Masarykova univerzita
Ekonomicko-správní fakulta
VYBRANÉ ASPEKTY CHOVÁNÍ SPOTŘEBITELŮ
VE VZTAHU K REKLAMAČNÍ POLITICE
Selected aspects of consumer behavior
in relation to the return policy
Habilitační práce
Autor:
Radoslav ŠKAPA
Brno, 2011
Jméno a příjmení autora: Radoslav Škapa
Název diplomové práce: Vybrané aspekty chování spotřebitelů ve vztahu k
reklamační politice
Název práce v angličtině: Selected aspects of consumer behavior in relation
to the return policy
Abstrakt
Habilitační práce se věnuje fenoménu reklamací a tomu, co zahraniční literatura označuje jako
„return policy“. Protože se tento pojem se v české literatuře nevyskytuje, je přeložen jako
reklamační politika a je definován jeho obsah, a to s ohledem na české právní prostředí. V této
práci se reklamační politikou zjednodušeně řečeno rozumí způsob řízení reklamací, které
prodávající obdrží z titulu faktických vad produktu a případně i vad subjektivně vnímaných
zákazníkem.
Téma reklamační politiky je představeno z několika pohledů. Tím hlavním je souvislost
reklamační politiky s marketingem a reklamační politiku je pojímána primárně jako
marketingový nástroj spoluutvářející tzv. „rozšířený produkt“.
Práce ve svých prvních kapitolách definuje předmět zájmu – tzv. reklamační politiku a na
základě zpracované literární rešerše je analyzován vztah reklamační politiky k řízení zpětných
toků. Hlavní pozornost je věnována důsledkům zvolené reklamační politiky (uplatňovaných
postupů a pravidel ze strany prodávajících) na vnímání zákazníků a jejich chování. Přesné
zaměření literární rešerše vyplynulo z cílů pěti empirických šetření.
Hlavním smyslem této části je, že slouží jako podklad pro empirická šetření. Vysvětlují cíle
(odpověď na otázku proč zkoumat) a stanovené hypotézy, které v této práci mají podobu
testovaných modelů (odpověď na otázku co zkoumat). Současně se tyto literární rešerše
využívají pro diskusi výsledků empirických šetření.
Pomyslnou druhou část práce tvoří empirická šetření, která zkoumají vybrané aspekty chování
spotřebitelů ve vztahu k reklamační politice – odtud také název habilitační práce. Jedná se o
výzkum zákazníků na trhu B2C. Přestože zaměření každé z prezentovaných studií je různé,
lze pro všechny formulovat jednotící cíl, kterým je prozkoumat chování zákazníků v
souvislosti s reklamacemi a reklamačními podmínkami za účelem optimalizace reklamační
politiky.
První studie se věnuje užitku pro spotřebitele, který plyne z vybraných opatření, které
využívají podniky v rámci reklamačního procesu. Na rozdíl od dalších studií obsažených
v habilitační práci je tento výzkum zpracován pomocí conjointní analýzy a má tak podobu
experimentu. Jeho charakter je exploratorní. Výsledky dokládají, že podmínky související
s reklamacemi výrobku nepatří mezi nejvlivnější faktory při nákupním rozhodování – zde při
nakupování přes internet. Podle provedené shlukové analýzy nicméně vyplývá, že však
existuje skupina zákazníků, pro které jsou faktory spojené s reklamacemi (přesněji s rizikem a
transakčními náklady) důležité.
Další čtyři studie mají sice také podobu kvantitativního výzkumu, jejich metodologická
stránka je ale zásadně odlišná, neboť je postavena na strukturním modelování na vzorku 250
respondentů. Cílem bylo zjistit vliv faktorů spojených s vyřizováním reklamací na následující
chování zákazníků: (1) šíření negativních a pozitivních informací o obchodníkovi (tzv.
„šeptandě“), (2) zneužívání reklamací, (3) ztráta loajality k obchodníkovi a (4) odhodlání
uplatnit reklamaci výrobku.
Výzkum pozitivní a negativní šeptandy vycházel z teorie plánovaného chování. Nepotvrdil se
vliv vnímané kontroly chování a současně vliv subjektivní normy se ukázal jako malý.
Nejvlivnějším faktorem byl samotný postoj zákazníka.
Také u výzkumu zneužívání reklamací byla použita teorie plánovaného chování a zkoumal se
vliv postoje, subjektivní normy a vnímané kontroly chování. Z výsledků jednoznačně plyne,
že rozhodujícím faktorem je vnímaná kontrola chování, tj. subjektivně vnímaná obtížnost
zneužití reklamace. Pro podniky, které čelí problémům se zneužíváním reklamací, to
znamená, že prioritní opatření by mělo spočívat v nastavení takových mechanizmů při
příjímání a vyřizování reklamací, které by oportunistické chování komplikovaly. Lze se tedy
domnívat, že možnost ovlivnit zneužívání reklamací prostřednostem vlivu na ostatní faktory
je velmi omezená.
Ztráta loajality k obchodníkovi byla dána do vztahu se spravedlností při vyřizování reklamací,
která byla dekomponována do tří složek a to: distribuční, procedurální a interakční.
Nejvlivnějším faktorem byla distribuční a procedurální spravedlnost. Vztah s interakční
spravedlností nebyl statisticky doložen. Přestože testovaný model můžeme považovat ze
statistického pohledu za hodnověrný, výsledek prokázal, že pro pochopení a predikci loajality
pouze faktory spojené se spravedlností nestačí, neboť testovaný model vysvětlil velmi malou
variabilitu dat v závislých proměnných.
Cílem posledního výzkumu bylo určit důležitost faktorů, které posilují odhodlání zákazníka
uplatnit reklamaci. Podle výsledků by se prodejci, kteří chtějí omezit negativní důsledky
nespokojenosti zákazníků se zakoupeným produktem (mezi které typicky patří šíření
negativních zpráv či ztráta loajality zákazníků), měli zaměřit na procesy příjímání a
zpracování reklamací tak, aby reagovaly flexibilně, rychle, aby posouzení reklamace bylo
nestranné a efektivní a aby s uplatněním reklamace byly spojeny nízké transakční náklady.
Význam samotné kompenzace, kterou zákazníci získají, je dle našich dat nižší.
Abstract
The habilitation thesis deals with the issue of claims and what foreign literature refers to as
“return policy”. Since this term is absent in Czech literature, it is translated into Czech as
“reklamační politika” and it is defined by its content with regard to the Czech legal
environment. In this thesis, the return policy simply means a way of claim management that
the seller receives in respect of material defects of a product and possibly even defects
subjectively perceived by the customer.
The return policy topic is presented from several perspectives. The main one is the connection
of the return policy with marketing; the return policy is understood primarily as a marketing
tool that participates in forming a so-called “extended product”.
In its initial chapters, the thesis defines the subject of interest – the so-called return policy –
and based on a conducted literature review it analyzes the relation of the return policy to
reverse flows management. The main attention is paid to the consequences of the selected
return policy (rules and procedures applied by the sellers) on customers’ perception and their
behavior. The precise focus of the literature review stemmed from the goals of five empirical
surveys.
The main purpose of this section is to serve as a basis for empirical surveys. It explains the
objectives (the answer to the question of why to investigate) and the stated hypotheses that
take the form of tested models in this thesis (the answer to the question of what to
investigate). The literature search is also used to discuss the results of empirical surveys.
The assumed second part of the thesis consists of empirical surveys that examine selected
aspects of consumer behavior in relation to the return policy – hence the name of the
habilitation thesis. It involves a customer research on the B2C market. Although the focus of
each of the presented studies is different, a unifying objective can be used for all of them, i.e.
to investigate the behavior of customers in connection with claims and terms of claims so as
to optimize the return policy.
The first study focuses on consumer benefits which come from the selected measures used by
businesses in the claim process. Unlike the other studies included in this habilitation thesis,
this research is elaborated using a conjoint analysis and thus it takes the form of an
experiment with an exploratory character. The results show that the conditions associated
with product claims are not among the most influential factors in purchasing decisions – in
this case shopping online. However, the conducted cluster analysis reveals that there is a
group of customers for whom the factors associated with claims (or more accurately the risk
and transaction costs) are important.
The next four studies also take the form of quantitative research; however, the methodology
they exploit is fundamentally different because it is based on structural equation modeling
using a sample of 250 respondents. The aim was to determine the influence of factors
associated with the handling of claims on the following behavior of customers: (1)
dissemination of negative and positive information about the business (the “rumors”), (2)
return fraud, (3) loss of loyalty to the business, and (4) a commitment to exercise the warranty
claim.
The research on positive and negative rumors was based on the theory of planned behavior.
The influence of perceived behavior control was not confirmed while the influence of a
subjective norm proved small. The most influential factor was the actual attitude of the
customer.
In case of the research into return fraud, the theory of planned behavior was also used and the
influence of attitudes, a subjective norm and perceived behavior control was examined. The
results clearly show that the decisive factor is the perceived behavior control, i.e. subjectively
perceived difficulty of return fraud. It means that companies facing problems with the return
frauds should focus on priority actions that should include setting such mechanisms when
receiving and handling claims that would complicate the opportunistic behavior. It can
therefore be assumed that the possibility to influence return fraud through the impact on other
factors is very limited.
The loss of loyalty to the business was related to fairness in handling claims, which was
decomposed into three parts, namely: distribution, procedural, and interaction. The most
influential factor was the distribution and procedural fairness. The relation with interaction
fairness was not statistically documented. Although the tested model can be considered
plausible from the statistical point of view, the results showed only factors associated with
fairness are not enough for understanding and prediction of loyalty, since the tested model
explained very little variation in the dependent variable data.
The aim of the latest survey was to identify the importance of factors that strengthen
customers’ commitment to exercise a claim. According to the results, sellers who want to
limit the negative consequences of customer dissatisfaction with the purchased product
(which typically include spreading negative news, or loss of customer loyalty) should focus
on the processes of accepting and processing claims in such a way that enables them to
respond flexibly and quickly, to assess the claim impartially and effectively, and to incur low
transaction costs associated with exercising a claim. The importance of the actual
compensation, which customers receive, is lower according to our data.
Klíčová slova
Reklamace, reklamační politika, chování zákazníků, strukturní modelování, conjointní
analýza
Keywords
Complaint, return policy, customer behavior, structural equation modeling, conjoint analysis
Prohlášení
Prohlašuji, že jsem habilitační práci Vybrané aspekty chování spotřebitelů ve vztahu k
reklamační politice vypracoval samostatně a uvedl v ní všechny použité literární a jiné
odborné zdroje v souladu s právními předpisy.
V Brně dne 5. května 2011
vlastnoruční podpis autora
Poděkování
Děkuji přátelům a blízkým za pomoc a podporu. Jmenovitě pak Ing. Aleně Klapalové, Ph.D.
za dlouhotelou spolupráci a inspiraci a prof. Ing. Ladislavu Blažkovi, CSc. za to, že mi jako
vedoucí Katedry podnikového hospodářství ESF MU vytvořil příznivé podmínky pro
zpracování předložené práce.
OBSAH
ÚVOD .....................................................................................................................................................................7 
1  REKLAMAČNÍ POLITIKA Z POHLEDU ZÁKAZNÍKŮ.....................................................................10 
1.1  POJEM REKLAMAČNÍ POLITIKA ...............................................................................................................10 
1.2  FUNKCE REKLAMAČNÍ POLITIKY.............................................................................................................13 
1.3  REKLAMAČNÍ POLITIKA VE VZTAHU K REVERZNÍ LOGISTICE ..................................................................16 
1.3.1  Zpětný tok a reverzní logistika – obsah pojmů...............................................................................16 
1.3.2  Zpracování vráceného zboží ..........................................................................................................18 
1.3.3  Bariéry dalšího rozvoje reverzní logistiky .....................................................................................21 
1.3.4  Pohled na reklamační politiku českých podniků............................................................................22 
1.3.5  Vyřizování reklamací v zahraniční praxi .......................................................................................24 
1.4  LIBERÁLNÍ VS. KONZERVATIVNÍ REKLAMAČNÍ POLITIKA........................................................................25 
1.5  REKLAMAČNÍ POLITIKA JAKO SOUČÁST SLUŽEB ZÁKAZNÍKOVI ..............................................................27 
1.5.1  Specifika služeb z pohledu poskytovatele.......................................................................................27 
1.5.2  Koncept zákaznického servisu........................................................................................................29 
1.5.3  Spokojenost zákazníka....................................................................................................................31 
1.5.4  Hodnocení kvality služeb ...............................................................................................................32 
2  REKLAMAČNÍ POLITIKA A CHOVÁNÍ ZÁKAZNÍKŮ.....................................................................34 
2.1  INTENZITA VRACENÍ VÝROBKŮ VE VZTAHU K JEJICH CHARAKTERU........................................................34 
2.2  DŮSLEDKY NESPOKOJENOSTI ZÁKAZNÍKA ..............................................................................................35 
2.3  REKLAMAČNÍ POLITIKA A LOAJALITA.....................................................................................................36 
2.4  STĚŽOVÁNÍ SI .........................................................................................................................................37 
2.5  SPRAVEDLNOST ......................................................................................................................................39 
2.6  NÁKLADY SOUVISEJÍCÍ S UPLATNĚNÍM GARANCÍ....................................................................................41 
2.7  GARANCE KVALITY SLUŽEB....................................................................................................................42 
2.8  REKLAMAČNÍ POLITIKA PŘI INTERNETOVÉM NAKUPOVÁNÍ.....................................................................45 
2.8.1  Spokojenost a kvalita při internetovém nakupování.......................................................................45 
2.8.2  Reklamační podmínky jako faktor nákupního rozhodování ...........................................................46 
3  ZNEUŽÍVÁNÍ REKLAMACÍ....................................................................................................................48 
3.1  OPORTUNISTICKÉ CHOVÁNÍ ....................................................................................................................48 
3.2  ROZSAH A EKONOMICKÉ DŮSLEDKY ZNEUŽÍVÁNÍ REKLAMACÍ PRO PRODEJCE........................................49 
3.3  MOTIVY A CÍLE ZNEUŽÍVÁNÍ REKLAMACÍ ...............................................................................................50 
3.4  CHARAKTERISTIKA OPORTUNITNÍCH ZÁKAZNÍKŮ...................................................................................51 
3.5  POSTUP ZNEUŽÍVÁNÍ REKLAMACÍ ...........................................................................................................52 
3.6  OBRANA PRODEJCŮ ................................................................................................................................53 
4  TEORIE PLÁNOVANÉHO CHOVÁNÍ ...................................................................................................55 
4.1  MODEL TPB A JEHO PROMĚNNÉ .............................................................................................................56 
4.2  APLIKACE TPB.......................................................................................................................................58 
4.3  METODICKÁ DOPORUČENÍ PRO APLIKACI TPB........................................................................................59 
5  PRIMÁRNÍ DATA A PŘEDPOKLADY POUŽITÝCH STATISTICKÝCH METOD........................61 
5.1  KVALITA VÝZKUMU Z POHLEDU VALIDITY .............................................................................................61 
5.2  VÍCEROZMĚRNÉ STATISTICKÉ METODY...................................................................................................63 
5.2.1  Velikost výzkumného vzorku...........................................................................................................63 
5.2.2  Statistické předpoklady vícerozměrných metod .............................................................................64 
5.2.3  Chybějící hodnoty ..........................................................................................................................65 
5.2.4  Odlehlé hodnoty.............................................................................................................................66 
5.3  DOTAZNÍKOVÉ ŠETŘENÍ..........................................................................................................................67 
5.3.1  Orientační průzkum .......................................................................................................................67 
5.3.2  Výsledky předběžného průzkumu ...................................................................................................68 
5.3.3  Vlastní sběr empirických dat..........................................................................................................68 
5.3.4  Chybějící údaje ..............................................................................................................................72 
5.3.5  Normalita dat ................................................................................................................................ 72 
5.3.6  Charakteristika vzorku respondentů.............................................................................................. 73 
6  VLIV REKLAMAČNÍCH PODMÍNEK NA NÁKUPNÍ ROZHODOVÁNÍ V PROSTŘEDÍ
INTERNETOVÝCH OBCHODŮ...................................................................................................................... 74 
6.1  CÍLE A ZDŮVODNĚNÍ EMPIRICKÉHO ŠETŘENÍ.......................................................................................... 74 
6.1.1  Hodnocení zákazníků - user reviews.............................................................................................. 75 
6.1.2  Zkoumané proměnné ..................................................................................................................... 76 
6.2  CONJOINT ANALÝZA............................................................................................................................... 76 
6.2.1  Podstata conjointní analýzy........................................................................................................... 77 
6.2.2  Postup při conjointní analýze........................................................................................................ 80 
6.2.3  Čtyři přístupy k hodnocení ............................................................................................................ 80 
6.2.4  Výpočet důležitosti atributů........................................................................................................... 83 
6.2.5  Velikost vzorku .............................................................................................................................. 84 
6.3  KONCEPT EXPERIMENTU ........................................................................................................................ 84 
6.3.1  Definice atributů............................................................................................................................ 84 
6.3.2  Zdůvodnění použité verze conjointní analýzy................................................................................ 85 
6.3.3  Výzkumný vzorek a kontrola vstupních dat.................................................................................... 88 
6.3.4  Výsledky conjointní analýzy na agregované úrovni....................................................................... 90 
6.3.5  Spolehlivost modelu....................................................................................................................... 93 
6.3.6  Rozdíly mezi respondenty .............................................................................................................. 94 
6.3.7  Shrnutí výsledků ............................................................................................................................ 97 
7  STRUKTURNÍ MODELOVÁNÍ............................................................................................................. 100 
7.1  TYPY PROMĚNNÝCH V SEM................................................................................................................. 101 
7.2  POČET POLOŽEK PRO URČENÍ KONSTRUKTU ......................................................................................... 102 
7.3  TYPY STRUKTURÁLNÍCH MODELŮ ........................................................................................................ 103 
7.3.1  Pěšinková analýza ....................................................................................................................... 104 
7.3.2  Konfirmační faktorová analýza ................................................................................................... 106 
7.4  VÝHODY A MOŽNOSTI VYUŽITÍ SEM.................................................................................................... 107 
7.5  PŘEDPOKLADY SEM............................................................................................................................ 109 
7.6  POSTUP PŘI VÝZKUMU VYUŽÍVAJÍCÍHO SEM ....................................................................................... 110 
7.6.1  Posouzení validity modelu........................................................................................................... 112 
7.6.2  Modifikace modelu ...................................................................................................................... 112 
7.7  FAKTORY ŠÍŘENÍ INFORMACÍ O ZKUŠENOSTECH S REKLAMACEMI........................................................ 113 
7.7.1  Formulace modelu a použité proměnné ...................................................................................... 113 
7.7.2  Testování modelu a výsledky pěšinkové analýzy.......................................................................... 114 
7.7.3  Závěry.......................................................................................................................................... 117 
7.8  MODEL ZNEUŽÍVÁNÍ REKLAMACÍ......................................................................................................... 118 
7.8.1  Formulace modelu....................................................................................................................... 119 
7.8.2  Statistická shoda modelu a výsledky............................................................................................ 119 
7.8.3  Závěry.......................................................................................................................................... 121 
7.9  SPRAVEDLNOST PŘI REKLAMACI A JEJÍ DŮSLEDKY NA LOAJALITU ZÁKAZNÍKA .................................... 122 
7.9.1  Formulace modelu....................................................................................................................... 123 
7.9.2  Platnost modelu........................................................................................................................... 123 
7.9.3  Strukturní model.......................................................................................................................... 127 
7.9.4  Závěry.......................................................................................................................................... 128 
7.10  SKLON K UPLATŇOVÁNÍ REKLAMACÍ ................................................................................................... 128 
7.10.1  Formulace modelu....................................................................................................................... 129 
7.10.2  Validita měřícího modelu ............................................................................................................ 130 
7.10.3  Strukturní model.......................................................................................................................... 133 
7.10.4  Závěry.......................................................................................................................................... 134 
ZÁVĚR............................................................................................................................................................... 137 
SEZNAM POUŽITÝCH ZDROJŮ ................................................................................................................. 139 
SEZNAM TABULEK ....................................................................................................................................... 152 
SEZNAM OBRÁZKŮ....................................................................................................................................... 153 
SEZNAM POUŽITÝCH ZKRATEK.............................................................................................................. 154 
PŘÍLOHA Č. 1 – DOTAZNÍK .........................................................................................................................155 
PŘÍLOHA Č. 2 – VÝSLEDKY MODELŮ „ŠEPTANDY“...........................................................................158 
PŘÍLOHA Č. 3 – VÝSLEDKY MODELU ZNEUŽÍVÁNÍ REKLAMACÍ .................................................164 
PŘÍLOHA Č. 4 – VÝSLEDKY MODELU SPRAVEDLNOSTI A LOAJALITY .......................................167 
PŘÍLOHA Č. 5 – VÝSLEDKY TESTOVÁNÍ SPRAVEDLNOSTI A SKLONU K REKLAMACÍM......174 
7
ÚVOD
Habilitační práce se věnuje fenoménu reklamací a tomu, co zahraniční literatura označuje jako
„return policy“. Protože se tento pojem se v české literatuře nevyskytuje, je přeložen jako
reklamační politika a je definován jeho obsah, a to s ohledem na české právní prostředí. V této
práci se reklamační politikou zjednodušeně řečeno rozumí způsob řízení reklamací, které
prodávající obdrží z titulu faktických vad produktu a případně i vad subjektivně vnímaných
zákazníkem. Zkoumanou oblastí tak jsou (1) reklamace z titulu záruky na zboží či službu a (2)
vracení zboží (či refundace poskytnuté služby), se kterými zákazník není subjektivně
spokojen. Příkladem druhé oblasti je vrácení výrobku nakoupeného přes internet do 14 dnů
bez udání důvodu, což je právo zákazníka stanovené českou legislativou. Jsou ale i
obchodníci, kteří možnost vrácení výrobků nabízí v kamenných obchodech, přičemž lhůty
jsou různé, neboť tato možnost není dána legislativou, ale rozhodnutím obchodníka
samotného.
Téma reklamační politiky je představeno z několika pohledů. Přestože hlavní část práce
zkoumá souvislost reklamační politiky s marketingem a reklamační politiku zde chápeme
primárně jako marketingový nástroj spoluutvářející tzv. „rozšířený produkt“, je vysvětlena
také její souvislost s reverzní logistikou neboli řízením zpětných toků. Konkrétně řečeno,
reklamační politika by měla definovat taková pravidla nakládání s reklamacemi, která budou
vytvářet další hodnotu pro zákazníka a která budou současně uplatňovat princip hospodárnosti
pro prodávajícího. Reklamační politika totiž přímo ovlivňuje množství obdržených reklamací
a tím i množství produktů, které musí reverzní logistika zpracovat.
Práce je rozdělená na dvě základní části. První má charakter literární rešerše a věnuje se těmto
tématům:
1. Definice reklamační politiky (tj. předmětu zájmu)
2. Souvislost reklamační politiky a zpětných toků
3. Reklamační politika v podnikové praxi
4. Reklamace ve vztahu se spokojeností zákazníků a s vnímanou kvalitou produktů a
služeb
5. Reakce zákazníků na různé podoby reklamační politiky a důsledky pro podniky
Přestože hlavní zaměření práce se týká zákazníků, témata 2 a 3 představují pohled druhé
strany, tedy prodávajících podniků. Cílem je zodpovědět otázku, jak (české) podniky
přistupují k reklamacím, jak významné či nevýznamné postavení má toto téma v jejich
systému řízení, jakou důležitost jí přisuzují.
Témata 4 a 5 se věnují zákaznickému pohledu na reklamační politiku a jejich přesné zaměření
vychází z cílů empirického šetření, které je obsahem druhé části práce. Hlavním smyslem
těchto textů je to, že slouží jako podklady pro empirická šetření. Vysvětlují cíle (odpověď na
otázku proč zkoumat) a stanovené hypotézy, které v této práci mají podobu testovaných
modelů (odpověď na otázku co zkoumat). Současně se tyto literární rešerše využívají pro
diskusi výsledků empirických šetření.
Druhou část práce tvoří primární výzkum, který sleduje vybrané aspekty chování spotřebitelů
ve vztahu k reklamační politice obchodníků. Jedná se tedy o výzkum zákazníků na trhu B2C.
Přestože zaměření každé z prezentovaných studií je různé, lze pro všechny formulovat
jednotící cíl, kterým je prozkoumat chování zákazníků v souvislosti s reklamacemi a
reklamačními podmínkami za účelem optimalizace reklamační politiky.
8
První studie se věnuje užitku pro spotřebitele, který plyne z vybraných opatření, které
využívají podniky v rámci reklamačního procesu. Protože mnohé zahraniční výzkumy
prokázaly důležitost reklamačního procesu speciálně při internetovém nakupování, první
výzkum jsme směřovali právě do této oblasti a v rámci ní budeme hodnotit relativní význam
vybraných opatření. Na rozdíl od dalších studií je tento výzkum zpracován pomocí conjointní
analýzy a má tak podobu experimentu. Jeho charakter je exploratorní. Protože conjointní
analýza nepatří v českém prostředí k velmi rozšířeným metodám, je jí v textu věnována
samostatná část.
Další čtyři studie mají sice také podobu kvantitativního výzkumu, jejich metodologická
stránka je ale zásadně odlišná, neboť je postavena na strukturním modelování, které je v textu
rovněž přiblíženo. Zkoumáme zde vliv faktorů spojených s vyřizováním reklamací
na následující chování zákazníků:
 šíření negativních a pozitivních informací o obchodníkovi (tzv. „šeptandě“)
 zneužívání reklamací
 ztráta loajality k obchodníkovi
 odhodlání uplatnit reklamaci výrobku.
Výzkum „šeptandy“ a zneužívání reklamací vychází z teorie plánovaného chování, a proto
jsou hlavní zkoumané faktory spojené s postoji zákazníků, s vlivem důležitých osob v okolí
zákazníka a s obtížnostmi při uplatnění reklamace. Model, který zkoumá faktory, které působí
na odhodlání zákazníků uplatnit reklamaci, také vychází z teorie plánovaného chování, není
ale její přesnou aplikací. Ztráta loajality je zkoumána ve vztahu k (ne)spravedlnosti (vyřízení
reklamace), v podobě jak ji definuje teorie spravedlnosti.
Rozdělení textu na dvě části – literární rešerši a výsledky empirických šetření nebylo
„rutinním“ rozhodnutím. Protože habilitační práce spočívá na pěti empirických výzkumech,
mohlo být pro čtenáře příjemnější, zařadit literární rešerši vážící se k testovanému modelu
přímo před testovaný model a dodržet tak strukturu, běžně užívanou ve vědeckých
časopisech. Místo toho je celá teoretická pasáž „předsazena“ před všechny modely, neboť
díky tomu je možné uvést čtenáře do problematiky v souvislostech. Současně se tím i zamezí
duplicitnímu uvádění některých informací, které by před zkoumanými modely musely
opakovaně zaznít.
Literatura citovaná v habilitační práci je až na několik málo výjimek zahraničního původu,
jelikož domácí zdroje se tématu reklamační politiky nevěnují (či alespoň autorovi se
nepodařilo domácí zdroje dohledat). Z toho důvodu bylo důležité, a v mnoha případech
obtížné, přeložit zahraniční termíny do češtiny tak, aby nedošlo k posunu jejich významu.
Proto jsou vedle českého termínu na mnoha místech uvedeny i původní anglické termíny, a
proto jsou převzaté zahraniční grafy ponechány v originále. Toto řešení je mimochodem také
jednodušší z autorskoprávních důvodů.
I při letmém prohlédnutí textu je patrná ještě jedna technická záležitost, a sice absence
poznámek pod čarou. V práci chybí záměrně ze dvou důvodů: (1) Citace literárních zdrojů
jsou psány přímo v textu ve tvaru autor a rok díla, protože dle (pochopitelně subjektivního
názoru) autora jsou snadněji čitelné a „neroztahují“ text práce do více stran. (2) V práci
nejsou ani věcné, doplňující poznámky pod čarou, protože cílem bylo vytvořit souvislý text,
který je možné číst lineárně (nikoliv „hypertextově“, tedy „na přeskáčku“). Jedná se o způsob
formulace myšlenek, který upřednostňují mnohá zahraniční vydavatelství vědeckých časopisů
(viz doporučení používat poznámky pod čarou pouze v případě absolutní nevyhnutelnosti v
9
mnoha časopisech vydavatelství Emerald či Elsevier). Autor se přiklonil k tomuto způsobu,
byť habilitační práce samozřejmě není článkem v časopisu.
10
1 REKLAMAČNÍ POLITIKA Z POHLEDU ZÁKAZNÍKŮ
Problematika chování zákazníků při vracení výrobků byla výzkumem opomíjena a pozornost
směřovala ke studiu efektů (zejména vlivu na ziskovost) pro obchodníky a výrobce (Petersen
a Kumar, 2009). Také podle rešerší provedených Goudge a kol. (2010) značně převažují
studie sledující okolnosti reklamačních politik z pohledu výrobních podniků. Naproti tomu
výzkumy, které se soustředí na chování zákazníků ve vztahu k reklamační politice, jsou
omezené a měly převážně teoretický charakter (Wang, 2009). Z toho lze vyvodit, že pokud
v oblasti výzkumu reklamací a garancí existuje prostor, tak se týká empirických šetření
zákazníků. Sem také směřuje předkládaný empirický výzkum.
Protože provedená empirická šetření se věcně týkají reklamací je v úvodních kapitolách
přiblížena tzv. „return policy“, kterou do češtiny překládáme jako reklamační politika, a to
v souvislostech s reverzní logistikou, se spokojeností zákazníka a zákaznickým chováním.
1.1 Pojem reklamační politika
Return policy je pojem hojně užívaný jak v praxi tak také v akademické literatuře, o čemž
svědčí velké množství publikovaných studií v letech 2000-2010, které se tímto problémem
zaobírají a které tento termín mají ve svém názvu či anotaci (např. v databázi Scopus bylo
takových článků evidováno 122). Je proto překvapivé, že zejména výzkumníci nemají potřebu
tento pojem vymezit. Přitom jeho výklad není zcela triviální a co je důležité, jeho obsah se
liší. Toto se ale čtenáři různých výzkumů musí dovtípit sami z kontextu, v jakém je pojem
využíván. Např. Brown (2008), Ding a Chen (2008) a dlouhá řada dalších se věnují výhradně
return policy, přesto ji blíže neobjasňují. Stejně tak ani Rogers, Tibben-Lembke (1999), kteří
ve své často citované výzkumné zprávě o reverzní logistice právě o return policy pojednávají
na mnoha místech textu.
Také v encyklopediích (které byly autorovi dostupné) tento pojem není zastoupen. Např.
velmi obsáhlá, a z hlediska autorů i vydavatele prestižní, Wiley International Encyclopedia of
Marketing (2010) zmiňuje Return policy na dvou místech bez dalšího vysvětlení: v souvislosti
s vysokou hodnotou pro zákazníka, kterou poskytuje společnost IKEA (Baker, 2010) a
rozvojem internetových obchodů (Shankar, 2010).
Jedno z mála vyjádření k „return policy“ najdeme v Setaputra a Mukhopadhyay (2010), které
zní: „Return policy is defined as giving the buyer the right to return the purchased product
within certain period of time for a certain amount of refund“. Tato jednoduchá definice říká,
že return policy je právo na vrácení produktu, které může zákazník využít s tím, že získá
určitou kompenzaci. Bohužel není jasné, jestli pod „return policy“ lze zahrnují i zákonem
upravené záruce (anglicky Warranty), nebo zda je zde řeč o dalším právu nad rámec
zákonných požadavků.
Rozdíl mezi Return policy a zárukou je v tom, že záruka vyplývá z platné legislativy a
vztahuje se k situacím, kdy výrobek nenaplňuje objektivní technické parametry. Return policy
ochraňuje zákazníky před subjektivní nespokojeností s produktem (Padmanabhan a Png,
1995, Heiman a kol. 2002). Toto pojetí není ale jednoznačně sdíleno.
Legislativně upravená záruka za výrobek se vztahuje k (objektivní) kvalitě, kdežto Return
policy souvisí se spokojeností (Wang, 2009). Zřejmé je to i u Bhatii, který pod označení
return policy nezahrnuje reklamace z titulu vady zboží (warranty) (Bhatia, 2004).
Např. ale Wang (2009) při charakterizaci return policy v Číně do tohoto pojmu evidentně
začleňuje i situace, kdy je produkt objektivně vadný. Zřejmé je to i v práce Davise a kol.
11
(1995): pod označením „money back guarantee“ definují reklamační politiku jako politiku,
kdy obchodník veřejně souhlasí s refundací plné prodejní ceny zákazníkovi pro jakýkoliv
důvod a to i pokud produkt odpovídá implicitně nebo explicitně určeným výkonnostním
(technickým) parametrům.
Podobně v praxi se tento pojem vykládá různě: zahraniční podniky používají pojem „return
policy“ jako synonymum pro český pojem reklamační řád. Jedná se tedy o dokument
deklarující závazek prodávajícího přijmout zpět produkt za určitých podmínek a zákazníka
odškodnit. Tento dokument definuje i procesní stránku vyřizování reklamací. Věcně se týkají
jak vracení výrobků z důvodu (subjektivní) nespokojenosti zákazníka, tak i zákonných
důvodů pro reklamace (v záruční lhůtě – warranty, např.
http://www.prepaidsatphone.com/return-policy.htm).
Příčiny problému s překladem a vymezením tohoto pojmu lze hledat v odlišnostech tržního a
legislativního prostředí a také obecnějších odlišnostech kulturních. Ilustrativní je situace při
internetovém nakupování, které je v EU upraveno směrnicí Evropského parlamentu a Rady
97/7/ES ze dne 20. května 1997 o ochraně spotřebitele v případě smluv uzavřených na dálku,
která ukládá možnost odstoupit od kupní smlouvy. V české legislativě je tato možnost
automaticky nabízena při situaci, kdy je kupní smlouva uzavřena pomocí prostředků
komunikace na dálku podle § 53 odst. 7 občanského zákoníku.
V zemích EU je tak při nákupu na dálku stanovena legislativní povinnost přijmout zpět
vrácené výrobky do 14 dnů a existují omezení týkající se nákladů, které obchodníci v této
souvislosti mohou zákazníkům naúčtovat – prodejci mají možnost proplatit pouze cenu
vráceného výrobku, bez nákladů na dopravu. Požadovat po zákaznících jinou úhradu nákladů
nesmějí. Situace v USA mnohem víc liberální. Povinnost přijmout výrobek zpět tam není
dána legislativou a je na rozhodnutí samotných obchodníků, zda tuto možnost svým
zákazníkům nabídnou. Současně zde také neplatí omezení dodatečných nákladů. Prodejce tak
může požadovat po zákazníkovi poplatek za vrácení zboží (tzv. „restocking fee“), který
dosahuje výše mezi 10-15 % z kupní ceny (Posselt a kol., 2010). Mimochodem to také
znamená, že obchodníci jsou tímto postupem schopní přenést alespoň část nákladů přímo na
zákazníky, kteří zboží vracejí. V zemích EU musí obchodníci tyto náklady promítnout do
vyšších cen zboží, jak dokládají v segmentu spotřební elektroniky Posselt a kol. (2010).
Z tohoto je patrné, že v USA možnost vrátit výrobek zpět vychází z rozhodnutí prodejce.
„Return policy“ je proto autonomním rozhodnutím prodejce. Podniky tak vůbec nemusejí
možnost vrátit výrobek nabízet a jediný důvod, kvůli kterému přijmou výrobek zpět, je jeho
technická vada. Zde se ale již jedná o záruční podmínky (anglicky warranty).
V evropském kontextu je situace složitější, neboť minimálně v případě nákupu na dálku
existuje povinnost odběru zboží zpět a naopak neexistuje možnost požadovat od zákazníků
poplatek k úhradě nákladů spojených s vráceným zbožím. Obchodníci tedy nemohou vždy
libovolně optimalizovat svou „return policy“, jak např. doporučují zahraniční (zejména
zámořské) zkušenosti.
Tuto odlišnost je třeba mít na paměti při interpretaci některých výzkumů realizovaných mimo
EU, které byť to nezdůrazňují explicitně (viz již uvedený fakt, že autoři nedefinují tento
pojem), předpokládají, že pod označení „return policy“ zkoumají dobrovolně poskytovanou
garanci.
Pokud jde o situaci v České republice, autorovi se nepodařilo najít žádnou významnější
odbornou práci, která by se specificky věnovala reklamacím jako marketingovému nástroji.
Pochopitelně toto konstatování lze vztáhnout na literaturu, která je dostupná v knihovnách
12
nebo prostřednictvím internetu, a nikoliv absolutně, neboť např. sborníky vydané malým
nákladem jsou téměř nedohledatelné a mohou obsahovat článek, který se reklamacím věnuje.
Např. při zadání klíčového slova „reklamace“ do katalogu Moravské zemské knihovny je
výsledkem seznam o osmi položkách, přesto se k námi zkoumanému tématu žádná
nevztahuje. Pokud se česká literatura zaobírá reklamacemi, všímá si právní stránky věci, a to
zejména ochranu spotřebitele.
Z uvedených důvodů bylo nutné přeložit a definovat pojem return policy „vlastními silami“.
V následujícím textu tedy překládáme return policy jako reklamační politika. Tu budeme
definovat takovým způsobem, abychom předešli dezinterpretaci zahraničních výzkumů, na
které se v literárních rešerších odkazujeme. Pro účely této práce je reklamační politika,
jakožto volný překlad „return policy“ charakterizována takto:
Reklamační politika je rozhodnutí prodejce o rozsahu a kvalitě poprodejních služeb
poskytovaných zákazníkům. Je vymezena pravidly a uplatňovanými postupy, které prodejce
používá pro příjímání výrobků zpět z důvodu nespokojenosti či funkční vady, resp. z důvodu
jiných prodejcem určených příčin anebo možností, a pro poskytnutí kompenzace za vrácený
výrobek. V případě služeb jde o pravidla a postupy pro kompenzaci za poskytnuté služby, se
kterými zákazník nebyl spokojen.
Reklamační politika se tedy týká následujících dvou oblastí:
1. Jde o způsob, jakým podnik naplňuje legislativní požadavky v případě obdržených
reklamací.
2. Jde o dobrovolně poskytnuté právo zákazníkovi vrátit výrobek zpět a poskytnout mu
kompenzaci v případě, že s výrobkem či službou není subjektivně spokojen. Jedná se
tedy o situace, na které se nevztahuje platná legislativa týkající se reklamací.
Pokud se tedy podnik rozhodne, že bude vůči svým zákazníkům „konzervativní“ a jeho
přístup k reklamacím bude pouze odpovídat „minimálním“ požadavkům, které stanovuje
legislativa. U podniků, které navíc nabízejí kompenzaci v případě subjektivní nespokojenosti
zákazníků, zahrnuje reklamační politika obě oblasti.
Dodejme, že možnost vrátit výrobek z důvodu subjektivní nespokojenosti (tj. při uplatňování
vstřícné neboli liberální reklamační politiky) má své ekonomické důsledky, neboť toto
poskytnuté oprávnění zákazníci skutečně využívají a někdy bohužel i zneužívají.
Nepříjemnou skutečností pro podniky je rostoucí podíl takto vrácených výrobků, které nejsou
vadné (jsou označovány jako „non-defective“).
Stock a kol. (2006) odhadují, že v internetových obchodech se vrací přibližně 5.4 % zboží.
Zásadně jiné číslo prezentují Dissanayake a Singh (2007): podíl vrácených výrobků při
internetovém prodeji je 30-50 %. Sicarrotta (2003) odhaduje tento podíl na 70 % u výrobků
spotřební elektroniky e, u počítačů až 85 % a pro některé malé spotřebiče nad 90 %. Na
základě dotazování mezi 39 malo-i velkoobchodníky, kteří využívají internetový prodej,
vznikla následující tabulka 1 s důvody, proč zákazníci zboží vrací.
13
Tabulka č. 1: Actual Reasons for Returns Percentage (%) (n=39)
Customer decision 25,74
Damaged product 20,03
Ordering error 17,55
Warranty/Guaranty 11,63
Wrong product 9,18
Invalid reason 4,96
Seasonal return 3,57
Other reasons 2,67
Late delivery 2,11
Upgrade and service 1,71
Excess return 0,47
Ambiguity manual 0,22
End-of-life 0,19
End-of-use 0,00
Zdroj: Dissanayake a Singh, 2007.
Podle Heiman a kol. (2001) se reklamační politika týká čtyři dimenzí:
1. intervalu, po který je možné garanci vrácení uplatnit
2. nákladů na vrácení výrobku (např. požadavek manipulačního poplatku při vrácení)
3. charakteru náhrady (vrácení peněz či výměna za jiný výrobek)
4. dodatečných podmínek (vrácení v původním obalu, neporušený obal, neodstraněné
cenovky, vyplnění dotazníků (Bhatia, 2004)).
1.2 Funkce reklamační politiky
Důvodů, proč podniky poskytují možnost vrácení výrobku nad rámec legislativních
požadavků, je několik. Např. Posselt a kol. (2010) je vidí ve zvýšení image obchodníka a
v důsledku toho v získání dalších zákazníků. Druhým důvodem je, že zákazník při vracení
výrobku může nakoupit jiný výrobek (efekt cross-sellingu). Diskutovanou funkcí je otázka,
zda podoba liberálních reklamačních podmínek je signálem o kvalitě nabízeného zboží
směrem ke spotřebitelům. Příčinou pochyb je to, že obchodníci nabízí typicky stejné
reklamační podmínky pro výroky různých výrobců, které prodávají. Zde je potřebné zmínit,
že jen některé výrobkové kategorie mají speciální režim a jsou z možnosti vrácení vyloučeny:
např. internetové obchody neumožňují vrátit produkty, které lze rychle spotřebovat nebo
zkopírovat (knihy, DVD, CD software) a platí to i kvalitní e-shopy (Bonifield a kol, 2010).
Vedle pozitivního dopadu vstřícné reklamační politiky na (vnímanou) kvalitu výrobku
existuje i pozitivní vliv na image obchodníka (Heiman a kol., 2001).
Další uváděnou funkcí reklamační politiky je podpora impulzivního nakupování a nakupování
dárků – i zde ale platí podobná výhrada: reklamační politika je jednotná pro různé druhy
zboží, které obchodník nabízí, a jistě ne všechny kategorie produktů jsou nakupovány
impulzivně, či jako dary (Bhatia, 2004). Vstřícná reklamační politika má signalizační efekt a
snižuje míru rizika u zákazníka, která plyne z informační asymetrie. Je také cestou jak se
zákazník může vyhnout zklamání Wang (2009).
Význam reklamační politiky souvisí s typem produktu: u výrobků, které vyžadují delší čas na
seznámení (tedy především složitější výrobky), je význam garancí, které poskytuje
reklamační politika, vyšší (Heiman a kol., 2001). Vstřícnější reklamační politika může vést k
vyšším tržbám a k udržení zákazníka, viz obr. č 1.
14
Obrázek č. 1: Pravděpodobnost opětovného nákupu ve vztahu k snadnosti uplatnění reklamace
Zdroj: Newgistics.com, citováno z http://pharmaceuticalsupplychain.org/index_files/Retailer
Returns Article-ETIG version.pdf.
Zvláštní funkce plní reklamační politika v obchodních vztazích mezi podniky (B2B). V
oblasti B2B nejde o vracení produktů z důvodu nespokojenosti, ale z důvodu neprodejnosti.
Mluví se o vratkách či remitendě, což jsou běžné obchodní praktiky uplatňované zejména při
distribuci tiskovin, CD a DVD nosičů. Je možné se s nimi setkat i u software, pohlednic,
léčiv, oblečení, kosmetiky. Důvody jsou omezená doba použitelnosti, morální zastarávání či
nasycení poptávky (Padmanabhan a Png, 1995). Goudge a kol. (2010) shrnují důvody pro
poskytování možnosti vrácení výrobků obchodníkům takto:
 sdílení rizika s obchodníky pokud jde nestálá poptávka
 obrana dobrého jména výrobce,
 usnadnění distribuce informace o novém výrobku,
 nástroj konkurenčního boje pro koordinaci dodavatelského řetězce (což se provádí
poskytnutím finančního krytí na část neprodaných zásob),
 signál o kvalitě nového výrobku (pokud to obchodníci sami nevnímají).
Padmanabhan a Png (1995) se v důvodech částečně liší:
1. Snížení rizika plynoucí pro maloobchodníky z velkých zásob. Držení vysokých zásob
je pro obchodníky riziko, neboť při menší než předpokládané poptávce utrpí ztrátu.
Malá velikost objednávek tento problém podstatně zmírňuje, současně jde o
nevýhodné řešení pro výrobce, protože se může stát, že část poptávky bude
neuspokojena, protože obchodníkům dojdou zásoby. Padmanabhan a Png doporučují,
aby výrobci poskytli možnost zpětného odběru zboží (remitendu), pokud jsou výrazně
větším hráčem na trhu než obchodník. V tomto případě jsou negativní následky méně
bolestné. Pokud má výrobce možnost levné redistribuce mezi obchodníky, je příjímání
zboží zpět smysluplné. A konečně třetí okolnost: když je poprávka po produktech
výrobce méně volatelní než poptávka u maloobchodníků.
2. Obrana značky. Pro vnímání značky výrobce může být nežádoucí, aby obchodníci
neprodané zboží nabízeli ve „slevě“. Možnost vratek tento problém „nenásilně“
odstraní.
3. Podpora reklamační politiky pro koncové zákazníky. Pokud má obchodník zajištěno,
že výrobce (resp. i jiný dodavatel v řetězci) příjme alespoň část vratek, je větší šance,
že i svým koncovým zákazníků poskytne vstřícné reklamační podmínky.
15
4. Usnadnění distribuce nových výrobků. Při uvádění nového výrobku do prodeje mohou
být obchodníci velmi rezervovaní k úspěchu nového výrobku, a proto jejich
objednávky mohou být skepticky nízké. Poskytnutím možnosti vratek tak výrobce
dává signál, že je přesvědčen o očekávané poptávce a kvalitě svého výrobku.
5. Konkurenční boj. Jestliže možnost vratek zvyšuje zásoby daného produktu u
obchodníka, zvyšuje se tím, šance že produkt nakoupí koncoví zákazníci. Riziko, že
zákazníci přejdou k substitučnímu produktu je nižší. Velikost zásob také povede
obchodníky k větší soutěživosti s ostatními obchodníky, což může vést k nižší
výsledné ceně – tedy menším maržím pro obchodníky.
Podle uvedených úvah pak Padmanabhan a Png (1995) definují doporučení pro volbu
konzervativní či liberální politiky ve vztahu k daným okolnostem podniku, viz tabulka 2.
Vedle žádoucích efektů ze vstřícné reklamační politiky v B2B existuje pochopitelně i riziko
určitých negativních důsledků. Možnost vratek vede ke změně chování obchodníků v tom
směru, že udržují vyšší stav zásob, a tím jim zásoby váží vyšší množství kapitálu.
Maloobchodník, který má možnost bez problémů vrátit neprodané nebo poškozené zboží
výrobci, je zbaven rizika spojeného s držením nadbytečné zásoby (neprodejného) zboží a toto
riziko je přeneseno zpět na výrobce. Ten je ale současně vystaven dalšímu problému. Jelikož
maloobchodníci riziko nenesou, mohou objednávat víc, než jsou realistické odhady prodejů.
Náhlé a rozsáhlé objednávky mohou výrobci způsobit předčasné vyčerpání zásob. Výrobce je
tak vystaven zvýšenému riziku (Klup a kol., 2003).
Z pohledu výrobce Padmanabhan a Png (1995) shrnují vyvolané náklady do následujících
skupin:
 Náklady na reverzní logistiku.
 Znehodnocování vracených produktů – morální zastarání, fyzická opotřebovanost
způsobená manipulací s produkty.
 Převedení nákladů z nadměrných zásob na výrobce.
 Snížení efektu opatření, které výrobce učinil směrem k obchodníkům s cílem podpory
prodeje. Vratky snižují motivaci obchodníka „starat se“ o produkt.
Tabulka č. 2: Rámec pro reklamační politiku výrobce ve vztahu k obchodníkům
Liberální reklamační politika
Obchodníci se vyhýbají riziku
Slabá konkurence mezi obchodníky
Obchodníci nedůvěřují výrobci
Značky soutěžící na trhu nejsou diferencované
Konzervativní reklamační politika
Nestálá poptávka finálních zákazníků
Vysoké výrobní a logistické náklady
Nízká hodnota při zpracování vrácených výrobků
Výrobce nedůvěřuje obchodníkům
Zdroj: Padmanabhan a Png, 1995.
Jak pro výrobce, velkoobchodníky či maloobchodníky znamená uplatňování vstřícné
reklamační politiky dodatečné náklady. Jejich výška pak záleží na efektivnosti systému,
kterým jsou tyto vrácené výrobky dál zpracovávány. Např. aby se minimalizovaly ztráty,
musí existovat redistribuční procesy, které zajistí převoz neprodaného zboží od obchodníků
do míst (k obchodníkům), kde je poptávka naopak neuspokojená (Klup a kol., 2003). Vedle
marketingových souvislostí se tak dostáváme k vazbě reklamační politiky na provozní
fungování podniku a konkrétně k tzv. reverzní logistice.
16
1.3 Reklamační politika ve vztahu k reverzní logistice
Existující práce věnované reklamační politice ji zpracovávají z následujících čtyř perspektiv:
 možnost vrácení výrobků (reklamační politika) v souvislosti se zárukou na prodané
zboží
 reklamační politika jako logistický problém
 reklamační politika jako signál kvality
 reklamační politika ve vztahu k zneužívání reklamací (Posselt a kol., 2010).
Přestože marketingovým souvislostem reklamační politiky je věnována většina předložené
práce, pro pochopení komplexnosti je vhodné přiblížit i otázky a problémy, které jsou spojené
s reklamační politikou vzhledem k provozní činnosti, včetně zmíněné reverzní logistiky.
Reklamační politika, je totiž faktor, který může významně ovlivnit řízení tzv. „zpětných
toků“, a naopak. Efektivní reverzní logistika umožňuje poskytovat vstřícnější reklamační
politiky, neboť je schopná minimalizovat náklady, které ze vstřícné reklamační politiky
plynou. V konečném důsledku umožňuje zvýšit loajalitu zákazníků (Rogers a kol., 2002).
Úzká souvislost mezi reklamační politikou a reverzní logistikou platí zejména pro obchodní
podniky. Vzhledem k jejich nevýrobnímu charakteru je totiž podíl reklamovaných
(vrácených) výrobků na tzv. zpětných tocích zásadní.
1.3.1 Zpětný tok a reverzní logistika – obsah pojmů
Několik desítek let teoretici i praxe zdokonalují způsoby řízení materiálového toku a snaží se
nalézt ekonomicky co nejvíce efektivní řešení. Nutno přiznat, že v této oblasti se povedl
významný pokrok. Veškerý materiál přetvořený do podoby výrobků se ke spotřebitelům
dostane za kratší dobu a současně při nižších nákladech, než tomu bylo v 60. či 70. letech.
Jinými slovy materiálový tok, který „putuje“ od místa těžby surovin, přes několik
zpracovatelů a výrobců až ke spotřebiteli (tzv. forvard flow), umí podniky řídit poměrně
efektivně. Nároky na logistiku se ale zvyšují a současně i mění.
Zatímco klasický materiálový tok od producenta k zákazníkovi (tzv. forward flows) byl pod
drobnohledem manažerů, logistika materiálu, který plynul opačným směrem, tj. od zákazníků,
byla opomíjena. Pro tento materiálový tok, který je tvořen reklamovanými, použitými či
neprodanými výrobky a obaly, které vrací obchodníci a koncoví zákazníci svému dodavateli
či výrobci, se vžilo označení zpětný tok (Kokkinaki a kol., 1999).
Spotřebitelé vrací zboží, které vykazuje jakostní vady (jde tedy o reklamace) nebo které
nenaplnilo očekávání zákazníka z jiného důvodu, umožňuje-li to reklamační politika podniku.
Anglické označení těchto toků je customer returns, user returns, nebo product returns.
Spotřebitelé také vrací (na sběrná místa) či likvidují použité výrobky, které jsou na konci
fyzické nebo morální životnosti, nebo protože jsou pro spotřebitele zbytečné. Mluví se o „End
of use returns“.
Také obchodníci jsou „původci“ zpětných toků: „zásobují“ zpětné kanály neprodaným a
neprodejným zbožím, dále obaly, včetně vratných obalů. Anglická literatura zde používá
ustálené pojmy jako distribution returns či commercial returns.
Speciálně výrobci pak tvoří další dva typy zpětných toků. Jde o odpad z výroby a materiálové
ztráty v souvislosti s výrobou (production waste, by-products či manufacturing returns).
Zpětné toky tohoto charakteru nemusí opustit producenta a to v situaci, kdy si tyto toky
producent zapracovává sám (tedy „in house“).
17
Uvedený výčet je proveden z hlediska původců zpětného toku. Doplňme, že další častou
příčinou vzniku je situace, kdy nastane potřeba stáhnout z trhu výrobek, u kterého byla
objevena např. konstrukční vada nebo zdravotní závadnost. Jde o tzv. product recalls, což je
další typ zpětného toku, jehož původci jsou zákazníci (spotřebitelé) a obchodníci. Součástí
reverzního toku je i product carrier (např. paleta) a obaly (Koster a kol., 2002).
Zpětné toky jsou přirozenou součástí hospodářství a nelze se jim zcela vyhnout. Naopak,
z několika důvodů jako je přísnější environmentální legislativa či rozvoj e-businessu, jejich
objem a hospodářský význam roste (De Brito, Dekker, 2003 či Rogers, Tibben–Lembke R.,
1999). Činnosti související s řízením toků uvedených materiálů a jejich zpracováním se
v polovině 90. let minulého začaly označovat jako reverzní logistika (Rubio a kol., 2008).
Klapalová definuje reverzní logistiku jako „proces realizace všech manažerských funkcí za
účelem znovuzískání anebo vytvoření nové hodnoty z hodnot, které jsou předmětem
zpětných toků, s cílem udržet, resp. zvýšit dlouhodobou výkonnost všech partnerů v
dodavatelsko-odběratelském řetězci, resp. síti. (Klapalová, Škapa, 2008).
V literatuře je možné v obsahu pojmu reverzní logistika identifikovat tři přístupy (viz tab. č
3). Užší pojetí je častější u publikovaných výzkumů a populárních článků staršího data.
Tabulka č. 3: Tři pojetí reverzní logistiky
R
E
V
E
R
Z
N
Í
L
O
G
I
S
T
I
K
A
1) Reverzní logistika jako činnosti spojené s přebalením a opětovným prodejem
vráceného zboží (např. ze zásilkových obchodů), či redistribuce neprodejného
zboží do specializovaných obchodů (výprodeje) a na méně náročné trhy.
Reverzní logistika plní především obchodní a marketingové funkce a sleduje
zejména ekonomické cíle. Můžeme sem zařadit autory jako D. S Rogerse, R.
Tibben-Lembkeho, J. R. Stocka.
2) Reverzní logistika jsou aktivity podporující materiálovou recyklaci a směřující
k minimalizaci odpadů z výroby a obalů (výjimečně i spotřebovaných výrobků).
Zpětná logistika má nejužší vazbu na odpadové hospodářství podniku a skrze
ekologické cíle naplňuje legislativní požadavky státu. Představitelem může být
D. Lambert a L. Ellramová.
3) Jádrem reverzní logistiky je organizace a řízení komplikovanějších způsobů
zhodnocování starých výrobků (přepracování, opravy, demontáže s následným
použitím některých součástí). Důležitá je synchronizace těchto operací
s výrobou, zajištění zdrojů použitých výrobků i odbytových trhů pro ně. Toto
pojetí rozpracoval jako první M.Thierry (pod označením Product Recovery
Management).
Zdroj: Škapa (2004)
Z uvedeného pojetí plyne, že nejužší pojetí (bod 1.) se týká téměř výhradně obchodní činnosti
podniků a objektem zájmu jsou především zpětné toky, které jsou tvořeny vrácenými
výrobky, popř. neprodanými výrobky. Zde hraje reklamační politika zásadní roli, protože de
facto definuje množství zpětných toků a tím pádem i rozsah a důležitost reverzní logistiky.
Výzkumy, které chápou reverzní logistiku takto úzce, se velmi často věnují právě reklamační
politice.
Podle nejčastěji citovaného odhadu, který provedl Reverse Logistics Executive Council,
náklady připadající na reverzní logistiku v USA činily půl GNP, což odpovídá 35 miliard
18
dolarů v nákladech amerických společností (Meyer, 1999). Toto číslo je však průměrem a je
potřebné zdůraznit, že rozsah a tím i význam RL je mezi podniky velmi různý. Podoba a
důležitost reverzní logistiky záleží na odvětvových specificích mnohem více než u klasické
logistiky (de Brito a Dekker, 2003; Marien 1998). Pro řadu podniků tak reverzní logistika
představuje oblast s velkým potenciálem ke snížení svých nákladů (viz tabulka č. 4. o
rozdílech v objemu zpětných toků ve vybraných oborech).
Tabulka č. 4: Míra návratnosti zboží v jednotlivých oborech (USA)
Sample Return Percentages
Magazine Publishing
Book Publishers
Book Distributors
Greeting Cards
Catalog Retailers
Electronic Distributors
Computer Manufacturers
CD-ROMs
Printers
Mail Order Computer Manufacturers
Mass Merchandisers
Auto Industry (Parts)
Consumer Electronics
Household Chemicals
50 %
20-30 %
10-20 %
20-30 %
18-35 %
10-12 %
10-20 %
18-25 %
4-8 %
2-5 %
4-15 %
4-6 %
4-5 %
2-3 %
Zdroj: Rogers, Tibben-Lembke 1998, str. 7
1.3.2 Zpracování vráceného zboží
Přestože reklamační politika zásadně ovlivňuje množství zpětných toků, které musí podnik
zpracovat, neznamená to, že reklamační politikou jsou plně determinovány dodatečné náklady
pro podnik. Zaleží totiž na tom, jak výkonný systém pro zpracování zpětných toků (tedy
reverzní logistiku) má podnik nastaven. Jinými slovy, jaké množství „hodnoty“ obsažené ve
zpětných tocích se mu daří opětovně získat. Tedy efektivní systém reverzní logistiky toků
pomáhá podnikům získat více hodnoty ze zpětných toků (Rogers a kol., 2002).
Systém reverzní logistiky v zobecněné podobě sestává ze čtyř základních procesů (Rogers,
Tibben-Lembke 1998):
 Vstupní inspekce – činnosti, které určí, zda vpustit pasivní logistický prvek (vrácený
výrobek, či jakýkoliv jiný materiál) do systému reverzní logistiky. V případě
vracených výrobků vstupní inspekce odpovídá pravidlům, která jsou obsažená
v reklamační politice.
 Sběr – shromažďování výrobků a materiálu pro další zpracování.
 Třídění – statky jsou tříděny podle způsobu, jakým budou dále zpracovány.
 Zpracování – výrobky jsou podle svého charakteru a důvodu vstupu do zpětného toku
zpracovány – opraveny, demontovány použitelné funkční díly, recyklovány, uloženy
na skládku nebo spáleny.
S ohledem na oborové zvláštnosti může systém reverzní logistiky obsahovat jen 3 procesy –
např. vstupní inspekce může být nadbytečná. Některé z činností může podnik outsourcovat,
takže v jeho vlastní „režii“ probíhá jen část aktivit.
19
Ačkoliv stále převažuje manuální autorizace reklamací, podíl automatizovaných systémů
roste. V roce 2008 jich mezi respondenty v USA využívalo 42 % obchodníků, přičemž
polovina z nich si tento systém vyvinula vlastními silami (2007-2008 Customer returns in the
retail industry, 2008).
Obrázek č. 2: Způsob autorizace reklamací
Zdroj: 2007-2008 Customer returns in the retail industry, 2008
Procesem, ve kterém dochází k získávání hodnoty obsažené ve zpětných tocích, je
„zpracování“. Možností jak naložit s vrácenými výrobky (a jak z nich opětovně získat
hodnotu) existuje teoreticky velké množství. Skutečné možnosti jsou ovšem limitovány
charakterem výrobku (jeho konstrukcí, životností, způsobem, jakým byl využíván) a
samozřejmě ekonomickými kritérii (včetně toho, existuje-li pro získané materiály, díly i celé
výrobky poptávka na trhu). Nejčastější způsoby zpracování jsou (Škapa, 2004):
 Opětovný prodej, přímé použití (Direct reuse, resale) – přímé použití bez
předchozích oprav, zpravidla po vyčištění a přebalení.
 Oprava – Jde o opravu či výměnu pokažených součásti, čímž se výrobek stane opět
funkčním.
 Přepracování (remanufacturing) – Přepracování opotřebovaných výrobku vyžaduje
značné množství práce. Někdy je nutné výrobek zcela rozebrat na jednotlivé součásti,
které jsou důkladně kontrolovány. Vadné i opotřebované komponenty jsou nahrazeny
novými. Výsledný výrobek je tedy seskládaný ze starých i nových dílů a je
kvalitativně srovnatelný s novým výrobkem. Nejběžnějším příkladem výrobků
zpracovávaných tímto způsobem jsou kancelářské kopírky.
 Upgrade (refurbishing) – tento způsob je podobný opravě, s tím rozdílem, že zde je
třeba vynaložit více práce a výsledný výrobek má vyšší kvalitu i hodnotu než pouze
opravený. U rozebraného výrobku jsou jednotlivé moduly prověřeny, opraveny a
některé vyměněny za dokonalejší. Typickým produktem, který prochází tímto
procesem, jsou letadla – vojenská i civilní, částečně počítače.
 Recyklace – výrobek, nebo jeho díl je rozebrán na své základní materiály, které jsou
po zpracování znovu použity. Zatímco ostatní způsoby zachovávají strukturu produktu
a jeho dílů v co největší míře, recyklací je struktura ztracena stejně jako původní
funkce. Recyklované materiály někdy vykazují horší fyzikální vlastnosti (tzv.
downcycling), což je zapříčiněno snížením látkové čistoty.
20
Tabulka č. 5: Průzkum o zpracování vrácených výrobků mezi obchodníky (n=39)
Recovery
Processes
Retail
Trade
Wholesale
Resale 66,50 45,44
Redistribution 7,5 23,6
Repair 9,36 4,50
Reuse 3,64 2,81
Recycling 2,50 1,12
Other 0,00 4,50
Upgrade 0,45 2,81
Remanufacture 0,00 3,37
Refurbish 0,23 1,69
Total 100,00 100,00
Zdroj: Dissanayake a Singh, 2007.
Uvedené způsoby zpracování mají pro podniky rozdílný finanční efekt. Mimo přímých
finančních přínosů, které může podnik získat zpracováním zpětných toků, lze najít i přínosy
nefinančního charakteru. Například podle nedávného dotazování mezi českými podniky, jich
83 % (ze 102 zkoumaných podniků) připustilo, že zpětné toky přinášejí vedle nákladů, které
jsou spojené s jejich zpracováním, i jedno nebo více pozitiv, např.:
 Zpracování zpětných toků snižuje provozní náklady a tím zlepšuje ziskovost (uvedlo
20 podniků)
 Díky zpětným tokům podnik získává informace a znalosti, které využívá při
zlepšování kvality (16 podniků)
 Aktivity spojené se zpětnými toky zvyšují spokojenost zákazníků a hodnotu, kterou
jim podnik poskytuje. (12)
 Aktivity spojené se zpětnými toky zlepšují image podniku (9)
 Aktivity reverzní logistiky mají pozitivní vliv na životní prostředí (7)
 Při zpracování zpětných toků se zjišťují přání a požadavky zákazníků (Škapa,
Klapalová, 2010)
V roce 2004 na podobně formulovanou otevřenou otázku podniky odpověděly nejčastěji, že
zpětné toky znamenají konkurenční výhodu, a to díky lepšímu plnění přání zákazníků (jinými
slovy konkurenční výhoda plynula zejména ze skutečnosti, že se zákazníkům vychází vstříc
při reklamacích, tj. díky „liberální“ reklamační politice) (Škapa, 2004). Tento efekt je stále
aktuální. V současnosti je ale nejčastěji uváděnou hodnotnou ze zpětných toků snížení
nákladů (využívání materiálů a součástek) a získání zpětné vazby od zákazníků, které se
