Zeitschriftenartikel
Das Rezept für die perfekte Rezension?
Vorschaubild nicht verfügbar
Volltext URI
Dokumententyp
Text/Journal Article
Zusatzinformation
Datum
2013
Autor:innen
Zeitschriftentitel
ISSN der Zeitschrift
Bandtitel
Verlag
Springer
Zusammenfassung
Internethändler bieten ihren Kunden vermehrt die Möglichkeit, Online-Rezensionen zu erstellen. Diese reduzieren die Suchkosten anderer Kunden und erhöhen deren Verweildauer im E-Shop. Mittlerweile sind jedoch so viele Rezensionen verfügbar, dass das Auffinden von Produktinformationen und die Einschätzung der Produktqualität schwierig geworden sind. Abhilfe sollte die Bewertung der Nützlichkeit der Rezensionen durch Leser schaffen. Dieser Mechanismus hat jedoch zwei kritische Schwachstellen. Zum einen bleiben viele Rezensionen unbewertet, sodass sie bei einer Sortierung nach der Nützlichkeit herausfallen. Zum anderen gibt es keine Anhaltspunkte für Rezensenten, wie eine nützliche Rezension aussehen sollte. Zur Ableitung von Einflussfaktoren auf die Nützlichkeit von Produktrezensionen wird das Modell von Wang und Strong zur kontextabhängigen Beurteilung von Datenqualität adaptiert. Eine empirische Analyse von 27.104 Kundenrezensionen auf Amazon.com über sechs Produktkategorien zeigt, dass die Nützlichkeit einer Rezension nicht nur von ihren eigenen Attributen abhängt, sondern auch von kontextuellen Faktoren, die sich aus der Gesamtheit aller verfügbaren Rezensionen ergeben. Rezensionen für Erfahrungs- und Suchgüter unterscheiden sich systematisch voneinander. Das vorgeschlagene Modell erlaubt die Berechnung vorläufiger Nützlichkeitswerte für unbewertete Rezensionen und bildet die Basis für einen Kundenleitfaden zur Erstellung nützlicherer Rezensionen.AbstractOnline product reviews, originally intended to reduce consumers’ pre-purchase search and evaluation costs, have become so numerous that they are now themselves a source for information overload. To help consumers find high-quality reviews faster, review rankings based on consumers’ evaluations of their helpfulness were introduced. But many reviews are never evaluated and never ranked. Moreover, current helpfulness-based systems provide little or no advice to reviewers on how to write more helpful reviews. Average review quality and consumer search costs could be much improved if these issues were solved. This requires identifying the determinants of review helpfulness, which we carry out based on an adaption of Wang and Strong’s well-known data quality framework. Our empirical analysis shows that review helpfulness is influenced not only by single-review features but also by contextual factors expressing review value relative to all available reviews. Reviews for experiential goods differ systematically from reviews for utilitarian goods. Our findings, based on 27,104 reviews from Amazon.com across six product categories, form the basis for estimating preliminary helpfulness scores for unrated reviews and for developing interactive, personalized review writing support tools.