Business Analytics-LösungenIBM Software IBM SPSS Amos

Strukturgleichungsmodel- lierung mit IBM SPSS AmosVerfahren zur Vorhersage von Verhaltensabsicht im Dienstleistungsbereich Maxwell K. Hsu, DBA Associate Professor of Marketing Universität Wisconsin-Whitewater

KurzübersichtUm im Dienstleistungsmarkt wettbewerbsfähig zu bleiben, müssen Unternehmen in der Lage sein, die Ursachen für das Verhalten wichtiger Kunden besser zu verstehen. Hierzu gehören beispielsweise Kaufabsichten und die Häufigkeit von Wiederholungs- käufen. Kovarianzbasierte Strukturgleichungsverfahren (oder Structural Equation Modeling, SEM) und IBM SPSS Amos* haben sich innerhalb kürzester Zeit als leistungsfähiger Ansatz erwiesen, um diese Beziehungen besser verstehen zu können – und zwar nicht nur im akademischen Umfeld, sondern auch in Unternehmen und im öffentlichen Sektor. Sobald Unternehmen verstanden haben, wie die Dienstleistungs- qualität die Kundenzufriedenheit und die Verhaltensabsicht beeinflusst, können sie entsprechende betriebliche und marketingspezifische Strategien zur Verbesserung der Kundenzufriedenheit entwickeln. Dies wiederum wirkt sich positiv auf Kaufabsichten oder Kundenbindung aus. Die Vorteile dieser Strategien sind offensichtlich und weitreichend.

Das vorliegende Dokument bietet einen Überblick über die Untersuchungen von Dr. Maxwell K. Hsu zur Rolle der Dienstleistungsqualität für Vorhersagen zur Kundenzufriedenheit und zu der Verhaltensabsicht des Kunden in zwei typischen serviceorientierten Branchen: Beherbergungsunternehmen (Hotellerie) und Privatkundenbanken. Der Verfasser erläutert in seinen Ausführungen, wie SEM in diesen Branchen eingesetzt wurde. IBM SPSS Statistics Base* diente dabei als Einstiegslösung, der später IBM SPSS Amos folgte, um die Beziehungen und Abhängigkeiten zwischen Servicequalität, Zufriedenheit und Verhaltensabsicht zu untersuchen. Das Kriterium Zufriedenheit war ein mediierender Faktor (d. h., eine Variable, die die direkte Beziehung zwischen Servicequalität und Verhaltens- absicht vermittelt).

Die Ergebnisse dieser Studie quantifizieren die Beziehung zwischen Service- qualität, Zufriedenheit und Verhaltensabsicht. Sie zeigen zudem auf, dass die Einflussstärke der Servicequalität auf die Zufriedenheit oder die Verhaltensabsicht wahrscheinlich je nach Art des Servicegeschäfts variiert.

Inhalt1 Kurzübersicht

2 Einführung

2 Bestehende Forschungsansätze

3 In diesem Dokument gewählter

Ansatz

3 Methodik

5 Ergebnis der Untersuchungen

6 Vorteile für Dienstleistungs-

unternehmen

6 Informationen zum Verfasser

7 Danksagung

7 Quellen

* Der frühere Name von IBM SPSS Amos und IBM SPSS Statistics Base lautete Amos™ bzw. PASW Statistics Base.

Business AnalyticsIBM Software IBM SPSS Amos

2

EinführungDurch den heutigen starken Wettbewerb im Dienstleistungssektor sind viele Unternehmen in dieser Branche gezwungen, die Ursachen für das Kunden- verhalten besser zu verstehen. Wenn Unternehmen ihre Wettbewerbsfähigkeit aufrechterhalten und ihre Wachstumsziele erreichen wollen, müssen sie darauf einwirken, dass positive Verhaltensweisen wie Kundenbindung verstärkt werden. Voraussetzung hierfür ist jedoch, die Auswirkungen der Servicequalität auf die Kundenzufriedenheit und das beabsichtigte Kundenverhalten zu verstehen. Servicequalität, Zufriedenheit und Verhaltensabsicht werden auch als latente Variablen, verdeckte Variablen oder Konstrukte bezeichnet, die sich nicht direkt beobachten oder messen lassen, deren Existenz sich jedoch aus den Eigenschaften beobachteter Variablen ableiten lässt. Ziel meiner Forschungen als Mitverfasser war es, die Auswirkungen der Servicequalität auf die Zufriedenheit und die Verhaltensabsicht zu messen – ein durchaus kritischer Punkt, den alle Serviceanbieter genau verstehen müssen, um ihre Dienstleistungen erfolgreich vermarkten zu können.

