsgegenstän-de sowie die Möglichkeiten der mobilen Kommunikation werden zukünftig eine immergrößere Transparenz über den Verlauf der Alltagsprozesse der Menschen schaffen. Damiteröffnet AmI den Anbietern erstmals auf breiter Basis die Möglichkeit, Rückkopplungenaus den Nutzungsprozessen der Nachfrager zu erhalten und aufgrund der Vernetzungs-optionen unmittelbar auch in die aktuell bestehenden, alltäglichen Nutzungssituationeneinzugreifen. Durch diese Rückkopplungsmöglichkeiten aus den Nutzungsprozessen er-halten die Anbieter die Chance, mit ihren Leistungsangeboten genau zu dem Zeitpunktan dem Ort sein zu können, wo sich der Gebrauchswert eines Leistungsangebotes ent-faltet, nämlich am „ point of use“. Dort finden Anbieterleistungen in der Verfügbarkeitdes Anwenders ihre direkte Verwendung, und hier erfolgt die originäre Bedürfnisbefrie-digung. Die Einbettung der Alltagsprozesse der Menschen in ein AmI-Umfeld eröffnetzukünftig umfassende Integrationsmöglichkeiten des Anbieters in die Nutzungsprozesseder Nachfrager und führt zu der Erfordernis, den Betrachtungsfokus der „klassischen“Kundenintegration zu erweitern, da hier nicht nur der Kunde zum externen Produkti-onsfaktor im Leistungserstellungsprozess des Anbieters wird, sondern auch der Anbieterzum Gestaltungsfaktor der alltäglichen Nutzungsprozesse der Konsumenten. Die expliziteAusweitung der unternehmerischen Wertschaffung auf die Nutzungsprozesse der Nach-frager führt zu einer Veränderung des Vermarktungsparadigmas, was in diesem Beitragals „Nutzungsvermarktung“ beschrieben wird und erfordert damit auch ein angepasstesMarketing-Konzept, das im Folgenden als „Anbieterintegration“ (AI) bezeichnet wird.

Vor obigem Hintergrund verfolgt der vorliegende Beitrag das Ziel, zunächst die Be-sonderheiten einer an den Nutzungsprozessen der Konsumenten orientierten Vermarktung(sog. Nutzungsvermarktung) herauszuarbeiten und den Marketing-Ansatz der „Anbie-terintegration“ in seinen zentralen Charakteristika zu entwickeln. Da die AI wesentlichdurch die Bereitschaft der Nachfrager bestimmt wird, ihre Nutzungsprozesse offen zulegen, konzentriert sich der Beitrag in einem zweiten Schritt auf die Entwicklung einesauf die AI angepassten Akzeptanzmodells. Dieses Modell wird herangezogen, um imRahmen einer empirischen Untersuchung zu prüfen, ob zukünftig eine ausreichende Be-reitschaft zur Inanspruchnahme von Leistungen im Kontext der AI zu erwarten ist undwelche zentralen Größen hierauf Einfluss nehmen. Nur wenn eine ausreichende Bereit-schaft zur Inanspruchnahme gegeben ist, ist es für die Anbieter auch sinnvoll, spezifischePotenziale und Kompetenzen zur Realisierung der AI aufzubauen. Der Beitrag schließtmit einer Zusammenfassung der zentralen Ergebnisse und Limitationen der empirischenUntersuchung sowie einem Ausblick auf weitere Forschungsarbeiten zur konzeptionellenEntwicklung eines AI-spezifischen Marketing-Ansatzes.


2 Nutzungsvermarktung als Basis der Anbieterintegration

Das Marketing hat schon immer betont, dass es nicht die Funktionalität der Produkte ist,für die Kunden einen Preis bezahlen, sondern der Nutzen, den ein Produkt in der konkre-ten Bedarfs- bzw. Anwendungssituation zu stiften in der Lage ist. So hat bereits Menger(1871, S. 78) herausgestellt, dass Güter nicht aufgrund ihrer objektiven Eigenschaftenfür den Nachfrager einen Wert entfalten, sondern aufgrund ihrer Bedeutung, die sie beider Verwendung zur Befriedigung eines konkreten Bedürfnisses für einen Nachfrager er-langen. Dieser Wert wurde von Menger als Gebrauchswert bezeichnet und deutlich vomTauschwert unterschieden. Letzterer ist zwar der Gegenstand von Transaktionen, durch ihnkann die anstehende bzw. zukünftige Verwendung eines Produktes aber allenfalls antizi-piert werden. Die Fokussierung des Tauschwertes liegt vor allem darin begründet, dass dasMarketing vor der grundsätzlichen Problematik steht, dass i. d. R. eine zeitliche Diskre-panz zwischen der Herstellung bzw. dem Kauf eines Produktes und dem Zeitpunkt besteht,zu dem sich der vom Kunden wahrgenommene Nutzen eines Produktes in der konkretenAnwendungssituation tatsächlich entfaltet. Während Zeitpunkt und Ort des Kaufs einesProduktes in der Literatur als point of sale oder point of purchase bezeichnet werden, wirdim Folgenden der Zeitpunkt und der Ort der Nutzenentfaltung als point of use bezeichnet.Da dieAnbieter in der Mehrzahl der Fälle am point of use jedoch nicht präsent sein können,1

muss sich die Vermarktung zwangsläufig auf die Gestaltung des Austauschprozesses fo-kussieren, weshalb das Marketing von namhaften Vertretern wie z. B. Bagozzi (1978, S.535 ff.), Kotler (1972, S. 48 ff.) oder Hunt (1976, S. 25) auch als „science of transactions“bezeichnet wird. In der Konsequenz fokussieren die Marketing-Bemühungen deshalb dieErforschung des Kaufprozesses und die Gestaltung des Tauschwertes einer Leistung, wo-bei der Tauschwert häufig auch aus den Produktcharakteristika und den Herstellkosteneiner Leistung abgeleitet wird. Um darüber hinaus eine möglichst hohe Nutzenentfaltungin der konkreten Anwendungssituation, nämlich am point of use, zu erreichen, versuchtedas Marketing bisher vor allem durch produktbegleitende Dienstleistungen, After SalesServices oder die Erstellung individualisierter Produkte (sog. „Customer Solutions“) dieKunden beim Gebrauch von Produkten zu unterstützen.

In jüngster Zeit haben vor allem Vargo und Lusch sowie andere Autoren herausge-stellt, dass in realen Vermarktungssituationen immer noch eine „Goods-Centered Domi-nant Logic“ (im Folgenden als Produktvermarktung bezeichnet) vorherrschend ist, bei derim Rahmen der Vermarktung eine Fokussierung auf Produkteigenschaften erfolgt (Luschet al. 2006, S. 265; Grönroos 2006, S. 320; Gummesson 2008, S. 15), wodurch aberder eigentliche Nutzen eines Produktes „maskiert“ wird. Es wird deshalb eine „Service-Centered Dominant logic“ (SDL) gefordert (z. B. Vargo und Lusch 2004, S. 8 f.; Luschet al. 2006, 2009), bei der Leistungen immer in mehr oder weniger starker Kooperationmit den Kunden erstellt werden (vgl. zu dieser Forderung auch Engelhardt et al. 1993,S. 407 ff.) und sich die Anbieter bewusst sein müssen, dass die eigentliche Nutzenent-faltung einer Leistung nur im Nutzungsprozess des Nachfragers entstehen kann („valuein use“), während Unternehmen immer nur Leistungsversprechen („value propositions“)geben können (Vargo und Lusch 2004, S. 11).

Die Vermarktungssituation ändert sich jedoch in dem Moment, in dem der Anbieterauch im Nutzungsprozess des Kunden „anwesend“ sein kann und die Möglichkeit besteht,


ablaufsynchron zum Nutzungsprozess Leistungsangebote zu unterbreiten und zu erbrin-gen. Eine solche Vermarktungssituation setzt einen direkten Anbieter-Nachfrager-KontaktimVerlauf der Nutzungsprozesse der Nachfrager voraus, wie sie aktuell jedoch nur bei sog.ProSumer-Dienstleistungen (z. B. Theater-, Restaurant-, Gesundheits-Dienstleistungen)sowie ansatzweise im sog. Mobile-Commerce gegeben ist. Mit der Verbreitung von AmI-Anwendungen werden jedoch zukünftig immer mehr die technischen Voraussetzungen fürdie Präsenz der Anbieter in den Nutzungsprozessen der Nachfrager geschaffen, die dannzu einer Reihe von Veränderungen im Vermarktungs-Ansatz führt, die zusammenfassendals „Nutzungsvermarktung“ (NV) bezeichnet wird.

Im Vordergrund der NV steht eine Beziehungsorientierung zwischen dem Nachfragerund einem oder mehreren Anbietern, die als Bereitsteller von Ressourcen auftreten. Derstetige Kontakt bzw. die (langfristige) Beziehung zwischen beiden „Parteien“ stellt dabeieine Art Vernetzung dar, die es erlaubt, die nachfragerseitige Wertgenerierung zu beglei-ten und durch geeignete Leistungsangebote zu verbessern. Dies erfolgt bei der NV unterRückgriff auf moderne Informationstechnologien bzw. AmI-Anwendungen, wobei diesnicht zwingend einen wechselseitigen Kontakt i. S. einer Interaktion erfordert. Vielmehrkann dies auch in Form automatisierter Rückkopplungen aus den Nutzungs- und Anwen-dungssituationen erfolgen. Der Nachfrager ist damit nicht nur eine „aktive Ressource“(operant Ressources; z. B. Vargo und Lusch 2004, S. 2), sondern kann auch eine passiveRolle einnehmen. In diesem Fall umfasst der Aufgabenbereich des Kunden „lediglich“ diePreisgabe von Information (i. S. einer „Permission“) und die Inanspruchnahme der Lei-stungsangebote. Bei der NV lernt der Anbieter somit über die Beobachtung des Verhaltensbzw. die Analyse der nachfragerseitigen Nutzungsprozesse, wohingegen die SDL eher aufder Annahme eines gemeinsamen Lernens durch die direkte Interaktion mit dem Kundenfußt.

Durch AmI resultieren für Anbieter zukünftig verbesserte Möglichkeiten, die Nutzenstiftenden Potenziale ihrer Angebote nicht nur aufgrund von Anwendungs-Antizipationenzu eruieren, sondern Rückkopplungen unmittelbar aus den Nutzungsprozessen der Kon-sumenten zu erhalten und damit prozessbezogene Unterstützungsleistungen in Echtzeit zuerbringen. War bspw. der reale Trainingsprozess beim Laufen oder Walking bislang fürden Anbieter von Sportartikeln intransparent, so ermöglicht z. B. das „micoach“-Systemvon adidas über Echtzeitmeldungen zu Herzschlag, GPS-Position, Lauftempo usw. Rück-kopplungen aus diesem Nutzungsprozess zu erhalten. Adidas unterstützt auf Basis dieserDaten dann den Trainingsprozess durch Echtzeitservices wie z. B. Routenempfehlungen,Anweisungen zum idealen Lauftempo, Hinweise zur Verpflegungsaufnahme, um so einenoptimalen Trainingsverlauf für einen konkreten Läufer zu erzielen. Die Leistungserbrin-gung in Echtzeit und somit synchron zur Bedürfnisentstehung in den unterschiedlichenNutzungs- bzw. Konsumprozessen der Nachfrager, wird hier als „Primat der Nutzungs-vermarktung“ bezeichnet. Das zentrale Ziel ist dabei darin zu sehen, Mehrwerte in denaktuell ablaufenden Nutzungsprozessen der Nachfrager zu realisieren. Solche Mehrwer-te lassen sich primär auf zwei Ebenen erzielen: Zum einen können Verbesserungen inden Prozessabläufen i. S. einer Reduktion der nutzerseitigen Aufwendungen wie bspw.die Verminderung des zeitlichen oder kognitiven Aufwands erreicht werden (Steigerungder Prozesseffizienz). Zum anderen kann durch anbieterseitige Unterstützungen aber auchdas Prozessergebnis bspw. durch den Einsatz zusätzlicher Ressourcen verbessert wer-


Abb. 1: Zentrale Unterschiede zwischen Produkt- und Nutzungsvermarktung

den, wodurch sich eine Steigerung der Ergebniszufriedenheit im gesamten Nutzungspro-zess erzielen lässt (Steigerung der Prozesseffektivität). Auf der Kundenseite ist somit dieQualität der Integration des Anbieters in die eigenen Nutzungsprozesse und dessen er-fassbare Konsequenz ein entscheidendes Kriterium für die Leistungszufriedenheit und dieanhaltende Nutzung von Anbieterleistungen. Darüber hinaus können aufgrund von AmI-Anwendungen die Nutzungsdaten erfasst werden, wodurch sich weiterhin die Möglichkeiteröffnet, die Leistungsentgelte für die Inanspruchnahme einer Anbieterleistung in Abhän-gigkeit der Nutzungsintensitäten zu gestalten. Weitere zentrale Unterschiede zwischender Produktvermarktung und der Nutzungsvermarktung sind in polarisierender Weise inAbb. 1 gegenübergestellt.

2.1 Definition und zentrale Charakteristika der Anbieterintegration

Aufgrund der aufgezeigten Unterschiede zur klassischen Produktvermarktung ist ein grund-sätzlich anderer Vermarktungsansatz zur ökonomischen Erschließung der Nutzungsver-marktung erforderlich, der hier als „Anbieterintegration“ (AI) bezeichnet wird (Fälsch2007, S. 83; Weiber und Fälsch 2007, S. 110; Hörstrup 2011). Unter Beachtung der vor-getragenen Besonderheiten der Nutzungsvermarktung wird die AI wie folgt definiert:

Anbieterintegration bezeichnet die Planung, Koordination und Kontrolle der bedarfs-und ablaufsynchronen sowie kundenaktivitäts- und kundenprofilbezogenen Leistungs-erbringung eines Anbieters im Verlauf der Nutzungsprozesse eines Nachfragers mitdem Ziel, Wettbewerbsvorteile durch die Etablierung dauerhafter Geschäftsbezie-hungen zu realisieren.


