Die Prognose von Markterfolg ist einer der wichtigsten Bestandteile des gesamten Neuproduktentwicklungsprozesses (New Product Development-, NPD-Prozess). Gleichzeitig ist dieses Auswählen von einzelnen Produktkonzepten, die weiterentwickelt werden sollen, auch einer der schwierigsten Schritte in diesem Prozess (Dahan und Srinivasan, 2000) und ein Bereich, der noch immer besonderer methodischer und prozeduraler Verbesserungen bedarf (Klink und Athaide, 2006). Die Prognose von Markterfolg ist einer der wichtigsten Inputs in dieses Auswahlverfahren und oftmals konditional für das Festhalten an der Entwicklung oder dem Verwerfen eines Produkt- oder Dienstleistungskonzeptes und somit für das Binden verfügbarer Ressourcen (Ozer, 1999, Armstrong und Brodie, 1999, Dahan und Srinivasan, 2000).
Oft wird jedoch auf eine gründliche Prognose verzichtet oder eine Entscheidung auf nicht ausreichend aussagekräftige Ergebnisse gestützt, was für Unternehmen beträchtliche Schäden bedeuten kann (Sanders und Manrodt, 1994). Einerseits sind komplette Fehlschläge bei der Produkteinführung am Markt oder auf den Märkten die Folge (Crawford, 1977, Goldenberg et al., 2001, Griffin, 1997, Stevens und Burley, 1997, Ogawa und Piller, 2006), andererseits können aber auch durch ungenaue oder unsauberere Prognosen Kosten für das Unternehmen entstehen oder sich die Position des Unternehmens im Vergleich zur Konkurrenz und allgemein am Markt verschlechtern (Spann und Skiera, 2003).
Das Ziel dieser Arbeit ist, die Ergebnisse, die bereits über Feedbackmuster in Online-Communities vorliegen, quantitativ zu überprüfen. Diese Studie kann dazu dienen, Möglichkeiten aufzuzeigen, wie Prognosen verbessert und vereinfacht werden könnten. Sie könnten kostengünstiger durchgeführt werden, da kein (großer) zusätzlicher Aufwand betrieben werden müsste, um das Feedback auszuwerten oder extra Daten zu erheben, wie es bei anderen Marktforschungs- und Prognosemodellen oft der Fall ist. Außerdem wären Vorhersagen weitaus schneller und vor allem früher im Innovationsprozess möglich.
Diese Arbeit beschäftigt sich im Speziellen mit dem vom restlichen Teil der Seite abgetrennten Feedbackbereich der Online-Community threadless und behandelt somit einen sehr spezifischen Anwendungsbereich. Sie dient jedoch in gewisser Weise auch der Bearbeitung der viel allgemeineren Frage, ob Feedbackprozesse und –muster in Online-Communities generell zur Prognose von Markterfolg herangezogen werden können.
Inhaltsverzeichnis
1 Einleitung und Relevanz
1.1 Zielsetzung der Arbeit
1.2 Aufbau der Arbeit
2 Literaturüberblick: Prognose von Markterfolg und Feedback in User Communities
2.1 Ausgewählte Dimensionen zur Systematisierung der Prognosemethoden
2.1.1 Die Dimension „Zeitpunkt der Prognose“
2.1.2 Die Dimension „Informationsquelle“
2.2 Die Rolle von Feedback im Innovationsprozess
2.2.1 Feedback als wichtiger Faktor zur Qualitätsverbesserung
2.2.2 Feedback als Indikator für Qualität und Akzeptanz
3 Forschungslücke und Forschungsfrage
4 Hypothesenentwicklung
5 Methodik
5.1 Untersuchungsdesign
5.1.1 Beschreibung der Online-Community threadless
5.1.2 Beschreibung des Samples
5.1.3 Datenerhebung
5.2 Variablen
5.2.1 Abhängige Variable: Das Community Rating
5.2.2 Unabhängige Variablen: Dauer und Intensität des Feedbackprozesses
6 Ergebnisse der Datenanalyse
6.1 Feedbackprozess-Dauer als Indikator für späteren Markterfolg
6.2 Feedbackprozess-Intensität als Indikator für späteren Markterfolg
6.3 Gesamtmodell: Der Rahmen des Feedbackprozesses
6.4 Zusammenfassung
7 Diskussion
7.1 Schlussfolgerungen und Implikationen
7.2 Limitationen
Zielsetzung & Themen
Die vorliegende Bachelorarbeit untersucht quantitativ, inwiefern die Dauer und Intensität von Feedbackprozessen in Online-Communities, spezifisch am Beispiel der Plattform "threadless", als Indikator für den späteren Markterfolg von Design-Konzepten dienen können, um eine frühzeitige und kostengünstige Prognose zu ermöglichen.