Bestehende Forschungsansätze Es gibt eine Vielzahl von Forschungsaktivitäten, die das Servicequalität-Zufrieden- heit-Modell unterstützen (detaillierte Informationen hierzu siehe Cronin, Brady and Hult, 2000). Während viele Experten zu dem Schluss kommen, dass Servicequalität und Zufriedenheit direkten Einfluss auf das beabsichtigte Verhalten aufweisen (d. h., Servicequalität auf Verhaltensabsicht und Zufriedenheit auf Verhaltensabsicht) (Cronin and Taylor, 1992; Cronin, Brady and Hult, 2000; Dabholkar, Shepherd and Thorpe, 2000), sind sie sich uneinig darüber, ob die Servicequalität in allen Dienst- leistungskontexten in direkter Beziehung zur Verhaltensabsicht steht.

Anhand von Beispielen aus sechs verschiedenen Branchen (Publikumssport, ausgeübter Sport, Unterhaltung, Gesundheitswesen, Fernlastverkehr und Fast Food) kamen Cronin, Brady und Hult (2000) zu dem Schluss, dass es eine signifikante direkte Verbindung zwischen Servicequalität und Verhaltensabsicht gibt. Interessant dabei war Folgendes: Als dieselben Verfasser die branchenspezi- fischen Daten separat auswerteten, stellten sie fest, dass die Servicequalität in allen Branchen, Gesundheitswesen und Fernlastverkehr ausgenommen, direkte Auswirkungen auf die Verhaltensabsicht des Verbrauchers hatte. Diese Ergebnisse stellen die bisherigen Denkansätze in der Dienstleistungsbranche in Frage, die davon ausgehen, dass die Servicequalität direkte Auswirkungen auf die Verhal- tensabsicht hat.

Schmenner (1986, 2004) schlägt eine zweidimensionale Serviceprozessmatrix vor, um zwischen den verschiedenen Arten des Servicegeschäfts differenzieren zu können. Bei diesem Klassifizierungsschema werden Branchen mit vergleichbaren betrieblichen Abläufen in vier Kategorien gruppiert: Service Factory, Service Shop, Mass Service und Professional Services. Laut Schmenner (2004) stellt die X-Achse der Matrix (Abbildung 1) den Variationsgrad bei den Kundeninteraktio- nen und der Anpassung von Services dar. Die Y-Achse wiederum gibt die relative Durchlaufzeit an (den Messwert für die Arbeitsintensität).

Highlights:Die Forschungsergebnisse in diesem Dokument sollen die Behauptung untermauern, dass eine Servicetypologie zur Messung der Servicequalität von den Service- branchen selbst entwickelt werden kann. Dies hat zur Folge, dass durch die empirische Prüfung von Modellen mithilfe von IBM SPSS Statistics und IBM SPSS Amos Dienstleistungsunternehmen in der Lage sind, die Beziehungen zwischen Servicequalität und anderen wichtigen Konstrukten wie Verhaltensabsicht oder wahrgenom- mener Wert zu erkennen.

Business AnalyticsIBM Software IBM SPSS Amos

3

Abbildung 1: Serviceprozessmatrix (Schmenner, 1986 und 2004)

Gra

d d

er

Arb

eits

inte

nsit

ät Niedrig

Hoch

In diesem Dokument gewählter AnsatzUm herauszufinden, ob die Servicequalität in verschiedenen Dienstleistungs- kontexten eine direkte Beziehung zur Verhaltensabsicht hat, griffen wir auf das Klassifizierungsframework von Schmenner zurück.

