Netflix and the new U(taut) -...
48
Click here to load reader
Transcript of Netflix and the new U(taut) -...
UNIVERSITEIT GENT!
FACULTEIT POLITIEKE EN SOCIALE WETENSCHAPPEN
Netflix and the new U(taut) Een studie naar de validatie van het UTAUT2-model binnen de context van Netflix.
Wetenschappelijk artikel aantal woorden: 8266
Wannes Dejonghe
MASTERPROEF COMMUNICATIEWETENSCHAPPEN afstudeerrichting FILM- & TELEVISIEWETENSCHAPPEN
PROMOTOR: DR. TOM EVENS
COMMISSARIS: KRISTIN VAN DAMME
ACADEMIEJAAR 2014 – 2015
2
3
Dankwoord Wanneer ik deze woorden aan het neerpennen ben, valt het besef dat het erop zit. Mijn thesis,
mijn studie. Een zekere gelatenheid dringt zich op wanneer ik terugdenk aan de afgelopen
maanden. Een periode waarin ik veel steun gekregen heb, op diverse vlakken.
Vooreerst op academisch vlak, waar mensen met een grote wetenschappelijke kennis me heel
wat hebben kunnen bijbrengen. In het bijzonder hebben Serena D'hooge, Cédric Courtois en
Frederik De Grove me geholpen wanneer bleek dat mijn model niet de verwachte resultaten
weergaf. Mijn promotor, Tom Evens, heeft me laten inzien dat dit deel is van wetenschappelijk
onderzoek. Ik bedank hem dan ook om te geloven in mijn verhaal en er steeds te zijn wanneer ik
vragen had. Ook professor Dick Heinhuis en Jochem van Leeuwen van de universiteit van
Amsterdam ben ik dankbaar voor inzichten in de materie.
Wanneer het even niet lukte kon ik steeds rekenen op het geloof dat mijn vrienden in mij hadden.
Dat ging verder dan een clichématige "succes nog", ik kon écht op hen rekenen. Dankje Sofie,
Sven, Riet, Laura, Karen en vooral Louise voor het luisterend oor en het (denkbeeldig)
schouderklopje. Ook mijn huisgenoten Joren, Leander en Lieselot verwenden me al wat meer en
ook hen dank ik graag. Verder kan mijn familie hier niet ontbreken. In het begin was er wat druk,
maar dit veranderde in onconditionele steun wanneer ze zagen dat ik alles op alles zette om af te
studeren. De mensen die me hielpen aan het enorm hoge respondentenaantal door mijn
enquête te delen op sociale media, bedank ik ook graag. Mijn klankbord Mathias tenslotte,
verdient misschien nog het meeste respect. Wanneer ik vloekte op een relatie die niet significant
bleek, een artikel dat onvindbaar was of programma's die vastliepen, was hij er steeds om mij
terug een glimlach te bezorgen. Dankje Matje.
Ohja, ook een welgemeende merci aan de Gentse koffiehuizen die me de nodige porties cafeïne
en theïne voorschotelden.
4
wij houden stand vandaag en later zien we wel wat er komt als het komt - Luc De Vos
5
Abstract The rise of streaming services has lead to a real remediation, i.e. the incorporation of one
medium into another medium (Bolter & Grusin, 2000). In this study we focus on the streaming
service of Netflix and assume this service remediates the classical way of viewing television
content. Because the service is new to the Flemish market, it gives us the opportunity to study
the intentions for using Netflix. We argue that the best way to study the consumer's intentions is
with The Unified Theory of Acceptance and Use of Technology 2 (UTAUT2). This recent model
in adoption studies tries to explain behavorial intention and use, specific in consumer contexts
(Venkatesh, 2012). Due to the newness of the model, it was suggested by the authors that
future research should apply UTAUT2 in different countries, across different age groups, and on
different technologies (Slade, Williams & Dwivedi, 2013). The context of the remediating Netflix
and the district of Flanders, therefore, seemed ideal to validate the model. Subsequently we tried
to strengthen our model by adding the construct trialability to it, based on the concept of Rogers
(1986). Structural Equation Modeling (SEM) was used in our study, because the constructs are
hard to measure in a direct way. After examining the effects on the consumer's intention to
adopt Netflix, it was found that although some results were consistent with previous research,
most were inconsistent. Further research is needed to examine if UTAUT2 can be used at all in
the context of new media and the changing way of viewing content and its remediations.