Entsprechend obiger Definition wird dieAI als managementorientierterAnsatz verstanden,bei dem die Leistungserbringung eines Anbieters ablaufsynchron zu den Nutzungsprozes-sen eines Nachfragers zu planen, zu koordinieren und zu kontrollieren ist. Da nur bei wie-derholten und/oder langfristigen Nutzungsprozessen eine anbieterseitige Leistungsabgabekontinuierlich und mit steigender Effizienz erfolgen kann, zielt die AI auf Langfristigkeitund damit die Etablierung dauerhafter Geschäftsbeziehungen ab. Dabei ist zu erwarten,dass die AI insb. im Rahmen einer Geschäftsbeziehung für komplexe Nutzungsprozes-se profitabel ist, da erst die systematische Aufbereitung der aus den Analysen mehrererProzesse generierten Informationen in sog. verhaltensorientierten Kundenmodellen an-bieterseitig zu Lerneffekten führt. Diese sind dabei maßgebend für eine Steigerung derLeistungsqualität i. S. einer optimiertenAnpassung an bestehende und antizipierte Kunden-bedürfnisse und ermöglichen so die Erschließung von erhöhten Zahlungsbereitschaften.Auch ist die Ableitung von Integrationsmustern, die einzelne Nutzungsprozesse übergrei-fend (i. S. einer Vernetzung einzelner Nutzungsprozesse) zu einer Effizienzsteigerung deranbieterseitigen Integrationsmaßnahmen führen und damit einen zentralen Wettbewerbs-faktor darstellen, erst mit andauernder Anbieter-Kunden Beziehung möglich. Zudem er-wachsen Größen wie das Vertrauen oder die Nutzenerwartung, die die Offenlegungsbereit-schaft eines Anwenders in zentraler Weise beeinflussen, erst im Zuge einer längerfristigenInteraktionsbeziehung. Aus der Definition der AI sowie den aufgezeigten Besonderheitender Nutzungsvermarktung (vgl. Abb. 1) lassen sich folgende zentrale Charakteristika derAI ableiten:

1. Fokussierung der NutzungsprozesseDie AI zielt auf die Vermarktung solcher Leistungen ab, die Prozessverläufe auf derKundenseite unterstützen können und/oder eine Leistungsabgabe ablaufsynchron zuden Nutzungsprozessen im Consumer-Bereich erlauben.

2. Nutzenentfaltung am point of useLeistungen werden im Moment der Bedürfnisentstehung zur Verfügung gestellt, wo-mit die Leistungserbringung am point of use erfolgt. Hier findet die Leistung in derVerfügbarkeit des Nachfragers ihre direkte Verwendung und es erfolgt die originäreBedürfnisbefriedigung und damit die Nutzenstiftung einer Leistung (Entfaltung desspezifischen Gebrauchsnutzens für den Nachfrager). Durch das Leistungsangebot bzw.die vom Anbieter begleitete Leistungsabgabe am point of use werden weiterhin „Rei-bungsverluste“, die bei klassischen Nachfrageprozessen bestehen (Bedürfnisentstehung⇒ Bedarfs- und Nachfrageartikulierung ⇒ Angebotssuche ⇒ Leistungsangebot ⇒Kauf ⇒ Nutzung), vermieden bzw. deutlich reduziert.

3. IntegrationsparadigmaDie zum Nutzungsprozess eines Nachfragers bedarfs- und ablaufsynchrone Leistungs-erbringung impliziert, dass derAnbieter als externer Gestaltungsfaktor in den Nutzungs-prozess eines Nachfragers eingreifen kann. Damit bilden die Verlaufsaktivitäten einesNutzungsprozesses die potenziellen anbieterseitigen Integrationspunkte, bei denen eineVerschmelzung der wertschöpfenden Anbieter- mit den nutzenstiftenden Prozessakti-vitäten eines Nachfragers erfolgt. Da die Integrationspunkte im Nutzungsprozess dempoint of use entsprechen, kann bei der AI eine höhere Nutzenwahrnehmung durch denNachfrager und tendenziell auch eine höhere Preisbereitschaft erwartet werden, als beider Produktvermarktung.


4. InteraktionsparadigmaDie Möglichkeit einer kundenaktivitätsbezogenen Leistungserbringung des Anbietersim Nutzungsprozess hat unmittelbare Auswirkungen auf die Interaktion zwischen An-bieter und Nachfrager: Dadurch, dass zukünftig immer mehr Objekte nahezu „unsicht-bar“ mit Informationsträgern ausgestattet sein werden, wird der Zugriff auf diese Infor-mationen „an“ Objekten jederzeit möglich sein. Damit können alle Alltagsgegenständezu entscheidenden Kundenschnittstellen und zu einem wichtigen „Eintrittstor“ für Kun-deninteraktionen und Transaktionen werden (Fano und Gershman 2002, S. 86; Weiberund Fälsch 2007, S. 91 ff.). Weiterhin erfolgt eine Ausdehnung der Interaktionszeit-punkte mit dem Kunden auf den point of use. Dadurch können Nachfrageraktivitäten imNutzungsprozess durch gezielte Anbieterleistungen ohne Zeitverzögerung unterstütztwerden. Gelingt es den Anbietern, die konkrete Nutzung von Produkten zu erfassen, sowerden zukünftig die Produkte selbst zur ultimativen Plattform für die Angebotsbereit-stellung (Fleisch und Dierkes 2003, S. 154; Vargo und Lusch 2006, S. 43 f.).

5. Kombiniertes Push-Pull-PrinzipDie ablaufsynchrone Begleitung und Unterstützung von Nutzungsprozessen ist nurmöglich bzw. aus Anbietersicht wirtschaftlich sinnvoll, wenn ein gewisser Automati-sierungsgrad in der Interaktion zwischen Anbieter und Nachfrager gewährleistet ist.Ist ein solches Umfeld etwa durch AmI-Anwendungen gegeben, so können einerseitskonkrete Bedarfsfälle zum Zeitpunkt der Bedarfsentstehung aus den Nutzungsprozes-sen der Nachfrager „gemeldet“ werden, was hier als „Pull-Prinzip“ bezeichnet wird.Andererseits erlaubt gerade die Verfügbarkeit von Informationen aus den Nutzungspro-zessen den Anbietern die bedarfssynchrone Unterbreitung gezielter Angebote, was hierals „Push-Prinzip“ bezeichnet wird.

2.2 Anbieterintegration als besondere Ausprägungsform der Kundenintegration

Die in Echtzeit aus den Nutzungsprozessen erfassbaren Informationen (Nutzungsort, Nut-zungszeitpunkte, Nutzungsfrequenz usw.), die hier als Nutzungsinformationen bezeichnetwerden, ermöglichen dem Anbieter die Ableitung individueller Nutzungsprofile, die ei-nerseits über konstante Muster und andererseits über Spezifika im Verlauf der Nutzungs-prozesse informieren. Diese Nutzungsinformationen müssen aber mit sog. Profilinfor-mationen kombiniert werden, die Auskunft über die spezifischen Charakteristika, (z. B.Gewohnheiten, Meinungen) eines Nachfragers sowie dessen allgemeines Umfeld (Aus-stattung mit Gütern, Infrastruktur usw.) geben. Erst durch die Kombination von Profil-und Nutzungsinformationen können verhaltensorientierte Kundenprofile erstellt werden,die es erlauben, die spezifischen Nutzungssituationen im Hinblick auf einen konkretenNachfrager besser zu verstehen. Kundenprofile bilden somit die Basis zur Erstellung vonUnterstützungsleistungen im Nutzungsprozess, wobei hier die Überlegungen im Bereichder „klassischen“ Kundenintegration (z. B. Kleinaltenkamp 1997, S. 350 ff.; Fließ 2004,S. 521 ff.) uneingeschränkt Gültigkeit besitzen.

Eine Erweiterung der Kundenintegration ist hier darin zu sehen, dass der Kunde – pri-mär durch die kundenspezifischen Informationen – nicht nur externer Produktionsfaktorim Leistungserstellungsprozess des Anbieters wird, sondern vor allem der Anbieter einenexternen Gestaltungsfaktor in den Nutzungsprozessen des Kunden darstellt. Anbieterinte-


gration ist damit immer verbunden mit der „klassischen“ Kundenintegration, erweitert umEingriffe in die aktuellen Nutzungsprozesse der Nachfrager. Die Erweiterung der Kun-denintegration in Richtung der AI lässt sich in zahlreichen Facetten abbilden, wobei siesich vor allem in folgenden Aspekten niederschlägt:

• Prozessführung: Während bei der „klassischen“ Kundenintegration die Führung desWertschöpfungsprozesses nahezu ausschließlich dem Anbieter obliegt, der festlegt,wo, wann und wie die Kunden integriert werden, wechselt die Prozessführung bei derAI auf die Seite des Nachfragers. Er bestimmt, wann und wie sich die unterstützendenAnbieter in die (wertschaffenden) Konsumprozesse einbringen dürfen.

• Integrationsort: Im Gegensatz zur „klassischen“ Kundenintegration, bei der Kundenüberwiegend im Umfeld des Anbieters integriert werden (z. B. Friseursalon, Theater-,Restaurantbesuch), erfolgt die AI im Umfeld des Kunden bzw. konkreter in dessenKonsum- und Nutzungsprozessen. Aufgrund dieser bedarfssynchronen Leistungsab-gabe kann ein höherer Nachfragernutzen generiert werden, wenn Leistungen auchgenau dann bereitgestellt werden, wenn sie benötigt werden.

• Integrationsrichtung: Für die AI ist eine „beidseitige Integration“ charakteristisch,da sich der Anbieter in die „klassischen“ Kundenprozesse und der Nachfrager in dieanbieterseitigen Leistungserstellungsprozesse integriert. Der Kunde bestimmt dabeiüber seine Prozesse, die Form der Integration des Anbieters und liefert damit zentraleSteuerungsinformationen für die Leistungserstellung des Anbieters.

• Integrationsdauer: Während bei der „klassischen“ Kundenintegration die Integrations-dauer meist auf einen konkreten Leistungserstellungsprozess beschränkt ist, zielt dieAIauf eine permanente Begleitung des Nachfragers in seinen alltäglichen Nutzungspro-zessen ab. Damit kommen anbieterseitige Lerneffekte zum Tragen, die eine konsequen-te Kalibrierung der bedarfssynchronen und kundenprofilbezogenen Leistungsabgabeermöglicht.

Die in den obigen fünf Aspekten aufgeführten Ausprägungen der beiden „Integrations-konzepte“ sind als idealtypisch zu bezeichnen, weshalb an dieser Stelle auch von der„klassischen“ Kundenintegration gesprochen wird. Diese wurde in Kontrastierung zurAnbieterintegration gewählt, um die Unterschiede zwischen beiden Konzepten besser ver-deutlichen zu können, wobei diese in der Realität jedoch eine stärkere „Vermischung“aufweisen.

Da sich die Produktentwicklungen im Bereich der AmI noch im Anfangsstadium be-finden, ist auch das Konzept der AI gegenwärtig als Breitenanwendung eher noch als„visionär“ zu bezeichnen. Damit ergibt sich unmittelbar die Gefahr, mit der AI dem In-novationsdilemma zu unterliegen, wenn dem technisch Machbaren keine ausreichendeNachfrage gegenübersteht. Vor diesem Hintergrund konzentrieren sich die weiteren Be-trachtungen auf die Frage, ob die Nachfrager im Consumer-Bereich grundsätzlich bereitsind, ihre Nutzungsprozesse offen zu legen und damit die „Tür“ für die AI zu öffnen.

3 Die Akzeptanz der Anbieterintegration aus Konsumentensicht

Informationen über aktuelle Nutzungsprozesse (Prozessinformationen) lassen sich auf derBasis von AmI-Anwendungen nur generieren, wenn auch die Konsumenten grundsätzlich


bereit sind, ihre Prozesse offen zu legen. Weiterhin müssen die Anbieter über Profilin-formationen der Konsumenten verfügen, um auf dieser Basis erfolgreich Unterstützungs-leistungen im Nutzungsprozess bieten zu können, die aus Nachfragersicht überhaupt zueiner Nutzenstiftung führen. Die Akzeptanz der AI durch die Nachfrager ist damit einegrundlegende Voraussetzung für die Erstellung von AI-Angeboten. Im Folgenden wirddeshalb ein auf die AI angepasstes Akzeptanzmodell entwickelt und anschließend einerersten empirischen Prüfung unterzogen.

Die Akzeptanzforschung kann auf eine lange Tradition zurückblicken, die eine Viel-zahl an unterschiedlichen Ansätzen zur Akzeptanzmessung hervorgebracht hat (Kollmann1998, S. 44 ff.). Zur Messung der Akzeptanz technologischer Innovationen kann das vonDavis (1989) entwickelte „Technology-Acceptance-Model“ (TAM) derzeit als das „Stan-dardinstrument“ bezeichnet werden. Lee et al. (2003, S. 758) identifizieren in ihrer Meta-studie 30 verschiedene Typen von Technologien bzw. Informationssystemen, derenAkzep-tanz mit Hilfe des TAM untersucht wurden. Dabei wurde das Modell mehrfach empirischgeprüft, modifiziert sowie um einzelne Konstrukte erweitert und hat sich zu einem „[. . . ]useful tool for managers needing to assess the likelihood of success for new technologyintroductions and help[ing] them understand the drivers of acceptance“ (Venkatesh et al.2003, S. 425) entwickelt.

Allerdings erfordert dasTAM zur Untersuchung derAI-Akzeptanz geeignete Modifika-tionen, da es sich bei der AI nicht um ein konkretes Produkt oder eine bestimmte Leistunghandelt, sondern um ein neuartiges Integrationskonzept, das im Consumer-Bereich zurAnwendung kommt. Die erforderlichen Modifikationen beziehen sich damit vor allem aufdie Erfassung einer zukünftigen Verhaltensabsicht (Intention to Use) und nicht auf das imoriginären TAM enthaltene tatsächliche Verhalten (Actual System Use; Davis et al. 1989,S. 985). Weiterhin ist die ursprüngliche Ausrichtung des TAM „the research into organi-zational acceptance of technology“ (Baron et al. 2006, S. 112) auf die individuelle Nut-zungsakzeptanz im Bereich von Konsumentenentscheidungen anzupassen. Abbildung 2zeigt das auf die empirische Untersuchung abgestimmte AI-Akzeptanzmodell, wobei diefür das vorliegende Untersuchungsziel aufgenommenen Konstrukte grau hinterlegt sind(vgl. auch Abb. 3).

Die gegenüber dem originären TAM-Modell vorgenommenen Modellanpassungen be-treffen dabei zum einen die Aufnahme der personenbezogenen Konstrukte des wahrge-nommenen Risikos (Perceived Risk), der Offenlegungsbereitschaft (Disclosure) und derNutzerinnovativität (Personal Innovativeness). Weiterhin wird das prozessbezogene Kon-strukt der Vorteilhaftigkeit der AI durch die Komponenten der Ergebnisverbesserung (Per-formance Expectancy) und der Aufwandreduktion (Effort Expectancy) abgebildet, das inAbhängigkeit der jeweils mit einem konkreten Nutzungsprozess in Frage kommendenAI-Leistungen zu relativieren ist. Im Folgenden werden diese Anpassungen im Detailbegründet.

