Effektivität von Webseitenpersonalisierung

Inhaltsverzeichnis

1. Einleitung

2. Research Design
2.1. Forschungsfrage und Hypothesen
2.2. Datenerhebung
2.3. Datenanalyse
2.4. Ergebnis
2.5. Philosophie

3. Related Work

4. Kritische Diskussion
4.1. Forschungsfrage und Hypothesen
4.2. Datenerhebung
4.3. Datenanalyse
4.4. Ergebnis
4.5. Philosophie

5. Fazit

Literaturverzeichnis

Abbildungs- und Tabellenverzeichnis

Anhang

Abstract

In dieser Arbeit wird der Artikel „Effectiveness of Website Personalization: Does the Presence of Personalized Recommendations Cannibalize Sampling of Other Items?“ der Zeitschrift „International Journal of Electronic Commerce“ aus dem Jahre 2016 untersucht und kritisch analysiert. Die Autoren Bodoff und Ho überprüften die Auswirkungen personalisierter Kaufempfehlungen, gegenüber zufällig generierter Kauf-empfehlungen anhand eines quantitativen Online-Experiments mit Studenten einer amerikanischen Wirtschaftsschule, die auf einer Dummy-Webseite Bücher auswählen sollten. Dabei gingen die Autoren strukturiert vor und ihre Ergebnisse sind aussagekräftig. Jedoch zeigt diese Arbeit Schwächen des durchgeführten Experiments im Bereich der Repräsentativität der Teilnehmer und der Qualität des verwendeten Online-Shops auf. Die Auswirkungen der Qualität einer personalisierten Kaufempfehlung und die absolute Auswirkung auf getätigte Käufe wurde von Bodoff und Ho nicht berücksichtigt.

1. Einleitung

Herr Müller möchte sich ein neues Smartphone zulegen, dafür sucht er im Internet nach passenden Angeboten. Nach einiger Zeit begibt er sich auf die Webseite eines renommierten Onlinehändlers, von dem er weiß, dass man dort neben Büchern und Kleidung, auch Smartphones erwerben kann. Als er auf dessen Startseite landet, bekommt er viele Angebote sehr interessanter Smartphones. Nach kurzer Zeit entdeckt er genau das Smartphone, das seinen Vorstellungen entspricht und bestellt sich Dieses. Herr Müller bekam personalisierte Kaufempfehlungen. Der Onlineshop erkannte, dass er zuvor nach Smartphones gesucht hatte und bot ihm deshalb Smartphones zum Kauf an. Diese Funktion, der personalisierten Kaufempfehlungen, wird immer häufiger umgesetzt und durch stetige Optimierungen immer treffsicherer. Haben per-sonalisierte Bausteine einen messbaren Einfluss auf den Besucher einer Webseite und läuft es in der Realität tatsächlich wie in oben genanntem Beispiel ab? Wie unterscheidet sich das Klickverhalten eines Besuchers auf einer Webseite mit personalisierten Elementen gegenüber einer Webseite ohne personalisierte Elemente? In dieser Arbeit wird ein Artikel aus der Zeitschrift „International Journal of Electronic Commerce“ analysiert, der genau diese Fragestellung untersucht hat. Im weiteren Verlauf zeigt die Arbeit die Stärken und Schwächen des Artikels auf und geht auf die gewählten Forschungsmethoden näher ein.

2. Research Design

Alle folgenden Daten und Informationen stammen aus dem zuvor genannten Artikel von David Bodoff und Ying Ho (Bodoff, 2016).