6
7
Inhoudstafel
INLEIDING 9
THEORETISCHE ACHTERGROND 13
THEORIEËN ROND TECHNOLOGY ACCEPTANCE 13 KORT OVERZICHT VAN TECHNOLOGY ACCEPTANCE MODELLEN 13 UTAUT2 15
CONCEPTUEEL MODEL EN HYPOTHESES 17
PERFORMANCE EXPECTANCY (PE) 17 EFFORT EXPECTANCY (EE) 18 SOCIAL INFLUENCE (SI) 18 FACILITATING CONDITIONS (FC) 18 HEDONIC MOTIVATION (HM) 19 PRICE VALUE (PV) 19 HABIT (HB) 20 TRIALABILITY (TA) 21
METHODOLOGIE 23
OPZET EN DATAVERZAMELING 23 STEEKPROEFOMSCHRIJVING 23 MEETSCHALEN 24
ANALYSE EN RESULTATEN 25
MODEL FIT 26 - MODEL 1 26 - MODEL 2 26 RESULTATEN 26 - MODEL 1 26 - MODEL 2 28
DISCUSSIE 31
CONCLUSIE 33
BEPERKINGEN EN SUGGESTIES VOOR TOEKOMSTIG ONDERZOEK 35
BIBLIOGRAFIE 37
APPENDIX A 45
8
9
In leiding
Vroeger was televisiekijken een activiteit die zich beperkte tot één scherm en gelimiteerd werd
door tijd, plaats en content. Nu is dit een activiteit geworden vol nieuwe opties en mogelijkheden
(Cook, 2014). Deze snel opeenvolgende veranderingen zorgden ervoor dat nieuwe spelers van
buiten de televisie-industrie het landschap betraden. Netflix is een van die nieuwe diensten die
een revolutie wilde ontketenen binnen het televisielandschap. Netflix stelt: "You can watch as much as you want, anytime, anywhere on nearly any Internet-connected screen. You can play,
pause and resume watching, all without commercials or commitments" (Netflix, n.d.). De
oorspronkelijke elementen van het televisiekijken worden hier omgedraaid en we stellen dat het
begrip time-space-distanciation op de voorgrond komt te staan. Dit is volgens Giddens (1991)
het proces van ruimtelijke herschikking waardoor mensen de beperkingen en dwangmatigheden
van ruimte en tijd kunnen overwinnen. Verstraeten (1998) voegt hier aan toe dat de rol van
(communicatie)technologie hier vaak centraal in staat. Netflix wordt ook gekenmerkt door het
gebruik van algoritmes waarmee films en series worden aangeraden. De dienst maakt ook
gebruik van social recommender systems. Deze aanpak veronderstelt een sociaal netwerk
tussen gebruikers. Aanbevelingen worden gedaan op basis van beoordelingen van gebruikers
die directe of indirecte sociale relaties hebben met de oorspronkelijke gebruiker (Jamali & Ester,
2010).
We kunnen stellen dat Netflix een nieuwe manier van kijken met zich meebrengt, die niet langer
tijd- of plaatsgebonden is. Er is als het ware een remediatie opgetreden. Bij remediatie worden
de eigenschappen van een oud medium overgenomen door een nieuw medium (Bolter & Grusin,
2000). In dit geval wordt televisie het oude medium, en streaming via internet het nieuwe.
Hoewel de streamingcontent bekeken kan worden op een televisietoestel, kunnen we televisie
hier nog enkel als de drager zien, net zoals een computer, laptop of tablet. Er wordt immers
geen nadruk meer gelegd op de ‘set van gedragingen en praktijken’ die volgens Lotz (2007)
noodzakelijk is om van een medium te kunnen spreken. Hier moet evenwel worden opgemerkt
dat er ook andere diensten gebruik maken van dergelijke over-the-top logica. In Vlaanderen is
Netflix echter vernieuwend op verschillende vlakken door onder andere on-demand content op
verschillende apparaten, het grote aanbod en de social recommender systems.