3.1 Ableitung personenbezogener Einflüsse auf die AI-Akzeptanz

Die grundlegende „Vernachlässigung“ personenspezifischer Merkmale bei der Durchfüh-rung von Akzeptanzstudien wird in der Literatur stark kritisiert und damit die Zweck-mäßigkeit solcher Modelle grundsätzlich in Frage gestellt (z. B. Agarwal und Karahanna


Perceived Risk 2

Disclosure 3

Personal Innovativeness 4

(Perceived) Usefulness

(Perceived)Ease of Use

Behavioral Intention (to use) Use Behavior

Originäres TAM (Davis 1989)

Trust 1

PerformanceExpectancy

EffortExpectancy

1 Gefen et al. 2003;Malhotra et al. 2004;Khalil/Pearson 2007;Suh/Han 2003;Lu et al. 2003

2 Pavlou 2003; Malhotra et al. 2004; Featherman/Fuller 2003

3 Pavlou 20034 Agarwal/Prasad 1998;

Agarwal/Karahanna 2000

Pavlou 2003Malhotra et al. 2004

Pavlou 2003Pavlou 2003Malhotra et al. 2004 Featherman/Fuller 2003

Agarwal/Prasad 1998Agarwal/Karahanna 2000

Venkatesh et al. 2003

Abb. 2: Systematisierung der Einflussfaktoren auf die AI-Akzeptanz

2000, S. 205; Agarwal und Prasad 1998, S. 361 ff.). Da durch die AI unmittelbare Eingriffein die Nutzungsprozesse einer Person erfolgen, ist die Berücksichtigung personenbezo-gener Einflussgrößen auf die Akzeptanz von besonderer Bedeutung, wobei die Literaturzur Innovationsforschung zeigt, dass insb. der Innovativitätsgrad eines Nachfragers dieAdoption von Innovationen positiv beeinflusst (z. B. Parasuraman 2000, S. 311). Es istdeshalb zu vermuten, dass auch im Fall der AI die Nutzerinnovativität einen bedeutendenEinfluss auf die AI-Akzeptanz besitzt.

H1: Je höher die Nutzerinnovativität (Personal Innovativeness) ist, desto stärker ist dieIntention zur Inanspruchnahme der AI (Behavioral Intention to use).

Die Konzeption der AI basiert in ihrem Grundsatz darauf, dass Anbieter ihre Leistungensynchron zur Bedürfnisbefriedigung in den unterschiedlichen Nutzungs- bzw. Konsum-prozessen der Nachfrager erbringen können. Diese personalisierte Leistungserbringungist jedoch nur auf der Basis umfänglicher Profil- und Nutzungsinformationen möglich.Eine hinreichende Offenlegungsbereitschaft stellt daher die notwendige Bedingung füreine anbieterseitige Integration dar. Bezogen auf die Bereitschaft zur Offenlegung per-sönlicher Informationen zeigen verschiedene Studien, dass Vertrauen in den Transakti-onspartner (und das Medium) und damit korrespondierend vermutete Risiken (z. B. vorDatenmissbrauch) einen starken Effekt aufweisen (z. B. Khalil und Pearson 2007). Sountersuchen Gefen et al. (2003) in ihrer Studie den Einfluss des Vertrauens beim Online-Shopping, wobei sie feststellen, dass das Vertrauen in den Anbieter neben den klassischenTAM-Größen der Perceived Usefulness und der Ease of Use einer Webseite einen si-gnifikant positiven Effekt auf die Nutzungsabsicht des Web-Portals hat. Malhotra et al.(2004) dokumentierten in ihrer Studie ebenfalls einen starken Einfluss des Vertrauens inden Online-Provider auf die Absicht zur Internetnutzung allgemein. Vergleichbare Ergeb-nisse liefern auch die Untersuchungen von Suh und Han (2003), Pavlou (2003), Lu et al.(2003), Khalil und Pearson (2007) und Egner-Duppich (2008). Allerdings wird Vertrauen


oft auch als sog. Second Order-Konstrukt (Albers und Götz 2006) angesehen, das insb.das wahrgenommene Risiko und die Offenlegungsbereitschaft beeinflusst (Egner-Duppich2008, S. 197). Allerdings ist Vertrauen nur schwer zu messen und ohne einen konkretenInteraktionspartner, auf den es sich beziehen kann (z. B. eine Internetseite, eine Personoder ein Unternehmen), gegenstandslos und deshalb nicht sinnvoll zu erfassen. Es wirddeshalb im Rahmen der AI-Akzeptanz auf die explizite Messung von Vertrauen verzich-tet und mit den vorliegenden Studien unterstellt, dass sich der Vertrauensaspekt bei derAI-Akzeptanz insb. in der Offenlegungsbereitschaft und dem wahrgenommenen Risikoniederschlägt und durch deren Messung hinreichend berücksichtigt ist.

In seiner Studie erweitert Pavlou (2003, S. 72) das klassische TAM nach Davis (1989)um das im Rahmen von Online-Transaktionen wahrgenommene Risiko und stellt einenstark negativen Wirkeffekt auf die Absicht zur Fortsetzung einer Transaktion dar. Zu ähnli-chen Ergebnissen gelangen auch Malhotra et al. (2004, S. 347) und Featherman und Fuller(2003), die ebenfalls im Rahmen von adaptierten TAM die negative Wirkung der Risiko-wahrnehmung auf die Nutzungsabsicht feststellen. Die Aufnahme des wahrgenommenenRisikos in das AI-Akzeptanzmodell wird hier aus der erforderlichen Offenlegung persön-licher Daten und dem damit einhergehenden Kontrollverlust über die Verwendung dieserInformationen begründet. Malhotra et al. (2004, S. 350) zeigen, dass die Bedenken zumDatenschutz einen starken Hemmnisfaktor zur Bereitschaft der Interaktion mit kommer-ziellen Anbietern darstellen. Das nachfragerseitig wahrgenommene Risiko kann damit dieNeigung zur Informationsabgabe bzw. Offenlegung deutlich mindern. Auch wenn Kon-sumenten zunehmend mehr Vorteile durch die Preisgabe von Informationen erhalten, sozeigt sich, dass sich ein großer Anteil hierzu jedoch immer noch weigert (Junglas undWatson 2008, S. 66 ff.). Hong et al. (2004, S. 91) untersuchen das wahrgenommene Risi-ko in Bezug auf Ubquitous Computing-Systeme und finden heraus, dass Bedenken bzgl.der Privatsphäre das größte Erfolgshindernis darstellen. Zusammenfassend lassen sich vordiesem Hintergrund folgende Hypothesen formulieren:

H2: Je größer die Offenlegungsbereitschaft (Disclosure) ist, desto größer ist die Intentionzur Inanspruchnahme der AI (Behavioral Intention to use).

H3: Je größer das wahrgenommene Risiko (Perceived Risk) ist, desto geringer ist dieIntention zur Inanspruchnahme der AI (Behavioral Intention to use).

H4: Je größer das wahrgenommene Risiko (Perceived Risk) ist, desto geringer ist dieOffenlegungsbereitschaft (Disclosure).

3.2 Ableitung prozessbezogener Einflüsse auf die AI-Akzeptanz

Kern des TAM bzw. dessen Erweiterungen sind die Nutzengrößen der wahrgenommenenVorteilhaftigkeit (Perceived usefulness) und die Verwendungsfreundlichkeit (Ease of use).Im Rahmen nahezu aller empirischen Studien zeigt sich, dass beide Größen einen signi-fikant positiven Einfluss auf Zielgrößen wie die Einstellung, die Nutzungsabsicht oderauch die tatsächliche Verwendung von Innovationen aufweisen (z. B. Pavlou 2003, S.118 ff.; Gefen et al. 2003, S. 71). Für die vorliegende Untersuchung zur AI-Akzeptanzist jedoch das Konstrukt der „Ease of Use“ nicht relevant, da bei der AI der Anbieter fürden Nachfrager unter Verwendung von AmI-Technologien meist implizite (unsichtbare)Unterstützungsleistungen übernimmt und der Nachfrager lediglich einen Einblick in seine


Prozesse gewähren muss. Aus diesem Grund bleibt als Kernhypothese zur Erklärung derAI-Inanspruchnahme:

H5: Je größer die wahrgenommene Vorteilhaftigkeit (Perceived usefulness) ist, desto grö-ßer ist die Intention zur Inanspruchnahme der AI (Behavioral Intention to use).

Für den vorliegenden Untersuchungsfokus ist allerdings eine differenzierte Betrachtungder wahrgenommenen Vorteilhaftigkeit (Perceived Usefulness) erforderlich, wie sie z. B.von Venkatesh et al. (2003, S. 446 ff.) durch die Berücksichtigung der Größen „Perfor-mance Expectancy“ und „Effort Expectancy“ vorgenommen wird. Bei der AI ist eine der„nutzentreibenden“ Dimensionen die Übernahme von Aktivitäten durch den Anbieter, dienormalerweise allein in der Hand des Konsumenten liegen. Über diese „Wertschöpfung“,die intern beim Konsumenten abläuft, ist jedoch bisher nur sehr wenig bekannt. Weitausintensiver erforscht sind hingegen die „wertschaffenden“ Tätigkeiten des Konsumentenin Interaktion mit einem Anbieter etwa bei der Bereitstellung von Dienst- bzw. Service-leistungen, bei denen der Kunde einen elementaren Wertschöpfungsteil (Co-Creator ofvalue) darstellt (z. B. Vargo und Lusch 2006, S. 284). Dabei leisten Konsumenten ab-hängig vom Partizipationsgrad ganz verschiedene Inputs, in dem sie Zeit, monetäre Auf-wendungen, Anstrengung (de Ruyter und Wetzels 2000, S. 93), Informationen, physische(Tangibles und Effort) sowie emotionale Leistungen (Geduld) (Risch-Rodie und Schultz-Kleine 2000, S. 112) bereitstellen und in den „Wertschaffungsprozess“ integrieren. AlsGründe für die konsumentenseitig wahrgenommene Vorteilhaftigkeit der aktiven Teilnah-me zur Serviceerstellung werden insb. zwei Hauptaspekte genannt (z. B. Risch-Rodie undSchultz-Kleine 2000, S. 118 f.), die hier auf die internen Prozesse übertragen werden:

• Prozesseffizienz: Bezogen auf die Mitwirkung bei der Erstellung von Services sindKunden oftmals von Effizienzgedanken getrieben, d. h. der Steigerung der Effizi-enz und/oder der Minimierung von erforderlichen Aufwendungen (Bateson 1983). Sospart etwa das Geldabheben am SB-Schalter verglichen mit einem Besuch am Kun-denschalter zumeist ein wenig Zeit. Der Friseurbesuch nach dem Haarewaschen spartdemgegenüber nicht nur Zeit, sondern auch Geld. Dieses Effizienzstreben kann eben-so auf interne Prozesse beim Kunden übertragen werden. Im Vordergrund steht damitnach Risch-Rodie und Schultz-Kleine (2000, S. 119) für Konsumenten „to make themost efficient use of their own time, money, and other resources“.

• Ergebniseffektivität: Neben dem primär auf den Prozess der Bereitstellung einer Lei-stung abzielenden Aspekten steht hier das Ergebnis im Vordergrund der Entscheidun-gen. So zeigt sich, dass Konsumenten insb. dann ein großes Engagement innerhalbeiner gemeinsamen Leistungserstellung mit einem Anbieter zeigen, wenn ein opti-males Ergebnis ihnen besonders wichtig ist bzw. die Erzielung eines „Mindestlevels“zwingend erfüllt sein muss.

Das Ausmaß der Effektivitäts- und Effizienzerwägungen ist bei internen Prozessen starkabhängig von den folgenden Aspekten, die auch den Erfolg einer Dienstleistungszusam-menarbeit determinieren (Lengnick-Hall et al. 2000, S. 362):

• Es fehlt an Aufgabenklarheit, da der Konsument nicht genau weiß, was er zu tun hat,um ein angemessenes Ergebnis zu erzielen.


• Die erforderlichen Fähigkeiten bzw. die Kompetenz zur Erfüllung der Aufgaben istnicht vorhanden.

• Es ist keine Motivation zur Absolvierung der Aufgaben gegeben.

Insgesamt lassen die Erkenntnisse aus der Konsumentenaktivität bei Serviceleistungeneinige Rückschlüsse auch auf die AI zu. So ist davon auszugehen, dass auch hier ei-ne Orientierung anhand von ökonomischen Größen wie der Effektivität und der Effizienzerfolgt. So stellen Day und Crask (2000, S. 57) fest, dass „consumers at least implicitly per-form a cost-benefit analysis [. . . ] where costs are equated to the expenditure of consumerresources (money, time, effort, psychic und physical energy) and benefits serve the instru-mental role of reaching consumption goals.“ In Übereinstimmung mit der TAM-Literatur(insb. Venkatesh et al. 2003, S. 462) können somit die beiden nachfolgenden Hypothe-sen zur Wirkung der Effektivitäts- und Effizienzdimensionen auf die wahrgenommeneVorteilhaftigkeit der AI (Perceived Usefulness) abgeleitet werden.

H6: Je größer die erwartete Ergebnisverbesserung (Performance Expectancy) durch dieAI ist, desto größer ist die wahrgenommene Vorteilhaftigkeit der AI (Perceived use-fulness).

H7: Je größer die erwartete Aufwandreduktion (Effort Expectancy) ist, desto größer istdie wahrgenommene Vorteilhaftigkeit der AI (Perceived usefulness).

4 Empirische Prüfung des AI-Akzeptanzmodells

4.1 Stichprobe und Untersuchungsdesign

Zur empirischen Prüfung der Hypothesen zur AI-Akzeptanz wurde im Frühsommer 2008eine Online-Befragung durchgeführt. Zur Rekrutierung der Teilnehmer wurden u. a. Linkszur Befragung in unterschiedlichen Verbraucherforen und Internetcommunities positio-niert und über die Teilnahme an einer Verlosung angekündigt. Insgesamt nahmen 598Personen im Alter von 16 bis 66 Jahren teil (Durchschnitt 27,8 Jahre). Sowohl die Ge-schlechterverteilung (52 % weibliche zu 48 % männliche Befragte), als auch die Zu-sammensetzung bzgl. der Einkommensstände (34 % Erwerbstätige, 58 % Schüler undStudierende) zeigen eine relativ heterogene, für die Bundesbevölkerung aber nicht reprä-sentative Stichprobe an.2 Fehlende Werte liegen aufgrund der Fragebogengestaltung mitsog. Pflichtfeldern nicht vor.