2.1. Forschungsfrage und Hypothesen

Der Artikel von Bodoff und Ho untersucht die Auswirkungen personalisierter Kaufempfehlungen, gegenüber klassischer Shop-Kategorien und zufällig generierter Kaufempfehlungen. Bodoff und Ho beleuchten die Auswirkungen von personalisierten Elementen auf das Klickverhalten eines Besuchers über alle Elemente einer Webseite hinweg. Betrachtet werden zwei verschiedene Varianten einer Webseite. In der ersten Variante werden dem Besucher Artikel in Kategorien und zusätzlich als personalisierte Kaufempfehlung angeboten. In der zweiten Variante gibt es ebenfalls die Artikel in Kategorien und zusätzlich werden dem Besucher zufällig generierte Kaufempfehlungen angeboten. Gemessen wurde wie sich personalisierte Elemente gegenüber nicht-personalisieren Elementen auf einer Webseite auf den Besucher auswirken. Dafür entwickelten Bodoff und Ho fünf Hypothesen mit Hilfe der Consumer Search Theory. Sie konzentrierten sich auf die Bedingung der personalisierten Kaufempfehlung und entwickelten daraus fünf Hypothesen, von denen die erste Hypothese in dieser Arbeit genauer untersucht wird.

- Hypothese 1: Benutzer die personalisierte und kategorisierte Artikelvorschläge auswählen, klicken zuerst auf personalisierte Artikel.
- Hypothese 2: Die Tendenz zufällig generierte Artikelvorschläge früher als kategorisierte Artikel auszuwählen ist geringer als die Tendenz personalisierte Artikelvorschläge früher als kategorisierte Artikel auszuwählen.
- Hypothese 3: Verglichen mit zufällig generierten Artikelvorschlägen, wird die absolute Anzahl an Klicks auf personalisierte Artikelvorschläge geringer sein.
- Hypothese 4: Die Auswahl von personalisierten Artikelvorschlägen wird mit der Zeit abnehmen.
- Hypothese 5: Die Auswahl zufällig generierter Artikelvorschläge wird mit der Zeit abnehmen.

2.2. Datenerhebung

Dem Artikel liegt ein quantitatives online Experiment zugrunde, an dem 236 Studenten einer amerikanischen Wirtschaftsschule teilnahmen. Davon waren 39 Prozent der Teilnehmer männlich und 61 Prozent weiblich. Alle Teilnehmer hatten bereits vor dem Experiment Erfahrungen im Onlineshopping und verbrachten durchschnittlich 5,2 Stunden pro Tag im Internet. Die teilnehmenden Studenten wurden zufällig verteilt, auf die zuvor erläuterten, zwei verschiedenen Varianten einer Webseite zum Kaufen von Fachliteratur geschickt. Dort konnten sie unbegrenzt viele Artikel in den Warenkorb legen oder wieder entfernen, mussten sich jedoch am Ende für einen einzigen Artikel entscheiden. Dieser Auswahlprozess wurde vier Mal wiederholt und erstreckte sich insgesamt über zwei Wochen. Die zugrundeliegenden Daten bestanden aus 40.000 Fachbüchern der Amazon-Datenbank, die in vier Pools aus jeweils 10.000 Büchern aufgeteilt wurden. Bei jedem der vier Auswahlprozesse wurde ein anderer, der vier verfügbaren Datenpools benutzt. Somit konnte eine Dopplung an Artikelvorschlägen verhindert werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Onlineshop mit personalisierten Kaufempfehlungen

Die Abbildung 1 zeigt exemplarisch den Aufbau eines Onlineshops mit personalisierten Kaufempfehlungen und Artikelkategorien. Oben findet man die klassische Einteilung in Kategorien, unten drei persönliche Vorschläge für Smartphones. Im Gegensatz zur dargestellten Grafik, benutzen Bodoff und Ho sechs Kategorien und fünf personalisierte Kaufempfehlungen auf Ihrer Webseite.