využívá při zlepšování kvality nabízených produktů.
Právě poslední údaj považujeme za důležitý signál o posunu v přístupu českých podniků.
V roce 2004 jsme totiž mohli konstatovat: „Výsledky vypovídají o jistém defenzivním
přístupu podniků. Reklamace se sledují a vyhodnocují. Pouze pětina výrobních podniků
zdůraznila, že zjištění mají dopad na konstrukci produkce či způsob výroby. Žádny obchodník
nevyvozuje z reklamací závěry pro výběr sortimentu.“ (Škapa, 2004) Dnes je naopak druhým
nejčastějším efektem, který podniky zpětným tokům přisuzují, získávání informací o kvalitě
vlastních produktů o přáních zákazníků s tím, a to „podtrhněme“, že následně zlepšují kvalitu
produkce. Znamená to tedy, že podniky pouze nesbírají tyto údaje, ale také je dle vlastních
slov využívají ke svému zdokonalování, což vnímáme jako podstatnou změnu.
21
1.3.3 Bariéry dalšího rozvoje reverzní logistiky
Gecker a Vigoroso (2006) v rozsáhlém empirickém výzkumu ve třech kontinentech dokládají,
že až 61 % podniků považuje reverzní logistika za velmi důležitou. Zároveň je ale až 60 %
podniků nespokojeno se svým stávajícím přístupem v této oblasti. Jinými slovy, výsledky
dotazování naznačují, že možnosti ke zlepšení a úsporám existují. Pomocí hloubkových
rozhovorů identifikovali Mollenkopfová a kol. (2007) podobný rozpor, tentokráte mezi
strategickou a operativní rovinou plánování. V dlouhodobých cílech se podniky zaměřují i na
otázky zpětných toků. V operativní rovině však s těmito strategickými plány provázanost
není. Případné dosažené úspěchy ve zpracování zpětných toků tak existují navzdory nízké
prioritě řízení zpětných toků.
V souvislosti s citovanými závěry Geckera a Vigorosa (2006) o nespokojenosti se stavem
reverzní logistiky v podnicích vyvstává otázka, co je toho příčinou, jaké jsou „bariéry“, které
omezují její rozvoj. Odpověď hledalo několik výzkumů. Jedním z prvních bylo šetření mezi
americkými podniky v roce 1998 (Rogers a Tibben-Lembke, 1999), které jako nejčastěji
zmiňovanou překážku reverzní logistika uvádí relativní nedůležitost reverzní logistika (39 %
respondentů), dále s malými odstupy následují podniková politika (35 %), systémová
nekompatibilita se zaměřením podniku (34 %), konkurenční důvody (33 %) a nezájem
managementu (26 %). Podobné výsledky z prostředí telekomunikačních služeb v HongKongu
uvádí Chan a Chan (2008), nebo také Ravi and Shankar (2005).
V porovnání s citovanými zahraničními výzkumy nepřináší české výsledky zásadní
překvapení. Nízká priorita RL je hlavní bariérou ve zkoumaných českých podnicích. Druhou
bariérou je nedostatek systematického řízení. To naznačuje, že zpětné toky jsou
pravděpodobně často řízeny ad hoc mechanizmy. Třetí bariéra (nekvalifikovaný personál)
logicky souvisí s prvními dvěma bariérami, ale také s poslední – chybějícím know-how. Je
proto nejasné, proč podniky nevnímají know-how jako významnou překážku (Klapalová,
Škapa,2010). Bariéra týkající se produktu typicky spočívá v sezónnosti poptávky,
nekvalitních materiálů a komponent.
Tabulka č. 6: Interní bariéry RL (n=102)
Interní bariéry Četnosti Procenta
Nepociťování významu zpětných toků ve srovnání s jinými aktivitami 43 42 %
Nedostatek systematického řízení 36 35 %
Personální zdroje (nekvalifikovaný personál) 31 30 %
Charakter produktu 19 19 %
Chybějící poradenství pro oblast zpětných toků 18 18 %
Vnitřní finanční zdroje 16 16 %
Rozpor se strategií/politikou podniku 12 12 %
Chybějící know-how 9 9 %
Zdroj: Klapalová, Škapa (2010), upraveno
22
Tabulka č. 7: Externí bariéry RL (n=45)
Externí bariéry Četnosti Procenta
Zákazníci 45 44 %
Dodavatelé 29 28 %
Finanční zdroje 29 28 %
Legislativa 23 23 %
Zprostředkovatelé různých služeb týkajících se zpětných toků 20 20 %
Zájem vlády – politika 14 14 %
Zdroj: Klapalová, Škapa (2010), upraveno
Na základě upřesňujících otevřených otázek můžeme konstatovat, že za hlavní externí bariéru
jsou považováni zákazníci vzhledem k jejich nedbalému, nekvalifikovanému zacházení
s výrobky a obaly a jejich tlaku na prodejní cenu. Podobně je nezodpovědná manipulace
s obaly a jejich nízká kvalita hlavním problémem ze strany dodavatelů (Klapalová,
Škapa,2010). Nemožnost získat dodatečné finanční zdroje na RL od externích subjektů, je
třetí nejdůležitější externí bariérou. Je zajímavé, že v zahraničních výzkumech se
neobjevovala na tak předních místech.
Zdůrazněme, že ačkoliv se uvedené bariéry týkají rozvoje reverzní logistiky, jsou důležité pro
pochopení přístupu podniků i k reklamační politice, neboť obě oblasti spolu souvisejí. Přímo
reklamacím se – pokud je autorovi známo – české výzkumy v nedávných nevěnovaly, proto
uveďme alespoň stručně některé poznatky z dotazování z roku 2004.
1.3.4 Pohled na reklamační politiku českých podniků
Při dotazování v roce 2004 byli čeští manažeři přesvědčeni o svém vstřícném přístupu
k reklamacím (Škapa, 2004). Dle jejich vlastního názoru se postoj k reklamacím od začátku
millenia mírně změnil směrem k větší vstřícnosti (což dokládá obrázek č. 3a také statistická
analýza dat). Změna byla ovšem velmi malá. Jinak tomu bylo u internetových obchodníků,
kteří deklarovali mnohem významnější posun k liberalizaci.
Obrázek č. 3: Reklamační politika
Výrobní podniky Internetové obchody
Zdroj: Škapa (2004)
Současná reklamační politika
Reklamační politika před 5 lety
Četnosti
0 1 2 3 4 5
12
8
4
0
4
8
12
Současná reklamační politika
Reklamační pol. na začátku podnikání
Četnosti
0 1 2 3 4 5
9
6
3
0
3
6
9
23
Důležitosti reklamační politiky pro zákazníky
Protože v jedné z empirických studií prezentovaných v této práci se týká výzkumu důležitosti
reklamačních podmínek, doplňme ještě pohled výrobců a obchodníků na tuto oblast.
Respondenti měli posoudit významnost několika faktorů z pohledu svých zákazníků na škále
nedůležité (1) až velmi důležité (5). Z dotazování plyne, že mezi uvedenými faktory měla
reklamační politika relativně nejmenší význam (viz tab. č. 8). Důležité je všimnout si vysoké
variability odpovědí (viz obrázek č. 4). Pokud tedy jde o kvalitu zboží či cenu, jsou názory
mnohem jednoznačnější – méně rozptýlené než u reklamační politiky, což může odkazovat na
odvětvové odlišnosti, ale i na neznalost vlivu tohoto faktoru na nákupní rozhodování (Škapa,
2004).
Tabulka č. 8: Průměrné hodnoty jednotlivých faktorů
cena kvalita
produktu
možnost vrácení a
rekl. politika
platební
podmínky
rozmanitost
výrobků
rychlost
dodávek
Výrobní
podniky
4,11 4,50 3,19 3,72 3,47 4,03
Internetoví
obchodníci
4,08 3,74 2,52 2,26 3,43 3,43
Zdroj: Škapa (2004)
Obrázek č. 4: Faktory nákupního rozhodování – krabičkový graf
Výrobní podniky
Poměrový
koeficient
diferenciace
0,282
0,207
0,368
0,280
0,321
0,292
Zdroj: Škapa (2004)
Z odpovědí internetových obchodníků se vyprofilovaly dvě skupiny faktorů: do méně
významných patří „možnost vrácení a reklamační politika“ a „platební podmínky“. U
možnosti vrácení je výsledek překvapující. Dalo by se předpokládat, že v situaci, kdy
zákazník nevidí nakupované zboží, bude mít možnost vrátit jej zpět důležitější místo.
Krabičkový graf
méně důležité velmi důležité
cena
kvalita produktu
možnost vrácení a reklamač.pol.
platební podmínky
zmanitost nabízených produktů
rychlost dodávek
0 1 2 3 4 5
24
Vysvětlení se nabízí dvojí: zákony o zásilkovém prodeji, které dávají spotřebitelům právo
zboží do 14 dnů vrátit, marginalizovaly tyto problémy. Druhé vysvětlení je, že výsledky
zobrazují představy prodejců o spotřebitelském chování a ne postoje koncových zákazníků
samotných Škapa (2004).
1.3.5 Vyřizování reklamací v zahraniční praxi
Protože se nepodařilo najít další údaje o způsobu zpracování reklamací mezi českými
podniky, proto pro přiblížení vnitropodnikových procesů týkajících se zpracování vrácených
výrobků využijeme zahraniční poznatky. Benchmarkingová studie provedená mezi 170
americkými podniky společností Aberdeen Group (Long, 2008) ukazuje na některé
charakteristiky spojené s nejlepšími podniky (tj. Best-in-Class) v oblasti vyřizování záručních
reklamací. Z výsledků uveďme pouze tři nejdůležitější:
 Nejlepší podniky dosahují kratších časů spojených se zpracováním reklamací (2,7 dne
proti 11,1 dne u nejslabších podniků). Tuto dobu se jím navíc za poslední dva roky
podařilo zkrátit o 26 %. Stejně tak snížily udržovanou finanční rezervu na vyřizování
reklamací.
 Mezi hlavní strategie uplatňované v této oblasti patří:
 zeštíhlení toku vracených produktů
 přenesení odpovědnosti na vyšší management
 integrace reklamací s procesem návrhu výrobku (týká se 74 % ve skupině
nejlepších podniků)
 snaha o získání co největší hodnoty (kompenzace) od dodavatelů
 použití automatických systémů.
 Mezi nejčastěji používané ukazatele výkonnosti (KPI) patří celkové náklady na
reklamace, spokojenost zákazníka, doba zpracování stížnosti zákazníků, náklady na
reklamace jednotlivých produktů, vyřešení reklamace při prvním kontaktu (Long,
2008).
 Obecně neplatí, že lepší podniky více outsourcují činnosti spojené s vyřizováním
reklamací. Zaleží totiž na typu činností, viz obrázek č. 5.
Obrázek č. 5: Stávající či plánovaný outsourcing aktivit v rámci reklamací
Zdroj: Aberdeen Group (Long, 2008)
25
V průzkumu stejné společnosti, kterou provedla o dva roky dříve, lze nalézt údaje o nejčastěji
uváděných přínosech, které jsou důsledkem zlepšování reklamačních procesů. Pro nejlepší
podniky platí, že hlavním přínosem je vyšší spokojenost zákazníků viz obr. 6 (Winning with
Integrated Warranty Management, Aberdeen group, 2006).
Obrázek č. 6: Přínosy zlepšování procesu zpracování reklamací
Zdroj: Aberdeen Group (Winning with Integrated Warranty Management, 2006)
1.4 Liberální vs. konzervativní reklamační politika
V literatuře se obvykle mluví o dvou typech reklamační politiky. První je označována jako
konzervativní, striktní či v extrémním pojetí „no-return policy“. Jedná se o rozhodnutí
prodejce neposkytovat možnost vrácení zboží zpět, resp. tuto možnost nabídnout jen ve velmi
výjimečných případech, tj. po splnění přísných (a často mnoha) podmínek. Při poskytování
služeb toto analogicky znamená minimální možnosti kompenzace při subjektivní
nespokojenosti. V souvislosti s definicí reklamační politiky využité v této práci můžeme říct,
že konzervativní reklamační politika odpovídá situaci, kdy prodejce garantuje zákonné
minimum – tj. reklamovat lze pouze výrobky objektivně vadné.
Opakem je pak liberální, neboli vstřícná reklamační politika, která umožňuje zákazníkům
vrátit nakoupené výrobky zpět z důvodu jejich subjektivní nespokojenosti a současně
prodejce nepodmiňuje tuto svou garanci velkým množstvím přísných podmínek.
Reklamační politika v dodavatelských řetězcích nemusí být jednotná (a také nebývá). Své
specifika má reklamační politika v B2B vztazích a reklamační politika uplatňovaná
obchodníky směrem ke koncovým zákazníkům vzhledem k výše uvedeným rozdílným
funkcím.
Konzervativní i liberální reklamační politika mají své výhody. Pokud prodávající zavede
komplikované podmínky pro vrácení zboží (jako např. nefinanční náhradu – tj. výměnu zboží
za jiné ve stejné hodnotě), přenáší vyšší riziko spojené s chybnou koupí na zákazníka, díky
čemuž omezí množství vracených výrobků, a tím sníží své náklady na jejich zpracování
(Pralle a Stalk, 2006). Existuje-li konkurence s vstřícnějším postojem k reklamacím, patrně
rozhodnutí uplatnit přísnou reklamační politiku povede ke snížení počtu zákazníků. Liberální
reklamační politika povzbuzuje zákazníky k nákupu a podporuje jejich loajalitu ale současně i
pravděpodobnost zneužívání této vstřícnosti (viz výčet prací v Petersen a Kumar, 2009).
26
Důsledkům liberální reklamační politiky se věnovala Woodová (2001), která prováděla
experimenty týkající se zásilkového maloobchodu. Zkoumanou veličinou byl čas věnovaný
na rozhodnutí, zda výrobek objednat, a zda po obdržení výrobek vrátit či si jej ponechat.
Podle nich reklamační liberální politika ovlivňuje nákupní chování v tom směru, že
neprodlužuje nákupní rozhodování. Nicméně se neprokázal její vliv na (délku) rozhodování,
zda si ponechat či vrátit produkt po obdržení. Z toho autorka usuzuje, že strach obchodníků,
že liberální reklamační politika způsobí nárůst vráceného zboží, nemusí být opodstatněný.
Druhým efektem liberální reklamační politiky je vyšší vnímání kvality nabízeného produktu. I
díky tomu si „spotřebitelé“ v experimentu více stáli za svým původním rozhodnutím, na což
autorka usuzuje z faktu, že strávili méně času při vyhledávání alternativ produktu. Uvedené
závěry platí pouze pro nákupy uskutečňované na dálku (tj. internetové obchody, katalogové
obchody, teleshopping), protože v těchto situacích existuje významný časový rozdíl mezi
momentem koupě a momentem, kdy se zákazník rozhoduje o ponechání výrobku.
Wang (2009) shrnuje důvody, které obchodníky mohou vést naopak k uplatňování nevstřícné
reklamační politiky (vychází ze situace v Číně). Pokud je obchodník monopolistou, může
rezignovat na sledování zákaznických potřeba (užitku), a proto upřednostní konzervativní
reklamační politiku. Druhou příčinou může být to, že restriktivní reklamační politika
umožňuje utajovat některé informace před zákazníkem anebo jej i snadněji podvádět. Třetím
důvodem může být podceňování efektu držby a obava z nárůstu množství vráceného zboží.
Wang (2009), inspirovaný prací Wooda (2001), se pokusil tento třetí důvod blíže prozkoumat.
Efekt držby (endowement effekt) je teoretická představa, že zákazník přikládá větší hodnotu
výrobku, který vlastní. Jde tedy o užitek z titulu vlastnictví. Wangova představa předpokládá,
že právě vzhledem k efektu držby zákazníci vrací výrobky, se kterými nejsou spokojeni, méně
často. Znamená to, že „liberalizace“ reklamační politiky nemusí automaticky znamenat nárůst
počtu vrácených výrobků, protože vliv nespokojenosti bude alespoň částečně vykompenzován
užitkem plynoucím z vlastnictví. Experimenty, které Wang (2009) provedl, uvedené úvahy
potvrdily.
Patrně nejobtížnější otázkou je definování optimální reklamační politiky pro konkrétní situaci.
Tomuto problému se věnují nejčastěji teoretické práce vycházející z matematických modelů.
Při stanovení míry, resp. „ochoty“ s jakou má podnik přijmout vrácené výrobky lze uplatnit
např. principy yield managementu.
Jednou z často citovaných prací je od Davise a kol. (1995), kteří konstatují, že ziskovost
return policy pro konkrétní produkt je ovlivněna těmito okolnostmi:
 hodnota (finanční prostředky), kterou mohou získat jak obchodník (například
odprodejem vráceného výrobku) tak i zákazník
 pravděpodobnost, že se výrobek „netrefí do vkusu“ zákazníka, tedy pravděpodobnost
vrácení výrobku
 výše transakčních nákladů
 hodnota, kterou zákazník získá tím, že ji produkt jen „vyzkouší“ – tedy hodnota,
kterou produkt přinese zákazníkovi do okamžiku vrácení.
Určité řešení komplikovaného rozhodování o podobě reklamační politiky nabízí Posselt a kol.
(2008). Autoři doporučují nabízet vice verzí reklamačních podmínek, aby si zákazníci sami
vybrali, zda chtějí snížit riziko při koupi tím, že si připlatí za vyšší garanci (snadnější možnost
vrácení výrobku), anebo naopak, tj. např. v situaci, kdy kupovaný produkt znají a proto
27
upřednostní nižší cenu, před možností výrobek pohodlně vrátit. Vztah k reklamačním
podmínkám může být tedy využit i pro segmentaci zákazníků.
Přístup k reklamacím se velmi liší v různých zemích. Patrně nejvíce liberální vůči
zákazníkům jsou prodejci v USA je (Blodgett a kol., 2006). Toto zjištění ale spočívalo
v rozhovorech vždy s jedním (popř. dvěma) zástupci spotřebitelů z dané země. Jestliže tedy
konstatují, že pozice USA je výjimečná, je třeba zohlednit nemalou míru rizika, že toto
konstatování nemusí být platné. Např. téměř identické hodnocení jako USA má podle nich i
situace v ČR, velké Británii, Irsku a na Novém Zélandu (tj. silně vstřícný postup obchodníků
ke spotřebitelům). Do druhé kategorie patři země, kde výrobek vrátit lze, ale pouze pokud
vykazuje jakostní (nesubjektivní) vady. Patří sem mj. Belgie, Německo, Francie, Japonsko,
Číny či Rusko. Zařazení Číny do této skupiny potvrzuje i konstatování Wanga (2009), že
zboží v Číně je lze vrátit pouze do týdne od nákupu a to pouze v případě, že produkt je vadný.
Zemně, kde výrobek není možné vrátit, jsou např. Thajsko, Peru, Indie, Pákistán. Podobně
striktní situace je v Turecku, kde možnost vrátit výrobek je výjimečná (Blodgett a kol., 2006).
Můžeme konstatovat, že pokud vynecháme komplexní kulturní faktory, zásadním kritériem
pro stanovení podoby reklamační politiky by měla být spokojenost zákazníků, jak bude
přiblíženo dále. Pokud obchodníci nastaví způsob vracení výrobků tak, že uspokojuje
zákazníky a to bez ohledu zda je o přísnou či liberální reklamační politiku, mohou tak snížit
míru vnímaného rizika spojeného s nákupním rozhodováním (Bower a Maxham, 2006;
citováno dle Petersen a Kumar, 2009). Dalšími faktory, které toto rozhodování ovlivňuji,
jsou loajalita a šeptanda (Davidow, 2003).
Posselt a kol (2008) navrhli index sloužící k hodnocení obchodníků, speciálně pro hodnocení
jejich nabízené reklamační politiky - závazku vrácení peněz. Protože index by měl sloužit jak
zákazníkům, tak i obchodníkům, má více verzí, neboť každá sleduje jiný cíl: hodnocení
rozsahu garance a snížení rizik pro zákazníka, vztah kvalita a rozsah reklamačních podmínek
(tj. související náklady) ve vazbě na zvýšenou cenu prodeje a za třetí zákaznický pohled
(atraktivnost).
Kvality reklamační politiky hodnotí podle existence a rozsahu těchto atributů:
 náklady na uskladnění položky (restocking fee),
 manipulační a dopravní náklady ( shipping and handlig fee)
 kompenzace nákladů na zaslání výrobku zpět,
 lhůty na vrácení.
1.5 Reklamační politika jako součást služeb zákazníkovi
Reklamační politika zásadním způsobem ovlivňuje podobu služeb poskytovaných
zákazníkovi. Proto je v následující části analyzována reklamační politika jako poskytovaná
služba: jsou diskutovány specifika služeb v porovnání s produkcí výrobků, propojenost
reklamační politiky s třífázovým modelem zákaznických služeb, obecné způsoby hodnocení
kvality a spokojenosti služeb.
1.5.1 Specifika služeb z pohledu poskytovatele
Poskytování služeb se v několika ohledech liší od produkce výrobků, jak je podrobně
rozebráno v následujícím textu. Před tím je ale důležité tyto odlišnosti poněkud relativizovat
s odkazem na skutečnost, že většina obchodních transakcí bez ohledu na to, zda jde o B2C
nebo B2B trhy obsahuje podíl jak nákup výrobků (tedy materiální složky), tak i služeb. Při
koupi hmotného výrobku zákazník nakoupí i „navazující služby“, které jsou vázány na
28
okamžik prodeje, tak i před a po něm (viz zákaznický servis popsaný dále). Zde je jasná vazba
na koncepci rozšířeného produktu v teorii marketingu (viz De Pelsmacker, 2003, s. 24).
Analogicky součástí poskytnutí služby je i materiální stránka (např. vonné oleje při masáži, či
barva na vlasy u kadeřnice). Ze schematického obrázku č. 7 je vidět, že podíly obou složek
jsou u různých typů produktů velmi proměnlivé. Můžeme tedy konstatovat, že poskytování
služeb je součástí absolutní většiny obchodních transakcí. Proto také níže popsaný výčet
obecných vlastností, které jsou typické pro služby, platí relativně – s ohledem na skutečný
podíl služeb v celkovém nabízeném produktu.
Obrázek č. 7: Vztah prodeje výrobků a poskytování služeb
Zdroj: Russell, Taylor, 2005.
V anglicky psané marketingové literatuře panuje relativní shoda v pohledu na klasifikaci
odlišností služeb od produkce výrobků. Pro snadnější zapamatování se mluví o akronymu
„SHIP“, který je tvořen ze čtyř typických vlastností služeb: Simultaneity, Heterogeneity,
Intangibility, Perishability (Iacobucci, 2010).
 Nemožnost oddělit okamžik produkce a spotřeby služeb (Simultaneity). Tato vlastnost
služeb vede poskytovatele k tomu, aby při návrhu služeb (designu) zohledňovali
současně návrh služby jako takové (analogie konstrukční stránky výrobku) a způsobu
jejího poskytování (technologický postup). Zvláštnost při návrhu způsobu poskytování
zde spočívá v tom, že je třeba naplánovat míru zapojení spotřebitele služby při jejím
poskytování. A mimo jiné, také rozdělit činnosti, které budou probíhat v jeho
přítomnosti (front-room activites) a které mimo něj (back-room activities).
 Proměnlivost výstupu při poskytování služeb (heterogenity). Příčiny, které vedou
k vyšší proměnlivosti kvality služeb, jsou na straně poskytovatele služeb tak i
zákazníků. Zákazníci se často podílejí na produkci služeb a jejich míra spolupráce,
poskytnuté součinnosti je různá, stejně jako jejich potřeby. Při hodnocení služeb hraje
roli rozdílné vnímání ze strany zákazníků. Příčiny heterogenity u poskytovatele se
týkají především „lidského elementu“, tedy zaměstnanců, kteří i přes standardizaci
pracovních postupů, navzdory školení či navzdory identickému technickému zázemí,
nebudou dosahovat stejných výsledků. Toto konstatování se netýká jen srovnávání
osob mezi sebou, ale platí i pro hodnocení výkonů jednotlivých pracovníků v čase
(např. krátkodobý vliv nálady).
 Nehmatatelnost (Intangibility). Nehmotná podoba služeb znamená, že efektem, který
z nich plyne, je zážitek pro spotřebitele. Nákup služeb je pro zákazníka spojen s vyšší
mírou rizika. Proto je při návrhu služeb využít prostředky, které budou toto riziko
z pohledu zákazníka snižovat (např. stanovení garancí).
29
 Nemožnost skladování, pomíjitelnost (Perishability). Tato skutečnost je odvozená
z nemožnosti oddělit okamžik spotřeby a produkce služeb. Nejzásadnější důsledek má
tato vlastnost na plánování produkčních kapacit.
Russellová a Taylor (2005, s. 207) pak doplňují ještě tyto, lze říci odvozené, charakteristiky
služeb, které jsou významné především pro poskytovatele služeb, tedy producenty:
 Velký rozsah kontaktu se zákazníkem, což na jedné straně dává možnost získat
zpětnou vazbu a na jejím základě služby vylepšovat. Naopak příkladem nevýhody,
která z úzkého kontaktu se zákazníkem plyne, je riziko snížení efektivnosti
prováděných činností.
 Poskytování služeb je prováděno ve větší míře decentralizovaně a geograficky
rozptýleně. Jedná se o důležitý faktor, který způsobuje nižší kontrolovatelnost
poskytování služeb a zvyšuje heterogenitu výstupu.
 Služby jsou konzumovány častěji než výrobky. (Autoři Russellová a Taylor evidentně
toto konstatování vztahují k situaci rozvinutých zemí, kde sektor služeb hraje
dominantní roli při tvorbě domácího/národního produktu).
 Služby mohou být snadno kopírovány (emulovány) konkurencí. Z toho vyplývá
neustálý požadavek ke zdokonalování služeb. Dodejme, že např. literatura týkající se
logistiky tvrdí ve vztahu k logistice (jako jedné ze součástí běžně poskytovaných
služeb – tj. „place“ v produktovém mixu) přesný opak, a sice že výrobky se stávají do
značné míry homogenní a tak jednou z možností, jak předčít konkurenci, je kvalitou
poskytovaných logistických služeb, protože jejich napodobení je obtížné (Lambert a
kol., 2000).
Právě s ohledem na specifika služeb pracuje marketingová teorie místo 4 „P“ s rozčíleným
pojetím o další tři „P“ – people, process, physical evidence (Zeithaml a kol., 2010)
1.5.2 Koncept zákaznického servisu
Pro porozumění souvislostí reklamační politiky a poskytovaných služeb je výhodné použít
třífázový model zákaznického servisu (customer service) Lamberta a kol. (2000). Model
slouží k vysvětlení obsahu služeb, které jsou součástí obchodních transakcí spojených
s prodejem hmotného výrobku. Autoři jej uvádí k ilustraci podílu logistických činností při
prodeji na tvorbě užitku, který vyplývá z jedné složky marketingového mixu – místa (place).
Současně je v něm obsažen pohled na kvalitu služeb v souladu diskonfirmační teorií (která je
popsaná dále). Podobně lze model vztáhnout i na reklamační politiku.
Autoři modelu hned v úvodu upozorňují na rozdíl pojmů zákaznický servis a spokojenost
zákazníků, která je širším pojmem a vztahuje se k hodnocení všech čtyř základních složek
marketingového mixu (product, price, promotion, place). Zákaznický servis souvisí zejména
se složkou place a prostřednictvím ní ovlivňuje spokojenost zákazníka (Lambert a kol., 2000,
s. 40). Zákaznický servis je proces, který poskytuje účastníkům dodavatelského řetězce
„významné přínosy, a to nákladově efektivním způsobem.“ (Lambert a kol., 2000, s. 41)
Zákaznický servis je výstupem logistického systému podniku, nicméně z jeho konstrukce je
patrná značná provázanost s marketingem.
Model člení zákaznický servis do tří oblastí: předprodejní, prodejní a poprodejní. Každá
oblast má své specifické činnosti a úkoly, jejichž stručné pojmenování je uvedeno na obr. č. 8
(podrobnější vysvětlení obsahu jednotlivých činností lze nalézt v knize Lambert a kol. (2000,
str. 43-49).
30
Obrázek č. 8: Model zákaznického servisu
Zdroj: Lambert a kol., 2000, s. 44
Stručně můžeme konstatovat, že přítomnost předprodejních složek zřetelně souvisí
s vnímáním podniku ze strany zákazníka a se spokojeností zákazníka, která je formována
v souladu s tzv. teorií diskonfirmace. Zjednodušeně řečeno smyslem předprodejních složek je
seznámit zákazníka s průběhem obchodní transakce a službami, které může očekávat.
Pochopitelně včetně služeb spojených s reklamacemi. Takto předem definovaný rozsah a
kvalita zákaznických služeb zabrání např. přehnaným očekáváním ze strany zákazníka a
následnému negativnímu hodnocení služeb (zklamání).
Prodejní složky servisu se týkají kvality dodání výrobků a komfortu při objednávání. Je
zřejmé, že poprodejní složky zejména souvisejí s reverzní logistikou, či řízením zpětných toků
a právě s reklamační politikou. Ne ale výhradně.
Širším souvislostem před a po-nákupní fázi se věnovali např. Bechwati a Siegal (2005), kteří
dokazují, že vracení zboží lze ovlivnit v přednákupním fázi. Empiricky ověřili, že v souladu
s teorií utility mají zákazníci sklon zabývat se novou informaci, kterou obdrželi po
uskutečnění nákupu a která nějakým způsobem zpochybnila nákup (disconfirming
information). Autoři dokazují, že množství vracených výrobků je možné ovlivnit i jinak než
nastavením „správných“ parametrů reklamační politiky. Lze to provést promyšleným
způsobem prezentace výrobků před koupí a zejména jejich alternativ. Není např. vhodné
produkty představovat způsobem, který umožňuje snadné porovnání výrobku
s konkurenčními výrobky. Zvyšuje se tím citlivost spotřebitelů vůči informacím, které
popírají jejich rozhodnutí o koupi, a tak se i zvyšuje pravděpodobnost vrácení výrobku.
Proto autoři doporučují vhodnou volbu distribučních kanálů (např. exklusivní, nebo selektivní
distribuci). Jiní autoři (např. Petersen a Kumar, 2009) jsou k vlivu marketingové komunikace
na objemem vracených výrobků poněkud skeptičtější a tvrdí, že její vliv je pravděpodobně
nepřímý. Dalším závěrem Bechwati a Siegala je, že prodejní strategie při nákupu by měla
zákazníků umožnit, aby si vytvořili dostatečný počet myšlenkových reakcí (cognitive
Složky zákaznického servisu
Prodejní složky
• Písemné prohlášení 
politiky 
zákaznického servisu
• Předání prohlášení 
zákazníkům
• Organizační 
struktura
• Pružnost systému
• Manažerské služby
• Instalace, záruka, 
úpravy, opravy, 
náhradní díly
• Sledování produktů
• Vyřizování reklamací, 
stížností, vrácené 
zboží
• Dočasná náhrada 
produktu
• Úroveň vyčerpání 
zásob
• Informace o stavu 
objednávky
• Složky cyklu 
objednávky
• Urychlení dodávek
• Přesuny zboží
• Přesnost systému
• Snadnost objednávání
• Zastupitelnost 
produktů
Poprodejní složkyPředprodejní složky
31
responses) ke zvolené alternativě. Jinými slovy např. časově velmi omezené zvláštní nabídky
takový prostor neumožňují a jejich důsledkem je pak vyšší počet vrácených výrobků.
Výzkum Bechwatiho a Siegala (2005) tak účinnost těchto marketingových nástrojů
zpochybňují.
Na základě modelu zákaznického servisu můžeme definovat objekt zájmu celé práce jako
služby zákaznického servisu, které přímo a nepřímo souvisejí reklamacemi, a to reklamacemi
výrobků i služeb. Z modelu je patrná také úzká provázanost marketingu, logistiky a prodeje
s reklamační politikou.
1.5.3 Spokojenost zákazníka
Podle Davidowa (2000) lze reakci podniku na stížnost (reklamaci) hodnotit ze šesti hledisek:
 Rychlost – rychlost reakcí a dodržování slíbených termínů
 Facilitace – jedná se o nástroje a procesy, které podnik používá pro komunikaci se
zákazníky, aby se dozvěděl o jejich výhradách a stížnostech. Jejich účelem je také
podpořit zákazníky, aby svou nespokojenost vyjádřili.
 Kompenzace – Forma (finanční či nefinanční) a výše náhrady
 Omluva – Omluva by měly být vždy součástí reklamace, protože není přiznáním viny
– zodpovědnosti za zákazníkovu nespokojenost - ale spíš dokladem toho, že podnik
bere výtky zákazníků vážně. Lze ji chápat jako formu psychologické kompenzace za
újmu a způsobem jak opětovně docílit rovnováhy v obchodním vztahu.
 Důvěryhodnost – poukazuje na ochotu podniku zabývat se problémem. K dosažení
důvěryhodnosti připívá, když jsou zákazníkovi vysvětleny příčiny problému a
nápravná opatření do budoucna.
 Ochota – netýká se nastavení procesů a podmínek reklamací, ale způsobu komunikace
mezi zaměstnancem a zákazníkem. Zahrnuje empatii, slušnost, ochotu naslouchat,
zvláštní úsilí (extra effort).
Toto jsou hlediska, které podle Davidowa určují spokojenost zákazníků v případě reklamací.
V následujících rešerších ukážeme, že nejde o jediné faktory, které formují spokojenost
zákazníků. Při určení faktorů (ne)spokojenosti s reklamacemi a reklamační politikou je
vhodné využít obecnější teoretické modely a empirická zjištění o spokojenosti zákazníků,
jako takové.
Spokojenost je reakcí plynoucí z uspokojení zákazníka (Oliver, 2010). Jde o hodnocení, které
vychází z míry uspokojení, které poskytla služba, či produkt a zahrnuje i úrovně nenaplnění
uspokojení a naopak i „nadměrného“ uspokojení (over-fulfillment). S tímto pohledem pracuje
Kanův model (viz obrázek č. 9).
Jedná se o model, který vychází z myšlenek Ferderica Herzberga o nestejnorodém působení
vlivů na spokojenost a nespokojenost s pracovním místem (viz rozdílný vliv faktorů
označených jako motivátory a hygienické faktory). Podle něj lze požadavky rozdělit do tří
skupin dle jejich vztahu ke spokojenosti. Základní požadavky jsou ty, které zákazník očekává,
že budou splněné, přičemž jejich splnění neznamená velký nárůst spokojenosti. Naopak jejich
absence vyvolává silný pocit nespokojenosti. V anglické terminologii těmto požadavkům
odpovídá pojem order-qualifiers (Russell, Tyalor, 2005).
Druhou skupinou jsou požadavky na výkon a je pro ně charakteristické, že míra jejich
naplnění má v podstatě proporční vztah se spokojeností, ve smyslu čím více jsou požadavky
naplněny, tím je spokojenost větší. Jak dodává Bayus (2010) tato skupina požadavků je často
32
zkoumána při tradičně pojatých marketingových výzkumech a tyto požadavky jsou typicky
spojovány se zdokonalením produktu.
Požadavky schopné vyvolat nadšení jsou třetí skupinou. Jejich nenaplnění neznamená snížení
spokojenosti, ale jejich přítomnost vede k silnému pocitu spokojenosti – nadšení. Proto také
anglické označení pro takovéto požadavky – order winners (Russell, Tyalor, 2005).
Obrázek č. 9: Kanův model
Zdroj: Töpfer, A. a kol. - Six sigma, Koncepce a praktické příklady pro bezchybné
řízení, Computer Press 2008, ISBN 978-80-251-1766-8
Kano upozorňuje, že spokojenost je latentní (skrytá) proměnná a také požadavky zákazníků,
které lze využít při inovacích produktu, nelze získat pouhým nasloucháním zákazníků, ale
prostřednictvím porozumění skutečných latentních potřeb (Bayus, 2010).
Při výzkumu spokojenosti je třeba odlišit faktory, které ovlivňují hodnocení spokojenosti
nebo nespokojenosti a faktory, které zákazníci využívají při nákupním rozhodování. Je
chybné ztotožňovat tyto dvě skupiny faktorů a naopak je třeba se na ně dívat jako na dvě
samostatné skupiny (Oliver, R. L. 2010a). Pokud je např. cílem podniku spokojený zákazník
je třeba zkoumat především faktory, které ovlivňují spokojenost a ne faktory spojené s
nákupním rozhodováním jako je kvalita či postoj (Oliver, R. L. 2010a). Zásadním faktorem,
který ovlivňuje spokojenost, je ovšem právě kvalita (Mittal, 2010).
Je otázka, zda by podniky měly sledovat spokojenost zákazníků, nebo např. loajalitu.
K tomuto dilematu dodává Oliver (1999), že pro mnoho produktových skupin skutečnou
loajalitu vybudovat nelze, např. u produktů, které skutečnou diferenciaci, identifikaci
zákazníka, či neumožňují. Proto zde spokojenost zdává hlavním podnikovým
1.5.4 Hodnocení kvality služeb
Zkoumání kvality služeb je od svých počátků spojeno s diskonfirmační teorií (expectancy
disconfirmation theory). Jeden z prvních modelů k určení kvality služeb – SERVQUAL –
33
vychází právě z této teorie a definuje pět dimenzí: serióznost, empatie, spolehlivost,
zodpovědnost a fyzické prostředí služby (Zeithaml a kol., 2010). V těchto oblastech se pak
pomocí dotazování stanoví nesoulad mezi očekávanou podobou služby a vnímanou kvalitou
služby. Jedná se o jeden z rozdílů či mezery (anglicky „gap“), který je součástí tzv. modelu
GAP, který slouží k lepšímu pochopení kvality služby a který díky tomuto pochopení dává
podnikům podněty k zlepšování služeb – k jejich re-designu na základě přání zákazníků i ke
zlepšení způsobu poskytování (Zeithaml a kol., 2010). Mezerami jsou v základní verzi
modelu:
1. The listening gap – rozdíl mezi očekáváními zákazníků a tím, jak tato očekávání
vnímá management podniků.
2. The service design and standards gap – rozdíl mezi předpokládanými očekáváními a
kvalitou služby, která plyne z návrhu služby – tedy definovanými znaky služby.
3. The performance gap – rozdíl mezi specifikací a skutečným výkonem (poskytnutí
služby)
4. The communication gap – rozdíl mezi očekáváním z komunikace (tj. slib
poskytovatele služby zákazníkovy) a skutečným výkonem (poskytnutím služby)
Obrázek č. 10: GAP model kvality služeb
Zdroj: Zeithaml a kol.,2010.
Dodejme, že současné koncepty pro hodnocení kvality rozlišují dimenzi procesní a výstupu.
(Collier, Bienstock, 2006).
34
2 REKLAMAČNÍ POLITIKA A CHOVÁNÍ ZÁKAZNÍKŮ
Výzkum reklamační politiky je zaměřen na dvě oblasti (Posselt a kol., 2008): První nazírá na
reklamační politiku jako na marketingový nástroj prodejců, a proto sleduje pozitivní a
negativní dopady na prodejce. Druhá větev se týká výzkumu vlivu reklamační politiky na
vnímání kvality a chování zákazníků. S ohledem na zaměření představovaných empirických
šetření se budeme v následující literární rešerši věnovat zejména druhému směru Konkrétně
souvislostem reklamací s loajalitou, stěžováním si (anglicky voice) a „šeptandou“ (word-of-
mouth).
2.1 Intenzita vracení výrobků ve vztahu k jejich charakteru
Petersen a Kumar (2009) prozkoumali vliv šesti okolností na pravděpodobnost, že zákazník
výrobek bude vracet a také tři důsledky spojené s vracením výrobků. Jejich závěry jsou
následující:
Pravděpodobnost vrácení výrobku je menší:
 Pokud byl výrobek dárkem. Dárky totiž vedle ekonomické (spotřební) hodnoty mají
pro majitele i hodnotu sociální.
 Pokud zákazníci změní obchodníka (typicky kvůli nižší ceně) a nakoupí výrobky,
které znají.
 Výrobky nakupované ve výprodejích mají nižší míry vracení, neboť pravděpodobnost
vrácení výrobku roste s jejich cenou. Protože cena výprodejů je nižší, také
pravděpodobnost vrácení je menší.
Pravděpodobnost vrácení výrobku je větší:
 Jestliže zákazník nakoupí výrobek z (nové) produktové kategorie, než jakou běžně
nakupuje.
 Jestliže zákazník nakoupí nové produktové kategorie u nového obchodníka.
 V období zvýšené sezonní poptávky (typicky např. předvánoční nákupní „horečka“).
Mnoho zákazníků nakoupí víc výrobků, než skutečně potřebuje, proto je
v následujícím období zvýšený počet vracených výrobků.
Další poznatky z výzkumu Petersena a Kumara:
 Množství nakoupených výrobků v budoucnosti pozitivně souvisí s množstvím
vrácených výrobků, ovšem do určité výše (otočená U křivka)
 Bylo prokázáno, že existuje pozitivní vztah mezi množstvím vrácených výrobků a
budoucí hodnotou zákazníka pro podnik. Tento vztah však platí do určitého počtu
vracených výrobků.
 Pro zákazníky, kteří vracejí výrobky často, podniky vyčleňují méně prostředků na
marketingovou komunikaci s nimi (Petersen a Kumar, 2009).
Uvedené souvislosti opět potvrzují, že problematika vracení výrobků není důležitá pouze
kvůli predikci zákazníků, kteří výrobek vrátí, ale také pro predikci výdajů na marketingové
aktivity a pro predikci loajality zákazníků (Petersen a Kumar, 2009).
Pro pochopení chování spotřebitelů je třeba uvedené faktory rozšířit o emoční stránku.
Goudge a kol. (2010) experimentovali s vlivem dvou motivů, které vycházejí z teorie
hédonické a utilitární spokojenosti (ang. hedonic and utilitarian satisfaction) a které ovlivňují
záměr spotřebitelů vrátit výrobek. Základní myšlenka spočívá v tom, že spokojenost
nevyplývá pouze z užitečností výrobku (z jeho technických funkcí – z utilitárních motivů), ale
35
také z emocionálních prožitků, které plynou z vlastnictví výrobku (hédonické motivy). Podle
jejich experimentů obě složky – jak spokojenost utilitární tak i hédonická – souvisejí se
pravděpodobností vrácení výrobku. Znamená to, že pro pochopení reklamací je třeba zkoumat
i faktory související s emocemi spotřebitelů.
Dodejme, že se ale neprokázal jeden z předpokladů, a sice že hédonická spokojenost může
kompenzovat nespokojenost utilitární – není tedy ovlivňující proměnnou tohoto vztahu
(moderating variable). Dále se prokázal vliv vrstevníků (peers) na hédonickou spokojenost,
která pak souvisí s pravděpodobností vrácení výrobku. Z toho plyne, že by podniky měly
myslet na to, že přátelé mají vliv na hodnocení spokojenosti a v důsledku toho na vrácení
výrobku.
2.2 Důsledky nespokojenosti zákazníka
Obecně platí, že spokojení zákazníci pomáhají podniku snižovat náklady na získávání nových
zákazníku ústním šířením – „šeptandou“ (word of mouth). Mají také nižší cenovou elasticitu,
tj. jejich reakce na snížení ceny u konkurence nemusí znamenat jejich odliv. Jsou také schopni
odpouštět občasná selhání (výrobku či služby), která přičítají externím vlivům. Zůstávají tedy
mnohem více loajální vůči podniku (Olson a Zaltman, 2010).
Spokojenost zákazníka je zásadní cíl podniků (Oliver, 1999). Reklamační politika a její
nástroje mohou spokojenost podpořit a to nejen při subjektivně vnímané nespokojenosti, ale
také v situacích, kdy dojde k objektivnímu selhání výrobku či služby.
Např. Collier a Bienstock (2006) vyjmenovávají výzkumy, které prokázaly, že dojde-li
k selhání při poskytování služeb při internetovém nakupování, reklamační politika (konkrétně
poskytování kompenzace v případě nespokojenosti zákazníků) přímo a pozitivně souvisí
s důvěrou, záměrem opětovné koupě, s věrností zákazníka a také s ústním šířením
(pozitivních) informací, což jsou všechno jevy, které jsou kritické pro internetové
nakupování. Dále dokazují, že odpovědné chování v případě nekvalitně poskytnuté služby
(selhání) a pravděpodobnost opětovného selhání souvisí se zákaznickou spokojeností i s
vnímáním kvality služeb. Tato vztahy se prokázaly samozřejmě i mimo internetové obchody a
platí obecněji (viz Tax a kol., 1998).
Nespokojenost zákazníků se může projevovat několika způsoby:
 stěžování si s cílem výměny produktu či požadavku finanční kompenzace (anglicky
voice),
 šířením negativního hodnocení – „šeptandy“ (včetně možností, které nabízí internet)
(anglicky word of mouth),
 opuštění prodejce (exit),
 či dokonce sabotáž (Blodgett a kol. 2006).
Jak bylo uvedeno výše, má-li podnik vytvořen vhodný mechanizmus řešení reklamací
(stížností), uvedené projevy nespokojenosti může ovlivnit ve svůj prospěch. Např. místo
negativní šeptandy může docílit i opaku, tedy šíření kladných informací o podniku.
Stížnosti zákazníků a jejich pravý opak, pochvaly, jsou patrně nejčastěji opomíjenou stránkou
zkoumání spokojenosti (Oliver, 2010a). Stížnosti či pochvaly zákazníků jsou na rozdíl od
(ne)spokojenosti činem, resp. chováním. Stížnosti a nespokojenosti spolu souvisí, nejsou ale
dokonale korelované, neboť ne všichni nespokojení zákazníci si stěžují – nemusí mít důvod
poskytovat zpětnou vazbu, kterou by podniky použily k zlepšení své situace. Nebo nemusí být
36
natolik spokojeni, aby si stěžovali. Na rozdíl od stížností jsou pochvaly mnohem méně časté a
lze je chápat jako vyjádření extrémní spokojenosti (Oliver, 2010a).
Zákazníci, kteří si nestěžují, neposkytují zpětnou vazbu a zásadním problémem je vůbec
získat informace o jejich nespokojenosti. Současně je obtížné hodnotit jejich vliv na podnik,
protože dále uvedené výzkumy odkládají, že zákazník, který si nestěžuje, reaguje na svůj
pocit jiným způsoby – např. negativní šeptandou, nebo přerušením obchodních vztahů (exit).
Pokud by se dala určit velikost ztráty tržního podílu v důsledku odchodu nepokojených
zákazníků, kteří svou nespokojenost nevyjádřili, podniky by mohly lépe optimalizovat své
reklamační politiky (Davidow, 2003).
Na základě literární rešerše Davidow (2003) shrnuje souvislosti mezi reakcemi podniku na
vzniklý problém a vnímáním a chováním zákazníků. Reakce podniků rozdělil do
následujících šesti dimenzí:
Rychlost
 Rychlost reakce je důležitá pouze u stížností, které se týkají nefinanční újmy.
 Faktor času je kriticky důležitý pouze po bezdůvodném zpoždění vyřizování stížnosti.
 Rychlost reakce, kterou zákazník akceptuje, je podmíněna okolnostmi.
Facilitace
 Facilitace pravděpodobně může omezit negativní šeptandu.
 Facilitace pravděpodobně může podpořit další nákupy zákazníka.
Kompenzace
 Částečná kompenzace je lepší než žádná.
 Větší kompenzace je patrně lepší než pouze částečná a to do určité výše.
 Požadavky na kompenzaci jsou patrně nižší u nefinančních stížností, než finančních.
 Kompenzace musí být přesně stanovena, aby se předešlo nejasnostem.
 Různé typy kompenzací vyvolávají různé typy chování zákazníků, po ukončení
stížnosti.
 Za určitých podmínek může být proces kompenzace důležitější než výsledný efekt.
Omluva
 Omluva působí na chování zákazníka po ukončení stížnosti různě.
 Vnímání omluvy může být odlišné u manažerů a zákazníků.
Důvěryhodnost
 Důvěryhodnost je vnímána rozdílně podle kontextu.
Ochota
 Ochota má hlavní vliv na všechny aspekty chování zákazníků po ukončení stížnosti.
 Ochota může být tím aspektem reakce podniku, který se nejobtížněji řídí.
Podle Davidowa (2000) mají na spokojenost, loajalitu, negativní šeptandu největší vliv
interpersonální komunikační schopnosti pracovníků podniku (v souvislosti s důvěrou a
ochotou). Na šeptandu mají také zásadní vliv kvalita kompenzace a rychlost vyřízení
reklamace.
2.3 Reklamační politika a loajalita
Loajalita je vícerozměrný pojem a neexistuje jednotný způsob její operacionalizace a měření.
Loajalita byla původně zkoumána z pohledu chování, následně pak jako kombinace postoje a
37
chování. Např. v marketingové literatuře se rozlišuje behaviorální loajalita (skutečné chování
ve smyslu opakovaného nakupování) a postojová loajalita vycházející z postojů a záměrů
(Ashley a Varki, 2009). Postojovou loajalita (např. věrnost značce) nelze odvodit čistě
z historie nákupů, neboť nákupy vypovídají o behaviorální loajalitě. Samotná pravidelnost
nakupování může být zapříčiněna externími okolnostmi, např. nemožností nakupovat u jiných
prodejců. Z toho plyne, že zákazníci s předcházející zkušeností se mohou stát loajální,
nicméně předchozí obchodní kontakt neznamená automaticky loajálního zákazníka (Ashley a
Varki, 2009). Vzhledem k těmto komplikacím tak Mittal (2010) doporučuje nepracovat
v marketingových výzkumech s loajalitou, ale s “behaviorálním záměrem“, „záměrem
opětovného nákupu“, či „skutečně realizovanými opětovnými nákupy“.
Zákazníci, kteří jsou loajální ve smyslu postojové loajality:
1. cítí menší nespokojenost, pokud se při poskytování služby vyskytne problém (viz
např. Namkung a kol. 2010)
2. mají tendenci stěžovat si u přímo u poskytovatele služby
3. méně sdělovat tuto negativní zkušenost ostatním formou negativní šeptandy (Ashley a
Varki, 2009).
4. Loajální zákazníci jsou také spokojenější s poskytnutou kompenzací (Ashley a Varki,
2009).
Ashley a Varki proto doporučují, aby podniky vytvořily kvalitní systém kompenzací
speciálně pro loajální zákazníky, protože díky nim se pozitivní zkušenost s reklamací může
dostat k dalším lidem (fungují jako advokáti podniku).
Souvislost reklamační politiky a loajality v prostředí internetových obchodů zkoumal
Ramanathan (2011) a dospěl k poznatku, že výkonnost (kvalita) systému příjímání zboží zpět
skutečně souvisí s loajalitou zákazníků. Tento vztah platí ale pouze pro dva typy výrobků, a
sice pro výrobky, jejichž nákup znamená pro zákazníky vysoké nebo naopak nízké riziko. Pro
výrobky, jejichž nákup zákazníci spojují se středním rizikem, souvislost s loajalitou nenalezl.
2.4 Stěžování si
Odhodlání stěžovat si posilují tři proměnně – postoj ke stěžování si, vnímaná hodnota získaná
stěžováním si (rozdíl nákladů a toho, co zákazník pravděpodobně získá) a pravděpodobnost
úspěšnosti reklamace (Kim a kol., 2003).
Další faktory uvádí Thøgersen a kol. (2009): na vadný produkt nebo službu si více (resp.
častěji) stěžují zákazníci, kteří mají pozitivní postoj ke stěžování a současně vnímají stěžování
si jako „socially encouraged“. Dále je to zákazníkova zkušenost se stěžováním, která
ovlivňuje vztah mezi postojem ke stěžování si a chováním. Překvapivě jinak, než autoři
předpokládali. Těsnější vztah mezi postojem a chováním je v případě zákazníků s nižšími
zkušenostmi se stěžováním si. Postoj ke stěžování je tak předchozí zkušeností oslaben a ne
posílen (Thøgersen a kol, (2009).
Přestože prodejci a poskytovatelé služeb často vybízejí zákazníky, aby je informovali o své
případně nespokojenosti, protože jedině tak mají možnost nápravy, část zákazníků si své
připomínky nechá pro sebe. Respektive informaci o své negativní zkušenosti šíří různými
kanály. Negativní „šeptanda“ je nepřímý způsob stěžování, protože se vyhýbá konfrontaci
(Marquis a Filiatrault, 2002). Uvádí se, že nespokojený zákazník sdělí své negativní pocity
dalším 11 lidem. (Hanna a Wozniak, 2001).
Zákazníci, kteří si nestěžují, jsou méně loajální a vnímají nespokojenost více negativně než
zákazníci, kteří si stěžují a kteří současně získají odpovídající odčinění (náhradu). Současně
38
ale platí zákazníci, kteří si nestěžují, ale kteří získají satisfakci (kompenzaci) z iniciativy
podniku jsou více loajální a méně kritičtí (Voorhees a kol., 2006). Tento poznatek tedy mluví
ve prospěch takového systému poskytování služeb a vztahu k zákazníkům, který i z iniciativy
podniku samotného nabídne zákazníkům kompenzaci při pochybení, byť se o ni zákazníci
sami nehlásí.
Takové opatření by mělo být účinné, protože pouze malá část zákazníků zdůvodňuje svůj
nezájem stěžovat si svou averzí ke stěžování si (Voorhees a kol., 2006). Z toho autoři
výzkumu usuzují, že většinu zákazníků, kteří si nestěžují, lze vhodnými prostředky motivovat
k vyjádření nespokojenosti.
Jedeno vysvětlení neochoty vychází z porovnání nákladů a efektů, které stěžování
zákazníkům přinese (Young a kol., 2010). Jsou ale i jiné výklady a neexistuje jedna ucelená
teorie, která by vysvětlovala stěžování si zákazníka. Místo toho výzkumníci pro vysvětlení
stěžování využívají různé, obecnější teorie a koncepce, mezi které patří:
 Konfirmační/diskonfirmační paradigma
 Výzkumy spokojenosti a nespokojenosti
 Hirschmanovu teorii „exit, voice and loyalty“
 Atribuční teorie (Blodgett a kol., 1997)
Výzkumy souvislosti osobnostních charakteristik ke sklonu stěžovat si nemají jednoznačné
závěry. Ve výzkumu Voorheese a kol. (2006) faktory s osobnostními vlastnostmi zákazníků
zaujaly až třetí místo podle míry vlivu. Nejčastějším uváděným důvodem nestěžování si byly
časové okolnosti (nedostatek času, pozdní doba) a nedostatek pozornosti poskytovatele služby
(nebylo komu sdělit výhrady nebo personál nejevil zájem o zpětnou vazbu od zákazníka).
Podle empirických výzkumů Keng a Liu (1997) shrnují charakteristiky lidí s vyšším sklonem
ke stěžování takto. Jedná se o lidi:
 mladšího věku,
 vyššího vzdělání (viz také Valenzuela a kol., 2005),
 vyšších příjmů
 asertivní a s nižším pocitem bezmocnosti
 oceňující individualitu jedince a nezávislost.
Není jednoznačné, zda větší sklon k stěžování si mají ženy, byť některé studie to prokázaly
(např. Piron a Young (2000) v případě oblečení, kde poměr žen a mužů byl 4:1). Valenzuela a
kol. (2005) pak zjistili, že lidé, kteří si stěžují častěji, mají více pozitivní postoj ke stěžování.
Na širší souvislosti s národní kulturou poukazuje Keng a Liu (1997), kteří sledovali vztah
osobních hodnot a sklonu ke stěžování si. Výzkum byl proveden mezi zákazníky v Asii a
převažovali v něm Číňané. Autoři zjistili, že lidé, kteří jsou orientování na skupinu lidi
(kolektivně) upřednostňují při nepokojnosti jiné reakce než jednici orientovaní na sebe
(individualisté). Ti jsou připraveni stěžovat si otevřeně obchodníkům, výrobcům nebo
zástupcům spotřebitelů (92 % respondentů, které lze prohlásit za „stěžovatele“ patří do této
skupiny). Lidé s orientací skupinovou reagují spíše tím, že přestanou výrobek nakupovat,
nebo změní značku a svěří se přátelům a rodičům. Proto Keng a Liu doporučují uplatňovat
vstřícnou reklamační politiku, protože zákazníci skupinově orientovaní (ve vzorku jich bylo
57 %) si při přísné reklamační politice nebudou stěžovat. Jejich vliv na své okolí ale je
výrazný díky důsledkům negativní šeptandy. Dále se snižuje jejich loajalita. Liberální
reklamační politika s motivací k vyjádření nespokojenosti mohou v konečném důsledku
podnikům pomoct (Keng a Liu, 1997).
39
Tabulka č. 9: Reakce zákazníků (s orientací na sebe a skupinu) na nespokojenost (n=188)
Zdroj: Keng a Liu, 1997
O kulturních vlivech na stěžování mluví také např. Chan a Wan (2008). Jiní, jako Blodgett a
kol. (2006) to však zpochybňují vliv kultury a uvádí, že rozdíly v intenzitě stěžování si jsou
dány především konkurenčními silami na daných trzích. Autoři totiž porovnali výpovědi 25
respondentů z různých zemí o záměru vrátit výrobek, se kterým jsou nespokojení v době
jejich pobytu v USA. Po půl roce autoři dotaz na odhodlání vrátit výrobek zopakovali.
Tentokráte ale většina respondentů již byla ve svých domovských zemích. Protože odpovědi
na záměr vrátit výrobek, se kterým jsou nespokojení, byly jiné – odhodlání vrátit výrobek
v rodných zemích byl značně menší, usuzují autoři, že důležitějším vlivem než kultura je
intenzita konkurenčního prostředí v jednotlivých zemích.
Pokud si zákazníci již stěžovali, teoretický rámec pro hodnocení jejich zkušenosti
s reklamacemi poskytuje koncept spravedlnosti (Blodgett a kol., 1997).
2.5 Spravedlnost
Koncept spravedlnosti (fairenss, justice) má původ v sociální psychologii a byl úspěšně
uplatněn při studiu jednání lidí v konfliktních situacích různého druhu. Je prokázáno, že
spravedlnost má své vlivy v psychologické rovině tak také v rovině chování (Blodgett, 1997).
Zájem o faktor spravedlnosti v sociálních vztazích souvisí se zavedením pojmu distribuční
spravedlnost G. C. Homana v 60. letech. K ní byly postupně doplněny další dvě subdimenze
spravedlnosti – interakční (v 80. letech) a procesní v letech 90. (Voorhees a Brady, 2005).
Přestože existuje dostatek výzkumů dokládajících, že hodnocení spravedlnosti při
reklamacích je zásadním faktorem spokojenosti a loajality, samotná spravedlnost při
reklamacích (resp. její faktory) je systematicky zkoumána jen zřídka (Homburg a kol., 2010).
Není také mnoho známo o tom, zda zákazníkem vnímaná spravedlnost vyplývá ze způsobu
řešení reklamací (tj. činností podniku) anebo zda je z velké míry předurčena charakterem
zákazníka.
Vnímaná distribuční spravedlnost je označení pro zákazníkem vnímanou adekvátnost náhrady
(kompenzace), kterou obdržel jako důsledek stížnosti na produkt či službu. Jedná se tedy o
hodnocení výstupu (efektu) reklamace v porovnání s tím, co zákazník očekával (Tax a kol.,
1998a). Původ distribuční spravedlnosti lze nají v teorii sociální směny (Blodgett a kol. 1997).
K docílení distribuční spravedlnosti je třeba uplatnit princip přiměřenosti kompenzace
vzhledem k utrpěné újmě (equity), rovnosti zacházení (se všemi podobně postiženými
zákazníky se jedná stejně) (equality) a poskytnutí kompenzace s ohledem na individuální
potřeby (needs) (Davidow, 2003). Kompenzace v souvislosti s reklamacemi může mít různou
40
podobu – náhradu novým produktem, finanční kompenzaci, poskytnutí slevy z nakoupeného
výrobku, pokynutí slevy na další nákup, omluvou.
Procedurální spravedlnost se týká uplatňované politiky, procesů a podmínek, které určuje ten
subjektu, který rozhoduje o způsobu dosažení řešení (výstupu) negociace nebo konfliktu.
Procedurální spravedlnost je docílena pokud je jednání konzistentní, nestranné, zohledňuje
zájmy obou stran, je založeno na přesných informacích a etických standardech a umožňuje
druhé straně vyjádřit se a ovlivnit proces (Blodgett a kol., 1997). Blodgett a kol. citují závěry
zkoumání Clemmera a kol. (1996) podle kterých má procedurální spravedlnost při
poskytování služeb následující dimenze: flexibilita, čas obsluhy, vnímavost a účinnost.
V oblasti reklamací procedurální spravedlnost zahrnuje nastavení procesů vyřízení reklamace,
práva zákazníka, poplatky při neoprávněné reklamaci. Zlepšit vnímanou kvalitu procedurální
spravedlnosti může rychlá reakce, dodržování časových termínů, pocit zákazníka, že může
tento proces ovlivnit a sdělit informace důležité pro rozhodování podniku, stejně jako že může
vyjádřit své emoce (Homburg a kol., 2010).
Zákazníci nepřichází k obchodníkovi čistě z „logistických“ důvodů, aby vrátili výrobky
k reklamaci, ale přicházejí také kompenzovat své emoce – jde o docílení tzv. psychologické
kompenzace (Chebat a kol., 2005). Obchodníci by si proto měli uvědomit (a připravit své
zaměstnance na to), že zákazníky vedou ke stěžování i psychologické důvody (Chebat a kol.,
2005). Zde hraje svou roli interakční spravedlnost.
Interakční (etická) spravedlnost souvisí se způsobem zacházení s lidmi při řešení konfliktní
situace. Týká se následujících elementů: slušnost, úcta, hrubost při jednání, důvěryhodnost,
poskytnutí zdůvodnění, přátelskost, citlivost, zájem, čestnost, empatie a příslib, přímost,
starostlivost a snaha (Blodgett a kol., 1997).
Interakční spravedlnost ovlivňuje tedy spokojenost zákazníka v průběhu vyřizování
reklamace. Speciálně zde má vliv přiznaní chyby (viny) a nabídnutí omluvy (Blodgett a kol.,
1997). Při internetovém nakupování do této skupiny patří také technologická podpora, kterou
nabízejí webové stránky: online tutoriály, FAQ, kontakt pro řešení problémů a samozřejmě
také způsob, jakým pak prostřednictvím emailu, či telefonu společnost se zákazníkem
komunikuje (Tax a kol., 1998a).
Z teorie spravedlnosti vyplývá, že proces řešení reklamací spolu s charakteristikami zákazníka
pravděpodobně ovlivňují, jak zákazník vnímá svou námahu (obecně náklady) a efekty spojené
s reklamací a rovněž jak vnímá vstupy a výstupy pro podnik. Tímto se ovlivňuje absolutní i
relativní poměr vynaložených vstupů a získaných výstupů v souvislosti s reklamací a z toho je
odvozená vnímaná spravedlnost vyřizování reklamace (Homburg a kol., 2010).
Podle výzkumů v oblasti reklamací může vysoká úroveň interaktivní spravedlnosti
kompenzovat nižší distribuční spravedlnost. Podobně pak vysoká úroveň procedurální
spravedlnosti může vynahradit nižší distribuční spravedlnost. Podobně se ukazuje, že
interakční a procedurální spravedlnost mohou být vzájemnými komplementy (Blodgett a kol.,
1997). Uvedené kompenzace naznačují, že zákazníci při reklamacích spojují uvedené tři
složky do globálně pojaté spravedlnosti, která pak ovlivňuje jejich další chování (Blodgett a
kol., 1997).
Způsob vyřizování reklamací má významně ovlivňuje vnímanou spravedlnost a je proto
nástrojem, jak zvýšit spravedlnost vyřizování reklamací v očích zákazníka (Homburg a kol.,
2010). K ovlivnění může dojít při v těchto situacích:
 Zákazník vnímá vyvstalý problém (reklamaci) za velmi vážný.
41
 Reklamovaný produkt je pro něj důležitý.
 Podnik je za problém z velké části odpovědný.
 Obchodní vztah mezi prodávajícím a kupujícím je slabý.
 Zákazník je spíš orientovaný na kvalitu, je starší a je ženou (Homburg a kol. (2010).
V ostatních případech má vnímaná spravedlnost spíš souvislost s charakteristikami zákazníka,
než se způsobem vyřizování reklamací. Mezi prokázané souvislosti ale nepatří
sociodemografické charakteristiky, ale např. psychografické.
Blodgett a kol. 1997 pak zkoumali vliv spravedlnosti na zákaznickou loajalitu (její
behaviorální pojetí – opětovný nákup) a na negativní „šeptandu“. Zásadním zjištěním bylo to,
že v obou případech byl vliv interakční spravedlnosti vyšší než distribuční (38 % vs. 7 %
vysvětlené variability). Znamená to, že loajalita a negativní šeptanda souvisí především
s interakční spravedlností. Překvapivě autoři vztah nenalezli k procedurální spravedlivosti
(zde ale autoři naznačují, že výsledek může být nespolehlivý vzhledem k úzce vymezenému
pojetí procedurální spravedlnosti).
I v tomto výzkumu se prokázal kompenzační efekt distribuční a interakční spravedlnosti, ale
pouze při vyšší interakční spravedlnosti. Tj. pokud je se zákazníkem zacházeno hrubě
(interakční spravedlnost), tak toto nelze vykompenzovat vyšší hodnotou poskytnuté náhrady –
vyšší distribuční spravedlností. Při hrubém zacházení dochází ke snížení loajality zákazníka.
Autoři z toho vyvozují, že rozhodování zákazníka o opětovné koupi (loajalitě) a negativní
šeptandě má dva kroky – první je posouzení, zda s ním bylo zacházeno slušně a teprve pokud
ano, zákazník zvažuje míru poskytnuté kompenzace při rozhodnutí o loajalitě a šeptandě.
(Blodgett a kol., 1997). Z toho také autoři vyvozují, že liberální reklamační politika není
automatický lék – pokud se totiž jedná se zákazníky hrubě, je otázka kompenzací irelevantní.
Dále výsledky výzkumu naznačují, že k dosažení k spokojenosti zákazníka (k udržení
loajality) není nutné poskytovat 100 % kompenzaci, např. pokud je zjevné, že reklamovaný
výrobek byl relativně dlouhý čas zákazníkem využíván, nebo je podezření na nezužití
reklamace. Autoři doporučují, aby se obchodník zákazníka přímo zeptal na jeho představu o
dostatečné kompenzaci (Blodgett a kol., 1997).
2.6 Náklady související s uplatněním garancí
Jain a Slotegraaf (2007) se zaměřili na náklady spojené s uplatněním záruky, protože
předpokládali, že samotná záruka může mít malou hodnotu pro zákazníka, pokud náklady
spojené s jejím uplatněním jsou vysoké. V tab. č. 10 jsou uvedeny vztahy a jejich zdůvodnění,
které Jain a Slotegraaf experimentálně testovali. Zkoumané souvislosti se týkaly nákupního
chování zákazníků, vnímání reklamy, časového nesouladu při hodnocení nákladů a efektů
z obchodních transakcí.
Na základě experimentů, které Jain a Slotegraaf provedli, byly výše popsané vztahy
potvrzeny, ovšem s několika výhradami a upřesněními:
1. Vnímané náklady na vyřízení reklamace mají vliv na posouzení kvality výrobku a také
na představu o bezpečnosti nákupu.
2. Vliv nákladů na uplatnění reklamace nesouvisí se sílou značky výrobce prodávaného
výrobku.
3. Délka záruční lhůty nesouvisí s hodnocením kvality výrobku ale s představami o
bezpečnosti nákupu.
4. Existuje trade-offs mezi délkou záruční lhůty a náklady na reklamace, ale pouze při
krátkých lhůtách.
42
Tabulka č. 10: Vztah garancí a nákladů
Popis předpokládaných vztahů Citovaný zdroj
Více výzkumů potvrdilo, že zákazníci sledují náklady a
přínosy spojené s nákupem jednak v okamžiku nákupu ale
i v průběhu spotřeby.
Prelec, D., & Loewenstein, G. (1998).
The red and the black: Mental
accounting of savings and debt.
Marketing Science, 17, 4-28.
Jednou skupinou ze sledovaných nákladů jsou náklady
spojené s uplatněním záruky (garancí vrácení peněz),
které se zákazníci snaží minimalizovat.
Moorthy, S., & Srinivasan, K. (1995).
Signaling quality with a money-back
guarantee: The role of transaction costs.
Marketing Science, 14, 442-466.
Protože si zákazníci uvědomují, že obchodníci
(marketéři) se je snaží přesvědčit svými propagačními
aktivitami, vyšší náklady spojené s uplatněním reklamace
považují signál, který vypovídá o opaku než propagační
aktivity, tedy o nižší kvalitě výrobků.
Friestad, M., & Wright, P. (1994). The
persuasion knowledge model: How
people cope with persuasion attempts.
Journal of Consumer Research, 21, 1-31.
Tato souvislost platí i naopak – nízké náklady spojené
s uplatněním reklamace jsou vnímány jako signál o dobré
kvalitě nabízeného výrobku.
Moorthy, S., & Srinivasan, K. (1995).
Signaling quality with a money-back
guarantee: The role of transaction costs.
Marketing Science, 14, 446
Zákazníci ve svých úsudcích mají tendenci snižovat
(depreciovat) své budoucí náklady a naopak přeceňovat
přínosy. Tento časový aspekt tak způsobuje, že i náklady
spojené s uplatněním reklamací vnímají zákazníci jako
nižší, jsou-li spojeny s delším budoucím časovým
horizontem. Proto tedy při hodnocení kvality výrobku
mohou delší záruční lhůty kompenzovat vyšší náklady na
uplatnění reklamací.
Shelley, M. K. (1994). Gain/loss
asymmetry in risky intertemporal choice.
Organizational Behavior and Human
Decision Processes, 59, 124-159 a
Epstein, S. (1977). Avoidance-approach:
The fifth basic conflict. Journalof
Counseling and Clinical Psychology, 46,
1016-1022.
Trade-offs mezi délkou záruční lhůty a nákladů na
vyřízení reklamace vysvětlují i výzkumy z oblasti
rozhodování. Zákazníci totiž implicitně poměřují hodnotu
vzhledem k vynaloženým penězům a očekávají tak
kompenzaci v případě, když délka záruky anebo náklady
jsou méně výhodné.
Livesey, F., & Lennon, P. (1978).
Factors affecting consumers’ choice
between manufacturer brands and
retailer own brands. European Journal
of Marketing, 12, 158-170.
Další závěry lze vyvodit z pohledu diskonfirmační teorie.
Pokud existuje rozpor mezi očekáváním ve vztahu k délce
a nákladům na reklamaci, má takovýto rozpor mnohem
větší vliv na nákupní chování než pokud k rozporu
nedojde. Jedním z důvodů je, že při existenci rozporu
existuje větší množství interpretací, které si zákazník
může vyvodit.
Anderson, E., & Sullivan, M. (1993). The
antecedents and consequences of
customer satisfaction for firms.
Marketing Science, 12, 125-143.
Zdroj: zpracováno dle Jain a Slotegraaf, 2007
2.7 Garance kvality služeb
Vzhledem ke specifickým vlastnostem služeb je jejich nákup spojen s vyšší mírou rizika pro
zákazníka, a proto se poskytovatelé služeb snaží míru vnímaného rizika snížit. Jedou z cest je
„garance služeb“, která může plnit několik funkcí. Dle naší definice reklamační politiky se
jedná o její základní nástroj pro oblast služeb.
Garance služeb je prohlášení vysvětlující co může zákazník od služby očekávat (tj. slib) a co
poskytovatel služby učiní, nedodrží-li svůj slib (Hart a kol., 1992). Je to tedy jednostranně
formulovaný slib provozovatele, že k uspokojení zákazníka poskytne službu určité kvality a
43
v případě, že přislíbené kvality nedosáhne, zákazníka odškodní. Garance se může týkat
konečného výstupu služby, procesu poskytování nebo některé další složky marketingového
mixu (Hogreve a Gremler, 2009).
Garanci služeb nelze ztotožňovat s tzv. „service level agreement“, neboť zde se specifikuje
rozsah a kvalita služby na základě dvoustranné dohody mezi kupujícím a poskytovatelem a
vyplívají z ní právně vymahatelné sankce při nesplnění této dohody. Kompenzace plynoucí
z garance služby být právně vymahatelná nemusí. Rozdíl je také v hlavním účelu: garance
služby je spíš marketingovým nástrojem. Service level agreement slouží primárně k zajištění
se proti riziku.
Existuje také rozdíl mezi garancí služeb a záručními podmínkami u výrobků (warranty).
Jednak záruční podmínky se většinou vztahují na funkcionalitu výrobků, kterou lze
objektivněji posoudit, než je tomu u služeb. Záruční podmínky jsou upraveny legislativou
(resp. jejich minimální úroveň), a pokud prodejce výrobku nabízí jen tento „standard“, nelze
záruční podmínky využít pro marketingové účely, pro odlišení od konkurence (Hogreve a
Gremler, 2009).
Jak shrnují Hogreve a Gremler (2009) garance služeb plní funkci:
 signálu o kvalitě služby,
 je nástrojem ke zvýšení spokojenost zákazníků,
 má rovněž zvýšit motivaci zaměstnanců poskytující služby,
 jde o efektivní nástroj k „opravě“ poskytnuté služby.
McQuilken a Robertson (2002) uvádí další důsledky garancí služeb a zdůrazňují zejména
smysl podpory zákazníků k vyjádření jejich nespokojeností:
1. Slib, že poskytovatel odškodní zákazníka, zvyšuje přesvědčení zákazníka, že stížnost
vyústí v pozitivní efekt.
2. Uplatnění garance je současně mechanismem vyjádření nesouhlasu ve smyslu zpětné
vazby.
3. Omezují konfrontace mezi zákazníkem a zaměstnanci na téma standardů služeb a
přiměřenosti náhrady.
4. V zákaznících vyvolávají pocit větší jistoty, že poskytovatel služby dostojí svým
slibům.
5. Zákazníci mohou díky garancím věřit, že poskytovatel má pravděpodobně vytvořeny
účinné mechanizmy jak opravit či kompenzovat své služby.
Přestože je prozkoumán vliv garance na snížení rizika nakupování, z výzkumů není jasné,
které složky garance (jaké typy garancí) ke snížení rizik přispívají, což je podstatné pro
formulaci garancí. Některé teoretické výzkumy doporučují poskytovat bezvýhradnou 100 %
garanci, čemuž ale neodpovídají závěry empirických výzkumů, které mluví o vyšší účinnosti
100 % garancí, které jsou vztaženy ke konkrétnímu aspektu poskytované služby, např. k
maximálnímu času obsluhy (Hogreve a Gremler, 2009). Pro garanci služeb platí, že je jako
marketingový nástroj účinnější, pokud předmětem garance je nějaký specifický prvek
(detailní informace) než obecná formulace bezvýhradné garance (Wirtz a kol, 2000, citováno
dle Hogreve a Gremler, 2009).
Gelbrich a Roschk (2010) provedli meta-analýzu publikovaných experimentů o důsledcích
kompenzace v závislosti na její velikosti. Vliv na spokojenost zkoumají ve dvou rovinách.
Potvrdilo se (stejně jako u jiných výzkumů), že efekt „nadměrné kompenzace“ (tj.
kompenzace přesahující 100 %, anglicky over-compensation) je menší než při kompenzaci,
44
která odpovídá pouze velikosti újmy. Platí to ovšem pro spokojenost krátkodobou, která
souvisí s daným obchodním případem
U dlouhodobější spokojenosti, které je jakousi kumulativní hodnotou, je efekt nadměrné
kompenzace menší, ale pouze nepatrně. Přesto pro prodejce nemá smysl vynakládat výdaje na
