Maximilian Teltzrow: A Quantitative Analysis of E-Commerce:  Channel Conflicts, Data Mining, and Consumer Privacy
[Front page] [Declaration] Chapter: 1 | 2 | 3 | 4 | 5 | 6 | 7  [Acknowledgement] [Abbreviations] [References] [Appendix] [Empfangene Unterstützung und Hilfe durch Kollegen] [Declaration] [Eidesstattliche Erklärung]
Page:  [Table of contents]
[page 159↓]

Appendix

[page 160↓]

Appendix to Chapter 2

Data tables

Table 7-1: Scales, items and sources

Scale and Items

Factor Loadings

Source

Willingness to Buy

 

[Heijden,et al., 2001], (based on [Jarvenpaa, 1999 Jarvenpaa,et al., 2000])

WTB1. How likely is it that you would consider purchasing from this store in the short term?

0.88

WTB2. How likely is it that you would consider purchasing from this store in the long term?

0.85

WTB33. For this purchase, how likely is it that you buy from this store?

0.69

Perceived Physical Store Size

 

Modified items according to [Doney and Cannon, 1997 Jarvenpaa,et al., 2000]

PS1. This retailer’s stores are spread all over the country.

0.91

PS2. This retailer’s store network is relatively small in its home market. [reverse]

0.79

PS3. The retailers’ stores belong to a large company.

0.61

Perceived Physical Store Reputation

 

[Doney and Cannon, 1997]

PR1. This retailer’s stores are well known.

0.80

PR2. This retailer’s stores have a bad reputation in the market. [reverse]

0.94

PR3. This retailer’s stores have a good reputation.

0.88

Store Trustworthiness

 

[Doney and Cannon, 1997 Heijden,et al., 2001 Jarvenpaa, 1999 Jarvenpaa,et al., 2000 Koufaris and Hampton-Sosa, 2002 Pavlou, 2003]

TR1. This e-shop is trustworthy.

-0.52

TR2. This e-shop keeps its commitments and promises.

-0.58

TR3. The experiences with this e-shop met my expectations.

-0.76

Privacy

 

[Chellappa, 2001]

PRI1. I have no concerns transmitting personal data to this e-shop.

0.90

PRI2. This e-shop handles my personal data responsibly.

0.93

PRI3. My personal data are in good hands at this retailer.

0.89

Risk perception

 

[Jarvenpaa, 1999 Jarvenpaa,et al., 2000 Sitkin and Weingart, 1995]

RP1. What is the likelihood of your making a good bargain by buying from this store through the Internet? (very unlikely – very likely)

0.69

RP2. How would you characterize the decision to buy a product through this Web site? (high potential for loss – high potential for gain) [reverse]

0.84

RP3. How would you characterize the risk to purchase at this e-shop? (very low risk, very high risk) [reverse]

0.71

[page 162↓]

Table 7-2: Pattern matrix of the rotated six factor solution

 Item

Component

1

2

3

4

5

6

WTB1

 

0.88

    

WTB2

 

0.85

    

WTB3

 

0.69

    

PS1

   

0.91

  

PS2

   

0.79

  

PS3

   

0.61

  

PR1

0.80

     

PR2

0.94

     

PR3

0.88

     

TR1

     

-0.52

TR2

     

-0.58

TR3

     

-0.76

PRI1

  

0.90

   

PRI2

  

0.93

   

PRI3

  

0.89

   

RP1

    

0.69

 

RP2

    

0.84

 

RP3

    

0.71

 

Note. Extraction Method: Principal Component Analysis, Rotation Method: Oblimin with Kaiser Normalization. Loadings below .3 are omitted; loadings above .55 are in bold face.

[page 163↓]

Lisrel output

Model 1 (n=524)

Observed Variables

Willingness to Buy

Perceived Size

Perceived Reputation

Trust

Privacy

Risk Perception

WTB1

PS1

PR1

TR1

PRI1

RP1

WTB2

PS2

PR2

TR2

PRI2

RP2

WTB3

PS3

PR3

TR3

PRI3

RP3

Sample Size: 524

Latent Variables: TR PS PR PRI

Relationships

TR1 = TR

TR2 = TR

TR3 = TR

PS1 = PS

PS2 = PS

PS3 = PS

PR1 = PR

PR2 = PR

PR3 = PR

PRI1 = PRI

PRI2 = PRI

PRI3 = PRI

TR = PS PR PRI

[page 164↓]

Correlation Matrix

 

TR1

TR2

TR3

PS1

PS2

PS3

TR1

1.000

     

TR2

0.712

1.000

    

TR3

0.648

0.730

1.000

   

PS1

0.354

0.308

0.300

1.000

  

PS2

0.437

0.404

0.392

0.618

1.000

 

PS3

0.391

0.402

0.347

0.430

0.519

1.000

PR1

0.526

0.560

0.520

0.391

0.461

0.433

PR2

0.565

0.526

0.463

0.330

0.490

0.389

PR3

0.567

0.612

0.499

0.301

0.413

0.427

PRI1

0.518

0.632

0.447

0.183

0.283

0.301

PRI2

0.511

0.661

0.512

0.240

0.327

0.292

PRI3

0.537

0.632

0.515

0.264

0.316

0.292

Correlation Matrix

 

PR1

PR2

PR3

PRI1

PRI2

PRI3

PR1

1.000

     

PR2

0.756

1.000

    

PR3

0.743

0.803

1.000

   

PRI1

0.335

0.375

0.404

1.000

  

PRI2

0.337

0.351

0.368

0.919

1.000

 

PRI3

0.358

0.339

0.407

0.873

0.927

1.000

Parameter Specifications

[page 165↓]

LAMBDA-Y

TR

 

TR1

0

TR2

1

TR3

2

LAMBDA-X
 

PS

PR

PRI

PS1

3

0

0

PS2

4

0

0

PS3

5

0

0

PR1

0

6

0

PR2

0

7

0

PR3

0

8

0

PRI1

0

0

9

PRI2

0

0

10

PRI3

0

0

11

[page 166↓]

GAMMA
 

PS

PR

PRI

TR

12

13

14

PHI
 

PS

PR

PRI

PS

0

  

PR

15

0

 

PRI

16

17

0

PSI
 

TR

  
 

18

  

THETA-EPS
 

TR1

TR2

TR3
 

19

20

21

THETA-DELTA
 

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3
 

22

23

24

25

26

27

28

29

30

Number of Iterations = 11

LISREL Estimates (Weighted Least Squares)

LAMBDA-Y
 

TR

TR1

0.888

TR2

0.953
 

(0.028)
 

34.500

TR3

0.843
 

(0.031)
 

27.167

[page 167↓]

LAMBDA-X
 

PS

PR

PRI

PS1

0.693

-

-
 

(0.041)

  
 

17.095

  

PS2

0.868

  

(0.028)

  
 

31.240

  

PS3

0.750

-

-
 

(0.029)

  
 

26.302

  