In Zusammenarbeit mit Festus Olorunniwo, PhD, Professor für Betriebsmanage- ment an der Universität Tennessee, und Godwin Udo, PhD, Professor für Infor- mation und Decision Sciences an der Universität Texas-El Paso, entwickelte ich eine Methodik zur Identifizierung und zum Nachweis der Dimensionen der Servicequalität und zur Messung von deren Beziehung zu Kundenzufriedenheit und Verhaltensabsicht auf Basis der Klassifizierung eines Dienstleistungsunter- nehmens. Insbesondere nahmen wir die Bereiche Hotellerie (Service Factory) und Privatkundenbanken (Mass Service) unter die Lupe.

MethodikFür unsere Untersuchungen verwendeten wir eine dreiteilige Methodik, um die Verhaltensabsicht in diesen beiden Branchen besser verstehen zu können. Im Einzelnen waren dies:

• Entwicklung eines Erhebungsinstruments • Explorative Faktorenanalyse (EFA) für Datensatz 1 mit IBM SPSS Statistics

Base (generell ist die empfohlene Stichprobengröße für eine EFA 200+)• Konfirmatorische Faktorenanalysen (CFA) und Strukturgleichungsmodellie-

rung (SEM) für Datensatz 2 (d. h., Bestätigung von Korrelationen und hypothetisierten Kausalbeziehungen zwischen den Faktoren)

Unsere Erhebung entwickelten wir mithilfe von Fokusgruppen und Walkthrough-Bewertungen der Kundenerlebnisse von Beherbergungsunternehmen und Privat- kundenbanken. Nachdem die Umfrageinstrumente erstellt waren, baten wir Branchenkenner (z. B. Hotelmanager und Bankmanager), die Fragebögen zu prüfen, bevor wir selbst mit der Erfassung von Umfragedaten begannen.

Grad der Interaktion und Anpassung

Niedrig Hoch

Service Factory:FluggesellschaftenTransportunternehmenHotelsResorts und Wellnesseinrichtungen

Service Shop:KrankenhäuserRestaurantsKfz-WerkstättenAndere Reparaturservices

Mass Service:EinzelhandelGroßhandelSchulenPrivatkundenbanken

Professional Services: Ärzte RechtsanwälteSteuerberaterArchitekten

Business AnalyticsIBM Software IBM SPSS Amos

4

Mithilfe von IBM SPSS Statistics Base führten wir dann folgende Aufgaben aus:

• Eingabe der Ergebnisse aus den Fragebögen. • Deskriptive Analysen zur Identifizierung von Ausreißern, die durch

Dateneingabefehler zustande gekommen sein könnten • Aufteilung der Befragungsdaten in zwei Teildatensätze und Durchführung

einer explorativen Faktorenanalyse für einen der Datensätze, um die bestehenden Faktorstrukturen zu ermitteln (Wir untersuchten also, welche beobachteten Variablen jeder latenten Variablen (Konstrukt) wie z. B. sichtbaren Qualitätsaspekten zuzuordnen sind.)

Letztendlich nutzten wir die Ergebnisse unserer explorativen Faktorenanalyse in der benutzerfreundlichen Oberfläche von IBM SPSS Amos für die Durchführung einer konfirmatorischen Faktorenanalyse für den zweiten Datensatz. Ziel war es, die Reliabilität und Validität der Messmodelle zu überprüfen, ohne dabei auf die direkte Beziehung zwischen den Faktoren zu prüfen (d. h., alle Faktoren wurden als korreliert angenommen, was sich grafisch mit Doppelpfeilen darstellen lässt). Im Anschluss zogen wir unsere hypothetisierten Modelle heran und untersuchten die gerichteten Einflüsse zwischen Servicequalität, Zufriedenheit und Verhal- tensabsicht. In Abbildung 2 sind diese Beziehungen über Einfachpfeile verbunden.