„nadměrnou kompenzaci“, neboť se jim „nevrátí“ v podobě vyšší spokojenosti – ani
krátkodobé, ani dlouhodobé. Podle Gelbricha a Roschka (2010) však má„nadměrná
kompenzace“ smysl ve dvou případech: pokud podnik působí na vysoce konkurenčním trhu,
kde nabídky jsou téměř identické. Zde má nadstandardní kompenzace smysl jako prostředek
odlišení se od konkurence. Druhým případem je, když podniky investují do vztahového
marketingu a snaží se maximalizovat kumulativní spokojenost zákazníka. V situaci, kdy dojde
k selhání produktu či služby, má smysl napravit dlouhodobý vztah „nadměrnou kompenzaci“.
Hogreve a Gremler (2009) podrobují kritice některé často uváděné souvislosti. Využili při
tom závěry 71 empirických šetření, z nichž většina (48 %) měla podobu experimentu)
 Poskytování garance služeb může vytvořit konkurenční výhodu. Souvislost byla
prokázána minimem případů.
 Vztah mezi garancemi a kvalitou poskytovaných služeb (díky vyšší motivaci
pracovníků) není prokázán. Formulované garance např. mohou vyvolávat
v zaměstnancích stres a díky tomu negativně ovlivnit jejich práci.
 Podobně předpokládaný vztah mezi garancemi a dlouhodobou výkonností podniku
není dostatečně empiricky podložen.
 V návaznosti na to je třeba dodat, že žádný výzkum nesledoval finanční návratnost
garancí.
 Jen 5 studií (ze 71) se věnovalo vlivu garancí na záměr koupit službu a současně jejich
výsledky nejsou jednoznačné. Žádná studie neprokázala nárůst tržeb v souvislosti se
zavedením garance.
 Je minimální znalost o možnosti segmentovat zákazníky podle nabízených garancí.
 Nabídka garance služeb má zákazníky pobízet k informování podniku o
nespokojenosti se službou a tak poskytnout podniku podměty pro zdokonalování.
Tento mechanizmus však výzkumy není podložen. Současně je třeba prozkoumat, jaké
opatření je potřebné včlenit do garance, aby zákazníci byli motivováni sdělovat
informace o selhání služeb.
 „Reklamace služeb“ je spojena s emocemi jak u zákazníka, tak i zaměstnanců.
Z pohledu zákazníka je důležitá spravedlivost a čestnost při „opravě služby“, proto je
vhodné standardizovat postup v těchto případech. Je třeba prozkoumat jakým
způsobem standardizaci provést.
 Při návrhu kompenzací je potřebné zohlednit i kulturní vlivy – např. v asijských
zemích nepovažují zákazníci finanční kompenzaci za dostatečnou. Také sklon stěžovat
si je různý mezi kulturami (viz Chan a Wan, 2008).
 Podpora zákazníků k tomu, aby vyjádřili své negativní zkušenosti se službou, vede
k nižšímu šíření negativních zpráv. Doplňme, že např. McQuilken, Robertson (2011)
ve své empirické studie z oblasti restauračních služeb konstatují, že vliv garancí na
šíření negativních referencí je nevýznamný. Znamená to tedy, že poskytování garancí
služeb není účinný nástroj na eliminaci negativní šeptandy pro případy, kdy dojde k
selhání při poskytování služeb.
 Zneužívání garancí také souvisí s kulturními rozdíly.
45
Následující kapitola analyzuje vliv reklamační politiky při internetovém nakupování a důvod,
proč věnujeme speciální pozornost této oblasti, je ten, že chování zákazníků při nákupech na
internetu je předmětem jednoho z empirických výzkumů této hablitační práce.
2.8 Reklamační politika při internetovém nakupování
2.8.1 Spokojenost a kvalita při internetovém nakupování
Jak bylo řečeno, při výzkumu kvality služeb se často uplatňuje koncept kvality vnímané
zákazníkem (consumer-perceived quality). Ukázkovým příkladem je široce využívaný model
hodnocení kvality služeb SERVQUAL. Je však kritizován za to, že je obtížné
operacionalizovat tento model pro konkrétní situaci (Ladhari, 2010). Proto autoři navrhují
jeho modifikace. Platí to i pro oblast e-commerce, protože při online transakcích nelze
hodnotit fyzické prostředí kamenného obchodu a také mizí osobní kontakt s prodavačem, což
jsou dimenze, se kterými SERVQUAL pracuje. Např. Ladhari (2010) pak shrnuje odlišnosti
e-commerce od nakupování v kamenných obchodech takto:
 Pohodlí a efektivnost nákupu
 Bezpečnost a utajení informací
 Absence osobního kontaktu
 Zákazník je více vtažen do tvorby služby (oblast dodání).
Absence uvedených rozdílů při hodnocení kvality on-line obchodů může významně ovlivnit
hodnocení kvality služby. Proto jsou modely hodnocení kvality služeb internetových obchodů
upravovány vzhledem k odlišnostem internetového prostředí. Přehled publikovaných modelů
lze najít např. v Ladhari (2010). Jejich inspirací byly modely hodnocení logistiky, neboť
v logistice jsou obě strany obchodního případu od sebe fyzicky odděleny (Collier a Bienstock,
2006). Oddělení zákazníka a prodejce při internetovém nakupování zesiluje požadavek na
náhradu v případě selhání. Kroky, které obchodník učiní k nápravě selhání, mají přímý vliv na
to, zda zákazník bude fungovat jako „terorista“, který bude aktivně působit na své okolí
negativními referencemi, nebo jako „anděl“, který internetový obchod doporučí ostatním
zákazníkům (Tax a Brown 1998).
Při výzkumu kvality autoři zpočátku věnovali pozornost internetovému rozhraní (tj. kvalitě
webových stránek) a teprve později k hodnocení kvality začali přidávat dimenze, které
vypovídaly o celém procesu on-line nakupování (Su a kol, 2008). Vznikl tak např. „E-SQUAL“
model, který je rozšířením SERVQUAL-modelu a sestává ze dvou částí. První se
týká běžné provozní činnosti a druhá selháním, či chybám při poskytování služeb (E-ResSQUAL)
(Zeithaml a kol, 2005).
Tento přístup nepřímo kritizují Collier a Bienstock (2006). Upozorňují totiž, že současný (tj.
začátkem milénia prováděný) výzkum stále více mluví pro to, aby při měření kvality služeb (v
oblasti e-commerce) byly vypuštěny koncepty postavené na „očekávání“. Odklon od
diskonfirmační teorie tak dává prostor teorii jiné – např. teorii zdůvodněného chování.
Pokusů jak hodnotit kvalitu internetového prodeje existuje mnoho. Např. Su a kol. (2008)
pomocí metody mapování konceptu navrhli následující tři dimenze kvality e-komerce:
1. Nejdůležitější je kvalita výsledku (output quality), která se týká jak kvality
nakoupeného produktu, tak kvality doručení.
2. Zákaznický servis je druhou, téměř stejně důležitou složkou a zahrnuje poprodejní
služby, vyřizování stížností, reklamace a další.
46
3. Nejméně významnou jsou charakteristiky spojené se specifiky internetového
nakupování (ovladatelnost procesu nákupu, snadnost nákupu, kvalita poskytovaných
informací a design internetových stránek).
Yen a Lu (2008) mezi dimenze kvality internetového nakupování řadí přímo efektivní
vyřizování reklamací a vráceného zboží. Tuto oblast zahrnují do dimenze responsivness.
Další dimenze jsou efektivnost, ochrana soukromí, kontakt a realizace dodávky.
2.8.2 Reklamační podmínky jako faktor nákupního rozhodování
Reklamační podmínky internetových obchodů nejsou nejčastějším zdrojem problémů a
příčinou nespokojenosti při internetovém nakupování (Holoway a Beatty, 2003; viz také tab.
č. 11). Neznamená to ale, že na nákupní rozhodování nemají vliv.
Lin a kol. (2010) zkoumali 22 faktorů, které zákazníci zohledňují při nakupování přes internet
a které lze označit jako marketingové nástroje. Mezi nimi byla i reklamační politika (Return
policy). Prokázalo se, že vstřícná reklamační politika patří mezi 8 z 22 zkoumaných nástrojů,
které jsou důležité, protože motivují zákazníky internetových obchodů ke koupi. Autoři
výzkumu navíc zákazníky rozdělili do šesti skupin podle toho, jaké nákupní strategie
upřednostňují. Lze říci, že reklamační politika hraje významnější roli u skupin označených
jako „service-oriented“ (tj. zákazníci, kteří vyhledávají takové webové stránky – obchody,
které jim poskytnou vysoký zákaznický servis a vyspělé funkční vlastnosti) a „securityoriented“
buy (tj. zákazníci, pro které je důležité minimalizovat riziko). Tato druhá skupina
pak oceňuje mj. hodnocení produktů, které pochází od uživatelů.
Tabulka č. 11: Nejčastější problémy při internetovém nakupování
Type of Service Failure Percentage Type of Service Failure Percentage
Delivery problems 46,6
Purchase arrived later than promised 20,0
Purchase never delivered 11,3
Wrong item delivered 9,3
Wrong size product delivered 4,4
Purchase damaged during delivery 1,6
Web site design problems 16,6
Navigational problems at site 5,1
Product poorly presented at site 4,2
Insufficient information provided at site 3,1
Products incorrectly listed at site as in stock 2,9
Incorrect information provided at site 1,3
Customer service problems 13,8
Poor customer service support 5,8
Poor communication with the company 4,0
Unfair return policies 3,1
Unclear return policies 0,9
Payment problems 12,2
Credit card overcharged 5,1
Web site purchasing process confusing 3,8
Difficulties experienced while paying 3,3
Problems with product quality 5,3
Consumer dissatisfied with product quality 5,3
Security problems 3,8
Credit card fraud 1,8
Misrepresented merchandise 1,3
E-mail address released to e-marketers 0,7
Miscellaneous 1,7
Respondent unintentionally made
mistake at site 0,7
Retailer charged some customers
more than others 0,2
Lack of personalized information at site 0,2
Others 0,6 
Zdroj: Holoway a Beatty, 2003.
Ze závěrů více studií, které se věnovaly hlavním skupinám faktorů ovlivňující zákazníky při
nakupování, při rozhodování jaký výrobek z nabídky obchodníka koupit, Reif a Dillon (2001)
odvodili následující čtyři skupiny faktorů:
1. Vnímání produktu. Nejčastěji citovanými literatuře jsou cena, kvalita produktu, šíře
nabídky
2. Okolnosti nákupu (shopping experience): časové okolnosti, pohodlí, dostupnost
výrobku, potěšení z procesu nákupu, hravost, kompatibilita se životním stylem.
3. Zákaznický servis: vstřícnost vůči přáním zákazníka, spolehlivost dodávky (prodej
proběhne podle slibu obchodníka), poskytované záruky.
47
4. Zákaznické rizika (tj. vnímané rizika spojené s nákupem): ekonomické (peněžní újma
při nespokojenosti s produktem), riziko nespokojenosti s výkonem výrobku, osobní
(újma způsobená výrobkem nebo i procesem nákupu), riziko narušení soukromí.
Na základě dotazování mezi 168 studenty vyšlo, že při nakupování přes internet jsou
zákaznické rizika a zákaznický servis více důležité než zbylé dvě skupiny faktorů a dále, že
zákaznické rizika (zejména riziko ohrožení soukromí) byly důležitější pro ženy než pro muže
Reif a Dillon (2001).
Ve vlivu faktorů lze identifikovat kompenzační efekt (trade-offs) a to mezi délkou záruční
lhůty a nákladů na vyřízení reklamace. Zákazníci totiž implicitně poměřují hodnotu vzhledem
k vynaloženým penězům a očekávají tak kompenzaci v případě, když délka záruky anebo
náklady jsou méně výhodné. Pro obchodníky, kteří např. nabízí krátké záruční lhůty, je třeba,
aby zákazníkům nabídli pohodlný (tj. levný) způsob uplatnění reklamací. Zdůraznění této
skutečnosti má zásadní význam např. u internetových obchodníků, neboť zde mají očekávané
transakční náklady velký vliv na nákupní rozhodování (Teo a kol., 2004).
Možnost vrácení výrobku může být signálem vyšší kvality v zásilkovém obchodu, ovšem
pouze pokud s vrácením výrobku nejsou spojené velké transakční náklady. Proto by měli
obchodníci část těchto transakčních nákladů vztáhnout na sebe, pokud lze předpokládat nízké
počty vracení výrobku (Moorthy a Srinivasan, 1995).
Právě transakční náklady sledoval Smith (2005), konkrétně vztah mezi složitostí vracení zboží
a nákupním rozhodováním v on-line prostředí. Přímým dotazováním dochází k závěru, že
snadnost vracení výrobků pozitivně souvisí s rozhodnutím o koupi. Tj. že snadné reklamace
zvyšují šance nákupu výrobku na internetu.
Bhatnagar a Ghose (2004) zkoumali dva druhy rizik, které dávali do vztahu se sklonem
k nakupování on-line. První riziko bylo spojené s produktem, neboť zákazník nemá možnost
si nakupované zboží fyzicky prohlédnout. Druhé riziko je spojeno s uskutečňováním plateb a
posíláním údajů přes internet. Při hledání vztahů mezi riziky a sklonem k on-line nakupování
vznikly tři segmenty spotřebitelů, které se částečně liší ve svých socioekonomických
atributech. Nejdůležitější zjištění je, že efekt, který způsobuje riziko spojené s produktem,
klesá s rostoucím věkem spotřebitele a jeho většími zkušenostmi s internetem.
Cao a Gruca (2004) rozdělují proces nakupování přes internet do dvou fází. První fáze – před
nákupem – zahrnuje činnosti až do momentu platby a obdržení informace o odeslání výrobku.
Patří sem design, information, security, adaption and offer. Poprodejní váze se týká všech
aktivit, které následují po uzavření obchodní transakce (resp. zaplacení výrobku), tedy
zejména dodání a garance. Obě dvě fáze jsou propojené v tom smyslu, že o co méně kvalitní
či komplikovanější je předprodejní fáze o to víc spotřebitel očekává posilněné poprodejní
složky (především větší záruky, větší pozornost vůči stížnostem a reklamacím). Znamená to
podmíněnost obou částí nákupního procesu (Alzola a Robaina, 2010). Tito autoři také na
základě svého empirického výzkumu zjistili, že vliv aktivit poprodejní fáze na vnímanou
kvalitu a záměry chování je o něco větší, než před prodejní složky. Z toho plyne, že
k dosažení úspěchu musí podniky, které prodávají přes internet, velmi dbát na poprodejní
služby, protože jejich kvalita podporuje vnímání podniku při předprodejních aktivitách. A
také na soulad mezi tím, co podniky slíbily v předprodejní fázi, a tím, co činí ve fázi
poprodejní (Alzola a Robaina, 2010).
Následující kapitola pojednává o zneužívání reklamací, a přestože se jedná také o chování
zákazníků a patří věcně do textu této kapitoly, je téma zpracováno v samostatné kapitole,
neboť se přímo týká samostatného testovaného modelu v empirické části habilitační práce.
48
3 ZNEUŽÍVÁNÍ REKLAMACÍ
Zejména v USA vedly velmi vstřícné reklamační politiky k dramatickému nárůstu reklamací,
který byl zapříčiněn tím, že se zákazníci tento systém naučili zneužívat. Jejich snahou bylo
vrátit zpět zboží prodejci a získat kompenzaci, přestože je to v rozporu s legislativou, či
podmínkami pro reklamace, které stanovil prodejce. Týká se to jako použitého funkčního
zboží, tak i výrobků, které sám zákazník pokazil (Harris, 2008). V důsledku tohoto
oportunistického jednání začaly podniky upravovat své reklamační podmínky směrem větší
přísnosti (Spencer, 2002; Bhatia, 2004).
Zneužívání reklamací se v anglické literatuře označuje jako deshopping, fraudulent returns,
boomerag shopping či borrowing a patří do stejné kategorie neetického a protizákonného
jednání jako jsou např. krádeže (včetně krádeží duševního vlastnictví), pojistné podvody, či
zneužívání kuponů (Wirtz a McColl-Kennedy, 2010).
Přestože se výše uvedené charakteristiky týkaly výrobků, ke zneužívání dochází i při
poskytování služeb. Zde jde o zneužívání garancí poskytovaných na služby. Jak v případě
výrobků, tak i u služeb se jedná o podobné procesy a také reakce podniků jsou podobné
(Wirtz, McColl-Kennedy, 2010). Proto budeme v literární rešerši a při konstrukci modelů
v empirickém výzkumu využívat poznatky z obou těchto oblastí.
3.1 Oportunistické chování
Oportunistické jednání je takové jednání zákazníků:
 které se snaží záludným způsobem o docílení vlastních zájmů
 využívá naskytnuté příležitosti, s malým ohledem na principy nebo důsledky
 upřednostňující za daných okolností činy, které zákazník může provést, před těmi,
které by měl v dané situaci udělat
 vede získání výhody plynoucí z dané situace, často neetickým jednáním (shrnutí více
definic podle Wirtz, McColl-Kennedy, 2010).
Muncy a Vitell (1992) zkoumali postoje zákazníků k různým druhům neetického chování.
Zneužívání reklamací patřilo k méně odsuzovaným činům. Podobně i podle Harrise (2008)
zákazníci vnímají zneužívání reklamací jako méně závažný etický prohřešek a společností je
rovněž více tolerované. Zajímavý poznatek se týkal pocitu viny při zneužívání reklamací –
třetina dotazovaných osob se bez toho, aby byli tázání, spontánně vyjádřila, že necítí vinu.
Další třetina svou vinu jasně přiznala (Piron a Young, 2000). Přestože zákazníci vědí, že
zneužívání je neetické, stále tuto aktivitu provádějí King a Dennis (2006). Záměr zneužít
reklamaci není vždy přítomný v momentu koupě výrobku, ale může vzniknout až následně
(King a Dennis, 2006).
Posselt a kol., (2010) rozlišují zneužívání reklamací v úzkém pojetí, kdy si zákazník vědomě
koupí zboží, které hodlá v průběhu testovací lhůty, kterou poskytuje reklamační politika
prodejce, používat a pak jej vrátit. Příkladem takovéhoto oportunistického chování byla
situace v Německu při mistrovství světa ve fotbalu v roce 2006, kdy si mnoho mladých
zákazníků před zápasem německého týmu dočasně „koupilo“ televizi (Posselt a kol, 2010).
Příkladem jiného kritického období pro zneužívání reklamací, které se ale opakuje pravidelně,
je období vánočních svátků. Podle odhadů se v tomto období uskuteční čtvrtina celoročních
případů zneužití. Přesto třetina (33 %) podniků v tomto období poskytuje více „flexibilní“
reklamační podmínky s cílem vyjít vyříct zákazníkům, kteří nakoupili, či obdrželi nevhodné
49
dárky. Sami zákazníci koncem roku 2009 vyjádřili, že reklamační podmínky amerických
obchodů považují za férové – konkrétně se to domnívá 88 % z nich (Wilson, M., 2010).
Zneužíváním reklamací v širším smyslu Posselt a kol. (2010) rozumí situaci, kdy zákazníci
nakoupí více výrobků stejného druhu a ponechají si ten, který jim nejlépe vyhovuje.
3.2 Rozsah a ekonomické důsledky zneužívání reklamací pro
prodejce
Nekalé praktiky zákazníků mají značné ekonomické důsledky pro prodejce. Nejvíce
sledovaným typem těchto praktik jsou krádeže v obchodech. V dlouhodobém zájmu praktiků i
výzkumníků jsou kvůli svému měřitelnému ekonomickému důsledku, který mají na ziskovost
obchodníků. Např. podíl odcizeného zboží na celkovém objemu tržeb obchodníků se
pohybuje v průměru kolem 1,36 %. Speciálně v ČR je to 1,4 %, což odpovídá 437 mil. dolarů,
s meziročním poklesem mezi lety 2009-2010 o téměř 5 % (Bamfield, 2010). Harris (2010)
upozorňuje, že díky zaměření pozornosti na krádeže se ostatní formy disfunkčního chování
zákazníků relativně ignorovaly. Týká se to nejen výzkumníků, ale také středního a top
managementu podniků. Skutečně malé množství výzkumů (byť rostoucí) se pak věnuje
speciálně „deviantnímu“ a disfunkčnímu jednání při poskytování služeb, a to jak u zákazníků,
tak i u zaměstnanců (Harris, 2008).
Pro obchodníky je zejména nepříjemné to, že zneužívání reklamací je fenomén s rostoucím
trendem (King a kol., 2008). Roční ztráty v maloobchodu v USA plynoucí se zneužívání
reklamací se odhadují mezi 9,6 až 14,8 miliard dolarů (Wilson, 2001). Podle průzkumu mezi
111 obchodníky v USA, který provedla National Retail Federation (Return fraud to cost
retailers $3,7 billion this holiday season, according to NRF, 2010), se náklady, resp. ztráty
způsobené zneužíváním reklamací, vyšplhaly z 9,59 na 13,95 miliardy dolarů.
Na otázku, zda podnik někdy změnil reklamační politiku v jako reakci na zneužívání
reklamací ze strany zákazníků, odpovědělo ano 65 % podniků. Nejčastějším způsobem
zneužívání reklamací je vracení ukradeného zboží. Druhým v pořadí jsou případy vracení
zboží, které bylo nakoupeno za pomocí podvodných plateb. Následuje vracení použitých, byť
nepoškozených výrobků (typicky oblečení, určeného k výjimečným příležitostem, či
elektroniky). Tyto aktivity podle průzkumu vzrostly – zatímco v roce 2009 se s nimi setkalo
46,2 %, tak o rok později to bylo již 61,7 % oslovených podniků. Poslední formou zneužívání,
se kterou se setkalo 35.5 % obchodníků, je padělání nákupních účtenek (Return fraud to cost
retailers $3.7 billion this holiday season, according to NRF, 2010).
50
Tabulka č. 12: Statistika zneužívaní reklamací v USA
Zdroj: 2010 Customer Returns In The Retail Industry, 2010.
3.3 Motivy a cíle zneužívání reklamací
Téměř jedna třetina zákazníků, které zkoumali Reynolds a Harris (2005), si byla schopna
vybavit, že během posledních šesti měsíců se do určité míry pokusili zneužít reklamační
podmínky. Podle Pirona a Younga (2000) 18 % zákazníků mělo osobní zkušenost se
zneužitím reklamace (oblečení). Ve výzkumu mezi ženami jich polovina připustila zkušenost
se zneužitím reklamací (King a kol., 2008). V jiném výzkumu se k zneužití přiznalo dokonce
92 % zákazníků (Harris, 2010).
Příčiny vysvětlení tohoto jednání hledalo několik výzkumů. Piron a Young (2000) zjistili
např. následující nejčastější důvody zneužívání reklamací v případě oblečení:
 „vypůjčení“ zboží kvůli speciální příležitosti,
 ekonomické důvody – ekonomická situace zákazníkovi neumožňuje si produkt koupit,
 osobní spokojenost,
 potřeba vyplývající s profese nebo pracovního místa,
 altruismus (tj. zneužití reklamací kvůli jiným osobám).
Respondenti výzkumu Kinga a Dennise (2003) tyto závěry potvrzují: zdůvodňují své chování
(svalují vinu) na své sociální a ekonomické potřeby, nebo na to, že obchodník je drahý a
podporuje reklamace
Zákazníci jsou při nezužívání reklamací ovlivněni ostatními lidmi a to jak ve prospěch, tak i
neprospěch takového jednání (King a Dennis, 2003). Úspěch při zneužití reklamace znamená
pro takové zákazníky prohloubení znalosti o způsobu vyřizování reklamací, a tím se i zvyšuje
jistota při dalším zneužití. Z jejich pohledu tak mají lepší kontrolu nad situací (PBC) (King a
Dennis, 2006).
Wirtz a McColl-Kennedy (2010) se zaměřili na situaci, kdy skutečně došlo k určitému selhání
poskytovaných služeb, a zkoumali, zda a jací zákazníci se snaží tuto situaci využít ve svůj
prospěch. Podle provedených experimentů platí, že pravděpodobnost oportunitního jednání
zákazníků v budoucnosti bude vyšší, pokud zákazníci pociťují nižší spravedlnost (všech jejích
tří složek) při vyřízení reklamace (Wirtz a McColl-Kennedy, 2010). Autorky to zdůvodňují
tím, že vnímání utrpěné újmy (časová ztráta, nepříjemnosti), které spoluurčují pocit
51
spravedlnosti, jsou subjektivní a dávají prostor pro sebestředné vnímání spravedlnosti a pro
případné oportunistické jednání. Subjektivita spravedlnosti a emocionálních „nákladů“ jsou
zákazníky využity pro ospravedlnění svého jednání a pro racionalizaci svého jednání (Wirtz a
McColl-Kennedy, 2010). Faktor spravedlnosti funguje dvojím způsobem, jednak jako
spouštěč oportunistického jednání a současně také jako jeho obhajoba.
Dále autorky prokázaly, že zákazníci mají tendenci chovat se oportunisticky v případě větších
podniků. To lze odůvodnit odkazem na další výzkum, podle kterého tito zákazníci odmítají,
že působí újmu, a pokud újmu připouští, je vzhledem k velikosti podniku zanedbatelná.
(Podobný závěr učinil i King a Dennis, 2003). Zajímavé také bylo, že od menších podniků
zákazníci v případě kompenzace požadovali méně a současně byli s jejich kompenzací více
spokojeni. Další okolností, která zvyšuje pravděpodobnost zneužívání, je situace, kdy jde o
jednorázový obchodní vztah (Wirtz a McColl-Kennedy, 2010).
Někteří zákazníci neusilují o maximální kompenzaci (týká se garancí poskytnutých služeb),
stačí jim pouze částečná, což jim umožňuje vnímat sebe samé pozitivně a ne jako nečestné
(Maraz a kol., 2008). Pro manažery obchodů je pak důležité zjištění o tom, že zákazníci, kteří
docílili v důsledku svého oportunistického jednání vyšších kompenzací, nebyli více
spokojeni. Jako možné vysvětlení se nabízí, že tento svůj úspěch přisuzovali svému úsilí a ne
podniku.
3.4 Charakteristika oportunitních zákazníků
Demografické charakteristiky zákazníků, kteří mají sklon zneužívat reklamace, se zkoumají
od poloviny 70. Závěry nejsou jednoznačné, a proto Harris (2008) prověřil souvislost sedmi
demografických charakteristik se sklonem ke zneužívání reklamací. Dle jeho zjištění častěji
zneužívají reklamace ženy, mladší spotřebitele, s menším vzděláním. Jasnou souvislost mezi
rodinným stavem (ženatý, svobodný), s příjmem, pracovním zařazením ani sociální třídou
nenašel.
K podobným závěrům o demografických faktorech dochází Muncy J. A., Vitell (1992), kteří
se soustředili na podobu etických představ (belief). Zneužívání reklamací jako méně závažný
etický přečin hodnotili lidé mladší, s nižším vzděláním a na rozdíl od Harrise i lidé s nižšími
příjmy a ženy. Jak dodává Harris (2010), zneužívání reklamací se pro některé zákazníky stalo
akceptovanou normou a toto jednání je pro ně čistě racionální a logické.
Harris (2008) se ve shodě s jinými výzkumy zaměřil dále na faktory psychografické (podobně
jako např. Homburg a kol. (2010) při výzkumu vnímání spravedlnosti reklamací). Jeho
výzkum potvrdil souvislost zneužívání reklamací se všemi osmi definovanými faktory. Navíc
se prokázalo, že i když (výše uvedené čtyři) demografické faktory mají vliv na sklon ke
zneužívání reklamací, celkově je vazba na psychografické faktory mnohem silnější. Faktory,
které byly hodnoceny pomocí vícerozměrné regrese, jsou vyjmenovány podle pořadí
důležitosti a pokud není uvedeno jinak, mají pozitivní vztah se zneužíváním reklamací:
 Ostych projevovat se na veřejnosti (public self-consciousness) (záporný vztah ke
sklonu k zneužívání reklamací)
 Znalost reklamačních podmínek
 Pozitivní vztah ke spotřebě a hledání vzrušení
 Minulá zkušenost se zneužíváními reklamací
 Oslabení norem a morálních hodnot u spotřebiče (customer anomia)
 Sociální normy
 Postoj ke stěžování si
52
 Vnímané důsledky podvodného vracení výrobků (Harris, 2008).
Zvláštní skupinou „zneuživatelů“ reklamací jsou tzv. kompulzivně nakupující zákazníci
(Rosenbaum a Kuntze, 2005), což jsou lidé, kteří chronicky, opakovaně nakupují v reakci na
prožité negativní události nebo pocity. V konečném důsledku toto chování ubližuje
samotnému jedinci a (nebo)ostatním lidem.
King a Dennis (2006) upozorňují, že většina výzkumů o zneužívání reklamací se týká
především USA a UK, a proto doporučují, aby se fenomén zneužívání reklamací zkoumal
v dalších zemích pro porovnání, zda je toto chování univerzální a překračuje kulturní, právní i
geografické hranice.
3.5 Postup zneužívání reklamací
Harris (2010) identifikoval následujících deset faktorů, které podporují úspěšnost zneužívání
reklamací zákazníky. Jeho výsledky vycházejí z hloubkového dotazování mezi 87 zástupci
obchodů a 96 zákazníky:
 Míra znalostí reklamační politiky (resp. pravidel pro vyřizování reklamací).
 Využívání osobních vazeb – např. pokud má zákazník přátele nebo rodinné
příslušníky v obchodech, případně i samotní zaměstnanci mohou zneužívat reklamace.
 Správné načasování pokusu o reklamaci – např. záměrná volba času před zavírací
dobou, kdy jsou prodavači unaveni.
 Správná volba produktu – např. vhodnější jsou menší věci jako oděvy; naopak velké a
drahé předměty jako TV se vrací obtížně, i protože jsou více sledovány.
 Způsob jednání – nevhodná je agrese, naopak výhodná je asertivita.
 Ostych projevovat se na veřejnosti – „Úspěšní“ zákazníci zneužívající reklamace mají
méně ostychu.
 Předstírání osobních vazeb – předstírání společných rysů ve vztahu k prodavači
(mirroring)
 Vytváření příjemné a zábavné komunikace.
 Zkušenosti s minulými úspěšnými zneužitími reklamací.
 Zaměření se na určitý typ zaměstnanců – pokusit se vrátit zboží mladému prodavači
nebo ženě
Z uvedených faktorů je patrné, že pouze malou část z nich mohou podniky přímo ovlivnit
(Harris, 2010) a současně značně záleží na prodavačích. Experimentem bylo ověřeno, že
pokud se zákazník chová slušně (sociálně únosným způsobem) zaměstnanci mají bohužel
tendenci přehlížet některá pravidla pro příjímání reklamací a produkt přijmou neoprávněně
zpět a upřednostní zájmy zákazníka. Platí to pro zaměstnance obecně, bez rozdílu zda jde o
např. pracovníky na plný nebo částečný úvazek (Autry a kol., 2007). Na jejich obhajobu je ale
třeba dodat, že se sami prodavači občas setkávají s tím, že v situaci, kdy odhalí zneužití
reklamačních podmínek a odmítnou přijmout zboží zpět, je jejich rozhodnutí revidováno
nadřízeným pracovníkem. Tyto zkušenosti pak snižují jejich další odhodlání být přísný vůči
nepoctivým zákazníkům (King a kol., 2007).
Paradoxní je, že ač podle „laboratorních“ experimentů zaměstnanci poskytující služby nemají
rádi nepříjemné zákazníky, poskytnou jim lepší servis (věnují se jim víc). Sami zaměstnanci
s dobrou náladou podávají pracovní výkon v homogenní kvalitě, zatímco při jejich špatné
náladě výkon kolísá a to tak, že příjemným zákazníkům poskytnou služby v horší kvalitě a
zákazníkům nepříjemným v kvalitě lepší. Nepříjemní zákazníci tedy mají větší
pravděpodobnost, že získají to, co chtějí. (Swinyard, 2003).
53
Uvedený poznatek ilustruje význam postoje pracovníků k zákazníkovi. Při narušení sociálních
norem, tedy pokud je zákazník silně nepříjemný, si zaměstnanci vytvoří negativní postoj a
v důsledku toho nejen, že akceptují reklamaci, kterou by neměli akceptovat, ale současně
mohou odmítnout akceptovat reklamaci, která bude oprávněná. Důsledek negativního postoje
k zákazníkovi může být podobný jako při nespokojenosti zákazníka, tj. může dojít k narušení
dlouhodobě vytvářených vztahů loajality (Autry a kol., 2007).
Goudge a kol. (2010) si všimli, že většina výzkumů se týká zneužívání reklamací z pohledu
podniků – tj. předpokládá se, že nečestné jednání je na straně potřebitelů. Přitom sami
spotřebitelé jsou často podezíraví vůči praktikám firem a mají pocit, že se je snaží „okrást“
(oklamat) a proto využívají reklamační politiky (autoři se zde odkazují na práci Hunt, Shelby
D. and John R. Nevin, Why Customers Believe They Are Being Ripped Off, Business
Horizons, 24:3 (May/June), 1981, 48-52).
3.6 Obrana prodejců
Obchodníci čelí tomuto neetickému chování několika způsoby, které ovšem musí volit citlivě,
neboť většina zákazníků jsou poctiví a bylo by nesprávné, pokud by pracovníci byli přehnaně
podezřívaví. Vlídná komunikace se zákazníky je důležitější, protože dává signál, že
zákaznický servis je pro obchodníka tím hlavním cílem (King, 2007). V oblasti služeb bylo
zjištěno zjištěno, že zneužívání garancí je méně časté, pokud jsou zákazníci obecně
spokojenější s poskytovanou službou a pokud plánují znovu nakoupit tuto službu u tohoto
konkrétního poskytovatele (Wirtz a kol., 2000, citováno dle Hogreve a Gremler, 2009).
Postoj ke zneužívání může být změněn díky změně v předchozích zkušenostech – tj.
zkomplikování procesu vracení výrobků ve smyslu zabránění neoprávněných požadavků
(King a Dennis, 2003). Zkrácení lhůty na vrácení je jedním ze způsobů jak odradit zákazníky
od zneužívání vstřícné reklamační politiky (Hess, Mayhew, 1997), neboť krátké lhůty pro
vrácení výrobku činí zneužívaní reklamací méně zajímavé ve vztahu k nákladům, které musí
zákazník vynaložit.
Dalším z postupů, který obchodníci začali uplatňovat, je důslednější požadavek na předložení
účtenky při reklamaci, protože z jejich odhadů plyne, že pravděpodobnost zneužití reklamace
je třikrát vyšší v situaci, kdy zákazník vrací zboží bez účtenky (2010 Customer Returns In
The Retail Industry, 2010). Souvisejícím opatřením, které má snížit zneužívání, pokud
zákazník účtenku nemá, je předložení identifikačních údajů (viz také obrázek č. 11). To je
také výhodné vzhledem k dalšímu opatření – k evidenci nepoctivých zákazníků
Obchodníci mohou předcházet zneužívání např. databází, která bude evidovat zákazníky, kteří
příliš často vrací výrobky. Jednoduchým řešením by bylo s takovými zákazníky ukončit
obchodování. Harris (2008) ale doporučuje soustředit se na prevenci než na represi (formou
např. odmítáním problémových zákazníků). Za praktičtější pokládá zdůrazňovat důsledky
nekalného jednání v marketingové komunikaci. Znalost důsledků je podle jeho výzkumu
jedním z faktorů, které by mohly sklon se zneužívání snížit. Rovněž by podle něj pomohly
obecněji pojaté kampaně, které by poukazovaly na škodlivost takového chování.
54
Obrázek č. 11: Nutnost identifikace zákazníka při reklamaci
Zdroj: 2010 Customer Returns In The Retail Industry, 2010.
Tabulka č. 13: Podíly vracených výrobků podle kategorií v USA v roce 2007
Zdroj: 2007-2008 Customer returns in the retail industry, 2008
Cílem by mělo být přesvědčit zákazníky, že reklamace jsou opatření, které by mělo sloužit
oběma stranám tím, že snižuje rizika a negativní důsledky spojené s obchodní transakcí, čímž
se zvýší důvěra mezi obchodními stranami a loajalita. (King a kol. 2008).
Obraným postupům pak napomáhají také moderní technologie, které spolehlivěji určí, zda
např. daný oděv byl nebo nebyl nošen (King, 2007).
55
4 TEORIE PLÁNOVANÉHO CHOVÁNÍ
Teorie plánovaného chování (Theory of planned bahavior – TPB) je odvozena z teorie
zdůvodněného chování (Theory od reasoned action – TRA) a patří k teoretickým modelům,
které se pokouší vysvětlit lidské chování. Obě předpokládají, že rozhodnutí o chování je dáno
pravděpodobností dosažení výsledku a očekávané hodnoty. Jedinci se snaží upřednostnit
takové chování, které maximalizuje pozitivní důsledky jednání a minimalizuje důsledky
negativní (Hewstone a Stroebe, 2006).
Starší teorie zdůvodněného chování (TRA) říká, že záměrné (dobrovolné) chování lidí lze
predikovat pomocí postoje osoby k danému chování (attitude) a z názorů ostatních osob, jak
by oni vnímali situaci, kdy zkoumaná osoba dané jednání uskutečnila (subjective norm).
Postoje jednotlivce reprezentují hodnocení daného chování a jeho výsledků. Pokud se osoba
domnívá, že jednání bude mít pozitivní efekt, je pravděpodobnější, že se tak bude chovat.
Subjektivní norma je kombinací vnímaného a očekávaného hodnocení takového jednání ze
strany lidí, kteří jsou pro zkoumanou osobu důležití v tom smyslu, že jejich názory zkoumaná
osoba zohledňuje při svém chování.
Na rozdíl od TRA, teorie plánovaného chování (TPB) nepředpokládá, že člověk má plnou
volní kontrolu nad daným jednáním. TRA mohlo dobře vysvětlit chování, které bylo
přímočaré (proveditelné o vlastní vůli). TPB zohledňuje vnímaná omezení, která brání v
uskutečnění jednání, a pomocí těchto omezení vysvětluje, proč záměr (intence) nepredikuje
vždy výsledné chování (Armitage a Conner, 2001). Obecně platí, že lidé zamýšlí uskutečnit
takové jednání, které je snáze dosažitelné, tj. při kterém mají větší vnímanou kontrolu
chování. V situaci, kdy mají lidé úplnou kontrolu nad chováním je vztah záměr vs. chování
neovlivněn (Armitage a Conner, 2001).
Tato omezení se nazývají vnímanou kontrolou chování (Precieved behavioral control). Jedná
se o velmi blízký koncept vnímané vlastní účinnosti (self-efficacy). Rozdíl mezi vnímanou
kontrolou chování a self-efficacy je šíři pojmu, ačkoliv podle Ajzena jde o stejné koncepty.
Self-efficacy se týká vnímání vlastních omezení (schopností) jedince se daným způsobem
chovat, kdežto vnímaná kontrola chování nad rámec toho obsahuje i vnímaná vnější omezení
(Armitage a Conner, 2001). Protože je obtížnější měřit skutečnou kontrolu chování, ve
výzkumech se často spoléhá na vnímanou kontrolu (Ajzen, 2011). Analýza výsledků
publikovaných studií dokazuje, že rozšíření TRA o vnímanou kontrolou chování (tj.
formulace TPB) má smysl, protože se tím zvýšilo množství vysvětlené variability dat o 6 %
(King a kol. 2008).
TPB je užitečná při návrhu opatření, které mají za cíl změnit nežádoucí chování na žádoucí.
Vnímané kontrola chování spolu s dalšími proměnnými TPB jsou vhodným modelem např.
pro studium zneužívání reklamací (King a kol. 2008). Chang (1998) porovnal vypovídací
schopnost pro vysvětlení neetického chování TPB ve vztahu k TRA. TPB se ukázala jako,
neboť zahrnutím vnímané kontroly chování do modelu se zvýšila jeho vypovídací schopnost.
Aktéři neetického chování totiž nemají úplnou kontrolu nad tímto jednáním.
Jedna z výtek TPB se týká toho, že tato teorie nevysvětluje chování založené na zvyku.
V některých výzkumech se totiž zjistilo, že budoucí chování je ovlivněno chováním
předchozím. Tuto kritiku autoři TPB zpochybňují tím, že jejich model umožňuje takové
chování vysvětlit tím, že intence se mohla vytvořit v minulosti a že lidé si mohou vytvořený
záměr znovu vybavit, bez toho aby jej „znovu promýšleli při každé situaci, kdy se mají
daným způsobem zachovat“ (Hewstone a Stroebe, 2006).
56
Z rešerší výzkumů založených na TPB plyne, že tato teorie je schopná vysvětlit až 39 %
variability u proměnné záměr a 27 % v případě chování. A dále, že tři hlavní vysvětlující
proměnné mají skutečně silný vztah k záměru. Záměr a vnímaná kontrola chování má pak
silnou korelaci k chování (Armitage a Conner, 2001).
4.1 Model TPB a jeho proměnné
Podle teorie Ajzena a Fishbaina vlastnímu chování předchází záměr (intence) jej uskutečnit.
Záměr je indikátor toho, jakou námahu jsou lidé připraveni vykonat. V tomto pojetí záměr
zahrnuje dva aspekty – motivaci a plánování. Podle Lewina se úmyslná akce skládá ze tří fází:
motivace – záměru – akce, čímž se jasně odděluje záměr od motivace (Bagozzi, 2010).
Záměry lze rozdělit na několik druhů: individuální záměr ve vztahu k sobě samému („I
intention“, individuální záměr vzhledem ke skupině jiných osob, kolektivní záměr skupiny
(„we intention“) (Bagozzi, 2010). Dalším významným druhem záměrů jsou implementační
záměry, častěji označované jako plánování, které zahrnují rozhodování kdy, kde a jako se
zachovat a typické je, že dochází k časové proluce mezi vytvořením záměru a samotným
chováním (Bagozzi, 2010).
Sám záměr je v TPB ovlivněn třemi latentními proměnnými (vícerozměrnými konstrukty),
které nelze sledovat přímo (Ajzen, 2002):
1. Osobním postojem, který vyplývá z individuálních přesvědčení (či představ, anglické
označení beliefs bude dále překládáno jako přesvědčení), které odráží celkové
pozitivní či negativní hodnocení důsledků zkoumaného chování.
2. Subjektivní normou, což je vliv společnosti k uskutečnění nebo neuskutečnění
chování. Vnímané sociální důsledky chování jsou tak v modelu zpracovány odděleně
(Hewstone a Stroebe, 2006).
3. Vnímanou kontrolou daného chování, tedy vnímanou snadnost, s jakou může
zkoumaná osoba chování uskutečnit.
Obrázek č. 12: Model teorie plánovaného chování
Zdroj: Ajzen, 2010.
Tyto vztahy však neplatí absolutně. Při kvalitně provedeném výzkumu neexistence vazby
mezi některým ze tří postulovaných konstruktů a intencí znamená, že pro dané chování není
tato proměnné důležitá pro formování chování (Ajzen, 2011).
Všechny tři latentní proměnné jsou ovlivňovány přesvědčením. Člověk může mít velké
množství přesvědčení vztahující se k určitému objektu. Jako determinant jeho chování ale
slouží jen některé z nich. Přesvědčení tedy fungují jako filtr, přes který jsou vnímány objekty
57
a situace, jejich vlivem jsou potlačeny informace, které nejsou s přesvědčením konzistentní a
naopak víceznačné informace jsou upraveny do souladu s přesvědčením. Tyto „filtry“,
prostřednictvím kterých se vnímají situace, pak ovlivňují jednání osoby (Herr, 2010). Velmi
silné přesvědčení, zejména negativní, se označují jako předsudky (Hewstone a Stroebe, 2006).
Podle autorů teorie TPB je možné ovlivnit intenci a chování pouze prostřednictvím změn
v přesvědčeních, které se projeví v postojích, sociální normě, nebo vnímané kontrole chování
(Ajzen, 2002). To je důležité pro pochopení externích vlivů. Externí vlivy ovlivňují postoje
pouze nepřímo a to prostřednictvím přesvědčení – mění totiž jejich strukturu (belief structure)
(Bagozzi a kol., 1989).
V TPB jsou přesvědčení definovány nově pro každý nový kontext, což umožňuje tuto teorii
použít na velmi odlišné situace. Např. v modelu Technology acceptance model (TAM), který
využívá TRA a který slouží pro pochopení vztahu lidí k novým technologiím, jsou
přesvědčení postulovány a priori. Tudíž tento model říká, že hlavními přesvědčeními pro
formování postoje jsou užitečnost a vnímaná jednoduchost používání nové technologie
(Bagozzi a kol., 1989).
Bagozzi a kol. (1989) kladou jako otázku k dalšímu zkoumání, zda postoje skutečně zachycují
změny v přesvědčeních a zda část vlivu přesvědčení není ztracena, pokud se předpokládá
výhradně zprostředkované působení představ na intenci (záměry). Jejich vlastní výzkum
ukazuje na to, že postoj pouze částečně zprostředkovává vztah přesvědčení k intenci (Autoři
tuto otázku kladou ve spojitosti modelem TAM, ale lze ji chápat i obecněji).
Postoje současně nejsou vysoce korelované s chováním, neboť chování je komplexní jev a
postoj je pouze jedním z mnoha faktorů, které jej ovlivňují stejně jako např. zvyky, motivy,
snaha stát se jedním z ostatních (Ajzen, 1985).
Naopak postoj, sociální norma, a vnímaná kontrola chování mohou být a také bývají
vzájemně korelované a to proto, že stejná informace může ovlivnit přesvědčení, které působí
na postoje, tak na sociální normu anebo na vnímanou kontrolu chování. Přesto jsou tyto tři
proměnné v TPB uvažovány jako predikce záměru, které jsou mezi sebou nezávislé (Ajzen,
2011).
Jiný vztah mezi postojem a subjektivní normou předpokládá Chang (1998). Podle něj jsou
postoje utvářeny na základě přesvědčení, která ale mohou být ovlivněna právě hodnocením
jiných lidí, což také prokázaly empirické data. Přidání „kauzální“ vazby směrem od
subjektivní normy k postoji se zlepšila vypovídací schopnost jeho modelu.
Obrázek č. 13: Ovlivnění postojů sociální normou
Zdroj: Chang, 1998.
58
Ne všichni výzkumníci zahrnují postoje do svých modelů a několik výzkumů prokázalo, že
zahrnutí postojů přímo před závislou proměnnou není potvrzeno empirickými daty
(Randolph, 2001). Některé výzkumy dokládají také přímou souvislost mezi přesvědčením a
intencí bez zprostředkující cesty přes postoje (opět v souvislosti s modelem TAM) (Randolph,
2001).
Význam postojů ale plyne z toho, že mohou být ovlivněny (vzděláním, marketingovou
komunikací…) (Ajzen, 1985).
4.2 Aplikace TPB
TPB lze použit v kvalitativním výzkumu jako rámec pro směřování otázek (Ajzen, 2011),
většinou je ale využívání v kvantitativních výzkumech. K TBP neexistuje žádný oficiální
dotazník (Ajzen, 2011). Autor teorie ale zveřejnil vysvětlující poznámky k své teorii, vzorový
dotazník a také odpovědi na často kladené otázky, kde specifikuje technické detaily
konstrukce dotazníků. Výhodou je, že své materiály uvolnil k volnému šíření (v rámci
pravidel public domain). Vzhledem k rozšířenosti TPB je její aplikace také široce diskutována
v publikovaných výzkumech.
Při testování modelu podle TPB lze tři vysvětlující proměnné měřit jednak přímo anebo se
zahrnutím nepřímého měření, kdy je testovaný model doplněn o proměnné popisující
přesvědčení, které formují jak postoje, sociální normu i vnímanou kontrolu chování (viz obr.
č. 14). Zahrnutím přesvědčení do modelu se významně zvyšuje jeho vypovídací schopnost.
Důležité je to např. při plánování intervenčních opatřeních, protože ovlivnit chování, jak bylo
již řečeno, lze prostřednictvím změny přesvědčení (Ajzen, 2010). Pokud je cílem predikce
chování v závislosti na třech latentních proměnných modelu, přímé měření dostačuje (Ajzen,
2011).
Obrázek č. 14: Testování TPB nepřímou cestou
Zdroj: Urban, 2006.
59
Posuzované proměnné se na základě dotazování konstruují dvojím způsobem. Jednodušší a
méně přesný způsob spočívá ve ztotožnění latentní proměnné s jednou dotazovanou otázkou.
Druhou cestou je využití faktorové analýzy, kdy latentní proměnná je vytvořena z více
položek (více škálových otázek). Smysl tohoto postupu se např. ukázal v diskusi o důležitosti
subjektivní normy, o které někteří výzkumníci tvrdí, že její význam je velmi malý. Zjistilo se
totiž, že vztah mezi intencí a subjektivní normou je silný v situaci, kdy se subjektivní norma
měří přesněji, právně pomocí více položek (multiple items scale).
4.3 Metodická doporučení pro aplikaci TPB
Protože pro samotné stanovení škál není vhodná teorie, je třeba před vlastní konstrukcí
dotazníku provést formativní výzkum představ pro daný kontext, ve kterém se TPB aplikuje. I
u otázek zkoumající koncepty postupované TPB je třeba provést jejich validaci (Ajzen, 2002).
Protože při konstrukci škálových otázek neexistuje jasné teoretické pravidlo, Ajzen
doporučuje „spolehnout se na empirické řešení“. Tj. adaptovat škály podle toho, aby míra
těsnosti mezi představou a postojem byla velká (toto řešení se samozřejmě týká situace, kdy
pracujeme i s nepřímým měřením), tj. vyzkoušet řešení s různě upravenými škálami.
Konkrétně např. pro vytvoření proměnné postoj Ajzen (2002) doporučuje eliminovat ty
položky, které vykazují nízkou konzistenci s ostatními položkami. Předpokládá, že
výzkumník bude při výzkumu postoje pracovat s 10 až 12 položkami (items), ze kterých se
pak odvodí latentní proměnná „postoj“. Toto je mimochodem častý způsob konstrukce
latentních proměnných. V 40 % zkoumaných studiích jejich autoři uvedli, že při konstrukci
latentních proměnných vynechali jednu či více proměnných (Guo a kol., 2008).
Druhé doporoučení se týká obsahu položek v souvislosti s hodnocením dobré-špatné. Položky
(škálové otázky), které se použijí pro konstrukci latentní proměnné, by měly zahrnovat dvě
složky: užitek (užitečnost vs. zbytečnost) a prožitek (příjemné vs. nepříjemné).
Pokud jde o subjektivní normu, ukázalo se, že lidé mají tendenci souhlasit s „dobrým“
chováním a nesouhlasit s chováním nežádoucím. Proto je vhodné při formulaci otázek na
subjektivní normu zahrnout i dotaz na to, zda osoby důležité pro respondenta dané chování
uskutečňují nebo ne (Ajzen, 2002).
V důsledku technických omezení jsou výzkumníci často nuceni provést dotazování mezi
respondenty pouze jednou, což činí problém při stanovení intence a vlastního (budoucího)
chování. Intenci a chování lze zkoumat ve stejném okamžiku s tím, že se porovná intence a
intenzita chování v minulosti. Místo otázek na to jak se subjekt zachová, se dotazujeme na
jeho minulé chování. Takovýto vztah mezi zájmem a chováním má prediktivní validitu, pouze
pokud existují nezávislé indikace, že dané chování má stabilní povahu (Ajzen, 2011).
Při stanovení škál Ajzen (2002) doporučuje pracovat se stupnicí 1 až 7 a v případě potřeby
provést transformaci proměnné do podoby -3 až +3. Je totiž důležité zkonstruovat škály tak,
aby v případě součinu (např. představy o chování a hodnocení chování), byl výsledek věcně
logický. Touto transformací škály totiž dochází ke změně výsledků součinu (k nelineární
transformaci), což má dopad na testování modelu. Např. pokud respondent označí důsledek
chování jako nežádoucí a pravděpodobnost s jakou k tomuto důsledku dojde jako minimální,
při škále 1-7 se vynásobením získá hodnota 1. Pokud bude škála hodnocení důsledku -3 až
+3, výsledkem bude -3. Odpověď ale může znamenat jinou logiku působení na chování, než
minimální, resp. vedoucí k jeho potlačení (hodnoty 1 a -3). Protože tento negativní jev
nastane s minimální pravděpodobností, může mít tato představa naopak významný vliv na to,
aby respondent takové jednání uskutečnil.
60
Jednou z cest jak zvýšit vypovídací hodnotu dotazování ve vztahu k intenci je požádat
respondenty o opravu své odpovědi (Corrective entreaty). Respondenti totiž při odpovědích
nedostatečně zohledňují důsledky, které by určité jednání vyvolalo, čímž vzniká tzv.
hypotetická chyba. Ve výzkumech J. Ajzena se např. ukázalo, že při (hypotetickém)
dotazování nebyl aktivován vliv sociální normy na záměr, který by ovšem za normálních
okolností působil. Proto se v dotaznících někdy respondenti žádají o revizi svých odpovědí. A
to způsobem, že je jim přímo vysvětlen mechanizmus hypotetické chyby a poté jsou
požádáni, aby se znovu zamysleli nad svými dopověďmi a „při svém rozhodování postupovali
tak, jako kdyby se odehrávalo v reálné situaci a oni museli přijmout důsledky svého
rozhodnutí“ (Urban, 2006).
Jedním z důvodů, proč model vysvětlí jen malou variabilitu záměru nebo chování, může být
způsoben malým rozptylem v odpovědí týkajících se sledovaného chování (např. většina
respondentů dané chování neuskutečňuje). Příčinou mohou být ale také problémy
v metodologii výzkumu (Ajzen, 2011). Např. vztah postoje a intence nemusí být prokázán
výzkumnými daty, pokud není dodržen princip kompatibility, který Ajzen a Fishbein chápou
jako požadavek na měření intence a postoje: měření obou latentních proměnných musí
probíhat na stejném stupni specifikace z hlediska akce, cíle, kontextu a času (Hewstone,
Stroebe, 2006).
Ajzen také upozorňuje na interpretační problém při hodnocení výsledků. Standardizované
regresní koeficienty nebo path koeficienty nelze automaticky ztotožnit s významem
jednotlivých proměnných z hlediska predikce. Vyplývá to z konstrukce regresních
koeficientů, ve kterých zásadní roli hraje variabilita dat. Znamená to, že nízká variabilita
v odpovědích týkajících se určitého faktoru (tj. respondenti se shodnou např. na jeho
nevýznamnosti) vede k nízkým korelacím k záměru nebo chování, tj. k nízkým regresním
koeficientům. (Ajzen, 2010).
V této souvislosti je potřeba doplnit, že nízký regresní koeficient neznamená nedůležitost
z hlediska intervenčních akcí. Pro ovlivnění chování lze provést opatření, která budou působit
právě na tu proměnnou, která má nízké hodnoty regresních koeficientů, a přitom efekt ve
změně chování bude značný. Při opakovaném výzkumu by se po takové intervenční akci
(např. posilující vnímanou kontrolu chování) zvýšila variabilita této proměnné, což by se
následně ukázalo vyšší hodnotou regresních koeficientů (Ajzen, 2010).
Ajzen (2010) v této situaci (kdy je teoreticky možné, že změnu chování lze docílit působením
na proměnné se silnou i slabou mírou korelace) doporučuje raději začít ovlivňovat proměnné
se silnou korelací.
61
5 PRIMÁRNÍ DATA A PŘEDPOKLADY POUŽITÝCH
STATISTICKÝCH METOD
Tato kapitola popisuje sběr dat, která jsou zpracována v následujících kapitolách. Protože
předložený empirický výzkum má kvantitativní povahu a využívá zejména vícerozměrných
statistických metody, je úvod věnován jejich stručné charakterizaci a předpokladům pro jejich
úspěšnou aplikaci. Po té je popsán sběr primárních dat a jejich čistění.
5.1 Kvalita výzkumu z pohledu validity
Následující text stručně představuje základní pohled na tuto problematiku kvality zkoumání a
stručně definuje některé pojmy z této oblasti, neboť se na ně odkazují výzkumy představené v
práci. Hned na začátku dodejme, že označování různých aspektů kvality výzkumu a měření
není v literatuře zcela jednotné. Různé přístupy lze najit v publikaci Hendla (2004, s. 33-34).
Kvalita výzkumu je vedle jasné definice cíle, použitých metod či fundované interpretace
výsledků odvislá zejména od kvality dat, na kterých je výzkum postaven. Kvalita dat je dána
jednak reprezentativitou výběrového souboru (mluví se o tzv. externí validitě) a dále kvalit
měření. Kvalitou měření se zde rozumí chybovost, která plyne z použitých měřících
prostředků (tzv. interní validita).
Externí validita bývá nazývána jako reprezentativita, tedy míra shody mezi základním a
výběrovým souborem z hlediska kvantity a kvality. Právě tato shoda pak předurčuje, zda
zjištění, která z výzkumu vzejdou, budou zobecnitelná nebo pouze platná pro zkoumaný
vzorek. Je třeba upozornit, že reprezentativita není vždy zásadním požadavkem při zkoumání
– záleží totiž na cíli a charakteru výzkumu.
Obrázek č. 15: Vztah mezi populací a výzkumným vzorkem
Zdroj: http://www.uta.fi/~tero.mamia/opetus/luennot/lecture1.pdf
Interní validita má dvě vzájemně propojené složky: reliabilitu a validitu (Marczyk a kol.,
2005), česky spolehlivost a platnost. Reliabilita odkazuje na spolehlivost měření, kdy zvolený
způsob (měřící nástroj) při opakovaném měření poskytuje shodné výsledky za situace, kdy se
měřený objekt nezměnil. Reliabilita je tak opakem chybovosti měření (Hair, 2010), tedy
přesnost a konzistentnost měření. Zkreslení může být způsobeno jak samotným zvoleným
měřícím nástrojem, tak i okolnostmi měření. Při dotazování tak mohou mít „vliv na
spolehlivost měření jednak znění otázky, nabídka odpovědí, jejich obsah a počet kategorií
(sudý vs. lichý), stejně jako explicitně uvedená možnost „nevím“ a použití karet nebo jiných
vizuálních pomůcek. Mezi vlivy kontextu patří design a délka dotazníku, pořadí otázek v
62
dotazníku, způsob distribuce dotazníků (např. poštou, ve skupině, na internetu, emailem, nebo
přímý rozhovor s tazatelem), trénink tazatelů, jejich vystupování, neutralita při kladení
otázek, důvěryhodnost a zdrženlivost v reakcích na odpovědi.“ (Kreidl, 2005).
V mnoha situacích lze reliabilitu testovat, a to vícero způsoby: např. opakovaným měřením
v krátkém čase, zjišťování jedné skutečnosti pomocí několika alternativních otázek, tzv. splithalf
test, zapojením více pozorovatelů (hodnotitelů) místo jednoho pro dosažení vyšší míry
objektivnosti.
Obecně obtížnější je hodnocení validity výzkumu, které spočívá v nalezení odpovědi na
otázku, zda měřící nástroj měřil skutečně to, co výzkumníci potřebovali měřit a předpokládali,
že nástroj měří. Význam validity lze znázornit pomocí tohoto „true score modelu“:
XO = XT + XS + XR
kde Xo je skutečná hodnota zkoumaného fenoménu a XT je hodnota získaná měřením. Rozdíl
mezi těmito hodnotami představuje chybu měření, která má svou systematickou složku XS a
náhodnou složku XR. Měření je validní pokud se XO = XT, což znamená, že se nevyskytuje
ani systematická ani náhodná chybovost při měření. Podmínkou dokonalé validity je tak i
reliabilita měření (Du, 2010). Nelze prohlásit o nějakém měřícím nástroji, že je validní, pokud
by nebyl současně reliabilní (Marczyk a kol., 2005). Reliabilita je naopak podmínkou nutnou,
nikoliv dostačující k dosažení validity.
Obrázek č. 16: Vztah mezi reliabilitou a validitou
Zdroj: Du, 2010
Sama validita má několik podob. Nejčastěji se mluví o následujících typech (Kreidl, 2005;
Du, 2010):
 Zjevná validita se týká hodnocení vhodnosti měřících instrumentů z hlediska logiky,
resp. logického zdůvodnění či přesvědčení výzkumníka.
 Obsahová validita odkazuje k tomu, zda byly při měření zahrnuty skutečně všechny
relevantní aspekty zkoumaného jevu.
 Kriteriální validita vychází z porovnání s nějakým jiným objektivizovaným kritériem.
Jinými slovy této validity je docíleno, pokud se zkoumané hodnoty pohybují dle
očekávání ve shodě s jinými empirickými proměnnými. Má tyto tři podoby:
o Souběžná validita
o Prediktivní validita
o Konstruktová validita, která má nejčastěji tyto aspekty:
 Konvergentní validita, která při měření jednoho (jednorozměrného)
konstruktu předpokládá, že různé měřící nástroje budou vykazovat
podobný vzorec hodnot.
63
 Diskriminační validita předpokládá, že naopak měřící nástroj nebude
sledovat podobné vzorce jako jiné nástroje, které ale měří jiné
konstrukty.
 Nomologická validita znamená, že naměřený konstrukt se „chová“
k dalším zkoumaným konstruktům dle teoretického očekávání.
Běžným způsobem, jak obhájit validitu výzkumu, je odůvodnění zvolených nástrojů měření
pomocí exitujících teorií, či empirických výzkumů i pomocí další literatury. Exaktnější
způsob hodnocení validity je prováděn pomocí faktorové analýzy (explorační i konfirmační).
Tento postup je možné použít v situaci, kdy je jeden jev zkoumán pomocí více proměnných a
povahy vztahu mezi proměnnými a jevem či jevy lze odvodit z teorie (Kreidl, 2005).
5.2 Vícerozměrné statistické metody
Pod označením vícerozměrné statistické metody (angl. multivariate statistical methods) se
rozumí statistické metody, které zpracovávají více proměnných najednou. Patří mezi ně tyto
metody:
 Vícenásobná regrese (multiple regression)
 Analýza hlavních komponent (Principal Component Analysis)
 Faktorová analýza (Factor Analysis)
 Shluková analýza (Cluster Analysis)
 Diskriminační analýza (Discriminant Analysis)
 Korespondenční analýza (Correspondence analysis)
 Kanonická korelace (Canonical Correlation Analysis)
 Vícerozměrné škálování (Multidimensional Scaling)
 Klasifikační stromy (Classification Trees)
 Pěšinková analýzy (Path analysis)
 Strukturní modelování (Structrual equation modeling)
 Preferenční analýza (Conjoint analysis)
Hair a kol. (2001, 21) upozorňuje, že při použití vícerozměrné statistiky je potřebné se
vyhnout nerelevantním, nadbytečným proměnným. Jejich přítomnost ve statisticky
testovaném modelu má dva nežádoucí důsledky:
1. statistické metody mají větší náchylnost k (chybnému) potvrzení modelu na
zkoumaných datech, čímž se ale snižuje schopnost zobecnitelnosti výsledků na celou
populaci.
2. Ačkoliv nadbytečné proměnné nezkreslují odhady proměnných, které jsou relevantní,
jejich negativem je, že zvyšují multikolinearitu a díky tomu zkreslují skutečné vztahy
mezi proměnnými modelu. V konečném důsledku tak komplikují interpretaci všech
proměnných.
5.2.1 Velikost výzkumného vzorku
Vícerozměrné statistické metody jsou díky své složitosti citlivé na velikost výzkumného
vzorku. V případě, že vzorek je malý, roste riziko, že se získají výsledky statisticky slabé (síla
statistických testů je příliš slabá, aby se získaly statisticky signifikantní výsledky), nebo
naopak uměle velmi dobré – odpovídají malému vzorku ale jejich zobecnitelnost je minimální
(Hair a kol., 2001, 21). Možná trochu překvapivě způsobuje problémy také vzorek velký
(čítající 400 a více případů). Díky velké statistické síle testů se např. projevuje statistická
významnost i pro relativně malé odchylky hodnot. Proto je třeba v těchto situacích pečlivě
64
vážit smysluplnost výsledků: např. má nějaký interpretační význam malý rozdíl mezi dvěma
veličinami, který je statisticky významný?
5.2.2 Statistické předpoklady vícerozměrných metod
Pro korektní statistické zpracování dat pomocí vícerozměrných metod je třeba, aby vstupní
data měly jistou kvalitu, tj. aby splňovaly několik předpokladů. Tím prvním je normalita dat,
resp. vícerozměrná normalita dat. Tento důležitý předpoklad znamená, že každá proměnná,
která bude zpracovávána, a také všechny lineární kombinace těchto proměnných budou
normálního rozdělení a budou nezávislé. Vícerozměrnou normalitu dat lze částečně prověřit
tak, že se prozkoumá normalita, linearita a homoskedasticita individuálních proměnných,
nebo důkladným prozkoumáním reziduí, které získáme z jednotlivých analýz (Tabachnick a
Fidell, 2007, s. 78).
K prověření uvedených předpokladů existují formální statistické testy, nicméně vedle nich se
také doporučuje využít k posouzení grafického zobrazení – např. histogramy při hodnocení
normality, nebo vynesení hodnou dvou proměnných do souřadnicového prostoru za účelem
prověření linearity vztahů či homoskedasticity.
Mezi používané statistické testy patři např.:
 Shapirův-Wilkův test, Pearsonův koeficient α – pro normalitu dat
 Levenův test, Bartlettův test, Cochranův test – pro homogenitu rozptylu
Zvláštním problémem vícerozměrných metod je tzv. multikolinearita (vysoká vzájemná
korelovanost proměnných) a singularita dat (proměnná zahrnutá do analýzy je kombinací
dvou či více jiných proměnných). Nepříjemným výpočetním důsledkem je to, že determinant
se v těchto případech blíží nule, což může nadhodnocovat význam některých vysvětlujících
proměnných a díky zvýšenému rozptylu odhadů je snížena přesnost vypočtených
individuálních hodnot (Tabachnick a Fidell, 2007, s. 90). Jak bylo uvedeno výše, není
z tohoto důvodu dobré zahrnovat takovéto proměnné do testovaných modelů. Toto ale neplatí
pro metody jako je faktorová analýza, analýza hlavních komponent a strukturní modelování
(Tabachnick a Fidell, 2007, s. 89).
Pokud není normalita dat splněna, lze použít transformaci dat a pracovat tak s odvozenými
veličinami, které normalitu splňují nebo se aspoň přibližují. Způsobů transformace dat, které
jsou úspěšně používány, je několik a patří mezi ně:
 mocninná transformace y = x2
 odmocninová transformace y = √x
 logitová transformace y = ln(x/(x-1))
 logaritmická transformace y = ln(x)
 inverzní transformace y = 1/x
Při používání transformací je ale třeba pamatovat na to, že na rozdíl od původních hodnot,
které mohly být charakteru intervalového nebo poměrového (interval, ratio scale), je výsledná
transformovaná veličina typu pořadových dat, což může být v rozporu s některými metodami
zpracování dat, které předpokládají intervalové hodnoty. Také interpretace výsledků by měly
vycházet z původních hodnot, např. proto, že při inverzní transformaci se mění polarita
hodnot (Osborne, 2002).
Vedle těchto postupů, které řeší problém s ne-normalitou dat, se uplatňují také lineární
transformace (např. centrování), či převedení na Z-skory. Doporučení vztahující se
k postupům transformace ale nejsou jednoznačná (viz tab. č. 14 a obr. č. 17)
65
Tabulka č. 14: Transformační řebřík
Zdroj: Leech a kol., 2005, s. 42
Obrázek č. 17: Doporučený postup pro transformace proměnných
Zdroj: Tabachnick a Fidell, 2007
Je potřebné ale dodat, že se zvětšujícím se výzkumným vzorkem se také zvyšuje robustnost
některých vícerozměrných metod vůči porušení předpokladu normality. Například důsledky
pozitivní špičatosti dat na odhad rozptylu (jeho zkreslení) jsou eliminovány ve vzorcích
čítajících více než 100 případů. Negativní špičatost se podobně přestane projevovat u vzorků
nad 200 případů (Waternaux, 1976; citováno dle Tabachnick a Fidell, 2007, s. 80).
5.2.3 Chybějící hodnoty
Ve výzkumech v oblasti společenských věd je běžné, že zpracovávané datové soubory nejsou
100 % úplné, ale obsahují chybějící hodnoty (missing data). Tato skutečnost vyvolává několik
potenciálních problémů. Pokud se z analýzy vypustí ty případy (jednotky), u kterých nemáme
kompletní data (např. neúplně vyplněné dotazníky), sníží se tím významně velikost
výzkumného vzorku. Bylo například dokázáno, že pokud chybí 10 % dat náhodně
rozprostřených v pěti proměnných, 60 % případů obsahuje alespoň jednu chybějící hodnotu
66
(Kim a Curry, 1977). Vedle menšího vzorku může dojít při vyloučení těchto případů ke
zkreslení výsledků, neboť je možné, že chybějící data nevznikly náhodně, ale mohou být
důsledkem nevhodného výzkumného postupu (např. přímé dotazování na citlivé otázky). Je
tak nezbytné prověřit příčiny vzniku chybějících dat (Hair a kol., 2010) a zda se nevyskytují
systematicky podle nějakého vzorce.
Ve statistických softwarech se tento způsob „ošetření“ chybějících dat spočívající ve
vyloučení neúplně popsaných objektů označuje jako CASEWISE strategie. Vedle
naznačených problémů je výhodou tohoto postupu to, že výběrová kovarianční matice zůstane
pozitivně definitní, což nemusí být v případě postupu zpracování „PAIRWISE“ (vyloučení
neúplných párů), „kdy každá kovariance se počítá ze všech možných dvojic a průměry v ní
jen z hodnot užitých pro výpočet kovariance“ (Tvrdík, 2003, s. 23).
Hair a kol. (2010, s. 46) mj. doporučuje následující:
 Pokud, u kterých případů chybí méně než 10 % dat, lze toto ignorovat, pokud u
chybějících hodnot nenalezneme nějaké pravidlo výskytu.
 Případy, u kterých chybí hodnoty u závislých proměnných, je dobré vyloučit. Zabrání
se tím umělému zvětšení vazby s nezávislými proměnnými.
 Proměnné, u kterých chybí 15 % či více dat, jsou kandidáty na odstranění.
Pokud není možné získat chybějící data z jiných zdrojů, nebo nahradit celé porozvání, které
obsahuje chybějící hodnoty, jiným (např. nové dotazování podobného subjektu), lze chybějící
hodnoty vypočítat např. pomocí:
 Průměru – což znamená, že všechny chybějící hodnoty budou stejné, čímž se sníží
celkový rozptyl, naruší se původní rozdělení dat a sníží se vypočítané korelace.
 Pomocí regrese – kdy chybějící hodnoty jsou vypočteny na základě stanovených
vztahů mezi proměnnými. I tato metoda má své nevýhody. Předně se uměle zvyšuje
závislost v datech (automaticky se předpokládá, že závislost existuje) a snižuje se
zobecnitelnost výsledků a podhodnocuje rozptyl dat. (Hair a kol., 2010, 51)
V souvislosti se strukturním modelováním se pomocí simulace Monte Carlo zjistilo, že
nejlepší výsledky při zpracování chybějících hodnot dává metoda FIM (Full Information
Maximum Likelihood). Také 69 % zkoumaných studií právě metodu maximální věrohodnosti
použilo (Shah a Goldstein, 2006).
5.2.4 Odlehlé hodnoty
Odlehlé hodnoty nelze považovat a priori za špatné ani za dobré, ale jejich hodnocení musí
vycházet z kontextu a z příčin, které tyto odlehlé hodnoty vyvolaly. Příčinou může být chyba
při zpracování (např. přepisování) dat. Dále mimořádná událost, která způsobila výjimečné
hodnoty. Samostatným typem odlehlých hodnot jsou situace, kdy mimořádnost nespočívá
v hodnotách jednotlivých proměnných (ty mohou být v běžných mezích), ale v nestandardní
kombinaci hodnot proměnných, týkající se jednoho případu.
Odhalení odlehlých hodnot je relativně snadné u jednotlivých proměnných. Obtížnější je to
v případě vícerozměrných dat, kdy se hledají odlehlé případy (v potaz se tak musí vzít
hodnoty více proměnných najednou).
Rozšířeným způsobem jak odhalit tyto odlehlé případy je pomocí Mahalanobisovy metriky,
na které je zajímavé to, že vedle rozdílů ve variablititě zohledňuje také korelační strukturu
mezi proměnnými. Při hledání odlehlých hodnot ve vícerozměrných datech lze uplatnit i
shlukovou analýzu a analýzu hlavních komponent. Oliviera a kol. (2010) např. porovnáním
těchto tří postupů dochází k závěru, že žádný z nich není jednoznačně lepší a každá z metod je
67
schopná ve zkoumaných datech (zde z oblasti chemie) určit takový odlehlý prvek, které
ostatní metody za odlehlý nepovažují.
5.3 Dotazníkové šetření
5.3.1 Orientační průzkum
Před samotným návrhem dotazníku bylo provedeno orientační šetření mezi cílovou skupinou
osob (základním souborem) s cílem zjistit, zkušenosti s reklamacemi týkající se spokojenosti,
příčin nespokojenosti, reakcí na nespokojenost s reklamačním postupem, oportunistického
jednání. Jedná se o témata, které odrážely cíle plánovaného empirického výzkumu. Výsledek
tohoto zjišťování pak tematické zaměření ovlivnil zejména v tom směru, že téma zneužívání
reklamací bylo „upozaděno“. Předběžné výsledky totiž naznačily, že jde o jev, který není
(alespoň u této zkoumané skupiny osob) rozšířený.
Způsob provedení tohoto orientačního výzkumu byl velmi jednoduchý. Náhodně vybrané
skupině 20 osob byly rozdány písemné dotazníky obsahující tři otevřené otázky a jednu
uzavřenou (obr. 18). Odpovědi byly zpracovány pomocí jednoduchého kódování do
obecnějších kategorií.
Obrázek č. 18: Dotazník pro orientační průzkum
Vážená kolegyně, Vážený kolego, 
prosím o zodpovězení následujících čtyř otázek, které se věnují zkušenostem s 
reklamováním výrobků. Reklamací zde rozumíme situaci, kdy (1) požadujete náhradu za 
nefunkční výrobek či jeho opravu anebo (2) využíváte možnost vrátit nevhodně koupený (a 
nepoškozený) výrobek zpět obchodníkovi bez udání důvodu s tím, že obdržíte zpět své 
peníze za nákup (samozřejmě pouze tehdy, pokud obchodník toto možnost nabízí). 
Odpovědi mohou mít formu odrážek, nebo celých vět. Při nedostatku místa můžete 
samozřejmě využít druhou stranu papíru. 
 