2.3. Datenanalyse

In diesem Experiment wurde das Klickverhalten der Teilnehmer mit Hilfe einer deduktiven Datenanalyse, bei der zuvor definierte Hypothesen überprüft werden, untersucht. Die Teilnehmer besuchten die Webseite, sahen sich Bücher an und legten diese in den Warenkorb. Sobald ein Teilnehmer auf den „Sample“ Button eines Buches klickte, um sich die Details anzusehen, wurde der Klick gewertet. Egal ob dieses Buch später im Warenkorb landete, oder nicht. Berücksichtigt wurden nur jene Teilnehmer, die sowohl Bücher der Kategorien, als auch Bücher der personalisierten oder Bücher der zufälligen Kauf-empfehlungen betrachteten. Die gewonnen Daten wurden mit dem Receiver-Operating-Characteristic-Verfahren, kurz ROC, ausgewertet. Um die erste Hypothese zu bestätigen oder zu widerlegen, wurden nur die Klicks der Webseitenvariante mit personalisierten Artikelvorschlägen, sowie nur Teilnehmer, die auch personalisierte Inhalte wählten, berücksichtigt. Bodoff und Ho analysierten dafür in welcher Reihenfolge ein Teilnehmer, welche der beiden möglichen Elemente, anklickte und wertete diese Daten mit einer ROC-Analyse aus. Die ROC-Analyse prüft ob in einer Liste mit zwei Möglichen Variablen eine zufällige oder eine abhängige Anordnung entstanden ist. Sachs und Hedderich schreiben in ihrem Buch, dass nach der Erstellung einer ROC-Kurve die Fläche unterhalb der Kurve ausgerechnet wird. Umso näher die Fläche gegen eins geht, desto eher handelt es sich um keine zufällige Verteilung. Liegt die Fläche bei 0,5 oder darunter lässt es eine zufällige Verteilung vermuten (Sachs, 2006, S.136). Der Artikel von Bodoff und Ho definierte einen Klick auf eine personalisierte Kaufempfehlung mit dem Buchstaben „P“, einen Klick auf eine zufällig Kaufempfehlung mit dem Buchstaben „R“ und einen Klick auf einen kategorisierten Artikel mit dem Buchstaben „S“. Eine daraus resultierende Liste konnte beispielsweise so aussehen: „P-P-P-S-P“. Diese Liste zeigt die Reihenfolge, in der ein Teilnehmer Elemente auf der Webseite anklickte. Aus den gewonnen Daten wurde eine ROC-Analyse durchgeführt, die die Hypothesen bestätigte, teilweise bestätigte oder ablehnte.

2.4. Ergebnis

Von den 236 teilnehmenden Studenten, wählten 111 Teilnehmer sowohl personalisierte, als auch zufällige Artikelvorschläge und flossen deshalb in das Ergebnis für die erste Hypothese ein. Die Analyse des ersten Durchlaufs hat einen durchschnittlichen ROC-Wert von 0,71 ergeben, der deutlich über 0,50 liegt und daher schlussfolgern lässt, dass personalisierte Artikelvorschläge favorisiert werden und keine zufällige Verteilung vorliegt. Die folgenden drei Durchläufe ergaben ähnliche Ergebnisse, weshalb sich die erste Hypothese als wahr erwies und bestätigt wurde. Damit konnte bewiesen werden, dass personalisierte Elemente auf einer Webseite zuerst angeklickt werden und damit messbaren Einfluss auf andere Elemente haben. Vor allem anfangs wurden die personalisierten Vorschläge deutlich häufiger angeklickt und der Besucher der Webseite verschaffte sich damit ein Bild des Angebots. In späteren Durchläufen wählten die Besucher häufiger Bücher aus der kategorischen Sortierung. Die Ergebnisse aller anderen Hypothesen stellten sich wie folgt dar:

H1: Bestätigt,
H2: Bestätigt,
H3: Teilweise bestätigt,
H4: Bestätigt,
H5: Bestätigt

Genaueres zu den Ergebnissen der einzelnen Hypothesen kann im Kapitel „Summary of Findings“ des genannten Artikels ab Seite 226 fortfolgend nachgelesen werden.