De remediatie rond Netflix brengt veel vragen met zich mee. Over hoe lang het lineair
televisiekijken nog zal bestaan en wat de toekomst van Netflix is, kunnen we enkel speculeren.
Wel kunnen we proberen na te gaan waarom mensen precies gebruik maken van dit nieuwe
medium. Wereldwijd wordt het aantal abonnees geschat op 53 miljoen, verspreid over ongeveer
50 landen (Netflix, n.d.). Het lijkt ons dan ook vreemd dat er in de literatuur amper studies te
vinden zijn rond adoptiegedrag van Netflix. In Vlaanderen is dit onderzoek alleszins van de
eersten in zijn soort.
10
Dit valt natuurlijk ook te wijten aan het feit dat Netflix pas sinds september 2014 op de Vlaamse
markt (legaal) te gebruiken is. Cijfers van abonnementen worden voor Vlaanderen evenwel niet
vrijgegeven. Onderzoek aan de UGent heeft aangetoond dat de dienst in Vlaanderen zou
kunnen rekenen op zo'n 5,4% innovators (i.e. groep mensen die als eerste het product wil
hebben). Dit blijkt in de lijn te liggen met de naburige landen waar Netflix na één jaar tussen de 5
en 7% van de populatie wist te bekoren (De Morgen, 2014, 19 september). Omdat Netflix aan
elke nieuwe gebruiker een gratis testmaand biedt, valt niet na te gaan hoeveel gebruikers Netflix
op dit moment heeft.
In de lijn van dit onderzoek, gaan we dieper in op de beweegredenen tot gebruiksintentie. De
komst van Netflix naar Vlaanderen biedt ons de unieke kans onderzoek te doen naar de
besluitvormingsprocessen van consumenten bij aankoop van een netflixabonnement. Om
dergelijke product acceptance processes na te gaan wordt vaak gebruik gemaakt van
adoptiemodellen (Gefen & Straub, 2000). Het specifieke onderzoeksveld rond technologie-
acceptatie wekt al vele jaren wetenschappelijke interesse. Dit evolueerde van de innovatie-
diffusie theorie (DOI) die door Rogers (1962) ontwikkeld werd, naar nieuwere modellen zoals het
Technology Acceptance Model (TAM) en de Unified Theory of Acceptance and Use of
Technology (UTAUT). Recent werd UTAUT verder uitgebreid naar UTAUT2. De komst van Netflix
laat ons nu toe om dit meest recente adoptiemodel te testen op het nieuwe medium. We kiezen
voor het UTAUT2-model van Venkatesh, Thong en Xu (2012) omdat het zich in tegenstelling tot
voorgaande modellen, specifiek richt tot consumenten (Raman & Don, 2013). Hoewel het
UTAUT-model al eerder gebruikt werd in niet-professionele contexten, vindt bij UTAUT2 een
verschuiving plaats van 'workplaces' naar 'consumer contexts' (Shin, 2009). UTAUT2 zou ons
dus moeten toelaten om na te gaan welke constructen voor individuele gebruikers in
Vlaanderen, aan de basis liggen van het gebruik van Netflix. Verder schrijven Venkatesh et al.
(2012) dat dit model verder moet gevalideerd worden bij nieuwe technologieën. Het lijkt ons dan
ook bijzonder relevant dit model toe te passen in een context van streaming via internet.
Venkatesh et al. (2012) argumenteren verder dat in de context van sommige technologieën er
ook nieuwe constructen aan het model toegevoegd kunnen worden. Omdat Netflix met een
gratis testmaand werkt, voegen we zelf nog een construct toe aan het model, en argumenteren
we dat in het geval van Netflix trialability een belangrijke rol speelt in het al dan niet willen
adopteren van de service.
Deze studie omvat twee onderzoeksvragen: (1) Kunnen we UTAUT2 toepassen en valideren in
context van Netflix? (2) Zorgt het toevoegen van de variabele trialability voor een verbetering van
dit model? Trialability zal in wat volgt omschreven worden als: de mate waarmee met de
innovatie kan geëxperimenteerd worden voor een bepaalde duur (cfr. infra: conceptueel model
en hypotheses).
