Refine
Year of publication
Document Type
- Article (28)
- Part of a Book (9)
- conference proceeding (article) (4)
- Book (1)
- Moving Images (1)
Has Fulltext
- no (43)
Reviewed
- Begutachtet/Reviewed (22)
Keywords
- AI-Augmented Innovation Management (1)
- Affective Computing, User Experience (UX), UX Design, Emotion (1)
- Artificial Intelligence (1)
- ChatGPT (1)
- Entrepreneurship ; Marketing ; Startups ; Unternehmensgründung ; Venture Capital (1)
- Generative AI (1)
- Innovation Management (1)
- New Product Development (1)
- Trademarks SMEs; Intellectual property; Motives to file IPRs; Cluster analysis; (1)
Institute
Empathic market research: The added value of eye tracking data for affective computing UX research
(2020)
Der Einsatz apparativer Technologien und künstlicher Intelligenz verändert zunehmend die Beschaffung und Auswertung von Marktforschungsdaten. Immer häufiger erfasst geeignete Bildanalysesoftware emotionale User-Reaktionen mittels Affective
Computing. Die visuelle Aufmerksamkeit von Personen lässt sich durch Eye-Tracking-Geräten präzise und unmittelbar nachvollziehen. Dieser Beitrag konzeptualisiert den kombinierten Einsatz der beiden apparativen Messansätze für Emotion und Aufmerksamkeit, um für die User-Experience-Forschung einen deutlichen Mehrwert zu schaffen. Hierfür werden anhand zweier empirischer Studien Vor- und Nachteile der spezi-
fischen Methoden aufgezeigt und eine komplementäre Integration der Methoden vorgeschlagen.
Social media usage has greatly increased during the pandemic. The use of social media has been linked to mental health consequences. Especially TikTok is under scrutiny because of its captivating UX Design as well as controversial privacy policies. This study shows how Mobile Affective Computing Research can reliably and objectively measure the implicit-emotional UX. The results suggest that TikTok triggers positive emotions during onboarding and strengthens the emotional bond with increasing usage - mainly due to the personalization algorithm. In particular, the study further reveals that there are no clear relationships when “only self-reported data” is used to understand app usage behavior. However, emotion data based on facial coding shows that TikTok users get emotionally aroused. Initially, a positive and relaxed mood triggers further usage time, while - counter-intuitively - later sessions result in an increasingly negative and aroused mood. However, people are largely unaware of these relationships when questioned. Thus, implicit measures, such as facial coding, may help identify valid social media usage reactions. These results yield implications that call for political regulation considering aspects of social media apps and user behavior.
Machine Learning automatisiert und optimiert unterschiedlichste Bereiche des
digitalen Marketings wie Targeting oder Content-Personalisierung. Während
„harte Kundenfaktoren“ – also wie sich Kunden digital verhalten – hierzu bereits gut als Datenquelle erhoben werden können, fehlen zuverlässige Daten zu „weicheren Faktoren“ wie Emotionen. Diese geben aber oftmals erst Aufschluss über das „Warum“, also, aus welchen Gründen Nutzer Kaufentscheidungen treffen. Affective Computing zielt auf automatisierte, echtzeitbasierte Messung und Erkennung von Emotionen durch Sensoren und lernende Algorithmen ab, um darauf angepasste Reaktionen von Computern zu ermöglichen. Affective Computing gilt als notwendige Bedingung, um Mensch-Computer-Interaktionen, wie Conversational Interfaces oder Virtual Personal Assistants, empathisch zu gestalten. Ziel ist es, Künstliche Intelligenz mit Emotionaler Intelligenz anzureichern. Der vorliegende Beitrag zeigt den Stand bestehender Messmethoden hinsichtlich ihrer heutigen Umsetzbarkeit und Skalierbarkeit auf, schildert exemplarische Einsatzbereiche und bietet eine Checkliste für Unternehmen, um die Relevanz und Bedeutung von Affective Computing einzuschätzen.
