Was ist die Kernerkenntnis des Artikels?
Die Kernerkenntnis dieses Artikels besteht in den psychologischen Prozessen, die ein Kunde/Proband am Anfang einer Schlange hat. Die Kernfrage ist, ob Kunden sozialen Druck verspüren, wenn sich eine Schlange hinter ihnen bildet und wenn ja, wie man diesen Druck mildern kann. Die Haupterkenntnis ist, dass die Schlang einen großen Einfluss auf das Kauferlebnis eines Kunden hat, und man diese durch eine räumliche Trennung der Schlange und des Kunden oder einer gezielten Nachricht, der Kunde könne sich Zeit nehmen, mildern kann.
Kernerkenntnis ist normalerweise im Abstract enthalten. Auch am Ende der Introduktion findet man eine Zusammenfassung der Vorgehens und ein Ausblick auf das Paper (Etwas ausführlicher, als im Abstract). Danach werden die Hypothesen abgeleitet und dann kommen die Studien. Bei der General Discussion wird das gesamte Papier diskutiert. Sie startet meist nochmal mit den Kernerkenntnissen (Länger als im Abstract).
Bei der Suche nach Ideen für eine Bachelor- oder Masterarbeit kann man bei Limitations and Future Research schauen.
Kernerkenntnis: we postulate that customers feel pressured by people waiting behind them and that this feeling of social pressure leads to more negative affective
experiences, poorer participation in co-creation settings, and lower perceptions of service quality. show that the customer’s experience deteriorates as queue length increases and that perceptions of social pressure mediate this effect. moderated by customers’ own waiting time such that customers are more affected by queues forming at their backs when their own waiting time decreases. namely explicitly reassuring the focal customer that she need not feel pressured to be efficient and removing the waiting customers from the line of vision of the focal customer.
The data supported our basic premise that customers experience social pressure when queues form behind their backs, which, in turn, leads to a less positive customer experience, a finding that was robust across different empirical designs and retail contexts. our studies identify a boundary condition of the negative effect of long lines, showing that customers that have waited for longer periods of time are less affected by people lining up behind them. our research reveals two strategies that may mitigate the negative effects of long lines.
"Eine Person, die an einem Schalter bedient wird, erlebt negative Gefühle und bewertet die Servicequalität schlechter, wenn sich hinter ihr eine lange Warteschlange bildet. Das wird verursacht, dadurch dass man sozialen Druck erlebt. Und dieser Effekt ist besonders stark, wenn man selbst nur sehr kurz warten musste. Er kann hingegen abgemildert werden, wenn der Servicemitarbeiter einen ermuntert, dass man sich zeit nehmen kann und er kann auch dadurch abgemildert werden, dass man die Warteschlange unsichtbar macht, indem man bspw. mit Wartemarken arbeitet.“
Wie sieht das Pfaddiagramm der Mediation aus, die in den Hypothesen 1 und 2 postuliert wird (entsprechend Folien 60/62 aus dem Vorlesungsskript)?
Der indirekte Effekt wird berechnet durch Multiplikation von (blau) Pfaden. Beim unteren Beispiel (+ mal -) ist dieser automatisch negativ. Sobald man einen Mediator (Soz. Druck) berücksichtigt, wir der Effekt unten vom totalen Effekt zum direkten Effekt
Wie groß ist der totale Effekt, der direkte Effekt und der indirekte Effekt von Länge der Warteschlange auf positiven bzw. negativen Affekt in Studie 1A?
Es gibt einen negativen und signifikanten Effekt zwischen der Länge der Schlange und der Stimmung (b=-0,37, t=-3,61, p<0.001). Das bedeutet, dass eine größer werden Anzahl an Personen hinter dem Kunden zu einer Verkleinerung der positiven Stimmung führen.
Andersherum ergibt eine Regression mit negativer Stimmung als abhängige Variable einen positiven und signifikanten Einfluss von der Länge der Schlange auf die negative Stimmung eines Kunden (b=0,41, t=4,35, p<0,001).
Auf Seite 220 gibt es eine Analyse unter der Überschrift „Queue length check“. Was wird hier inhaltlich geprüft? Was ist in diesem Fall die Nullhypothese? Bitte zeichnen Sie die theoretische Verteilung des interessierenden statistischen Parameters unter der Annahme der Nullhypothese.
Bei der Queue length check analyse geht es darum, dass die beobachteten Kunden auch wirklich die Anzahl der Leute hinter Ihnen in der Schlange wahrgenommen haben. Es gibt eine starke positive Korrelation (r=0,7, p<0,001) zwischen der realen Anzahl an Leuten hinter dem Kunden und der vom Kunden selbst geschätzten Anzahl an Leuten. Die Nullhypothese ist in dem Fall, dass der Kunde erkennt, wieviele Leute sich hinter ihm als Schlange formen.
Die Nullhypothese wäre, dass die Korrelation zwischen tatsächlicher Länge der Warteschlange und empfundenen Länge der Warteschlange 0 ist Die Alternativhypothese wäre, dass die Korrelation signifikant und positiv ist. Eine Korrelation kann Werte annehmen zwischen -1 und 1.
Y-Achse: p(r I H0) = Die Wahrscheinlichkeit für eine gewisse Korrelation gegeben H0.
X-Achse: Korrelation
Wir zeichnen eine Normalverteilung mit ihrem Höhepunkt bei 0.
Frage jetzt: Welcher Wert der Korrelation muss beobachtet werden, damit er unter Annahme von H0 als sehr unwahrscheinlich gilt. Dazu schneidet man 2,5% auf jeder Seite ab. Wir haben einen Wert von 0,7 beobachtet und lehnen somit die H0 ab und nehmen die Alternativhypothese an, dass die Korrelation statistisch signifikant sich von 0 unterscheidet/statistisch signifikant positiv ist.