Mnohokrát děkuji.            Radoslav Škapa, KPH 
 
1. Byl(a) jste někdy nespokojen(a) s průběhem či výsledkem nějaké reklamace výrobku? 
Pokud ano, jaké byly důvody Vaší nespokojenosti? 
 
2. Ovlivnila tato negativní zkušenost s reklamací Vaše další návštěvy a nákupy v tomto 
obchodě? Pokud ano, jak (resp. v čem) je ovlivnila? 
 
3. Koupili jste si někdy výrobek s vědomím, že jej budete krátce využívat a pak jej vrátíte do 
obchodu a inkasujete původní částku? 
 
Ne, nikdy.     Ano, jednou.       Ano, vícekrát. 
 
4. Máte pocit, že se Vám někdy podařilo využít možnosti vracení výrobků takovým 
způsobem, že jste nakonec na celé transakci „vydělali“, tj. pomyslný efekt a užitek byl pro 
Vás větší než pro obchodníka? Pokud ano, můžete tuto zkušenost blíže popsat? 
Zdroj: autor
68
5.3.2 Výsledky předběžného průzkumu
1. Spokojenost s reklamacemi (průběh a výsledek)
Byť kvantitativní poměr odpovědí spokojenost vs. nespokojenost není v tomto případě
spolehlivou informací, je zajímavé, že podíl je vyrovnaný: 60 % respondentů uvedlo, že bylo
někdy nespokojeno a 40 % nebylo. Uváděné důvody nespokojenosti byly tyto:
 Odmítnutí reklamace, kterou respondent považoval za oprávněnou (uvedeno 3krát)
 Několikrát nebyl prodejce schopný opravit stejnou, opakující se vadu
 Nový produkt, získaný místo pokaženého, byl nižší kvality
 Neochotný personál
 Průtahy při reklamaci
 Snaha vyhnout se reklamaci ze strany obchodníka
 Dlouhá doba vyřízení reklamace
 Nepříjemný personál
2. Ovlivnění dalšího nákupního rozhodování
Opět polovina odpovědí připustila, že negativní zkušenost s uplatněním reklamace měla vliv
na nákupní chování:
 Důsledkem nespokojenosti s reklamací bylo, že respondent začal nakupovat u jiného
prodejce (zaznělo 3 krát).
 Respondent začal nakupovat jinou značku (zaznělo 3 krát).
 Utvořil si „názor na reklamace“.
V případě nezměněného chování jednou jako důvod zaznělo, že prodejce byl jediný, kdo
výrobky dané značky nabízí, a proto ke změně prodejce nedošlo.
3. Reklamace jako zdroj dodatečné výhody
Absolutní většina (80 %) respondentů se nesetkala s tím, aby při reklamaci na celé transakci
nakonec „vydělala“, na úkor obchodníka. Jeden respondent to zdůvodnil tím, že ač obdržel
nový výrobek místo používaného, při zohlednění času, který mu reklamace vzala, se o „zisku“
nedá mluvit. Menšina respondentů, která tuto zkušenost měla, ji zdůvodnila např. tak, že
získali nové výrobky místo použitých, nebo peníze místo použitých výrobků (zaznělo vždy
dvakrát).
Otázka „zisku“ při reklamacích souvisí se zneužíváním reklamací, což mělo být jedním
z hlavních témat výzkumu, protože se nepodařilo najít žádný průzkum tohoto fenoménu v
českém prostředí.
Výsledky orientačního průzkumu naznačily, že ke zneužívání reklamací u sledované skupiny
osob nedochází. Nikdo z nabízených tří odpovědí nezvolil jinou než „ne“, tj. nepokusil se
využít reklamaci ve svůj prospěch. Pouze jeden respondent uvedl, že nad tím přemýšlel, ale
nepodařilo se mu to realizovat (bez bližšího uvedení příčiny nezdaru). Výsledek nelze
považovat za směrodatný nejen k nízkému počtu dotazovaných, ale také s ohledem na eticky
citlivou stránku věci, byť dotazování bylo anonymní.
5.3.3 Vlastní sběr empirických dat
Data byly získány v květnu a červnu 2010 pomocí dotazníků, které byly rozdány studentům
Ekonomicko-správní fakulty Masarykovy univerzity, a to jak v denní tak i kombinované
formě studia. Respondenti nebyli při vyplňování limitováni časem. Postup jak odpovědět na
69
otázky a jak zaznamenat odpovědi do archu byl vysvětleny ústně a tyto instrukce byly také
součástí samotného dotazníku, v písemné podobě (viz obr. č.19).
Obrázek č. 19: Průvodní text dotazníku a instrukce
Vážená kolegyně, vážený kolego, 
 
prosím  o  vyplnění  následujícího  dotazníku  pro  výzkum,  který  analyzuje  pohledy  zákazníků  na 
reklamace  výrobků.  Vzhledem  k  tomu,  že  Vám  vyplnění  dotazníku  zabere  téměř  20  minut,  jako 
alespoň částečnou náhradu vynaloženého úsilí Vám nabízím možnost zapojit se do losování o 5 krát 
500 Kč (předpokládaný počet respondentů je cca 250). Podmínky jsou následující: 
1) uvedení emailové adresy (na konci dotazníku), na které Vás v případě výhry kontaktuji 
2) zodpovězení všech otázek, a to pravdivě (dotazník obsahuje otázky testující logickou provázanost 
odpovědí). 
 
Instrukce k vyplnění dotazníku:
Otázky čtěte a vyplňujte v pořadí, v jakém jsou uvedeny za sebou.
U některých otázek budete mít dojem, že jejich zodpovězení záleží na
okolnostech a dalších faktorech. V takovém případě se pokuste uvést
Váš obecný názor či zkušenost.
Reklamací se v dotazníku rozumí:
1) jednak zákonný nárok (tj. výrobek nesplňuje vlastnosti uvedené prodejcem
v zákonné záruční lhůtě, popř. jde o vrácení do 14 dnů bez udání důvodu, byl-li koupen „na dálku“ tedy např.
přes internet)
2) a současně také možnost vrátit nepoškozený výrobek zpět do určité lhůty, není-li s ním spotřebitel
spokojen. Jde tedy o dobrovolnou možnost nad rámec zákona, kterou nabízejí někteří obchodníci.
 
Děkuji za Vaši pomoc.  
Ing. Radoslav Škapa, Ph.D. 
 
Zodpovězte prosím všechny následující otázky! 
 
Prosím označte (křížkem, kroužkem, či zatržením u příslušného čísla 1‐7) nejvhodnější odpověď na 
následujících škálách. 
Zdroj: autor
Protože metody vyhodnocování dat vyžadovaly, aby odpovědi na otázky byly pokud možno
úplné a samozřejmě i kvalitní ve smyslu pravdivosti, byl zvolen drobný stimul pro
respondenty. Ačkoliv byl dotazník anonymní, respondenti mohli uvést kontaktní emailovou
adresu (jakoukoliv, např. anonymní na „neemailových“ serverech). Díky tomu se zařadili do
„slosování“ o finanční výhru v hodnotě 500 Kč. Těchto vylosovaných dotazníků bylo pět a
vzhledem k plánovanému počtu dotazníků cca 250 bylo studentům sděleno, že šance na
získání této ceny je 1 ku 50. Podmínkou zařazení do slosování bylo vedle uvedení kontaktní
adresy také to, aby byl dotazník kompletně a kvalitně vyplněný (o kvalitě vyplňování viz
dále).
Dotazováním se získalo 252 vyplněných dotazníků. Tento počet se snížil o dva, neboť šlo o
dotazníky vyplněné zjevně ledabyle – např. odpovědi na 25 otázek za sebou udávaly stejnou
hodnotu, která byla u některých kombinací otázek i interpretačně nesmyslná. Zbylých 250
70
dotazníků bylo dále prověřeno na odlehlé hodnoty. Součástí dotazování byl i sběr dat pro
conjointní analýzu, což je dále rozvedeno v příslušné kapitole.
Protože s výjimkou údaje o věku, všechny ostatní odpovědi spočívaly v zaškrtnutí hodnoty na
škále -3 až +3, nemělo smysl provést identifikaci odlehlých hodnot na úrovni jednotlivých
otázek (tedy proměnných). Proto se zkoumala „vícerozměrná“ odlehlost, tedy případy
(jednotlivé dotazníky), které vykazovaly výraznou odlišnost od ostatních případů. K tomuto
účelu byly použity tři metody:
3. Shoda v podobných otázkách v dotazníku.
4. Mahalanobisova metrika (vypočítaná na základě sklonu k reklamacím – tj. z části
proměnných, které by měly spolu korespondovat)
5. Hierarchická shluková analýza (konkrétně Wardova metoda ve spojitosti
s euklidovskou vzdáleností – důvodem využití právě této metody je její časté
používání).
Vzhledem k tomu, že dotazník obsahoval několik otázek, které se vztahovaly ke stejným
latentním proměnným, a v několika případech se jednalo de facto o reformulaci jiných otázek
a tudíž významově byly téměř identické, využily se pro identifikaci „podezřele“ vyplněných
dotazníků. Například se jednalo o tyto otázky:
 K zákazníkům, kteří reklamují výrobky, se obchodníci chovají zdvořile.
 Obchodníci si nedovolí chovat se hrubě k zákazníkům, kteří uplatňují reklamaci.
 Obecně platí, že dám na názory svých přátel.
 Názory mých přátel jsou pro mě inspirující.
Pro každý dotazník byly vypočítány absolutní hodnoty rozdílů v odpovědích mezi sedmi
dvojicemi otázek. Součtem absolutní hodnoty rozdílů vznikl index neshody, který upozornil
na 9 dotazníků, u kterých tento index dosahoval nejvyšších hodnot. Tyto dotazníky byly
individuálně prověřeny, co do smysluplnosti ostatních odpovědí. Navzdory relativně vysoké
neshodě v kontrolních otázkách nebylo možné tyto dotazníky jednoznačně odmítnout jako
nekvalitně vyplněné.
Další dva postupy (Mahalanobisova vzdálenost a hierarchická shluková analýza) vedly k ne
zcela shodným výsledkům – měřeno pomocí Spearmanova rho se jednalo o korelaci na úrovni
0,61 (p = 0.000). Z následující tabulky lze vidět, že např. mezi 10 nejodlehlejšími
pozorováními podle obou metod nacházíme shodu pouze u tří případů, z nichž jeden byl také
identifikován předchozím postupem (konkrétně dotazník č. 48).
Tab.
71
Tabulka č. 15: Deset nejodlehlejších případů podle Mahal. vzdálenosti a shlukové analýzy
Číslo
dotazníku
Hodnota Mahal.
vzdálenosti
Číslo
dotazníku
Vzdálenosti podle
shlukovélýzy
117 38,88102 75 59104,59
121 35,464 48 58598,43
1 33,68655 116 54245,19
228 32,78048 236 52050,29
48 32,63509 226 51251,25
24 32,53816 243 50209,43
237 32,41099 233 49468,5
77 32,05474 229 47955,95
75 29,56717 61 47896,55
201 29,33318 117 47032,62
Zdroj: autor
Obrázek č. 20: Vzdálenosti mezi případy
Zdroj: autor
Průnikem uvedených tří postupů je jeden dotazník, o kterém lze s velkou mírou jistoty
prohlásit, že je hledaným odlehlým případem. I pokud se rozšíří definiční obor (a při použití
Mahalanobisovy vzdálenosti a při shlukové analýze se najde průnik na 20 místo na 10
nejodlehlejších případech – což bude 8 případů), celkový počet identifikovaných odlehlých
případů budou dva. I pokud mírně upravíme tyto kriteria výběru odlehlých dat, získáme vždy
malý počet dotazníků. Jejich vypuštění ze samotných analýz výsledky nijak zásadně neovlivní
(což bylo také experimentálně prověřeno). Proto byl v konečném kroku zvolen konzervativní
přístup k ohledným hodnotám a byly ponechány ve výzkumném vzorku. Finální počet
dotazníků, které se využity pro strukturní modelování, byl 250.
0
5
10
15
20
25
30
35
40
45
0
10000
20000
30000
40000
50000
60000
70000
1
15
29
43
57
71
85
99
113
127
141
155
169
183
197
211
225
239
Shluková analýza
Mahalanobisova metrika
72
5.3.4 Chybějící údaje
Z tabulky č. 16 plyne, že 75 % dotazníků bylo vyplněno úplně. Situace, kdy bylo v dotazníku
více nezodpovězených otázek než dvě, byla ojedinělá. Tyto chybějící hodnoty byly téměř
rovnoměrně rozprostřeny mezi proměnnými s jedinou výjimkou. Tou byla otázka, zda se
někdy v minulosti respondent pokusil uplatnit reklamaci, i když věděl, že je neoprávněná.
Nezodpovědělo ji 43 (18 %) respondentů, což podle doporoučení (Hair, 2010, str. 46) činí
tuto proměnnou kandidátem na vyřazení z dalšího zkoumání, protože nahrazení chybějících
hodnot (tzv. imputace) může být problematické. Protože se jednalo o důležitou proměnnou
(konkrétně závislou, vysvětlovanou proměnnou) nebyla vyřazena a ani nebyly nahrazeny
chybějící hodnoty. Místo toho se příslušná analýza (zneužívání reklamací) počítala z hodnot,
které byly k dispozici tj. na vzorku 207 respondentů).
U ostatních proměnných byly chybějící hodnoty nahrazeny průměry pomocí procedury
Replace missing values v programu SPSS a to přesto, že použitý statistický software pro
strukturní modelování byl schopný vypočítat výsledky i z dat obsahující chybějící hodnoty.
Nevýhodou ale je, že software SPSS pak neprovede výpočty některých dílčích ukazatelů.
Proto se chybějící hodnoty nahradily předem.
Tabulka č. 16: Množství chybějících dat
Počet chybějících hodnot v rámci jednoho
dotazníku ve všech proměnných
Počet dotazníků
0 188
1 35
2 12
3 7
4 4
7 1
10 1
11 1
12 1
Celkem 250
Zdroj: autor
5.3.5 Normalita dat
Normalita dat byla testována na úrovni jednotlivých proměnných jak vizuálně (Norma Q-Q
plot)), tak pomocí Shapiro-Wilkův test W. Bohužel většina proměnných normalitu
nesplňovala. Nejčastějším problémem byla negativní šikmost dat.
Dle doporučení z literatury (Leech a kol., 2005; Hair a kol., 2010; Tabachnick a Fidell, 2007)
byly problematické proměnné transformovány mocninnou transformací a ve třech případech
odmocninou transformací. Transformované i zbylé netransformované veličiny byly převedeny
na z-skóry, pomocí kterých se pak prováděly výpočty. Protože se ale ukázalo, že modely
s transformovanými veličinami dávají velmi podobné výsledky, jako tomu bylo při použití
původních dat, veškeré publikované výsledky pocházejí z netransformovaných dat. Lze říct,
že tato zkušenost potvrzuje robustnost metod jako je strukturální modelování, pokud je
prováděno na dostatečně velkém vzorku dat (myšleno 200 a více, Hair a kol., 2010).
73
5.3.6 Charakteristika vzorku respondentů
V následujících analýzách se pracuje s výzkumným vzorkem o velikosti 250 respondentů, a
jak bylo řečeno, výjimkou je analýza týkající se zneužívání reklamaci, kde je vorek menší
z titulu chybějících hodnot závislé proměnné. Druhou odlišností je conjointní analýza: ačkoliv
data pro ni se sbíraly současně s ostatními údaji, nebylo to ve všech případech a tak je
výsledný vzorek pro conjointní analýzu 172. Přestože profil respondentů je prakticky stejný,
je o něm pojednáno v příslušné kapitole samostatně.
V celkovém výzkumném vzorku (n = 250) převažovali mírně muži – bylo jich 54 %.
Průměrný věk bylo 24.5 let a medián 23 let. Respondenti svou finanční situaci v porovnání s
okolím (na škále 1 až 7) hodnotili jako nadprůměrně dobrou (viz obr. č. 21). Mezi ženami a
muži co do věku a pohledu na svou finanční situaci nebyl statisticky významný rozdíl.
Obrázek č. 21: Respondenti z hlediska věku a finanční situace
Zdroj: autor
74
6 VLIV REKLAMAČNÍCH PODMÍNEK NA NÁKUPNÍ
ROZHODOVÁNÍ V PROSTŘEDÍ INTERNETOVÝCH
OBCHODŮ
Struktura této obsáhlejší kapitoly je následující. První část formuluje cíl zkoumání a
vysvětluje volbu zkoumaných faktorů. V druhé části je představena použitá metoda výzkumu
– conjointní analýza – vzhledem k faktu, že v českých podmínkách patří k velmi okrajově
využívaným metodám, což lze doložit malým počtem výzkumů českých autorů, které
conjointní analýzu využívají. Ve třetí části je popsán provedený experiment, vyhodnocení dat
a samotné výsledky.
6.1 Cíle a zdůvodnění empirického šetření
Cílem následujícího empirického šetření je zjistit důležitost faktorů souvisejících s procesem
reklamací pro nákupní rozhodování spotřebitelů při nakupování v internetových obchodech.
Volba internetového prostředí má dva důvody:
1. Internetoví obchodníci jsou konfrontování s relativně velkým množstvím zpětných
toků (Dissanayake a Singh, 2007). Pro obchodníky je proto důležité porozumět
motivům zákazníků, kteří zboží vracejí.
2. V ČR, stejně jako v jiných zemích EU, existuje speciální legislativa, která ukládá
obchodníkům povinnost přijmout výrobek zpět u smluv uzavřených na dálku
(směrnice Evropského parlamentu a Rady 97/7/ES ze dne 20. května 1997 o ochraně
spotřebitele v případě smluv uzavřených na dálku). Odlišnost legislativy pro
internetový prodej tak činí toto prostředí zajímavým z pohledu reklamační politiky.
Jak plyne z předchozí literární rešerše, existuje relativně mnoho výzkumů, které se věnují
reklamacím při internetovém nakupování i dalším faktorům ovlivňujícím nakupování na
internetu. Smysl následujícího empirického šetření je v tom, že analyzuje význam konkrétních
opatření reklamační politiky pro zákazníka, jako je délka lhůty pro (bezdůvodné) vrácení
výrobku, obtížnost uplatnění reklamace, prodloužení záruční lhůty. Empirické šetření tedy
nehodnotí význam reklamační politiky jako celku ve vztahu k jiným nákupním faktorům, ale
všímá si významu vybraných konkrétních opatření reklamační politiky.
Z hlediska typu výzkumu jde o experiment pomocí statistické metody označované jako
conjointní analýza, do češtiny překládaná také jako analýza preferenci. Její volba vychází
z doporučení některých výzkumů. Např. Davis a kol (1998) svůj článek zakončují úvahou o
dalších směrech zkoumání a navrhují právě conjointní analýzu jako jednu z metod, kterou by
mohli výzkumníci použít při dalším zkoumání užitku, resp. transakčních nákladů, které
zákazníkům vznikají při reklamacích a při jejich vyřizování. Podobné metodologické
doporučení dávají i Thomas a Rao (1999) pro zkoumání důležitosti záruční lhůty a reklamační
politiky v porovnání s dalšími atributy produktů.
Výzkumy citované v literární rešerši se věnují relativně velkému množství faktorů. Je také
patrné, že k nejčastějším diskutovaným faktorům v obecném pojetí patří vnímaná rizika,
transakční náklady a kvalita. Pochopitelně jde o vlivy, které jsou vzájemně propojené, což
komplikuje jejich výzkum a formulaci závěrů výzkumu.
Jak bude vysvětleno dále, použitá metoda conjointní analýzy vyžaduje, aby celkový počet
zkoumaných faktorů nebyl velký. Proto bylo třeba zvolit jen některé potenciální vlivy.
Většina publikovaných výzkumů pracovala s obecněji charakterizovanými faktory, a pro
účely conjointní analýzy musely být konkretizovány. K inspiraci jsme využili diskusní fóra
75
uživatelů na internetu (server Heureka.cz – recenze obchodů a částečně i produktů) a v
„záplavě“ jejich komentářů hledali zmínky o konkrétních reklamačních podmínkách, případně
i názorů na ně.
V souvislosti s kvalitou jsme tímto postupem stanovili dva dílčí faktory, kterými byly značka
výrobce a dále hodnocení zákazníků, tzv. user reviews, což je zajímavý fenomén internetu.
6.1.1 Hodnocení zákazníků - user reviews
Hodnocení produktů či obchodů uživateli na internetu mají formu „šeptandy“, které má své
zvláštnosti. Pro číselně vyjádřené hodnocení (na škále) je charakteristické, že rozdělení
hodnot na stanovené škále má tvar písmene J, nikoliv podobu Gaussova rozdělení. Malý počet
uživatelů hodnotí výrobky silně negativně, většina pak silně pozitivně. Tato skutečnost pak
např. komplikuje interpretaci průměru takovýchto hodnot a průměr zde není informačně příliš
přínosný ukazatel (Hu a kol., 2009).
Dále bylo zjištěno, že návštěvníci webu, kteří čtou hodnocení uživatelů, si spíš všímají
extrémních hodnocení a speciálně pak extrémních negativních hodnocení (Lee a kol, 2008).
Podle empirického průzkumu hodnocení uživatelů nevnímají nakupující jako formu reklamy,
názorů expertů, či skutečný objektivní hodnocení předmětu, ale jako osobní názor jiných
uživatelů (57 % respondentů) anebo jako informace od ostatních uživatelů pro pomoc při
rozhodování (Poston a Royne, 2008). Nicméně jejích význam je menší než názory přátel.
Přesto určitou váhu tato hodnocení mají, navzdory faktu, že respondenti jsou si vědomi
omezení a zkreslení, které jsou s hodnoceními uživatelů spojená. Jedním z argumentů ve
prospěch recenzí je zkušenost recenzujících uživatelů s výrobkem a vědomí, že nejde o
reklamu. Podle dotazování mezi 164 studenty jich 70 % využívá hodnocení při nákupním
rozhodování a 66 % uvedlo, že nikdy žádné hodnocení na internet nenapsali (Poston a Royne,
2008).
Zajímavé výsledky prezentují Duan a kol. (2008). Autoři sledovali nákupní chování nepřímo
– vycházeli z vlivu ratingů na nákup služeb (konkrétně návštěvnost kin) – a zjistili, že vliv na
nákupní chování má počet (kvantita) udělených hodnocení než výše obdrženého skóre.
Chevalier a Mayzlin (2003) ve svém výzkumu dochází k závěru, že hodnocení uživatelů
nemusí být pro podniky příliš přínosné. Zkoumali totiž dva velké internetové obchody
s knihami a nenalezli žádný fakt, který by naznačoval, že přítomnost recenzí zvyšuje tržby.
Pravděpodobně „jen“ ovlivňují strukturu prodejů v rámci obchodu (zákazníci koupí jednu
knihu místo jiné).
Význam uživatelských recenzí relativizují také Zhu a Zhang (2010), kteří staví do protikladu
několik výzkumů, které se věnovaly vlivu uživatelských hodnocení na nákupní rozhodování
(přesněji na realizované tržby). Výsledky z citovaných výzkumů jsou často protikladné, byť
se týkají stejného oboru (např. zábavní průmysl – kina). Proto se zaměřili na otázku, zda a jak
ovlivňuje charakter produktu a vlastnosti zákazníků váha, kterou přikládají při nákupním
rozhodování uživatelským recenzím. Jejich závěr učiněný v oblasti počítačových her je jasný:
uživatelské recenze mají větší vliv při nákupu méně známých herních titulů a v případě her,
jejichž hráči jsou zkušení uživatelé internetu. Znamená to tedy, že míra vlivu recenzí je silně
ovlivněna okolnostmi.
V kontextu hodnocení obchodů (Chatterjee, 2001) je hodnocení zákazníků důležitější pokud
zákazník daný obchod nezná (např. si jej vyhledal kvůli nižší ceně). V takové situaci
vyhledává více informací mezi hodnoceními a to zejména negativními.
76
6.1.2 Zkoumané proměnné
Výsledkem literární rešerše a zohledněním komentářů uživatelů na internetu jsme definovali
následujících šest faktorů, jejichž vliv byl experimentálně zkoumán.
Faktory spojené s délkou lhůt (tedy mírou rizika nákupu)
 Záruční lhůta – ve smyslu standardní dvouleté a rozšířené.
 Lhůta na vrácení bez udání důvodu – ve smyslu standardních dvou týdnů a rozšířené
lhůty pro vrácení výrobku.
Faktory spojené s transakčními náklady reklamací
 Kupón za oprávněnou reklamaci – jako forma odškodnění za transakční náklady, které
zákazník v případě technické vady výrobku utrpěl.
 Realizace reklamace – pohodlí při uplatnění reklamce z titulu vady výrobku.
Faktory spojené především s vnímáním kvality výrobku
 Značka výrobku – známý výrobce vs. neznačkový výrobce
 Hodnocení výrobku na internetu – názory uživatelů na kvalitu produktu
6.2 Conjoint analýza
Conjointní analýza (CA) se řadí k vícerozměrným statistickým metodám a vychází z analýzy
rozptylu, která je aplikována na ordinální proměnné. Conjointní analýza je experimentálním
typem výzkumu. Znamená to, že výzkumním manipuluje s proměnnou za účelem sledování
změn v závislé proměnné (v tomto případě chování). Její základy se datují do 60. let 20.
stolení ve spojení s tzv. matematickou psychologií a psychometrikou, avšak samotný vznik
CA je spojen s přelomem šedesátých a sedmdesátých let, kdy byla vyvinuta profesorem
marketingu Paulem Greenem z The Wharton School of the University of Pennsylvania. Ten je
do dnešního dne nejcitovanějším autorem v této oblasti. Do širšího povědomí odborné
veřejnosti se CA dostala až v roce 1975 prostřednictvím časopisu Harvard Business Review
(Green a kol., 2001 – v tomto článku lze nalézt popis historie vzniku CA ve vazbě na vývoj
dalších metod a vědeckých oborů). Rychlý růst oblíbenosti získala CA v 90. letech, a to i díky
rozvoji uživatelsky přívětivých počítačových programů, které podporují tuto metodu, a
hodnověrnosti výsledků, které CA přinášela (Green a kol., 2001). Výzkum v německy
mluvících zemí např. dokumentuje zdvojnásobení počtu aplikací CA v komerčních
výzkumech. Na začátku nového milénia tak 67 % marketingových výzkumných společností
používalo CA (Hartman, Sattler, 2002). CA je tak pravděpodobně jedním z největších
„vynálezů“ v marketingovém výzkumu za posledních 40 let (Rao, 2010)
Název conjointní analýzy je odvozen od dvou slov, a to CONsider a JOINTly a vyjadřuje
základní účel této metody. Tím je zjišťování (zákaznických) preferencí ne podle izolovaných
atributů ale podle atributů sledovaných současně. Sudman a Blair (1998) upozorňují, že CA
ani není metodou na zpracování dat jako spíš „myšlenkový“ experiment, který má ukázat, jak
různé vlastnosti produktu predikují zákaznické preference po tomto produktu. Ačkoliv je tato
statistická metoda obecná, její nejčastější použití je v marketingu při zkoumání preferencí
spotřebitelů při nákupním rozhodování, tj. v situaci, kdy se potřebujeme dozvědět, jaké
vlastnosti produktu považují zákazníci za důležité a jaké naopak za méně důležité.
77
Tabulka č. 17: Deset nejčastějších témat aplikace CA (do roku 2006)
Tematický okruh podle SSCI Počet Procenta
Business 238 26,6 %
Management 128 14,3 %
Economics 112 12,5 %
HealthCare Sciences &Services 76 8,5 %
Operations Research &Management Science 70 8,0 %
Social Sciences, Mathematical Methods 64 7,2 %
Health Policy&Services 61 6,8 %
Mathematics, Interdisciplinary Applications 54 6,0 %
Psychology, Mathematical 52 5,8 %
Environmental Studies 38 4,2 %
Zdroj: Tiechert, Shehu, 2009
6.2.1 Podstata conjointní analýzy
Běžně se zkoumání preferencí zákazníků uskutečňuje pomocí jednoduchého dotazování, kdy
za pomoci škál zákazníci vyjadřují důležitost vlastností produktu jako je cena, značka,
hmotnost, design apod. Pomocí popisné statistiky jsou pak vyjádřeny důležitosti jednotlivých
vlastností produktu – typicky pomocí průměrné „známky“, kterou zákazníci dané vlastnosti
udělí. Jde tak o srozumitelný postup, který není výpočetně náročný a možná také proto je
hojně užívaný. Má ale několik slabých stránek. Pomineme-li obecnější problém, který spočívá
v tom, že deklarovaný názor nemusí odpovídat skutečnému chování (viz teorie kognitivní
disonance), je dalším úskalím fakt, že spotřebitel se ve většině případů nerozhoduje podle
jedné vlastnosti, ale vybírá si z produktů, které představují různé kombinace vlastností.
Posuzování vlastností probíhá souhrnně. Zákazník je nucen rozhodnout se mezi kombinacemi
vlastností, které jsou dosažitelné, což znamená poměřovat důležitost těch aspektů produktu,
které se navzájem vylučují (např. kvalita versus cena – typická situace trade-offs).
Právě v tomto se CA přibližuje více realitě a umožňuje výzkumníkům věrněji modelovat
reálný problém, tedy rozhodovací situaci. Respondent je totiž požádán, aby ohodnotil ne
jednotlivé vlastnosti ale komplexnější produkty. Prakticky je to provedeno tak, že má před
sebou (hypotetický) popis např. 15 výrobků, které se od sebe odlišují ve zkoumaných
parametrech a které ohodnotí podle toho, jak jsou pro něj atraktivní. Statistickým výpočtem se
pak získá údaj o důležitosti jednotlivých atributů a o jejich vztahu k celkovému užitku, což
umožňuje vyvinout teoretický model, který slouží k lepšímu porozumění nákupního
rozhodování. Tyto údaje lze spočítat za celý zkoumaný soubor respondentů, tak i pro
jednotlivce. Údaje o preferencích jednotlivců se pak typicky zpracovávají shlukovou analýzou
(často i s dalšími proměnnými např. sociodemografickými) s cílem určit či verifikovat tržní
segmenty.
Vedle tržní segmentace se CA využívá, a to ještě častěji, při návrhu nového výrobku a při
stanovování ceny (Hartman, Sattler, 2002). Při inovacích produktu data z CA vstupují např.
do takových nástrojů jako je Quality Function Deployment (Kotri, 2006). Oblasti využití CA
v marketingu shrnutí Haaijer a Wedel (2000) takto (citováno dle Grünwald, 2010):
 Nový produkt nebo služba, nalezení vhodného produktového konceptu
 Určení cenové strategie pro produktové portfolio společnosti
 Vyvarování se kanibalizace produktů ve vlastním portfoliu
78
 Analýza konkurence
 Nalezení vhodného distribučního kanálu
 Cílení reklamy, určení vhodných aspektů, na které je třeba klást důraz
 Zavedení výrobku na stávající/nový trh
 Segmentace trh
Obrázek č. 22: Výhody conjointní analýzy
Zdroj: Kotri, 2006
Mnoho studií dokládá, že CA přináší lepší výsledky – detailnější, spolehlivější a snadněji
pochopitelné – ve srovnání jinými běžně používanými výzkumnými postupy (především
posuzováním jednotlivých atributů pomoci likertových škál) (Green, Srinivasan, 1990, Kotri,
2006).
CA dokáže zjišťovat vzorce preferencí na úrovni jednotlivých respondentů a díky tomu je tato
metoda vhodná také pro zkoumání pro zpracování analýzy malých segmentů, což lze
například využít při výrobě typu „mass customization“. CA patří mezi dekompoziční metody
(z celkového empiricky zjištěného užitku se stanovují užitky dílčí za jednotlivé atributy). Na
rozdíl od kompozičních metod (např. theory of reasoned action nebo theory of planned
behaviour) tak nemá nevýhodu, „která se dá popsat jako, že celek je víc než suma jeho částí“
(Fiala, Klausegger, 1995).
Tabulka č. 18: Metody používané při zkoumání hodnoty zákazníka
Metoda % úspěšných
aplikací
Odhady zaměstnanců podniku 55 %
Otevřené otázky v dotaznících 66 %
Benchmarking s konkurenty 67 %
Focus group 70 %
Pozorování zákazníků při užívání produktu 72 %
Přímé hodnocení pomocí škál 75 %
Conjointní analýza 85 %
Zdroj: Anderson a kol., 1993 (citováno dle Kotri, 2006)
79
Metoda má samozřejmě i své slabé stránky (viz následující tabulka). Pokud je CA použita pro
hodnocení skutečně vysoce inovativního produktu, je pravděpodobné, že respondenti díky
nezkušenosti s tímto produkce a nemožnosti si jej hodnověrně představit, nebudou schopni
vyjádřit reálné preference a výsledek celé analýzy tak nebude validní (Baier, Brusch, 2009).
Některé z uvedených nevýhod se daří eliminovat. Např. omezení, které plyne z nutnosti
popisu výrobků slovy či obrázky je relativizováno, neboť v případně potřeby lze dnes využít i
prezentační schopnosti multimedií (trojrozměrný animovaný obraz například) (Green a kol.,
2001). Také požadavek CA, aby počet atributů byl omezený, lze zmírnit zavedením tzv.
techniky přemostění (bridging technique), která spočívá v tom, že se vytvoří několik sad
profilů, které analyzují různé atributy, ale současně všechny obsahují „anchor atributes“
(volně přeloženo jistící atributy), díky kterým se mohou výsledky za jednotlivé sady porovnat
a zjistit tak funkce užitku (Kotri, 2006).
Tabulka č. 19: Výhody a nevýhody tradiční conjoint analýzy
Výhody Nevýhody
 Izolace a kvantifikace (příspěvků) užitku
jednotlivých atributů
 Přiblížení realitě při sběru dat (celistvý
pohled a nepřímé zjišťování)
 Mnohostranné použití v různých
problémových oblastech
 Flexibilní nástroj (díky velké
kontrolovatelnosti procesu hodnocení
profilů).
 Poskytuje výsledky na bázi intervalů
 Umožňuje odvodit úsudky o zákaznických
segmentech, popř. struktuře jejich
preferencí.
 Umožňuje simulovat přijetí produktu a
rozhodování při změnách atributů produktu
 Použitelnost i při hodnocení inovací (i před
navržením prototypu).
 Použitelná při omezeném počtu atributů
 Časté používání ordinálních škál, které při
korektním zpracování neumožňují
aritmetické operace jako je součet či průměr.
 Běžné sčítání dílčích užitků je umělým
zásahem.
 Přetěžování respondentů kvůli velkému
počtu posuzovaných alternativ, které
eventuálně nemusí respondenti umět
představit.
 Zkreslení kvůli omezeným možnostem
popisu vlastností a vzhledu variant produktu
 Předpoklad stability struktury preferencí
v čase nemusí být správný
Zdroj: Baier, Brusch, 2009
CA má oproti jiným statistickým nástrojů menší nároky na předpoklady, které musí být
splněny a není tak nutné testovat vstupní data z hlediska normality, homoskedascity či
nezávislosti (Hair a kol., 2010). Na druhou stranu CA vyžaduje od výzkumníka, aby měl jasně
formulovanou koncepční stránku modelu (předpoklady o atributech), protože na jejich
základě jsou vytvářeny profily, které pak respondenti hodnotí. Změna v těchto koncepčních
záležitostech ex post (po sběru dat) není možná. Nelze totiž zpětně namodelovat a propočítat
jiný model chování s jinými atributy. Žádný také nelze zpětně z analýzy odstranit. Proto se o
CA říká, že je theory driven (tj. odvozená z teorie, vycházející z teorie) (Hair a kol., 2010, str.
437). Za další přednosti z technického hlediska se pokládá vlastnost CA, že umožňuje použít
nominální proměnou pro predikci (Hair a kol. 2010).
P: konkrétní produkt nebo koncept
U(P): užitek spojený s P
80
aij: užitek spojeny s j-tou úrovní i-tého atributu (j = 1, 2, 3...kj)
kj: počet úrovní atributu i
m: počet atributů
xij: 1 pokud j-tá úroveň i-tého atributu je přítomná v produktu P, jinak 0.
6.2.2 Postup při conjointní analýze
Prvním krokem při zpracován CA je výběr atributů, tedy těch vlastností produktu, které jsou
zajímavé z hlediska cíle výzkumu. Typickými atributy jsou technické aspekty produktu, jeho
cena, značka a další. Větší počet zkoumaných atributů nadproporcionálně zvyšuje náročnost
pro respondenty, a proto se doporučuje omezit atributy na maximálně 6 - 7 atributů
(Čermáková, 2003). Komerční výzkumné společnosti však běžně používá atributů více, což
může zhoršit kvalitu výsledků výzkumu (Hartman, Sattler, 2002), viz dále.
Volba atributů pak vychází z cílů výzkumu, což také znamená, že pravděpodobně půjde o
atributy, které jsou ovlivnitelné zadavatelem výzkumu (např. výrobcem produktu). Vedle toho
by zvolené atributy měli sami respondenti považovat za důležité, což se doporučuje ověřit
předvýzkumem. Hair a kol (2010, str. 422) dále doplňuje, že atributy mají být na sobě
nezávislé, mají měřit pouze jednu dimenzi a jednomu produktu má odpovídat pouze jedna
úroveň tohoto atributu. Dále dodává, že je třeba volit takové atributy, které jsou dobře
popsatelné (communicable) a dostatečně konkrétní, aby si je respondenti uměli představit a
porovnat jejich důležitost je s jinými atributy (např. atribut „celková kvalita“ je nevhodný).
Další rozhodnutí se týká úrovní jednotlivých atributů. To znamená, že se předem musí
definovat hodnoty atributů, které tak budou popisovat konkrétní vlastnosti produktů. Např. při
zkoumání mobilních telefonů můžeme zkoumat atribut hmotnost a úrovně nastavit na 80, 100
a 125 gramů.
I zde platí pravidlo, že víc úrovní u jednotlivých atributů znamená v konečném důsledku
výrazně větší zátěž pro respondenty. Nejčastěji je počet těchto úrovní 2-5 a mohou být u
jednotlivých atributů různé. Vrátíme-li se k příkladu s mobilním telefonem, jiný atribut –
přítomnost fotoaparátu – bude mít jen dvě úrovně – Ano vs. Ne. V tomto případě jde o
nominální znaky, v případě hmotnosti o metrické, neboť obě formy jsou přípustné. Rozestupy
úrovní u metrických znaků nemusí být stejné (viz příklad s hmotností) a rozpětí úrovní má být
dostatečně velké, aby umožnilo simulovat budoucí podmínky na trhu (cena) nebo technický
vývoj (parametry produktu). Doporučuje se také zvolit počet úrovní pro všechny atributy
podobný, protože výzkumy prokázaly, že v důsledku uměle vysokého počtu úrovní jednoho
atributu, se zvyšuje jeho relativní význam – tj. dochází ke zkreslení výsledků. (Hair a kol.
2010, 425). Rozpětí škál atributů (např. minimální a maximální technické parametry či cena
výroků) může být větší, než odpovídá realitě na trhu, to proto, aby se zjistili preference
zákazníků vzhledem k možným inovacím. Velmi nereálné možnosti mohou respondenty
znejistit a znehodnotit výsledky CA.
6.2.3 Čtyři přístupy k hodnocení
Trade-off matice
Při tomto nejstarším postupu respondenti vyplňovali tabulky, které v záhlaví sloupců a řádků
měli vždy dva atributy a jejich úrovně. Respondenti vyplnili do tabulky preference ke každé
kombinaci obou atributů, tj. při kombinaci dvou atributů se třemi úrovněmi je to 9 kombinací,
81
které je potřebné ohodnotit. Je zjevné, že jde o náročný postup, kdy respondent navíc hodnotí
vždy jen dvě vlastnosti současně. Poté musí přejít k další tabulce s jinou kombinací atributů.
Full Profile method
Tento způsob je dnes považován za tradiční a spočívá v tom, že se vytvoří sada kartiček
(fyzických, nebo na obrazovce počítače), které vzniknou jako všechny možné kombinace
atributů, resp. jejich úrovní. Často jsou vedle písemného popisu využívány také ilustrace a
fotografie. Tyto kartičky, profily, tak představují popis varianty výrobku a je úkolem
respondentů jednotlivé profily ohodnotit podle toho, jak profil celkově preferují – např.
hodnocením pomocí škály nebo prostým seřazením profilů od nejžádanějšího po nejméně
preferovaný, či porovnáváním vždy dvojice profilů. Pro zajímavost, při komerčních
výzkumech prováděných v Evropě výrazně převažuje použití škál (70 %) nad seřazováním
profilů (22 %) (Wittink, a kol., 1994). Full profile se tato metoda nazývá proto, že respondent
musí ohodnotit všechny předložené kartičky (profily).
Jednoduchou matematikou lze vyvodit, že i při malém počtu atributů a malém počtu úrovní
(viz uvedené doporučení na jejich co nejmenší počet) vznikne rozsáhlý soubor profilů, které
musí respondenti ohodnotit. Např. pracujeme-li se šesti atributy vždy po třech úrovních,
výsledný počet je dám vztahem 36
=729.
Částečně eliminovat tento problém lze tím, že místo všech profilů (mluví se o „full factorial
design“) se použije jen vybraná část z nich. Při tomto tzv. fractional factorial designu se
vytvoří a použije „ortogonální pole“, což je zvláštní podmnožina všech možných kombinací
úrovní atributů, „při níž se vyskytuje každá úroveň jednoho atributu v kombinaci s každou
úrovní jiného atributu se stejnou, či alespoň proporcionální četností, což zajišťuje nezávislost
hlavních efektů a nedochází ke ztrátě informací.“ (Čermáková, 2003). Výsledkem je, že
z ortogonálního pole lze statisticky odhadnout všechny hlavní údaje podobně jako bychom
použili full factorial design. Pro výše uvedený příklad bychom místo se 729 profily pracovali
s 18 profily (Kotri, 2006).
Celkový počet profilů, které mají respondenti hodnotit, by neměl přesahovat 30 (Hair a kol.,
2010, 429), neboť s rostoucím počtem klesá soustředěnost respondentů i čas, který věnují
posuzování jednotlivým profilům, a tím klesá kvalita získaných dat (Leigh a kol. 1984).
Minimální počet profilů je dán vztahem: celkový počet úrovní (za všechny atributy) – počet
atributů +1 (Hair a kol. 2010). Dále je třeba eliminovat „nerealistické“ profily, které mohou
respondenty „zmást“. Např. profil představující technické vlastnosti, které v dané kombinaci
nejsou dosažitelné, nebo profil výrazně cenově nadsazený (Grünwald, 2010). Doporučuje se
také obměňovat pořadí uváděných atributů na kartičkách, protože pořadí může ovlivnit
vnímání důležitosti. Prakticky to znamená, dát různým respondentům sady kartiček, které
obsahují sice stejné profily, ale které se liší právě pořadím vlastností popisující produkt.
Tento „tradiční“ postup CA byl pozměněn i zdokonalen v 80. letech (viz dále), přesto má
oproti dalším verzím své výhody, především v nižších nákladech (cena za software,
personální náklady, potřebný čas) a díky tomu je ze strany výzkumných společností nejlépe
hodnocený (Hartman, Sattler, 2002).
Hybridní conjoint analýza
Tato verze je hybridní proto, že spočívá v kombinaci CA s přímým hodnocením užitku.
Respondenti proto vedle samotné CA hodnotí přímo jednotlivé úrovně atributů (zamítají
82
nepřijatelné úrovně atributů). Výsledné odhady užitků pak vycházejí z obou postupů.
Hybridní CA se používá zejména v situaci, kdy je nezbytné pracovat s více (než 6) atributy.
Discerte Choice-based Modelling
Je postup, který je v praxi využíván nejčastěji (Hartman, Sattler, 2002). Jedním z důvodů
patrně bude skutečnost, že je „nejpříjemnější“ pro respondenty, protože ti musí pouze vybírat
jeden profil z několika předložených profilů. Popřípadě nezvolit žádný, čímž dávají najevo, že
by skutečnosti nekoupili nic. Tato možnost tak CA víc přibližuje realitě. Nevýhodou pak je,
že množství informace, které se tímto získá, je menší než při předchozích postupech. Navíc se
zde vychází z „full factorial design“, tedy úplné kombinace atributů, a proto, aby dotazování
bylo únosné, se využívá Discerte Choice Modelling při malém počtu atributů a úrovní. Je ale
třeba dodat, že vývoj v oblasti statistky (a následně pak v nabízeném software pro CA)
některé slabé místa eliminuje (MarketVision Research).
Další typy profilů používaných v CA
Vedle profilů (karet), které se používají pro výpočet užitků v CA, se vytvářejí ještě i tzv.
hold-out profily, což jsou kombinace úrovní atributů, které respondent hodnotí „navíc“. Jejich
vzhled je obdobný jako u ostatních profilů a tak z hlediska respondenta jsou jen dalším
z profilů, které hodnotí. Jejich smysl je ale v tom, že na jejich základě se počítá spolehlivost
(validita) provedené CA. Počet těchto ověřovacích profilů si stanovuje výzkumník sám.
Třetím druhem profilů jsou simulační profily, které respondenti nehodnotí a které představují
kombinaci úrovní atributů, která např. odpovídá plánovanému novému výrobku. CA vypočte
v tomto případě odpověď na otázku, jak moc tento výrobek bude preferovaný, tj. jaký užitek
zákazníkům přinese ve srovnání s ostatními zkoumanými produkty.
Conjoint modely
Při výpočtu CA je potřeba definovat teoretické vlastnosti modelu užitků, tj. funkci vztahu
mezi užitkem a sledovaným atributem. Pracuje se třemi typy: lineární průběh užitku (linear
preferences), ideální (jde o u-křivku a tedy předpoklad, že atribut nabývá optima v určitém
bodu), diskrétní (pro nominální proměnné, anglicky part-worth preferences) (Green a kol.,
2001).
Obrázek č. 23: Vztahy atributů k užitku
Zdroj: Green a kol., 2001
83
6.2.4 Výpočet důležitosti atributů
Výsledkem CA jsou údaje o velikosti užitků pro jednotlivé atributy a jejich úrovně. Velikost
hodnoty užitku sama o sobě nemá význam, neboť se jedná o bezrozměrnou veličinu. Je ale
možné porovnávat rozdíly mezi užitky různých úrovní atributu a to i mezi atributy navzájem,
protože škály jsou jednotné i napříč atributy. Díky tomu lze vypočítat důležitost atributu, a to
na základě rozdílu mezi jeho nejvyšším a nejnižším užitkem (spojeným s úrovněmi tohoto
atributu). Toto rozpětí se vydělí sumou identicky spočítaných rozpětí za všechny atributy, viz
následující vzorec:
Kde Op je relativní význam atributu;
max up je užitek nejvíce preferovaného atributu;
min up je užitek nejméně preferovaného atributu (Kotri, 2006).
Důležitost atributů je pak vyjádřena v procentech a celkový součet je 100 %. Zjednodušeně
řečeno, předpokládá se, že důležitější je ten atribut, který má největší rozpětí užitku mezi
nejméně na nejvíce žádanou úrovní tohoto atributu.
Obrázek č. 24: Příklady výpočtu důležitosti atributů
Zdroj: Orme, 2010
Protože užitky atributů lez sčítat, lze také vypočítat úroveň užitku, která je spojena s konkrétní
variantou produktu, tj. s konkrétní kombinací atributů (jejich hodnot). Smyl to má při
porovnání užitků, které přináší dvě varianty produktu. Dá se spočítat i užitek takové varianty
produktu (kombinací atributů), kterou respondenti nehodnotili (např. zamýšlenou inovaci
výrobku) – pak se mluví o simulační funkci CA (viz zmíněný simulační profil).
84
6.2.5 Velikost vzorku
Cattin a Wittink (1982) uvádí, že v komerční praxi jsou velikosti vzorku v intervalu 100-1000
(nejčastěji pak 300-550) nebo i pod 100 respondentů. Je zřejmé, že velikost výběrového
vzorku bude ovlivněna řadou faktorů a teprve s ohledem na ně, lze formulovat konkrétnější
doporučení. Tyto faktory jsou z velké části shodné s těmi, které platí pro obecné stanovení
velikosti výzkumného vzorku při výběrových statistických šetřeních. Orme (2010) uvádí
jejich výčet formou otázek, které si musí výzkumník položit:
 Co konkrétně se má pomocí CA zjistit: hodnoty užitků pro jednotlivé úrovně atributů,
preference pro produkt, či odlišnosti v preferencích mezi skupinami osob?
 Jsou očekávané rozdíly mez atributy, produkty či skupinami osob malé či velké?
 S jakou úrovní spolehlivosti se bude pracovat? 99 %, 95 % či pouze 90 %?
 Jak je velká populace (základní soubor)?
 Jaký typ CA bude použit a jaká bude zátěž respondentů?
 Zajímají nás výsledky za celek nebo i za jednotlivé skupiny respondentů?
 Jak moc jsou trh a preference spotřebitelů homogenní?
 Jak bude vybrán výběrový soubor (náhodný výběr vs. convenience sample)?
 Jaký je report výzkumu?
Dodejme, že otázka týkající se zátěže respondentů souvisí s tím, že výzkumník si při CA voli,
kolik profilů bude předloženo respondentovi k hodnocení. Větší počet profilů znamená větší
počet získaných dat a díky tomu i přesnější výsledky, což v důsledku snižuje potřebu velkého
výzkumného vzorku (Hair a kol. 2010, str. 435). Diskuzi Orme uzavírá doporučením, aby
vzorek čítal 300 respondentů, pokud jsou požadovaným cílem robustní závěry. To je
v souladu se zjištěním, že německé výzkumné společnosti při CA používají vzorky s 10-600
respondenty, nicméně medián je právě 300 (Hartman, Sattler, 2002). Hair a kol. (2010)
doporučují velikost o 200 respondentech.
Naopak pro exploratorní účely či pro formulaci hypotéz stačí 30-60 respondentů (Orme,
2010). Je-li cílem výzkumu identifikace rozdílů mezi skupinami spotřebitelů, tak pro každou
ze skupin je třeba počítat s 200 respondenty (Orme, 2010).
6.3 Koncept experimentu
6.3.1 Definice atributů
Jak bylo řečeno, cílem experimentu bylo zjistit důležitost faktorů pro nákupní rozhodování
spotřebitelů na internetu. Vzhledem k omezením tradiční CA a k zabránění „přetěžování“
respondentů bylo třeba omezit počet zkoumaných atributů (faktorů) a současně i jejich úrovní.
Výsledkem byl návrh v podobě 6 krát 2, tj. šest atributů vždy po dvou úrovních. Stejný počet
úrovní napříč atributy má tu výhodu, že nezkresluje výsledné důležitosti atributů (viz Hair a
kol. 2010, s. 425). Definice atributů a jejich úrovní je uvedena v tab. č. 20. Úrovně byly
zvoleny tak, aby odrážely jednak běžné podmínky na trhu a dále podmínky nadstandardní, ve
smyslu výhodné pro zákazníka. Při stanovení průměrného hodnocení výrobu uživateli byl
zvolen rozdíl půl bodu, což je hodnota, kterou považujeme za realistickou a současně
dostatečně velkou, aby signalizovala rozdílnou vnímanou kvalitu.
85
Tabulka č. 20: Charakteristika atributů experimentu
Atribut Úrovně atributu
Předpokládaný vztah k
užitku
Záruční lhůta 2 roky 2 roky + 1 rok navíc Lineární pozitivní
Kupón za oprávněnou
reklamaci
Žádný
10 % sleva na další
nákup
Lineární pozitivní
Lhůta na vrácení bez
udání důvodu
2 týdny
4 týdny
Lineární pozitivní
Značka výrobku No name Philips Lineární pozitivní
Realizace reklamace
Odeslání poštou s
vyplněným
formulářem
Servis na místě po
telefonické domluvě
Diskrétní
Hodnocení výrobku na
internetu
1,8 2,3 Lineární negativní
Zdroj: autor
U atributů předpokládáme lineární vztah k užitku – úrovně uvedené v tabulce č. 20 napravo
budou zákazníky preferovány, a proto budou spojeny s vyšším užitkem. Atribut „Hodnocení
výrobku na internetu“ má opačnou polaritu a odpovídá hodnocení „školní“ známkou 1 až 5, tj.
nižší hodnota přináší větší užitek. Zvláštní pozici má atribut „Realizace reklamace“, která je
čistě nominálního charakteru, a proto mezi úrovněmi předem nepředpokládáme žádné
preference.
Jako typ hodnoceného výrobku byl zvolen domácí vysavač, neboť:
 Jistě téměř všichni respondenti s ním mají zkušenost.
 Jde o výrobek střednědobé spotřeby, a tudíž má smysl, zkoumat délku záruční lhůty.
 Jeho cena není zanedbatelná, a proto lze předpokládat, že při jeho koupi zákazníci
zváží i racionální argumenty.
 Tento výrobek není nakupován spontánně ani ze zvyku.
6.3.2 Zdůvodnění použité verze conjointní analýzy
Protože počet sledovaných atributů byl malý, byla zvolena tradiční CA, tedy tzv. full profile
method (viz Hair a kol., 2010, str. 430). Pokud bychom použili full factorial design, tedy
úplný výčet kombinací atributů, respondenti by museli hodnotit 62
=36 profilů. Aby se snížila
jejich zátěž, pracovali jsme pouze s podmnožinou těchto profilů, tzv. ortogonálním polem
(fractional functional design) o osmi profilech. K nim byly přidány 2 holdout profily, které
sloužily k ověřování přesnosti výpočtu CA. Celkem respondenti hodnotili 10 profilů, které
byly pro respondenty pojmenovány jako A až I. V následujících analýzách jsou ale označeny
číslem 1 až 10.
Tabulka č. 21: Zápis ve skriptovacím jazyku SPSS pro vygenerování ortogonálního pole
*Generate Orthogonal Design.
SET SEED 100.
ORTHOPLAN
/FACTORS=zarucni_lhuta 'Záruční lhůta' (1 '2 roky' 2 '2 roky + 1 rok navíc') kupon 'Kupón
za oprávněnou reklamaci' (0 'Žádný'
1 ' 10 % sleva na další nákup') bez_duvodu 'Lhůta na vrácení bez důvodu' (0 '2 týdny' 1 '4
týdny') znacka 'Značka výrobku' (0
'No name' 1 'Phillips') naklady 'Realizace reklamace' (0 'Odeslání poštou s vyplněným
86
formulářem' 1 'Servis na místě po telefonické domluvě')
hodnoceni 'Hodnocení výrobku na internetu' (0 'známka 1,8' 1 'známka 2,3')
/OUTFILE='int_plan.sav
/HOLDOUT 2
/MIXHOLD NO. 
Zdroj: autor
Profily byly hodnoceny stanovením pořadí od nejvíce až po nejméně preferované. Tento
způsob (rank ordering) je pro respondenty jednodušší a současně je nutí k ostřejšímu
vyjádření preferencí, než je tomu v případě hodnocení jednotlivých profilů pomoci bodů
(skórovací metoda), kde dva různé profily mohou získat stejný počet bodů. Nevýhodou je
naopak nutnost provést dotazování „fyzicky“ za pomocí vytištěných kartiček (viz Hair a kol.,
2010, str. 431).
Profily (alternativy produktů) tak byly vytvořeny v podobě papírových kartiček, které byly
dány respondentům spolu s dotazníkem, který popisoval rozhodovací situaci a do kterého
respondenti zapsali výsledky svého fiktivního rozhodování. Tento dotazník, který od
respondentů vyžadoval vyplnit odpovědi na dvě otázky, byl součástí dotazníku využitého
v dalších prezentovaných empirických studií, a proto neobsahuje další otázky (např. na
identifikaci respondenta) ani úvodní oslovení respondenta.
87
Obrázek č. 25: Použitý dotazník a instrukce k němu
V této poslední části dotazníku si prosím představte situaci, že si v internetových obchodech
vybíráte vysavač. Podle Vašich technických a vzhledových požadavků se Vám výběr zúžil na
10 modelů, které všechny Vaše požadavky splňují, a splňují je stejně. Rozdíly mezi těmito 10
nabídkami ale existují, a to v těchto ohledech:
A) Značka výrobce: Některé vysavače jsou výrobky společnosti Philips, jiné 
poměrně neznámých firem – ty jsou označeny jako „No name“. 
B) Lhůta na vrácení bez udání důvodu: Podle zákona má spotřebitel právo vrátit výrobek 
zakoupený přes internet obchodníkovi a získat zpět své peníze. A to i v situaci, kdy je 
výrobek plně funkční. Někteří obchodníci nabízejí místo povinné dvoutýdenní lhůty delší 
čas (4 týdny), aby se spotřebitel mohl v klidu rozhodnout, zda je s výrobkem spokojeny. 
C) Záruční lhůta: Některé vysavače jsou nabízeny s prodlouženou zárukou (než vyžadují 
české zákony), a to o jeden rok. 
D) Kupón za oprávněnou reklamaci: Prodejci některých vysavačů poskytují slevový kupón ve 
výši 10 % na další nákup, pokud měl spotřebitel tu smůlu, že zakoupil vadný výrobek, 
nebo se mu pokazil. Je to forma omluvy a náhrada za komplikace, které spotřebiteli kvůli 
reklamaci vyvstaly. 
E) Realizace reklamace: Spotřebitel musí vyplnit formulář, zabalit vysavač a poslat jej poštou 
obchodníkovi. U části vysavačů je ale reklamace vyřizována tak, že po telefonické 
domluvě spotřebitele navštíví opravář a pokusí se na místě zjistit a odstranit poruchu, 
nebo vysavač odveze do servisu. 
F) Hodnocení výrobku na internetu: Ze stránek internetových obchodů jste vyčetli známky, 
kterými ohodnotili anonymní lidé zkušenosti s vysavači. Jedná se o průměrnou známku, 
kde 1 znamená výborně a 5 nedostatečně (tj. velmi špatná zkušenost). 
 