- Analyse der Rolle von Feedback im Innovationsprozess.
- Untersuchung des Zusammenhangs zwischen Feedback-Dauer und Markterfolg.
- Evaluation der Feedback-Intensität (Anzahl der Versionen und Inaktivität) als Erfolgsfaktor.
- Validierung der Ergebnisse durch quantitative statistische Methoden (Regression).
- Ableitung von Implikationen für Prognosemodelle im Innovationsmanagement.
Auszug aus dem Buch
2.2.1 Feedback als wichtiger Faktor zur Qualitätsverbesserung
Userinnovationen (von Hippel, 1978, von Hippel, 2005) treten geographisch und demographisch verteilt auf, und nicht an einem bestimmten Ort oder bei einer bestimmten Kategorie von User konzentriert (von Hippel, 2009). Außerdem handelt es sich bei Innovationsprozessen im Allgemeinen meist um arbeitsteilige Prozesse, deren Qualität sich offensichtlich erhöht, je mehr Input von verschiedenen Beteiligten mit verschiedenen Backgrounds einfließt (DiStefano und Maznevski, 2000).
Zusätzlich sei hier auf die Problematik der „sticky information“ hingewiesen: Die für den Innovationsprozess benötigten Informationen sowie die Problemlösungsfähigkeiten, welche beide meist an unterschiedlichen Orten vorhanden und verfügbar sind, müssen zusammengebracht werden. Die Beschaffung, der Transfer und die Verwendung von technischen Problemlösungsinformationen sind jedoch sehr oft kostspielig und aufwändig (von Hippel, 1994).
Daher ist es für (innovierende) User wichtig, Wege zu finden, durch die sie ihre Bestrebungen und Begabungen mit denen anderer kombinieren, die innovationsrelevanten Informationen sammeln und somit ihre Wirkungskraft multiplizieren können (von Hippel, 2009). Hier bieten sich Gemeinschaften (sog. Communities) an, in denen sich Individuen aufgrund von z.B. gleichen Interessen zusammenschließen und sich über Probleme, Ideen und auch Lösungsvorschläge austauschen und somit die Innovationstätigkeit Einzelner unterstützen (Franke und Shah, 2003).
Gerade auch das Internet und folglich Online-Communities unterstützen den userzentrierten Innovationsprozess (Dahan und Hauser, 2002, Sawhney et al., 2005). Online-Communities ermöglichen unter anderem den regen Austausch von (Innovations-)Ideen oder Vorstellungen über z.B. Produkteigenschaften und -ausprägungen. Hierfür ist vor allem die Form der User Innovation Communities relevant, in denen sich User zusammenschließen, um ihrem Wunsch nach individueller gestalteten und/oder völlig neuen Produkten Rechnung zu tragen (von Hippel, 2005). User posten ihre Innovationsvorschläge und teilen somit ihre Innovation mit der gesamten Community. Sie bekommen dann zumeist Hilfe von anderen Mitgliedern, ein Phänomen, das in derlei Zusammenschlüssen von Usern üblich und weit verbreitet ist (von Hippel, 2005). Die freie Zurverfügungstellung von innovationsrelevanten Informationen wird auch als „free revealing“ bezeichnet und ist ein Charakteristikum vieler Online-Communities, sowie des Web 2.0 ganz allgemein (Harhoff et al., 2003).