Wie viele experimentelle Faktoren verwendet Studie 1B? Wie viele experimentelle Stufen gibt es? Wie viele experimentelle Zellen gibt es?
In Studie 1B werden zwei Hypothesen H1 und H2 getestet. Es herrscht ein between-subjects design, bei welchem die Länge der Schlange entweder 0,1 oder 3 beträgt. Es werden n=75 Probanden getestet.
Faktor: 1 (Länge der Warteschlangen)
Stufen: 3 (0, 1, 3 Personen)
Experimente Zellen: 3 (1x3 Design)
Ein Faktor kann Stufen haben
Für Studie 1B werden unter der Überschrift “Hypothesis testing” 2 ANOVAs berechnet. Warum werden zusätzlich planned contrasts berechnet?
Wir haben einen experimentellen Faktor mit 3 Stufen. Wenn die Varianzanalyse zeigt, dass der experimentelle Faktor einen signifikanten Effekt hat, dann heißt das, dass mindestens eine der experimentellen Gruppen sich von mindestens einer anderen unterscheidet. Das Problem ist nur, wenn man 3 experimentelle Gruppen hat, weiß man nicht genau, welche Gruppen sich genau unterscheiden (0, 1, oder 3 Personen). Wir wissen, dass es Unterschiede gibt, aber nicht welche 3 Gruppen sich unterscheiden. Dafür benutzt man Planned contrasts. Planned contrast berechnen paarweise jeweils für zwei Mittelwerte/Gruppenmittelwerte, ob die sich unterscheiden. Es wird geschaut, ob sich die Präsenz einer Warteschlange von 0/1 Personen sich unterscheiden. Dieser Unterschied ist statistisch signifikant für den positiven Affekt. Für den negativen Effekt ist dies ebenso signifikant. Es gibt also einen Unterschied zwischen 0 und 1 Personen wartet hinter einem, sowohl für positiven- als auch negativen Affekt.
Dann wurde das Gleiche für 0/3 Personen hinter einem getestet, sowohl für positiven, als auch für negativen Effekt. 0/3 ist statistisch signifikant für positiven- als auch negativen Affekt.
Abschließend wird noch berechnet, ob sich die experimentelle Bedingung 1/3 und das ist der Fall bei positiven Effekt, jedoch bei negativem Effekt nur knapp nicht signifikant.
Geplante Kontraste sind dann notwendig, wenn es mehr als zwei experimentelle Stufen gibt. Wenn es nämlich drei experimentelle Stufen gibt, weiß ich nämlich nicht mehr, wenn ein experiementeller Faktor signifikant ist, welche der drei Stufen voneinander statistisch unterschiedlich sind. Es geht darum, nicht nur zu wissen, dass es einen Effekt gibt, sondern welche der drei Stufen sich paarweise voneinander unterscheiden.
Wie viele experimentelle Faktoren verwendet Studie 2B? Wie viele experimentelle Stufen gibt es? Wie viele experimentelle Zellen gibt es?
In Studie 2B werden zwei Hypothese H3 und H4 getestet. Es herrscht ein 2x2 (queue length: 0 / 3); (required wait: yes / no) between-subjects design. Es werden n=75 Probanden getestet.
Faktoren: 2 (Länge der Schlange & Musste man warten)
Stufen: 2 (0/3 & Ja/Nein)
Experimentelle Zelle: 4 (2x2)
Ist die Stichprobengröße von Studie 2B hinreichend groß, wenn wir von einer mittleren Effektstärke ausgehen?
In einem X müssen immer mehr
Bei einer mittleren EffekEffektstärketigen wir 128 Probanden bei einem 2x2 Experiment. -> In jeder Zelle waren weniger als 20 Personen. 74 Probanden sind deutlich unter der Empfehlung von 128 Probanden. Die statistische Power ist nicht sonderlich groß. Wenn man von einer großen Effektstärke ausgeht, können auch die 74 Probanden ausreichend sein, um diesen Effekt zu prüfen.
Auf Seite 225 finden Sie die Mittelwerte der experimentellen Zellen von Studie 2B und dazugehörige ANOVAs. Bitte zeichnen Sie ein Balkendiagramm für die Variable positiver Affekt (PA). Basierend auf den berichteten statistischen Tests, welche Mittelwerte bzw. Kombinationen von Mittelwerten unterscheiden sich statistisch signifikant?
Es gibt weder einen Haupteffekt der Warteschlangenlänge für positiven Affekt, noch eine Haupteffekt der Wartezeit auf positiven Effekt. Aber es gibt einen Interaktionseffekt für beide Variablen. Die Mittelwerte des einen Faktors unterscheiden sich nur Konditional zu denen des anderen Faktors. Das wird mit den Kontrasten geprüft. Es gibt einen signifikanten Effekt der Warteschlangenlänge, wenn die Person selber nicht warten musste. Es gibt keinen sigfinifikaten Effekt der Warteschlangenlänge, wenn die Person selber warten musste.
Bei Nein unterscheiden sie sich (p<.02) und bei Ja unterscheiden sie sich nicht (p>.72).
Was sind die zentralen Management Implikationen, die sich aus diesem Paper ableiten lassen
Die Zentrale Management Implikationen sind folgende:
1. Um sozialen Druck zu lindern, sollte die Schlange außerhalb des Sichtfeldes des Probanden sein
2. Man sollte die Effizienznorm untergraben, um Kunden das Gefühl nehmen, unter Druck zu stehen (Jedoch nur in Bereichen, wo Effizienz nicht Priorität ist)
Last changed3 months ago