PR1

-

0.941

-
  

(0.017)

 
  

55.718

 

PR2

-

0.960

-
  

(0.015)

 
  

62.532

 

PR3

-

0.959

 
  

(0.014)

 
  

66.471

 

PRI1

-

-

0.968
   

(0.012)
   

83.703

PRI2

-

-

0.991
   

(0.008)
   

131.542

PRI3

-

-

1.000
   

0.010
   

96.539

[page 168↓]

GAMMA
 

PS

PR

PRI

TR

0.166

0.413

0.461

(0.060)

(0.060)

(0.046)
 

2.772

6.897

10.039

Covariance Matrix of ETA and KSI

 

TR

PS

PR

PRI

TR

1.000

   

PS

0.703

1.000

  

PR

0.774

0.708

1.000

 

PRI

0.767

0.553

0.529

1.000

PHI
 

PS

PR

PRI

PS

1.000

  

PR

0.708

1.000

 
 

(0.036)

  
 

19.423

  

PRI

0.533

0.529

1.000
 

(0.042)

(0.040)

 
 

12.554

13.074

 

PSI
 

TR

  
 

0.210

  
 

(0.033)

  
 

6.423

  

[page 169↓]

Squared Multiple Correlations for Structural Equations

TR

0.790

Squared Multiple Correlations for Reduced Form

TR

0.790

THETA-EPS

TR1

TR2

TR3

0.211

0.092

0.289

(0.060)

(0.051)

(0.061)

3.532

1.790

4.758

Squared Multiple Correlations for Y - Variables

TR1

TR2

TR3

0.789

0.908

0.711

THETA-DELTA

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3

0.520

0.247

0.437

0.114

0.078

0.080

0.063

0.018

0.001

(0.071)

(0.065)

(0.061)

(0.054)

(0.053)

(0.052)

(0.049)

(0.046)

(0.048)

7.298

3.797

7.138

2.107

1.477

1.544

1.275

0.386

0.011

Squared Multiple Correlations for X - Variables

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3

0.480

0.753

0.563

0.886

0.922

0.920

0.937

0.982

0.999

[page 170↓]

Goodness of Fit Statistics

Degrees of Freedom = 48

Minimum Fit Function Chi-Square = 96.167 (P = 0.000)

Estimated Non-centrality Parameter (NCP) = 48.167

90 Percent Confidence Interval for NCP = (24.032 ; 80.082)

Minimum Fit Function Value = 0.184

Population Discrepancy Function Value (F0) = 0.0921

90 Percent Confidence Interval for F0 = (0.0459 ; 0.153)

Root Mean Square Error of Approximation (RMSEA) = 0.0438

90 Percent Confidence Interval for RMSEA = (0.0309 ; 0.0565)

P-Value for Test of Close Fit (RMSEA < 0.05) = 0.778

Expected Cross-Validation Index (ECVI) = 0.299

90 Percent Confidence Interval for ECVI = (0.252 ; 0.360)

ECVI for Saturated Model = 0.298

ECVI for Independence Model = 21.021

Chi-Square for Independence Model with 66 Degrees of Freedom = 10969.722

Independence AIC = 10993.722

Model AIC = 156.167

Saturated AIC = 156.000

Independence CAIC = 11056.860

Model CAIC = 314.012

Saturated CAIC = 566.396

Normed Fit Index (NFI) = 0.991

[page 171↓]

Non-Normed Fit Index (NNFI) = 0.994

Parsimony Normed Fit Index (PNFI) = 0.721

Comparative Fit Index (CFI) = 0.996

Incremental Fit Index (IFI) = 0.996

Relative Fit Index (RFI) = 0.988

Critical N (CN) = 401.722

Root Mean Square Residual (RMR) = 0.114

Standardized RMR = 0.114

Goodness of Fit Index (GFI) = 0.994

Adjusted Goodness of Fit Index (AGFI) = 0.991

Parsimony Goodness of Fit Index (PGFI) = 0.612

Model 2 (n=524)

Observed Variables

Willingness to Buy

Perceived Size

Perceived Reputation

Trust

Privacy

Risk Perception

WTB1

PS1

PR1

TR1

PRI1

RP1

WTB2

PS2

PR2

TR2

PRI2

RP2

WTB3

PS3

PR3

TR3

PRI3

RP3

Sample Size: 524

Latent Variables: TR PS PR PRI

Relationships

TR1 = TR

TR2 = TR

[page 172↓]

TR3 = TR

PS1 = PS

PS2 = PS

PS3 = PS

PR1 = PR

PR2 = PR

PR3 = PR

PRI1 = PRI

PRI2 = PRI

PRI3 = PRI

TR = PS PR PRI

Correlation Matrix

 

TR1

TR2

TR3

PS1

PS2

PS3

TR1

1.000

     

TR2

0.685

1.000

    

TR3

0.624

0.666

1.000

   

PS1

0.372

0.332

0.362

1.000

  

PS2

0.454

0.351

0.325

0.583

1.000

 

PS3

0.483

0.433

0.363

0.477

0.650

1.000

PR1

0.564

0.472

0.544

0.450

0.456

0.440

PR2

0.550

0.451

0.479

0.359

0.395

0.491

PR3

0.560

0.544

0.498

0.396

0.446

0.496

PRI1

0.527

0.669

0.463

0.318

0.295

0.465

PRI2

0.540

0.679

0.473

0.344

0.349

0.489

PRI3

0.555

0.685

0.467

0.347

0.319

0.507

[page 173↓]

Correlation Matrix

 

PR1

PR2

PR3

PRI1

PRI2

PRI3

PR1

1.000

     

PR2

0.713

1.000

    

PR3

0.697

0.765

1.000

   

PRI1

0.384

0.362

0.432

1.000

  

PRI2

0.394

0.354

0.449

0.912

1.000

 

PRI3

0.398

0.397

0.434

0.903

0.919

1.000

Parameter Specifications

LAMBDA-Y

TR

 

TR1

0

TR2

1

TR3

2

[page 174↓]

LAMBDA-X
 

PS

PR

PRI

PS1

3

0

0

PS2

4

0

0

PS3

5

0

0

PR1

0

6

0

PR2

0

7

0

PR3

0

8

0

PRI1

0

0

9

PRI2

0

0

10

PRI3

0

0

11

GAMMA
 

PS

PR

PRI

TR

12

13

14

PHI
 

PS

PR

PRI

PS

0

  

PR

15

0

 

PRI

16

17

0

PSI
 

TR

  
 

18

  

THETA-EPS
 

TR1

TR2

TR3
 

19

20

21

THETA-DELTA
 

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3
 

22

23

24

25

26

27

28

29

30

Number of Iterations = 11

LISREL Estimates (Weighted Least Squares)

[page 175↓]

LAMBDA-Y
 

TR

TR1

0.917

TR2

0.955
 

(0.022)
 

43.035

TR3

0.828
 

(0.026)
 

31.585

[page 176↓]