11
In wat volgt gaan we eerst dieper in op theorieën rond de acceptatie van technologie en de
bijhorende modellen. Vervolgens wordt onze beslissing toegelicht om gebruik te maken van het
adoptiemodel UTAUT2. In het volgende deel dissecteren we het UTAUT2-model en vormen we
ons onderzoeksmodel met de toevoeging van trialabililty. Hierna volgt een beschrijving van de
methodologie en de bevindingen van ons model. Het onderzoek eindigt met een discussie van
de kernresultaten en suggesties voor toekomstig onderzoek.
12
13
Theoretische achtergrond
Theorieën rond technology acceptance
Er zijn verschillende theoretische stromingen die trachten te achterhalen welke factoren een
consument beïnvloeden bij de beslissing om een innovatie al dan niet te gebruiken. Ondanks het
feit dat deze theorieën deels verouderd en opgegaan zijn in het interactionisme, onderscheiden
we enkele hoofdstromingen. We hebben het hier over de diffusie-, domesticatie-, en adoptie-
theorieën (De Marez & Dejonghe, 2011; Pedersen & Ling, 2002). Diffusie-wetenschappers
beschrijven het geaggregeerde adoptieproces als "an S-shaped function of time that may be
used to categorize adopters of different kinds" (Mahajan, Muller & Bass, 1990, p. 6). Binnen
deze theorie wordt gesteld dat het diffusieproces uit vier factoren bestaat die het proces
beïnvloeden: een innovatie (of nieuwe technologie), een sociaal systeem, communicatiekanalen
van het sociaal systeem en tijd (Rogers, 1986). Volgens Rogers is het innovatie-diffusieproces
"an uncertainty reduction process" (1986, p. 232). Deze onzekerheid kan volgens hem door vijf
kenmerken van innovaties gereduceerd worden: relative advantage, compability, complexity,
trialabilty en observability (1986). Vervolgens is er het domesticatie-onderzoek, hier probeert men
technologiegebruik in het dagelijks leven te bestuderen (Silverstone & Hirsch, 1992). De
sociologische gevolgen die een adoptie heeft voor het dagelijks leven vormen de grootste focus
binnen dit kader. Veel onderzoek wordt gedaan naar de invloed van demografische variabelen
zoals leeftijd, geslacht en etnische afkomst. De nadruk komt hier te liggen op het gebruik van de
technologie, en niet op de verspreiding zoals bij diffusietheorieën (Schuurman, Courtois & De
Marez, 2011). Als laatste stroming zien we de adoptietheorieën. Onderzoekers zijn hier minder
geïnteresseerd in het gebruik of verspreiding van de technologie, maar eerder in de adoptie
ervan. Adoptieonderzoek richt zich meer op de individuele besluitvorming waarbij gebruik wordt
gemaakt van verschillende theorieën omtrent het beslissingsproces (Pedersen & Ling, 2002). De
eerder besproken variabelen uit de Diffusion of Innovations (Rogers, 1986) vormen vaak nog de
basis voor deze modellen (Chong & Ooi, 2012, p. 36).
Kort overzicht van technology acceptance model len
In ons onderzoek trachten we de factoren te vinden die verklaren waarom Netflix al dan niet
geadopteerd wordt. De adoptietheorieën kennen al een lange evolutie. Volgens Heinhuis (2013)
kan een onderscheid gemaakt worden tussen Information System Theories (IS), Psychology
Theories, Marketing Theories en Media Channel Theories. De adoptie van ICT-applicaties zijn
een veelgebruikt onderwerp binnen de Information System Theories (Heinhuis, 2013). Netflix
implimenteert ICT applicaties en zorgt zo voor een remediatisering (cfr. supra: Inleiding). Binnen
deze studie concentreren we ons dan ook op de IS-theorieën.
