Daniel Mühlhaus

Auswahl von Eigenschaften und Ausprägungen bei der Conjointanalyse

Die Conjointanalyse (CA) hat mittlerweile in Forschung, Praxis und Lehre ein weites Anwendungsfeld gefunden, das sich von Marktanteilsimulationen und -schatzungen uber die Unterstutzung von Neuproduktgestaltungen bis hin zur Ermittlung von Preisbereitschaften einzelner Leistungsattribute erstreckt. Gleichzeitig steht der Begriff „Conjointanalyse“ fur eine breite Gruppe von Verfahrensvarianten, die von der Adaptiven Conjoint-, uber die Hybride Conjoint- bis hin zur Choice-Based Conjoint- und Limit-Conjointanalyse reichen (Voeth 1999). Wenngleich sich diese Varianten sowohl hinsichtlich der Form der Datenerhebung, bei der Ermittlung der Nutzenwerte und in ihrer Zielsetzung (Praferenzbildung oder Modellierung von Auswahlentscheidungen) sowie dem theoretischen Konzept unterscheiden, weisen dennoch alle Varianten die grundsatzlichen und ubereinstimmenden Ablaufschritte einer „klassischen“ CA auf (Backhaus et al. 2008, S. 456), die in Abb. 1 zusammengefasst und im Uberblick dargestellt sind.

A conceptual approach to modelling the success of communities of innovation

Many firms are realising that opening up traditional firm-centred innovation processes holds enormous advantages and are also trying to tap these advantages. In many areas, online communities are the driving force behind innovations and have been the subject of extensive research in the past few years. Although some of the studies conduct micro-investigations examining individual motives and activities of the community members, a second batch of investigations adopts a macro view and analyses dynamic and structural aspects in the evolution of online communities. So far, the interactions between these two levels have only undergone rudimentary examination and there is no analysis at all investigating the effects of the macro level on the actor motives for contributing. This present contribution explains the basic workings of online communities incorporating both micro and macro views for the first time as a basis on which to develop a model to explain the success of communities of innovation.

Motives, success factors, and planned activities in a community of innovation as a critical mass system

Communities of Innovation (COIs) is the approach yielding most value in the open innovation sector due to its strong developmental dynamics. While the literature has so far only analysed discrete facets of COIs, the general functioning of a COI is still largely unexplored. The purpose of this paper is to identify the interdependence between various functional elements of COIs and the effects of motives and cognitive success dimensions of a COI on planned activities based on the integrative-conceptual model of innovation. This study surveyed member groups of COIs and the structural equation modelling method for model estimates. The results showed the heterogeneous nature of motives among different groups derived from success dimensions and planned activities; solutions to the problem of critical mass for developers and facilitators; and expectations of solution quality and innovation diffusion. The findings implied that the successful establishment of group-related basic collectives is required to avoid premature abandonment of COIs. The integrative analysis of the present paper is the first-time approach of this kind providing evidence of a high level of interdependence between functional elements in different groups in COI.

Kausalität und empirische Prüfung

Strukturgleichungsmodelle uberfuhren ein theoretisch formuliertes Beziehungsgefuge zwischen Variablen in eine formale Gleichungsstruktur. Dieses Beziehungsgefuge wird als Strukturmodell bezeichnet und spiegelt die Ursache-Wirkungsbeziehungen der betrachteten Variablen wider. Im Strukturmodell wird das kausale Beziehungsgefuge der betrachteten Variablen festgelegt, weshalb die Annahme der Kausalitat fur die Strukturgleichungsmodellierung elementar ist. Daher werden in Kapitel 2 der Begriff der Kausalitat, verschiedene Kausalitatsformen und deren empirische Prufbarkeit einer genaueren Betrachtung unterzogen und die Kovarianz bzw. Korrelation als notwendige Bedingung fur Kausalitat herausgestellt.