2.5. Philosophie

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Research Onion (Smith, 2014)

Im Folgenden wird die Forschungsphilosophie anhand der Research Onion nach Saunders, zu sehen in Abbildung 2, analysiert (Saunders, 2009, S.183). Bodoff und Ho führten eine Querschnittstudie durch, die gewisse Aspekte einer Längsschnittstudie aufgreift. In erster Linie sammelten Sie Daten zu einem Messzeitpunkt, da jedoch vier Mal gemessen wurde, kann auch eine Aussauge zur zeitlichen Entwicklung getroffen werden. Vor allem die vierte und fünfte Hypothese zeigen gewisse Aspekte einer Längsschnittstudie, sind aber trotzdem vorwiegend in den Bereich eine Querschnittstudie einzugliedern. Bodoff und Ho nutzten in Ihrem Experiment eine quantitative Methode zur Sammlung der Daten, daher handelt es sich um einen „Mono Method“ Ansatz (Saunders, 2009, S.151). Die Autoren gingen deduktiv vor, denn sie definierten zu einer allgemeinen Aussage fünf definierte Hypothesen und überprüften diese Hypothesen mit einer Zusage oder Ablehnung (Adams, 2007, S.28). Sie arbeiteten nach eine positivistischen Philosophie, da die Bedingungen klar definiert waren und die Daten mit Hilfe naturwissenschaftlicher Methoden analysiert wurden (Saunders, 2009, S.598).

3. Related Work

Im Anhang wird eine kleine Auswahl weiterer relevanter Arbeiten im Zusammenhang mit personalisierten Elementen auf Webseiten aufgezeigt. Gegenüber dem hier analysierten Artikel beziehen sich einige der im Folgenden genannten Arbeiten auch auf die Qualität personalisierter Kaufempfehlungen, andere beleuchten die Auswirkungen aus anderen Blickwinkeln. Besonders hervorzuheben ist die Arbeit von Y.K.Chau und weiteren Autoren, die untersuchten welche Auswirkungen personalisierte Produktempfehlungen haben, wenn sie versagen (Chau, 2013). Ein weiterer Artikel von Bodoff und Ho untersucht, ob Personen auf personalisierte Inhalte wie geplant reagieren (Bodoff, 2014). Den zeitlichen Faktor, der bei eine personalisierten Kaufempfehlung eine entscheidende Rolle spielt, untersuchen Ho Ying, Bodoff und Kar Yan. Beispielsweise mit der Fragestellung, wann personalisierte Kaufempfehlungen dem Anwender gezeigt werden müssen (Ying, 2011). Weitere relevante Arbeiten sind im Anhang zu finden.

4. Kritische Diskussion

Mit Hilfe der kritischen Fragen und den Gütekriterien die Adams in seinem Werk beschreibt (Adams, 2007) wird der Artikel von Bodoff und Ho im Folgenden kritisch diskutiert (Bodoff, 2016).

4.1. Forschungsfrage und Hypothesen

Der Artikel greift ein sehr aktuelles Thema auf, das auch in Zukunft eine immer größer werdende Relevanz besitzt. Kaum ein Onlineshop verzichtet heutzutage auf personalisierte Elemente auf dessen Webseite. Die Frage nach dem Einfluss solcher personalisierter Elemente auf andere Elemente einer Webseite ist bei dem Aufwand, der hinter personalisierten Kauf-empfehlungen steckt, wichtig zu klären. Eine der größten und zeitintensivsten Herausforderungen ist der Algorithmus und die Daten, die hinter solch einer Kaufempfehlung stecken. Gerade in Bezug auf Big Data ist dieses Thema noch aktueller und wichtiger, worauf der untersuchte Artikel leider nicht weiter eingeht. Die Forschungsfrage und Hypothesen befassen sich mit den Auswirkungen personalisierter Elemente, nicht mit der Entstehung, oder der Qualität einer Kaufempfehlung. Auch wurden die Auswirkungen auf Käufe nicht untersucht, was die Autoren Bodoff und Ho selbst bemängeln. Allerdings werden die Auswirkungen personalisierter Bausteine gegenüber anderen Bausteinen sehr detailliert betrachtet und abgeschottet von anderen Einflüssen beleuchtet.

