Trust, Satisfaction, and Online Repurchase Intention: The Moderating Role of Perceived Effectiveness of E-Commerce Institutional Mechanisms1

Quelle

Forschungsfrage / Summary

Methode und Evidenzqualität

Key Findings

• PEEIM schwächt den positiven Effekt von Trust auf Wiederkaufabsicht.

• PEEIM verstärkt den positiven Effekt von Satisfaction auf Trust.

• PEEIM hat keinen signifikanten direkten Effekt auf Trust oder Repurchase Intention.

• Trust und Satisfaction bleiben kontextabhängige Treiber von Online-Repurchase.

Effektgrößen / Outcomes

• PEEIM × Trust -> Repurchase Intention: β=-0.124, p<.05

• PEEIM × Satisfaction -> Trust: β=0.165, p<.001

• Trust -> Repurchase Intention: β=0.202

• Satisfaction -> Trust: β=0.151

• Outcomes: Trust in Vendor, Repurchase Intention, Satisfaction with Vendor, PEEIM

Conversion-Implikationen

• Wenn institutionelle Schutzmechanismen als wirksam wahrgenommen werden, ist Vendor Trust als Conversion-Hebel weniger dominant.

• Bei schwacher Schutzwahrnehmung sollten Shops stärker in Trust-Signale investieren.

• Safety-/Schutzmechanismen sollten sichtbar und verständlich kommuniziert werden.

Limitationen

• Universitätsstichprobe; eingeschränkte Generalisierbarkeit.

• Querschnitt und Selbstbericht; keine kausale Langzeitprüfung.

• Recall-Methode kann Erinnerungsbias erzeugen.

• Interaktionseffekte klein bis moderat.

Verknüpfte Konzepte

• Trust Signals

• Risk Reversal

• Privacy Calculus

Unterstützte Claims

• Trust Signals ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad.

• Boundary Conditions für Trust Signals: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden.

• Risk Reversal ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad.

• Boundary Conditions für Risk Reversal: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden.

• Privacy Calculus ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad.

• Boundary Conditions für Privacy Calculus: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden.

• In D-A-CH-Kontexten können Datenschutz, Sicherheit, Transparenz und Vertrauen stärkere Conversion-Hebel sein als aggressive Persuasion.