LAMBDA-X
 

PS

PR

PRI

PS1

0.741

-

-
 

(0.033)

  
 

22.446

  

PS2

0.850

  
 

(0.026)

  
 

32.107

  

PS3

0.869

-

-
 

(0.021)

  
 

40.753

  

PR1

-

0.889

-
  

(0.025)

 
  

35.549

 

PR2

-

0.960

-
  

(0.015)

 
  

62.532

 

PR3

-

0.956

 
  

(0.017)

 
  

57.426

 

PRI1

-

-

0.968
   

(0.011)
   

88.903

PRI2

-

-

0.992
   

(0.010)
   

103.852

PRI3

-

-

0.993
   

0.011
   

94.592

GAMMA
 

PS

PR

PRI

TR

0.039

0.472

0.466
 

(0.055)

(0.062)

(0.053)
 

0.703

7.632

8.724

Covariance Matrix of ETA and KSI

 

TR

PS

PR

PRI

TR

1.000

   

PS

0.667

1.000

  

PR

0.777

0.720

1.000

 

PRI

0.771

0.619

0.593

1.000

[page 177↓]

PHI
 

PS

PR

PRI

PS

1.000

  

PR

0.720

1.000

 

(0.035)

  
 

20.398

  

PRI

0.619

0.593

1.000
 

(0.036)

(0.038)

 
 

16.974

15.584

 

PSI
 

TR

  
 

0.248

  
 

(0.029)

  
 

8.561

  

Squared Multiple Correlations for Structural Equations

TR

0.752

Squared Multiple Correlations for Reduced Form

TR

0.752

THETA-EPS

TR1

TR2

TR3

0.159

0.088

0.315

(0.054)

(0.051)

(0.059)

2.925

1.727

5.326

[page 178↓]

Squared Multiple Correlations for Y - Variables

TR1

TR2

TR3

0.841

0.912

0.685

THETA-DELTA

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3

0.451

0.277

0.244

0.210

0.183

0.087

0.064

0.015

0.013

(0.066)

(0.063)

(0.057)

(0.062)

(0.061)

(0.054)

(0.049)

(0.048)

(0.048)

6.885

4.422

4.258

3.362

2.987

1.607

1.312

0.321

0.272

Squared Multiple Correlations for X - Variables

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3

0.549

0.723

0.756

0.790

0.817

0.913

0.936

0.985

0.987

Goodness of Fit Statistics

Degrees of Freedom = 48

Minimum Fit Function Chi-Square = 97.315 (P = 0.000)

Estimated Non-centrality Parameter (NCP) = 49.315

90 Percent Confidence Interval for NCP = (24.955 ; 81.448)

Minimum Fit Function Value = 0.186

Population Discrepancy Function Value (F0) = 0.0943

90 Percent Confidence Interval for F0 = (0.0477 ; 0.156)

Root Mean Square Error of Approximation (RMSEA) = 0.0443

90 Percent Confidence Interval for RMSEA = (0.0315 ; 0.0570)

P-Value for Test of Close Fit (RMSEA < 0.05) = 0.758

[page 179↓]

Expected Cross-Validation Index (ECVI) = 0.301

90 Percent Confidence Interval for ECVI = (0.254 ; 0.362)

ECVI for Saturated Model = 0.298

ECVI for Independence Model = 16.070

Chi-Square for Independence Model with 66 Degrees of Freedom = 8380.660

Independence AIC = 8404.660

Model AIC = 157.315

Saturated AIC = 156.000

Independence CAIC = 8467.798

Model CAIC = 315.160

Saturated CAIC = 566.396

Normed Fit Index (NFI) = 0.988

Non-Normed Fit Index (NNFI) = 0.992

Parsimony Normed Fit Index (PNFI) = 0.719

Comparative Fit Index (CFI) = 0.994

Incremental Fit Index (IFI) = 0.994

Relative Fit Index (RFI) = 0.984

Critical N (CN) = 396.995

Root Mean Square Residual (RMR) = 0.115

Standardized RMR = 0.115

Goodness of Fit Index (GFI) = 0.993

Adjusted Goodness of Fit Index (AGFI) = 0.989

Parsimony Goodness of Fit Index (PGFI) = 0.611

[page 180↓] Model 3 (n=1048)

Observed Variables

Willingness to Buy

Perceived Size

Perceived Reputation

Trust

Privacy

Risk Perception

WTB1

PS1

PR1

TR1

PRI1

RP1

WTB2

PS2

PR2

TR2

PRI2

RP2

WTB3

PS3

PR3

TR3

PRI3

RP3

Sample Size: 1048

Latent Variables: TR PS PR PRI

Relationships

TR1 = TR

TR2 = TR

TR3 = TR

PS1 = PS

PS2 = PS

PS3 = PS

PR1 = PR

PR2 = PR

PR3 = PR

PRI1 = PRI

PRI2 = PRI

PRI3 = PRI

TR = PS PR PRI

Correlation Matrix

[page 181↓]

 

TR1

TR2

TR3

PS1

PS2

PS3

TR1

1.000

     

TR2

0.698

1.000

    

TR3

0.635

0.698

1.000

   

PS1

0.362

0.319

0.329

1.000

  

PS2

0.4449

0.376

0.358

0.599

1.000

 

PS3

0.436

0.416

0.355

0.453

0.584

1.000

PR1

0.547

0.516

0.531

0.418

0.459

0.436

PR2

0.556

0.487

0.467

0.342

0.441

0.438

PR3

0.564

0.578

0.499

0.347

0.429

0.460

PRI1

0.521

0.651

0.455

0.247

0.289

0.381

PRI2

0.524

0.669

0.493

0.290

0.337

0.388

PRI3

0.543

0.659

0.492

0.304

0.317

0.397

Correlation Matrix

 

PR1

PR2

PR3

PRI1

PRI2

PRI3

PR1

1.000

     

PR2

0.733

1.000

    

PR3

0.720

0.784

1.000

   

PRI1

0.359

0.367

0.417

1.000

  

PRI2

0.364

0.350

0.408

0.904

1.000

 

PRI3

0.377

0.365

0.420

0.888

0.912

1.000

Parameter Specifications

LAMBDA-Y

TR

 

TR1

0

TR2

1

TR3

2

[page 182↓]

LAMBDA-X
 

PS

PR

PRI

PS1

3

0

0

PS2

4

0

0

PS3

5

0

0

PR1

0

6

0

PR2

0

7

0

PR3

0

8

0

PRI1

0

0

9

PRI2

0

0

10

PRI3

0

0

11

GAMMA
 

PS

PR

PRI

TR

12

13

14

PHI
 

PS

PR

PRI

PS

0

  

PR

15

0

 

PRI

16

17

0

PSI
 

TR

  
 

18

  

THETA-EPS
 

TR1

TR2

TR3
 

19

20

21

[page 183↓]

THETA-DELTA
 

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3
 

22

23

24

25

26

27

28

29

30

Number of Iterations = 9

LISREL Estimates (Weighted Least Squares)