Prohlédněte si přiložené popisy vysavačů a seřaďte je prosím podle svých preferencí. Tj. který 
vysavač byste koupili na prvním, druhém a dalších místech. Do políček uveďte písmena, která 
označují příslušnou alternativu, např. „J“ pro Vysavač J. 
 
Pořadí v jakém byste se rozhodli zakoupit jednotlivé vysavače: 
1. volba 2. volba 3. volba 4. volba 5. volba 6. volba 7. volba 8. volba 9. volba 10. volba
  
  
Za poslední rok jsem nakoupil nějaký výrobek
v internetovém obchodu:
Anijednou
1krát
2krát
3-4krát
5-6krát
7-9krát
Víckrát
Zdroj: autor
88
Obrázek č. 26: Profily hodnocených produktů
Zdroj: autor
6.3.3 Výzkumný vzorek a kontrola vstupních dat
Dotazováním bylo získáno 173 kompletně vyplněných dotazníků. Před výpočtem užitků byly
prověřeny z hlediska kvality dat.
Pokud testovaný model předpokládá lineární vztahy mezi růstem úrovně atributu a užitku,
mohou se mezi odpověďmi respondentů najít takové, které jsou v rozporu s teoretickým
očekáváním. Místo aby určitá úroveň znamenala např. vyšší užitek, může výsledek na úrovni
Vysavač A 
 
Phillips 
 
2 týdny na vrácení 
Záruka 2 roky + 1 rok navíc 
10% sleva na nákup při reklamaci 
Reklamace zasláním poštou 
Hodnocení:  1,8 bodů 
 
 
Vysavač B
 
No name 
 
4 týdny na vrácení 
Záruka 2 roky 
10% sleva na nákup při reklamaci 
Reklamace u zákazníka 
Hodnocení:  1,8 bodů 
Vysavač C 
 
No name 
 
4 týdny na vrácení 
Záruka 2 roky + 1 rok navíc 
10% sleva na nákup při reklamaci 
Reklamace zasláním poštou 
Hodnocení:  2,3 bodů 
 
 
Vysavač D
 
Phillips 
 
4 týdny na vrácení 
Záruka 2 roky + 1 rok navíc 
 
Reklamace u zákazníka 
Hodnocení:  1,8 bodů 
Vysavač E 
 
Phillips 
 
2 týdny na vrácení 
Záruka 2 roky 
10% sleva na nákup při reklamaci 
Reklamace u zákazníka 
Hodnocení:  2,3 bodů 
 
Vysavač F 
 
No name 
 
2 týdny na vrácení 
Záruka 2 roky 
 
Reklamace zasláním poštou 
Hodnocení:  1,8 bodů 
 
Vysavač G 
 
No name 
 
2 týdny na vrácení 
Záruka 2 roky + 1 rok navíc 
 
Reklamace u zákazníka 
Hodnocení:  2,3 bodů 
 
 
Vysavač H
 
Phillips 
 
4 týdny na vrácení 
Záruka 2 roky 
 
Reklamace zasláním poštou 
Hodnocení:  2,3 bodů 
Vysavač CH 
 
No name 
 
4 týdny na vrácení 
Záruka 2 roky + 1 rok navíc 
10% sleva na nákup při reklamaci 
Reklamace u zákazníka 
Hodnocení:  2,3 bodů 
Vysavač I
 
Phillips 
 
2 týdny na vrácení 
Záruka 2 roky + 1 rok navíc 
10% sleva na nákup při reklamaci 
Reklamace u zákazníka 
Hodnocení:  2,3 bodů 
 
89
jednotlivce ukazovat opak – mluví se o tzv. reversals. Jde tedy o případy, které popírají
předpokládané vztahy či o anomálie způsobené např. nesoustředěností respondenta.
Ve zkoumaných datech se tyto případy také objevily. Konkrétně u jednoho respondenta byly
všechny vztahy v protikladu s modelem – tj. pět lineárních vztahů mělo opačný průběh (vyšší
hodnota atributu znamenala menší užitek a naopak). U osmi respondentů byly v protikladu 3
vztahy. Protože jde o pět procent případů (9 ze 173 respondentů), tedy o zanedbatelný počet
případů, které ale „zbytečně“ mohou znehodnocovat výsledky, byli tito respondenti z CA
vyloučení (cože je sice krajní postup, ale literatura jej připouští – viz Hair a kol. (2010, s.
445). Ve výsledných výpočtech tak zůstali respondenti, kteří jednak odpovídali v souladu
s očekáváním (47 % všech respondentů) a kteří byli v rozporu s jedním předpokladem (32 %)
nebo se dvěma (16 %). V čem se tyto poslední dvě jmenované skupiny nejčastěji rozcházely
s modelem je uvedeno v následující tabulce č. 22.
Tabulka č. 22: Počty tzv. „reversals“
Počet odpovědí v rozporu s předpoklady
Atribut Hodnocení výrobku na internetu 56
Lhůta na vrácení bez udání důvodu 26
Záruční lhůta 11
Kupón za oprávněnou reklamaci 9
Značka výrobku 8
Realizace reklamace 0
Zdroj: autor
S výraznou převahou je nečastěji zpochybňovaná představa, že lepší hodnocení výrobku mezi
uživateli internetového obchodu znamená vyšší užitek. Tento výsledek může být odrazem
dvou skutečností: jednak hodnocení výrobků, která udávají prodejci na svých stránkách,
mohou být velmi spekulativní co do hodnověrnosti, proto by tento faktor mohl být považován
za méně důležitý a respondenti mu nemuseli věnovat pozornost. Druhou příčinou může být
směr škály u tohoto parametru. Zatímco u ostatních popisovaných atributů víc znamenalo
vyšší užitek, zde byla polarita opačná – vyšší číslo znamenalo horší „známku“ a tak je možné,
že někteří respondenti tento ukazatel mylně zaměnili za pozitivně míněné body, ačkoliv
bodování bylo v instrukcích vysvětleno. Chyba tak může spočívat v komplikované formulaci
v dotazníku.
Výsledných 164 dotazníků bylo zpracováno v SPSS postupem uvedeným v tab. č. 23. Ve
výzkumném vzorku byli rovnoměrně zastoupeni muži a ženy v poměru 52 % k 48 %. Jejich
průměrný věk byl 25 let (medián 23 let) a svou finanční situaci v porovnání s okolím (na
škále 1 až 7) hodnotili jako nadprůměrně dobrou (viz obr. č. 27). Mezi ženami a muži v těchto
charakteristikách nebyly rozdíly.
90
Obrázek č. 27: Respondenti z hlediska věku a finanční situace
Zdroj: autor
Tabulka č. 23: Zápis modelu ve skriptovacím jazyku SPSS pro výpočet užitků
CONJOINT PLAN='int_plan.sav'
/DATA='Dotaznik.sav'
/SEQUENCE=Pref1 TO Pref10
/SUBJECT=IDnum
/FACTORS= zarucni_lhuta (LINEAR MORE)
kupon (LINEAR MORE)
bez_duvodu (LINEAR MORE)
znacka (LINEAR MORE)
naklady (DISCRETE)
hodnoceni (LINEAR less)
/PRINT=SUMMARYONLY 
Zdroj: autor
6.3.4 Výsledky conjointní analýzy na agregované úrovni
První vyhodnocení je provedeno pomocí četností – do vztahu jsou dány jednotlivé profily a
jejich umístění v seřazených preferencích. Z tabulky č. 24 plyne, že v 57 případech (34 %)
respondentů uvedlo na prvním místě profil č. 4 a těsně za ním profil č. 10.
Tabulka č. 24: Pořadí jednotlivých profilů
Četnost
i v %
profil 4 profil10 profil 1 profil 9 profil 2 profil 8 profil 3 profil 7 profil 5 profil6
1. volba 35 % 27 % 19 % 9 % 5 % 2 % 2 % 1 % 0 % 0 %
2. volba 13 % 17 % 21 % 10 % 10 % 6 % 5 % 1 % 16 % 1 %
3. volba 13 % 18 % 14 % 10 % 11 % 5 % 9 % 6 % 13 % 1 %
4. volba 14 % 10 % 10 % 9 % 7 % 7 % 9 % 5 % 18 % 11 %
5. volba 7 % 13 % 13 % 15 % 4 % 20 % 11 % 3 % 13 % 1 %
6. volba 2 % 5 % 10 % 27 % 13 % 7 % 12 % 10 % 10 % 2 %
7. volba 6 % 5 % 5 % 9 % 13 % 7 % 18 % 15 % 13 % 8 %
8. volba 4 % 1 % 5 % 8 % 18 % 9 % 15 % 23 % 12 % 5 %
9. volba 4 % 1 % 2 % 3 % 18 % 23 % 14 % 19 % 4 % 12 %
10. vol. 1 % 1 % 0 % 0 % 2 % 13 % 5 % 16 % 1 % 60 %
Zdroj: autor
91
Obrázek č. 28: Pořadí jednotlivých profilů
Zdroj: autor
Pro vyhodnocení preferencí ale není důležitá pouze první pozice, ale i četnosti jednotlivých
profilů na dalších místech. Proto byla spočítána průměrná preference jednotlivých profilů jako
vážený průměr četností s váhami 10,9, 8 … 1 bodů podle umístění jako 1., 2., 3 …10. volba.
Věrnější zobrazení obliby tak přináší tab. č. 25, ze které je patrné, že v tomto pohledu je
nejoblíbenější profil číslo 10.
Tabulka č. 25: Pořadí profilů podle váženého průměru
Pořadí Vážená preference
profilů
Pořadí Vážená preference
profilů
1. PROFIL 10 23,3 6. PROFIL 2 15,1
2. PROFIL 4 23 7. PROFIL 3 14
3. PROFIL 1 21,8 8. PROFIL 8 13,1
4. PROFIL 9 18,3 9. PROFIL 7 10,7
5. PROFIL 5 17,7 10. PROFIL6 6,9
Zdroj: autor
Úrovně nejžádanějšího a nejméně žádaného profilu odpovídají předpokladům o žádoucí
úrovni atributů, jak je patrné z tabulky č. 26.
Tabulka č. 26: Profily nejvíce a nejméně žádných produktů
Atributy Nejpreferovanější profil č10 Nejméně preferovaný
profil č. 6
Značka výrobku
Lhůta na vrácení bez udání důvodu
Záruční lhůta
Kupón za oprávněnou reklamaci
Realizace reklamace
Hodnocení výrobku na internetu
Philips
4 týdny na vrácení
Záruka 2 roky + 1 rok navíc
10 % sleva na nákup při rekl.
Reklamace u zákazníka
Hodnocení: 1,8 bodů
No name
2 týdny na vrácení
Záruka 2 roky
Reklamace
zasláním poštou
Hodnocení: 1,8 bodů
Zdroj: autor
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
PROFIL6
PROFIL 5
PROFIL 7
PROFIL 3
PROFIL 8
PROFIL 2
PROFIL 9
PROFIL 1
PROFIL 10
PROFIL 4
92
Experiment prokázal, že ze zvolených atributů má pro zákazníky největší význam Značka
výrobku (konkrétně vysavač Philips vs. „no name“) (viz tabulka XX, 2. sloupec). Srovnatelně
velký význam má hodnocení výrobku na internetu. Další tři atributy týkající se reklamací mají
přibližně shodnou důležitost. Nejméně významný atribut je lhůta na vrácení bez udání
důvodu.
Při popisu logiky výpočtu důležitosti atributů bylo řečeno, že důležitosti jednotlivých atributů
jsou odvislé od rozpětí užitků, které přináší jejich nejvíce a nejméně preferované úrovně (v
tomto případě jde o rozdíl právě dvou definovaných úrovní pro každý atribut). Tabulka č. 27
(sloupec odhad užitku) tomuto ale neodpovídá. Důvodem je skutečnost, že zatímco užitky
atributů jsou vypočítány na agregované úrovni ze všech dat, důležitost atributů SPSS počítá
nejprve pro každého respondenta individuálně a tyto výsledky jsou následně zprůměrovány
(PASW® Conjoint 18, 2009).
Tabulka č. 27: Užitky spojené s jednotlivými atributy
Důležitost
atributu
Úrovně atributů Odhad užitku Std. Error
Značka výrobku 24,850 No name ,000 ,000
Philips 1,918 ,058
Hodnocení výrobku
na internetu
21,904 známka 1,8 ,000 ,000
známka 2,3 -,491 ,058
Záruční lhůta 15,589 2 roky 1,171 ,058
2 roky + 1 rok navíc 2,341 ,116
Realizace
reklamace
14,000 Odeslání poštou s vyplněným
formulářem
-,427 ,029
Servis na místě po telefonické
domluvě
,427 ,029
Kupón za
oprávněnou
reklamaci
13,979 Žádný ,000 ,000
10 % sleva na další nákup 1,085 ,058
Lhůta na vrácení
bez udání důvodu
9,678 2 týdny ,000 ,000
4 týdny ,534 ,058
(konstanta) 1,221 ,108
Zdroj: autor
93
Obrázek č. 29: Relativní důležitost atributů
Zdroj: autor
Hodnoty uvedené v tabulce č. 27 umožňují vypočítat užitek plynoucí z jednotlivých profilů –
pro nejžádanější a naopak nejméně žádaný jsou vypočteny v tab. č. 28. Při porovnání užitků
z tabulky č. 28 a vlastnostmi profilu č. 10 je zřejmé, že jde o ideální variantu produktu.
Tabulka č. 28: Užitek spojený s nejlepším a nejméně žádaným profilem
Atributy Profil č. 10 Profil č.6
Značka výrobku 1,918 0
Lhůta na vrácení bez udání důvodu 0,534 0
Záruční lhůta 2,341 1,171
Kupón za oprávněnou reklamaci 1,085 0
Realizace reklamace 0,427 -0,427
Hodnocení výrobku na internetu 0 -0,491
(konstanta) 1,221 1,221
Užitek profilu 7,526 1,474
Zdroj: autor
Dodejme, že konstanty uvedené v tab. č. 27 a č. 28 jsou vypočteny pomocí regresního
modelu. Její vliv však lze zanedbat. Protože užitky jsou intervalové proměnné (u těchto
proměnných neexistuje nula), lze užitky spojené s produkty pouze porovnávat, a proto
připočtení konstanty k celkovému užitku není nutné a interpretaci neovlivní.
6.3.5 Spolehlivost modelu
Výsledky potvrzují spolehlivost testovaného modelu. Současně výsledky vypadají
„netradičně“. Korelace na úrovni 1 je jev, který může být způsobený třemi vlivy (Hair a kol.,
2010, str. 463 – mluví o prozkoumání very high goodness of fit values). První příčinou může
být skutečnost, že respondenti nevěnovali hodnocení profilů pozornost, díky čemuž jsou
94
výsledky „nic neříkající“. Protože vypočtené užitky ale odpovídají předpokládanému modelu,
tato možnost není pravděpodobná. Stejný výsledek korelací vyplyne z CA, pokud respondenti
při hodnocení profilů fakticky vychází z jednoho nebo několika málo atributů. Třetí situace
nastane, když se počet parametrů modelu blíží počtu hodnocených profilů. V takovém případě
dochází k znehodnocení vypočítaných korelací mezi skutečnými a odhadnutými hodnotami
modelu (skóre jednotlivých profilů). (Výpočty goodness of fit nejsou korigovány s ohledem
na stupně volnosti odhadovaného modelu). V takovém případě dává spolehlivější výsledek o
kvalitě modelu korelace týkající se holdout profilů (pro ně obecně platí, že korelace pro
holdout profily jsou menší (PASW® Conjoint 18, 2009).
Tabulka č. 29: Základní ukazatele statistické spolehlivosti
Ukazatel Value Sig.
Pearson's R 1,000 ,000
Kendall's tau 1,000 ,000
Kendall's tau for Holdouts 1,000 .
Zdroj: autor
Z uvedeného plyne, že atypické hodnoty jsou důsledkem faktu, že počet parametrů modelu (6
atributů po dvou úrovních) se blíží počtu hodnocených profilů (8 + dva pomocné (holdouty)).
Protože výsledky ukazují na spolehlivost i při holdoutech, lze konstatovat, že kvalita modelu
(goodness of fit) je dobrá a umožňuje pokládat výsledky za spolehlivé.
Další možností jak posoudit spolehlivost modelu je porovnání vypočteného pořadí
jednotlivých profilů (vypočtená proměnná v SPSS standardně nazvaná SCORE) se skutečným
obdrženým pořadím příslušného profilu. Protože jsme celou CA počítali na úrovni
jednotlivců, získali jsme odhady pořadí profilů pro každého respondenta. Z dotazníků pak
přímo obdržíme udělené pořadí každým respondentem. Spolehlivost modelu tak spočívá ve
vypočtení spearmanových korelačních koeficientů mezi těmito hodnotami za všechny
respondenty (n=164). Výsledky potvrzují dobrou vypovídací schopnost modelu: pro sedm
z deseti profilů je korelace nad úrovní 0,9, tedy velmi vysoká (při vysoké míře spolehlivosti).
Pouze při odhadování profilu 9 a 10 je model „slabší“.
Tabulka č. 30: Statistická spolehlivost hodnocení jednotlivých profilů
Skutečné
pořadí
Profil
1
Profil
2
Profil
3
Profil
4
Profil
5
Profil
6
Profil
7
Profil
8
Profil
9
Profil
10
Estimated
rank
Profilu 1
až 10
Spearmanov
a korelace
p-value
,931 ,963 ,953 ,920 ,938 ,861 ,961 ,960 ,766 ,643
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Zdroj: autor
6.3.6 Rozdíly mezi respondenty
Provedená CA vytvořila individuální profily preferencí pro všechny respondenty, které je
možno dále analyzovat. Jak bylo popsáno výše, individuální důležitosti atributů se použily pro
výpočet celkové důležitosti (tedy tabulka č. 31). Vedle samotné hodnoty průměru je zajímavá
také míra variability měřená relativně k průměru – koeficientem variance. Ten dokládá, že
největší míra „neshody“ se týká lhůty na vrácení bez udání důvodu, kupónu za oprávněnou
reklamaci a realizace reklamace.
95
Tabulka č. 31: Variabilita hodnocení jednolitých faktorů
Atribut N Průměr Směr. odchylka Koeficient variance
Značka výrobku 164 ,2485 ,20 80,5 %
Hodnocení výrobku na internetu 164 ,2190 ,17 77,6 %
Záruční lhůta 164 ,1559 ,14 89,8 %
Realizace reklamace 164 ,1400 ,13 92,9 %
Kupón za oprávněnou reklamaci 164 ,1398 ,13 93,0 %
Lhůta na vrácení bez udání důvodu 164 ,0968 ,11 113,6 %
Zdroj: autor
Obrázek č. 30: Variabilita hodnocení jednolitých faktorů
Zdroj: autor
Přestože pro robustní zkoumání odlišností mezi skupinami respondentů není vzorek
dostatečně veliký (místo 164 by bylo třeba více než dvojnásobek respondentů), zle provést
pouze „orientační“ shlukovou analýzu. V případě zobecňování jejích výsledků, budou závěry
zatíženy zvýšeným rizikem zkreslení. Protože smysl tohoto výzkumu je spíše exploratorní,
než deskriptivní, má toto smysl.
Shlukování bylo provedeno ve dvou krocích. Nejprve bylo na základě individuálních
důležitostí atributů provedeno hierarchické shlukování s cílem prozkoumat heterogenitu
vzorku a na základě rozdílů v tzv. koeficientech aglomerace (Hair a kol, 2010) a podle
dendogramu určit ideální počet klastrů, do kterých budou respondenti rozděleni. Shlukování
proběhlo pomocí Wardovy metody a míra vzdálenosti se počítala jako čtverec euklidovské
vzdálenosti. Wardova metoda shlukování byla použita v jiných výzkumech zpracovávající
výsledky CA (např. De Pelsmacker a kol, 2005) a její úspěšnost v souvislosti s CA prokazují
96
např. Kamakur a Ozer (2000). Dobré hodnocení získala i ve výzkumu Vriens a kol. (1996)
nebo Green a Helsen (1989). Výsledek prezentovaný v gobr. č. 31 ukazuje, že při rozdělení do
tří shluků získáme skupiny, které budou od sebe dostatečně vzdáleny (resp. ostře odlišeny).
Druhý krok shlukovací metody spočíval v samotném vytvoření klastrů pomoci procedury kmeans
cluster, která dává obecně lepší výsledky než hierarchické shlukování. Při
hierarchickém klastrování totiž nemůže být jednotlivý prvek přeřazen k jinému shluku a
zůstává součástí původního shluku, což může vést k suboptimálnímu řešení. Pokud známe
výsledný počet shluků, který chceme docílit, je možné použít právě metodu k-means. O jejích
dobrých výsledcích vypovídá opět např. Kamakur a Ozer (2000).
Tři vzniklé klastry jsou do počtu členů relativně podobné.
Tabulka č. 32: Velikosti tří klastrů
Klastr Četnost respondentů Procenta
1 42 25,6
2 52 31,7
3 70 42,7
Total 164 100,0
Zdroj: autor
Obrázek č. 31: Dendogram shlukové analýzy
Zdroj: autor
Výsledkem celé shlukové analýzy jsou tři shluky, které se odlišují v důrazu na jednotlivé
atributy. Hlavními odlišujícími vlastnostmi jsou značka, hodnocení výrobku internetovými
uživateli a s odstupem o něco méně i záruční doba. Přesná charakteristika jednotlivých shluků
je v tabulce č. 33 a také na obr. č. 32.
97
Tabulka č. 33: Důležitost atributů pro jednotlivé shluky
Atributy Shluk 1 Shluk 2 Shluk 3
Realizace reklamace 11,606 10,198 18,262
Záruční lhůta 9,355 8,809 24,366
Kupón za oprávněnou reklamaci 13,924 7,792 18,608
Lhůta na vrácení bez udání důvodu 5,484 7,947 13,480
Značka výrobku 12,893 52,093 11,785
Hodnocení výrobku na internetu 46,738 13,161 13,499
Zdroj: autor
Pro první skupinu respondentů platí, že hodnocení jaké získal výrobek na internetu, je
hlavním rozhodovacím faktorem. Jeho vliv je na úrovni 47 %. Druhý sluk je charakteristický
tím, že z více než 50 % ovlivňuje rozhodnutí o koupi pouze značka výrobku. Pro respondenty
třetího shluku jsou všechny uvedené atributy relativně důležité. Mírně převažuje pouze atribut
záruční lhůta, způsob realizace reklamace a možnost získat kupon.
Obrázek č. 32: Důležitost atributů v procentech pro jednotlivé shluky
Zdroj: autor
Byly provedeny statistické testy odlišností mezi příslušností do shluku 1-3 a mezi dalšími
charakteristikami respondentů jako je věk, typ studia, pociťovaná ekonomická situace,
pohlaví, četnost nákupů na internetu. V žádné z nich se odlišnosti neprokázaly.
6.3.7 Shrnutí výsledků
V empirickém šetření se zkoumal vliv nákupních faktorů vztahujících se k vnímané kvalitě
(značka výrobku a hodnocení uživatelů internetu), vnímaným rizikům (vyjádřená délkou
záruční lhůty a délky lhůty pro vrácení bez udání důvodu) a transakčním nákladům spojených
s reklamacemi (obtížnost realizace reklamace a kompenzace nákladů spojených s oprávněnou
,000
10,000
20,000
30,000
40,000
50,000
60,000
Shluk 1
Shluk 2
Shluk 3
98
reklamací). Pomocí conjointní analýzy byly odhadnuty užitky spojené s těmito faktory, které
se dále využily pro odvození význam jednotlivých faktorů.
Analýza odpovědí 164 respondentů ukázala, že nejdůležitějším faktorem při nákupu přes
internet je kvalita. V tomto výzkumu byla sledována nepřímo, a to pomocí značky výrobce
(všeobecně známý a neznámý) a prostřednictvím názorů uživatelů internetu na daný výrobek.
Zejména potvrzení důležitosti uživatelských recenzí považujeme za důležitý výsledek
experimentu. Jedná se totiž o zjištění, které podporuje tu část výzkumů, které uživatelským
recenzím přiznávají významný vliv na nákupní rozhodování.
Faktory spojené s riziky a transakčními náklady vycházejí v tomto porovnání jako méně
důležité a odstup od faktorů spojených primárně s kvalitou výrobku je výrazný. Nejméně
důležitým faktorem je lhůta na vrácení bez udání důvodu.
Pro utváření reklamační politiky z výsledků plyne, že patrně nemá smysl nabízet zákazníkům
prodlouženou lhůtu na vrácení výrobku z důvodu subjektivní nespokojenosti (tj. delší než 14
dnů, které stanovuje zákon), neboť tento faktor se ukázal jako nejméně důležitý. Výsledek lze
interpretovat tak, že 14 denní lhůta zákazníkům pro rozhodnutí, zda si výrobek ponechat nebo
ne, stačí. Pozitivní efekty, které by z prodloužení plynuly (např. zvýšení tržeb díky
konkurenční výhodě) by pravděpodobně nevykompenzovaly rizika, kterým by se obchodník
při prodloužení této lhůty vystavil. Tato rizika jsou spojena s dodatečnými náklady, neboť lze
předpokládat, že díky delší lhůtě by se zvýšil pročet vrácených výrobků. Navíc jejich stav by
vlivem delšího používání mohl být horší, což by snížilo finanční příjmy z jejich dalšího
zpracování (např. bazarového prodeje). Také by s nárůstem lhůty mohlo dojít k oportunitnímu
jednání zákazníků, tedy ke zneužívání reklamací, což krátká lhůta silně eliminuje.
Přestože celkově výsledky naznačují, že nástroje spojené s reklamacemi mají menší vliv na
nákupní rozhodování, nelze je zcela ignorovat. Podle provedené shlukové analýzy totiž
existuje skupina zákazníků, pro které jsou faktory spojené s reklamacemi (přesněji s rizikem a
transakčními náklady), stejně důležité jako kvalita. V tomto výzkumu se jedná o 43 %
respondentů, což jsou ale výsledky zatížené vyšší mírou rizika, protože podle doporučení
vztahující se k conjointní analýze, by pro dosažení běžné spolehlivosti výsledku musel být
vzorek téměř dvakrát tak velký.
Tento výsledek také potvrzuje doporučení (Posselt a kol., 2008), aby reklamační podmínky
jako součást rozšířeného produktu zohledňovaly segmentaci zákazníků. Například to, aby si
sami zákazníci mohli zvolit, jakou míru rizika spojenou s nákupem chtějí akceptovat a na
druhé straně, za omezení některých rizik jsou ochotní si připlatit. Naše výsledky především
podporují, aby podniky nabízely za poplatek rozšířenou záruku na výrobek (resp. jeho vady) a
také snazší vyřízení reklamace (např. servis doma). Jak bylo řečeno, prodloužení lhůty na
bezdůvodné vrácení výrobku by patrně význam nemělo.
Na závěr zopakujme skutečnosti, které omezují spolehlivost výsledků a závěrů z nich
odvozených. První se týká velikosti vzorku ve vztahu k segmentaci, jak bylo vysvětleno výše.
Protože conjointní analýza předpokládá, že respondenti budou mít přesnou představu o
zkoumaném výrobku, musel být samozřejmě jasně určen – volba padla na domácí vysavač.
Přísně vzato, všechny uvedené výsledky se vztahují ke koupi vysavačů prostřednictvím
internetu. S přijatelnou mírou rizika lze ale výsledky zobecnit i na podobné produkty.
Protože primárním zájmem bylo zkoumání faktorů spojených s reklamacemi a současně
množství faktorů bylo omezené, byly některé faktory z výzkumu vynechány. Především to
byla cena výrobku. Důvodem bylo to, že jde o faktor zcela zásadní a jistě by i tento výzkum
99
její důležitost prokázal. Informační hodnota takového zjištění by ale byla malá. Proto se od
faktoru ceny abstrahovalo, stejně jako od technických parametrů výrobku.
100
7 STRUKTURNÍ MODELOVÁNÍ
Modelování pomocí strukturálních rovnic (structural equation modeling - SEM) je relativně
mladá technika vícerozměrné statistiky, která umožňuje kvantitativně testovat hypotézy ve
formě teoretických modelů. Modelem se zde rozumí vzájemné vztahy mezi proměnnými,
přičemž proměnné mohou být přímo pozorovatelné tak také nepozorovatelné (latentní)
proměnné. Latentní proměnné představují hypotetické konstrukty, které jsou měřeny nepřímo
pomocí sestavy pozorovatelných proměnných.
SME pak odpoví na otázku, do jaké míry získané data podporují platnost navrženého
teoretického modelu ve dvou rovinách:
1. platnost modelu měření latentních proměnných (faktorová analýza)
2. platnost navržené struktury modelu (pěšinková analýza) – tj. vztahy mezi
proměnnými, kde každá vazba představuje hypotézu o vzájemném vztahu mezi
proměnnými. Rovněž neexistence vazby v modelu znamená hypotézu o tom, že zde
vazba neexistuje. Při tvorbě modelu je třeba zdůvodnit také neexistující vazby mezi
proměnnými (Chin a kol, 2008).
Obrázek č. 33: Vztah mezi modelem měření a strukturním modelem v rámci SEM
Zdroj: Nachtigall a kol., 2003, s. 5
SEM má tak smysl použít v situaci, když je třeba prověřit navrženou teorii a současně platí, že
tato teorie může být převedena do modelu v podobě lineárních rovnic a mezi proměnnými
platí přímé úměrnosti. Tím jsou vyřazeny teorie založené na typologiích a nominálních datech
(Nachtigall a kol., 2003, s. 12).
Brown, Dant (2008) provedli obsahovou analýzu výzkumných prací, které byly publikovány
v průběhu 6ti let (2002-2007) v časopisu Journal of Retailing a zjistili, že v oblasti
metodologie, nejčastěji výzkumníci volili dotazování studentů, zákazníků a analýzu
sekundárních zdrojů. Naopak kvalitativní přístupy a modelování byly využívány omezeně.
Pokud jde o témata, v sestupném pořadí byly nejčastější: chování zákazníka, cena, loajalita,
služby a internet. Nejmenší pozornost se věnovala marketingovému kanálu. Nejčastěji
využívanými statistickými metodami zpracování kvantitativních dat byla regresní analýza,
analýza rozptylu a strukturální modelování Brown, Dant (2008).
SEM je metoda (resp. metody), které mají původ v psychologickém výzkumu, nicméně od
60.let 20.století se uplatňují i ve výzkumu „podnikohospodářském“ – v marketingu,
strategickém managementu, výzkumu organizací, manažerských informačních systémů či
provozním managementu (Shah a Goldstein, 2006). V poslední době např. Saghaei a Ghasemi
(2009) použili SEM při modelování kauzálních vztahů při implementaci Balanced-Scorecard
101
v podniku. Zajímavou studii provedli (Babin Hair a Boles, 2009). Zkoumali, zda přítomnost
SEM v článcích zaslaných k recenznímu řízení do renomovaného marketingového časopisu
zvyšuje šanci pro přijetí. Ačkoliv souvislost nebyla příliš velká, podařilo se jim statisticky
prokázat, že články se SEM jsou hodnoceny lépe a v recenzním řízení budou úspěšnější.
Nepodstatný není ani fakt, že téměř polovina (48 %) zaslaných článků do sledovaného
časopisu využívala SEM! Využití SEM v logistice ukazuje práce Giménez a kol. (2005) nebo
Wallenburg a Weber (2005). V obou případech jde o spíše ukázkové aplikace SEM a
podobnost je také v zaměření – v logistickém controllingu. Např. výsledkem modelu
Wallenburga a Webera (2005) je potvrzení předpokladu, že efektivnost logistiky na straně
vstupů (nízké náklady) neovlivňují strategické výsledky podniku (market performance,
responsivness), ale pouze krátkodobé finanční výsledky. Naopak logistické služby (výstup
logistiky) mají právě vliv na strategické výsledky a ne na krátkodobou finanční výkonnost
podniků.
Protože jde o metody výpočetně náročné, které integrují poznatky z moderní statistiky, jejich
aplikace výrazně roste v posledních letech. Např. v oblasti provozního managementu roste
počet publikovaných článků kvadraticky (Shah a Goldstein, 2006).
7.1 Typy proměnných v SEM
SEM pracuje se dvěma typy proměnných a to pozorovanými a latentními proměnnými.
Latentní proměnné (konstrukt nebo faktor) jsou takové proměnné vstupující do modelu, které
nejsou přímo pozorovatelné, popř. měřitelné, a tak se dají zjistit pouze nepřímo, pomocí
pozorovaných proměnných. Taková sestava proměnných pak definuje latentní proměnnou.
Příkladem latentní proměnné může být např. inteligence jedince a pozorovanou proměnnou,
pomocí které lze usuzovat na inteligenci, jsou výsledky inteligenčních testů. Podobně lze
chápat Dow-Jones index jako pozorovanou proměnnou, která vypovídá o „konstruktu“
ekonomika amerických společností (Schumacker, Lomax, 2004, 3). Pojetí latentních
proměnných původně vycházelo z oblasti psychometrie a týkalo se psychologických
kategorií. V moderním pojetí jsou ale za latentní proměnnou považovány jakékoliv proměnné,
které nejsou přímo pozorovány ve zkoumaném vzorku dat (Raykov a Marcolides, 2006, s.
10).
Obrázek č. 34: latentních proměnných s existující souvislostí
Zdroj: Meyers, L.S., Gamst, G., & Guarino, A.J. (2006), str. 565
102
7.2 Počet položek pro určení konstruktu
Převažuje shoda nad tím, aby latentní proměnné byly měřeny za pomocí dvou a více
proměnných. Pokud by latentní proměnná byla definována jen jednou proměnnou, pak se
vlastně předpokládá, že jediná proměnná měří latentní proměnnou a to spolehlivě, bez chyby
měření, což většinou není pravda. Tímto postupem snižuje reliabilita a validita výpočtů.
Použití jediné proměnné tak má smysl ve dvou případech: (1) pokud je jisté, že proměnná
měří danou latentní proměnnou a měří ji kvalitně, nebo (2), když nejsou k dispozici další
proměnné a je třeba pracovat pouze s jedinou, která je. (Schumacker, Lomax, 2004, 199).
V takovém případě by proměnná měla být modelována jako manifestovaná (pozorovaná)
proměnná a ne latentní (Shah a Goldstein, 2006).
Pozorované i latentní proměnné mohou mít v modelu roli závislých (endogenních) i
nezávislých (exogenních) proměnných. O exogenních proměnných se pak předpokládá, že
jsou ovlivňovány okolnostmi mimo sledovaný model. Protože SEM dokáže testovat strukturní
model (vazby mezi několika proměnnými, které nemusí být pouze přímé), proměnné mohou
v modelu vystupovat také v roli zprostředkujících proměnných (mediating variable). SEM
tedy netestuje regresní rovnici (s jednou či více proměnnými), ale najednou systém regresních
rovnic. Díky tomu jde o velmi flexibilní metodu (Nachtigall a kol., 2003).
Reflektivní a formativní pojetí proměnných
Pro výpočet latetních proměnných existují dva způsoby měření, resp. konstrukce: Reflektivní
a formativní. Reflektivní způsob předpokládá, že jednotlivé položky, na které se dotazujeme,
odráží podkladovou latentní proměnnou. Formativní (nebo také kauzální) indikátory naopak
definují latentní proměnnou, určují její obsah. Při formativní konstrukci latentních
proměnných se vlastně vytváří index (Shah, Goldstein, 2006). Přestože většina výzkumů
využívá reflektivní indikátory, ne vždy je to správné z logiky věci. Důsledky nevhodného
rozhodnutí v této věci mohou vést k odlišným výsledkům, což dokazují např. Collier a
Bienstock (2009), kteří na stejných datech testovali model sestavený výhradně z reflektivně
definovaných latentních proměnných a model, který u některých proměnných využíval
formativní přístup. Rozdíly nebyly zcela jiné, ale týkaly se významnosti a existence několika
vazeb v modelu. Tudíž interpretace, které vycházely ze dvou verzí modelu, byly v dílčích
bodech protichůdné.
Přestože byl formativní přístup pro měření latentních proměnných poprvé vyvinut před více
než 40 lety, větší pozornost v odborných diskusích získal až v letech 90. Navzdory tomu je
využívání formativního způsobu měření v empirických studiích vzácné (Diamantopoulos a
kol. 2008).
103
Obrázek č. 35: Příklad formativních a reflektivních indikátorů
Zdroj: Rodgers, Guiral, 2011.
Doporučení pro volbu mezi formativním a reflexivním způsobem měření proměnných uvádí
např. Jarvis a kol. (2003) – viz tab. č. 34.
Tabulka č. 34: Doporučení pro výběr formativního a reflektivního měření.
Zdroj: JARVIS a kol., 2003.
7.3 Typy strukturálních modelů
Strukturální modelování má několik podob. Řazeno chronologicky podle data vzniku jde o
regresní modely, pěšinkové modely (path analysis – PA), konfirmační faktorovou analýzu
(Confirmatory factor analysis – CFA) a konečně modelování pomocí strukturálních rovnic
(SEM) (Schumacker, Lomax, 2004, 3). Někteří autoři, ale regresní modely do strukturálního
modelování neřadí (např. Raykov & Marcolides, 2006, 4) a jako čtvrtý typ strukturálního
modelování uvádějí Latent change models (nebo latent growth curve models), které slouží
jako prostředek ke studiu změn v čase. Např. k odhalení vzorců změny v čase v závislosti na
104
jiných proměnných. Nejvíce rozšířené je modelování pomocí SEM – více než polovina
publikovaných článků v provozním managementu využívala SEM, zbytek pak PA a CFA
(Shah a Goldstein, 2006).
Pokud pod strukturální modelování zařadíme regresní modely, kde je závislá proměnná
odhadována pomocí lineárního vztahu k nezávislým veličinám (viz také metoda nejmenších
čtverců), patří mezi zakladatele SEM Karl Parson díky svému objevu korelačního koeficientu
(Schumacker, Lomax, 2004, 5). Na něj navázal Charles Spearman, který jako první
rozpracoval základy faktorové analýzy, která v 60. letech 20. století „dospěla“ do podoby
konfirmační faktorové analýzy (CFA). Ta umožňuje posoudit, zda jednotlivé proměnné
definují latentní proměnnou (konstrukt). Při CFA se nepředpokládají specifické jednosměrné
vztahy mezi konstrukty, pouze se připouští, že mohou být vzájemně korelované. Další typ
strukturálního modelování – pěšinkovou analýzu (path analysis - PA) - vytvořil biolog Sewell
Wright ve dvacátých letech 20. století. Jöreskog, Keerling a Wiley v 70.letech vytvořili
zkombinováním obou metod CFA a PA modelování pomocí strukturálních rovnic (SEM)
(Schumacker, Lomax, 2004, s. 6).
Jeden z autorů SEM – Jöreskog – se podílel na tvorbě počítačového programu pro výpočet
strukturního modelování, dnes již klasického a dodnes vyvíjeného a používaného programu
LISREL. Mimo něj patří mezi běžně využívaný software pro strukturní modelování AMOS,
EQS, Mplus, SAS PROC CALIS, SEPATH či RAMONA (Raykov & Marcolides, 2006, 2).
Rozvoj uživatelsky přívětivějších programů měl jistě podíl na výrazném rozšíření SEM ve
výzkumu v 90. letech. Díky tomu snad již neplatí, že SEM je populární, protože je pouze
málo lidí, kteří ji dovedou využívat, jak v roce 2003 poznamenali Nachtigall a kol. (2003, s.
12).
Tabulka č. 35: Použitý software v publikovaných vědeckých článcích
SEM ve výzkumu v oblasti řízení operací SEM ve výzkumu sociální práce
Lisrel – 48 %
EQS 19 %
SAS 9 %
AMOS 3 %
Ramona 1 %
AMOS – 40 %
LISREL – 25 %
EQS 9 %
Mplus 1 %
Zdroj: Shah a Goldstein, 2006 a Guo a kol., 2008
7.3.1 Pěšinková analýza
Path analysis (PA), v českém překladu pěšinková analýza nebo analýza cestiček, spolu
se SEM představuje metodu kauzálního modelování. Protože kauzalita jak taková se
neobjevuje ve skutečně pozorovaných datech (jedná se o myšlenkový konstrukt), nelze
kauzalitu měřit samo o sobě (Meyer a kol., 2006, 585). Označení „kauzální modelování“ tak
není úplně přesné. To je také hlavní námitka vůči PA. Např. Yu (2007) cituje výhrady Davida
Linga, podle kterého PA nemůže vyvrátit chybně navržené kauzální předpoklady v modelu, a
proto tato metodologie není vědecká ani statistická.
Vhodnější charakteristika PA zní, že díky této metodě lze posoudit přímé ale i nepřímé efekty
proměnných na jiné proměnné tak, jak to předpokládá zkoumaný teoretický model. Ten je
obvykle vedle slovního zdůvodnění prezentován pěšinkovým grafem, který zobrazuje
závislou a nezávislé proměnné a předpokládané vztahy (působení) mezi nimi. Předpoklady,
na kterých stojí pěšinková analýza, jsou tyto (Meyer a kol., 2006, 592):
105
1. Vztahy mezi proměnnými jsou lineární a kauzální
2. Chyby spojené s endogenní (závislou) proměnnou nejsou korelované s vysvětlujícími
proměnnými.
3. Příčinností vazby jsou jednosměrné, ale na rozdíl od vícenásobné regrese mohou být
mezi proměnnou A a B dvě takovéto vazby, každá opačného směru. Takové modely
jsou označované jako nerekurzivní. Předpokládají, že vztah mezi proměnnými má jak
podobu příčiny tak i následku (tj. jde o existenci zpětné vazby), což se využívá v
dynamických modelech, které pracují s dlouhodobými daty (resp. časovými řadami)
(Hair a kol, 2010, 708).
4. Proměnné jsou měřeny na úrovni intervalových proměnných, nebo alespoň
proměnným blízkým intervalovým proměnných (jako např. Likertovy škály)
5. Proměnné jsou měřeny bezchybně – jejich reliabilita je tedy 100 %. V tomto spočívá
základní rozdíl mezi PA a SEM. PA využívá pouze pozorované proměnné (nikoliv
latentní) a předpokládá, že jsou 100 % spolehlivě, kdežto SEM umožňuje pracovat i
s latentními proměnnými, u kterých se automaticky předpokládá, že jsou měřeny jen
s jistou mírou spolehlivosti. Proto dnes PA považuje mnoho výzkumníků za méně
zajímavou než SEM (Meyer a kol., 2006, 585). Principy PA ale platí analogicky i pro
složitější SEM modely.
PA je velmi blízká vícenásobné regresi. Vedle toho, že PA umí modelovat i nepřímé vztahy
mezi proměnnými, liší se i v následujících technických postupech výpočtu (Meyer a kol.,
2006, 604):
1. Vícenásobná regrese využívá metodu nejmenších čtverců, kdežto PA metodu
maximální věrohodnosti (maximum likelihood).
2. Výpočet nejmenších čtverců je proveden najednou, kdežto maximální věrohodnost je
iterativní proces.
3. Vícenásobná regrese vypočítává rovnici pro každou endogenní proměnnou nezávisle.
PA odhaduje všechny koeficienty modelu najednou.
Technický rozdíl je také v tom, že Vícenásobná regrese vede k výpočtu odhadnutých hodnot
závislé proměněné, kdežto PA k chybě spojené se závislou proměnnou.
Odhad regresní rovnice
y (predict)= b0 + b1x1 + b2x2 + . . . + bpxp
Odhad strukturální rovnice
y (observed)= b0 + b1x1 + b2x2 + . . . + bpxp +
error(Y)
106
Obrázek č. 36: Porovnání vícenásobné regrese a pěšinkové analýzy.
Zdroj: http://www.psy.jhu.edu/~ashelton/courses/SEM09/SEMIntro.pdf
Ačkoliv byla PA navržena ve 30.letech 20.století, většího zájmu se jí dostalo až po 30 letech
(Yu, 2007).
7.3.2 Konfirmační faktorová analýza
Konfirmační (někdy také konfirmatorní) faktorová analýza, anglicky označovaná jako
Confirmatory Facotr Analysis – CFA, je speciální metodou strukturního modelování, která
výzkumníkům umožňuje posoudit platnost předpokládané struktury mezi proměnnými. Na
rozdíl od explorativní faktorové analýzy, je CFA využívána při deduktivním přístupu (Meyer
a kol., 2006, 548), kdy výzkumník nejprve vytvoří teoretický koncept a ten testuje na
empirických datech. Konceptem se zde rozumí představa o tom, jaké konkrétní
(pozorovatelné) proměnné vypovídají o latentní (přímo nepozorovatelné, nebo nepozorované)
proměnné - konstruktu. CFA pak prozkoumá, do jaké míry, pozorované proměnné „naplňují“
jednotlivé konstrukty.
Při CFA je latentní proměnná pojímána jako nezávislá proměnná a pozorované proměnné
jako závislé – což je v grafické podobě testovaného modelu vyznačeno šipkami, které směřují
od latentní proměnné k pozorovaným proměnným.
107
Obrázek č. 37: Příklad CFA
Zdroj: Hair a kol.,2010, s. 631
7.4 Výhody a možnosti využití SEM
Možnost pracovat s latentními proměnnými představuje velkou výhodu SEM oproti jiným
vícerozměrným statistickým metodám. Díky tomu totiž mohou testované modely pracovat
s velkým počtem proměnných a být tak více komplexní. Protože testovaný model je
posuzován najednou jako celek, lze vypočítat test dobré shody pro celý hypotetický model
(Ho, 2006, 281).
Druhou hlavní výhodou je zohlednění validity a reliability dat získaných měřícími nástroji.
SEM totiž explicitně zohledňuje chybu měření (measurement error) při statistickém
zpracování dat (Schumacker, Lomax, 2004, 7). Jinými slovy předpokládá, že i u měřených
(nezávislých) proměnných existuje chyba měření, což jiné vícerozměrné metody nedělají.
(Raykov & Marcolides, 2006, 7). Tyto chyby měření jsou způsobené jednak nepřesností
v odpovědích respondentů a také problémy v operacionalizaci konceptů (Ho, 2006, 282).
Díky zohlednění chyby měření jsou vztahy mezi konstrukty (latentními proměnnými)
odhadnuty přesněji (Hair a kol. 2010, 615).
Během 30 let vývoje SEM se tyto metody zdokonalily a rozvinuly do podoby, že dokážou
sledovat odlišnosti skupin v navržených modelech (jde o tzv. multilevel SEM modeling). A to
je třetí přednost těchto metod (Schumacker, Lomax, 2004, 7).
Raykov & Marcolides (2006, 6) uvádějí, že SEM může být použita pro následující tři typy
úloh:
1. Validace konstruktů – SEM zde slouží jako prostředek ověřování zda navržený měřící
nástroj skutečně měří latentní proměnnou, kterou má měřit.
2. Konfirmační mód – za pomoci SEM výzkumník testuje hypotetický model na
empirických datech. Případně lze také na jedněch datech testovat platnost dvou
alternativních teorií, čímž se získá ještě cennější výsledek (Hair a kol., 2010, 620).
3. Vývoj teorie – zde má SEM roli průzkumného (explorativního) nástroje, kdy
výzkumník často na jednom vzorku dat testuje několik modelů a hledá, který nejlépe
z nich odpovídá použitým datům. Zkoumá tak různé možnosti vztahů mezi
proměnnými, což mu pomáhá při navržení nebo objasnění teorie. Aby takto vytvořený
model mohl být považován za obecně platný, je třeba jej prověřit na nové sadě dat
(opět konfirmační využití SEM).
108
Naopak za nevýhodu lze považovat, že pro SEM existuje jen málo „vodítek“ ve smyslu
doporučení a ještě méně standardů, kterých by se výzkumníci při aplikace SEM měli držet při
provádění samotné analýzy stejně jako při prezentaci a interpretaci výsledků (Shah a
Goldstein, 2006).
Další nevýhody:
 Neumí testovat směr vazeb mezi proměnnými (Stoelting, 2002).
 Velké výzkumné vzorky (Wallenburg, Weber, 2005)
 Podmínka vícerozměrné normality dat, byť metoda maximální věrohodnosti pro odhad
parametrů modelu je robustní i vůči odchylkám v normalitě dat (Wallenburg, Weber,
2005).
 Ekvivalence modelů - Lze namodelovat více různých modelů na stejných datech, a
přesto mohou být stejně statisticky kvalitní. (Hancock, Mueller, 2006, 17)
 Ex post modifikace modelu mohou popřít smysluplnost metody (výsledky přizpůsobit
datům) (Hair a kol. 2010)
Obrázek č. 38: Ilustrace PA, CFA a SEM
Zdroj: Shah a Goldstein, 2006.
109
7.5 Předpoklady SEM
Pro strukturní modelování platí podobné předpoklady jako pro ostatní vícerozměrné
statistické metody. Specifikum lze vidět v požadavcích, které se týkají:
 velikosti výzkumného vzorku
 spojitosti endogenní proměnných
 identifikace modelu
 nutnosti teoretického zdůvodnění modelů a kauzality
Velikost vzorku
Autoři Bentler a Chou (1987) vychází při stanovování velikosti výzkumného vzorku z počtu
proměnných a říkají, že rozumné minimum při strukturálním modelování je 5 případů na
jeden odhadovaný parametr, tj. přibližně 15 případů na jednu proměnnou (splňující
požadavky na normalitu, nepřítomnost odlehlých hodnot a úplnost dat). Pokud ale proměnná
nesplňuje normalitu dat, doporučují použít místo pěti případů 15.
Ve výzkumné praxi je velikost vzorků různorodá. V sociálním výzkumu se pohybují 120 do
6400 porozvání s mediánem 412 (Guo a kol. 2008). Ve výzkumech v provozním
managementu je rozpětí menší 18-3300 s mediánem 251 (Shah a Goldstein, 2006).
Spojitost endogenních proměnných
Při SEM se předpokládá, že všechny endogenní proměnné jsou spojité. Pokud jsou měřeny
pomocí škál a data jsou tedy ordinální, stále se předpokládá, že proměnná, které je
zaznamenána na škále, je sama o sobě spojitá. Exogenní proměnné mohou být spojité,
ordinální nebo dichotomické (Jackson a kol., 2005 a Structural Equation Modeling using
AMOS: An Introduction, 2011).
Identifikace modelu
Při výpočtu parametrů strukturálního modelu je potřeba dostatečného počtu korelací a
kovariancí. Pokud existuje nekonečně mnoho odhadů parametrů modelu, mluví se o tom, že
model je underidentified. Je to situace, kdy model má méně známých proměnných než
neznámých (záporné stupně volnosti). Výsledek výpočtu tak není použitelný. Zvláštním
případem je tzv. empirická underidentification. Tato situace nastane, když se odhady
některého z parametrů blíží nule a to způsobuje výpočetní problémy. Problém pak může
vyřešit zvětšení výzkumného vzorku. Druhou příčinou je pak nevhodně formulovaný model a
zde může pomoct úprava modelu.
Model, který poskytuje pouze jedno možné řešení, bývá označován jako just-identified.
Rovněž toto řešení není smysluplné, neboť uměle odpovídá datům (Meyer a kol., 2006, 551).
Modely, které poskytují více než jedno přípustné řešení (a jedno z nich je nejlepší nebo
optimální) odhadu pro každý parametr se označuje jako overidentified. Tyto modely mají
počet stupňů volnosti větší než nula, což umožňuje vypočítat chí kvadrát a další testy dobré
shody (Structural Equation Modeling using AMOS: An Introduction, 2011).
Teoretické zdůvodnění modelů a kauzality
Pomocí SEM lze modely testovat v tom smyslu, že je možné zamítnout je, nebo nezamítnout,
což ale neznamená potvrzení platnosti v pravém smyslu slova, pouze provizorní přijetí
110
modelu. Jedním z důvodů proč tomu tak je, je skutečnost, že na jedněch datech lze většinou
namodelovat několik různých modelů, o kterých lze prohlásit, že nejsou neplatné. Aby tedy
využívání SEM mělo nějaký užitek, musí být modely (použité proměnné a vztahy mezi nimi)
teoreticky zdůvodněny. Pozornost je třeba věnovat zdůvodnění kauzalit, protože i když
modely pracují se závislostmi (jednosměrné šipky v grafických reprezentací modelů), samy
statistické metody SEM skutečnou kauzalitu neprokážou.
Pokud je třeba zkoumat kauzalitu, tradičně se uplatňují experimenty jako výzkumný postup.
SEM se však typicky nepoužívá pro experimentální výzkumy a nezávislé proměnné nejsou
řízeny a ovlivňovány výzkumníky. O kauzálních vztazích lze při SEM mluvit, pokud jsou
splněny tyto vlastnosti vztahu dvou proměnných (Hair a kol. 2010, 614):
 existuje mezi nimi kovariance
 existuje mezi nimi časová následnost – SEM může tuto vlastnost prokázat, pokud
využívá data z výzkumu postavený na experimentu anebo dlouhodobém výzkumu (jde
o analýzu časových řad).
 nejde o nepravý vztah (non-spurious covariance) – kovariance mezi proměnnými není
ovlivněna, pokud se do modelu zahrne další proměnná. Prokázání této podmínky
kauzality komplikuje velmi častá multikolinearita mezi nezávislými proměnnými u
profilových dat (cross sectional data, nejedná se o data časových řad).
 teoretické zdůvodnění.
7.6 Postup při výzkumu využívajícího SEM
Následující doporučený postup při výzkumu založeného na SEM vychází z Hair a kol. (2010,
628):
1. Definice jednotlivých konstruktů – operacionalizace použitých konstruktů vyúsťuje
do návrhu „obrazů“ či indikátorů těchto konstruktů – pozorovaných proměnných (tj.
např. škálových otázek, které budou položeny v dotazování). Lze vycházet z již
použitých otázek v předchozích výzkumech, nebo navrhnout a otestovat vlastní škály.
2. Vytvoření měřícího modelu – Znamená zodpovědět otázky o tom, zda jsou použité
konstrukty validní a jednorozměrné. Kolik pozorovaných proměnných má popisovat
jeden konstrukt? Které položky patří k jednotlivým konstruktům? Výsledkem je často
grafický návrh (viz obrázek č. 34)
3. Návrh empirického výzkumu (sběru dat) – zde se definuje velikost výzkumného
vzorku, způsob zpracování chybějících dat, způsob posouzení kvality dat, volba
metody matematického odhadů parametrů modelu aj.
4. Posouzení validity měření – na získaných datech se posoudí validita modelu měření,
tedy zda pozorované proměnné vypovídají o definovaných konstruktech. Tato fáze
spočívá v provedení konfirmační faktorové analýzy. Pokud způsob měření latentních
proměnných není uspokojivý, nelze pokračovat dál, ale je potřeba redefinovat model
měření. Zahrnutí strukturních vztahů do modelu (krok 5) totiž nezlepší validitu měření
(Hair a kol., 2010, 710). V této fázi se musí posoudit celková shoda modelu měření
s daty a dále je třeba prověřit validitu jednotlivých konstruktů čtyř hledisek Hair a kol.
(2010, 678): Konvergenční validita, diskriminační validita, nomologická validita
(prověřena pomocí korelací mezi konstrukty, zda přítomnost a podoba korelací
odpovídá teoretickým předpokladům a face validity (znamená, zda jednotlivé
pozorované proměnné mají takový obsah, aby skutečně plnily sledovaný koncept.)
5. Specifikace struktury modelu – znamená definovat vztahy mezi proměnnými a
v případě konfirmačního módu SEM je teoreticky zdůvodnit.
111
6. Posouzení validity strukturního modelu – pomocí obdobného postupu jako v kroku 4
se posoudí kvalita modelu (do jaké míry je v souladu s empirickými daty). Obecně
platí, že pokud ukazatel testu dobré shody se pro strukturní model blíží hodnotám
modelu měření, strukturní model lépe odpovídá datům, protože hodnoty modelu
měření představují hranici, od které se odvíjí hodnoty strukturního modelu (Hair a
kol., 2010,s. 650).
Obrázek č. 39: Doporučený postup aplikace SEM
Hair a kol. 2010, 628
112
7.6.1 Posouzení validity modelu
Před zkoumáním jednotlivých vztahů je třeba rozhodnout, zda model jako celek odpovídá
datům a zda lze model přijmout nebo zamítnout (predictive accuracy, model fit). O tom
rozhoduje shoda mezi pozorovanou a odhadovanou kovarianční maticí, která je výsledkem
testovaného modelu (Hair a kol. 2010, 614). Bylo navrženo více ukazatelů, které hodnotí míru
shody dat s teoretickým modelem. Nejčastěji používanými je chí kvadrát, CFI (komparative
fix index) a RMSEA (root mean square error of approximation). Jejich doporučené hodnoty
(viz tabulka č. 36) závisí na nejméně dvou okolnostech: velikost vzorku a na počtu všech
parametrů modelu, které je třeba odhadnout. Interpretace výsledku často není jednoznačná.
Např. nižší hodnoty RMSEA neznačí vhodnější model než model s hodnotami RMSEA
vyššími (Shah a Goldstein, 2006).
Tabulka č. 36:Doporučené hodnoty indikátorů kvality modelu
Hair a kol. 2010, s. 646
7.6.2 Modifikace modelu
Používaný software běžně vypočítává také údaje, které lze využít k modifikaci modelu tím
směrem, aby model lépe odpovídal datům. To má smysl, zejména při užití SEM jako
prostředku vývoje teorie. Při konfirmačním použití jsou úpravy modelů na základě dat velmi
sporné. Typickým příkladem úprav je připuštění korelace chyb odhadů latentní proměnné
(chyby spojené s pozorovanými proměnnými). Problematické je to zejména v situaci, když se
připustí korelace mezi chybami odhadů dvou různých latentních proměnných (na obrázku
č. 34 dvou latentních proměnných by to byla např. korelace mezi některou z proměnných
Error 1-3 a Error 4-6). Znamená to totiž, že se připouští, že proměnné definující latentní
proměnné mají něco společného (např. definují současně i jiný konstrukt). To v jistých
případech jde teoreticky obhájit. Velmi často to ale znamená přiznání, že zvolené proměnné
neměří sledované konstrukty dobře a je to tedy signálem nedostatečné konstruktové validity
(Nachtigall a kol., 2003, s.13; Hair a kol. 2010, 666).
113
V souvislosti s modifikacemi modelu je třeba dodat, že ohrožují smysluplnost SEM jako
metody pro ověřování teorii. Bez jasně definovaného hypotetického modelu, který je odvozen
z teorie a předchozích poznatků, je testování nesmyslné stejně jako modifikace modelu,
protože se pak testují vztahy platné pro konkrétní zpracovávané data. Nalezené vztahy tak
mohou být dílem náhody a možnost zobecnit tyto poznatky je pak minimální (Ho, 2006, 283).
7.7 Faktory šíření informací o zkušenostech s reklamacemi
Jednou hlavních reakcí zákazníka na uskutečněnou reklamací je šíření informací ve svém
okolí o této zkušenosti. Zprávy předané ostatním lidem mohou mít dvě vyhraněné polohy –
negativní ale i pozitivní. Převaha výzkumů si všímá negativního hodnocení a pozitivní je
relativně opomíjeno (Oliver, 2010a).
Následující výzkum se zaměřil na obě podoby s cílem zjistit, zda a v čem se negativní a
pozitivní „šeptanda“ liší. Tj. zda faktory vlivu, které podněcují negativní a pozitivní šeptandu,
jsou různé a zda se liší síla jejich vlivu. Protože se jedná o záměrné chování, testovaný model
vycházející z teorie plánovaného chování. Tím jsou definovány tři obecnější vlivy: postoje
zákazníka, vlivy jeho okolí (subjektivní norma) a vnímaná kontrola chování. Uskutečněné
výzkumy na podobné téma potvrdily vliv faktorů jako je kvalita poskytnuté kompenzace,
rychlost vyřízení reklamace, důvěryhodnost a ochota personálu (Collier a Bienstock, 2006;
Davidow, 2000). Z jejich obsahu je možné předpokládat, že se jedná o faktory, které ovlivňují
přesvědčení spojené s postoji. Vliv subjektivní normy či vnímané kontroly chování tak
z citovaných výzkumů nelze posoudit.
7.7.1 Formulace modelu a použité proměnné
Jak bylo, řečeno navržený model vztahů odpovídá teorii plánovaného chování. Každou
z příčinnostních vazeb, kterou tato teorie předpokládá, lze chápat jako hypotézu stanovenou
k ověření. Formálně je definujeme takto:
 H1: Postoj k šíření informací pozitivně souvisí se záměrem.
 H2: Subjektivní norma pozitivně souvisí se záměrem.
 H3: Vnímaná kontrola chování pozitivně souvisí se záměrem.
 H4: Vnímaná kontrola chování pozitivně souvisí s chováním.
 H5: Záměr zneužít reklamace pozitivně souvisí s chováním.
Vedle platnosti jednotlivých vazeb se také ověřuje platnost modelu jako celku.
Testování platnosti tohoto modelu proběhlo kvantitativní cestou a to pomocí pěšinkové
analýzy. Nepracuje se zde s latentními proměnnými, z čehož plynou některá omezení
diskutovaná v předešlém textu.
Základní charakteristika modelu:
 Velikost vzorku = 250
 Počet proměnných: 7 v každém z obou modelů
 Pozorované endogenní proměnné: k1, k4 (k2, k5)
 Pozorované exogenní proměnné: k9, k10, k7 (k6, k8, k10)
 Nepozorované exogenní proměnné: er1, er2 (er1, er2)
114
Tabulka č. 37: Použité proměnné pro negativní šeptandu
Proměnná Označení
proměnné
Formulace otázky
Proměnné
pro model
negativní
šeptandy
Chování k1
Negativní zkušenosti s reklamací v konkrétním obchodě
jsem sdělil svému okolí (nikdy – mnohokrát)
Záměr k4
Varuji své přátele před obchodníkem, který nevyřídil
reklamaci k mé spokojenosti.
Postoj k7
Považuji za dobré, říct svým známým o negativních
zkušenostech s reklamacemi v konkrétních obchodech.
S. N. k9
Mí přátelé mě informují o negativních zkušenostech s
reklamacemi, které učinili v konkrétních obchodech.
Behavioral
control
k10
Je snadné informovat své známé o zkušenostech s
reklamacemi.
Proměnné
pro model
pozitivní
šeptandy
Chování k2
Pozitivní zkušenosti s reklamací v konkrétním obchodě
jsem sdělil svému okolí (nikdy – mnohokrát)
Záměr k5
Pozitivní zkušenost s reklamací u konkrétního obchodníka
sdělím svým známým a blízkým.
Postoj k6
Považuji za dobré, říct svým známým o pozitivních
zkušenostech s reklamacemi v konkrétních obchodech.
S.N. k8
Mí přátelé mě informují o pozitivních zkušenostech s
reklamacemi, které učinili v konkrétních obchodech.
Behavioral
control
k10
Je snadné informovat své známé o zkušenostech s
reklamacemi.
Pozn.: odpovědi (s výjimkou první otázky) byly na škále „zcela nesouhlasím – zcela souhlasím“
Zdroj: autor
Obrázek č. 40: Testované modely šeptandy
Negativní šeptanda 
 