Zur Messung der Akzeptanz der AI (i. S. einer Absicht zur Inanspruchnahme) wurdendie Probanden im Rahmen der Untersuchung gebeten, einen der folgenden vier vorgege-benen Alltags- bzw. Planungsprozesse auszuwählen:

1. Planung einer Urlaubsreise2. Organisation eines Umzugs3. Vorbereitung auf einen längeren Auslandsaufenthalt4. Ausrichten einer Festivität

Diese Prozesse wurden anhand von zwei qualitativen Vorstudien mit insgesamt 95 Pro-banden als besonders geeignet identifiziert: So weisen diese Prozesse eine für die AI ange-messene Komplexität auf und der überwiegende Teil der Befragten konnte sich vorstellen,


hierbei externe Unterstützungsleistungen in Anspruch zu nehmen. Bei dieser Untersu-chung wurde bewusst auf die Aufnahme bereits realisierter Lösungen aus dem Umfeld derAmbient Intelligence (z. B. Wearable Technologie, Smart Tachograph)3 verzichtet und dieBetrachtung von individuellen Planungsprozessen gewählt, da nicht die Aufgeschlossen-heit gegenüber einzelnen technischenAmI-Varianten, sondern die generelleAI-Akzeptanzuntersucht werden soll. Darüber hinaus zielen die derzeit verfügbaren AmI-Anwendungennicht auf Alltagsprozesse ab und stellen eher Automatisierungen ohne eine individuell an-gepasste Leistungsabgabe dar, womit sie aber nur einen sehr kleinen Bereich des zukünftigerschließbaren AI-Anwendungsspektrums abdecken. Ein weiterer Vorteil der verwende-ten Planungsprozesse ist darin zu sehen, dass sie klar abgegrenzt sind und über eineneindeutigen Start- und Endpunkt verfügen, der sie für die Befragung greifbarer bzw. nach-vollziehbarer macht und zudem eine Vergleichbarkeit über die Befragten eher gegeben ist.Um den abstrakten Untersuchungsgegenstand der AI für die Probanden besser greifbar zumachen, wurde den Probanden nachfolgendes Szenario geschildert4:

Anbieterintegration beschreibt die Möglichkeit, dass Unternehmen zukünftig In-formationen aus den alltäglichen Nutzungsprozessen der Konsumenten analysierenund in konkreten Bedarfssituationen (z. B. Einkaufsvorgänge, Garten- und Hausar-beiten) Unterstützungsleistungen anbieten könnten. Unterschieden werden hierbeizwei Grundvarianten: Problemservice, bei dem der Anbieter Störungen in IhremAlltagsprozess erkennt und entsprechende Lösungen anbietet sowie der Vollservice,bei dem der Anbieter nicht nur im Problemfall Unterstützungsleistungen offeriertund auf mögliche Zusatzleistungen hinweist.Damit derartige Unterstützungsleistungen angeboten werden können, müssen Siegeeignete Informationen über Ihre Prozesse und über sich selbst liefern: Profilinfor-mationen über Ihre persönliche Situation, Ihre Gewohnheiten, allgemeine Bedürf-nisse, Ihre finanzielle Situation sowie Prozessinformationen über den konkretenVerlauf Ihrer Alltagsprozesse, die durch elektronische Beobachtung Ihrer Prozesseautomatisch generieren werden.

Zu Beginn des Fragebogens wurden die Probanden gebeten, für den von ihnen ausgewähl-ten Alltags- bzw. Planungsprozess, sieben aus ihrer Sicht zentrale Einzelaktivitäten zurAbsolvierung des Prozesses anzugeben. Durch die Verknüpfung mit den individuell ange-gebenen Einzelaktivitäten waren die Probanden in der Lage, sich besser in die konkreteNutzungs- und Planungssituation hineinzuversetzen. Dadurch konnte die Untersuchungdeutlich realitätsnäher gestaltet werden. Im Anschluss erfolgte dann die Darstellung desoben ausgewiesenen AI-Szenarios sowie die Erfassung der AI-bezogenen Konstrukte undhiernach die Untersuchung der seitens der Probanden gewählten Prozesse inkl. der indi-viduell benannten sieben Einzelaktivitäten.

4.2 Operationalisierung der Konstrukte

Da es sich bei den Konstrukten, die hier im Fokus der Hypothesenprüfung stehen, um sog.latente Größen handelt, die nicht direkt beobachtbar sind, ist es erforderlich, diese übergeeignete Messmodelle zu erfassen. Die sieben Konstrukte können dabei in zwei Gruppenunterteilt werden: in jene, die konkret auf einen Bedarfsfall ausgerichtet ist (prozessbe-


zogene Konstrukte) und in die Gruppe, die das allgemeine AI-Szenario betrifft (szenario-bezogene Konstrukte). Letztere umfasst neben der Nutzerinnovativität auch die Offenle-gungsbereitschaft und das wahrgenommene Risiko. Diese Größen können aufgrund ihresallgemeinen Charakters unter Rückgriff auf etablierte Skalen operationalisiert werden.Dabei folgen wir der Vorgehensweise des Zweikomponentenansatzes nach Cunningham(1967) zur Messung des wahrgenommenen Risikos. Für jede der für diese Untersuchungrelevanten Risikodimensionen (funktional, sozial, psychisch und finanziell) wurden zweiItems als Repräsentant ausgewählt und neben der subjektiven Eintrittswahrscheinlich-keit auch die empfundenen negativen Folgen auf einer 6-stufigen Ratingskala erhoben(siehe hierzu die Tabelle im Anhang). Diese beiden Komponenten werden daraufhin jeItem multiplikativ kombiniert, so dass sich für jede Risikodimension ein Risikowert er-gibt (Cunningham et al. 2005, S. 359). Grundsätzlich kann das wahrgenommene Risikoin dieser Form als formatives Konstrukt beschrieben werden, das durch seine Indikato-ren gebildet wird (Diamantopoulos und Winklhofer 2001). Im Rahmen der nachfolgendvorgenommenen Modellprüfung wurde hierfür ein Index (Mittelwert über die multipli-zierten Risikokomponenten) gebildet, der dann als Single-Item-Konstrukt berücksichtigtwird. Diese Vorgehensweise ist üblich (z. B. Pohl 1996) und bei dem vorliegenden Modellsogar erforderlich, da eine formative Operationalisierung des Risikos hier nicht empirischmittels einer Kovarianzstrukturanalyse prüfbar wäre.5 Zur Operationalisierung der Offen-legungsbereitschaft wurde auf das von Smith et al. (1996, S. 170) entwickelte Messmo-dell zur Bestimmung individueller Bedenken gegenüber dem unternehmerischen Umgangmit Informationen zurückgegriffen. Die Nutzerinnovativität als letztes szenariobezogenesKonstrukt wurde über drei Items in Anlehnung an die Skalen von Donthu und Gilliland(1996) und Goldsmith et al. (1998) gemessen.

Die Inanspruchnahme der AI (AI-Akzeptanz) ist der Gruppe der prozessbezogenenKonstrukte zuzuordnen und bildet die endogene Größe des vorliegenden Modells. InAnbe-tracht bisher nur wenig verfügbarer AI-Produkte für die Alltagsprozesse der Konsumentenwird die Akzeptanz über die Wahrscheinlichkeit der Inanspruchnahme solcher Leistungs-angebote gemessen. Die Operationalisierung erfolgte in Anlehnung an den Messansatzder „Behavioral intention to use the system“ nach Venkatesh et al. (2003, S. 460). Fürdie Messung der weiteren drei prozessbezogenen Konstrukte konnte auf keine validiertenSkalen zurückgegriffen werden, so dass hier eigene Messinstrumente abgeleitet werdenmussten: Zur Erfassung der beiden Konstrukte wahrgenommene Aufwandreduktion undErgebnisverbesserung wurde neben den sieben Einzelaktivitäten auch die Beurteilungdes Gesamtprozesses berücksichtigt. Zur Messung der Aufwandreduktion wurden die Pro-banden gebeten für jede einzelne Aktivität und den Gesamtprozess anzugeben, welcheEntlastung bei Unterstützung durch einen Anbieter möglich wäre (1: keine Aufwandre-duktion bis 6: vollständige Aufwandreduktion). Der Mittelwert der Aufwandreduktio-nen über alle sieben Aktivitäten und die Globalabfrage für den Gesamtprozess dienenals reflektive Messindikatoren für das Konstrukt Aufwandreduktion. Im Rahmen dieserUntersuchung wurde keine Differenzierung in verschiedene Aufwandskomponenten wiez. B. zeitlicher, kognitiver, finanzieller oder emotionaler Aufwand vorgenommen, da auf-grund der Heterogenität der vier Alltagsprozesse und den sehr unterschiedlichen von denBefragten angegebenen Teilaktivitäten eine Vergleichbarkeit der Ergebnisse stark einge-schränkt wäre. Eine ähnliche Vorgehensweise wie bei der Aufwandreduktion wurde zur


Operationalisierung der Ergebnisverbesserung gewählt, wobei hier nach der Güte deserzielbaren Ergebnisses insgesamt und bezogen auf die sieben Teilaktivitäten gefragt wur-de. Dabei sollten die Probanden angeben, wie sie die Ergebnisqualität ohne Unterstützung(Qohne) und mit Unterstützung (Qmit) durch einen Anbieter einschätzen. Die Differenz(Qmit − Qohne) aus diesen beiden Variablen dient als Maß für die wahrgenommene Er-gebnisverbesserung. Analog zur Erfassung der Effizienzvorteile wurde hier neben derGlobalgröße auch der Mittelwert über die sieben Einzelaktivitäten als Indikator genutzt.Zur Erfassung der erwarteten Vorteilhaftigkeit der Integration eines Anbieters insgesamtwurde ein Globalindikator („Wie vorteilhaft sind die Leistungen der AI für Sie bei derDurchführung des [Alltagsprozesses XY]?“) verwendet.6

4.3 Modell- und Hypothesenprüfung

4.3.1 Evaluation der Konstruktmessungen

Zur Prüfung der Messmodelle der Konstrukte wurde eine konfirmatorische Faktorenana-lyse mit AMOS 17.0 gerechnet. Die Ergebnisse deuten dabei insgesamt auf eine hoheReliabilität und Validität der Konstruktmessungen hin. So liegen die Werte von Cron-bachs Alpha oberhalb des üblicherweise geforderten Wertes von 0,7 (Nunnally 1978, S.245). Die Itemreliabilitäten oberhalb von 0,4 (Bagozzi und Baumgartner 1994, S. 402)deuten ebenso wie die Faktorreliabilität von > 0,6 (Bagozzi und Yi 1988, S. 82) und diedurchschnittlich je Faktor extrahierte Varianz von > 0,5 (Fornell und Larcker 1981, S. 46)auf eine reliable Konstruktmessung hin (vgl. Weiber und Mühlhaus 2009, S. 119 ff. füreinen zusammenfassenden Überblick). Lediglich der Indikator „OB 2“ wurde mit einerItemreliabilität unterhalb von 0,4 aus der weiteren Analyse ausgeschlossen (vgl. hier-zu die Tabelle im Anhang). Zudem konnte nach Fornell und Larcker (1981, S. 46) dasVorliegen von Diskriminanzvalidität bestätigt werden, wobei alle quadrierten Korrelatio-nen zwischen je zwei Konstrukten deutlich kleiner als die jeweiligen DEV-Werte sind(vgl. Tab. 1).

4.3.2 Evaluation der Modellstruktur

Zur Prüfung der inAbschn. 3 aufgestellten Kausalhypothesen wurde wiederum aufAMOS17.0 zurückgegriffen und eine Kovarianzstrukturanalyse durchgeführt. Diesem Ansatz istgegenüber dem PLS-Ansatz der Vorzug zu geben, da hier der Fokus auf der Prüfung vonKausalhypothesen und weniger in der Prognose von Erhebungswerten liegt (Scholdererund Balderjahn 2006, S. 60 ff.). Eine Prüfung der Indikatorvariablen zeigte nur bei denDifferenzindikatoren „EV 1“ und „EV 2“, mit Wölbungsmaßen von 1,58 und 1,68 aberdamit |< 7| eine leichte Abweichung von der Normalverteilung (West et al. 1995, S. 74).Aus diesem Grund erscheint die Anwendung der ML-Schätzung unkritisch (Bollen 1989,S. 425). Bezogen auf das Gesamtmodell zeigt sich ein guter Gesamtfit: So liegen allerelevanten Anpassungsmaße innerhalb der geforderten Bereiche. Der χ2/df-Wert liegt mit2,456 unterhalb des oftmals geforderten Wertes von 3 (Homburg und Giering 1996, S. 13)und auch die Werte des RMSEA = 0,049 und des SRMR = 0,052 liegen deutlich unterhalbder von Hu und Bentler (1999, S. 27) geforderten Werte von 0,06 und 0,08. Die weiteren

128 R. Weiber et al.T

ab.1

:E

rgeb

niss

ede

rko

nfirm

ator

isch

enFa

ktor

enan

alys

e

Güt

emaß

eaK

onst

rukt

-Kor

rela

tione

nb

Abk

.α

FRD

EV

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(1)

Invo

lvem

ent

IN0.

877

0.87

80.

706

1.00

00.

039

0.02

80.

000

0.04

70.

077

0.05

40.

023

0.00

8(2

)In

ansp

ruch

nahm

eIA

0.77

30.

773

0.63

00.

197

1.00

00.

033

0.07

60.

102

0.14

90.

027

0.22

10.

022

(3)

Nut

zeri

nnov

ativ

ität

NI

0.85

20.

860

0.67

50.

168

0.18

21.

000

0.00

00.

007

0.00

40.

061

0.00

10.

001

(4)

Off

enle

gung

sber

eits

chaf

tO

B0.

896

0.89

70.

687

−0.0

050.

276

0.00

51.

000

0.00

30.

018

0.00

80.

007

0.15

6(5

)E

rgeb

nisv

erbe

sser

ung

EV

0.82

70.

834

0.71

50.

216

0.32

0−0

.081

0.05

01.

000

0.08

00.

070

0.29

50.

001

(6)

Auf

wan

dred

uktio

nA

R0.

842

0.84

40.

730

0.27

70.

386

0.06

20.

133

0.28

31.

000

0.01

10.

104

0.00

1(7

)K

ompe

tenz

KO

0.86

30.

865

0.56

20.

233

−0.1

640.

246

−0.0

91−0

.265

−0.1

051.

000

0.08

60.

015

(8)

Vor

teilh

aftig

keit

VO

––

–0.

151

0.47

0−0

.038

0.08

30.

543

0.32

2−0

.293

1.00

00.

000

(9)

Wah

rgen

omm

enes

Ris

iko

WR

––

–0.

091

−0.1

490.

032

−0.3

95−0

.035

0.03

60.

122

−0.0

171.

000

a α=

Cro

nbac

hsA

lpha

,FR

=Fa

ktor

relia

bilit

ät,D

EV

=D

urch

schn

ittlic

hje

Fakt

orex

trah

iert

eVa

rian

zbQ

uadr

iert

eK

orre

latio

nen

sind

ober

halb

der

Hau

ptdi

agon

ale

abge

trag

en


inkrementellen Fitmaße liegen allesamt klar oberhalb von 0,9, so dass insgesamt über alleMaße von einem guten Modellfit auszugehen ist (Weiber und Mühlhaus 2009, S. 176 f.).Aufgrund der teilweise mit Werten von bis zu 0,47 und 0,54 recht hohen Korrelationenzwischen den exogenen Konstrukten kann es sein, dass die Parameterschätzungen nichtrobust sind (Cohen et al. 2003, S. 419). Um dies zu prüfen wurden aus dem Ursprungsda-tensatz 10 Datensätze generiert, indem jeweils 10 % der Fälle zufällig eliminiert wurden.Für die resultierenden Datensätze wurden daraufhin getrennte Modellschätzungen vor-genommen. Da die Parameterschätzer nur geringfügig und nicht signifikant voneinanderabweichen, kann von einer robusten Modellschätzung ausgegangen werden.