LAMBDA-Y
 

TR

TR1

0.880

TR2

0.949
 

(0.020)
 

37.433

TR3

0.800
 

(0.022)
 

35.687

[page 184↓]

LAMBDA-X
 

PS

PR

PRI

PS1

0.689

-

-
 

(0.029)

  
 

24.045

  

PS2

0.832

  
 

(0.021)

  
 

38.741

  

PS3

0.774

-

-

(0.020)

  
 

38.342

  

PR1

-

0.887

-
  

(0.018)

 
  

49.869

 

PR2

-

0.887

-
  

(0.017)

 
  

51.961

 

PR3

-

0.936

 
  

(0.013)

 
  

72.935

 

PRI1

-

-

0.952
   

(0.010)
   

99.615

PRI2

-

-

0.980
   

(0.009)
   

110.220

PRI3

-

-

0.982
   

0.011
   

90.696

GAMMA
 

PS

PR

PRI

TR

0.111

0.420

0.465
 

(0.042)

(0.044)

(0.036)
 

2.650

9.604

12.857

[page 185↓]

Covariance Matrix of ETA and KSI

 

TR

PS

PR

PRI

TR

1.000

   

PS

0.653

1.000

  

PR

0.744

0.688

1.000

 

PRI

0.749

0.546

0.534

1.000

PHI
 

PS

PR

PRI

PS

1.000

  

PR

0.688

1.000

 
 

(0.029)

  
 

24.081

  

PRI

0.546

0.534

1.000
 

(0.031)

(0.030)

 
 

17.674

17.624

 

PSI
 

TR

  
 

0.268

  
 

(0.025)

  
 

10.735

  

Squared Multiple Correlations for Structural Equations

TR

0.732

[page 186↓]

Squared Multiple Correlations for Reduced Form

TR

0.732

THETA-EPS

TR1

TR2

TR3

0.226

0.099

0.361

(0.042)

(0.038)

(0.044)

5.401

2.621

8.202

Squared Multiple Correlations for Y - Variables

TR1

TR2

TR3

0.774

0.901

0.639

THETA-DELTA

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3

0.526

0.307

0.401

0.213

0.213

0.123

0.094

0.041

0.037

(0.050)

(0.047)

(0.044)

(0.044)

(0.043)

(0.039)

(0.036)

(0.035)

(0.038)

10.484

6.501

9.116

4.819

4.930

3.143

2.628

1.142

0.974

Squared Multiple Correlations for X - Variables

PS1

PS2

PS3

PR1

PR2

PR3

PRI1

PRI2

PRI3

0.474

0.693

0.599

0.787

0.787

0.877

0.906

0.959

0.963

Goodness of Fit Statistics

Degrees of Freedom = 48

[page 187↓]

Minimum Fit Function Chi-Square = 106.795 (P = 0.000)

Estimated Non-centrality Parameter (NCP) = 58.795

90 Percent Confidence Interval for NCP = (32.652 ; 92.671)

Minimum Fit Function Value = 0.102

Population Discrepancy Function Value (F0) = 0.0562

90 Percent Confidence Interval for F0 = (0.0312 ; 0.0885)

Root Mean Square Error of Approximation (RMSEA) = 0.0342

90 Percent Confidence Interval for RMSEA = (0.0255 ; 0.0429)

P-Value for Test of Close Fit (RMSEA < 0.05) = 0.999

Expected Cross-Validation Index (ECVI) = 0.159

90 Percent Confidence Interval for ECVI = (0.134 ; 0.192)

ECVI for Saturated Model = 0.149

ECVI for Independence Model = 8.184

Chi-Square for Independence Model with 66 Degrees of Freedom = 8544.581

Independence AIC = 8568.581

Model AIC = 166.795

Saturated AIC = 156.000

Independence CAIC = 8640.037

Model CAIC = 345.434

Saturated CAIC = 620.462

Normed Fit Index (NFI) = 0.988

Non-Normed Fit Index (NNFI) = 0.990

Parsimony Normed Fit Index (PNFI) = 0.718

Comparative Fit Index (CFI) = 0.993

[page 188↓]

Incremental Fit Index (IFI) = 0.993

Relative Fit Index (RFI) = 0.983

Critical N (CN) = 723.374

Root Mean Square Residual (RMR) = 0.0726

Standardized RMR = 0.0726

Goodness of Fit Index (GFI) = 0.995

Adjusted Goodness of Fit Index (AGFI) = 0.992

Parsimony Goodness of Fit Index (PGFI) = 0.612

Banner screenshot

Figure 7-1: Screenshots of the banner leading to the survey

[page 189↓]

Appendix to Chapter 3
Survey results

Figure 7-2: Frequency of answers to the question “if you have decided to pick up an online order at the retailer, what were the reasons?” (translated from German)

Customer and shop distribution

Figure 7-3: Shop and customer distribution of the multi-channel retailer

[page 190↓]

Analysis framework summary

*I: requires at least personal identification data, P: requires at least pseudonymous data, N: no modification required; N<P<I; all analyses are time-referenced

[page 191 - 196↓]

Table 7-3: Analysis framework summary

Category

Explanation

Required Data entities

(cf. Table 3-2)

I*

P

N

Order Analyses

     

Metrics

     

Number of orders

Calculates the total number of orders in a given time frame

order_id, order_date

  

X

Mean number of purchases per customer

Calculates the arithmetic mean of the number of orders per customer

customer_id, order_id, order_date

 

X

 

Mean transaction amount per customer

Calculates the arithmetic mean of the generated revenue per customer

customer_id, invoice_value, order_date

 

X

 

Mean transaction amount per order

Calculates the arithmetic mean of the generated revenue per order

invoice_value, order_id, order_date

  

X

Mean margin per customer

Calculates the arithmetic mean of the margin per order

customer_id, invoice_value, order_id, cost, product_id, order_date

 

X

 

Mean margin per order

Calculates the arithmetic mean of the margin per order

invoice_value, order_id, cost, product_id, order_date

  

X

Mean interpurchase time

Calculates the arithmetic mean of the time between two successive purchases of the same customer

customer_id, order_id, order_date

 

X

 

Gini coefficient

Measures the concentration coefficient of generated revenue per customer

customer_id, invoice_value, order_id, order_date

 

X

 

Analytics

     

Recency distribution

Calculates classes of the number of customers that repeatedly puchased within the same time frame from their most recent visit and the present time

customer_id, order_id, order_date

 

X

 

Purchase tenure distribution

Calculates classes of the number of customers that repeatedly puchased within the same time frame from their first visit and the present time

customer_id, order_id, order_date

 

X

 

Frequency distribution

Calculates classes of the number of customers that incurred the same number of orders in a time frame

customer_id, order_id, order_date

 

X

 

Monetary value distribution

Calculates classes of the number of customers that generated the same range of order value in a time frame

customer_id, invoice_value, order_id, order_date

 

X

 