Da die Gütemaße, die wir erhielten, akzeptabel waren, wussten wir, dass unser Modell für unsere empirischen Daten geeignet war (d. h., Comparative Fit Index (CFI) und Tucker-Lewis Index (TLI) waren größer als 0,95 und der Root Mean Square Error of Approximation (RMSEA) war kleiner als 0,08). Durch dieses Modell konnten wir die abgeleiteten kausalen Beziehungen zwischen Service- qualität, Zufriedenheit und Verhaltensabsicht grafisch darstellen.

R2(SAT) = 0.479; R2(BI) = 0.958; Chi-squared/df = 2.076; CFI = 0.98; TLI = 0.98RMSEA=.05

Die gepunktete Linie von SQ nach BI stellt eine nicht-signifikante kausale Beziehung dar. Die Servicequalität wird als Faktor zweiter Ordnung konzeptualisiert, und zwar auf Basis von fünf Unterdimensionen: Flexibilität/Reaktionsfähigkeit, sichtbare Qualitätsaspekte, Zuverlässigkeit, Wissen und Zugänglichkeit.

Abbildung 2: In Amos dargestellte Ergebnisse bei den Privatkundenbanken

Legende:Rechteck = Befragungsitem oder beobachtete Variable Ellipse = Nicht beobachtete oder latente VariableACC2-ACC3 = Befragungsitems in Bezug auf die Zugänglichkeit der Bank FEES = Kunden erachteten die erhobenen Gebühren als angemessenK1-K4 = Befragungsitems zum Wissen der BankmitarbeiterR1-R4 = Befragungsitems zur Zuverlässigkeit der Bank

RECM = Kunden würden die Bank weiterempfehlenREPT = Kunden würden mit dieser Bank auch in Zukunft zusammenarbeiten RES1-RES6 = Befragungsitems zur Flexibilität/Reaktionsfähigkeit der Bank SAT1-SAT4 = Befragungsitems zur KundenzufriedenheitT1-T5 = Befragungsitems zu sichtbarer Qualität (z. B. Parkmöglichkeiten, Sauberkeit)

Business AnalyticsIBM Software IBM SPSS Amos

5

Ergebnis der UntersuchungenUnsere Untersuchungen bei den Privatkundenbanken (Olorunniwo und Hsu, 2006) zeigten, dass es sich bei den Dimensionen hinter der Servicequalität um Flexibilität/Reaktionsfähigkeit, sichtbare Qualitätsaspekte, Zuverlässigkeit, Wissen und Zugänglichkeit handelte. Das Ergebnis der Analyse zeigt, dass alle fünf Dimensionen einen signifikanten Beitrag zur Wahrnehmung des Kunden in Bezug auf die Servicequalität leisten und der Grad der Zufriedenheit mit der Servicequalität sich auf die Verhaltensabsicht auswirkt.

In unserer Studie zur Beherbergungsbranche (Olorunniwo, Hsu und Udo, 2006) identifizierten wir auf Basis eines empirischen Ansatzes vier Dimensionen bei der Servicequalität: sichtbare Qualitätsaspekte, Erholung, Flexibilität/Reaktions- fähigkeit und Wissen.

Zudem fanden wir heraus, dass Zufriedenheit als vollständiger mediierender Faktor für den Einfluss der Servicequalität auf die Verhaltensabsicht bei den Privatkundenbanken fungiert, bei den Beherbergungsunternehmen jedoch nur in Teilen als mediierender Faktor zu sehen ist. Eine mediierende Beziehung ist ein Zusammenhang, bei dem der Pfad, der die Beziehung von einer Variablen zur anderen quantifiziert, von einer dritten Variablen beeinflusst wird (Beispiel: Servicequalität führt zu Zufriedenheit, die wiederum die Verhaltensabsicht beeinflusst).

Die Grafik in Abbildung 2 wurde mithilfe von IBM SPSS Amos erstellt und zeigt die Ergebnisse unserer Studie bei den Privatkundenbanken. Die Rechtecke stehen für die Fragen (oder Items), die in der Befragung gestellt wurden (z. B. steht Element T1 für die Frage „Sind die Parkmöglichkeiten angemessen?“). Diese Elemente werden auch als beobachtete Variablen bezeichnet. Die Ellipsen stehen für die latenten (nicht beobachteten) Variablen, die auch als Konstrukte oder Dimensionen bezeichnet werden. Es ist zu beachten, dass die Ellipsen keine wirklichen Variablen sind. Aus Gründen der Übersichtlichkeit wurde in Abbildung 2 auf die Fehlermesswerte verzichtet.