Da die Beurteilungen der Items, die zur Messung der abhängigen und der unabhängi-gen Konstrukte herangezogen wurden, jeweils von derselben Person stammen, kann dieExistenz eines „Self Reporting“ oder auch „Common Method Bias“ nicht ausgeschlossenwerden (Malhotra et al. 2006; Podsakoff et al. 2003). Die fiktive Befragungssituation dervorliegenden Untersuchung, bei der sich die Befragten in das dargestellte Szenario hin-einversetzen müssen, kann derartige Ergebnisverzerrungen noch verstärken. Zur Prüfungder Existenz eines solchen Bias wurde im vorliegenden Fall ein nicht operationalisier-ter Methodenfaktor, dem alle im Modell enthaltenen manifesten Variablen als reflektiveItems zugeordnet wurden, in die Analyse integriert (Temme et al. 2009, S. 139 ff.). Da-bei zeigt sich, dass die manifesten Variablen zwar teilweise nennenswerte Faktorladungenauf diesen Methodenfaktor aufweisen, die Wirkbeziehungen im Strukturmodell hiervonjedoch weitestgehend unbeeinflusst sind. Auch die Abweichungen der Pfadkoeffizientenim Strukturmodell der Modelle mit und ohne Methodenfaktor sind insgesamt nur sehrgering. Damit kann davon ausgegangen werden, dass die vorgetragenen und nachfolgenddiskutierten Ergebnisse robust und nicht nennenswert durch die Existenz eines „CommonMethod Bias“ verzerrt sind.

4.3.3 Ergebnisinterpretation und Hypothesenprüfung

Insgesamt zeigen die Ergebnisse (vgl. Abb. 3), abgesehen von der Hypothese 3, eineBestätigung der aufgestellten Hypothesen. Dabei sind die meisten standardisierten Koef-fizienten mit Werten über 0,2 als „bedeutungsvoll“ einzustufen (Chin 1998a, S. 8). Bezo-gen auf die Einflüsse auf die Inanspruchnahme zeigt sich, dass die Vorteilhaftigkeit mitβ32 = 0,46 den stärksten Effekt aufweist. Diese Größe resultiert dabei zu einem starkenAusmaß aus den Effektivitäts- und Effizienzerwägungen, die beide einen positiven undhochsignifikanten Effekt auf die Vorteilhaftigkeit ausüben. Bemerkenswert ist in diesemZusammenhang, dass die Personen deutlich stärker von den wahrgenommenen Effekti-vitätsvorteilen, d. h. der erzielbaren Ergebnisverbesserung getrieben werden. So ist hierder Effekt mit γ23 = 0,49 deutlich stärker als die durch die Integration eines Anbieterserzielbaren Aufwandersparnisse (γ24 = 0,18).

Für die Interpretation der R2-Werte bei Kovarianzstrukturanalysen liegen keine Emp-fehlungen vor, so dass hier auf die beiAnwendung von PLS-Modellen gängigen Richtwertei. A. a. Chin (1998b, S. 323) zurückgegriffen wird. Hiernach sind die beiden Konstruk-te der Inanspruchnahme und der Vorteilhaftigkeit mit R2-Werten von 0,31 und 0,32 imModell als moderat durch die anderen Konstrukte erklärt. Neben diesen szenariobezo-genen Konstrukten weisen auch die personenspezifischen Größen der Nutzerinnovativität


β31 = ,21**

β32 = ,46**

H2 (+)

H5 (+)

H1 (+)

Wahrgenommenes Risiko (WR)

ξ 1

Offenlegungs-bereitschaft (OB)

η 1 (R2=,16)

Nutzer-innovativität (NI)

ξ 2

Inanspruchnahme(IA)

η 3 (R2=,31)

Ergebnis-verbesserung (EV)

ξ3

Aufwand-reduktion (AR)

ξ4

Vorteil-haftigkeit (VO)

η 2 (R2=,32)

γ11 = −,40** H4 (−)

γ31 = −,07 (n.s.)

H3 (−)

γ23 = ,49**

γ32 = ,20**

γ24 = ,18**

H6 (+)

Φ34= ,29**

H7 (+)

Modellanpassung der ML-Schätzung:χ2/ d.f.: 2,456 SRMR: ,052CFI: ,970 NFI: ,951TLI: ,963 RMSEA: ,049

(n.s.) nicht signifikant zu 5 %-Niveau ** Signifikant zu 1 %-Niveau*** Signifikant zu 0,1 %-Niveau

Abb. 3: Standardisierte Parameterschätzer der Modellschätzung

(γ32 = 0,20) und der Offenlegungsbereitschaft (β31 = 0,21) einen positiven und hochsigni-fikanten Effekt zur Begründung der AI-Inanspruchnahme auf. Beide Größen sind zentralfür die AI, da erst durch die Offenlegung von Profil- und Nutzungsinformationen eineAnalyse und Begleitung der Nutzungsprozesse durch den Anbieter möglich wird. Ohneeine solche Freigabe bzw. ohne einen solchen Zugang zu den Nutzungsdaten ist die AI inder dargestellten Form nicht möglich. Dabei zeigt sich, dass die Offenlegungsbereitschaftstark vom Ausmaß des wahrgenommenen Risikos abhängt (γ11 = −0,40) und immerhin16 % der Varianz dieses Konstruktes hierüber erklärt wird.

Festzuhalten ist, dass das vorliegende Modell trotz des derzeit noch weitgehend fikti-ven Untersuchungsfeldes und trotz Befragten ohne diesbezüglich vorliegende persönlicheErfahrungen einen sehr guten Fit mit den Daten aufweist. Dabei gelingt es über nur wenigezentrale Einflussgrößen einen bedeutendenAnteil derVarianz des Konstruktes Inanspruch-nahme zu erklären, wobei neben der wahrgenommenen Vorteilhaftigkeit bezogen auf einenkonkreten Alltagsprozess auch die allgemeine bzw. AI-bezogene Nutzerinnovativität unddie Offenlegungsbereitschaft positive Effekte ausüben.

4.3.4 Mehrgruppenvergleich unterschiedlicher Prozesse

Um bei dem vorliegenden Modell einen sinnvollen Vergleich der vier Alltagsprozessevornehmen zu können, muss zunächst geprüft werden, inwieweit bzw. ob die latentenKonstrukte bei allen Prozessbeurteilungen auch ähnliche Sachverhalte abbilden. Dabeigilt es, die sog. Äquivalenz (auch Invarianz) der Konstruktmessungen sicherzustellen, daansonsten u. a. Pfadkoeffizienten zwischen den Konstrukten verzerrt sein können (Williamsund Thomson 1986, S. 30 ff.). Dabei muss die Invarianz der Faktorladungen geprüft werden(Steenkamp und Baumgartner 1998, S. 83). Hierzu werden diese über alle Gruppen fixiert,d. h. in allen Gruppen gleichgesetzt. Weist dieses nun restringierte Modell eine ähnliche


Anpassungsgüte wie das unrestringierte Modell auf, in dem alle Parameter in jeder Gruppefrei geschätzt werden, so spricht dies für invariante Faktorladungen. Im vorliegenden Fallzeigten sich bzgl. der Anpassungsgüte keine nennenswerten Unterschiede zwischen demunrestringierten und dem restringierten Modell mit den fixierten Faktorladungen.7 Damitist Invarianz bzw. Messäquivalenz der Faktorladungen gegeben und die Pfadkoeffizientenkönnen über die Gruppen hinweg sinnvoll miteinander verglichen werden (Temme undHildebrandt 2009, S. 139 ff.).

Die Ergebnisse der Mehrgruppenkausalanalyse zeigen, dass bei den Prozessen „Ur-laub“ und „Ausland“ die Wirkeffekte der Vorteilhaftigkeit auf die Inanspruchnahme derAI deutlich stärker als bei den anderen beiden Prozessen sind. Dieser Effekt zeichnet sichauch in der erklärten Streuung des Konstruktes ab. Kann die Inanspruchnahme der AI inden Prozessen „Umzug“ und „Fest“ nur zu ca. 20 % erklärt werden, so ergibt sich fürdie beiden anderen Prozesse ein R2 von 0,366 bzw. 0,364. Ein signifikanter Einfluss derAufwandreduktion auf die wahrgenommene Vorteilhaftigkeit der AI kann nur bei Prozess1 „Urlaub“ nachgewiesen werden. Hingegen wirkt die Ergebnisverbesserung bei allenProzessen hochsignifikant auf die Vorteilhaftigkeit. Gleiches gilt auch für den Einflussdes wahrgenommenen Risikos auf die Offenlegungsbereitschaft persönlicher Informatio-nen, wobei der Effekt beim Prozess „Urlaub“ (γ11 = −0,430) besonders dominant wirkt(vgl. Tab. 2).

Der Wirkeffekt der Offenlegungsbereitschaft auf die Inanspruchnahme der AI kannnur bei den Prozessen „Urlaub“ und „Fest“ signifikant bestätigt werden. Insgesamt zeigtdie Analyse, dass die Ergebnisse auch über die Gruppen hinweg robust, d. h. in Bezugauf das Vorzeichen und die Wirkungsstärke vergleichbar sind. Ausnahme ist hier der Pla-nungsprozess „Fest“, bei dem das Vorzeichen des wahrgenommenen Risikos positiv, abernicht signifikant ist.

4.4 Personentypen und Erschließungsstrategien

Nachdem die zentralen Wirkeffekte im Bereich der AI-Inanspruchnahme auf aggregier-ter Ebene untersucht wurden, erscheint es zweckmäßig, auch individuelle Aspekte dereinzelnen Befragten näher zu betrachten. Erst hierüber lässt sich das Potenzial bzw. dieRelevanz der AI abschätzen. Von zentraler Bedeutung ist dabei neben der Inanspruchnah-me der AI die wahrgenommene Vorteilhaftigkeit, da diese den stärksten Erklärungsgehalthierfür aufweist.

4.4.1 Ableitung der AI-Potenzialmatrix

Grundsätzlich zeigen die bisher durchgeführten Analysen einen stark positiven Effektzwischen den beiden Größen der Vorteilhaftigkeit und der Inanspruchnahme. So führenhohe wahrgenommene Vorteile auch zu einer steigenden Neigung der Inanspruchnahme.Unterteilt man die Personen anhand der Ausprägungen bei diesen Größen (hoch zu gering)in je zwei Gruppen, so sollten aufgrund der starken Abhängigkeit der beiden Größenprimär zwei Personengruppen als „Normalfall“ resultieren: die „Akzeptierer“, die einehohe Inanspruchnahme bei hohen vermuteten Vorteilen aufweisen und die „Ablehnenden“die aufgrund nur geringer Vorteile auch keine AI-Akzeptanz aufweisen.

132 R. Weiber et al.T

ab.2

:St

anda

rdis

iert

ePf

adko

effiz

ient

ende

rM

ehrg

rupp

enka

usal

anal

yse

Url

aub

Um

zug

Aus

land

Fest

(n=

213)

(n=

178)

(n=

115)

(n=

92)

Off

enle

gung

sber

eits

chaf

t←

Wah

rgen

omm

enes

Ris

iko

(γ11

)−0

.430

***

−0.3

86**

*−0

.380

***

−0.3

60**

*In

ansp

ruch

nahm

e←

Wah

rgen

omm

enes

Ris

iko

(γ31

)−0

.033

n.s.

−0.1

61n.

s.−0

.082

n.s.

0.08

1n.

s.In

ansp

ruch

nahm

e←

Nut

zeri

nnov

ativ

ität

(γ32

)0.

134*

0.31

0***

0.18

5n.

s.0.

151

n.s.

Vor

teilh

aftig

keit

←A

ufw

andr

eduk

tion

(γ24

)0.

174*

0.12

6n.

s.0.

133

n.s.

0.17

5n.

s.V

orte

ilhaf

tigke

it←

Erg

ebni

sver

bess

erun

g(γ

23)

0.36

6***

0.46

0***

0.43

9***

0.46

5***

Inan

spru

chna

hme

←O

ffen

legu

ngsb

erei

tsch

aft

(β31

)0.

247*

*0.

131

n.s.

0.11

7n.

s.0.

340*

*In

ansp

ruch

nahm

e←

Vor

teilh

aftig

keit

(β32

)0.

528*

**0.

272*

*0.

549*

**0.

265*

Auf

wan

dred

uktio

n↔

Erg

ebni

sver

bess

erun

g(�

34)

0.16

3*0.

222*

0.30

5*0.

237

n.s.

Vor

teilh

aftig

keit

R2

0.18

50.

253

0.24

60.

286

Off

enle

gung

sber

eits

chaf

tR

20.

185

0.14

90.

145

0.13

0In

ansp

ruch

nahm

eR

20.

366

0.23

00.

364

0.19

5

n.s.

:nic

htsi

gnifi

kant

;*si

gnifi

kant

zu5%

-Niv

eau;

**si

gnifi

kant

zu1%

-Niv

eau;

***s

igni

fikan

tzu

0,1%

-Niv

eau


„Aufgeschlossene“(n=108 / 18,1 %)

„Akzeptierer“(n=181 / 30,3 %)

„Zurückhaltende“(n=89 / 14,9 %)

„Ablehnende“(n=220 / 36,8 %)

Ergebnisse der Untersuchung:• geringe Offenlegungsbereitschaft• hohes wahrgenommenes Risiko

Ziel/notwendige Maßnahmen:• Steigerung von Offenlegungsbereitschaft und Vertrauen

Kommunikationsstrategie zur Reduktion des wahrg. Risikos• Kommunikationsstrategie zur Reduktion des wahrg. RisikosZiel/notwendige Maßnahme:langfristige Akquise

Ergebnisse der Untersuchung:• geringer wahrg. Effizienz- und Effektivitätsvorteil• hohe Nutzerinnovativität und Prozesskompetenz

Ziel/notwendige Maßnahmen:• Generierung von Effizienzvorteilen (Aufwandreduktion) • Leistungsstrategie zum Aufbau von Integrationsnutzen

Ergebnisse der Untersuchung:• hoher wahrg. Effizienz- und Effektivitätsvorteil • geringe Nutzerinnovativität

Ziel/notwendige Maßnahmen:• Bindungsstrategie• Etablierung dauerhafter Geschäftsbeziehungen

Vorteilhaftigkeit AIgering hoch

Inan

spru

chna

hme A

Ige

ring

hoch IA 1=4,76

IA 2=4,44VO=2,55

IA 1=2,91IA 2=2,20VO=2,14

IA 1=3,00IA 2=2,53VO=4,49

IA 1=4,90IA 2=4,51VO=4,56

••

••

••

••

••

••

Abb. 4: AI-Potenzialmatrix und Erschließungsstrategien

Die Gruppe der „Akzeptierer“ ist damit der „Idealfall“ aus Sicht eines Anbieters, bei derhohe Erlöspotenziale erzielt werden können, die aus der Erschließung der nachfragerseitigwahrgenommenen Vorteilhaftigkeit resultieren. Auch besteht bereits ein gewisses Akzep-tanzniveau, so dass kaum noch Überzeugungsarbeit geleistet werden muss. „Ablehnende“verfügen demgegenüber nur über eine geringe Neigung zur AI-Inanspruchnahme bei nurgeringen erwarteten Vorteilen. Diese Gruppe ist aus Sicht des Anbieters zunächst nichtvon Interesse, da hier viel Überzeugungsarbeit, bezogen auf die erzielbaren Vorteile, alsauch auf den Aufbau von Akzeptanz, zu leisten wäre.