Zusammenfassung der Kapitel
1 Einleitung und Relevanz: Einführung in das Problem der Prognose von Markterfolg im NPD-Prozess und Vorstellung der Relevanz von Online-Communities.
2 Literaturüberblick: Prognose von Markterfolg und Feedback in User Communities: Diskussion bestehender Prognosemethoden sowie der Rolle von Feedback als Qualitätsindikator in Innovationsprozessen.
3 Forschungslücke und Forschungsfrage: Identifikation der Notwendigkeit kostengünstigerer Prognosemethoden und Ableitung der zentralen Forschungsfrage.
4 Hypothesenentwicklung: Herleitung von Hypothesen bezüglich des Zusammenhangs von Feedback-Dauer, Feedback-Intensität und Markterfolg.
5 Methodik: Beschreibung des Untersuchungsdesigns, des verwendeten Samples von 106 Designs und der Variablen operationalisierung.
6 Ergebnisse der Datenanalyse: Präsentation der statistischen Ergebnisse, Prüfung der Hypothesen und Vorstellung des Gesamtmodells.
7 Diskussion: Interpretation der Ergebnisse, Ableitung von Implikationen für die Forschung und Darlegung der Limitationen der Arbeit.
Schlüsselwörter
Prognose, Markterfolg, User Communities, Feedback-Prozesse, NPD-Prozess, Innovationsmanagement, Threadless, Crowdsourcing, Design-Rating, quantitative Analyse, Feedback-Dauer, Feedback-Intensität, Online-Innovation, Produktentwicklung, User Innovation.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundlegend?
Die Arbeit befasst sich mit der Eignung von Feedback-Daten aus Online-Communities zur Vorhersage des späteren Markterfolgs von neuen Produkten, unter Nutzung quantitativer Methoden.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der Schnittstelle zwischen klassischem Innovationsmanagement (New Product Development) und der Nutzung kollektiver Intelligenz in sozialen Netzwerken.
Was ist das primäre Ziel oder die Forschungsfrage?
Es soll geklärt werden, ob durch die Analyse von Dauer und Intensität von Feedback-Prozessen (im speziellen Fall der Plattform 'threadless') auf den späteren Markterfolg eines Designs geschlossen werden kann.
Welche wissenschaftliche Methode wird verwendet?
Die Autorin nutzt einen "Single Case Study"-Ansatz und führt eine quantitative statistische Datenanalyse mittels linearer Regression durch.
Was wird im Hauptteil behandelt?
Im Hauptteil werden nach einem theoretischen Überblick die Hypothesen entwickelt, die Methodik der Datenerhebung dargelegt und die Ergebnisse der statistischen Modellbildung präsentiert.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Prognose, Markterfolg, User Communities, Feedback-Prozesse, Innovationsmanagement und Crowdsourcing.
Warum ist die Analyse der "Inaktivität" wichtig?
Die Inaktivität wurde untersucht, um zu prüfen, ob Stillstände im Feedback-Prozess als negative Indikatoren für den Erfolg oder als Risiko für Wettbewerbs-Imitationen gewertet werden können.
Was ist die wichtigste Erkenntnis bezüglich der "Anzahl der Versionen"?
Es zeigt sich ein signifikant positiver Zusammenhang: Je mehr Feedback-Schleifen (also Design-Versionen) ein Design durchläuft, desto erfolgreicher ist es in der Regel, was für eine gründliche inhaltliche Arbeit spricht.
- Quote paper
- Bernhard Reingruber (Author), 2010, Die Eignung von Feedback-Informationen aus User Communities für die Prognose von Markterfolgen, Munich, GRIN Verlag, https://www.grin.com/document/175392