Kausalanalyse mit PLS

Neben der Prufung von kausalen Strukturen mit Hilfe der Kovarianzstrukturanalyse existiert mit dem varianzanalytischen Ansatz (Partial Least Squares, PLS-Ansatz) eine weitere Verfahrensgruppe fur diese Analysezwecke (vgl. auch Kap. 3.3.3). Wahrend der kovarianzanalytische Ansatz zur „echten“ Theorieprufung die wesentlich hohere Eignung aufweist, ist dem PLS-Ansatz vor allem in einem fruhen Stadium der Modellbildung eine hohe Eignung beizumessen, wenn die zu erforschenden Phanomene noch relativ neuartig sind und keine fundierten Mess- und Konstrukttheorien vorliegen. Vor dem Hintergrund der sehr unterschiedlichen Vorgehensweise bei der Modellschatzung ist der PLS-Ansatz vor allem fur Prognosezwecke geeignet, da er eine moglichst genaue Schatzung der Ausgangsdaten anstrebt.

Hypothesen und Modellbildung

Kapitel 4 bildet den Einstieg in den Teil II des Buches (Kausalanalyse) und erlautert nochmals kurz die acht Schritte des allgemeinen Ablaufprozesses der Strukturgleichungsmodellierung. Anschliesend wird in Kap. 4.2 das Fallbeispiel aufgezeigt, an Hand dessen die Ablaufschritte erlautert werden. In diesem Fallbeispiel geht ein Hotelbesitzer der Frage nach, ob sich seine in der Vergangenheit gemachten Erfahrungen hinsichtlich der die Kundenbindung beeinflussenden Grosen (Kundenzufriedenheit, Anbieterwechselbarrieren und Preis) auch empirisch bestatigen lassen. Die fur das Fallbeispiel erhobenen Indikatoren zur Messung der einzelnen hypothetischen Konstrukte sind in Kap. 4.3 zusammengefasst.

Bedeutung der Strukturgleichungsmodellierung

In der Wissenschaft besitzt die Bildung und empirische Prufung von Modellen einen zentralen Stellenwert zur Erklarung und Prognose der unterschiedlichsten Sachverhalte in der Wirklichkeit. Voraussetzung dabei ist, dass klare und in einer Theorie oder in der Sachlogik begrundete Vorstellungen uber die Zusammenhange eines betrachteten Sachverhalts vorliegen. Mit Hilfe der Strukturgleichungsmodellierung (SGM) konnen theoretisch oder sachlogisch postulierte Zusammenhange oder Wirkbeziehungen einer empirischen Prufung unterzogen werden. Den Ausgangspunkt der SGM bilden damit immer eine empirisch prufbare Theorie oder sachlogisch begrundete Zusammenhange, wobei das theoretisch formulierte Beziehungsgefuge zwischen Konstrukten im Rahmen der SGM in eine formale Gleichungsstruktur uberfuhrt wird.

Modellschätzung mit AMOS

Im funften Schritt des in Kapitel 4.1 dargestellten allgemeinen Ablaufprozesses der Strukturgleichungsmodellierung (Kausalanalyse) erfolgt die Schatzung der Modellparameter sowie in folgenden Schritten die Evaluation und Interpretation der erzielten Schatzergebnisse.

Güteprüfung reflektiver Messmodelle

Die Gute der Parameterschatzungen eines Strukturmodells wird wesentlich durch die Gute der Messmodelle bestimmt, da entsprechend dem Prinzip „Garbage in – Garbage out“ fehlerhaft gemessene Konstrukte auch zu Fehlern in den Schatzungen der Konstruktbeziehungen fuhren. Der Guteprufung der Messmodelle ist damit bei der Kausalanalyse eine herausragende Bedeutung beizumessen.

Evaluation des Gesamtmodells

Die Evaluation eines Kausalmodells bildet das zentrale Ziel der Kausalanalyse, da hier gepruft wird, ob sich das a-priori formulierte Hypothesensystem anhand der erhobenen Daten empirisch bestatigen lasst.