Margin distribution

Calculates classes of the number of customers that generated the same range of profit margin in a time frame

customer_id, invoice_value, cost, product_id, order_id, order_date

 

X

 

Recency for specific customer

Calculates the time between an individuals last purchase and the present time (individual specified by name and address)

customer_id, first_name, surname, address, order_id, order_date

X

  

Frequency for specific customer

Calculates the number of order an individual incurred in a time frame (individual specified by name and address)

customer_id, first_name, surname, address, order_id, order_date

X

  

Monetary value for specific customer

Calculates the monetary value an individual incurred in a time frame (individual specified by name and address)

customer_id, first_name, surname, address, invoice_value, order_id, order_date

X

  

Margin for specific customer

Calculates the margin an individual incurred in a time frame (individual specified by name and address)

customer_id, first_name, surname, address, invoice_value, cost, product_id, order_id, order_date

X

  

Revenue contribution

Depicts the revenue contribution of classes of customers (Lorenz Curve)

customer_id, invoice_value, order_id, order_date

 

X

 
      

Demographic Analyses

 

    

Metrics

 

    

Gender split

Calculates the ratio of female and male customers

customer_id, gender, order_date

 

X

 

Mean revenue/gender

Calculates the arithmetic mean of the revenue generated by female and male customers

customer_id, invoice_value, gender, order_date

 

X

 

Mean margin/gender

Calculates the arithmetic mean of the margin generated by female and male customers

customer_id, invoice_value, cost, product_id, gender, order_date

 

X

 

Customer-Distance correlation

Measures the Person correlation between the number of customers - normalized with the population density in that zip code - with the zip code's distance to the next physical store

customer_id, customer_zip_code, geo_id, store_zip_code, longitude_zip_code, latitude_zip_code, order_date

 

X

 

Analytics

 

    

Mean revenue by age distribution

Calculates classes of age and the corresponding mean revenue per order

customer_id, date_of_birth, order_id, invoice_value, order_date

 

X

 

Number of customers per location (zip code)

Calculates classes of locations and the corresponding number of customers

order_id, customer_id, customer_zip_code, order_date

 

X

 

Number of transactions per location (zip code)

Calculates classes of locations and the corresponding number of transactions

order_id, customer_id, customer_zip_code, order_date

  

X

Revenue per location

Calculates classes of locations and the corresponding revenue

order_id, customer_id, invoice_value, customer_zip_code, order_date

  

X

Margin per location

Calculates classes of locations and the corresponding margin

order_id, customer_id, invoice_value, cost, product_id, customer_zip_code, order_date

  

X

Microgeographic details of customers in zip code area

Includes a variety of analytics describing microgeographic details of customers in a given zip code area

customer_id, order_id, address_id, customer_zip_code, geo_id, micro_id, detail_type, detail_value, order_date

 

X

 

Microgeographic details for specific customer

Includes a variety of analytics describing microgeographic details of individual customers

customer_id, first_name, surname, address, geo_id, micro_id, detail_type, detail_value, order_date

X

  
      

Product Analyses

 

    

Metrics

 

    

Mean number of products per order

Calculates the arithmetic mean of the number of products per order

order_id, product_id, order_date

  

X

Mean number of products in shopping cart

Calculates the arithmetic mean of the number of products put into the shopping cart per all customers who used the shopping cart

product_id, session_id, page_id, concept_name, access_time

  

X

Product Analytics

 

    

Top-Selling Products

Returns a list of products that have been sold most frequently

order_id, product_id, product_name, order_date

  

X

Product associations

Returns a list or association rules between products with respective support and confidence values

order_id, product_id, product_name, order_date

  

X

Products per location

Calculates classes of locations and the respective top-selling product in that location

product_id, product_name, customer_id, order_id, customer_zip_code, order_date

  

X
      

Multi-Channel Service Analyses

 

    

Metrics

 

    

In-store payment ratio

Calculates the number of orders that were paid in-store per number of all transactions

order_id, payment_method, order_date

  

X

Online payment ratio

Calculates the number of orders that were paid online per number of all transactions

order_id, payment_method, order_date

  

X

Cash-on-delivery payment rate

Calculates the number of orders that were paid cash on delivery per number of all transactions

order_id, payment_method, order_date

  

X

In-store payment migration ratio

Calculates the number of repeat customers who changed payment preferences from online to in-store in at least one of the following transactions per number of all customers

customer_id, order_id, payment_method, order_date

 

X

 

Online payment migration ratio

Calculates the number of repeat customers who changed payment preferences from in-store to online in at least one of the following transactions per number of all customers

customer_id, order_id, payment_method, order_date

 

X

 

Pickup in-store ratio

Calculates the number of orders that were picked up in store per number of all transactions

order_id, delivery_type, order_date

  

X

Direct delivery ratio

Calculates the number of orders that were delivered directly per number of all transactions

order_id, delivery_type, order_date

  

X

In-store delivery migration ratio

Calculates the number of repeat customers who changed delivery preferences from online to in-store in at least one of the following transactions per number of all customers

customer_id, order_id, delivery_type, order_date

 

X

 

Direct delivery migration ratio

Calculates the number of repeat customers who changed delivery preferences from in-store to online in at least one of the following transactions per number of all customers

customer_id, order_id, delivery_type, order_date

 

X

 

Returns to stores ratio

Calculates the number of orders that were returned to physical stores per number of all transactions

customer_id, order_id, store_id, order_date

 

X

 

Analytics

 

    

Product weight and pick-up distribution

Calculates classes of the number of orders consisting of products within the same weight range and compares it with the number of pick-ups

order_id, product_id, product_weight, delivery_type, order_date

  

X

Product size and pick-up distribution

Calculates classes of orders consisting of products within the same size range and compares it with the number of pick-ups

customer_id, order_id, product_id, product_size, delivery_type, order_date

  

X

Revenues and pick-up distribution

Calculates classes of the number of orders consisting of products within the same revenue range and compares it with the number of pick-ups

customer_id, order_id, invoice_value, delivery_type, order_date

  

X

Returns from location distribution

Calculates the distribution of returns from locations (e.g zip codes)

customer_id, order_id, customer_zip_code, store_id, order_date

  

X

Returns/name and address

Calculates the distribution of individuals and respective number of returns

customer_id, order_id, first_name, surname, address, store_id, order_date

X

  
      

Conversion Metrics

 

    

Micro-Conversion Rates

 

    

Look-to-click

Visitors who performed a product click-through/ visitors who saw a product impression

session_id, page_id, concept_name, access_time

  

X

Click-to-basket

Visitors who effected a basket placement/ visitors who performed a product click-through

session_id, page_id, concept_name, access_time

  

X

Basket-to-buy

Visitors who made a product purchase/ visitors who effected a basket placement

session_id, page_id, concept_name, access_time

  

X

Look-to-buy

Visitors who made a product purchase/ visitors who saw a product impression

session_id, page_id, concept_name, access_time

  

X

Life Cycle Metrics

 

    