Teilt man die Stichprobe anhand der standardisierten Konstrukt- bzw. Faktorwerte übereinen Mittelwertsplit (größer und kleiner als 0) in vier Gruppen, so zeigt sich, dass, wievermutet, die Gruppe der „Akzeptierer“ (n = 181; 30,3 %) und die Gruppe der „Ablehnen-den“ (n = 220; 36,8 %) am stärksten vertreten sind. Erstgenannte beurteilt dabei sowohldie Vorteilhaftigkeit (Mittelwert in der Gruppe: 4,56) als auch die Wahrscheinlichkeit zurInanspruchnahme mit Werten von 4,90 und 4,51 sehr hoch. Demgegenüber sehen die„Ablehnenden“ nur sehr geringe Vorteile (2,14) und lehnen eine Inanspruchnahme (2,91und 2,20) eher ab. Bemerkenswert ist, dass trotz des stark positiven Zusammenhangs zwi-schen den beiden Konstrukten ein großer Anteil an Personen nicht diesen beiden Gruppenzugewiesen wird. Die Aufteilung auf die vier Gruppen ist in der sog. AI-Potenzialmatrixin Abb. 4 dargestellt.

Aus Anbietersicht sind jedoch gerade die beiden eher als „unplausibel“ zu bezeich-nenden Gruppen „Zurückhaltende“ und „Aufgeschlossene“ von besonderem Interesse, dahier das größte Potenzial zur Ausweitung der Angebote (Erschließungspotenzial) liegt,sofern es gelingt, diese Personen in die Gruppe der „Akzeptierer“ zu transformieren.

„Aufgeschlossene“ weisen trotz nur geringer vermuteter Vorteilhaftigkeit (2,55) einehohe Bereitschaft zur Inanspruchnahme auf (4,76 und 4,44). Aufgrund der prinzipiellenBereitschaft haben die Anbieter hier die Möglichkeit, über geeignete „Einstiegsangebote“den Nachfrager von der Vorteilhaftigkeit derAI zu überzeugen. Gelingt dies, so ist damit zurechnen, dass aus der Zunahme der wahrgenommenen Vorteilhaftigkeit eine entsprechende


Zahlungsbereitschaft erwächst und damit in dieser Gruppe zukünftig Erlöse generiertwerden können. „Zurückhaltende“ sind den AI-Angeboten, trotz erwarteter Vorteile (4,49)gegenüber wenig aufgeschlossen (3,00 und 2,53). Diese Gruppe bietet dabei ein großesPotenzial für Erlössteigerungen, sofern diese Personen zur Inanspruchnahme z. B. durchvertrauensbildende Maßnahmen überzeugt werden können.

4.4.2 Ableitung von Erschließungsstrategien

Es gilt nun herauszufinden, worin sich die Gruppen „Aufgeschlossene“ und „Zurückhal-tende“ von den „Akzeptierern“ unterscheiden, um hierauf aufbauend Maßnahmen ableitenzu können, wie diese Gruppen in die aus Anbietersicht „ideale“ Gruppe der „Akzeptierer“zu überführen sind. Zu diesem Zweck wurden neben den sieben Kernkonstrukten aus demvorangegangenen Abschnitt auch weitere Beschreibungsgrößen hinzugezogen. Hierbei er-scheint insb. für die Gruppe der „Zurückhaltenden“ eine differenzierte Betrachtung deswahrgenommenen Risikos relevant. Zusätzlich dazu werden auch das Involvement sowiedie Kompetenz hinzugezogen, da sie einen Einfluss auf das Potenzial zur Ergebnisverbes-serung und Aufwandreduktion haben sollten (vgl. Tab. 3).8

Neben den Mittelwerten der Konstrukte für die drei Gruppen sind die Ergebnisse ei-nes F-Tests ausgewiesen, bei dem die Gruppen „Aufgeschlossene“ und „Zurückhaltende“jeweils mit der Gruppe „Akzeptierer“ verglichen wurden. In den ersten beiden Zeilensind die zur Kategorisierung der Personen herangezogenen Werte der Konstrukte Inan-spruchnahme (IA) und Vorteilhaftigkeit (VO) ausgewiesen, weshalb hier die signifikantenUnterschiede im Gruppenvergleich wenig überraschend sind. Bezogen auf das insgesamtwahrgenommene Risiko (WR) und das Involvement (IN) zeigen sich beim Vergleich derGruppen keine Unterschiede. Vergleicht man nun die Gruppe „Aufgeschlossene“ mit derGruppe „Akzeptierer“, so zeigt sich, dass diese signifikant kleinereWerte bei den Effizienz-und Effektivitätsvorteilen (AR = 0,016 und EV = −0,178 zu 0,394 und 0,464) aufweisen.Weiterhin ist diese Gruppe innovativer (NI) und weist eine höhere Prozesskompetenz (KO)auf.

Die Gruppe „Zurückhaltende“ stellt sich demgegenüber abweichend dar: So sind hiersignifikante Unterschiede bezogen auf die Aufwandreduktion (AR), die Offenlegungsbe-reitschaft (OB) und die Nutzerinnovativität (NI) zu verzeichnen. Dies ist durchaus be-gründbar, da die eher zurückhaltenden Personen anscheinend stärkere Vorbehalte bzw.Hemmnisse besitzen, erforderliche persönliche Daten preiszugeben bzw. offenzulegen.Dies bestätigt auch die Betrachtung der einzelnen Komponenten des wahrgenommenenRisikos, wobei sich bei den beiden funktionalen Komponenten WR 1 und WR 8 signifi-kant höhere Werte zeigen. Die „Zurückhaltenden“ scheinen somit zu befürchten, dasstrotz Preisgabe persönlicher Informationen kein adäquater Nutzen aus der AI für sieresultiert.

Im Kern sollten dabei folgende Maßnahmen zur Erschließung des Potenzials der „Auf-geschlossenen“ und der „Zurückhaltenden“ ergriffen werden: Bei erster Gruppe empfiehltes sich, eine Leistungsstrategie über die Generierung eines reellen Integrationsnutzens,z. B. zur Steigerung der Effektivität und der Effizienz der Prozesse, zu verfolgen. Auf-

Akzeptanz anbieterseitiger Integration in die Alltagsprozesse der Konsumenten 135T

ab.3

:K

onst

rukt

bezo

gene

rG

rupp

enve

rgle

ich

Kon

stru

kte

Akz

eptie

rer

Auf

gesc

hlos

sene

Zur

ückh

alte

nde

(n=

181)

(n=

108)

(n=

89)

Mitt

elw

.St

abw

.M

ittel

w.

Stab

w.

FM

ittel

w.

Stab

w.

F

IAa

0.88

20.

488

0.79

50.

473

2.20

0n.

s.−0

.678

0.61

451

2.15

3***

VO

a0.

943

0.50

0−0

.560

0.50

560

7.09

0***

0.89

60.

480

0.55

4n.

s.A

Ra

0.39

40.

814

0.01

60.

865

13.8

71**

*−0

.015

0.75

715

.725

***

EV

a0.

464

0.73

8−0

.178

0.83

546

.368

***

0.34

50.

793

1.47

8n.

s.W

R17

.439

6.42

716

.940

6.36

90.

411

n.s.

18.6

906.

579

2.22

3n.

s.O

Ba

0.20

11.

044

0.12

90.

983

0.34

0n.

s.−0

.145

0.87

57.

268*

*N

Ia0.

046

0.85

50.

262

0.87

14.

266*

−0.3

170.

830

10.9

73**

KO

a−0

.262

0.91

40.

141

0.86

613

.700

***

−0.2

110.

990

0.18

0n.

s.IN

a0.

151

0.90

10.

093

0.90

60.

280

n.s.

−0.0

290.

921

2.34

0n.

s.

Indi

kato

renb

WR

114

.680

6.65

615

.083

7.85

20.

217

n.s.

16.9

338.

065

5.92

6*W

R7

15.7

688.

479

13.3

808.

192

5.50

3*15

.629

7.38

30.

017

n.s.

WR

815

.829

8.67

515

.463

9.43

60.

113

n.s.

18.1

919.

048

4.30

0*

n.s.

:nic

htsi

gnifi

kant

;*si

gnifi

kant

zu5%

-Niv

eau;

**si

gnifi

kant

zu1%

-Niv

eau;

***s

igni

fikan

tzu

0,1%

-Niv

eau

aA

usge

wie

sen

sind

die

stan

dard

isie

rten

Kon

stru

kt-

bzw

.Fak

torm

ittel

wer

teb

Aus

gew

iese

nsi

ndnu

rdi

ejen

igen

Indi

kato

ren,

die

sign

ifika

nte

Unt

ersc

hied

ezw

isch

ende

nG

rupp

enan

zeig

en


grund der hohen Kompetenz der Personen dieser Gruppe sollte der Schwerpunkt hier imAufbau von Effizienzvorteilen liegen, worüber dann Erlöse erzielbar sind.

Bei der Gruppe „Zurückhaltende“ sollte eher eine Kommunikationsstrategie und derAufbau von Vertrauen zur Steigerung der Offenlegungsneigung im Vordergrund stehen.Um in dieser Gruppe Erlöse erzielen zu können, muss zunächst die Aufgeschlossenheitüber geeignete und Nutzen generierendeAngebote monetarisiert werden. Weiterhin solltendie Vorteile der AI kommuniziert werden, um so das wahrgenommene funktionale Risikozu reduzieren. Aufgrund der von diesen Personen bereits wahrgenommenen Vorteilhaf-tigkeit sind sicherlich Erlöse erzielbar, jedoch erst, wenn eine „Mindestbereitschaft“ zurInanspruchnahme vorliegt.

5 Zusammenfassende Erkenntnisse und weitere Forschungsfelder zurEntwicklung eines AI-spezifischen Marketing-Ansatzes

Der vorliegende Beitrag postulierte mit der AI eine Entwicklung hin zu einer besonde-ren Ausprägungsform der Kundenintegration, bei der Anbieter durch AmI-AnwendungenUnterstützungsleistungen in Echtzeit in den aktuellen Nutzungsprozessen der Nachfragererbringen können. Im Fokus des Beitrags stand neben der Herausarbeitung der Charak-teristika der AI die empirische Prüfung der nachfragerseitigen Akzeptanz eines solchenKonzeptes. Das zu diesem Zweck entwickelte AI-Akzeptanzmodell konnte anhand der er-hobenen Daten in seiner konzeptionellen Struktur bestätigt werden. Dabei zeigte sich, dassdie wahrgenommene Vorteilhaftigkeit der anbieterseitigen Integration in die Prozesse derNachfrager den stärksten Effekt zur Erklärung der Inanspruchnahme von AI-Angebotenaufweist. Dieses Ergebnis steht im Einklang mit der TAM-Literatur (z. B. Pavlou 2003,S. 118 ff.; Gefen et al. 2003, S. 71). Eine differenzierte Betrachtung der wahrgenomme-nen Vorteilhaftigkeit zeigte, dass sowohl die mittels AI erzielbare Ergebnisverbesserung,als auch die vermutete Aufwandreduktion den Kern der Vorteilhaftigkeit des Konzeptesausmachen. Dieses Ergebnis kann als plausibel bezeichnet werden und stützt die in derLiteratur (z. B. Risch-Rodie und Schultz-Kleine 2000, S. 119) vertretene Überlegung, dassdie konsumentenseitig wahrgenommene Vorteilhaftigkeit stark von Effektivitäts- und Ef-fizienzerwägungen abhängig ist. Die Ergebnisse weisen jedoch eine Besonderheit in demSinne auf, dass die Personen deutlich stärker von den wahrgenommenen Effektivitätsvor-teilen, d. h. der erzielbaren Ergebnisverbesserung getrieben werden, was im Rahmen derKonzeption einer Vermarktungsstrategie Berücksichtigung finden muss. Unter Rückgriffauf eine Mehrgruppen-Kausalanalyse konnte zudem für die vier untersuchten Alltagspro-zesse gezeigt werden, dass das Akzeptanzmodell in seiner Grundstruktur prozessüber-greifend Gültigkeit besitzt. Eine Übertragung des entwickelten Akzeptanzansatzes aufandere Nutzungsprozesse sollte damit möglich sein. Unterschiede zeigten sich über diebetrachteten Nutzungsprozesse jedoch in der Wirkstärke zwischen den Konstrukten undhier vor allem bei der Offenlegungsbereitschaft und der Aufwandreduktion. Diese Ergeb-nisse dokumentieren die Herausforderung der AI, dass Nutzungsprozesse stark variieren.Die Koordination der anbieterseitigen Integrationsmaßnahmen bedarf somit grundsätz-lich einer „ad hoc Analyse“ der betrachteten Nutzungsprozesse, da sich, wie in den Er-


gebnissen dokumentiert, keine generischen Nutzungsprozesse ableiten lassen, so dass diebisher verfügbaren und primär automatisierten Services aus dem AmI-Umfeld zu kurzgreifen.

Darüber hinaus konnte durch die sog. AI-Potenzialmatrix gezeigt werden, dass derGrundgedanke der AI im Consumer-Bereich auf ein „robustes“ Interesse stößt und damiteine entsprechende Nachfrage auch in der Breitenanwendung erwarten lässt. In der empiri-schen Untersuchung konnten 30,3 % der Befragten der Gruppe „Akzeptierer“ zugeordnetwerden, die bereits ohne das Vorliegen eines konkreten Anwendungsfeldes der AI eine ho-he Vorteilhaftigkeit zusprechen und diese mit großer Wahrscheinlichkeit auch in Anspruchnehmen würden. Die dargestellte Potenzialmatrix ist dabei, aufgrund der mangelnden Re-präsentativität der zugrundeliegenden Stichprobe, jedoch keinesfalls als „exakte“ Prognosefür zukünftige Marksituationen zu verstehen und dient primär der Identifikation von Un-terschieden zwischen einzelnen Akteursgruppen. Diese Unterschiede, insb. in Bezug aufdie beiden für die AI besonders interessanten Gruppen „Aufgeschlossene“ und „Zurück-haltende“, stellen einen ersten Anhaltspunkt zur Ableitung von anbieterseitigen Strategiendar. Für die konkrete und differenzierteAusarbeitung von „Erschließungs-“ Strategien sindaber Untersuchungen im realen Anwendungsumfeld, d. h. bei konkreten Anwendungenerforderlich. Dabei sollte dann auch der Dynamik der AI-Akzeptanz Rechnung getra-gen werden, die sich insb. durch Erfahrungen und Wahrnehmungen der Vorteilspotenzialesowie auch über das in fortwährenden „Interaktionen“ mit einem Anbieter aufgebauteVertrauen verändert.

Im Rahmen der vorliegenden Untersuchung wurde bewusst auf die Aufnahme be-reits realisierter Lösungen aus dem Umfeld der Ambient Intelligence verzichtet, da nichtdie Aufgeschlossenheit gegenüber einzelnen technischen und bisher eher automatisiertenVarianten, sondern die generelle AI-Akzeptanz i. S. einer Verhaltensintention untersuchtwerden sollte. Aus diesem Grund wurde die Untersuchung auf „fiktive“ Planungsprozesseabgestellt, die am ehesten die Abschätzung der generellen AI-Akzeptanz in der zukünftigzu erwartenden Anwendungsbreite erlauben. Damit aber sind die ermittelten Wirkungennicht unmittelbar auf reale Anwendungen übertragbar. So sollten Kosten- und Unsicher-heitsaspekte bei tatsächlichen Entscheidungen einen stärkeren Effekt als bei den hier un-tersuchten Verhaltensabsichten aufweisen. Dies ist bei der Interpretation der Ergebnisse zuberücksichtigen, wobei dieser „Methodeneffekt“ weniger die Wirkbeziehungen der Kon-strukte betrifft, die ja im Rahmen des Kausalmodells im Vordergrund stehen, als vielmehrderen absolutes Niveau i. S. der Höhe der Akzeptanz oder der Höhe von Unsicherheiten(Ajzen et al. 2004, S. 1114 ff.).