 
Pozitivní šeptanda 
 
 
Zdroj: autor
7.7.2 Testování modelu a výsledky pěšinkové analýzy
Z odpovědi na otázku, jak často respondenti sdělují negativní a pozitivní zkušenosti
s reklamacemi svému okolí, je vidět mnohem ostřejší vyhraněnost u negativních zpráv, která
napovídá, že intenzita jejich šíření je větší. U pozitivních zpráv je větší „zdrženlivost“, ale
šířené jsou také (viz také medián, který je 6 u negativních zpráv a 5 u pozitivních).
k1k4
k7
k9
k10
er1
1
er2
1
k2k5
k6
k8
k10
0;
er1
1
0;
er2
1
115
Tabulka č. 38: Četnosti šíření negativních a pozitivních informací
Negativní šeptanda Pozitivní šeptanda
Class Value četnosti % četnosti %
nikdy 1 10 4 % 10 4 %
2 5 2 % 12 5 %
3 11 4 % 27 11 %
4 21 8 % 43 17 %
5 34 14 % 49 20 %
6 71 29 % 55 22 %
mnohokrát 7 97 39 % 53 21 %
Zdroj: autor
Obrázek č. 41: Intenzita šíření negativních a pozitivních informací
Zdroj: autor
Základním ukazatelem statistické kvality (spolehlivosti) modelu je chí kvadrát. Pro negativní
„šeptandu“ jsou výsledky následující: χ2= 5,440, p= 0,066, Df=2. Protože statistická
signifikance je menší než 95 % (je dokonce menší než 90 %) nemůžeme tvrdit, že teoretická a
pozorovaná kovarinanční matice se liší. To podporuje tvrzení, že navržený model odpovídá
datům, což poukazuje na platnost testovaného modelu.
Ukazatel chí kvadrátu lze doplnit o výsledky dalších ukazatelů. Comparative index fit CFI je
0,98 a potvrzuje dobrou statistickou kvalitu modelu. Ukazatel RMSEA je ale vyšší než
doporučovaná hodnota 0,08 a činí 0,085. To souvisí s vazbou, která existuje mezi
proměnnými K10 a K1, a která je – jak ukazují následující výsledky – statisticky
nevýznamná. Při jejím odstranění se hodnoty všech uvedených ukazatelů zlepší: χ2= 5,496,
p= 0,139 a DF=3; CFI = 0,99 a RMSEA = 0,059. Tato „problematická“ vazba je ale v modelu
ponechána pro zachování teoretického konceptu, ze kterého testovaný model vychází. Odráží
přímý, nezprostředkovaný vliv vnímané kontroly chování na skutečné chování. Odhady
regresních funkcí tím významně ovlivněny nejsou, a tudíž její přítomnost neovlivňuje
interpretaci dalších výsledků.
Pro pozitivní „šeptandu“ jsou ukazatele statistické spolehlivosti následující: χ2= 12,297, p=
0,002, Df=2.; CFI = 0,977 a RMSEA = 0,146. Překročení doporučené hodnoty u RMSEA
signalizuje, že v případě tohoto modelu jsou výsledky zatíženy vyšší mírou rizika.
Statistickou významnost chí kvadrátu lze částečně vysvětlit velkým výzkumným vzorkem.
Hodnota CFI je na doporučované úrovni. Byť jeden z indikátorů podporuje platnost modelu
jako celku, je třeba konstatovat, že navržený model neodpovídá zcela datu. Následující
výsledky a vyplývající závěry je třeba chápat jako zatížené výšeným rizikem.
0
20
40
60
80
100
120
1 2 3 4 5 6 7
Pozitivní 
šeptandna
Negativní 
šeptanda
116
Tabulka č. 39: Odhady parametrů modelu negativní šeptandy
Regression Weights Estimate S.E. C.R. P
Standardized
Regression
Weights
k4 <--- (H2) k9 0,156 0,057 2,734 0,006 0,155
k4 <--- (H3) k10 0,108 0,055 1,956 0,051 0,096
k4 <--- (H1) k7 0,673 0,066 10,129 *** 0,565
k1 <--- (H5) k4 0,404 0,075 5,416 *** 0,345
k1 <--- (H4) k10 0,02 0,084 0,237 0,812 0,015
Zdroj: autor
Obrázek č. 42: Standardizované regresní koeficienty modelu negativní šeptandy
Squared 
Multiple 
Correlations
Estimate 
k4  0,490 
k1  0,122 
Pozn.: červené vazby označují statisticky nespolehlivé korelace
Zdroj: autor
Tabulka č. 40: Odhady parametrů modelu pozitivní šeptandy
Regression Weights Estimate S.E. C.R. P
Standardized
Regression
Weights
k5 <--- (H2) k8 0,307 0,04 7,703 *** 0,357
k5 <--- (H3) k10 -0,005 0,044 -0,113 0,91 -0,005
k5 <--- (H1) k6 0,57 0,048 11,81 *** 0,552
k2 <--- (H5) k5 0,765 0,072 10,566 *** 0,582
k2 <--- (H4) k10 -0,028 0,076 -0,372 0,71 -0,021
Zdroj: autor
,12
k1
,49
k4
k7
k9
k10
,34
,16
,10
,56
er1 er2
,55
,28
,02
,33
117
Obrázek č. 43: Standardizované regresní koeficienty modelu pozitivní šeptandy
Squared 
Multiple 
Correlations 
Estimate
k5  0,637 
k2  0,333 
Pozn.: červené vazby označují statisticky nespolehlivé korelace
Zdroj: autor
7.7.3 Závěry
Výsledky jsou pro oba modely podobné v několika aspektech. Zaprvé ani v jednom se
neprokázal přímý vliv vnímané kontroly chování na vlastní chování. Hypotéze H4 musíme
zamítnout. Nejedná se o zásadní problém, protože i při mnoha jiných aplikacích teorie
plánovaného chování se tato souvislost neprokázala. Naše data také nepotvrzují vliv vnímané
kontroly chování na intenci (tj. H3 také nebyla potvrzena). Pokud bychom připustili vyšší
riziko (nepatrné překročení 5 % hranice spolehlivosti: p = 0,051), můžeme tuto vazbu najít u
šíření negativních zpráv, byť je slabá: standardizovaný regresní koeficient této vazby je 0,11.
Efekt vnímané kontroly chování je tak v obou případech zanedbatelný.
Nepřítomnost vazby s vnímanou kontrolou chování lze odůvodnit tak, že pro šíření
negativních i pozitivních referencí o obchodníkovi, nemá spotřebitel závažnější vnímané
překážky. Jde tudíž o rozhodnutí, které je plně v kompetenci zákazníka a podle zákazníků,
obchodník nemá takové chování šanci ovlivnit (viz také dále). Vypuštění vnímané kontroly
chování prakticky znamená to, že negativní i pozitivní šeptandu lze vysvětlit i pomoci
„jednodušší“ teorie zdůvodněného chování.
Jestliže cílem tohoto zkoumání bylo posoudit vliv proměnných na intenzitu podávání
referencí svému okolí, zůstávají relevantní pouze proměnná subjektivní norma a postoj.
V obou případech můžeme podle hodnot standardizovaných regresních koeficientů
konstatovat, že větší vliv na intenci má postoj: standardizovaný regresní koeficient pro postoj
je 0.56, resp. 0.55 pro pozitivní šeptandu. Subjektivní norma má větší vliv v případě kladných
referencí (koeficient 0.36) než u záporných referencí (0.16).
Znamená to, že tedy postoj je tím nejdůležitějším faktorem, určujícím, proč lidé šíří informace
o svých pozitivních i negativních zkušenosti. Další vliv má subjektivní norma, čímž se
potvrzuje důležitost přátel a dalších lidi v okolí jedince. Přátelé (resp. vrstevníci) působí ale i
jinou cestou, nejen vlivem jejich pohledu na vhodnost či nevhodnost šíření informací o
obchodnících. Podle Goudge a kol. (2010) vrstevníci (peers) mohou také ovlivnit názor na
hédonickou spokojenost s vyřízením reklamace, a tím obsah zpráv, které zákazník o
zkušenosti s reklamací šíří, ve smyslu pozitivního či negativního vyznění.
,33
k2
,64
k5
k6
k8
k10
,58
,36
,00
,55
er1
er2
,53
,33
-,02
,30
118
Uvedené dva faktory (postoj a subjektivní norma) v našich modelech vysvětlily 49 % procent
variace záměru a 12 % pro chování v případě negativní šeptandy a 63 % záměru a 33 %
chování u pozitivní šeptandy.
Zopakujme ještě omezení spojená s výzkumem, která mohou zkreslovat výsledek. První je
skutečnost, že pracujeme s pěšinkovou analýzou, která využívá pozorované proměnné,
nikoliv latentní. Toto zjednodušení znamená, že předpokládáme, že jedna otázka měří přesně
celý koncept (postoj, intenci atp.), což nemusí být pravda. Druhé omezení se týká nižší
spolehlivosti modelu pozitivní šeptandy.
Další zkoumání fenoménu šeptandy by se mělo zaměřit na podrobnější rozbor postojů. Bylo
vhodné testovat model, který by měřil postoje a subjektivní normu i nepřímo, tj. součástí
dotazování by byly také přesvědčení respondentů. Příkladem takových faktorů mohou být
kompenzace, důvěryhodnost, ochota, či rychlost vyřízení reklamace, což potvrdily výzkumy
(Collier a Bienstock, 2006 a Davidow, 2000). Lze předpokládat, že tyto faktory
pravděpodobně ovlivňují chování prostřednictvím změny přesvědčení (beliefs). Porozumění
struktury přesvědčení, které formují postoj, je významné pro obchodníky, kteří by tím získali
lepší informace o faktorech, na které by měli zaměřit pozornost a které by mohly významně
ovlivnit šíření negativních zpráv v souvislosti s reklamací. Smysluplná je i přesnější
identifikace přesvědčení ovlivňující postoje spojené s pozitivní šeptandou. Tuto informaci by
mohli obchodníci využít pro podporu šíření svého dobrého jména v souvislosti např.
s liberální reklamační politikou.
Naopak podle našeho výsledku je možné pominout detailnější analýzu vnímané kontroly
chování, která se ukázala jako nedůležitý faktor. Pravděpodobně z důvodu bohatých možností
komunikace, které respondenti se svými blízkými mají – především máme na mysli
komunikaci na dálku prostřednictvím mobilních telefonů, emailů, internetových diskusních
fór či sociálních sítí.
7.8 Model zneužívání reklamací
Jedním ze zásadních problémů spojených s reklamační politikou je oportunistické chování
zákazníků, které hrozí především v situaci, kdy podnik zvolí liberální reklamační politiku – tj.
nabídne zákazníkům delší reklamační lhůtu, bude méně striktní při posuzování, zda konkrétní
reklamace je, či není oprávněná (Harris, 2008).
O tomto jevu přináší informace odborná média zejména z vyspělých zemí, jako jsou USA.
V ČR výzkum na toto téma neproběhl, alespoň pokud je autorovi známo. Z toho důvodu lze
předpokládat, že menší odborný zájem o toto téma může být důsledkem toho, že čeští
zákazníci (z různých příčin) nezneužívají reklamace příliš často. Tuto domněnku podporují i
výsledky předběžného orientačního průzkumu, ve kterém pouze jeden z dvaceti dotazovaných
respondentů připustil, že se - byť neúspěšně - o zneužití reklamací pokusil. Navzdory tomu
jsme se o prozkoumání tohoto jevu v českých podmínkách pokusili. Cílem je tedy zjistit, které
faktory ovlivňují záměr zákazníků zneužít reklamační podmínky ve svůj prospěch.
Protože se zvolené téma výzkumu dotýká etiky chování, a jak plyne ze zahraničních zdrojů
citovaných v literární rešerši, zákazníci jsou si vědomi neetičnosti takového chování (King a
Dennis, 2006), je třeba počítat s jistým zkreslením odpovědí na přímo položené otázky, které
se neetického jednání týkají. Celý dotazník však obsahoval pouze jednu otázku, která byla
z tohoto pohledu citlivá. Tou byla otázka týkající se vlastní zkušenosti se zneužíváním
reklamací.
119
7.8.1 Formulace modelu
Testovaný model vychází z teorie plánovaného chování a pro vysvětlení zneužívání reklamací
používá proměnné intenci, postoj, subjektivní normu a vnímanou kontrolu chování. Hypotézy
jsou formálně definovány tímto způsobem:
 H1: Postoj ke zneužívání reklamací souvisí pozitivně se záměrem.
 H2: Subjektivní norma pozitivně souvisí se záměrem.
 H3: Vnímaná kontrola chování pozitivně souvisí se záměrem.
 H4: Vnímaná kontrola chování pozitivně souvisí s chováním.
 H5: Záměr zneužít reklamace pozitivně souvisí s chováním.
Proměnné v modelu jsou konstruovány jako přímo měřitelné. Na rozdíl od ostatních modelů,
zde má výzkumný vzorek velikost 207, neboť 43 respondentů neodpovědělo na otázku L1,
zda se pokusili někdy využít reklamace ve svůj prospěch. Nahrazení chybějících hodnot
jakoukoliv z používaných metod by mohlo významně zkreslit výsledky zejména proto, že se
jedná o závislou proměnnou. Proto byli respondenti, kteří otázku L1 nezodpověděli z dalšího
zpracování dat vyřazeni.
Základní charakteristika modelu
 Velikost vzorku = 207
 Počet proměnných v modelu: 7
 Pozorované endogenní proměnné: B4, L1,
 Pozorované exogenní proměnné: L5, C6, L4
 Nepozorované exogenní proměnné: er1, er2
Tabulka č. 41: Použité proměnné pro negativní šeptandu
Proměnná Označení
proměnné
Formulace otázky
Chování
(závislá)
L1
Pokusil jste se uplatnit reklamaci, i když jsem věděl, že je neoprávněná?
(nikdy – mnohokrát)
Záměr B4
Nebudu-li dále potřebovat výrobek, který stále vypadá jako nový,
pokusím se jej vrátit obchodníkovi jako reklamaci.
Postoj C6 Mám právo vrátit a reklamovat funkční výrobek, ač jsem jej používal.
S.N. L4
Pokud by mí přátelé pokazili výrobek, nesnažili by se získat za něj zpět
peníze pod záminkou reklamace.
Behavioral
control
L5
Vrátit používaný, ale již nepotřebný výrobek zpět obchodníkovi pod
záminkou reklamace, je obtížné.
Pozn.: odpovědi (s výjimkou první otázky) byly na škále „zcela nesouhlasím – zcela souhlasím“
Zdroj: autor
7.8.2 Statistická shoda modelu a výsledky
Protože použitá metoda vyhodnocení dat – strukturální modelování – vyžaduje variabilní data,
zaměříme pozornost nejprve na popis závislé proměnné. Odpovědi na otázku, zda se
respondenti pokusili vrátit obchodníkovi funkční výrobek (tj. zda se pokusili zneužít
reklamace) jsou částečně v souladu s předběžným průzkumem. Nikdy takovou činnost
nezkusilo 60 % respondentů. Také zbývajících 40 procentu respondentů se pokusilo
reklamace zneužít v minimálním rozsahu. Vedle tohoto věcného významu je výsledek
důležitý právě tím, že do dalších statistických analýz tato (závislá) proměnná vstupuje
s relativně malou variabilitou.
120
Obrázek č. 44: Testovaný model
Zdroj: autor
Tabulka č. 42: Četnosti pokusů o zneužití reklamace
Škála Význam Četnosti Procenta
1 Mnohokrát 2 1,0 %
2 0 0 %
3 1 0,5 %
4 6 2,9 %
5 22 10,6 %
6 52 25,1 %
7 Nikdy 124 59,9 %
Zdroj: autor
Obrázek č. 45: Četnosti pokusů o zneužití reklamace
Zdroj: autor
Základním ukazatelem statistické spolehlivosti modelu je chí kvadrát χ2= 2,314, p= 0,314,
Df=2. Podle tohoto kritéria lze tento výsledek považovat za akceptovatelný. Odraz
teoretického modelu v datech potvrzují i hodnoty Comparative index fit (CFI) CFI= 0,998 a
RMSEA = 0,028. Podle vícero ukazatelů tedy testovaný model splňuje kritéria, na základě
kterých lze konstatovat, že model je statisticky platný.
B4
C6
L5
0;
er2
1
L1
0;
er1
1
l4
0
50
100
150
1 2 3 4 5 6 7
121
Tabulka č. 43: Odhady parametrů modelu
Regression Weights Estimate S.E. C.R. P
Standardized
Regression
Weights
B4 <--- (H3) L5 0,056 0,008 6,906 *** 0,44
B4 <--- (H1) C6 0,1 0,044 2,291 0,022 0,146
B4 <--- (H2) L4 -0,02 0,009 -2,291 0,022 -0,136
L1 <--- (H5) B4 0,287 0,052 5,493 *** 0,394
L1 <--- (H4) L5 0,009 0,007 1,354 0,176 0,097
Zdroj: autor
Obrázek č. 46: Standardizované regresní koeficienty modelu zneužívání reklamací
 
