Potenziale von Location-based Services für die Marktforschung

Chapter
Part of the FOM-Edition book series (FOMEDITION)

Zusammenfassung

Mit steigender Diffusionsrate von mobilen Anwendungen und zunehmender Nutzung von Smartphones steigt auch das Potenzial der Informationsbeschaffung über mobile Devices. Die Studie zeigt, dass mobile Zielgruppen grundsätzlich aufgeschlossen gegenüber Location-based Services (LBS) sind und standortbezogene Anpassungen mobiler Anwendungen für die Marktforschung zusätzliches Informationspotenzial liefern. So determinieren neben der Benutzerfreundlichkeit, Nützlichkeit und Einstellung zur Nutzung vor allem die Informations- und Systemqualität sowie das Wahrgenommene Vergnügen die Nutzungsabsicht von LBS. Die Herausforderungen für die Marktforschung bezüglich der Verwendung standortbezogener Anwendungen liegen vor allem in den drei letztgenannten Einflussgrößen.

Literatur

  1. Ajzen, I. (1985). From intentions to actions: A theory of planned behavior. In J. Kuhl & J. Beckmann (Hrsg.), Action-control: From cognition to behavior (S. 11–39). Heidelberg: Springer.CrossRefGoogle Scholar
  2. Ajzen, I. (1987). Attitudes, traits, and actions: Dispositional prediction of behavior in personality and social psychology. In L. Berkowitz (Hrsg.), Advances in experimental social psychology, 20 (S. 1–63). New York: Academic Press.Google Scholar
  3. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211.CrossRefGoogle Scholar
  4. Bagozzi, R. P., & Yi, Y. (1988). On the Evaluation of Structural Equation Models. Journal of the Academy of Marketing Science, 16(1), 74–94.CrossRefGoogle Scholar
  5. Bauer, H. H., Dirks, T., & Bryant, M. D. (2008a). Die Zukunft des Mobile Marketing. Ein Leitfaden für eine erfolgreiche Umsetzung. In H. H. Bauer, T. Dirks, & M. D. Bryant (Hrsg.), Erfolgsfaktoren des Mobile Marketing (S. 3–15). Berlin: Lang.CrossRefGoogle Scholar
  6. Bauer, H. H., Haber, T. E., Reichardt, T., & Bökamp, M. (2008b). Konsumentenakzeptanz von Location Based Services. In H. H. Bauer, T. Dirks, & M. D. Bryant (Hrsg.), Erfolgsfaktoren des Mobile Marketing (S. 205–220). Berlin: Lang.CrossRefGoogle Scholar
  7. Bitkom. (2016). Anteil von Smartphones und herkömmlichen Handys am Mobiltelefonabsatz in Deutschland in den Jahren 2009 und 2015. Statista. http://de.statista.com/statistik/daten/studie/218496/umfrage/absatzanteile-von-smartphones-und-handys-in-deutschland/. Zugegriffen: 23. Juni 2016.
  8. BLM. (2016a). Wie oft nutzen Sie Location Based Services auf Ihrem Smartphone? Statista. http://de.statista.com/statistik/daten/studie/310237/umfrage/haeufigkeit-der-nutzung-von-location-based-services-in-deutschland. Zugegriffen: 23. Juni 2016.
  9. BLM. (2016b). Anzahl der Anbieter von Standortbezogenen Diensten in Deutschland von 2005 bis 2014. Statista. http://de.statista.com/statistik/daten/studie/310072/umfrage/anzahl-der-anbieter-von-location-based-services-in-deutschland. Zugegriffen: 23. Juni 2016.
  10. Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In G. A. Marcoulides (Hrsg.), Modern methods for business research (S. 295–336). London: Psychology Press.Google Scholar
  11. Davis, F. D. (1985). A technology acceptance model for empirically testing new end-user information systems – theory and results. PhD thesis, Massachusetts Inst. of Technology.Google Scholar
  12. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.CrossRefGoogle Scholar
  13. Davis, F. D. (1993). User acceptance of information technology: system characteristics, user perceptions and behavioral impacts. International Journal of Man-Machine Studies, 38(3), 475–487.CrossRefGoogle Scholar
  14. Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982–1003.CrossRefGoogle Scholar
  15. Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1992). Extrinsic and intrinsic motivation to use computers in the workplace. Journal of Applied Social Psychology, 22(14), 1111–1132.CrossRefGoogle Scholar
  16. Diamantopoulos, A., & Riefler, P. (2008). Formative Indikatoren: Einige Anmerkungen zu ihrer Art, Validität und Multikollinearität. ZFB Zeitschrift für Betriebswirtschaft, 78(11), 1183–1196.CrossRefGoogle Scholar
  17. Dunn, S. C., Seaker, R. F., & Waller, M. A. (1994). Latend variables in business logistics research: Scale development and validation. Journal of Business Logistics, 15(2), 145–172.Google Scholar
  18. Eberl, M. (2004). Schriften zur Empirischen Forschung und Quantitativen Unternehmensplanung: Formative und reflektive Indikatoren im Forschungsprozess: Entscheidungsregeln und die Dominanz des reflektiven Modells. (Bd. 19). München: Institut für Organisation, Seminar für Empirische Forschung und Quantitative Unternehmensplanung.Google Scholar