Wenngleich die Grundstruktur desAI-Akzeptanzmodells bestätigt und ein bedeutenderAnteil der empirischen Varianz (R2 = 0,31) der Zielgröße „AI-Inanspruchnahme“ erklärtwerden konnte, so bieten bspw. qualitative Interviews mit potenziellen Nutzern eine guteMöglichkeit, tiefere Einblicke in die Entwicklung der AI-Akzeptanz zu erlangen. Vielver-sprechend erscheint dabei die Verwendung von sog. Mixed Method-Designs (Kuß 2010,S. 120 ff.). So betonen z. B. Prince et al. (2009, S. 131): „The integration of substantivequalitative analysis with causal modeling [as, Anm. d. Verf.] a challenging task [. . . ] iswell worth the effort, since it provides a number of strategic research advantages overthe separate methodologies.“ Neben der Exploration neuer theoretischer Sachverhalte undWirkbeziehungen liegen die Kernvorteile einer solchen komplementären qualitativen Vor-


gehensweise gerade in der Präzisierung des Modells sowie der relevanten Konstrukte,wobei dies dann konkretere Anhaltspunkte zur Ableitung geeigneter Erschließungsstrate-gien bietet.

Neben der Durchführung von qualitativen Studien und Feldexperimenten mit erstenAmI-Anwendungen, liegt aus Sicht der Autoren ein zukünftiger Forschungsschwerpunktin der detaillierten Entwicklung eines Marketing-Konzeptes der AI, wobei als Ausgangs-punkt die folgenden vier Konzeptebenen besonders fruchtbar erscheinen (Hörstrup 2011):Auf der 1.) Potenzialebene müssen die erforderlichen Ressourcen für die Leistungser-bringung im Rahmen der Anbieterintegration bereitgestellt werden. Dabei sollte hier derAufbau spezifischer Integrations- und Interaktionskompetenzen, ähnlich denen bei derKundenintegration (Fließ 1996, S. 91 ff.; Jacob 2006, S. 48 ff.) im Vordergrund stehen.Die 2.) Analyseebene dient vor allem der Identifikation anbieterseitiger Integrationspunk-te im Nutzungsprozess der Nachfrager. Die Sammlung spezifischer Informationen, mitderen Hilfe Nutzungsprozesse analysiert und verhaltensorientierte Kundenmodelle aufge-baut werden können, erscheint hier maßgebend (Weiber und Hörstrup 2009, S. 300 ff.).Auf der 3.) Strategieebene resultieren Besonderheiten vor allem in Bezug auf die Marktsti-mulierungsstrategie, in deren Rahmen der Anbieter grundsätzlich entscheiden muss, ob erseine Unterstützungsleistungen auf einzelne Aktivitäten konzentriert oder die Umsetzungganzer Prozessstränge übernimmt und damit entweder als „Aktivitätsoptimierer“ oderals „Prozessführer“ im Nutzungsprozess agiert. Auf der 4.) Instrumentalebene muss dasMarketing-Instrumentarium an dem point of use ausgerichtet werden: Hierzu zählen ne-ben der interaktiven Gestaltung der Leistungs- und Kommunikationspolitik (Fälsch 2007,S. 133 ff.; Weiber und Fälsch 2007, S. 90 ff.), die Berücksichtigung spezifischer Anforde-rungen im Bereich der Distribution (z. B. Leistungsabgabe in Echtzeit; Datensicherheit)auch die Entwicklung angepasster, auf den Gebrauchswert von Leistungen abstellenderPreismodelle wie z. B. pay-per-use-Ansätze (Gurnani und Karlapalem 2001, S. 65).

Anmerkungen

1 Eine Ausnahme bilden hier nur sog. ProSumer-Dienstleistungen, bei denen aufgrund der Zeit-gleichheit von Erstellungs- und Konsumtionsprozess der Anbieter immer auch im Konsumpro-zess „anwesend“ ist.

2 Aufgrund der im Wesentlichen durch recht junge Teilnehmer geprägten Stichprobe sind dieErgebnisse nicht repräsentativ für die Gesamtbevölkerung (Peterson 2001, S. 458). Da es sichhier jedoch um die erste empirische Prüfung imAI-Kontext handelt, weist die Studie primär einenentdeckenden (explorativen) Charakter auf, obwohl sie mit dem Akzeptanzmodell Hypothesenprüfend (konfirmatorisch) ausgerichtet ist. Damit aber erscheinen die Voraussetzungen für denRückgriff auf ein solches „convenience sample“ nach Ferber (1977, S. 58) durchaus erfüllt, denn„one justifiable use of a convenience sample is for exploratory purposes [. . . ]“.

3 Wearable Computing umfasst dabei die Forschungsbemühungen, zukünftig immer mehr elek-tronisches Gerät in miniaturisierter Form in Kleidung, Armbanduhren und Schmuckstücke ein-zubauen und somit tragbar zu machen. In der Erprobung befindet sich bspw. zurzeit das Trai-nigssystem micoach von adidas, welches dem Sportler, basierend auf der Analyse der eigenenVitalfunktionen, während seines Laufs Trainingsanweisungen via Handy gibt. Der Smart Ta-chograph ist hingegen ein Kontrollsystem, welches es Versicherungsunternehmen ermöglicht,


bislang geschätzte Versicherungskosten anhand von tatsächlichen Nutzungsdaten (z. B. Fahr-strecke, Geschwindigkeit, Tageszeit) berechnen zu können (Coroama 2006, S. 135 ff.).

4 Bei dem dargestellten Szenario handelt es sich um eine für die Publikation verkürzte Varian-te, die nicht dem exakten Szenario in der Befragung entspricht und an dieser Stelle lediglichals Überblick fungieren soll. Das der Befragung zugrundeliegende Szenario war deutlich aus-führlicher und für den Probanden eingängiger beschrieben. Die Verständlichkeit des Szenarioszur Anbieterintegration wurde im Rahmen der Befragung mittels Kontrollfragen überprüft undzeigte, dass es von den Befragten gut nachvollzogen werden konnte.

5 vgl. zur Identifizierbarkeit formativer Messmodelle z. B. Diamantopoulos et al. (2008, S. 1213 f.).

6 Da dieses Konstrukt recht konkret ist, erscheint dieVorgehensweise derAnwendung einer Single-Item Messung gerechtfertigt (Fuchs und Diamantopoulos 2009, S. 203 ff.). Obwohl sich inder Literatur viele Hinweise zur Operationalisierung der „Perceived usefulness“ finden (siehehierzu Venkatesh et al. 2003, S. 448), erscheint die gewählte Vorgehensweise aus zwei Gründenzweckmäßig: Zum einen, um den ohnehin schon nicht unerheblichen Befragungsaufwand nichtweiter auszudehnen und zum anderen, umValiditätsprobleme aufgrund der inhaltlich-semantischfast deckungsgleichen Items, die üblicherweise zur Messung der Größe verwendet werden, zuvermeiden (vgl. zu einer Kritik an einer solchen Vorgehensweise z. B. Rossiter 2002, S. 313 f.).

7 Die Differenz der beiden Modelle (unrestringiertes Modell: χ2 = 470,160 (df = 336) zum Modellder fixierten Faktorladungen: χ2 = 499,838 (df = 360)) ist mit χ2

Dif . = 29,678 < 36,42 (kritischerχ2-Wert bei 24 Freiheitsgraden und 5 % Konfidenzniveau) nicht signifikant.

8 Dabei wurden das Involvement nach Moorthy et al. (1997) und die Kompetenz in Anlehnung anRosenberg (1965) über 3 und 4 Items erhoben.

Anhang

MW SD IR

Wahrgenommenes Risikoa (in Anlehnung an: Cunningham 1967; Schweiger et al. 1976)WR 1 Unterstützungsleistungen sind nicht auf Ihre Vorlieben und

Wünsche angepasst.15,515 7,921 –

WR 2 Das Unternehmen sammelt ohne Ihr Wissen zusätzlicheInformationen von Ihnen.

18,445 9,673 –

WR 3 Ohne Ihr Wissen speichert das Unternehmen langfristigzusätzliche Informationen von Ihnen.

20,977 9,755 –

WR 4 Das Unternehmen veräußert die von Ihnen gespeichertenpersönlichen Informationen ohne Ihre Einwilligung an Dritte.

18,632 9,449 –

WR 5 Durch eine sorglose Datenverwaltung des Unternehmensgelangen private Informationen von Ihnen in Umlauf.

17,841 9,088 –

WR 6 Das Unternehmen konfrontiert Sie zunehmend mitAngeboten weiterer zahlungspflichtiger Serviceleistungen.

20,075 8,989 –

WR 7 Das Unternehmen nutzt Ihre entstandene Abhängigkeitfinanziell aus.

14,629 8,207 –

WR 8 Der große Umfang an permanentenUnterstützungsangeboten wird zur Belastung.

16,520 9,329 –


Anhang: (Fortsetzung)

MW SD IR

Offenlegungsbereitschaftb (in Anlehnung an: Smith et al. 1996)OB 1 Ich habe keine Probleme damit, dass Unternehmen

Informationen über meine persönlichen Vorlieben undWünsche (Profilinformationen) einholen.

2,329 1,293 0,542

OB 2 Ich befürchte nicht, dass Unternehmen meine Datenmissbrauchen werden.

2,473 1,337 elim.

OB 3 Ich habe keine Probleme damit, dass UnternehmenInformationen über meine persönlichen Vorlieben undWünsche (Profilinformationen) langfristig speichern.

2,186 1,282 0,605

OB 4 Es macht mir nichts aus, dass Unternehmen Informationenüber meine Alltagsprozesse und Gewohnheiten(Prozessinformation) einholen.

2,242 1,258 0,787

OB 5 Es macht mir nichts aus, dass Unternehmen Informationenüber meine Alltagsprozesse und Gewohnheiten(Prozessinformation) langfristig speichern.

2,050 1,187 0,814

Nutzerinnovativitätb (in Anlehnung an: Donthu und Gilliland 1996; Goldsmith et al. 1998)NI 1 Ich nutze gerne Chancen, die sich mir bieten. 4,600 1,115 0,442NI 2 Ich probiere gerne neue Dinge aus. 4,470 1,101 0,783NI 3 Ich genieße die Herausforderung Neues auszuprobieren. 4,288 1,167 0,801

Inanspruchnahme AIb (in Anlehnung an: Venkatesh et al. 2003)IA 1 Ich beabsichtige die Unterstützung eines Anbieters für den

[Alltagsprozess XY] in Anspruch zu nehmen, sofern dieMöglichkeit dazu besteht.

3,355 1,418 0,627

IA 2 Ich würde wahrscheinlich die Unterstützung eines Anbietersfür den [Alltagsprozess XY] in Anspruch nehmen.

3,858 1,335 0,634

Vorteilhaftigkeitc

VO Wie vorteilhaft sind die Leistungen der AI für Sie bei derDurchführung des [Alltagsprozesses XY]?

3,296 1,337 –

Aufwandreduktiond

AR 1 Welche Entlastung in Form der Reduktion desGesamtaufwandes ist bei Unterstützung durch einen Anbieterihrer Ansicht nach möglich?

3,547 0,717 0,714

AR 2 Welche Entlastung in Form der Reduktion des Aufwandesbei den sieben Teilaktivitäten ist bei Unterstützung durcheinen Anbieter ihrer Ansicht nach möglich? (Mittelwert überalle Aktivitäten)

3,514 0,773 0,746

Ergebnisverbesserunge

EV 1 Differenzwert der erwarteten Qualität des erreichtenErgebnisses der sieben Teilaktivitäten mit und ohneUnterstützung (Mittelwert über alle Aktivitäten)

0,408 1,358 0,659

EV 2 Differenzwert der erwarteten Qualität des erreichtenErgebnisses beim Gesamtprozesses mit und ohneUnterstützung

0,167 1,172 0,771


Anhang: (Fortsetzung)

MW SD IR

Involvementf (in Anlehnung an: Moorthy et al. 1997)IN 1 Wie hoch ist die Wichtigkeit der Planung des Alltagsprozesses

XY für Sie?4,691 1,233 0,681

IN 2 Wie groß ist Ihr Interesse an der Planung des AlltagsprozessesXY?

4,592 1,295 0,645

IN 3 Die Bedeutung der Planung des Alltagsprozesses XY ist fürmich. . .

4,575 1,275 0,792

Kompetenzb (in Anlehnung an: Rosenberg 1965)KO 1 Ich besitze ausreichende Fähigkeiten, um ein qualitativ sehr

hochwertiges Ergebnis bei der Planung und Organisation desAlltagsprozesses XY zu erreichen.

4,701 1,060 0,659

KO 2 Ich bin mir sicher, dass ich bei der Planung und Organisati-on des Alltagsprozesses XY mein Anspruchsniveau erreichenwürde.

4,632 1,071 0,514

KO 3 Ich bin mir sicher, dass ich das bestmögliche Ergebnis errei-chen würde.

4,388 1,110 0,504

KO 4 Ich weiß ganz genau, wie ich die Planung desAlltagsprozessesXY zu strukturieren habe.

4,333 1,195 0,549

KO 5 Insgesamt fühle ich mich sehr gut in der Lage, den Alltags-prozess XY zu planen und zu organisieren.