Squared 
Multiple 
Correlations 
Estimate
B4  0,283 
L1  0,203 
Pozn.: červená vazba označuje statisticky nespolehlivé korelace
Zdroj: autor
Sledované vazby v modelu jsou statisticky spolehlivé s výjimkou vazby mezi vnímanou
kontrolou chování a chováním (L5 – L1). Hypotézy H1, H2, H3 a H5 tak můžeme potvrdit.
Standardizované regresní koeficienty dokládají středně silnou souvislost mezi záměrem a
chováním (0,39). Záměr (intence) má pak nejtěsnější vazbu k vnímané kontrole chování
(0,44). Slabé, ale přesto statisticky spolehlivé jsou vazby k postoji (0,15) a subjektivní normě
(-0,14). Záporná hodnota u subjektivní normy odpovídá opačné polaritě otázky a je v souladu
s předpoklady. Model vysvětluje 28 % variability intence a 20 % chování.
7.8.3 Závěry
Výsledky ukazují na důležitost faktoru kontroly chování. Je-li v očích zákazníků zneužití
reklamace obtížné, skutečně je jejich záměr zneužít reklamace ve svůj prospěch nižší a také
samotné zneužívání reklamací je menší. Relativní význam vnímané kontroly chování vůči
subjektivní normě a postoji naznačuje, že obchodníci by při formulaci reklamační politiky,
čelí-li problémům se zneužíváním reklamací, měli na prvním místě nastavit takové
mechanizmy, které by zneužití reklamací komplikovaly. Teprve jako doplňující aktivity lze
doporučit opatření, které by působily na změnu přesvědčení (a tím změnu postoje či
subjektivní normy). Příkladem by mohla být kampaň, která by zdůrazňovala negativní
důsledky zneužívání reklamací a její neetický rozměr.
,28
B4
C6
L5
,44
,15 er2
,20
L1
er1
,39
L4
,10
-,01
-,01
,37
-,14
122
V části věnované strukturálnímu modelování odkazujeme na úvahu autora teorie plánovaného
chování, který upozorňuje, že výraznou změnu chování lze docílit i působením na takový
faktor, jehož vliv model prokázal jako malý. Vztaženo ovšem na náš problém se zneužíváním
reklamací by se jednalo o působení na postoje a subjektivní normu. Při formulaci doporučení
je ale třeba vycházet realisticky z možností, které obchodníci mají. Jistě pro ně je snazší
ovlivnit vnímanou kontrolu chování, např. zavedením komplikujících opatření do procesu
vrácení výrobků, než působit na postoje či subjektivní normy zákazníků. To je úloha spíš pro
sdružení či svazy obchodníků, neboť např. vytvoření kampaně působící na zákazníky
vyžaduje společný a (geograficky) nelokální postup. Navíc otázka etiky chování je
problémem celé společnosti a nejen obchodníků.
Aktivita v tomto směru by pro obchodníky nebyla přínosná i na základě (zahraničního)
poznatku, že spotřebitelé ví, že zneužívání reklamací je neetické. Také argument negativních
důsledků pro zákazníky, kteří reklamaci zneužívají, není příliš silný, neboť při odmítnutí
reklamace je typickou sankcí to, že si zákazník zboží ponechá. Proto také King a kol. (2008)
doporučují, aby komunikace směrem k zákazníkům zdůraznila, že reklamace jsou
instrumentem sloužícím oběma stranám obchodního vztahu a pro zákazníky mají smysl
v tom, že snižují riziko chybné koupě.
Uvedené závěry je třeba relativizovat, neboť i když model splňuje statistické indikátory
spolehlivosti, problémem je malá variabilita závislé proměnné. To je i vidět na údajích o
množství vysvětlené variability (28 % pro intenci a 20 % pro chování). Malá variabilita
závislé proměnné (L1) nemusí být způsobena pouze tím, že čeští spotřebitelé reklamace
nezneužívají (nelze to ale vyloučit), nebo nevhodně stanovenou škálou pro odpovědi.
Domníváme se, že validitu dotazování by zlepšilo, pokud by se respondentům uvedly na
příkladech různé formy, jakými lze reklamací zneužít. Některé postupy uvedené v rešeršní
části textu nemusí zákazníci vůbec pokládat za zneužívání reklamací. S tímto souvisí další
omezení, kterým bylo použití přímého měření proměnných modelu, což také zvýšilo
nepřesnost výzkumu. Bylo by proto vhodné měřit závislou proměnnou více otázkami, které
by se dotazovaly na různé konkrétní formy zneužívání reklamací. Tím by se odstranily
poslední dva jmenované problémy najednou.
7.9 Spravedlnost při reklamaci a její důsledky na loajalitu
zákazníka
Jak uvádí Homburg a kol. (2010), existuje dostatek výzkumů dokládajících, že hodnocení
spravedlnosti při reklamacích je zásadním faktorem loajality, ovšem samotná spravedlnost při
reklamacích je systematicky zkoumána jen zřídka. Jedním z těchto mála případů je Blodgett a
kol. (1997), kteří sledovali vliv spravedlnosti při vyřizování zákaznických stížností na
loajalitu (v behaviorálním pojetí, tedy opětovný nákup zákazníků). Jejich výsledek byl
poněkud překvapivý, neboť nenalezli vztah mezi loajalitou a procedurální spravedlností.
Zásadním faktorem podle jejich experimentu byla interakční a částečně distribuční
spravedlnost. Sami autoři ale připouští, že výsledek týkající se neexistence souvislosti
s procedurální spravedlností může být nespolehlivý vzhledem k úzce vymezenému pojetí této
proměnné v jejich výzkumu.
Na základě uvedených důvodů bylo cílem následujícího výzkumu prověřit vztahy mezi
vnímanou spravedlností při vyřizování reklamací a loajalitou. Výzkumná otázka tedy zněla,
zda a jak souvisejí distribuční, procedurální a interakční (ne)spravedlnost s rozhodnutím
přestat nakupovat výrobky u daného obchodníka.
123
7.9.1 Formulace modelu
Testovaný model vychází z teorie spravedlnosti, která je zde členěna na distribuční,
procedurální a interakční (Voorhees a Brady, 2005). Tři proměnné charakterizují pociťovanou
nespravedlnost při vyřizování reklamací a jsou dány do souvislosti se záměrem přestat
nakupovat v situaci, když se prodejce nevyřídil reklamaci spravedlivě. Další proměnou je
skutečné chování – ztráta loajality v důsledku nespokojenosti s vyřízením reklamace. Pro
zjednodušení bylo budoucí chování modelováno na základě minulého chování a předpokládá
se tudíž stabilita chování – viz kapitola o aplikaci teorie plánovaného chování č. 4.2 a 4.3.
Testovaný model znázorňuje následující hypotézy:
 H1: Vnímaná distribuční nespravedlnost zvyšuje záměr přestat nakupovat u
obchodníka.
 H2: Vnímaná procedurální nespravedlnost zvyšuje záměr přestat nakupovat u
obchodníka.
 H3: Vnímaná interakční nespravedlnost zvyšuje záměr přestat nakupovat u
obchodníka.
 H4: Záměr ovlivňuje chování
Obrázek č. 47: Testovaný model
Zdroj: autor
Proměnné modelu týkající se spravedlnosti jsou konstruovány jako latentní proměnné.
Proměnná záměr a chování jsou přímo sledované proměnní.
Základní charakteristika modelu
 Velikost vzorku = 250
 Počet proměnných v modelu: 23
 Počet pozorovaných proměnných: 10
 Počet nepozorovaných proměnných: 13
 Počet exogenních proměnných: 13
 Počet endogenních proměnných: 10
 Pozorované endogenní proměnné: d1w, d2w, d3w, e1w, e3w, f1w, f2w, f3w, J1, J3
 Nepozorované exogenní proměnné: Distr, Process, Interac, er1-er10.
7.9.2 Platnost modelu
Platnost modelu je posuzována ve dvou krocích. První se týká modelu měření – je provedena
konfirmační faktorová analýza vztahující se ke třem latentním proměnným a poté se prověřuje
platnost strukturního modelu. Shoda modelu měření je posouzena podle tří ukazatelů – chí
kvadrátu, díle CFI a RMSEA:
124
Tabulka č. 44: Použité proměnné v modelu
Proměnná Označení
proměnné
Formulace otázky
Chování J1
Stalo se, že jste přestal nakupovat u obchodníka, který nevyřešil Vaši
reklamaci k Vaší spokojenosti? (mnohokrát – nikdy)
Záměr J3
Přestanete nakupovat v obchodě, kde se k Vám při reklamaci
nezachovali spravedlivě? (určitě přestanu – určitě nepřestanu)
Distribuční
spravedlnost
Distr
Náhrada (finanční a nefinanční), kterou člověk získá reklamací, je:
(nízká – vysoká)
Kompenzace za reklamovaný produkt, kterou člověk získá od
obchodníka, je: (neférová – férová)
Reklamací člověk nezíská takovou náhradu, jakou by si zasloužil.
(souhlasím – nesouhlasím)
Procedurální
spravedlnost
Process
Vyřízení reklamací trvá neúměrně dlouho. (nesouhlasím – souhlasím)
Obchodníci reklamace záměrně protahují (nesouhlasím – souhlasím)
Interakční
spravedlnost
Interac
K zákazníkům, kteří reklamují výrobky, se obchodníci chovají zdvořile.
(nesouhlasím – souhlasím)
I při reklamacích obchodníci působí, jakoby měli o reklamujícího
zákazníka zájem. (nesouhlasím – souhlasím)
Obchodníci si nedovolí chovat se hrubě k zákazníkům, kteří uplatňují
reklamaci. (nesouhlasím – souhlasím)
Pozn.: Odpovědi týkající se spravedlnosti byly vynásobeny váhou, která udávala důležitost
dané složky spravedlnosti pro respondenta.
Zdroj: autor
1. Chi kvadrát = 24,452, Df = 17, p = 0.108: Protože statistická signifikance je menší než 95
% (je dokonce menší než 90 %) nemůžeme tvrdit, že teoretická a pozorovaná kovarinanční
matice se liší. Tento základní ukazatel podporuje tvrzení, že navržený model odpovídá datům.
2. CFI = 0,988: Při zohlednění velikosti výzkumného vzorku a počtu pozorovaných
proměnných (kterých bylo v modelu měření 10) by ukazatel měl nabývat hodnoty vyšší než je
0,97 (Hair a kol. 2010, s. 646). To je splněno, proto i tento ukazatel signalizuje dobrou shodu
modelu s daty.
3. RMSEA = 0,043. Při zohlednění velikosti výzkumného vzorku a počtu pozorovaných
proměnných by ukazatel měl nebývat hodnoty vyšší než je 0,08 (Hair a kol. 2010, 646). To
také spluje, proto i tento ukazatel signalizuje dobrou shodu modelu s daty.
Dále je třeba prověřit validitu jednotlivých konstruktů (konstruktová validita), a to ze čtyř
hledisek Hair a kol. (2010, s. 678):
 Konvergenční validita prověřuje, zda proměnné týkající se jednoho konstruktu spolu
konvergují (viz dále).
 Diskriminační validita prověřuje, zda se konstrukty od sebe skutečně odlišují (viz
dále).
 Nomologická validita – byla prověřena pomocí korelací mezi konstrukty. Přítomnost a
podoba korelací musí odpovídat teoretickým předpokladům. Jak bylo uvedeno
v literární rešerši, existuje souvislost mezi jednotlivými složkami spravedlnosti, a
proto je přítomnost korelací mezi třemi latentními proměnnými v pořádku.
 Face validity – znamená, zda jednotlivé pozorované proměnné mají takový obsah, aby
skutečně plnily sledovaný koncept. Face validita byla zajištěna tím, že při formulaci
proměnných jsme adaptovali škály použité v Keng a Liu (1997), Blodgett a kol.
125
(1997), Thøgersen a kol. (2009) a jejich obsah posoudili dva lidé, kteří mají zkušenost
s marketingovým výzkumem.
Obrázek č. 48: Model měření
Zdroj: autor
Konvergenční validita
Podle Hair a kol. (2010, s. 677) by standardizované regresní koeficienty (loadings) měly
dosahovat výše nejméně 0,5 ideálně 0,7 a vice. Z tabulky č. 45 je patrné, že tato podmínka je
splněna.
Pro prokázání konvergenční validity to ale nestačí, a proto se využívají další ukazatele jako je
Cronbachovo Alpha. Jeho doporučená minimální hraniční hodnota je 0,7 (popř. 0,6), která je
dosažena - viz tabulka č. 46. Koeficient Alpha však chybně předpokládá, že všechny položky
přispívají stejně k reliabilitě latentní proměnné, a proto je vhodnější využívat ukazatel
Composite reliabilty, který by měl dosahovat hodnoty 0,70 a pro každý z indikátorů reliability
by měla být hodnota nad 0,5 (Shook a kol., 2004). Z tabulek vidíme, že tento požadavek se
splněn s výjimkou distr spravedlnosti, který je mírně pod touto hranici. Dalším ukazatelem je
Construct reliability (CR), který by měl být větší než 0,7. Přípustná hodnota je také 0,6 pokud
je reliabilita u ostatních konstruktů dobrá (Hair a kol., 2010, s. 677). Tuto podmínku data
splňují. Posledním použitým ukazatelem je Average Variance Extracted (AVE), který by měl
nabývat hodnoty 0,5 a více, což je opět splněno.
Tabulka č. 45: Standardizované regresní koeficienty modelu měření
d1w <--- Distr ,682
d2w <--- Distr ,642
d3w <--- Distr ,759
e1w <--- Process ,794
e3w <--- Process ,874
f1w <--- Interac ,763
f2w <--- Interac ,861
f3w <--- Interac ,739
Zdroj: autor
0;
Distr
d1w
0;
er1
1
1
d2w
0;
er2
1
d3w
0;
er31
0;
Process
e1w
0;
er4
1
1
e3w
0;
er5
1
0;
Interac
f1w
0;
er6
1
1
f2w
0;
er7
1
f3w
0;
er8
1
126
Tabulka č. 46: Ukazatelé kvality konstrukce latentních proměnných
Distr Proces Interac
Cronbach alpha 0,734 0,818 0,829
Construct reliability (CR) Joreskog rho 0,737 0,821 0,832
Average Variance extracted 0,694 0,834 0,788
Composite Reliability 0,613 0,808 0,746
No Name of Construct(s) Composite
Reliability
Variance
Extracted
1 Interac 0.746 0.788
2 Process 0.808 0.834
3 Distr 0.613 0.694
Interac
1 F1 0.763 0.800
2 F2 0.694 0.751
3 F3 0.779 0.812
Process
1 E1 0.858 0.874
2 E3 0.754 0.794
Distr
1 D1 0.623 0.701
2 D2 0.650 0.721
3 D3 0.565 0.662
Pozn.: Autoři výpočtu doporučují, aby Composite reliability bylo menší než AVE, což je signál dobré
konvergentní validity, viz www.hishammb.net/cvc2/CVC2_UserManual.pdf. Výpočet proveden pomocí The
Online CONSTRUCT VALIDITY Calculator version 2.0 dostupný z http://www.hishammb.net/cvc2
Zdroj: autor
Celkově lze konvergentní validitu považovat za dobrou pro uvedené tři konstrukty. U
konstruktu distribuční spravedlnost jeden z ukazatelů (konkrétně Composite reliability)
naznačuje, že jeho validita může být nižší v porovnání s ostatními konstrukty.
Diskriminační validita
Diskriminační validita byla prověřena porovnáním vždy dvou konstruktů, mezi kterými byla
„zafixována“ (tedy stanovena) korelace na „1“. Pokud by se takto definovaný model ve
výsledcích lišil od modelu, který nepředpokládá úplnou korelaci, lze se domnívat, že
konstrukty jsou od sebe odlišné a je zajištěna diskriminační validita konstruktů. Pokud by zde
odlišnost nebyla, znamenalo by to, že pozorované proměnné plní ne dva různé konstrukty ale
pouze jeden.
Tímto postupem byly prověřeny vztahy mezi třemi konstrukty, se kterými pracuje model. Pro
všechny konstrukty byla prokázána diskriminační validita. Jak poznamenává Hair a kol.
(2010, s. 677), tento postup není spolehlivý v případě velkých korelací mezi konstrukty. U
proměnných našeho modelu je korelace spíše slabá, proto by se nemělo jednat o vážnou
komplikaci.
Celkově můžeme prohlásit spolehlivost modelu měření jako dobrou a lze přistoupit
k vyhodnocení strukturálního modelu a k interpretaci jeho výsledků.
127
7.9.3 Strukturní model
Hlavní ukazatel kvality modelu je chí kvadrát, který má hodnotu 44,225 (p = 0.046, Df = 30),
což pro model s daným počtem pozorovaných proměnných (10) a rozsahem vzorku 250
respondentů neodpovídá zcela doporučením, neboť p by mělo nabývat hodnot 0,05 či vyšších.
Rozdíl však není zásadní a současně CFI (0.979) a RMSEA (0.044) jsou v požadovaných
intervalech. Proto můžeme považovat model za platný.
Obrázek č. 49: Standardizované regresní koeficienty modelu
Pozn.: červená vazba označuje statisticky nespolehlivé korelace
Zdroj: autor
Předpokládané vazby mezi proměnnými modelu jsou statisticky spolehlivé s výjimkou vztahu
interakční spravedlnosti (hypotéza H3). Souvislost intence (záměr přestat nakupovat u
obchodníka, který se nezachoval při reklamaci spravedlivě) se prokázala pouze u distribuční
(H1) a procedurální spravedlnosti (H2). Podle regresních koeficientů, které jsou prakticky
stejné, nelze prohlásit, že by některá ze dvou složek působila na záměr víc.
Tabulka č. 47: Odhady parametrů modelu
Regression Weights Estimate S.E. C.R. P
Standardized
Regression
Weights
j3 <--- (H2) Process 0,033 0,012 2,776 0,006 0,214
j3 <--- (H3) Interac -0,009 0,015 -0,562 0,574 -0,048
j3 <--- (H1) Distr 0,042 0,016 2,56 0,01 0,216
d1w <--- Distr 1 0,702
Distr
,49
d1w er1,70 ,43
d2w er2
,66
,54
d3w er3
,74
Process
,61
e1w
er4
,78
,80
e3w
er5
,89
Interac,60
f1wer6
,77
,73
f2wer7
,85
,55
f3wer8 ,74
-,18-,38
,08
j3er9
,11
j1er10
,21
-,05 ,22
,40
,34
128
d2w <--- Distr 1,027 0,134 7,676 *** 0,657
d3w <--- Distr 1,188 0,151 7,889 *** 0,735
e1w <--- Process 1 0,783
e3w <--- Process 1,161 0,177 6,558 *** 0,893
f1w <--- Interac 1 0,772
f2w <--- Interac 1,159 0,099 11,697 *** 0,854
f3w <--- Interac 1,056 0,097 10,922 *** 0,741
j1 <--- j3 0,499 0,091 5,506 *** 0,336
Zdroj: autor
7.9.4 Závěry
Byť je zkoumaný model i jednotlivé vazby v něm (s uvedenou výjimkou) statisticky
spolehlivě doložen daty, jeho hlavní slabou stránkou je malá míra vysvětlené variability
závislé proměnné. V případě záměru distribuční a procedurální spravedlnost vysvětlila pouze
8 % variability záměru a celý model vysvětlil jen 11 % skutečného chování.
Znamená to, že pro porozumění loajality (resp. její ztráty v souvislosti s reklamacemi) sice
spravedlnost hraje roli, jistě ale existují další faktory (další proměnné působící na záměr
anebo zprostředkující vliv spravedlnosti), které jsou rovněž důležité. Inspirací může být opět
model plánovaného chování a jeho proměnná vnímaná kontrola chování: ne vždy je možné
obchodníka opustit, např. pokud je jediný, který dané zboží dodává. A protože v tomto
výzkumu jsme pracovali s behaviorálním pojetím loajality, měla by takováto skutečnost odraz
ve výsledku.
Přes tuto podstatnou výhradu (tedy relativné malý vypovídací význam) mají výsledky přínos a
to v tom, že zpochybňují zjištění zmíněného Blodgetta a kol. (1997). Podle našich dat je
procedurální spravedlnost faktorem, který ovlivňuje loajalitu. Naopak ji neovlivňuje
interakční spravedlnost.
Při dalším zkoumání vlivu spravedlnosti při reklamacích bude vhodné zpřesnit měření tří
složek spravedlnosti. V našem výzkumu byly jednotlivé složky vytvořeny na základě tří a
dvou pozorovaných proměnných. Tento nízký počet byl důsledkem snahy, aby respondenti
nebyli při dotazování přetíženi velkým množstvím otázek. (Při dotazování byly sbírány data i
pro další modely). Pro přesnější zachycení těchto latentních proměnných je potřeba
pozorovaných proměnných víc, neboť jak distribuční, procedurální i interakční spravedlnost
jsou samy i sobě vícerozměrným konceptem (viz literární rešerše v kap. 2.5). V této situaci je
také důležité zvážit, zda nezměnit metodu stanovení latentních proměnných; zda místo
reflexivního pojetí neuplatnit formativní způsob, což může zvýšit hodnověrnost výsledků
(Collier a Bienstock, 2006).
7.10Sklon k uplatňování reklamací
Cílem následujícího výzkumu je zjistit souvislost mezi spravedlností při vyřizování reklamací
a sklonem k reklamování a následně s intenzitou uplatňování reklamací. Tato souvislost je
důležitá zejména pokud reklamace nevnímáme jen jako negativní jev pro prodávajícího (či
poskytovatele služeb), ale jako prostředek získaní zpětné vazby o (ne)spokojenosti zákazníka
a jako jeden z kroků k udržení si zákazníka v případě selhání produktu, ať už selhání
skutečného nebo zákazníkem pouze vnímaného.
129
Odhodlání stěžovat si posiluje několik proměnných jako je postoj ke stěžování si, vnímaná
hodnota získaná stěžováním si (rozdíl nákladů a toho, co zákazník pravděpodobně získá),
pravděpodobnost úspěšnosti reklamace (Kim a kol., 2003), či zákazníkova zkušenost se
stěžováním (Thøgersen a kol., 2009) a také sociodemografické faktory (Keng a Liu, 1997).
7.10.1 Formulace modelu
Navržený model vztahů je inspirovaný teorií plánovaného chování. A hlavní změnou je, že
vnímání spravedlnosti je přímo vztaženo k záměru a je vynechán postoj, protože některé
výzkumy dokládají přímou souvislost mezi přesvědčením (zde tuto roli má spravedlnost) a
záměrem bez zprostředkující cesty přes postoje (Randolph, 2001). Další dva faktory v modelu
jsou subjektivní norma a vnímaná kontrola chování.
Předpokládané vztahy jsou popsány hypotézami H1-H7 a zachycuje je model na obr. č. 50:
 Distribuční (hypotéza H1), procedurální (H2) a interakční (H3) spravedlnost zvyšuje
odhodlání zákazníka uplatnit v případě nespokojenosti právo na reklamaci.
 Hypotéza H4: Přátelé a blízcí, kteří reklamují výrobky při nespokojenosti, posilují
záměr zákazníka uplatnit reklamaci v případě nespokojenosti prostřednictvím sociální
normy.
 Hypotéza H5: Snadnost uplatnění reklamace posiluje záměr zákazníka uplatnit
reklamaci v případě nespokojenosti.
 Hypotéza H6: Snadnost uplatnění reklamace posiluje chování zákazníka uplatnit
reklamaci v případě nespokojenosti.
 Hypotéza H7: Záměr reklamovat výrobek z důvodu nespokojenosti pozitivně
ovlivňuje chování (uplatnění reklamací).
Obrázek č. 50: Testovaný model
Zdroj: autor
Všechny proměnné v modelu jsou konstruovány jako latentní proměnné. Škálové otázky pro
tvorbu těchto latentních proměnných byly odvozeny z prací Keng a Liu (1997), Blodgett a
kol. (1997) a Thøgersen a kol. (2009).
Základní charakteristika modelu
 Velikost vzorku = 250
 Počet proměnných v modelu: 45
 Počet pozorovaných proměnných: 18
 Počet nepozorovaných proměnných: 27
130
 Počet exogenních proměnných: 25
 Počet endogenních proměnných: 20
 Pozorované endogenní proměnné: d1, d2r, d3r, e1, e3, f1, f2, f3, b1, b2, a1, a2, a4r,
g1, g2, i1, i4r, i3r
 Nepozorované exogenní proměnné: Distr, Process, Interac, Beh_cont, SN, er1-er18.
Tabulka č. 48 Použité proměnné v modelu
Proměnná
Označení
prom.
Formulace otázky
Chování Behavior
Během posledních 3 let jsem reklamoval zakoupené výrobky: (ani
jednou – mnohokrát)
Mám bohaté zkušenosti s reklamováním výrobků. (nesouhlasím –
souhlasím)
Reklamuji výrobky, se kterými jsem nespokojen, méně často než
většina lidí, které znám. (souhlasím – nesouhlasím)
Záměr Intention
Budu-li nespokojený se zakoupeným výrobkem, půjdu jej reklamovat.
(nesouhlasím – souhlasím)
Nebude-li výrobek fungovat tak jak má, reklamuji jej. (nesouhlasím –
souhlasím)
Distribuční
spravedlnost
Distr
Náhrada (finanční a nefinanční), kterou člověk získá reklamací, je:
(nízká – vysoká)
Kompenzace za reklamovaný produkt, kterou člověk získá od
obchodníka, je: (neférová – férová)
Reklamací člověk nezíská takovou náhradu, jakou by si zasloužil.
(souhlasím – nesouhlasím)
Procedurální
spravedlnost
Process
Vyřízení reklamací trvá neúměrně dlouho. (nesouhlasím – souhlasím)
Obchodníci reklamace záměrně protahují (nesouhlasím – souhlasím)
Interakční
spravedlnost
Interac
K zákazníkům, kteří reklamují výrobky, se obchodníci chovají zdvořile.
(nesouhlasím – souhlasím)
I při reklamacích obchodníci působí, jakoby měli o reklamujícího
zákazníka zájem. (nesouhlasím – souhlasím)
Obchodníci si nedovolí chovat se hrubě k zákazníkům, kteří uplatňují
reklamaci. (nesouhlasím – souhlasím)
Subjektivní
norma
SN
Mí blízcí by určitě reklamovali výrobek, se kterým by byli nespokojeni.
(nesouhlasím – souhlasím)
Přátelé považují za správné ozvat se a reklamovat vadný výrobek.
(nesouhlasím – souhlasím)
Vnímaná
kontrola
chování
Beh_cont
Zabalit zpět reklamovaný výrobek a doručit jej obchodníkovi není
složité. (nesouhlasím – souhlasím)
Složitý postup reklamací mě odrazuje. (souhlasím – nesouhlasím)
Nutnost odvozu výrobku zpět obchodníkovi mě od reklamace odrazuje.
(souhlasím – nesouhlasím)
Pozn.: Polarita otázek byla upravena tak, aby vztahy byly při výpočtech pozitivně korelované v souladu
s hypotézami.
Zdroj: autor
7.10.2 Validita měřícího modelu
Shoda celkového modelu s daty bude posouzena podle tří ukazatelů – chí kvadrátu, díle CFI a
RMSEA.
131
1. Chi-kvadrát = 184,565, Df= 114, p = 0,000. Test prokazuje rozdíl mezi teoretickou a
pozorovanou kovarinanční maticí. Tento základní ukazatel je ale velmi citlivý při větších
vzorcích dat a reaguje i na malé odchylky, proto se využívá v kombinaci s dalšími ukazateli. I
podle Hair a kol. (2010, s. 646) při takto velkém výzkumném vzorku a počtu proměnných je
běžné, že chí kvadrát je signifikantní.
2. CFI = 0,927: Při zohlednění velikosti výzkumného vzorku a počtu pozorovaných
proměnných (kterých bylo 18) by ukazatel měl nabývat hodnoty vyšší než je 0,92 (Hair a kol.
2010, s. 646). To také spluje, proto ukazatel signalizuje dobrou shodu modelu s daty.
3. RMSEA = 0,050. Při zohlednění velikosti výzkumného vzorku a počtu pozorovaných
proměnných (kterých bylo 12) by ukazatel měl nebývat hodnoty vyšší než je 0,07 (Hair a kol.
2010, s. 646). I tento ukazatel signalizuje dobrou shodu modelu s daty.
Konvergenční validita
Podle Hair a kol. (2010, s. 677) by standardizované regresní koeficienty (loadings) měly
dosahovat výše nejméně 0,5 ideálně 0,7 a vice. Z tabulky č. 49 je patrné, že tato podmínka je
splněna s výjimkou A4r a zejména g2, což znamená, že tyto proměnné mohou působit
problémy. Pro prokázání konvergenční validity se dále použilo Cronbachovo Alpha. Jeho
doporučená minimální hraniční hodnota je 0,7 (popř. 0,6) a to je splněno, právě s výjimkou
proměnné subjektivní norma (SN). Koeficient Alpha však chybně předpokládá, že všechny
položky přispívají stejně k reliabilitě latentní proměnné a pro proměnné, které jsou plněny
pouze dvěma proměnnými je nevhodný.
Další ukazatel je Composite reliabilty, který by měl dosahovat hodnoty 0,70 a pro každou
z položek hodnotu nad 0,5 (Shook a kol., 2004). Z tabulek č. 50 vidíme, že tento požadavek
se splněn s výjimkou distribuční spravedlnosti, který je mírně pod touto hranici. Dalším
ukazatelem je Construct reliability (CR), který by měl být větší než 0,7. Přípustná hodnota je
také 0,6 pokud je reliabilita u ostatních konstruktů dobrá (Hair a kol., 2010, s. 677). Tuto
podmínku data splňují s výjimkou SN (subjektivní normy). Posledním použitým ukazatelem
je Average Variance Extracted (AVE), které by mělo nabývat hodnoty 0,5 a více, což je opět
splněno pro všechny konstrukty.
Obrázek č. 51: Model měření
Distr
,31
d1
er8
,56
,27
d2r
er9
,52
,52
d3r
er10
,72
Process
,63
e1
er11
,58
e3
er12
Interac
,55
f1
er13
,74
,68
f2
er14
,82
,49
f3
er15
,70
Intention
,63
b1
er5
,42
b2
er6
BehaviorBeh_cont SN
,47
a1
er1
,57
a2
er2
,21
a4r
er3
,29
i1
er16
,38
i3r
er18
,35
i4r
er17
,73
g1
e26
,86
,10
g2
e28
,65,79,54 ,68,62 ,59
-,50
,38
,29
,12
,46
,01 -,52
,09
,00
-,51
,06
,15
,15
,45
-,07
,38,35
,50,30
-,18
,03
,46,75 ,31 ,76,80
132
Zdroj: autor
Tabulka č. 49: Standardizované regresní koeficienty modelu měření
d1 <--- Distr ,559
d2r <--- Distr ,518
d3r <--- Distr ,719
f1 <--- Interac ,741
f2 <--- Interac ,823
f3 <--- Interac ,699
a1 <--- Behavior ,682
g1 <--- SN ,857
g2 <--- SN ,312
i4r <--- Beh_cont ,591
i1 <--- Beh_cont ,541
i3r <--- Beh_cont ,620
a4r <--- Behavior ,462
a2 <--- Behavior ,754
b2 <--- Intention ,648
b1 <--- Intention ,791
e1 <--- Process ,795
e3 <--- Process ,762
Zdroj: autor
Celkově lze konvergentní validitu považovat za pouze dobrou, nikoliv výbornou. Slabou
konvergenční validitu má zejména konstrukt subjektivní normy (SN), neboť sestává pouze ze
dvou položek, které nejsou mezi sebou příliš korelované. Zde bylo třeba učinit rozhodnutí,
zda v modelování pracovat se stávajícím konstruktem (který má omezenou spolehlivost),
nebo tento konstrukt převést na pozorovanou proměnnou (tj. nahradit jej proměnnou g1 nebo
g2). Protože i přes uvedené výhrady tento konstrukt splňuje minimální hodnoty podle AVE,
byla subjektivní norma namodelována jako latentní proměnná. Při interpretaci výsledného
modelu ale bude upozorněno na menší spolehlivost tohoto konstruktu.
Tabulka č. 50: Ukazatelé kvality konstrukce latentních proměnných
No Name of Construct(s) Cronbach
Alpha
Construct
reliability
Composite
Reliability
Variance
Extracted
1 Bahavior 0,620 0,673 0.531 0.633
2 Intention 0,66 0,685 0.651 0.720
3 Distr 0,618 0,629 0.477 0.599
4 Process 0,754 0,755 0.732 0.779
5 Interac 0,797 0,799 0.699 0.754
6 SN 0,416 0,539 0.501 0.585
7 Beh_cont 0,612 0,609 0.451 0.584
No Behavior Composite
Reliability
Variance
Extracted
1 A1 0.499 0.608
2 A2 0.442 0.572
3 A4 0.647 0.718
133
Intention
1 B1 0.749 0.791
2 B2 0.544 0.648
No Distr
1 D1 0.507 0.619
2 D2 0.535 0.639
3 D3R 0.387 0.539
No Process
1 E1 0.709 0.762
2 E2 0.755 0.795
No Interac
1 F1 0.709 0.761
2 F2 0.649 0.720
3 F3 0.738 0.782
No SN
1 G1 0.125 0.312
2 G2 0.837 0.857
No Beh_cont
1 I1 0.482 0.606
2 I3 0.426 0.566
3 I4 0.447 0.581
Pozn.: Výpočet proveden pomocí The Online CONSTRUCT VALIDITY Calculator version 2.0
(http://www.hishammb.net/cvc2)
Zdroj: autor
Diskriminační validita byla prověřena postupem popsaným u předchozího modelu (kap. 7.3).
Touto metodou byly prověřeny vztahy mezi konstrukty, se kterými pracuje model. Pro
všechny konstrukty byla diskriminační validita prokázána. I face validita byla zajištěna
stejným postupem jako v předcházejícím modelu.
7.10.3 Strukturní model
Hlavní ukazatel kvality modelu je chí kvadrát, který má hodnotu 203,130 (p = 0.000, Df =
118), což pro model s daným počtem pozorovaných proměnných (18) a rozsahem vzorku 250
respondentů odpovídá očekávání, že rozdíl kovariančních matic bude signifikantní. Protože
ale CFI (0.912) je pouze mírně pod doporučenou hranicí 0,92 a RMSEA (0.054) je
v požadovaných intervalech, považujeme model za platný.
Předpokládané vazby mezi proměnnými modelu jsou statisticky spolehlivé s výjimkou vztahu
interakční spravedlnosti. Hypotéz H3 tady musíme zamítnout. Ostatní uvedené hypotézy
můžeme považovat nadále za platné. Záměr reklamovat je ve statisticky podloženém vztahu
s ostatními proměnnými modelu, jak předpokládal navržený model. Zajímavá je existence
vazby mezi vnímanou kontrolou chování a vlastním chováním, která v předešlých modelech
nebyla potvrzena.
Jak plyne z tabulky č. 51 a standardizovaných regresních koeficientů, míra těsnosti vztahu
mezi záměrem ostatními proměnnými je silná až středně silná. Můžeme předpokládat, že
největší vliv na záměr zda reklamovat nebo nereklamovat výrobek má procedurální
spravedlnost a subjektivní norma. Spolu s vnímanou kontrolou chování jde o nejvýznamnější
faktory. Odstup distribuční spravedlnosti je poměrně velký.
134
Vysvětlená variabilita záměru činí 48 %. Jedná se o dobrý výsledek, který vypovídá o tom, že
vysvětlující proměnné byly zvoleny správně, neboť nejenže mají se záměrem statisticky
podloženou vazbu, ale současně jde o vazby pro formování záměru důležité. Množství
vysvětlené variability vlastního chování je pak na úrovni 14 %.
Tabulka č. 51: Odhady parametrů modelu
Regression Weights Estimate S.E. C.R. P
Standardized
Regression
Weights
Intention <--- (H3) Interac 0,161 0,116 1,392 0,164 0,142
Intention <--- (H4) SN 0,462 0,217 2,128 0,033 0,439
Intention <---(H6) Beh_cont 0,553 0,188 2,936 0,003 0,387
Intention <---(H2) Process 0,458 0,123 3,721 *** 0,477
Intention <---(H1) Distr 0,42 0,179 2,341 0,019 0,282
Behavior <---(H6) Beh_cont 0,262 0,124 2,117 0,034 0,217
Behavior <---(H7) Intention 0,204 0,082 2,482 0,013 0,242
d1 <--- Distr 1 0,561
d2r <--- Distr 1,012 0,184 5,509 *** 0,52
d3r <--- Distr 1,463 0,243 6,023 *** 0,715
f1 <--- Interac 1 0,741
f2 <--- Interac 1,157 0,11 10,47 *** 0,822
f3 <--- Interac 1,036 0,106 9,729 *** 0,699
a1 <--- Behavior 1 0,721
g1 <--- SN 1 0,876
g2 <--- SN 0,277 0,131 2,113 0,035 0,308
i4r <--- Beh_cont 1,314 0,23 5,711 *** 0,596
i1 <--- Beh_cont 1 0,546
i3r <--- Beh_cont 1,272 0,221 5,768 *** 0,613
a4r <--- Behavior 0,738 0,14 5,281 *** 0,44
a2 <--- Behavior 1,225 0,206 5,955 *** 0,732
b2 <--- Intention 0,596 0,09 6,617 *** 0,629
b1 <--- Intention 1 0,829
e1 <--- Process 1 0,791
e3 <--- Process 0,98 0,114 8,633 *** 0,765
Zdroj: autor
Postoj ke stěžování je tak předchozí zkušeností oslaben a ne posílen (Thøgersen a kol, (2009).
7.10.4 Závěry
Testovaný model vysvětluje, které faktory podněcují zákazníky k uplatňování reklamací
v případě, že nejsou spokojeni. Pochopitelně, cílem prodejců není podpora reklamací a už
vůbec ne vytváření takových podmínek, které naváděly k oportunistickému jednání (tj. k
zneužívání reklamací). Znalost uvedených faktorů má smysl pro zavedení takových opatření
135
(resp. jejich optimalizaci), které zvýší spokojenost zákazníka a které díky tomu omezí
nežádoucí reakce zákazníků jako je negativní šeptanda, či ztráta loajality.
Z tohoto pohledu můžeme konstatovat, že nejdůležitější vazbu mezi zkoumanými faktory má
procedurální spravedlnost, subjektivní norma a vnímaná kontrola chování. Tento výsledek lze
interpretovat tak, že hlavní cestou jak zvýšit motivaci zákazníků k uplatnění reklamace, pokud
jsou nespokojeni, je zaměřit se zejména na procesy příjímání a zpracování reklamací. Podle
jiných výzkumů (např. Blodgett a kol., 1997; Clemmera a kol., 1996) je pro zákazníky
důležité, aby tyto procesy reagovaly flexibilně na požadavky zákazníků, rychle, aby
posouzení reklamace bylo nestranné a efektivní. Vnímaná behaviorální kontrola pak dokládá i
důležitost „technické“ stránky uplatnění reklamace, tj. z hlediska zákazníka nízké transakční
náklady.
Role kompenzace, tedy velikosti náhrady, je dle našich dat nižší. Podobné zjištění uvádí i
Davidow (2003) a sice, že průběh může být v některých situacích důležitější než výsledek
reklamace.
Překvapivě silná vazba je se subjektivní normou. Zde je třeba zopakovat konstatování
uvedené i v modelu „šeptandy“. Jestliže stanoviska přátel, rodiny a dalších osob ovlivňují
odhodlání zákazníka uplatnit reklamaci, je význam sociálního okolí důležitější o to, že tito
lidé ovlivňují také samotný pohled zákazníka na to, zda došlo k selhání produktu či nikoliv
resp. ovlivňují hédonickou spokojenost, viz Goudge a kol., 2010. Pro obchodníky je
nepříjemné, že právě tento faktor nejsou schopni přímo ovlivnit.
Vyvrácení hypotézy H3 o vlivu interakční spravedlnosti je rovněž překvapivé a můžeme
pouze spekulovat, čím byl tento výsledek zapříčiněn. Pomineme-li příčinu v použité metodice
výzkumu (nižší spolehlivost strukturního modelu a dobrá konvergenční a diskriminační
validita interakční spravedlnosti na druhé straně) může být důvod v tom, že se respondenti při
reklamacích nesetkali s eticky problematickým jednáním. Samozřejmě nelze ani vyloučit
možnost, že tato složka spravedlnosti odhodlání zákazníků neovlivňuje, byť to např. výzkum
Blodgetta a kol. (1997) dokládá.
136
Obrázek č. 52: Standardizované regresní koeficienty modelu
Pozn.: červená vazba označuje statisticky nespolehlivé korelace
Zdroj: autor
Distr
,31
d1
er8
,56
,27
d2r
er9
,52
,51
d3r
er10
,72
Process
,63
e1
er11
,59
e3
er12
Interac
,55
f1
er13
,74
,68
f2
er14
,82
,49
f3
er15
,70
,48
Intention
,69
b1
er5
,40
b2
er6
,14
Behavior
Beh_cont
SN
,52
a1 er1,72
,54
a2 er2
,19
a4r er3
,30
i1
er16
,38
i3r
er18
,36
i4r
er17
,77
g1
e26
,88
,09
g2
e28
,31
,01
er4
er7
,22
,60
,55
,61
,44
,73
,24
,14
,44
,39
,48
-,52
-,07
,38
-,51
,28
,63,83
,45
-,49
,46 ,06
,79,77
,00
137
ZÁVĚR
Pokud se na reklamace díváme jako na službu, která přidává hodnotu zákazníkům, a současně
sledujeme její důsledky na podnikovou činnost, zjistíme, že v české (i od češtiny přeložené)
odborné specializované literatuře o tomto tématu mnoho poznatků nenalezneme. Habilitační
práce se snaží toto „prázdné místo zaplnit“, a to nejen literárním přehledem zahraničních
poznatků, ale především vlastním empirickým šetřením realizovaným v ČR.
Habilitační práce prezentuje výsledky pěti dílčích empirických výzkumů, které souvisejí se
zákaznickým pohledem na reklamace a reklamační proces. V souladu s terminologií, kterou
jsme v práci zavedli, bychom mohli říct, že hlavním cílem bylo prozkoumat vybrané aspekty
reklamační politiky z pohledu zákazníka – odtud je také odvozen název celé habilitační práce.
Práce ve svých prvních kapitolách definuje předmět zájmu – tzv. reklamační politiku a na
základě zpracované literární rešerše je analyzován vztah reklamační politiky k řízení zpětných
toků. Hlavní pozornost je věnována zákazníkům: jejich vnímání zvolené reklamační politiky
(uplatňovaných postupů a pravidel ze strany prodávajících) a důsledkům reklamační politiky
na chování zákazníků. Přesné zaměření literární rešerše vyplynulo z cílů pěti empirických
šetření. Pro nedostupnost českých zdrojů byla rešeršní část zpracována téměř výhradně podle
zahraničních literárních pramenů. Z toho ale vyplývá riziko, že některé závěry vyvozené ze
zahraničních výzkumů nemusí být platné v českém ekonomickém, právním a kulturním
prostředí.
Cílem prvního šetření bylo určit význam vybraných opatření souvisejících s reklamacemi (a
definujících tzv. rozšířený produkt) při internetovém nakupování. Význam faktorů byl
stanoven relativně porovnáním s dalšími zkoumanými faktory. K naplnění tohoto cíle, jež měl
exploratorní charakter, byla využita experimentální metoda conjointní analýzy, která byla
provedena na vzorku 167 respondentů. Zobecníme-li její výsledky, lze konstatovat, že
podmínky související s reklamacemi výrobku nepatří mezi nejvlivnější faktory při nákupním
rozhodování. Domníváme se, že příčinou je legislativa, která ukládá prodejcům povinnost
přijmout zboží zpět do 14 dnu, pokud bylo nakoupeno „na dálku“. Díky tomuto specifickému
právu zákazníka se význam reklamační politiky jako marketingového nástroje v českém
prostředí snížil. Přestože reklamační podmínky nejsou nejvýznamnějším faktorem,
z provedené shlukové analýzy vyplývá, že existuje skupina zákazníků, pro které jsou faktory
spojené s reklamacemi (přesněji s rizikem a transakčními náklady) stejně důležité jako např.
otázka kvality výrobku. Podle tohoto zjištění můžeme formulovat doporučení pro internetové
obchody, aby ve své nabídce zohlednily různé segmenty spotřebitelů a nabídly zákazníkům
možnost výběru různé podoby reklamačních podmínek, jinými slovy její kvality a tím i ceny.
Následující cíle, které jsou spojeny s modely chování, byly statisticky testovány na vzorku
250 (resp. 207) respondentů a to pomocí metody strukturního modelování.
Druhý cíl spočíval konkrétně v identifikaci odlišností mezi faktory, které ovlivňují pozitivní a
negativní šeptandu v souvislosti s reklamační zkušeností. Testované modely vycházely
z teorie plánovaného chování a nepotvrdily vliv vnímané kontroly chování a současně se
ukázalo, že subjektivní norma nemá zásadní vliv na šíření informací v souvislosti
s reklamacemi. Jako nejvlivnější faktor se ukázal samotný postoj zákazníka.
Třetí cíl se týkal stejných faktorů jako u modelu „šeptandy“ – tj. postoje, subjektivní normy a
vnímané kontroly chování. Tentokrát ale tyto obecné faktory (plánovaného) chování byly
aplikovány na oportunistické jednání zákazníků s cílem posoudit velikost jejich vlivu.
Z našich dat zcela jednoznačně plyne, že rozhodujícím faktorem je vnímaná kontrola chování,
138
tj. subjektivně vnímaná obtížnost zneužití reklamace. Pro podniky, které čelí problémům se
zneužíváním reklamací, to znamená, že prioritní opatření by mělo spočívat v nastavení
takových mechanizmů při příjímání a vyřizování reklamací, které by oportunistické chování
komplikovaly. Přestože změnu chování lze někdy docílit i působením na faktory (definované
teorií plánovaného chování), které mají slabší vazbu se záměrem jedince (zde postoj a
subjektivní norma), v tomto konkrétním případě nelze takový postup doporučit. Např. působit
na změnu postojů zákazníků zdůrazňováním faktu, že zneužívání reklamací je neetické, nemá
pravděpodobně velký význam. Pokud totiž platí výsledky zahraničních studií i pro české
spotřebitele, pravděpodobně jsou si neetičnosti zneužívání reklamací vědomi. Vedle toho
změna postojů souvisejících se subjektivní normou je pro prodejce obtížná.
Čtvrtým cílem bylo prověřit vztah spravedlnosti při vyřizování reklamací a loajality
zákazníka. Spravedlnost byla dekomponována do tří složek na distribuční, procedurální a
interakční. Loajalita zákazníka byla chápana v behaviorálním pojetí. Výsledky neodpovídají
zcela citovanému zahraničnímu výzkumu Blodgetta a kol. (1997), neboť jako nejvlivnější
faktor vyšla distribuční a procedurální spravedlnost. Vztah s interakční spravedlností nebyl
statisticky doložen. Přestože model můžeme považovat ze statistického pohledu za
hodnověrný, výsledek prokázal, že pro pochopení a predikci loajality pouze faktory spojené
se spravedlností nestačí, neboť testovaný model vysvětlil velmi malou variabilitu dat
v závislých proměnných.
Posledním, pátým cílem bylo určit důležitost faktorů, které posilují odhodlání zákazníka
uplatnit reklamaci. Testovaný model zahrnoval faktory spravedlnosti (její tři složky),
subjektivní normu a vnímanou kontrolu chování. Z našich dat vyplývá, že nejdůležitější vliv
na záměr reklamovat a i zprostředkovaně na vlastní chování má procedurální spravedlnost,
subjektivní norma a vnímaná kontrola chování. Prodejci, kteří chtějí omezit negativní
důsledky nespokojenosti zákazníků se zakoupeným produktem, mezi které typicky patří šíření
negativních zpráv či ztráta jejich loajality, by se tedy měli zaměřit na procesy příjímání a
zpracování reklamací tak, aby reagovaly flexibilně, rychle, aby posouzení reklamace bylo
nestranné a efektivní a aby s uplatněním reklamace byly spojeny nízké transakční náklady.
Význam samotné kompenzace je dle našich dat nižší.
139
SEZNAM POUŽITÝCH ZDROJŮ
[1] 2007-2008 Customer Returns In The Retail Industry. Loss Prevention Research Council
and The Retail Equation [online]. 2008 [cit. 2011-01-02]. Dostupný na WWW: <
http://www.lpinformation.com/Portals/ 0/2008ReturnsSurveyWhitePaper_TRE.pdf >.
[2] 2010 Customer Returns In The Retail Industry. The Retail Equation [online]. 2010.
[cit. 2011-01-02]. Dostupný na WWW: < http://www.nrf.com/modules.php?name=
Documents&op=showlivedoc&sp_id=5895>.
[3] Aberdeen group. Winning with Integrated Warranty Management, Aberdeen group,
2006. [cit. 2010-20-09]. Dostupný na WWW: <
http://www.chipeservices.com/AberdeenReport.pdf >.
[4] Adamantios D., Riefler, P., Roth, K. Advancing formative measurement models.
Journal of Business Research, 2008, roč. 61, č. 12. s. 1203-1218.
[5] AJZEN, I. Behavioral Interventions Based on the Theory of Planned Behavior. Icek
Ajzen Pages [online]. 2010 [cit. 2010-07-02]. Dostupný na WWW:
<http://www.people.umass.edu/aizen/pdf/tpb.intervention.pdf >.
[6] AJZEN, I. Constructing a TpB Questionnaire: Conceptual and Methodological
Considerations. Radboud University Nijmegen [online]. 2002 [cit. 2011-01-02].
Dostupný na WWW: < socgeo.ruhosting.nl/html/files/spatbeh/tpb.measurement.pdf>.
[7] AJZEN, I. Frequently Asked Questions. Icek Ajzen Pages [online]. 2011 [cit. 2011-20-
03]. Dostupný na WWW: < http://www.people.umass.edu/aizen/faq.html >.
[8] AJZEN, I. From Intentions to Actions : A Theory of Planned Behavior. In Kuhl, J.,
Beckmann, J. Action Control : From Cognition to Behavior. 1. vyd. Berlin: SpringerVerlag,
1985, s. 11-39.
[9] ALZOLA L. M., Robaina V. P. The impact of pre-sale and post-sale factors on online
purchasing satisfaction: a survey. International Journal of Quality & Reliability
Management, 2010, roč. 27, č. 2. s. 121-137.
[10] ANDERSON J.C., Jain C., Chintagunta, P. K. Customer Value Assessment in Business
Markets. Journal of Business-to-Business Marketing, 1993, roč. 17. č. 1. s. 3-29.
[11] ARMITAGE, C. J., CONNER, M. Efficacy of the theory of planned behaviour: A metaanalytic
review. The British Journal of Social Psychology, 2001, č. 40, s. 471.
[12] ASHLEY, C., VARKI, S. Loyalty and its Influence on Complaining Behavior and
Service Recovery Satisfaction. Journal of Consumer Satisfaction, Dissatisfaction and
Complaining Behavior, 2009, č. 22, s. 21.
[13] AUTRY, C., Hill, D., O'Brien, M. Attitude toward the Customer: A Study of Product
Returns Episodes. Journal of Managerial Issues, 2007, roč. 19, č. 3, s. 315-339.
[14] BABIN, B., Hair, J., Boles, J. S. Publishing Research in Marketing Journals
Using Structural Equations Modeling. Journal of Marketing, 2009, roč. 16, č. 3. s. 279-
285.
[15] BAGOZZI, R. P. Consumer Intentions. In Wiley International Encyclopedia of
Marketing. 1. vyd. Texas: Wiley, 2010, sv. 2.
140
[16] BAIER, D., Brusch, M. Erfassung von Kundenpräferenzen für Produkte und
Dienstleistungen. In. Baier, D., Brusch, M. (eds.). Conjointanalyse, Methoden Anwendungen
– Praxisbeispiele. 1. vyd. Berlin: Springer, 2009, s. 3-17.
[17] BAKER, M. J. Growth Strategies. In Wiley International Encyclopedia of Marketing. 1.
vyd. Texas: Wiley, 2010, sv. 2.
[18] BAMFIELD, J. Global Retail Theft Barometer. Nottingham Centre for Retail Research.
[online]. 2010 [cit. 2011-01-02]. Dostupný na WWW:
< http://www.retailresearch.org/grtb_globaltrends.php >.
[19] BAYUS, B. L. 2010. Kano Model of Customer Satisfaction. In Wiley International
Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.
[20] BECHWATI, N. N., Siegal W. S. JMR. Journal of Marketing Research, 2005, roč. 42,
č. 3. s. 358-367.
[21] BENTLER, P. M. CHOU, C. P. Practical issues in structural modeling. Sociological
Methods & Research, 1987, roč. 16, č. 1. s. 78-117.
[22] BHATIA, N. Return Policies for Customer Purchases. California: University of
California, Los Angeles. [online]. 2004 [cit. 2010-05-02]. Dostupný na WWW: <
http://search.proquest.com/docview/305220714?accountid=16531>.
[23] BHATNAGAR, A., Ghose, S. Segmenting consumers based on the benefits and risks of
internet shopping. Journal of Business Research, 2004, roč. 57, č. 12. s 1352-1360.
[24] BLODGETT J. G., Hill, D. J., Tax S.S. The effects of distributive, procedural, and
interactional justice on postcomplaint behavior. Journal of Retailing, 1997, roč. 73, č. 2.
s. 185-210.
[25] BLODGETT, J., Hill, D., Bakir, A. Cross-Cultural Complaining Behavior? An
Alternative Explanation. Journal of Consumer Satisfaction, Dissatisfaction and
Complaining Behavior, 2006, roč. 19, s. 103-117.
[26] BONIFIELD, C., Cole C., Schultz R. L. Product returns on the Internet: A case of
mixed signals?. Journal of Business Research, 2010, roč. 63, č. 9-10, s. 1058-1065.
[27] BOWER, A. B., MAXHAM, G. J. Customer Responses to Product Return Experiences.
Working paper at MacIntire School of Commerce. Virginia : University of Virginia,
2006.
[28] BROWN, A., Chou, M. C., Tang, C. S. The implications of pooled returns policies.
International Journal of Production Economics, 2008, roč. 111, č. 1. s. 129-146.
[29] BROWN, J. R., Dant R. P. Scientific method and retailing research: A retrospective.
Journal of Retailing, 2008, roč. 84, č. 1. s. 1-13.
[30] BROWN, S. P., Zahn, W. Customer Satisfaction/Dissatisfaction. In Wiley International
Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.
[31] CAO, Y., Gruca, T. S. The influence of pre- and post-purchase service on prices in the
online book market. Journal of Interactive Marketing, 2004, roč. 18, č. 4. s. 51-62.
[32] CATTIN, P., Wittink, D. R. Commercial Use of Conjoint Analysis: A Survey. Journal
of Marketing, 1982, roč. 46, č. Summer. s. 44-53.
141
[33] ČERMÁKOVÁ, A. Speciální možnosti conjointní analýzy. In Sborník konference
"Výuka matematiky na neuniverzitních vysokých školách". vyd. 1. Praha: Vysoká škola
ekonomických studií, 2003, s. 32 – 39.
[34] CHAN, F. T. S., CHAN, H. K. A survey on reverse logistics system of mobile phone
industry in Hong Kong. Management Decision, 2008, roč. 46, č. 5. s. 702–708.
[35] CHAN, H., WAN, L. C. Consumer Responses to Service Failures: A Resource
Preference Model of Cultural Influences. Journal of International Marketing, 2008. roč.
16, č. 1. s. 72-97.
[36] CHANG, M. K. Predicting unethical behavior: A comparison of the theory of reasoned
action on the theory of planned behavior: JBE. Journal of Business Ethics, 1998, roč.
17, č. 3. s. 1825.
[37] CHATTERJEE P. Online reviews: Do consumers use them?. In Gilly, M. C., Mayers, J.
Advances in Consumer Research. vyd. 1. Valdosta: Association for Consumer
Research, 2001, sv. 28, s. 129-133.
[38] CHEBAT J., Davidow, C. Codjovi I. Silent voices: why some dissatisfied consumers
fail to complain. Journal of Service Research, 2005, roč. 7. č. 4. s. 328–342.
[39] CHENG, S., LAM, T., HSU, C. H. C. Negative Word-Of-Mouth Communication
Intention: An Application of the Theory of Planned Behavior. Journal of Hospitality &
Tourism Research, 2006, roč. 30, č. 1. s. 95-116.
[40] CHEVALIER, J. A., Mayzlin, D. The Effect of Word of Mouth on Sales: Online Book
Reviews. Yale SOM Working Paper No's. ES-28 & MK-15. [online]. 2003 [cit. 2011-
01-02]. Dostupný na WWW: < http://ssrn.com/abstract=432481>.
[41] CHIN, W. R., Peterson, D., Brown, S. Structural equation modeling in marketing: Some
practical reminders. Journal of Marketing Theory & Practice, 2008, roč. 16. s. 287-298.
[42] CHULMIN, K., Sounghie, K., Subin, I., Changhoon S. The effect of attitude and
perception on consumer complaint intentions. Journal of Consumer Marketing, 2003,
roč. 20, č. 4. s. 352 – 371.
[43] CLEMMERE, C., Schneider, B., Fair Service. In: Brown, S.W., Bowen, D. A., Swartz,
T. (eds.) Advances in Services Marketing and Management . 1. vyd. Greenwich: JAI
Press, 1996, sv. 5, s. 109-126.
[44] COLLIER, J. E., Bienstock, C. C. Measuring service quality in E-retailing. Journal of
Service Research, 2006, roč. 8, č. 3. s. 260-275.
[45] COLLIER, J. E., Bienstock, C. C. Model Misspecification: Contrasting Formative and
Reflective Indicators for a Model of E-Service Quality. Journal of Marketing Theory
and Practice, 2009, roč. 17, č. 3. s. 283-293.
[46] DAVIDOW, M. Organizational responses to customer complaints: what works and
what doesn’t. Journal of Service Research, 2003, roč. 5, č. 3. s. 225–250.
[47] DAVIDOW, M. The Bottom Line Impact of Organizational Responses to Customer
Complaints. Journal of Hospitality & Tourism Research, 2000, roč. 24, č. 4. s. 473-490.
[48] DAVIS, S., GERSTNER, E., HAGERTY, M. Money back guarantees in retailing:
Matching products to consumer tastes. Journal of Retailing, 1995, roč. 71, č. 1. s. 7.
142
[49] DAVIS, S., Hagerty, M., Gerstner, E. Return Policies and the Optimal Level of Hassle.
Journal of Economics and Business, 1998, roč. 50, č. 5. s. 445-460.
[50] De BRITO, M. P., DEKKER, R. A framework for reverse logistics. In Econometric
Institute Report EI 2003-045. ERIM Report Series Research in Management. 1. vyd.
Rotterdam: Erasmus Universteit Rotterdam, 2003.
[51] De Pelsmacker, P. Do Consumers Care about Ethics? Willingness to Pay for Fair-Trade
Coffee. Journal of Consumer Affairs, 2005, roč. 32, č. 2. s. 363-385.
[52] De PELSMACKER, P., GEUENS, M., VAN DEN BERGH, J. Marketingová
komunikace.1. vyd. Praha: Grada, 2003. ISBN 80-247-0254-1.
[53] DING, D., Chen J., Coordinating a three level supply chain with flexible return policies.
Omega, 2008, roč. 36, č. 5. s. 865-876.
[54] Dissanayake, D., Mohini, S. Managing Returns in E-Business. Journal of Internet
Commerce, 2007, roč. 6, č. 2. s. 35-49.
[55] DU, R. Y. Research Reliability and Validity. Wiley In Wiley International
Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.
[56] DUAN, W., BinGu, A., Whinston, B. Do online reviews matter? -- An empirical
investigation of panel data. Information Technology and Systems in the Internet-Era,
2008, roč. 45, č. 4. s. 1007-1016.
[57] FIALA, K. H., Klausegger, C. Die Bedeutung der Umweltverträglichkeit von Produkten
für die Kaufpräferenz der Konsumenten am Beispiel der Kaufentscheidung von
Toilettenpapier. Der markt, 1995, roč. 34, č. 133. s. 61-72.
[58] FRED, D., Davis, R., Bagozzi, P., Warshaw, P. R. User acceptance of computer
technology: a comparison of two theoretical models. Manage. Sci, 1989, roč. 35, č. 8. s.
982-1003.
[59] GECKER, R., VIGOROSO, M. W. Revisiting reverse logistics in the customer-centric
service chain. Boston: Aberdeen Group, Inc., 2006.
[60] GELBRICH, K., Roschk, H. Do Complainants Appreciate Overcompensation? A MetaAnalysis
on the Effect of Simple Compensation vs. Overcompensation on PostComplaint
Satisfaction. Marketing Letters, 2011, roč. 22, č. 1. s. 31-47.
[61] GIMÉNEZ, C., Large, R., Ventura E. SCM research methodologies: Employing
Structural Equation Modeling. In Kotzab, H., Seuring, S., Muller, M., Reiner, G. (eds.)
Research Methodologies in Supply Chain Management. Heidelberg: Physica, 2005, s.
155- 170.
[62] GOUDGE, D., Tran, T., Genchev, S. Post-purchase return intent: the influence of
utilitarian and hedonic utilities. Advances in Marketing. Proceedings of the annual
meeting of the association of collegiate marketing educators. [online]. 2010 [cit. 2010-
03-12], s. 134-143. Dostupný na WWW:
<http://www.acme.org/Proceedings/ACME_2010_Proceedings.pdf>.
[63] GREEN, P. E., Helsen, K. Cross-Validation Assessment of Alternatives to IndividualLevel
Conjoint Analysis: A Case Study. Journal of Marketing Research, 1989, roč. 26,
č. 12. s. 346-350.
143
[64] GREEN, P. E., Krieger, A. M., Wind, Y. J. Thirty years of conjointanalysis: Reflections
and prospects. Interfaces, 2001, roč. 31, č. 3, s. 56- 73.
[65] GREEN, P. E., Srinivasan, V. Conjoint analysis I marketing: New developments with
implications for research and practice. Journal of Marketing, 1990, roč. 54, č. 4. s. 3-19.
[66] GRETZER, M., Structural Equation Modeling in Neuroimaging: Application and
Evaluation of the Method. Royal Institute of Technology, [online]. 2003 [cit. 2010-07-
02]. Dostupný na WWW:
<http://www.e.kth.se/~e98_mgr/Exjobbsrapport_Monica_Gretzer.PDF>.
[67] GRÜNWALD, O. Efektivnost conjoint měření, [online]. 2010 [cit. 2010-16-02].
Dostupný na WWW: < http:\\www.greenwald.cz\>.
[68] GUO, B., Perron, B., Gillespie, D. F. A systematic review of structural equation
modeling in social work research. British Journal of Social Work, 2008, roč. 39, č. 8, s.
1556-1574.
[69] HAAIJER, R., Wedel, M. Conjoint choice experiments: General characteristics and
alternative model specifications. In Gustafsson, A., Herrmann, A., Huber, F.
(eds.). Conjoint measurement - methods and applications. Berlin: Springer, 2000, s.
319-360.
[70] HAIR, J., Anderson, R., Babin, B. Multivariate data analysis. New Jersey: Upper Saddle
River: Prentice Hall, 2010. ISBN 0138132631.
[71] HANCOCK, Gregory R., Mueller, R. O. (eds.). Structural Equation Modeling: A
Second Course. Greenwich: Information Age Publishing, 2006. ISBN 1593110154.
[72] HANNA, N., Wozniak, R. Consumer Behaviour: An Applied Approach. New Jersey:
Upper Saddle River: Prentice Hall, 2001. ISBN 0130895024.
[73] HARRIS, L. C. Fraudulent consumer returns: exploiting retailers' return policies.
European Journal of Marketing, 2010, roč. 44, č. 6. s. 730-747.
[74] HARRIS, L. C. Fraudulent Return Proclivity: An Empirical Analysis. Journal of
Retailing, 2008, roč. 84, č. 4. s. 461-476.
[75] HART, C. W. L., Schlesinger, L. A., Maher, D. Guarantees come to professional
service firms. Sloan Manage. Rev, 1992, roč. 33. č. 3. s. 19-29.
[76] HARTMAN, A., Sattler H. Commercial use of conjoint analysis in Germany, Austria
and Switzerland - Research Papers on Marketing and Retailing. Hamburg: University of
Hamburg, 2002. ISBN neuvedeno.
[77] HEIMAN, A., McWilliams, B., Zhao, J., Zilberman, D. Valuation and management of
money-back guarantee options. Journal of Retailing, 2002, roč. 78, č. 3. s. 193–205.
[78] HEIMAN, A., McWilliams, B., Zilberman, D. Demonstrations and money-back
guarantees: market mechanisms to reduce uncertainty. Journal of Business Research,
2001, roč. 54, č. 1. s. 71–84.
[79] HENDL, J. Přehled statistických metod zpracování dat : analýza a metaanalýza dat. 1.
vyd. Praha: Portál, 2004. ISBN 8071788201.
[80] HERR, P. M. Attitudes. In Wiley International Encyclopedia of Marketing. 1. vyd.
Texas: Wiley, 2010.
144
[81] HESS, J. D., Mayhew, G. E. Modeling merchandise returns in direct marketing. Journal
of Direct Marketing, 1997, roč. 11, č. 2. s. 20-35.
[82] HEWSTONE, M., Stroebe, W. Sociální psychologie : moderní učebnice sociální
psychologie. 1. vyd. Praha: Portál, 2006. ISBN: 80-7367-092-5.
[83] HO, R. Handbook of univariate and multivariate data analysis and interpretation: SPSS
approach. Boca Raton: Fl. Taylor & Francis Books, Inc., 2006. ISBN 1584886021.
[84] HOGREVE, J., Gremler, D. D. Twenty Years of Service Guarantee Research: A
Synthesis. Journal of Service Research, 2009, roč. 11, č. 4. s. 322 - 343.
[85] HOLLOWAY, B. B., Sharon, E. B. Service Failure in Online Retailing: A Recovery
Opportunity. Journal of Service Research, 2003, roč. 6, č. 1. s. 92-105.
[86] HOMBURG, C., Fürst, A., Koschate, N. On the importance of complaint handling
design: a multi-level analysis of the impact in specific complaint situations. Journal of
the Academy of Marketing Science, 2010, roč. 38, č. 3. s. 265-287.
[87] HU, N., Zhang, J., Pavlou, P.A. Overcoming the J-shaped distribution of product
reviews. Commun ACM , 2009, roč. 52, č. 10. s. 144-147.
[88] IACOBUCCI, D. Consumer Behavior and Services Marketing. In Wiley International
Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.
[89] JACKSON, J. L., Dezee, K., Douglas, K., Shimeall, W. Introduction to structural
equation modeling (path analysis). Society of General Internal Medicine (SGIM)
[online]. 2005 [cit. 2010-08-02]. Dostupný na WWW:
< http://www.sgim.org/userfiles/file/AMHandouts/AM05/handouts/PA08.pdf >.
[90] JAIN, S. P., Slotegraaf, R. J., Lindsey, Ch. D. Towards Dimensionalizing Warranty
Information: The Role of Consumer Costs of Warranty Redemption. Journal of
Consumer Psychology, 2007. roč. 17, č. 1. s. 70.
[91] JARVIS, C.B., MACKENZIE, S.B., PODSAKOFF, P. M. A critical review of construct
indicators and measurement model misspecification in marketing and consumer
research. Journal of Consumer Research, 2003, roč. 30, č. 2. s. 199.
[92] KAMAKURA, W. A., Ozer, M. A Multi-Trait Multi-Method Validity Test of Partworth
Estimates. In Gustafsson, A., Herrmann, A., Huber, F. (eds.). Conjoint Measurement:
Methods and Applications. Berlin: Springer-Verlag, 2000, s. 225-251.
[93] KANG, M., Johnson, K. Identifying characteristics of consumers who frequently return
apparel, Journal of Fashion Marketing and Management, 2009, roč. 13, č. 1. s. 37 – 48.
[94] KENG, K. A. L. Serene Personal values and complaint behaviour : The case of
Singapore consumers. Journal of Retailing and Consumer Services, 1997, roč. 4, č. 2. s.
89-97.
[95] KIM, J. O., Curry, J. The treatment of missing data in multivariate analysis.
Sociological Methods and Research,1997, roč. 6, č. 2. s. 215–240.
[96] KING T., Dennis, CH. Interviews of deshopping behaviour: an analysis of theory of
planned behaviour. International Journal of Retail & Distribution Management, 2003,
roč. 31, č. 3. s. 153 – 163.
145
[97] KING T., Dennis, CH. Unethical consumers. Deshopping behaviour using the
qualitative analysis of theory of planned behaviour and accompanied (de)shopping.
Qualitative Market Research: an international journal, 2006, roč. 9, č. 3. s. 282-296.
[98] KING T., Dennis, CH., McHendry, J. The management of deshopping and its effects on
service: A mass market case study. International Journal of Retail & Distribution
Management, 2007, roč. 35, č. 9. s. 720 – 733.
[99] KING T., Dennis, CH., WRIGHT, L.T. Myopia, customer returns and the theory of
planned behaviour. Journal of Marketing Management, 2008, roč. 24, č. 1. s. 185.
[100] KLAPALOVÁ, A., Škapa, R. Managing reverse flows in the Czech Republic. In An
Enterprise Odyssey: From Crisis to Prosperity – Challenges for Government and
Business. Opatija: University of Zagreb, 2010. s. 1111-1123, 12 s.
[101] KLAPALOVÁ, A., Škapa, R. Tvorba hodnoty ve zpětných tocích na B2B trzích. In
Vývojové tendence podniků IV, Sborník ze specifického výzkumu. 1. vyd. Brno:
Masarykova univerzita, 2008, s. 335-376.
[102] KOKKINAKI, I. An Exploratory Study on Electronic Commerce for Reverse Logistics.
In Econometric Institute Report EI–9950. Rotterdam: Econometric Institute, 1999, s. 18.
[103] KOTRI, A. Analyzing Customer Value Using Conjoint Analysis: The Example Of A
Packaging Company. In Working Paper Series 46. Tartu: University of Tartu, 2006.
[104] KREIDL, M. Zhodnocení vlivu práce výzkumných agentur na konstruktovou validitu
škál. Sociologický časopis/Czech Sociological Review , 2005, roč. 41, č. 1. s. 103-123.
[105] KULP, S., OFEK, E., WHITAKER, J. Supply-Chain Coordination: How Companies
Leverage Information Flows to Generate Value. In Harrison, T. P., Lee, H. L., Neale, J.
J. The Practice of Supply Chain Management: Where Theory and Application
Converge. 1. vyd. Kluwer: Kluwer Academic Publishers, 2003, sv. 62, s. 91–108.
[106] LADHARI, R. Developing e-service quality scales: A literature review. Journal of
Retailing and Consumer Services, 2010, roč. 17, č. 6. s. 464-477.
[107] LAMBERT, D. M. Logistika: příkladové studie, řízení zásob, přeprava a skladování,
balení zboží. 1. vyd. Praha: Computer Press, 2000. ISBN 80-7226-221-1.
[108] LEARY, M. R. Introduction to behavioral research methods. 5. vyd. Boston: Allyn and
Bacon, 2008. ISBN 978-0205544141.
[109] LEE J., Do-Hyung P., Ingoo H. The effect of negative online consumer reviews on
product attitude: An information processing view. Electronic Commerce Research and
Applications, 2008, roč. 7, č. 3. s. 341-352.
[110] LEECH, N., Barrett, K. C., Morgan, G. SPSS for Intermediate Statistics: Use and
Interpretation. Mahwah, NJ: Erlbaum, 2005. ISBN 978-0805862676.
[111] LEIGH, T. W., MacKay, D. B., Summers, J. O. Reliability and Validity of Conjoint
Analysis and Self-Explicated Weights: A Comparison. Journal of Marketing Research,
1984, roč. 21, č. 12. s. 456-62.
[112] LIN, W. S., Cassaigne, N., Huan, T. C. A framework of online shopping support for
information recommendations. Expert Systems with Applications, roč. 37, č. 10. s.
6874-6884.
146
[113] LONG, M. Forging the Warranty Chain. Aberdeen group, [online]. 2008 [cit. 2010-07-
05]. Dostupný na WWW:
< http://www.sas.com/news/analysts/aberdeen-warranty-chain-0508.pdf >.
[114] MARCZYK, G., DeMatteo, D., Festinger, D. Essentials of research design and
methodology. New York: John Wiley & Sons, 2005. ISBN 978-0471470533.
[115] MARIEN, E. D. Reverse logistics as competitive strategy. Supply Chain Management
Review, 1998, roč. 2, č. 1. s. 43–52.
[116] Marketing. 1. vyd. Texas: Wiley, 2010.
[117] MarketVision Research. Conjoint Analysis: An Introduction. MarketVision Research:
Cincinnati. [online]. 2010 [cit. 2010-07-011]. Dostupný na WWW: < http://www.mv-
research.com>.
[118] MARQUIS, M., Filiatrault, P. Understanding complaining response through consumers’
self-consciousness disposition. Psychol. Mark, 2002, roč. 19, č. 3. s. 267–292.
[119] MATĚJŮ, P. Metoda strukturního modelování. Sociologický časopis, 1989, roč. 25, č.
4. s. 399-417.
[120] MAZAR, N., Amir, O., Ariely, D. The Dishonesty of Honest People: A Theory of SelfConcept
Maintenance. Journal of Marketing Research (JMR), 2008, roč. 45, č. 6, s. 633-
644.
[121] MCQUILKEN, L., Robertson, N. The influence of guarantees, active requests to voice
and failure severity on customer complaint behavior. International Journal of
Hospitality Management, [online]. 2011 [cit. 2011-01-02]. Dostupný na WWW: <
http://www.sciencedirect.com/science/article/B6VBH-52BNJW5-
1/2/52631b74f0e250c164b3a16a0436bacb >.
[122] MEYER, H. Many happy returns. Journal of Business Strategy, 1999, roč. 30. č. 3. s.
27-31.
[123] MEYERS, L. S., Gamst, G., Guarino, A. J. Applied Multivariate Research: Design and
Interpretation. 1. vyd. Thousand Oaks: Sage Publications, 2006. ISBN 1412904129.
[124] MITTAL, V. Customer-Satisfaction Research. In Wiley International Encyclopedia of
Marketing. 1. vyd. Texas: Wiley, 2010, sv. 2.
[125] MOLLENKOPF, D., RUSSO, I., FRANKEL, R., The returns management process in
supply chain strategy. International Journal of Physical Distribution and Logistics
Management, 2007, roč. 37, č. 7. s. 568–592.
[126] MOORTHY, S., Srinivasan, K. Signaling quality with a money-back guarantee: the role
of transaction costs. Marketing Science, 1995, roč. 14, č. 4. s. 442–466.
[127] MUNCY J. A., Vitell, S.C. Consumer ethics: An investigation of the ethical beliefs of
the final consumer. Journal of Business Research, 1992, roč. 24, č. 4. s. 297-311.
[128] NACHTIGALL, C., Kröhne, U., Funke, F., Steyer, R. (Why) Should We Use SEM?
Pros and Cons of Structural Equation Modeling. MPR-Online [online]. 2003 [cit. 2010-
01-02]. Dostupný na WWW: < http://www.dgps.de/fachgruppen/methoden/mpronline/issue20/art1/mpr127_11.pdf
>.
[129] NAMKUNG, Y., Jang, S. S., Choi, S. K. Customer complaints in restaurants: Do they
differ by service stages and loyalty levels?. International Journal of Hospitality
147
Management [online]. 2010 [cit. 2010-04-04]. Dostupný na WWW: <
http://www.ncbi.nlm.nih.gov/sites/entrez?cmd=search&db=pubmed&term=Namkung%
20Y[au]&dispmax=50 >.
[130] OLIVEIRA, P. M. S., Munita, C. S., Hazenfratz, R. Comparative study between three
methods of outlying detection on experimental results. Journal of Radioanalytical and
Nuclear Chemistry, 2010, roč. 82, č. 2. s. 433-437.
[131] OLIVER, R. L. Customer Satisfaction. In Wiley International Encyclopedia of
Marketing. 1. vyd. Texas: Wiley, 2010, sv. 1.
[132] OLIVER, R. L. Satisfaction: A Behavioral Perspective on the Consumer. 2. vyd. New
York: Armonk, 2010. ISBN 978-0765617705.
[133] OLIVER, R. L. Whence consumer loyalty? Journal of Marketing, 1999, roč. 63, č. 10. s.
33-44.
[134] OLSON, J., Zaltman, G. Thinking Deeper about Customer Experience. In Wiley
International Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.