Auf der Grundlage dieser Ergebnisse erscheint offensichtlich, dass dieses Modell verallgemeinerbar ist und auf andere Mass-Service-Branchen wie Einzelhandel, Großhandel, Schulen und Fernlastverkehr angewendet werden könnte (auch wenn die Definition von Servicequalität je nach Branche aller Wahrscheinlichkeit nach jeweils anders ausfällt).

Einige Forscher sind der Meinung, dass sich die universelle Konzeptualisierung des Servicequalität-Konstrukts als sinnlos erweisen könnte (Levitt 1981, Lovelock 1984). Andere wiederum argumentieren, dass Servicequalität entweder branchen- spezifisch oder kontextspezifisch ist (Babakus und Boiler 1992, Cronbach 1986). Wir sehen uns jedoch als Verfechter der These, dass eine Servicetypologie zur Messung der Servicequalität von den Dienstleistungsbranchen selbst entwickelt werden kann. Durch die empirische Prüfung von Modellen mithilfe von IBM SPSS Statistics und IBM SPSS Amos sind Serviceanbieter in der Lage, die Beziehungen zwischen Servicequalität und anderen wichtigen Konstrukten wie Verhaltensabsicht oder Wertwahrnehmung zu erkennen.

Business AnalyticsIBM Software IBM SPSS Amos

6

Vorteile für DienstleistungsunternehmenDie Nutzung der Strukturgleichungsmodellierung (SEM) mit IBM SPSS Amos kann für Dienstleistungsunternehmen deutliche Vorteile bringen. In den USA, wo der Dienstleistungssektor über 80 Prozent des Bruttosozialprodukts ausmacht, können Manager mithilfe der SEM Ähnlichkeiten in der Beziehung zwischen Servicequalität, Zufriedenheit und Verhaltensabsicht (und anderen relevanten Variablen wie Wertwahrnehmung des Kunden) in ihrer eigenen Servicekategorie feststellen.

Service-Managern der Kategorie „Mass Service“ wird empfohlen, betriebliche und marketingspezifische Strategien mit Schwerpunkt auf die Servicequalität-Dimensionen zu entwickeln, da diese die Kundenzufriedenheit verbessern. Dies wiederum wirkt sich positiv auf die Verhaltensabsicht des Kunden aus.

Generell lässt sich sagen, dass die Anbieter durch den Aufbau präziserer Modelle ihre Entscheidungsfindung verbessern und langfristig Kosten sparen können. Mithilfe von SEM-Modellen, die in IBM SPSS Amos erstellt wurden, können Anbieter bisher unbekannte Beziehungen zwischen latenten Variablen erkennen und aussagefähigere Detailinformationen offenlegen.

Vorteile der CFA und SEM im Vergleich zur EFA und RegressionsanalyseZwischen der EFA und der CFA gibt es einen fundamentalen Unterschied. „Die EFA ist eine explorative Analyse, da keine „A-priori“-Beschränkungen für die Beziehungsmuster zwischen den beobachteten Messdaten und den latenten Variablen vorliegen. Bei der CFA hingegen muss der Forscher im Voraus verschiedene wichtige Aspekte des Faktormodells wie die Anzahl der Faktoren und Faktorladungsmuster angeben“ (Brown, 2006; S. 20). Da die durch eine EFA alleine ermittelten Ergebnisse von Natur aus explorativ sind und unreliabel sein können, lassen sich durch eine CFA kostspielige Fehler vermeiden.

Im Gegensatz zu IBM SPSS Amos und SEM, bei denen der Forscher mehrere Regressionsgleichungen/-beziehungen gleichzeitig untersuchen kann, kann der Forscher bei einer Regressionsanalyse nur jeweils eine Gleichung prüfen. Da ein Faktor alleine nicht ausreichend ist, stellt SEM den realistischeren Ansatz dar. SEM ist daher eher als Erweiterung und nicht notwendigerweise als Ersatz für eine EFA und eine Regressionsanalyse zu sehen.