Reach

Suspects/ Whole Population

session_id, page_id, concept_name, access_time

  

X

Acquisition

Visitors who become active site investigators (Prospects/ Suspects)

session_id, page_id, concept_name, access_time

  

X

Conversion

Visitors who purchase (Customers/Prospects)

session_id, page_id, order_id, concept_name, access_time

  

X

Retention

Repeat Customers/ Customers

customer_id, order_id, order_date

 

X

 

Life Cycle Interruption Metrics

 

    

Abandonment

Visitors who filled shopping cart and abandoned it/ active site investigators

session_id, page_id, concept_name, access_time

  

X

Attrition

Customers who subsequently became customers elsewhere/ customers

customer_id, first_name, surname, address, order_date

X

  

Churn

Attrited customers/ customers minus attrited customers

customer_id, first_name, surname, address, order_date

X

  

Concept Conversion Rates

 

    

Offline Conversion Rate

Visitors who accessed at least one page of the offline concept/ all visitors

session_id, page_id, concept_name, access_time

  

X

Store Locator visits

Visitors who access the store locator at least once/ all visitors

session_id, page_id, concept_name, access_time

  

X

Store Locator exits

Visitors who exited the site via the store locator/ all visitors

session_id, page_id, concept_name, access_time

  

X
      

Session Analyses

 

    

Session clusters of all sessions

Calculates k-means session clusters of all sessions

session_id, page_id, concept_name, access_time

  

X

Session clusters of purchase sessions

Calculates k-means session clusters of all purchase sessions

session_id, page_id, concept_name, order_id, access_time

  

X

Session clusters of purchase sessions with direct delivery preference

Calculates k-means session clusters of all purchase sessions with direct delivery preferences

session_id, page_id, concept_name, order_id, delivery_type, access_time

  

X

Session clusters of purchase sessions with pick-up preferences

Calculates k-means session clusters of all purchase sessions with pick-up in store preferences

session_id, page_id, concept_name, order_id, delivery_type, access_time

  

X

Sessions/location distribution

Matches IP-addresses with geographic location

IP_address, zip_code, geo_id, micro_id, detail_type, detail_value,

X

  

User typologies

Template matching with WUM mining language

    
      

Further Web analyses

 

    

Stickiness

Total amount of time spent viewing all pages by total number of unique users. Can be applied to entire sites or sections of sites.

session_id, page_id, concept_name, order_id, delivery_type, access_time

  

X

Slipperiness

1-Stickiness

session_id, page_id, concept_name, order_id, delivery_type, access_time

  

X

Focus

Number of pages visited in a given content section per total number of pages in the section.

session_id, page_id, concept_name, access_time

  

X

Velocity

Mean time users need to pass from one phase of the purchase process to the next

session_id, page_id, concept_name, access_time

  

X

Visit frequency

Mean number of visits by number of unique users

session_id, page_id, concept_name, cookie_id, access_time

 

X

 

Mean visit duration

Calculates the arithmetic mean of visitors' total amount of time spent viewing all pages in session by number of all visits

session_id, page_id, concept_name, access_time

  

X

Visit tenure

Calculates classes of the number of visitors that visited site within the same time frame from their first visit

session_id, page_id, concept_name, cookie_id, access_time

 

X

 

Visit recency

Calculates classes of the number of visitors that visited the site within the same time frame from their last visit

session_id, page_id, concept_name, cookie_id, access_time

 

X

 

Visit retention

Visitors/repeat visitors

session_id, page_id, concept_name, cookie_id, access_time

 

X

 

Required clicks to first purchase

Calculates classes of the number of visitors that required the same number of clicks to their first purchase

Customer_id, session_id, page_id, concept_name, order_id, access_time

 

X

 

Required clicks to repeat purchase

Calculates classes of the number of customers that required the same number of clicks to their first repeat purchase

session_id, page_id, concept_name, order_id, access_time

  

X
      

Marketing Analyses

 

    

Order value of referrals

Calculates the distribution of revenue generated through referrers

session_id, page_id, concept_name, order_id, access_time, invoice_value

  

X

Contest/game participation

Calculates the number of participants in contests/games

session_id, page_id, concept_name, order_id, access_time

  

X

[page 197↓]

Appendix to Chapter 6

Experimental workflow

Figure 7-4: Workflow of the experimental procedure

Student briefing

Liebe Teilnehmerin, lieber Teilnehmer,

vielen Dank im Voraus für Ihre Teilnahme an diesem Experiment. Sie nehmen an einer Untersuchung teil, die von der Firma <Buchhändlername> und dem Lehrstuhl für Wirtschaftsinformatik der wirtschaftswissenschaftlichen Fakultät der Humboldt Universität zu Berlin durchgeführt wird.

Bitte vergewissern Sie sich, dass Sie Ihren Ausweis (bzw. ein Identifikationsdokument) dabei haben, sonst können Sie leider nicht am Experiment teilnehmen. Für den Fall, dass Sie ein Buch kaufen möchten, ist es unbedingt notwendig, dass Sie Kreditkarte bzw. Bankinformationen (z.B. Bankkarte) mitgebracht haben. Ohne diese Dokumente ist ein Buchkauf nicht möglich.

[page 198↓]

Ziel dieser Untersuchung ist, auf der Site von <Buchhändlername> einige Fragen eines Suchagenten zu beantworten. Nachdem Sie Ihre Interessen und Präferenzen angegeben haben, gibt Ihnen der Agent Buchempfehlungen. Wenn Sie eines der empfohlenen Bücher interessiert, können Sie es mit einem einmaligen Rabatt in Höhe von 70% erwerben.

Für die Beantwortung der Fragen haben Sie ca. 30 Minuten Zeit. Wenn Sie schon vorher fertig sind, bleiben Sie bitte an Ihrem Platz sitzen, bis auch die anderen Teilnehmer so weit sind. Sie haben genügend Zeit, die Fragen in Ruhe und aufmerksam zu beantworten. Damit unsere Untersuchung Erfolg hat, möchten wir Sie bitten, die Fragen des Suchagenten wahrheitsgemäß zu beantworten. Bitte beantworten Sie Fragen besser gar nicht, bevor Sie falsche Angaben machen.

Im Anschluss an das Kaufangebot präsentieren wir Ihnen einen kurzen Fragebogen online. Dieser Fragebogen hat nichts mit dem vorhergehenden Teil des Experimentes zu tun. Ihre Antworten werden unabhängig von Ihren vorherigen Angaben anonym gespeichert und ausgewertet.

Das Ausfüllen des Fragebogens dauert nur wenige Minuten. Wenn Sie damit fertig sind, melden Sie sich bitte bei uns! Sie bekommen dann Ihren Gutschein ausgehändigt und erhalten weitere Informationen, wenn Sie ein Buch gekauft haben.

Im Anschluss an den schriftlichen Fragebogen folgt ein weiterer, kurzer Fragebogen in elektronischer Form, den wir Sie bitten zu beantworten.