4,554 1,179 0,584

MW Mittelwert; SD Standardabweichung; IR Indikatorreliabilität = Faktorladungsquadrat; elim.Item mit geringer Reliabilität eliminiert

Verwendete Ratingsskalen:a1 = sehr unwahrscheinlich/kein Problem bis 6 = sehr wahrscheinlich/sehr negativb1 = stimme überhaupt nicht zu bis 6 = stimme voll zuc1 = gar nicht vorteilhaft bis 6 = sehr vorteilhaftd1 = gar keine Entlastung bis 6 = sehr große Entlastunge1 = sehr geringe Ergebnisqualität (mit/ohne) bis 6 = sehr hohe Ergebnisqualität (mit/ohne)f1 = sehr gering bis 6 = sehr hoch

Literatur

Agarwal R, Karahanna E (2000) Time flies when you’re having fun cognitive absorption and beliefsabout information technology usage. MIS Q 24(4):665–694

Agarwal R, Prasad J (1998) A conceptual and operational definition of personal innovativeness inthe domain of information technology. Inform Syst Res 9(2):204–215

Ajzen I, Brown TC, Carvajal F (2004) Explaining the discrepancy between intentions and actions:the case of hypothetical bias in contingent valuation. Pers Soc Psychol Bull 30(9):1108–1121

Albers S, Götz O (2006) Messmodelle mit Konstrukten zweiter Ordnung in der betriebswirtschaft-lichen Forschung. Betriebswirtsch 66(6):669–677

Bagozzi RP (1978) Marketing as exchange – a theory of transactions in the marketplace. Am BehavSci 21(4):535–556


Bagozzi RP, Baumgartner H (1994) The evaluation of structural equation models and hypothesestesting. In: Bagozzi RP (Hrsg) Principles of marketing research. Cambridge University press,Cambridge, S 386–422

Bagozzi RP, Yi Y (1988) On the evaluation of structural equation models. J Acad Market Sci16(1):74–94

Baron S, Patterson A, Harris K (2006) Beyond technology acceptance: understanding consumerpractice. Int J Serv Industry Manage 17(2):111–135

Bateson JEG (1983) The self-service customer – empirical findings. In: Berry LL, Shostack BL, UpahGD (Hrsg) Emerging perspectives on services marketing. American Marketing Association,Chicago, S 50–53

Berners-Lee T (2006) o. T. IBM-Developerworks-Podcast-Interview. http://www.ibm.com/develo-perworks/podcast/dwi/cm-int082206.txt. Zugegriffen: 15. Juni 2011

Bick M, Kummer T-F (2010) Untersuchung von Nutzenpotenzialen und Akzeptanzproblemen am-bienter Technologien im Krankenhaus. Z Betriebswirtsch Forsch 67(Sonderheft 5):59–88

Bollen KA (1989) Structural equations with latent variables. Springer, New YorkBundesministerium für Bildung und Forschung (Hrsg) (2006) TAUCIS: Technikfolgenabschätzung,

Ubiquitäres Computing und Informationelle Selbstbestimmung. BerlinChin WW (1998a) Issues and opinion on structural equation modeling. Manage Inform Syst Q

22(1):7–16Chin WW (1998b) The partial least squares approach for structural equation modeling. In: Marcouli-

des GA (Hrsg) Modern methods for business research. Lawrence Erlbaum Associates, London,S 295–336

Cohen J, Cohen P, West SG, Aiken LS (2003) Applied multiple regression/correlation analysis forthe behavioral sciences, 3. Aufl. Lawrence Erlbaum Associates, Mahwah

Coroama V (2006) The smart tachograph – individual accounting of traffic costs and its implications.In: Lecture Notes of Computer Science (Hrsg) Pervasive comput 39(68):135–152

Cunningham SM (1967) The major dimensions of perceived risk. In: Cox D (Hrsg) Risk taking ininformation handling in consumer behavior. Harvard University, Boston, S 82–108

Cunningham LF, Gerlach JH, Harper MD,Young CD (2005) Perceived risk and the consumer buyingprocess: internet airline reservations. Int J Serv Industry Manage 16(4):357–372

Davis F (1989) Perceived usefulness, perceived ease of use, and user acceptance of informationtechnology. MIS Q 13(3):319–340

Davis F, Bagozzi P, Warshaw R (1989) User acceptance of computer technology. Manage Sci35(8):982–1003

Day E, Crask MR (2000) Value assessment: antecedent of customer satisfaction. J Consum Satis-faction Dissatisfaction Complaining Behav 13:52–60

de Ruyter K, Wetzels M (2000) Customer equity considerations in service recovery: a cross industryperspective. Int J Serv Industr Manage 11(1)91–108

Diamantopoulos A, Winklhofer HM (2001) Index construction with formative indicators: an alter-native to scale development. J Market Res 38(2):269–277

Diamantopoulos A, Riefler P, Roth KP (2008) Advancing formative measurement models. J Bus Res61(3):1203–1218

Donthu N, Gilliland D (1996) The infomercial shopper. J Advert Res 36(2):69–76Egner-Duppich C (2008) Vertrauen beim Online-Kauf. Dr. Kovac, HamburgEngelhardt WH, Kleinaltenkamp M, Reckenfelderbäumer M (1993) Leistungsbündel als Absat-

zobjekte. Ein Ansatz zum Überwinden der Dichotomie von Sach- und Dienstleistungen.Z Betriebswirtsch Forsch 45(5):395–426

Fälsch H (2007) Neue Optionen und Anforderung in der Leistungsgestaltung durch UbiquitousComputing: Referenzmodell und Nutzertypologie. Dr. Kovac, Hamburg

Fano A, Gershman A (2002) The future of business services. Commun ACM 45(12):83–87


Featherman M, Fuller M (2003) Applying TAM to E-Services Adoption: The Moderating Roleof Perceived Risk. In: Proceedings of the 36th Hawaii International Conference on SystemSciences (HICSS’03)

Ferber R (1977) Research by convencience. J Consum Res 4(1):57–58Fleisch E, Dierkes M (2003) Betriebswirtschaftliche Anwendungen des UbiComp. In: Mattern F

(Hrsg) Total Vernetzt – Szenarien einer informatisierten Welt. Springer, Berlin, S 145–157Fleisch E, Mattern F (2005) Das Internet der Dinge: Ubiquitous Computing und RFID in der Praxis:

Visionen, Technologien, Anwendungen, Handlungsanleitungen. Springer, HeidelbergFleisch E, Christ O, Dierkes M (2005) Die betriebswirtschaftliche Vision des Internets der Dinge.

In: Fleisch E, Mattern F (Hrsg) Das Internet der Dinge: Ubiquitous Computing und RFID inder Praxis. Springer, Berlin, S 3–38

Fließ S (1996) Prozeßevidenz als Erfolgsfaktor der Kundenintegration. In: Kleinaltenkamp M, FließS, Jacob F (Hrsg) Customer integration. Gabler, Wiesbaden, S 91–105

Fließ S (2004) Kundenintegration. In: Backhaus K, Voeth M (Hrsg) Handbuch Industriegütermar-keting. Gabler, Wiesbaden, S 521–551

Fornell C, Larcker DF (1981) Evaluation structural equation models with unobservable variablesand measurement error. J Market Res 18(1):39–50

Fraunhofer-IuK-Verbund (2009) Schwerpunkt Assisted Living, Nr. 1, S. 6–29Fuchs C, Diamantopoulos A (2009) Using single-item measures for construct measurement. Be-

triebswirtsch 69(2):195–210Gefen D, Karahanna E, Straub DW (2003) Trust and TAM in online shopping: an integrated model.

MIS Q 27(1):51–90Goldsmith RE, d’Hauteville F, Flynn LR (1998) Theory and measurement of consumer innovativen-

ess. Euro J Market 32(3/4):340–353Grönroos C (2006) Adopting a service logic for marketing. Market Theory 6(3):317–333Gummesson E (2008) Extending the service-dominant logic: from customer centricity to balanced

centricity. J Acad Market Sci 36(1):15–17Gurnani H, Karlapalem K (2001) Optimal pricing strategies for Internet-based software dissemina-

tion. J Operat Res Soc 52(1):64–70Homburg C, Giering A (1996) Konzeptualisierung und Operationalisierung komplexer Konstrukte

– Ein Leitfaden für die Marketingforschung. Market Z Forsch Prax 18(1):5–24Hong JI, Ng JD, Lederer S, Landay JA (2004) Privacy risk models for designing privacy-sensitive

ubiquitous computing systems. In: Proceedings of the 5th conference on designing interac-tive systems: processes, practices, methods, and techniques. The Association for ComputingMachinery, Cambridge, S 91–100

Hörstrup R (2011) Anbieterintegration: Eine Konzeption zur Analyse kundenseitiger Nutzungspro-zesse. Dr. Kovac, Hamburg

Hu L-T, Bentler PM (1999) Cutoff criteria for fit Indexes in covariance structure analysis: conven-tional criteria versus new alternatives. Struct Equation Modeling 6(1):1–55

Hunt SD (1976) The nature and scope of marketing. J Market 40(7):17–28Jacob F (2006) Preparing industrial services for customer integration. Industr Market Manage

35(1):45–56Junglas IA, Watson RT (2008) Location-Based services: evaluating user perceptions of location-

tracking and location awareness services. Commun ACM 51(3):65–69Khalil MN, Pearson MJ (2007) The Influence of trust on internet banking acceptance. J Internet

Bank Commerce 12(2):1–10Kleinaltenkamp M (1997) Kundenintegration. Wirtschaftswissensch Studium 26(7):350–354Kollmann T (1998) Akzeptanz innovativer Nutzungsgüter und -systeme. Gabler, WiesbadenKotler P (1972) A generic concept of marketing. J Market 36(2):46–54Kuß A (2010) Mixed Method-Designs – Alter Wein in neuen Schläuchen?. Z Betriebswirtsch Forsch

67(Sonderheft 5):115–125


Lee Y, Kozar KA, Larsen KRT (2003) The technology acceptance model: past, present, and future.Commun Assoc Inform Syst 12(50):752–780

Lengnick-Hall CA, Claycomb V, Inks LW (2000) From recipient to contributor: examining customerroles and experienced outcomes. Eur J Market 34(3):359–383

Lu J, Yu C-S, Liu C, Yao JE (2003) Technology acceptance model for wireless internet. Internet ResElectron Netw Appl Policy 13(3)206–222

Lusch RF, Vargo SL, Malter AJ (2006) Marketing as service-exchange: taking a leadership role inglobal marketing management. Organ Dyn 35(3):264–278

Lusch RF, Vargo SL, Tanniru M (2009) Service, value networks and learning. J Acad Market Sci38(1):19–31

Malhotra NK, Kim SS, Agarwal J (2004) Internet users’ information privacy concerns (IUIPC):construct, the scale, and a causal model. Inform Syst Res 15(4):336–355

Malhotra NK, Kim SS, Patil A (2006) Common method variance in IS research. Manage Sci52(12):1865–1883

Mattern F (2005) Die technische Basis für das Internet der Dinge. In: Fleisch E, Mattern F (Hrsg)Das Internet der Dinge: Ubiquitous Computing und RFID in der Praxis. Springer, Berlin, S39–66

Menger C (1871) Grundsätze der Volkswirtschaftslehre. Tübingen. (Nachdruck der 1. Aufl. 1968)Moorthy S, Ratchford B, Talukdar D (1997) Consumer information search revisited: theory and

empirical analysis. J Consum Res 23(4):263–277Nunnally JC (1978) Psychometric theory, 2. Aufl. McGraw-Hill, New YorkO’Reilly T (2005) What is Web 2.0?, S 1–8. http://oreilly.com/web2/archive/what-is-web-20.html.

Zugegriffen: 15. Juni 2011Parasuraman A (2000) Technology readiness index. J Serv Res 2(2):307–320Pavlou PA (2003) Consumer acceptance of electronic commerce: integrating trust and risk with the

technology acceptance model. Int J Electron Commerce 7(3):69–103Peterson RA (2001) On the use of college students in social science research. J Consum Res

28(3):450–461Podsakoff PM, MacKenzie SB, Lee J-Y, Podsakoff NP (2003) Common method biases in behavioral

research. J Appl Psychol 88(5):879–903Pohl A (1996) Leapfrogging bei der Adoption technologischer Innovationen: Ein Erklärungsansatz

auf Basis der Theorie des wahrgenommenen Risikos. Gabler, WiesbadenPrince M, Manolis C, Tratner S (2009) Qualitative analysis and the construction of causal models.

Qual Market Res Int J 12(2):130–152Risch-Rodie AR, Schultz-Kleine S (2000) Customer participation in services production and deli-

very. In: Swartz TA, Iacobucci D (Hrsg) Handbook of services marketing and management.Sage, Thousand Oaks, S 111–125

Rosenberg M (1965) Society and adolescent self-image. University Press, PrincetonRossiter JR (2002) The C-OAR-SE procedure for scale development in marketing. Int J Res Market

19(4):305–335Scholderer J, Balderjahn I (2006) Was unterscheidet harte und weiche Strukturgleichungsmodelle

nun wirklich? Market Z Forsch Prax 28(1):57–70Schweiger G, Mazanec J, Wiegele O (1976) Das Modell des „erlebten“ Risikos (perceived Risk):

Struktur und Operationalisierungskonzepte. Markt 60(4):93–102Smith HJ, Milberg SJ, Burke SJ (1996) Information privacy: measuring individuals’ concerns about

organisational practices. Manage Inform Syst Q 20(2):167–196Steenkamp JB, Baumgartner H (1998)Assessing measurement invariance in cross-national consumer

research. J Consum Res 25(1):78–90Suh B, Han I (2003) The impact of customer trust and perception of security control on the acceptance

of electronic commerce. Int J Electron Commerce 7(3):135–161Temme D, Hildebrandt L (2009) Gruppenvergleiche bei hypothetischen Konstrukten – Die Prüfung

der Übereinstimmung von Messmodellen mit der Strukturgleichungsmethodik. Z Betriebs-wirtsch Forsch 61(2):138–185


Temme D, Paulssen M, Hildebrandt L (2009) Common method variance. Betriebswirtsch 69(2):123–146

Vargo SL, Lusch RF (2004) Evolving to a new dominant logic for marketing. J Market 68(1):1–17Vargo SL, Lusch RF (2006) Service-dominant logic: what it is, what it is not, what it might be.

In: Lusch RF, Vargo SL (Hrsg) The service-dominant logic of marketing: dialog, debate, anddirections. M.E. Sharpe, New York, S 43–56

Venkatesh V, Morris MG, Davis GB, Davis FD (2003) User acceptance of information technology:toward a unified view. MIS Q 27(3):425–478

Weiber R, Fälsch H (2007) Ubiquitous Computing – Eine neue Dimension in der Gestaltungvon Interaktionsbeziehungen im Direktmarketing. Z Betriebswirtsch (Sonderheft 3):83–116,Gabler, Wiesbaden

Weiber R, Hörstrup R (2009) Von der Kundenintegration zur Anbieterintegration. In: Bruhn M,Stauss B (Hrsg) Kundenintegration – Forum Dienstleistungsmanagement. Gabler, Wiesbaden,S 281–312

Weiber R, Mühlhaus D (2009) Strukturgleichungsmodellierung: Eine anwendungsorientierte Ein-führung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS. Springer, Berlin

West SG, Finch JF, Curran PJ (1995) Structural equation models with non normal variables: problemsand remedies. In: Hoyle RH (Hrsg) Structural equation modeling. Edward Arnold, London,56–75

Williams R, Thomson E (1986) Normalization issues in latent variable modeling. Sociol MethodsRes 15(1–2):24–43

Consumer acceptance of provider integration: empirical findings

Abstract: The processing of product usage data represents an exceptional variety of Web 2.0. Itenables the users to get real-time services via web applications in order to optimize their consump-tion and usage processes. The collection of usage data in real time is currently provided mainly byso-called Ambient intelligence (AmI) applications, which at the same time offer completely newoptions for providers with regard to the marketing of their services. In particular, the “classic” cu-stomer integration is to be expanded towards a “provider integration” (PI), in which the providersare integrated into the everyday life processes of the customers. The paper identifies the key cha-racteristics of the PI and investigates the acceptance of PI by the development and empirical testingof an adapted acceptance model. The results of this study show that a quite extensive use of PI canbe expected in the future. This will be a motivation for further research activities in this area, asoutlined in the end of this paper.

Keywords: Ambient intelligence · Customer integration · Technology Acceptance Model (TAM) ·Provider integration

Documents

Akzeptanz anbieterseitiger Integration in die Alltagsprozesse der Konsumenten: Erste empirische Ergebnisse; Consumer acceptance of provider integration: empirical findings;