Informationen zum Verfasser Maxwell K. Hsu (DBA, Louisiana Tech University, 1999) ist Associate Professor für den Bereich Marketing an der Universität Wisconsin-Whitewater. Seine Arbeiten wurden in mehr als einem Dutzend wissenschaftlicher Fachmagazine veröffentlicht, u. a. in Applied Economics Letters, Information & Management, International Journal of Advertising, Journal of International Marketing, Journal of Nonprofit and Public Sector Marketing, Journal of Services Marketing, Managing Service Quality Marketing und anderen Veröffentlichungen. Eines der jüngsten Werke von Hsu, „A Typology Analysis of Service Quality, Customer Satisfaction and Behavioral Intentions in Mass Services“, bei dem Festus Olorunniwo, PhD, als Ko-Autor mitwirkte und das in MSQ, Vol. 16, No. 2 veröffentlicht wurde, wurde beim MSQ 2006 Highly Commended Paper Award für die Finalrunde nominiert. Zu den weiteren wissenschaftlichen Interessensgebieten von Hsu gehören die Verbreitung von Innovationen, internationales Marketing, Services-Marketing und die Informationstechnologie. Hsu als Verfasser des vorliegenden Dokuments ist unter der folgenden E-Mail-Adresse erreichbar: hsum@uww.edu

Business AnalyticsIBM Software IBM SPSS Amos

7

DanksagungBesonderer Dank gilt Sean Dwyer, PhD, für seine konstruktiven Kommentare und den Mitarbeitern von SPSS Inc., die mich bei der Durchsicht, Bearbeitung und Gestaltung dieses Dokuments unterstützten.

QuellenBabakus, E. und G. W. Boller (1992), „An Empirical Assessment of the SERVQUAL Scale“, Journal of Business Research, 24, 253-268.

Brown, Timothy A. (2006), Confirmatory Factor Analysis for Applied Research, New York, NY: Guilford Press.

Cronbach, L. J. (1986), „Social Inquiry By and For Earthlings“, Metatheory in Social Science Pluralisms and Subjectivities, D.W. Fiske und R. A. Shweder, eds. Chicago: The University of Chicago Press, 83-109.

Cronin, J.J.Jr. und Taylor, S.A. (1992), „Measuring service quality: a reexamination and extension“, Journal of Marketing, Vol. 56 No. 3, S. 55-68.

Cronin J.J.Jr., Brady, M.K. und Hult, T.M. (2000), „Assessing the effects of quality, value, customer satisfaction on consumer behavioral intentions in service environment“, Journal of Retailing, Vol. 76 No. 2, S. 193-216.

Dabholkar, P.A., Shepherd, C.D. und Thorpe, D.I. (2000), „A conceptual framework for service quality: an investigation of critical conceptual and measurement issues through a longitudinal study“, Journal of Retailing, Vol. 76 No. 2, S. 139-173.

Levitt, T. (1981), „Marketing Intangible Products and Product Intangibles“, Harvard Business Review, (Mai-Juni), 94-102.

Lovelock, C. (2001), „A Retrospective Commentary on the Article ‘New Tools for Achieving Service Quality’“, Cornell Hotel And Restaurant Administration Quarterly, 42(4), 39-46.

Olorunniwo, Festus, Maxwell K. Hsu und Godwin Udo, (2006), „Service Quality, Customer Satisfaction, and Behavior Intentions in the Service Factory“, Journal of Services Marketing, 20(1), 59-72.

Olorunniwo, Festus und Maxwell K. Hsu (2006), „A Typology Analysis of Service Quality, Customer Satisfaction and Customer Behavioral Intentions in Mass Services“, Managing Service Quality, 16(2), 106-123.

Schmenner, R.W. (1986), „How can service businesses survive and prosper“ Sloan Management Review, Vol. 27 No. 3, S. 21-32.

Schmenner, R.W. (2004), „Service Businesses and Productivity“, Decision Sciences, Vol. 35 No.3, S. 333-347.