Wir möchten Sie bitten, über Ihre Teilnahme bis zum Ende der Experimentphase am Mittwoch um 18.00 Uhr Stillschweigen zu bewahren, damit die Ergebnisse nicht verfälscht werden.

Falls Sie noch Fragen haben oder während des Experiments noch Fragen auftreten sollten, so sprechen Sie uns einfach an. Wir werden Ihnen weiterhelfen.

Vielen Dank für Ihre Aufmerksamkeit und viel Spaß beim Experiment!

[page 199↓]

Questions in the experiment (with explanations)

Bitte geben Sie eine Nutzerkennung (Ihren Namen oder ein Pseudonym) an:______________

Welchen Nutzen haben Sie davon?

Wir möchten Sie persönlich begrüßen. Diese Information hilft uns, Ihr Einkaufserlebnis noch individueller zu gestalten.

Was geschieht mit den Daten?

Diese Information wird als eindeutige Kennung gespeichert. Eine Weitergabe an Dritte findet nicht statt.

Wie alt sind Sie?

™ 18-20

™ 21-25

™ 26-30

™ 31-35

™ 36-40

™ 41-50

™ 51-60

™ >60

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir suchen für Sie Informationen und Produkte heraus, die maßgeschneidert sind auf Ihr Alter. Diese Information hilft uns, Ihr Einkaufserlebnis individuell zu gestalten.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

[page 200↓]

In welchem Beruf/Studienfach sind Sie tätig? _____________________

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir suchen zu Ihrem Beruf passende Bücher und Informationen heraus.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Was sind Ihre Hobbys?

□ Sport

□ Musik

□ Modellbau

□ Computer

□ Weitere___________________

□ keine Angabe

Welchen Nutzen haben Sie davon?

Wir zeigen Ihnen, welche Bücher sie wirklich interessieren. Ihre Hobbys sind dabei ein wichtiges Kriterium.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Wir möchten gerne Cookies zur Aufzeichnung der Reihenfolge Ihres Aufrufs unserer Internetseiten (Clickstream) speichern. Sind Sie damit einverstanden?

™ ja

™ nein

[page 201↓]

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir wollen Ihnen in Zukunft einen noch besseren Onlineauftritt bieten, der optimiert ist für Ihren Bildschirm und für Ihren Browser. Wenn Sie keine Cookies verwenden, sind Sie nicht in der Lage, so wichtige Features wie 1-Click®-Kaufen und "Neu für Sie" zu nutzen.

Was geschieht mit den Daten?

Ihre persönlichen Informationen verbleiben anonym. Ihr Einverständnis, Cookies zu akzeptieren, ermöglicht uns, unsere Site zu verbessern und Produkte und Dienstleistungen besser zu präsentieren. Weiterhin sind wir daran interessiert, Ihr wiederholtes Navigationsverhalten zu analysieren. Sie können Ihre Entscheidung, Cookies zu akzeptieren, jederzeit revidieren.

Geben Sie bitte Ihren Lieblingsautor oder -buchtitel ein: __________________

□ keine Angabe

Welchen Nutzen haben Sie davon?

Wir berücksichtigen bei der Auswahl Ihren Lieblingsautoren und weitere, passende Bücher.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Worauf achten Sie beim Buchkauf mehr: Angaben auf dem Buchrücken oder Name des Autors?

™ Angaben auf dem Buchrücken (Kurzbeschreibung)

™ Autor

™ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherselektion wird dadurch noch besser. Autor und Inhalt werden unterschiedlich [page 202↓]stark berücksichtigt und der Bücherkauf wird noch einfacher für Sie.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Bitte teilen Sie uns mit, welche Bereiche Sie am meisten interessieren

□ Antiquarische Bücher

□ Belletristik

□ Business & Karriere

□ Börse & Geld

□ Computer & Internet

□ E-Books

□ Fachbücher

□ Film

□ Kultur & Comics

□ Geist & Wissen

□ Hörbücher

□ Kinder- & Jugendbücher

□ Kochen & Lifestyle

□ Krimis & Thriller

□ Lernen & Nachschlagen

□ Musiknoten

□ Naturwissenschaften & Technik

□ Politik

□ Biografien & Geschichte

□ Ratgeber

[page 203↓]

□ Reise & Sport

□ Religion & Esoterik

□ Science Fiction

□ Fantasy & Horror

□ keine Angabe

Welchen Nutzen haben Sie davon?

Wir können Ihnen eine bessere Auswahl empfehlen, wenn Sie uns mitteilen, welche Bereiche Sie am meisten interessieren.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Welche Arten von Büchern kaufen Sie besonders häufig?

Hinweis: Bitte bilden Sie eine Rangordnung. (1 entspricht dabei dem am häufigsten gekauften Typ Buch)

__ Roman

__ Sachbuch

__ Fachbuch

__ Biographien

□ keine Angabe

Welchen Nutzen haben Sie davon?

Wir sortieren Bücher für Sie nach Ihren Interessen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

[page 204↓]

Möchten Sie ein Buch als Ergänzung zu Ihren bisherigen Vorlieben kaufen, oder etwas komplett anderes?

™ Ergänzung zu meinen Vorlieben

™ etwas komplett anderes

™ keine Angabe

Welchen Nutzen haben Sie davon?

Diese Information hilft uns, Bücher nach Ihren Wünschen zu selektieren.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Leihen Sie Bücher?

™ ja

™ nein

™ keine Angabe

Welchen Nutzen haben Sie davon?

Ihre Lesegewohnheit helfen uns, Sie noch besser kennenzulernen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Welche Art Urlaubsreisen unternehmen Sie besonders gerne?

□ Städtereisen

□ Badeurlaube

□ Familienreisen

□ Erlebnisurlaube

[page 205↓]

□ weitere

□ keine Angabe

Welchen Nutzen haben Sie davon?

Wir bieten Ihnen Bücher an, die sich rund um das Reisen drehen, und genau auf Sie zugeschnitten sind.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Reisen Sie eher pauschal, oder lieber auf eigene Faust?

™ Pauschal

™ Auf eigene Faust

™ gar nicht

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir bieten Ihnen Bücher an, die sich rund um das Reisen drehen, und genau auf Sie zugeschnitten sind.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Lernen Sie die Grundzüge einer Sprache, bevor Sie in ein anderes Land fahren?

™ ja

™ nein

™ keine Angabe

Sprachen:_________________

[page 206↓] Welchen Nutzen haben Sie davon?

Wir empfehlen Ihnen Bücher, die sich mit Fremdsprachen beschäftigen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Autoren welcher Nationalität bevorzugen Sie?

□ Deutsch

□ Englisch

□ Französisch

□ Spanisch

□ Amerikanisch

□ Andere

□ keine Angabe

Welchen Nutzen haben Sie davon?

Diese Information macht es uns möglich Ihre Vorlieben noch besser zu berücksichtigen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Welche politische Richtung präferieren Sie bei Büchern?

linksextrem – rechtsextrem (Skala von 1-7)

™ politisch uninteressiert

™ keine Angabe

Welchen Nutzen haben Sie davon?