4.2. Datenerhebung

Bodoff und Ho wählten ein quantitatives Experiment, welches für die zu überprüfende Forschungsfrage das richtige Vorgehen war. Indem sie zwei Dummy-Webseiten zum Kauf von Büchern erstellten und mit Daten der Amazon-Datenbank befüllten, stellten sie sehr praxisnahe Rahmenbedingungen sicher. Alle verwendeten Bücher, sind echte käuflich erwerbbare Werke mit originalen Preisen. Es stellt sich die Frage, ob ein Onlineshop für Bücher stellvertretend für sämtliche Artikel, die ein Onlineshop anbieten könnte, stehen kann. Auch Bodoff und Ho kritisierten das, da Bücher eine günstige Artikelkategorie repräsentieren und daher nicht für Produkte aller Preiskategorien sprechen können. Die online verfügbare Produktpalette erstreckt sich heutzutage über sämtliche Bereiche und hat eine nie dagewesene Vielfalt. Gerade Fachbücher sind sehr leicht kategorisierbar und kennt man das Studienfach eines Studenten, kann treffsicher eine passende personalisierte Kaufempfehlung erstellt werden. Auch bekamen die Teilnehmer keine Bücher vorgeschlagen die sie schon besaßen, was in einem realen Onlineshop nicht umsetzbar wäre. Gerade unpassende Empfehlungen schrecken ab und könnten ganz andere Ergebnisse hervorrufen. Leider wird aus dem Artikel nicht ganz klar, wie und mit welcher Qualität die personalisierten Kaufempfehlungen entstanden, beziehungs-weise welche Logik dahinter steht. Auf diese Fragen gehen Bodoff und Ho allerdings in einem anderen Artikel ein (Bodoff, 2014). Da jeder Teilnehmer vorab einen Fragebogen ausfüllen musste, stellten die Autoren sicher, dass die zugrundeliegenden Daten für eine Kaufempfehlung, für jeden Student gleichwertig waren. Einzig die Qualität einer Kaufempfehlung wird nicht betrachtet und auch nicht näher erläutert. Eine weitere Einschränkung, die die Autoren beschreiben ist, dass es nur eine einzige personalisierte Liste mit Büchern gibt. In realen Onlineshops werden Artikel aus verschiedensten Kategorien empfohlen, was das Vorgehen deutlich komplexer werden lässt. Bodoff und Ho führten das Experiment an einer amerikanischen Wirtschaftsschule durch und es nahmen 236 Studenten teil. Die Anzahl der teilnehmenden männlichen und weiblichen Studenten war nahezu ausgewogen und ist daher repräsentativ. Auch ist anzunehmen, dass die Absolventen einer amerikanischen Business School aus verschiedensten sozialen Verhältnissen stammen und deshalb einen guten Querschnitt aller Bevölkerungsgruppen bilden. Kritisch zu betrachten sind lediglich die Altersstruktur und die Interessen der Teilnehmer. Da diese aus derselben Schule kommen, ist anzunehmen, dass eine ähnliche Altersstruktur existiert und auch ähnliche Interessen bestehen. Der moderne Kunde eines Onlineshops deckt alle Altersklassen ab. Die meisten Onlinekäufe werden von 20- bis 49-jährigen getätigt, die gemeinsam über 60% aller Onlinekäufe abdecken (Statista, 2017). Das Publikum einer Wirtschaftsschule kann diese Altersstruktur nicht repräsentieren. Ungeklärt bleibt, ob sich ein 25-jähriger und ein 45-jähriger bei existenten personalisierten Elementen auf einer Webseite annähernd gleich verhalten würden.

[...]