14
Deze theorieën vinden hun basis zowel in psychologische theorieën als in de Diffusion of
Innovations van Rogers (Heinhuis, 2013). Volgens de psychologische Theory of Reasoned
Action (TRA) is het gedrag van een persoon enerzijds gebaseerd op de attitude naar dit gedrag
toe en anderzijds op de perceived subjective norm (Fishbein & Ajzen, 1975). Attitude refereert
hier naar de mate waarin een persoon bepaald gedrag gunstig of ongunstig evalueert. De
subjective norm is de sociale factor, die verwijst naar de gepercipieerde druk van anderen om al
dan niet het gestelde gedrag uit te oefenen (Ajzen, 1991). Daarbij gaat men er steeds van uit dat
mensen op een rationele manier beslissen en op een systematische wijze informatie verwerken
(Ajzen & Fishbein, 1980, pp. 5-12). Later werd deze rationele manier van beslissen als een
limitatie gezien. De TRA zou te weinig rekening houden met het soort gedrag waarin mensen
een incomplete volitional control hebben. Met de toevoeging van de variabele perceived
behavorial control, ontstond de Theory of Planned Behavior (TPB) (Ajzen, 1991). Ajzen en
Madden (1985, p. 458) omschrijven perceived behavorial control dan ook als “the person’s belief
as to how easy or difficult performance of the behavior is likely to be”. Het Technology
Acceptance Model (TAM) bouwt verder op de deze gevestigde theorieën van TRA en TPB. TAM
is een adaptatie van TRA (Szajna, 1996; Heinhuis, 2013) en is specifiek gericht op
gebruikersaanvaarding van informatiesystemen (Davis, 1989). Perceived usefulness (PU) en
perceived ease of use (PEU) leiden in dit model tot de behavorial intention (BI). PU is hier "the degree to which a person believes that using a particular system would enhance his or her job
performance". PEU wordt omschreven als "the degree to which a person believes that using a
particular system would be free from effort" (Davis, 1989, p. 320). Dit model werd vaak gebruikt
in studies over gebruikerservaring van IS op het werk (Davis, 1989; Venkatesh & Davis, 2000;
Venkatesh, 2000). Al snel bleek TAM de bovenhand te hebben: “TAM’s ability to explain attitude
toward using an information system is better than the other multi-attribute models’ such as TRA
and TPB” (Mathieson, Peacock & Chin, 2001, geciteerd in Aboelmaged, 2010, p. 397). Hoewel
TAM een van de meest invloedrijke theorieën binnen de IS-studies is, kent ook dit model zijn
gebreken. Benbasat en Barki schrijven: “The key problem with TAM could be described as a
focus on a middle range theory that provides a potentially useful bridge to antecedents and
consequences of adoption, but the bridge seems to have become an end in itself” (2007, p.
216). De auteurs stellen vast dat hoewel deze theorie in het verleden al veel nuttige inzichten
heeft opgeleverd, haar dominantie ook nefaste gevolgen kent. TAM kent immers een hoge mate
van conformiteit, wat leidt tot een gebrek aan innovatie. Dit belemmert de wetenschappelijke
voortuitgang op vlak van adoptie-theorieën (Benbasat & Barki, 2007). Het gebrek aan sociale
context in TAM was een van de hoofdredenen van Venkatesh, Morris, Davis en Davis (2003) om
de theorie verder uit te breiden tot de Unified Theory of Acceptance and Use of Technology
(UTAUT). De auteurs wilden hiermee een standaardmodel creëren dat de beste eigenschappen
van vorige modellen combineert (Oechslein, Fleishman & Hes, 2014).
15
Hoewel UTAUT inderdaad enkele zwaktes van TAM weerlegt, kampt het model volgens Heinhuis
(2013) zelf met nog wat problemen. Zo is het model ontwikkeld voor gebruik op de werkvloer
(Stafford, Stafford & Schkade, 2004). Verschillende auteurs stellen ook dat UTAUT, door het
willen combineren van vele modellen, enkel theoretische verwarring brengt in de
wetenschappelijke wereld (e.g. Straub & Burton-Jones, 2007). De adoption intention wordt in dit
model verklaard door de variabelen performance expectancy, effort expectancy, social influence
en facilitating conditions (Venkatesh et al., 2003).