[page 207↓]

Wir suchen Bücher für Sie heraus, die Ihren politischen Interessen entsprechen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Mögen Sie lieber Marx oder Macchiavelli?

™ Marx

™ Macchiavelli

™ kenne ich nicht

™ mag beide

™ keine Angabe

Welchen Nutzen haben Sie davon?

Diese Information hilft uns, die wirklich interessanten Politik-Bücher für Sie noch genauer herauszufiltern.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Besitzen Sie bereits Bücher zu Gesundheitsthemen?

™ ja

™ nein

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir suchen Bücher für Sie heraus, die Ihren Interessen wirklich entsprechen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. [page 208↓]Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Zu welchen Gesundheitsthemen suchen Sie Antworten?

□ Allergien

□ Erkältungen

□ Hautkrankheiten

□ Chronische Krankheiten

□ Geschlechtskrankheiten

□ Weitere

□ keine Angabe

Welchen Nutzen haben Sie davon?

Bücher aus dem Gesundheitsbereich werden für Sie vorselektiert. Sie verbessern so unsere Empfehlungen und müssen sich nicht mit unnötigem Suchen aufhalten.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Sind Sie an Büchern zur Selbstmedikation interessiert?

™ ja

™ nein

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir können Ihnen noch bessere Empfehlungen geben.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht [page 209↓]statt.

Interessieren Sie sich auch für alternative Heilmethoden?

™ ja

™ nein

™ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherauswahl passt mit Hilfe dieser Angaben noch besser zu Ihnen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Welche Glaubensrichtung interessiert Sie bei Büchern im Bereich Religion?

™ Buddhismus

™ Christentum

™ Hinduismus

™ Islam

™ Judentum

™ Andere

™ keine Angabe

Welchen Nutzen haben Sie davon?

Wir suchen Bücher aus dem Bereich Religion für Sie heraus, die Ihren Interessen entsprechen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

[page 210↓]

Welcher Religion gehören Sie an?

™ Buddhismus

™ Christentum

™ Hinduismus

™ Islam

™ Judentum

™ weitere: ________________

™ religionslos

™ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherauswahl zum Thema Religion passt mit Hilfe dieser Angaben noch besser zu Ihnen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Mögen Sie Liebesromane?

™ ja

™ nein

™ keine Angabe

Welchen Nutzen haben Sie davon?

Sie finden dadurch schnell zu Ihrem Lieblingsroman.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

[page 211↓]

Welche Art erotischer Bücher mögen Sie?

□ Mann/Frau

□ Mann/Mann

□ Frau/Frau

□ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherauswahl passt mit Hilfe dieser Angaben noch besser zu Ihnen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Weshalb kaufen Sie Bücher?

□ Unterhaltung

□ Fortbildung

□ Karriereförderung

□ Zeitvertreib

□ Nachschlagewerk

□ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherauswahl passt mit Hilfe dieser Angaben noch besser zu Ihnen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

[page 212↓]

Welchen Erzähltyp mögen Sie bei Büchern am liebsten?

□ Kurzgeschichten

□ Fabeln

□ Dialogerzählungen

□ keine Angabe

Welchen Nutzen haben Sie davon?

Diese Information hilft uns, den Erzähltyp bei Ihren Empfehlungen zu berücksichtigen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Mögen Sie lieber Bücher mit Einband oder Taschenbücher?

™ Bücher mit Einband

™ Taschenbücher

™ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherauswahl passt mit Hilfe dieser Angaben noch besser zu Ihnen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Wieviele Bücher lesen Sie im Jahr?

™ 1-3

™ 4-5

™ 6-10

[page 213↓]

™ 11-15

™ mehr

™ keine Angabe

Welchen Nutzen haben Sie davon?

Diese Information hilft uns, die Anzahl der Bücherempfehlungen für Sie besser abzustimmen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Wieviel Geld geben Sie üblicherweise pro Jahr für Buchkäufe aus?

™ 1-50

™ 51-100

™ 101-200

™ 201-500

™ 501-1000

™ mehr

™ keine Angabe

Welchen Nutzen haben Sie davon?

Diese Information hilft uns, Ihnen nur Bücher anzubieten, die Sie sich auch leisten wollen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Wie hoch ist Ihr verfügbares Einkommen im Monat?

™ 0-500

[page 214↓]

™ 501-1000

™ 1001-1500

™ 1501-2000

™ mehr

™ keine Angabe

Welchen Nutzen haben Sie davon?

Die Bücherauswahl passt mit Hilfe dieser Angaben noch besser zu Ihnen.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

Sind Sie an Schnäppchen interessiert?

™ ja

™ nein

™ keine Angabe

Welchen Nutzen haben Sie davon?

Schnäppchen aus Ihrem Interessenbereich werden für Sie herausgesucht.

Was geschieht mit den Daten?

Diese Information wird unter Ihrem Pseudonym gespeichert, aggregiert und analysiert. Die angezeigten Inhalte werden für Sie angepasst. Eine Weitergabe an Dritte findet nicht statt.

[page 215↓]

Questionnaire at the end of the experiment

Pseudonym oder Name (aus Experiment): _____________________

Hatten Sie das Gefühl, Ihre Daten sind bei <Buchhändlername> gut aufgehoben?

□ stimmt gar nicht

□ stimmt eher nicht

□ teils-teils

□ stimmt überwiegend

□ stimmt völlig

□ weiß nicht

Hatten Sie das Gefühl, Ihre Angaben haben <Buchhändlername> geholfen, interessante Bücher für Sie zu selektieren?

□ stimmt gar nicht

□ stimmt eher nicht

□ teils-teils

□ stimmt überwiegend

□ stimmt völlig

□ weiß nicht

Haben Sie den Nutzen Ihrer Datenangaben nachvollziehen können?

□ gar nicht

□ eher nicht

□ teils-teils

□ überwiegend

□ völlig

[page 216↓]

□ weiß nicht

<Buchhändlername> geht verantwortungsvoll mit meinen übermittelten Daten um:

□ stimmt gar nicht

□ stimmt eher nicht

□ teils-teils

□ stimmt überwiegend

□ stimmt völlig

□ weiß nicht

Datenschutz hat Priorität bei <Buchhändlername>:

□ stimmt gar nicht

□ stimmt eher nicht

□ teils-teils

□ stimmt überwiegend

□ stimmt völlig

□ weiß nicht

Weitere Kommentare:

[Front page] [Declaration] [1] [2] [3] [4] [5] [6] [7] [Acknowledgement] [Abbreviations] [References] [Appendix] [Empfangene Unterstützung und Hilfe durch Kollegen] [Declaration] [Eidesstattliche Erklärung] [Table of contents]

© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.
DiML DTD Version 4.0Zertifizierter Dokumentenserver
der Humboldt-Universität zu Berlin		HTML generated:
14.08.2006