[135] ORME, B. Getting started with conjoint analysis: Strategies for product design and
pricing research. 2. vyd. Madison: Research Publishers LLC, 2010. ISBN 978-
0972729772.
[136] OSBORNE, J. Notes on the use of data transformations. Practical Assessment. Research
& Evaluation [on-line]. 2010 [cit. 2011-04-04]. Dostupný na WWW:
<http://PAREonline.net/getvn.asp?v=8&n=6 >.
[137] PADMANABHAN, V., Returns Policies: Make Money by Making Good. MIT Sloan
Management Review, 1995, roč. 37, č. 1. s. 65.
[138] PETERSEN, J., Andrew, A., Kumar, V. Are Product Returns a Necessary Evil?
Antecedents and Consequences. Journal of Marketing, 2009, roč. 73, č. 3. s. 35-51.
[139] PIRON, F., YOUNG, M. Retail borrowing: insights and implications on returning used
merchandise. International Journal of Retail & Distribution Management, 2000, roč. 28,
č. 1. s. 27.
[140] POSSELT, T., Gerstner, E., Radic, D. Rating e-Tailer's Money-Back Guarantees.
Journal of Service Research, 2008, roč. 10, č. 3. s. 207-219.
[141] POSSELT, T., Radić, D., Tammen, D. Produktrückgaben und Preise im Versandhandel:
Ein internationaler Vergleich. Zeitschrift für Betriebswirtschaft, 2010, roč. 80, č. 7-8. s.
841-867.
[142] POSTON, R., Royne, M. B. Rating Scheme Bias: Using Ratings in E-Commerce.
Journal of Organizational and End User Computing, 2008, roč. 20, č. 4. s. 45-73.
[143] PRALLE, A., Stalk, G. Returns: the Ugly Ducklings of Retail. The Boston Consulting
Group’s report. [online]. 2006 [cit. 2010-03-02]. Dostupný na WWW: <
http://www.bcg.com.cn/export/sites/default/en/files/publications/articles_pdf/Returns_U
gly_Ducklings_Retail_Oct2006.pdf >.
[144] PRICE, L. J., Dawar, N. The joint effects of brands and warranties in signaling new
product quality. Journal of Economic Psychology, 2002, roč. 23, č. 2. s.165–190.
148
[145] RAMANATHAN, R. An empirical analysis on the influence of risk on relationships
between handling of product returns and customer loyalty in E-commerce. International
Journal of Production Economics, 2011, roč. 130, č. 2. s. 255-261.
[146] RANDOLPH, C. M. Attitudes - a review. In 4th Western Australian Workshop on
Information Systems Research (WAWISR 2001). 1. vyd. Perth: UWA, 2001, s. 1-11.
[147] RAO, V. R. Conjoint Analysis. In Wiley International Encyclopedia of Marketing. 1.
vyd. Texas: Wiley, 2010.
[148] RAVI, V., SHANKAR, R. Analysis of Interactions among the barriers of reverse
logistics. Technological Forecasting and Social Change, 2005, roč. 72, č. 8. s. 1011–
1029.
[149] RAYKOV, T., Marcolides, A. G. A First Course in Structural Equation Modeling, 2.
vyd. London: Lawrence Erlbaum Associates, 2006. ISBN 10: 0805855882.
[150] REIF, H. L., Dillon, T. W. Factors Affecting E-Commerce Textbook Purchases. In
Issues in Information Systems, 2001, roč. 2, s. 383-389.
[151] RENÉ B. M. K., Marisa, P., Masja, A. V. Return handling: an exploratory study with
nine retailer warehouses. International Journal of Retail & Distribution Management,
2002, roč. 30. č. 8. s. 407-421.
[152] Return fraud to cost retailers $3.7 billion this holiday season, according to NRF. 2010.
Targeted News Service 2010. [cit. 2011-22-03]. Dostupný na WWW:
<http://www.nrf.com/modules.php?name=News&op=viewlive&sp_id=1024>.
[153] REYNOLDS, K. L., Harris, L. C. When Service Failure is not Service Failure: An
Exploration of the Types and Motives of ‘Illegitimate’ Customer Complaining. Journal
of Services Marketing, 2005, roč. 19. č. 5. s. 321–335.
[154] ŘEZANKOVÁ, H. L., Vrabec, M. IASTAT: Interaktivní učebnice statistiky. [online].
2001 [cit. 2011-22-03]. Dostupný na WWW: < http://iastat.vse.cz >.
[155] ROGERS, D. S., LAMBERT, D. M., CROXTON, K. L., DASTUGUE, S. J. G. The
returns management process. International Journal of Logistics Management, 2002, roč.
13, č. 2. s. 1.
[156] ROGERS, D. S., Tibben-Lembke, R. S. Going Backwards: Reverse Logistics Trends
and Practices. Reverse Logistics Executive Council. [online]. 1999 [cit. 2011-15-03].
Dostupný na WWW: < http://www.rlec.org/reverse.pdf>.
[157] ROSENBAUM, M. S., Kuntze, R. Looking good at the retailer's expense: investigating
unethical retail disposition behavior among compulsive buyers. Journal of Retailing and
Consumer Services, 2005, roč. 12, č. 3. s. 217-225.
[158] RUBIO, S., CHAMORRO, A., MIRANDA, F. J. Characteristics of the research on
reverse-logistics. International Journal of Production Research, 2008, roč. 46, č. 4. s.
1099–1120.
[159] RUSSELL, R., Taylor, B. W. Operations Management: Quality and Competitiveness in
a Global Environment. Danvers: John Wiley & Sons, 2005. ISBN: 0471692093.
[160] SAGHAEI, A., Ghasemi, R. Using Structural Equation Modeling in Causal
Relationship Design for Balanced-Scorecards Strategic Map. World Academy of
Science, Engineering and Technology, 2009, no. 49. s. 1032-1038.
149
[161] SCHUMACKER, R., Lomax R. A beginner's guide to structural equation modeling. 2.
vyd. New Jersey: Mahwah, 2004. ISBN 1841698911.
[162] SCIARROTTA, T. How Philips reduced returns. Supply Chain Management Review.
[online]. 2003 [cit. 2011-20-03]. Dostupný na WWW:
< www.keepmedia.com/pubs/SupplyChainManagementReview/2003/11/01>.
[163] SCIARROTTA, T. How Philips reduced returns. Supply Chain Management Review,
2003, roč. 7. č. 6. s. 32.
[164] SETAPUTRA. R., Mukhopadhyay, S. K. A framework for research in reverse logistics.
International Journal of Logistics Systems and Management, 2010. roč. 7, č. 1. s. 19-
55.
[165] SHAH, R., Goldstein, S. M. Use of structural equation modeling in operations
management research: Looking back and forward. Journal of Operations Management,
2006, roč. 24, č. 2. s. 148-169.
[166] SHANKAR, V. Digital Medium and Global Marketing. In Wiley International
Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.
[167] SHOOK, C. L., Ketchen, D. J., Hult, G. T. M., Kacmar, K. M. An assessment of the use
of structural equation modeling in strategic management research. Strategic
Management Journal, 2004, roč. 25, č. 4. s. 397-404.
[168] ŠKAPA, R. Reverzní logistika v koncepci Supply Chain Managementu. 1. vyd. Brno :
Masarykova univerzita, 2004. Disertační práce. ISBN neuvedeno.
[169] ŠKAPA, R., Klapalová, A. Reverse logistics in Czech companies: increasing interest in
performance management. In RIRL 2010 The 8th International Conference on Logistics
and SCM Research. [online]. 2010 [cit. 2011-01-03]. Dostupný na WWW:
< http://www.rirl.bem.edu/telechargement/ActesColloque2010/Sustainable_SCM.pdf >.
[170] SMITH, A. D. Reverse Logistics Programs: Gauging their Effects on CRM and Online
Behavior. Very Informal Newsletter on Library Automation, 2005, roč. 35, č. 3. s. 166.
[171] SPENCER, B. J. The Point of No Return - Stores from Gap to Target Tighten Refund
Rules; a 15% `Restocking Fee'. Wall Street Journal,2002, 14.5.2002. s. 1.
[172] STOCK, J., SPEH, T., SHEAR, H. Managing Product Returns for Competitive
Advantage. MIT Sloan Management Review, 2006, roč. 48, č. 1. s. 57.
[173] STOELTING, R. Structural Equation Modeling/Path Analysis. [online]. 2002 [cit.
2011-03-15]. Dostupný na WWW:
< http://userwww.sfsu.edu/~efc/classes/biol710/path/SEMwebpage.htm >.
[174] Structural Equation Modeling using AMOS: An Introduction. University of Texas. [cit.
2010-25-08]. Dostupný na WWW:
<http://ssc.utexas.edu/images/stories/ssc/files/tutorials/AMOS_Tutorial.pdf>.
[175] SU, Q., ZHAO, L., YONG-TAO, S. and CHEN, T. Conceptualizing consumers'
perceptions of e-commerce quality. International Journal of Retail & Distribution
Management, 2008, roč. 36. č. 5. s. 360 – 374.
[176] SU, W.Y., Bowen, J. T. Restaurant customer complaint behavior. J. Restaurant
Foodserv. Mark, 2000, roč. 4, č. 2. s. 35–65.
150
[177] SUDMAN, S., BLAIR, E. Marketing Research. Boston: McGraw Hill, 2006. ISBN
0072830875.
[178] SWINYARD, W. R., The effects of salesperson mood, shopper behavior, and store type
on customer service. Journal of Retailing and Consumer Services, 2003, roč. 10, č. 6. s.
323-333.
[179] TABACHNICK, B. G., Fidell, L. S. Using multivariate statistics. 5. vyd. New York:
Allyn & Bacon, 2006. ISBN 10-0205459382.
[180] TAX, S. S., Brown, S. W. Recovering and Learning from Service Failure. Sloan
Management Review, 1998, roč. 40, č. 3. s. 75-89.
[181] TAX, S. S., Brown, S. W., Chandrashekaran, M. Customer evaluations of experiences:
implications for relationship marketing, Journal of Marketing, 1998, roč. 62, č. 2. s. 60-
76.
[182] TEICHERT, T., Shehu, E. Diskussion der Conjointanalyse in der Forschung. In Baier,
D., Brusch, M. (eds.). Conjointanalyse, Methoden - Anwendungen – Praxisbeispiele.
Berlin: Springer, 2009, s. 19-39. ISBN 3642007538.
[183] TEO, T. S. H., Wang, P., Leong, C. H. Understanding online shopping behaviour using
a transaction cost economics approach. International Journal of Internet Marketing and
Advertising, 2004, roč. 1, č. 1. s. 62-84.
[184] THØGERSEN, J., Juhl, H. J., Poulsen, C. S. Complaining: A function of attitude,
personality, and situation. Psychology and Marketing, 2009, roč. 26, č. 8. s. 760–777.
[185] THOMAS, M. U., Rao, S. S. Warranty Economic Decision Models: a Summary and
Some Suggested Directions for Future Research. Operations Research, 1999, roč. 47, č.
6. s. 807-820.
[186] TVRDÍK, J. Analýza vícerozměrných dat. Ostravská univerzita - Doktorské studium.
[online]. 2003 [cit. 2010-25-08]. Dostupný na WWW:
< http://prf.osu.cz/doktorske_studium/dokumenty/Multivariable_Data_Analysis.pdf.>.
[187] URBAN, J. Metoda podmíněného hodnocení z hlediska teorie plánovaného chování:
příspěvek sociální psychologie k porozumění mechanismu CVM. In Melichar, J.,
Honigová, J. (eds.) Oceňování životního prostředí. Praha: Centrum pro otázky životního
prostředí UK. 2006.
[188] VALENZUELA, F., Pearson, D., Epworth, R., Llanos, O., Vilches, S. Consumer
Complaining Behavior: The Case of a South American Country, Chile. Contemporary
Management Research, 2005, roč. 1, č. 1. s. 3-12.
[189] VOORHEES, C. M., Brady, M. K. A service perspective on the drivers of complaint
intentions. Journal of Service Research : JSR, 2005, roč. 8, č. 2. s. 192.
[190] VOORHEES, C. M., Brady, M. K., Horowitz, D. M. A voice from the silent masses: An
exploratory and comparative analysis of noncomplainers. Academy of Marketing
Science Journal, 2006, roč. 34, č. 4. s. 514.
[191] VRIENS, M., Wedel, M., Wilms, T. Metric conjoint segmentation methods: A Monte
Carlo comparison. Journal of Marketing Research, 1996, roč. 33, č. 1, s. 73-85.
[192] WALLENBURG, C. M., Weber, J. Structural Equation Modelling as a Basis for Theory
Development within Logistics and Supply Chain Management Research. In Kotzab, H.,
151
Seuring , S., Muller, M., Reiner, G. (eds.). Research Methodologies in Supply Chain
Management. Heidelberg: Physica, 2005, s. 171-186.
[193] WANG, X. Retail Return Policy, Endowment Effect, and Consumption Propensity: An
Experimental Study. Topics in Economic Analysis & Policy, 2009, roč. 9, č. 1. s. 8.
[194] WATERNAUX, C. M. Asymptotic Distribution of the Sample Roots for a Nonnormal
Population. Biometrika,1976, roč. 63, č. 3. s. 639-645.
[195] WAYMOND, R., Guiral, A. Potential model misspecification bias: Formative
indicators enhancing theory for accounting researchers. The International Journal of
Accounting, 2011, roč. 46, č. 1. s. 25-50.
[196] WILSON, M. Focus on: Preventing return fraud. Chain Store Age, 2010, roč. 86, č. 6, s.
38. [cit. 2010-25-08]. Dostupný na WWW:
< http://search.proquest.com/docview/751018276?accountid=16531 >.
[197] WIRTZ, J., Kum, D. The Power of Service Guarantees. In The Current State of
Business Disciplines, S. B. Dahia, ed. Rothak: Spellbound Publications, 2000, s. 2763-
2781
[198] WIRTZ, J., MCCOLL-KENNEDY, J. R. Opportunistic Customer Claiming During
Service Recovery. Journal of the Academy of Marketing Science, 2010, roč. 38, č. 5,
654-675. ISSN: 0092-0703.
[199] WITTINK, D. R., VRIENS, M., BURHENNE, W. Commercial use of conjoint analysis
in Europe: Results and critical reflections. Internat. J. Res. Marketing, 1994, roč. 11, s.
41-52.
[200] WOOD, S. L. Remote Purchase Environments: The Influence of Return Policy
Leniency on Two-Stage Decision Processes. Journal of Marketing Research, 2001, roč.
38, č. 2. s. 157,
[201] YEN, C.-H., LU, H.-P. Effects of e-service quality on loyalty intention: an empirical
study in online auction. Managing Service Quality,2008, roč. 18, č. 2, s. 127 – 146.
[202] YU, C. H. Causation in quantitative research methodologies from path modeling, SEM
to TETRAD. Theory and Science, 2007. 9 [cit. 2010-25-08]. Dostupný na WWW:
< http://theoryandscience.icaap.org/content/vol9.3/chong.html>.
[203] ZEITHAML, V. A., BITNER, M. J., GREMLER, D. D. Services Marketing Strategy.
Wiley International Encyclopedia of Marketing. 2010.
[204] ZEITHAML, V.A., PARASURAMAN, A., MALHOTRA, A. E-S-QUAL: a multi-item
scale for assessing electronic service quality. Journal of Service, 2005, roč. 7, č. 3, s.
213-33.
[205] ZHU, F, & ZHANG, X. Impact of Online Consumer Reviews on Sales: The Moderating
Role of Product and Consumer Characteristics. Journal of Marketing, 2010, roč. 74, č.
2, s. 133-148.
152
SEZNAM TABULEK
Tabulka č. 1: Actual Reasons for Returns Percentage (%) (n=39)........................................................................ 13
Tabulka č. 2: Rámec pro reklamační politiku výrobce ve vztahu k obchodníkům................................................ 15
Tabulka č. 3: Tři pojetí reverzní logistiky............................................................................................................. 17
Tabulka č. 4: Míra návratnosti zboží v jednotlivých oborech (USA).................................................................... 18
Tabulka č. 5: Průzkum o zpracování vrácených výrobků mezi obchodníky (n=39) ............................................. 20
Tabulka č. 6: Interní bariéry RL (n=102) .............................................................................................................. 21
Tabulka č. 7: Externí bariéry RL (n=45)............................................................................................................... 22
Tabulka č. 8: Průměrné hodnoty jednotlivých faktorů.......................................................................................... 23
Tabulka č. 9: Reakce zákazníků (s orientací na sebe a skupinu) na nespokojenost (n=188)................................. 39
Tabulka č. 10: Vztah garancí a nákladů ................................................................................................................ 42
Tabulka č. 11: Nejčastější problémy při internetovém nakupování ...................................................................... 46
Tabulka č. 12: Statistika zneužívaní reklamací v USA ......................................................................................... 50
Tabulka č. 13: Podíly vracených výrobků podle kategorií v USA v roce 2007 .................................................... 54
Tabulka č. 14: Transformační řebřík..................................................................................................................... 65
Tabulka č. 15: Deset nejodlehlejších případů podle Mahal. vzdálenosti a shlukové analýzy ............................... 71
Tabulka č. 16: Množství chybějících dat............................................................................................................... 72
Tabulka č. 17: Deset nejčastějších témat aplikace CA (do roku 2006) ................................................................. 77
Tabulka č. 18: Metody používané při zkoumání hodnoty zákazníka .................................................................... 78
Tabulka č. 19: Výhody a nevýhody tradiční conjoint analýzy .............................................................................. 79
Tabulka č. 20: Charakteristika atributů experimentu ............................................................................................ 85
Tabulka č. 21: Zápis ve skriptovacím jazyku SPSS pro vygenerování ortogonálního pole .................................. 85
Tabulka č. 22: Počty tzv. „reversals“ .................................................................................................................... 89
Tabulka č. 23: Zápis modelu ve skriptovacím jazyku SPSS pro výpočet užitků................................................... 90
Tabulka č. 24: Pořadí jednotlivých profilů............................................................................................................ 90
Tabulka č. 25: Pořadí profilů podle váženého průměru ........................................................................................ 91
Tabulka č. 26: Profily nejvíce a nejméně žádných produktů................................................................................. 91
Tabulka č. 27: Užitky spojené s jednotlivými atributy.......................................................................................... 92
Tabulka č. 28: Užitek spojený s nejlepším a nejméně žádaným profilem............................................................. 93
Tabulka č. 29: Základní ukazatele statistické spolehlivosti................................................................................... 94
Tabulka č. 30: Statistická spolehlivost hodnocení jednotlivých profilů................................................................ 94
Tabulka č. 31: Variabilita hodnocení jednolitých faktorů..................................................................................... 95
Tabulka č. 32: Velikosti tří klastrů........................................................................................................................ 96
Tabulka č. 33: Důležitost atributů pro jednotlivé shluky ...................................................................................... 97
Tabulka č. 34: Doporučení pro výběr formativního a reflektivního měření........................................................ 103
Tabulka č. 35: Použitý software v publikovaných vědeckých článcích .............................................................. 104
Tabulka č. 36:Doporučené hodnoty indikátorů kvality modelu .......................................................................... 112
Tabulka č. 37: Použité proměnné pro negativní šeptandu................................................................................... 114
Tabulka č. 38: Četnosti šíření negativních a pozitivních informací .................................................................... 115
Tabulka č. 39: Odhady parametrů modelu negativní šeptandy ........................................................................... 116
Tabulka č. 40: Odhady parametrů modelu pozitivní šeptandy............................................................................ 116
Tabulka č. 41: Použité proměnné pro negativní šeptandu................................................................................... 119
Tabulka č. 42: Četnosti pokusů o zneužití reklamace ......................................................................................... 120
Tabulka č. 43: Odhady parametrů modelu .......................................................................................................... 121
Tabulka č. 44: Použité proměnné v modelu ........................................................................................................ 124
Tabulka č. 45: Standardizované regresní koeficienty modelu měření................................................................. 125
Tabulka č. 46: Ukazatelé kvality konstrukce latentních proměnných................................................................. 126
Tabulka č. 47: Odhady parametrů modelu .......................................................................................................... 127
Tabulka č. 48 Použité proměnné v modelu ......................................................................................................... 130
Tabulka č. 49: Standardizované regresní koeficienty modelu měření................................................................. 132
Tabulka č. 50: Ukazatelé kvality konstrukce latentních proměnných................................................................. 132
Tabulka č. 51: Odhady parametrů modelu .......................................................................................................... 134
153
SEZNAM OBRÁZKŮ
Obrázek č. 1: Pravděpodobnost opětovného nákupu ve vztahu k snadnosti uplatnění reklamace.........................14 
Obrázek č. 2: Způsob autorizace reklamací...........................................................................................................19 
Obrázek č. 3: Reklamační politika.........................................................................................................................22 
Obrázek č. 4: Faktory nákupního rozhodování – krabičkový graf.........................................................................23 
Obrázek č. 5: Stávající či plánovaný outsourcing aktivit v rámci reklamací .........................................................24 
Obrázek č. 6: Přínosy zlepšování procesu zpracování reklamací ..........................................................................25 
Obrázek č. 7: Vztah prodeje výrobků a poskytování služeb..................................................................................28 
Obrázek č. 8: Model zákaznického servisu............................................................................................................30 
Obrázek č. 9: Kanův model ...................................................................................................................................32 
Obrázek č. 10: GAP model kvality služeb.............................................................................................................33 
Obrázek č. 11: Nutnost identifikace zákazníka při reklamaci................................................................................54 
Obrázek č. 12: Model teorie plánovaného chování................................................................................................56 
Obrázek č. 13: Ovlivnění postojů sociální normou................................................................................................57 
Obrázek č. 14: Testování TPB nepřímou cestou....................................................................................................58 
Obrázek č. 15: Vztah mezi populací a výzkumným vzorkem................................................................................61 
Obrázek č. 16: Vztah mezi reliabilitou a validitou ................................................................................................62 
Obrázek č. 17: Doporučený postup pro transformace proměnných.......................................................................65 
Obrázek č. 18: Dotazník pro orientační průzkum..................................................................................................67 
Obrázek č. 19: Průvodní text dotazníku a instrukce ..............................................................................................69 
Obrázek č. 20: Vzdálenosti mezi případy..............................................................................................................71 
Obrázek č. 21: Respondenti z hlediska věku a finanční situace.............................................................................73 
Obrázek č. 22: Výhody conjointní analýzy............................................................................................................78 
Obrázek č. 23: Vztahy atributů k užitku ................................................................................................................82 
Obrázek č. 24: Příklady výpočtu důležitosti atributů.............................................................................................83 
Obrázek č. 25: Použitý dotazník a instrukce k němu.............................................................................................87 
Obrázek č. 26: Profily hodnocených produktů ......................................................................................................88 
Obrázek č. 27: Respondenti z hlediska věku a finanční situace.............................................................................90 
Obrázek č. 28: Pořadí jednotlivých profilů............................................................................................................91 
Obrázek č. 29: Relativní důležitost atributů...........................................................................................................93 
Obrázek č. 30: Variabilita hodnocení jednolitých faktorů.....................................................................................95 
Obrázek č. 31: Dendogram shlukové analýzy........................................................................................................96 
Obrázek č. 32: Důležitost atributů v procentech pro jednotlivé shluky .................................................................97 
Obrázek č. 33: Vztah mezi modelem měření a strukturním modelem v rámci SEM...........................................100 
Obrázek č. 34: latentních proměnných s existující souvislostí ............................................................................101 
Obrázek č. 35: Příklad formativních a reflektivních indikátorů...........................................................................103 
Obrázek č. 36: Porovnání vícenásobné regrese a pěšinkové analýzy. .................................................................106 
Obrázek č. 37: Příklad CFA.................................................................................................................................107 
Obrázek č. 38: Ilustrace PA, CFA a SEM............................................................................................................108 
Obrázek č. 39: Doporučený postup aplikace SEM ..............................................................................................111 
Obrázek č. 40: Testované modely šeptandy.........................................................................................................114 
Obrázek č. 41: Intenzita šíření negativních a pozitivních informací....................................................................115 
Obrázek č. 42: Standardizované regresní koeficienty modelu negativní šeptandy..............................................116 
Obrázek č. 43: Standardizované regresní koeficienty modelu pozitivní šeptandy...............................................117 
Obrázek č. 44: Testovaný model .........................................................................................................................120 
Obrázek č. 45: Četnosti pokusů o zneužití reklamace .........................................................................................120 
Obrázek č. 46: Standardizované regresní koeficienty modelu zneužívání reklamací ..........................................121 
Obrázek č. 47: Testovaný model .........................................................................................................................123 
Obrázek č. 48: Model měření...............................................................................................................................125 
Obrázek č. 49: Standardizované regresní koeficienty modelu.............................................................................127 
Obrázek č. 50: Testovaný model .........................................................................................................................129 
Obrázek č. 51: Model měření...............................................................................................................................131 
Obrázek č. 52: Standardizované regresní koeficienty modelu.............................................................................136 
154
SEZNAM POUŽITÝCH ZKRATEK
B2B – Business to Business
B2C – Business to Customer
CA – Conjoint analysis
CFA – Confirmatory factor analysis
PA – Path analysis
PBC – Perceived behavior control
SEM – Structural equation modeling
SN – Subjective norm
TAM – Technology acceptance model
TPB – Theory of planned behavior
TRA – Theory of reasoned action
155
PŘÍLOHA Č. 1 – DOTAZNÍK
Vážená kolegyně, vážený kolego,
prosím o vyplnění následujícího dotazníku pro výzkum, který analyzuje pohledy zákazníků na reklamace
výrobků. Vzhledem k tomu, že Vám vyplnění dotazníku zabere téměř 20 minut, jako alespoň částečnou náhradu
vynaloženého úsilí Vám nabízím možnost zapojit se do losování o 5 krát 500 Kč (předpokládaný počet
respondentů je cca 250). Podmínky jsou následující:
1) uvedení emailové adresy (na konci dotazníku), na které Vás v případě výhry kontaktuji
2) zodpovězení všech otázek, a to pravdivě (dotazník obsahuje otázky testující logickou provázanost
odpovědí).
Instrukce k vyplnění dotazníku:
Otázky čtěte a vyplňujte v pořadí, v jakém jsou uvedeny za sebou.
U některých otázek budete mít dojem, že jejich zodpovězení záleží na
okolnostech a dalších faktorech. V takovém případě se pokuste uvést Váš
obecný názor či zkušenost.
Reklamací se v dotazníku rozumí:
1) jednak zákonný nárok (tj. výrobek nesplňuje vlastnosti uvedené prodejcem v zákonné
záruční lhůtě, popř. jde o vrácení do 14 dnů bez udání důvodu, byl-li koupen „na dálku“ tedy např. přes internet)
2) a současně také možnost vrátit nepoškozený výrobek zpět do určité lhůty, není-li s ním spotřebitel spokojen. Jde
tedy o dobrovolnou možnost nad rámec zákona, kterou nabízejí někteří obchodníci.
Děkuji za Vaši pomoc.
Ing. Radoslav Škapa, Ph.D.
Zodpovězte prosím všechny následující otázky!
Prosím označte (křížkem, kroužkem, či zatržením u příslušného čísla 1-7) nejvhodnější odpověď na
následujících škálách.
Během posledních tři let jsem reklamoval(a) zakoupené
výrobky:
Anijednou
1krát
2krát
3-4krát
5-6krát
7-9krát
Víckrát
Náhrada (finanční a nefinanční), kterou člověk získá
reklamací, je obvykle:
Nízká 1 2 3 4 5 6 7 Vysoká
Kompenzace za reklamovaný produkt, kterou člověk získá od
obchodníka, je:
Férová 1 2 3 4 5 6 7 Neférová
Stalo se, že jste přestal nakupovat u obchodníka, který
nevyřešil Vaši reklamaci k Vaší spokojenosti?
Nikdy 1 2 3 4 5 6 7 Vždy
Přestanete nakupovat v obchodě, kde se k Vám při reklamaci
nezachovali spravedlivě?
Určitě
nepřestanu
1 2 3 4 5 6 7
Určitě
přestanu
Pozitivní zkušenosti s reklamací v konkrétním obchodě jsem
sdělil(a) svému okolí Nikdy 1 2 3 4 5 6 7 Vždy
Negativní zkušenosti s reklamací v konkrétním obchodě jsem
sdělil(a) svému okolí
Nikdy 1 2 3 4 5 6 7 Vždy
Pokusil(a) jste se uplatnit reklamaci, i když jste věděl, že je
neoprávněná?
Anijednou
1krát
2krát
3-4krát
5-6krát
7-9krát
Víckrát
156
Prosím, vyberte nejvhodnější odpověď podle následující stupnice hodnocení:
-3 = Zcela nesouhlasím; -2 = V podstatě nesouhlasím; -1 = Částečně nesouhlasím; 0 = Ani souhlas ani
nesouhlas; 1 = Částečně souhlasím; 2 = V podstatě souhlasím; 3 = Zcela souhlasím.
Mám bohaté zkušenosti s reklamováním výrobků.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Nutnost odvozu výrobku zpět obchodníkovi mě od
reklamace odrazuje.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Reklamuji výrobky, se kterými jsem nespokojen(á),
méně často než většina lidí, které znám.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Budu-li nespokojený(á) se zakoupeným výrobkem,
půjdu jej reklamovat.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Mí blízcí by určitě reklamovali výrobek, se kterým by
byli nespokojeni.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Nebude-li výrobek fungovat tak jak má, budu jej
reklamovat.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Považuji za dobré říct svým známým o pozitivních
zkušenostech s reklamacemi v konkrétních obchodech.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Vrátit používaný, ale již nepotřebný výrobek zpět
obchodníkovi pod záminkou reklamace, je obtížné.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Nebudu-li dále potřebovat výrobek, který stále vypadá
jako nový, pokusím se jej vrátit obchodníkovi jako
reklamaci.
Zásadně
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Mám právo vrátit a reklamovat funkční výrobek,
ačkoliv jsem jej používal.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Obchodníci reklamace záměrně protahují.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Reklamací člověk nezíská takovou náhradu, jakou by
si zasloužil.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
I při reklamacích obchodníci působí, jako by měli o
reklamujícího zákazníka zájem.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Vyřízení reklamací trvá neúměrně dlouho.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Považuji za dobré říct svým známým o negativních
zkušenostech s reklamacemi v konkrétních obchodech.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Pozitivní zkušenost s reklamací u
konkrétního obchodníka sdělím svým známým a
blízkým.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Zabalit zpět reklamovaný výrobek a doručit jej
obchodníkovi není složité. (nesouhlasím – souhlasím)
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
K zákazníkům, kteří reklamují výrobky, se obchodníci
chovají zdvořile.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Pokud by mí přátelé pokazili výrobek, nesnažili by se
získat za něj peníze zpět pod záminkou reklamace.
Zcela
nesouhlasím -3 -2 -1 0 1 2 3
Zcela
souhlasím
Obchodníci si nedovolí chovat se hrubě k zákazníkům,
kteří uplatňují reklamaci.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Mí přátelé mě informují o pozitivních zkušenostech
s reklamacemi, které učinili v konkrétních obchodech.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Je snadné informovat své známé o zkušenostech
s reklamacemi.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Složitý postup reklamací mě odrazuje.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Varuji své přátele před obchodníkem, který nevyřídil
reklamaci k mé spokojenosti.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
157
Prosím, vyberte nejvhodnější odpověď podle následující stupnice hodnocení:
-3 = Zcela nesouhlasím; -2 = V podstatě nesouhlasím; -1 = Částečně nesouhlasím; 0 = Ani souhlas ani
nesouhlas; 1 = Částečně souhlasím; 2 = V podstatě souhlasím; 3 = Zcela souhlasím.
Přátelé považují za správné ozvat se a reklamovat
vadný výrobek
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Mí přátelé mě informují o negativních zkušenostech
s reklamacemi, které učinili v konkrétních obchodech.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
V předcházejících otázkách jsem se Vás ptal mj. na Vaše budoucí chování. Mnoho výzkumů ale potvrdilo, že
existuje významný rozdíl mezi zamýšleným a skutečným chováním, protože lidé nezohlední všechny souvislosti,
když o svém budoucím chování přemýšlí. Odborně se tomu říká hypotetická chyba. Prosím zamyslete se znovu
nad následujícími otázkami a pokuste se představit si nejrůznější okolnosti a faktory, které mohou ovlivnit Vaše
rozhodnutí reklamovat výrobek. Teprve po té na následující otázky odpovězte. (Předchozí odpovědi již
samozřejmě neměňte.)
Budu-li nespokojený(á) se zakoupeným výrobkem,
půjdu jej reklamovat.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Nebude-li výrobek fungovat tak jak má, budu jej
reklamovat.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Pokusím se vrátit obchodníkovi zpět takový výrobek,
který mi nebude vyhovovat.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Nebudu-li dále potřebovat výrobek, který stále
vypadá jako nový, pokusím se jej vrátit obchodníkovi
jako reklamaci.
Zcela
nesouhlasím
-3 -2 -1 0 1 2 3
Zcela
souhlasím
Identifikační údaje:
Jsem:  muž  žena
Můj věk: ______
Jaká je Vaše státní příslušnost? 1. Česká republika 2. Slovenská republika 3. Jiná:______________________
Svou finanční situaci v porovnání s okolím hodnotím
jako
Výrazně špatnou -3 -2 -1 0 1 2 3
Výrazně
dobrou
Kontaktní emailová adresa:__________________________________
(Dobrovolný údaj. Vyplňte, pokud se chcete zúčastnit slosování o finanční odměnu.)
Zkontrolujte prosím, zda jste nezapomněli odpovědět na některou z otázek. Je to velmi důležité pro to, aby
dotazník mohl být statisticky vyhodnocen. Děkuji ještě jednou za Vás čas. V případě dotazů mě můžete
kontaktovat na emailové adrese: skapa@econ.muni.cz
Prostor pro Váš komentář k jednotlivým otázkám či celému dotazníku:
158
PŘÍLOHA Č. 2 – VÝSLEDKY MODELŮ „ŠEPTANDY“
Model negativní šeptandy
Variable counts (Group number 1)
Number of variables in your model: 7
Number of observed variables: 5
Number of unobserved variables: 2
Number of exogenous variables: 5
Number of endogenous variables: 2
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 2 0 0 0 0 2
Labeled 0 0 0 0 0 0
Unlabeled 5 3 5 3 2 18
Total 7 3 5 3 2 20
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 20
Number of distinct parameters to be estimated: 18
Degrees of freedom (20 - 18): 2
Result (Default model)
Minimum was achieved
Chi-square = 5,440
Degrees of freedom = 2
Probability level = ,066
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k4 <--- k9 ,156 ,057 2,734 ,006
k4 <--- k10 ,108 ,055 1,956 ,051
k4 <--- k7 ,673 ,066 10,129 ***
k1 <--- k4 ,404 ,075 5,416 ***
k1 <--- k10 ,020 ,084 ,237 ,812
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
k4 <--- k9 ,155
k4 <--- k10 ,096
k4 <--- k7 ,565
k1 <--- k4 ,345
k1 <--- k10 ,015
Means: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k7 5,855 ,072 81,854 ***
k9 5,041 ,085 59,334 ***
k10 5,714 ,076 75,502 ***
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
159
Estimate S.E. C.R. P Label
k4 ,340 ,392 ,868 ,385
k1 3,297 ,542 6,079 ***
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k9 <--> k7 ,807 ,108 7,499 ***
k10 <--> k7 ,365 ,087 4,191 ***
k9 <--> k10 ,510 ,105 4,859 ***
Correlations: (Group number 1 - Default model)
Estimate
k9 <--> k7 ,553
k10 <--> k7 ,281
k9 <--> k10 ,330
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k9 1,733 ,158 10,954 ***
k10 1,374 ,125 10,954 ***
k7 1,228 ,112 10,954 ***
er1 ,889 ,081 10,954 ***
er2 2,099 ,192 10,932 ***
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
k4 ,490
k1 ,122
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 18 5,440 2 ,066 2,720
Saturated model 20 ,000 0
Independence model 5 317,338 15 ,000 21,156
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,983 ,871 ,989 ,915 ,989
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,133 ,131 ,132
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 3,440 ,000 14,497
Saturated model ,000 ,000 ,000
160
Model NCP LO 90 HI 90
Independence model 302,338 248,099 364,009
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,023 ,014 ,000 ,060
Saturated model ,000 ,000 ,000 ,000
Independence model 1,322 1,260 1,034 1,517
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,085 ,000 ,174 ,182
Independence model ,290 ,263 ,318 ,000
AIC
Model AIC BCC BIC CAIC
Default model 41,440 42,363
Saturated model 40,000 41,026
Independence model 327,338 327,595
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,173 ,158 ,219 ,177
Saturated model ,167 ,167 ,167 ,171
Independence model 1,364 1,138 1,621 1,365
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 265 407
Independence model 19 24
Execution time summary
Minimization: ,020
Miscellaneous: ,100
Bootstrap: ,000
Total: ,120
Model pozitivní šeptandy
Variable counts (Group number 1)
Number of variables in your model: 7
Number of observed variables: 5
Number of unobserved variables: 2
Number of exogenous variables: 5
Number of endogenous variables: 2
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 2 0 0 0 0 2
Labeled 0 0 0 0 0 0
Unlabeled 5 3 5 3 2 18
Total 7 3 5 3 2 20
161
Models
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 20
Number of distinct parameters to be estimated: 18
Degrees of freedom (20 - 18): 2
Result (Default model)
Minimum was achieved
Chi-square = 12,297
Degrees of freedom = 2
Probability level = ,002
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k5 <--- k8 ,307 ,040 7,703 ***
k5 <--- k10 -,005 ,044 -,113 ,910
k5 <--- k6 ,570 ,048 11,810 ***
k2 <--- k5 ,765 ,072 10,566 ***
k2 <--- k10 -,028 ,076 -,372 ,710
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
k5 <--- k8 ,357
k5 <--- k10 -,005
k5 <--- k6 ,552
k2 <--- k5 ,582
k2 <--- k10 -,021
Means: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k6 5,672 ,077 73,647 ***
k8 4,846 ,093 52,372 ***
k10 5,714 ,076 75,502 ***
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k5 ,959 ,288 3,328 ***
k2 ,830 ,512 1,619 ,105
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
k8 <--> k6 ,900 ,125 7,213 ***
k10 <--> k6 ,458 ,095 4,821 ***
k8 <--> k10 ,512 ,113 4,515 ***
Correlations: (Group number 1 - Default model)
Estimate
k8 <--> k6 ,526
k10 <--> k6 ,327
k8 <--> k10 ,305
Variances: (Group number 1 - Default model)
162
Estimate S.E. C.R. P Label
k8 2,055 ,188 10,954 ***
k10 1,374 ,125 10,954 ***
k6 1,424 ,130 10,954 ***
er1 ,552 ,050 10,954 ***
er2 1,749 ,160 10,932 ***
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
k5 ,637
k2 ,333
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 18 12,297 2 ,002 6,149
Saturated model 20 ,000 0
Independence model 5 464,092 15 ,000 30,939
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,974 ,801 ,978 ,828 ,977
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,133 ,130 ,130
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 10,297 2,733 25,321
Saturated model ,000 ,000 ,000
Independence model 449,092 382,463 523,138
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,051 ,043 ,011 ,106
Saturated model ,000 ,000 ,000 ,000
Independence model 1,934 1,871 1,594 2,180
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,146 ,075 ,230 ,015
Independence model ,353 ,326 ,381 ,000
AIC
Model AIC BCC BIC CAIC
Default model 48,297 49,220
163
Model AIC BCC BIC CAIC
Saturated model 40,000 41,026
Independence model 474,092 474,348
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,201 ,170 ,264 ,205
Saturated model ,167 ,167 ,167 ,171
Independence model 1,975 1,698 2,284 1,976
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 117 180
Independence model 13 16
Execution time summary
Minimization: ,020
Miscellaneous: ,070
Bootstrap: ,000
Total: ,090
164
PŘÍLOHA Č. 3 – VÝSLEDKY MODELU ZNEUŽÍVÁNÍ
REKLAMACÍ
Variable counts (Group number 1)
Number of variables in your model: 7
Number of observed variables: 5
Number of unobserved variables: 2
Number of exogenous variables: 5
Number of endogenous variables: 2
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 2 0 0 0 0 2
Labeled 0 0 0 0 0 0
Unlabeled 5 3 5 3 2 18
Total 7 3 5 3 2 20
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 20
Number of distinct parameters to be estimated: 18
Degrees of freedom (20 - 18): 2
Result (Default model)
Minimum was achieved
Chi-square = 2,314
Degrees of freedom = 2
Probability level = ,314
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
B4 <--- L5 ,056 ,008 6,906 ***
B4 <--- C6 ,100 ,044 2,291 ,022
B4 <--- L4 -,020 ,009 -2,291 ,022
L1 <--- B4 ,287 ,052 5,493 ***
L1 <--- L5 ,009 ,007 1,354 ,176
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
B4 <--- L5
B4 <--- C6
B4 <--- L4
L1 <--- B4
L1 <--- L5
Means: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
C6 3,044 ,138 22,010 ***
L5 14,764 ,745 19,824 ***
L4 23,017 ,634 36,290 ***
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
B4 1,524 ,262 5,821 ***
165
Estimate S.E. C.R. P Label
L1 ,868 ,123 7,032 ***
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
L5 <--> L4 -1,198 6,780 -,177 ,860
C6 <--> L4 -,147 1,259 -,117 ,907
L5 <--> C6 7,784 1,575 4,944 ***
Correlations: (Group number 1 - Default model)
Estimate
L5 <--> L4 -,012
C6 <--> L4 -,008
L5 <--> C6 ,369
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
L5 113,869 11,245 10,127 ***
C6 3,907 ,387 10,101 ***
L4 82,480 8,147 10,124 ***
er2 1,310 ,130 10,114 ***
er1 ,771 ,076 10,143 ***
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
B4 ,283
L1 ,203
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 18 2,314 2 ,314 1,157
Saturated model 20 ,000 0
Independence model 5 142,982 15 ,000 9,532
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,984 ,879 ,998 ,982 ,998
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,133 ,131 ,133
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model ,314 ,000 8,539
Saturated model ,000 ,000 ,000
Independence model 127,982 93,355 170,076
166
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,011 ,002 ,000 ,041
Saturated model ,000 ,000 ,000 ,000
Independence model ,694 ,621 ,453 ,826
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,028 ,000 ,144 ,482
Independence model ,204 ,174 ,235 ,000
AIC
Model AIC BCC BIC CAIC
Default model 38,314 39,394
Saturated model 40,000 41,200
Independence model 152,982 153,282
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,186 ,184 ,226 ,191
Saturated model ,194 ,194 ,194 ,200
Independence model ,743 ,575 ,947 ,744
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 534 821
Independence model 37 45
Execution time summary
Minimization: ,016
Miscellaneous: ,094
Bootstrap: ,000
Total: ,110
167
PŘÍLOHA Č. 4 – VÝSLEDKY MODELU SPRAVEDLNOSTI A
LOAJALITY
Testování modelu měření
Variable counts (Group number 1)
Number of variables in your model: 19
Number of observed variables: 8
Number of unobserved variables: 11
Number of exogenous variables: 11
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 11 0 0 0 0 11
Labeled 0 0 0 0 0 0
Unlabeled 5 3 11 0 8 27
Total 16 3 11 0 8 38
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 27
Degrees of freedom (44 - 27): 17
Result (Default model)
Minimum was achieved
Chi-square = 24,628
Degrees of freedom = 17
Probability level = ,103
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
d1w <--- Distr 1,000
d2w <--- Distr 1,043 ,137 7,601 ***
d3w <--- Distr 1,228 ,158 7,765 ***
e1w <--- Process 1,000
e3w <--- Process 1,135 ,194 5,838 ***
f1w <--- Interac 1,000
f2w <--- Interac 1,165 ,100 11,680 ***
f3w <--- Interac 1,058 ,097 10,905 ***
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
d1w <--- Distr ,690
d2w <--- Distr ,656
d3w <--- Distr ,748
e1w <--- Process ,792
e3w <--- Process ,883
f1w <--- Interac ,770
f2w <--- Interac ,856
f3w <--- Interac ,740
168
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
d1w 26,451 ,651 40,616 ***
d2w 29,321 ,715 41,019 ***
d3w 27,887 ,739 37,711 ***
e1w 34,623 ,722 47,945 ***
e3w 31,075 ,735 42,306 ***
f1w 23,505 ,633 37,159 ***
f2w 23,730 ,663 35,800 ***
f3w 23,320 ,695 33,534 ***
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Interac <--> Process -25,458 6,305 -4,038 ***
Distr <--> Process -11,147 5,315 -2,098 ,036
Interac <--> Distr 20,826 4,909 4,243 ***
Correlations: (Group number 1 - Default model)
Estimate
Interac <--> Process -,382
Distr <--> Process -,181
Interac <--> Distr ,397
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Distr 48,364 9,552 5,063 ***
Process 78,318 16,554 4,731 ***
Interac 56,844 8,778 6,476 ***
er1 53,120 7,232 7,345 ***
er2 69,610 8,690 8,010 ***
er3 57,583 9,549 6,030 ***
er4 46,572 13,414 3,472 ***
er5 28,589 16,593 1,723 ,085
er6 38,973 5,071 7,685 ***
er7 28,083 5,418 5,183 ***
er8 52,431 6,301 8,321 ***
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
f3w ,548
f2w ,733
f1w ,593
e3w ,779
e1w ,627
d3w ,559
d2w ,431
d1w ,477
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 27 24,628 17 ,103 1,449
169
Model NPAR CMIN DF P CMIN/DF
Saturated model 44 ,000 0
Independence model 8 668,405 36 ,000 18,567
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,963 ,922 ,988 ,974 ,988
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,472 ,455 ,467
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 7,628 ,000 24,971
Saturated model ,000 ,000 ,000
Independence model 632,405 552,182 720,054
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,103 ,032 ,000 ,104
Saturated model ,000 ,000 ,000 ,000
Independence model 2,785 2,635 2,301 3,000
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,043 ,000 ,078 ,582
Independence model ,271 ,253 ,289 ,000
AIC
Model AIC BCC BIC CAIC
Default model 78,628 80,731
Saturated model 88,000 91,429
Independence model 684,405 685,028
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,328 ,296 ,400 ,336
Saturated model ,367 ,367 ,367 ,381
Independence model 2,852 2,517 3,217 2,854
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 269 326
Independence model 19 22
Execution time summary
Minimization: ,016
170
Miscellaneous: ,109
Bootstrap: ,000
Total: ,125
Testování strukturního modelu
Variable counts (Group number 1)
Number of variables in your model: 23
Number of observed variables: 10
Number of unobserved variables: 13
Number of exogenous variables: 13
Number of endogenous variables: 10
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 13 0 0 0 0 13
Labeled 0 0 0 0 0 0
Unlabeled 9 3 13 0 10 35
Total 22 3 13 0 10 48
Models
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 65
Number of distinct parameters to be estimated: 35
Degrees of freedom (65 - 35): 30
Result (Default model)
Minimum was achieved
Chi-square = 44,225
Degrees of freedom = 30
Probability level = ,046
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
j3 <--- Process ,033 ,012 2,776 ,006
j3 <--- Interac -,009 ,015 -,562 ,574
j3 <--- Distr ,042 ,016 2,560 ,010
d1w <--- Distr 1,000
d2w <--- Distr 1,027 ,134 7,676 ***
d3w <--- Distr 1,188 ,151 7,889 ***
e1w <--- Process 1,000
e3w <--- Process 1,161 ,177 6,558 ***
f1w <--- Interac 1,000
f2w <--- Interac 1,159 ,099 11,697 ***
f3w <--- Interac 1,056 ,097 10,922 ***
j1 <--- j3 ,499 ,091 5,506 ***
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
j3 <--- Process ,214
j3 <--- Interac -,048
j3 <--- Distr ,216
d1w <--- Distr ,702
d2w <--- Distr ,657
171
Estimate
d3w <--- Distr ,735
e1w <--- Process ,783
e3w <--- Process ,893
f1w <--- Interac ,772
f2w <--- Interac ,854
f3w <--- Interac ,741
j1 <--- j3 ,336
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
j3 5,622 ,088 64,018 ***
d1w 26,450 ,651 40,615 ***
d2w 29,321 ,715 41,019 ***
d3w 27,891 ,739 37,718 ***
e1w 34,621 ,722 47,935 ***
e3w 31,075 ,735 42,306 ***
f1w 23,504 ,633 37,158 ***
f2w 23,730 ,663 35,798 ***
f3w 23,320 ,695 33,534 ***
j1 1,842 ,524 3,515 ***
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Distr <--> Process -11,172 5,300 -2,108 ,035
Interac <--> Process -25,104 6,136 -4,091 ***
Interac <--> Distr 21,321 4,987 4,276 ***
Correlations: (Group number 1 - Default model)
Estimate
Distr <--> Process -,181
Interac <--> Process -,379
Interac <--> Distr ,399
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Distr 50,034 9,657 5,181 ***
Process 76,566 15,147 5,055 ***
Interac 57,162 8,796 6,498 ***
er9 1,701 ,160 10,638 ***
er1 51,450 7,169 7,177 ***
er2 69,523 8,628 8,058 ***
er3 59,964 9,336 6,423 ***
er4 48,368 11,752 4,116 ***
er5 26,198 14,881 1,761 ,078
er6 38,659 5,062 7,637 ***
er7 28,473 5,413 5,260 ***
er8 52,375 6,298 8,316 ***
er10 3,601 ,330 10,909 ***
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
172
Estimate
j3 ,077
j1 ,113
f3w ,549
f2w ,730
f1w ,597
e3w ,798
e1w ,613
d3w ,541
d2w ,431
d1w ,493
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 35 44,225 30 ,046 1,474
Saturated model 65 ,000 0
Independence model 10 731,087 55 ,000 13,292
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,940 ,889 ,980 ,961 ,979
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,545 ,512 ,534
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 14,225 ,310 36,104
Saturated model ,000 ,000 ,000
Independence model 676,087 592,507 767,104
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,184 ,059 ,001 ,150
Saturated model ,000 ,000 ,000 ,000
Independence model 3,046 2,817 2,469 3,196
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,044 ,007 ,071 ,603
Independence model ,226 ,212 ,241 ,000
AIC
Model AIC BCC BIC CAIC
Default model 114,225 117,587
Saturated model 130,000 136,245
173
Model AIC BCC BIC CAIC
Independence model 751,087 752,048
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,476 ,418 ,567 ,490
Saturated model ,542 ,542 ,542 ,568
Independence model 3,130 2,781 3,509 3,134
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 238 277
Independence model 25 28
Execution time summary
Minimization: ,015
Miscellaneous: ,110
Bootstrap: ,000
Total: ,125
174
PŘÍLOHA Č. 5 – VÝSLEDKY TESTOVÁNÍ SPRAVEDLNOSTI
A SKLONU K REKLAMACÍM
Testování modelu měření
Variable counts (Group number 1)
Number of variables in your model: 43
Number of observed variables: 18
Number of unobserved variables: 25
Number of exogenous variables: 25
Number of endogenous variables: 18
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 25 0 0 0 0 25
Labeled 0 0 0 0 0 0
Unlabeled 11 21 25 0 18 75
Total 36 21 25 0 18 100
Models
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 189
Number of distinct parameters to be estimated: 75
Degrees of freedom (189 - 75): 114
Result (Default model)
Minimum was achieved
Chi-square = 184,565
Degrees of freedom = 114
Probability level = ,000
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
d1 <--- Distr 1,000
d2r <--- Distr 1,012 ,184 5,497 ***
d3r <--- Distr 1,476 ,245 6,017 ***
f1 <--- Interac 1,000
f2 <--- Interac 1,157 ,110 10,472 ***
f3 <--- Interac 1,035 ,106 9,726 ***
g1 <--- SN 1,000
b2 <--- Intention ,644 ,088 7,342 ***
b1 <--- Intention 1,000
i1 <--- Beh_cont 1,000
a1 <--- Behavior 1,000
i3r <--- Beh_cont 1,299 ,225 5,773 ***
i4r <--- Beh_cont 1,317 ,232 5,679 ***
a4r <--- Behavior ,819 ,146 5,629 ***
a2 <--- Behavior 1,334 ,202 6,616 ***
g2 <--- SN ,288 ,111 2,598 ,009
e3 <--- Process ,971 ,112 8,663 ***
e1 <--- Process 1,000
Standardized Regression Weights: (Group number 1 - Default model)
175
Estimate
d1 <--- Distr ,559
d2r <--- Distr ,518
d3r <--- Distr ,719
f1 <--- Interac ,741
f2 <--- Interac ,823
f3 <--- Interac ,699
g1 <--- SN ,857
b2 <--- Intention ,648
b1 <--- Intention ,791
i1 <--- Beh_cont ,541
a1 <--- Behavior ,682
i3r <--- Beh_cont ,620
i4r <--- Beh_cont ,591
a4r <--- Behavior ,462
a2 <--- Behavior ,754
g2 <--- SN ,312
e3 <--- Process ,762
e1 <--- Process ,795
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
d1 4,126 ,090 45,601 ***
d2r 4,560 ,099 46,145 ***
d3r 4,375 ,104 41,999 ***
e1 5,287 ,100 53,037 ***
e3 4,760 ,101 47,181 ***
f1 3,588 ,090 39,841 ***
f2 3,610 ,094 38,471 ***
f3 3,496 ,099 35,418 ***
b1 5,238 ,091 57,308 ***
b2 6,016 ,072 83,916 ***
a1 3,446 ,090 38,177 ***
a2 3,672 ,107 34,405 ***
a4r 3,958 ,107 36,929 ***
i1 4,296 ,097 44,274 ***
i3r 3,354 ,110 30,444 ***
i4r 3,702 ,117 31,637 ***
g1 5,148 ,082 62,655 ***
g2 5,820 ,065 89,899 ***
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Process <--> Distr -,502 ,115 -4,379 ***
Distr <--> Interac ,316 ,086 3,654 ***
Distr <--> Intention ,260 ,092 2,823 ,005
Distr <--> Behavior ,093 ,073 1,286 ,198
Distr <--> Beh_cont ,307 ,085 3,603 ***
Distr <--> SN ,010 ,081 ,118 ,906
Process <--> Interac -,678 ,127 -5,333 ***
Process <--> Intention ,130 ,124 1,044 ,297
Process <--> Behavior -,001 ,103 -,009 ,993
176
Estimate S.E. C.R. P Label
Process <--> Beh_cont -,524 ,121 -4,326 ***
Process <--> SN ,081 ,118 ,685 ,493
Interac <--> Intention ,179 ,102 1,751 ,080
Interac <--> Behavior ,154 ,086 1,784 ,074
Interac <--> Beh_cont ,390 ,096 4,045 ***
Interac <--> SN -,083 ,096 -,861 ,389
Intention <--> Behavior ,408 ,109 3,739 ***
Intention <--> Beh_cont ,334 ,102 3,281 ,001
SN <--> Intention ,632 ,121 5,220 ***
Beh_cont <--> Behavior ,238 ,085 2,792 ,005
SN <--> Behavior -,188 ,095 -1,978 ,048
SN <--> Beh_cont ,029 ,087 ,332 ,740
Correlations: (Group number 1 - Default model)
Estimate
Process <--> Distr -,504
Distr <--> Interac ,377
Distr <--> Intention ,287
Distr <--> Behavior ,123
Distr <--> Beh_cont ,464
Distr <--> SN ,011
Process <--> Interac -,516
Process <--> Intention ,091
Process <--> Behavior -,001
Process <--> Beh_cont -,506
Process <--> SN ,058
Interac <--> Intention ,149
Interac <--> Behavior ,154
Interac <--> Beh_cont ,448
Interac <--> SN -,071
Intention <--> Behavior ,376
Intention <--> Beh_cont ,354
SN <--> Intention ,501
Beh_cont <--> Behavior ,301
SN <--> Behavior -,178
SN <--> Beh_cont ,031
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Distr ,635 ,165 3,847 ***
Interac 1,106 ,181 6,108 ***
SN 1,231 ,456 2,702 ,007
Intention 1,297 ,231 5,620 ***
Beh_cont ,686 ,185 3,712 ***
Behavior ,907 ,196 4,629 ***
Process 1,561 ,257 6,063 ***
er8 1,396 ,159 8,756 ***
er9 1,772 ,192 9,248 ***
er10 1,295 ,227 5,707 ***
er11 ,908 ,174 5,204 ***
er12 1,064 ,174 6,118 ***
177
Estimate S.E. C.R. P Label
er13 ,909 ,116 7,849 ***
er14 ,708 ,124 5,723 ***
er15 1,241 ,144 8,647 ***
er5 ,778 ,168 4,625 ***
er6 ,742 ,092 8,071 ***
er1 1,041 ,157 6,636 ***
er2 1,223 ,243 5,033 ***
er3 2,241 ,225 9,940 ***
e26 ,444 ,434 1,024 ,306
e28 ,942 ,092 10,276 ***
er16 1,659 ,185 8,970 ***
er18 1,856 ,238 7,805 ***
er17 2,211 ,267 8,271 ***
S
quared Multiple Correlations: (Group number 1 - Default model)
Estimate
i4r ,350
i3r ,384
i1 ,293
g2 ,098
g1 ,735
a4r ,213
a2 ,569
a1 ,466
b2 ,420
b1 ,625
f3 ,488
f2 ,677
f1 ,549
e3 ,580
e1 ,632
d3r ,517
d2r ,269
d1 ,313
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 75 184,565 114 ,000 1,619
Saturated model 189 ,000 0
Independence model 18 1137,007 171 ,000 6,649
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,838 ,757 ,931 ,890 ,927
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
178
Model PRATIO PNFI PCFI
Default model ,667 ,558 ,618
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 70,565 37,312 111,731
Saturated model ,000 ,000 ,000
Independence model 966,007 863,029 1076,456
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,741 ,283 ,150 ,449
Saturated model ,000 ,000 ,000 ,000
Independence model 4,566 3,880 3,466 4,323
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,050 ,036 ,063 ,492
Independence model ,151 ,142 ,159 ,000
AIC
Model AIC BCC BIC CAIC
Default model 334,565 346,956
Saturated model 378,000 409,226
Independence model 1173,007 1175,981
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model 1,344 1,210 1,509 1,393
Saturated model 1,518 1,518 1,518 1,643
Independence model 4,711 4,297 5,154 4,723
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 189 206
Independence model 45 48
Execution time summary
Minimization: ,075
Miscellaneous: ,094
Bootstrap: ,000
Total: ,169
Strukturální model
Variable counts (Group number 1)
Number of variables in your model: 45
Number of observed variables: 18
Number of unobserved variables: 27
Number of exogenous variables: 25
179
Number of endogenous variables: 20
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 27 0 0 0 0 27
Labeled 0 0 0 0 0 0
Unlabeled 18 10 25 0 18 71
Total 45 10 25 0 18 98
Models
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 189
Number of distinct parameters to be estimated: 71
Degrees of freedom (189 - 71): 118
Result (Default model)
Minimum was achieved
Chi-square = 203,130
Degrees of freedom = 118
Probability level = ,000
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Intention <--- Interac ,161 ,116 1,392 ,164
Intention <--- SN ,462 ,217 2,128 ,033
Intention <--- Beh_cont ,553 ,188 2,936 ,003
Intention <--- Process ,458 ,123 3,721 ***
Intention <--- Distr ,420 ,179 2,341 ,019
Behavior <--- Beh_cont ,262 ,124 2,117 ,034
Behavior <--- Intention ,204 ,082 2,482 ,013
d1 <--- Distr 1,000
d2r <--- Distr 1,012 ,184 5,509 ***
d3r <--- Distr 1,463 ,243 6,023 ***
f1 <--- Interac 1,000
f2 <--- Interac 1,157 ,110 10,470 ***
f3 <--- Interac 1,036 ,106 9,729 ***
a1 <--- Behavior 1,000
g1 <--- SN 1,000
g2 <--- SN ,277 ,131 2,113 ,035
i4r <--- Beh_cont 1,314 ,230 5,711 ***
i1 <--- Beh_cont 1,000
i3r <--- Beh_cont 1,272 ,221 5,768 ***
a4r <--- Behavior ,738 ,140 5,281 ***
a2 <--- Behavior 1,225 ,206 5,955 ***
b2 <--- Intention ,596 ,090 6,617 ***
b1 <--- Intention 1,000
e1 <--- Process 1,000
e3 <--- Process ,980 ,114 8,633 ***
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Intention <--- Interac ,142
Intention <--- SN ,439
180
Estimate
Intention <--- Beh_cont ,387
Intention <--- Process ,477
Intention <--- Distr ,282
Behavior <--- Beh_cont ,217
Behavior <--- Intention ,242
d1 <--- Distr ,561
d2r <--- Distr ,520
d3r <--- Distr ,715
f1 <--- Interac ,741
f2 <--- Interac ,822
f3 <--- Interac ,699
a1 <--- Behavior ,721
g1 <--- SN ,876
g2 <--- SN ,308
i4r <--- Beh_cont ,596
i1 <--- Beh_cont ,546
i3r <--- Beh_cont ,613
a4r <--- Behavior ,440
a2 <--- Behavior ,732
b2 <--- Intention ,629
b1 <--- Intention ,829
e1 <--- Process ,791
e3 <--- Process ,765
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
d1 4,126 ,090 45,598 ***
d2r 4,560 ,099 46,142 ***
d3r 4,375 ,104 42,002 ***
e1 5,287 ,100 53,035 ***
e3 4,760 ,101 47,181 ***
f1 3,588 ,090 39,840 ***
f2 3,610 ,094 38,472 ***
f3 3,496 ,099 35,418 ***
b1 5,237 ,091 57,269 ***
b2 6,016 ,072 83,916 ***
a1 3,449 ,090 38,235 ***
a2 3,672 ,107 34,405 ***
a4r 3,958 ,107 36,938 ***
i1 4,296 ,097 44,274 ***
i3r 3,354 ,110 30,443 ***
i4r 3,703 ,117 31,637 ***
g1 5,150 ,082 62,671 ***
g2 5,820 ,065 89,899 ***
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Distr <--> SN ,008 ,081 ,098 ,922
Process <--> Interac -,676 ,127 -5,326 ***
Interac <--> SN -,086 ,096 -,891 ,373
Distr <--> Interac ,318 ,087 3,664 ***
181
Estimate S.E. C.R. P Label
Process <--> Distr -,504 ,115 -4,389 ***
Interac <--> Beh_cont ,394 ,097 4,070 ***
Process <--> Beh_cont -,513 ,120 -4,268 ***
Distr <--> Beh_cont ,307 ,085 3,598 ***
Process <--> SN ,083 ,117 ,708 ,479
SN <--> Beh_cont ,003 ,087 ,035 ,972
Correlations: (Group number 1 - Default model)
Estimate
Distr <--> SN ,009
Process <--> Interac -,517
Interac <--> SN -,072
Distr <--> Interac ,378
Process <--> Distr -,506
Interac <--> Beh_cont ,449
Process <--> Beh_cont -,493
Distr <--> Beh_cont ,459
Process <--> SN ,059
SN <--> Beh_cont ,003
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Distr ,640 ,166 3,859 ***
Interac 1,106 ,181 6,108 ***
SN 1,286 ,588 2,187 ,029
Beh_cont ,699 ,187 3,744 ***
Process 1,546 ,257 6,025 ***
er7 ,741 ,239 3,098 ,002
er4 ,869 ,197 4,417 ***
er8 1,392 ,160 8,724 ***
er9 1,767 ,192 9,224 ***
er10 1,308 ,226 5,785 ***
er11 ,923 ,175 5,286 ***
er12 1,050 ,175 5,998 ***
er13 ,909 ,116 7,850 ***
er14 ,709 ,124 5,732 ***
er15 1,240 ,143 8,640 ***
er5 ,651 ,197 3,300 ***
er6 ,773 ,097 7,979 ***
er1 ,933 ,179 5,207 ***
er2 1,317 ,264 4,998 ***
er3 2,297 ,229 10,032 ***
e26 ,389 ,571 ,682 ,495
e28 ,945 ,095 9,912 ***
er16 1,646 ,185 8,900 ***
er17 2,193 ,268 8,191 ***
er18 1,882 ,238 7,916 ***
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Intention ,480
182
Estimate
Behavior ,142
i3r ,375
i4r ,355
i1 ,298
g2 ,095
g1 ,768
a4r ,194
a2 ,536
a1 ,520
b2 ,396
b1 ,686
f3 ,489
f2 ,676
f1 ,549
e3 ,586
e1 ,626
d3r ,512
d2r ,271
d1 ,315
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 71 203,130 118 ,000 1,721
Saturated model 189 ,000 0
Independence model 18 1137,007 171 ,000 6,649
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,821 ,741 ,916 ,872 ,912
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,690 ,567 ,629
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 85,130 49,518 128,612
Saturated model ,000 ,000 ,000
Independence model 966,007 863,029 1076,456
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,816 ,342 ,199 ,517
Saturated model ,000 ,000 ,000 ,000
Independence model 4,566 3,880 3,466 4,323
RMSEA
183
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,054 ,041 ,066 ,296
Independence model ,151 ,142 ,159 ,000
AIC
Model AIC BCC BIC CAIC
Default model 345,130 356,860
Saturated model 378,000 409,226
Independence model 1173,007 1175,981
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model 1,386 1,243 1,561 1,433
Saturated model 1,518 1,518 1,518 1,643
Independence model 4,711 4,297 5,154 4,723
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 177 193
Independence model 45 48
Execution time summary
Minimization: ,088
Miscellaneous: ,117
Bootstrap: ,000
Total: ,205