UTAUT2
Recent is er een extensie van UTAUT gekomen. Er was volgens de auteurs nog te weinig
aandacht voor de consumer context in de bestaande modellen (Venkatesh et al., 2012). De
nadruk wordt hier dus niet langer gelegd op context van de werkvloer zoals in vorige modellen
(e.g. TAM, TRA, TPB) maar op de specifieke consumentencontext. Het nieuw UTAUT2-model
behoudt dezelfde variabelen als het UTAUT-model, maar voegt er drie aan toe: hedonic
motivation, price value en habit (Venkatesh et al., 2012). Binnen ons onderzoek wordt gebuik
gemaakt van dit UTAUT2-model en wordt gepoogd dit te valideren in de Netflix-context.
Technologie-adoptieonderzoek heeft traditioneel een heel sterke focus gehad op professionele
gebruikers in een bedrijfsomgeving (Oechslein et al., 2014). We verkiezen het UTAUT2-model
omdat er nu eindelijk een geconsolideerd instrument is om de consumentenadoptie te
verkennen, los van de werkvloer (Venkatesh et al., 2012). In studies naar onder meer mobiel
internet en mobile payment bleek dat UTAUT2 een veel beter verklaringskracht kan bieden dan
UTAUT. Zo steeg de verklaarde variantie van de behavorial intention (BI) in de studie van
Venkatesh (2012) van 56 procent naar 74 procent. Er werd dus 18% meer variantie verklaard in
de BI als de constructen habit, hedonic motivation en price value werden toegevoegd.
Hoewel veel modellen binnen de IS context een zeker niveau van maturiteit hebben, kan dit nog
niet gezegd worden van het UTAUT2-model (Slade, Williams & Dwivedi, 2013). Venkatesh et al.
(2012) stelden dan ook voor om toekomstig onderzoek rond UTAUT2 te voeren in verschillende
landen en bij verschillende technologieën. Wij baseren ons in dit onderzoek dan ook op deze
aanbevelingen. Gezien het aantal nieuwe technologieën, applicaties en diensten die zich tot
consumenten richten, is deze gebruikerscontext van essentieel belang (Stofega & Llamas, 2009).
Door deze aanpassing naar een consumentencontext, kan worden aangevoerd dat het
UTAUT2-model het best toepasbare technology acceptance model is om de gebruiksintentie
van Netflixgebruikers te meten en zal daarom gebruikt worden in deze studie.
16
17
Conceptueel model en hypotheses
Deze studie gebruikt UTAUT2 als theoretisch raamwerk om technologie-adoptie te analyseren.
We baseren onze hypotheses op de resultaten en gelijkaardige bevindingen bij andere UTAUT2-
studies. Hiermee testen we het model en kijken we of dit kan toegepast worden in de context
van Netflix. Daarnaast wordt de variabele trialability toegevoegd aan het model en trachten te
achterhalen of er bij toevoeging van dit construct meer variantie verklaard wordt in behavioral
intention. Islam & Hassan definieerden behavioral intention als “an individual’s intention to
perform a given act which can predict corresponding behaviours when an individual acts
voluntarily” (2013, p. 826). Daarenboven is BI “the subjective probability of carrying out
behaviour and also the cause of certain usage behaviour" (Yi, Jackson, Park & Probst, 2006, p.
351). Gedragsintentie toont met andere woorden de motivationele factoren die gedrag
beïnvloeden. Intenties zijn “indicators of how hard people are willing to try and the effort they put
in to engage in a behaviour" (Mafé, Blas & Tavera-Mesias, 2010, p. 72). Vorig onderzoek bewees
dat BI de grootste determinant is bij het individueel gebruik (e.g. Ajzen, 1991; Davis et al., 1989;
Yi et al., 2006). We zien dat in vorige studies reeds significante verbanden werden gevonden
tussen de constructen van het UTAUT2-model en BI (e.g. Oechslein et al., 2014; Venkatesh et
al., 2012). We overlopen kort de constructen en koppelen hier steeds een hypothese aan, zo
wordt ons conceptueel model bekomen.
Performance Expectancy (PE)
Performance expectancy verwijst naar de mate waarin een persoon gelooft dat een specifiek
informatiesysteem nuttig kan zijn bij bepaalde jobs of taken. Venkatesh et al. omschrijven het als
“the degree to which users gain benefits in using a technology while carrying out activities”(2012,
p. 159). De wortels van dit construct bevinden zich in perceived usefulness (TAM, C-TAM-TPB)
en relative advantage (DOI). In veel studies blijken deze constructen de beste onafhankelijke
variabelen die ofwel attitude ofwel rechtstreeks de BI verklaren (Venkatesh, 2003; Yi et al., 2006;
King & He, 2006).