  19. Eimeren, B. (2013). „Always on“ – Smartphone, Tablet & Co. als neue Taktgeber im Netz. Media Perspektiven, 7–8, 386–390.Google Scholar
  20. Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, behavior: An introduction to theory and research. Reading: Addison-Wesley.Google Scholar
  21. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.CrossRefGoogle Scholar
  22. Gansser, O., & Krol, B. (2015). Ein Modell zur Erklärung und Prognose des Planungserfolges. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen (S. 149–169). Wiesbaden: Springer Gabler.Google Scholar
  23. Gerbing, D. W., & Anderson, J. C. (1988). An updated paradigm for scale development incorporating unidimensionality and its assessment. Journal of Marketing Research, 25(2), 186–192.CrossRefGoogle Scholar
  24. Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433.CrossRefGoogle Scholar
  25. Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–151.CrossRefGoogle Scholar
  26. Harman, H. H. (1976). Modern factor analysis (3rd Aufl.). Chicago: University of Chicago Press.Google Scholar
  27. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.CrossRefGoogle Scholar
  28. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218.CrossRefGoogle Scholar
  29. Kuß, A., Wildner, R., & Kreis, H. (2014). Marktforschung – Grundlagen der Datenerhebung und Datenanalyse. Wiesbaden: Springer Gabler.Google Scholar
  30. Malhotra, Y., Galletta, D. F., & Kirsch, L. J. (2008). How endogenous motivations influence user intentions: Beyond the dichotomy of extrinsic and intrinsic user motivations. Journal of Management Information Systems, 25(1), 267–300.CrossRefGoogle Scholar
  31. MacKenzie, S. B., & Podsakoff, P. M. (2012). Common method bias in marketing: Causes, mechanisms, and procedural remedies. Journal of Retailing, 88(4), 542–555.CrossRefGoogle Scholar
  32. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd Aufl.). New York: McGraw-Hill.Google Scholar
  33. Nysveen, H., Pedersen, P. E., & Thorbjørnsen, H. (2005). Intentions to use mobile services: Antecedents and cross-service comparisons. Journal of the Academy of Marketing Science, 33(3), 330–346.CrossRefGoogle Scholar
  34. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903.CrossRefGoogle Scholar
  35. Rohweder, J. P., Kasten, G., Malzahn, D., Piro, A., & Schmid, J. (2008). Informationsqualität – Definitionen, Dimensionen und Begriffe. In K. Hildebrand, M. Gebauer, H. Hinrichs, & M. Mielke (Hrsg.), Daten- und Informationsqualität. Auf dem Weg zur Information Excellence (S. 25–45). Wiesbaden: Springer Vieweg.Google Scholar
  36. Salisbury, D. W., Pearson, R. A., Pearson, A. W., & Miller, D. W. (2001). Perceived security and world wide web purchase intention. Industrial Management & Data Systems, 101(4), 165–176.CrossRefGoogle Scholar
  37. Sheppard, B. H., Hartwick, J., & Warshaw, P. R. (1988). The theory of reasoned action: A meta-analysis of past research with recommendations for modifications and future research. Journal of Consumer Research, 15(3), 325–343.CrossRefGoogle Scholar
  38. Shin, D.-H., Jung, J., & Chang, B.-H. (2012). The psychology behind QR codes – user experience perspective. Computers in Human Behaviour, 28(4), 1417–1426.CrossRefGoogle Scholar
  39. Statistisches Bundesamt (2016). Anteil der privaten Haushalte in Deutschland mit einem Mobiltelefon von 2000 bis 2001. Statista. http://de.statista.com/statistik/daten/studie/198642/umfrage/anteil-der-haushalte-in-deutschland-mit-einem-mobiltelefon-seit-2000. Zugegriffen: 23. Juni 2016.
  40. Urban, D., & Mayerl, J. (2007). Mediator-Effekte in der Regressionsanalyse. http://www.uni-stuttgart.de/soz/soziologie/regression/Mediator-Effekte_v1-3.pdf. Zugegriffen: 30. Juni 2016.
  41. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.Google Scholar
  42. Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273–315.CrossRefGoogle Scholar
  43. Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.CrossRefGoogle Scholar
  44. Weiber, R., & Mühlhaus, D. (2014). Strukturgleichungsmodellierung. Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS (2nd Aufl.). Wiesbaden: Springer Gabler.Google Scholar
  45. Weihs, C., Ligges, U., Luebke, K., & Raabe, N. (2005). klaR – analyzing German business cycles. In D. Baier, R. Decker, & L. Schmidt-Thieme (Hrsg.), Data analysis and decision support (S. 335–343). Berlin: Springer.CrossRefGoogle Scholar
  46. Zhou, T. (2010). The impact of privacy concern on user adoption of location-based services. Industrial Management & Data Systems, 111(2), 212–226.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH 2017

Authors and Affiliations

  1. 1.FOM Hochschule für Oekonomie & Managementifes InstitutMünchenDeutschland
  2. 2.FOM Hochschule für Oekonomie & Managementifes InstitutEssenDeutschland

Personalised recommendations