Angesichts der Wichtigkeit zwischenmenschlicher und emotionaler
Interaktionsprozesse im Service-Bereich steht der Einsatz von Conversational
Interfaces vor der Herausforderung, wie die Interaktion von Kunden mit
einer Technologie neben der reinen Effizienz auch einen persönlichen und
emotionalen Faktor entwickeln kann. Der Beitrag widmet sich der Relevanz
von Empathie in der digitalen Interaktion am Beispiel von Chatbots und zeigt
anhand empirischer Studien, dass digitale Empathie aus Unternehmenssicht
sowohl möglich als auch erforderlich ist.
The rise of generative Artificial Intelligence (AI) in traditionally human domains of creativity signifies a profound development in product innovation management. In this article, we investigate the evolving role of innovation managers, emphasizing a transition from problem-solving to sense-making and decision-making. Additionally, we delve into organizational strategies for effective AI integration, advocating for systematic experimentation, comprehensive training, and the development of AI-first innovation frameworks for new product development (NPD). Ultimately, we propose a paradigm shift to AI-first creative processes, where AI is not merely an extension but the foundational mechanism of the innovation workflow.
Easy Rider
(2016)
Dieser Beitrag führt anhand eines konkreten Studienbeispiels aus, wie die AUDI AG komplexe zukünftige Entwicklungen wie „autonomes Fahren“ mittels multidisziplinärer Studien analysiert. Die Autoren beschreiben, welche Insight‐ und Foresight‐Methoden dabei zum Einsatz kommen und was eine erfolgreiche Durchführung ausmacht. Dabei gehen sie insbesondere auf das Konzept der Trend Receiver ein. Abschließend geben sie einen Ausblick auf zukünftige Weiterentwicklungen der Vorgehensweise.
New technologies require aesthetic and hedonic user experience (UX) design to remain competitive. For guidance, a conceptual digital empathy framework explains and recommends individual UX research methods. The digital empathy framework is supported by two case studies of triangulated UX research methods – facial coding, eye tracking, and surveys – that provide valuable complementary insights.
Prototyping ist für die Validierung aller Geschäftsphasen sinnvoll. Viele Wirtschaftsstudierende, Absolventinnen und Absolventen sind jedoch derzeit kaum in der Lage, digitale Prototypen ohne die Unterstützung und Erfahrung von Designerinnen und Designern, Entwicklerinnen und Entwicklern sowie Ingenieurinnen und Ingenieuren zu erstellen. Dieser Beitrag zielt darauf ab, den Ansatz des Rapid Prototypings im Rahmen der Higher Business Education zu beleuchten, und legt den Schwerpunkt auf die eigenständige Entwicklung und das Testen von Prototypen. Verschiedene digitale Hilfsmittel werden vorgestellt und ein exemplarischer Kursablauf beschreibt, wie Rapid Prototyping digital und analog in modernen Lehrplänen von Business Schools einsetzbar ist. Als zentrales Ergebnis ist erkennbar, dass Rapid Prototyping im akademischen Kontext als Win-win-Situation für alle relevanten Stakeholder fungieren kann. Studierende schätzen die motivierende und direkte Arbeitsatmosphäre. Sie lernen, kollaborativ an digitalen Prototypen zu arbeiten und diese im Rahmen von Problem-Lösungs-Fit-Tests analog mit ersten Nutzenden zu testen. Dozierende können theoretischen Input in konkrete Use Cases einbringen und digitale mit analoger Lehre verknüpfen. Hochschulmanagerinnern und -manager schärfen das Profil ihrer Institution und Unternehmenspartner erhalten akademisch validierte Testergebnisse und den Kontakt zu digital ausgebildeten potenziellen Mitarbeitenden.
Why do SMEs file trademarks?
(2015)
Trademark filings have increased markedly over time. Although prior research has investigated the outcomes of trademark registration, including its effects on firm market valuation and productivity, little is known about why firms file trademarks. However, to interpret the increase in trademark filings and its economic effects, it is important to know and understand why firms file trademarks. Because trademarks are particularly important to small and medium-sized enterprises (SMEs), this study analyzes trademarking motives using a survey of 600 SMEs in innovative industries. An exploratory factor analysis yields three distinct motives: protection, marketing, and exchange. A cluster analysis reveals four distinct clusters of firms with respect to the three trademarking motives. A comparison of these clusters reveals significant differences in several industry- and firm-level characteristics, including participation in service industries and relationships with external parties. Implications for research on SMEs, trademarks, and intellectual property management are discussed.