We focussen ons bij het onderzoeken van dit construct op de meerwaarde van het
Netflixmedium tegenover andere of oudere media. Zoals aangehaald (cfr. supra: Inleiding), vormt
de remediatie met onder andere time-space-distanciation de kracht van Netflix. Dit leidt naar
onze eerste hypothese:
H1: Performance Expectancy heeft een positieve invloed op de BI om Netflix te adopteren.
18
Effort Expectancy (EE)
Effort expectancy staat voor de hoeveelheid gemak die geassocieerd wordt met het gebruik van
een systeem. Het kan gedefinieerd worden als “the extent to which an individual believes that
using a given system would be free of effort” (Davis, 1989; p. 321). De constructen perceived
ease of use (TAM) en ease of use (DOI) leunen hier dicht bij aan. Het geloof dat een systeem een
groot gebruiksgemak heeft kan leiden tot een sterkere BI (e.g. Davis et al., 1989; Guo & Barnes,
2012; Zhou, Lu & Wang, 2010). Doordat Netflix streeft naar een gemakkelijk gebruik (Netflix,
n.d.) en steeds duidelijk en begrijpelijk wil overkomen naar de klanten toe, stellen we de
volgende hypothese:
H2: Effort expectancy heeft een positieve invloed op de BI om Netflix te adopteren
Social Inf luence (SI)
Venkatesh omschrijft social influence als “the degree to which an individual perceives that
important others believe he or she should use the new system” (2003, p. 451). Sociale invloed
vinden wordt onder andere terug gevonden in het construct subjective norm bij TRA en TPB. Yi
et al. (2006) stelt dat de basis van SI bij Bandura's perspectief van social learning te vinden is. In
deze theorie heeft Bandura het over het overnemen van gedragingen binnen sociale groepen.
De geobserveerde gedragingen van anderen worden dan door de observator geëvenaard
(Bandura, 1977). Bij Netflix kan je zien welke films of series je facebookvrienden bekeken
hebben, daarnaast wordt ook content voorgesteld op basis van deze vrienden. We spreken hier
van social recommendation services. Deze aanpak zou problemen reduceren met betrekking tot
cold start users, die anders de service minder snel zouden gebruiken (Jamali & Ester, 2010).
Akour (2009) vond dat sociale invloed de meest invloedrijke factor was bij eerstejaarsstudenten
aan de Oklahoma State University bij de acceptatie van m-learning. Andere studies bewezen
deze hypothese evenzeer (Moore en Benbasat, 1991; Raman & Don, 2013; Thompson, Higgins
& Howell, 1991; Venkatesh et al., 1996). Liang en Yeh (2011) aanvaardden deze hypothese
echter niet wanneer bleek dat sociale invloed niet van wezenlijk belang was bij de adoptie van
mobiele games. De studie van Yang (2013) rond gebruik van mobiele apps toonde ook geen
effect van SI aan. De sociale invloed van zou een effect kunnen hebben op de intentie tot
adoptie.
H3: Social influence heeft een positieve invloed op de BI om Netflix te adopteren.
Faci l i tat ing Condit ions (FC)
Facilitating conditions is “the perception that organisational and technical infrastructure exists to
support the use of technology” (Venkatesh et al., 2003, p. 429). In de consumentencontext
houdt dit in dat de juiste kennis en middelen moeten aanwezig zijn om de technologie te
gebruiken (Heinhuis, 2013). Dit construct vindt onder andere zijn wortels in perceived behavioral
control (TPB) en compability (DOI). Verschillende studies bewijzen dat FC een significante factor
19
is in het beïnvloeden van BI (e.g. Foon & Fah, 2011; Raman & Don, 2013; Escobar-Rodriguez &
Carvajal Trujillo, 2013). Hoewel er ook studies zijn die geen significante relatie vonden tussen
deze twee variabelen (e.g. Oechslein et al., 2012; Nguyen, Nguyen & Cao, 2014) wordt toch
uitgegaan van een positief verband. Doordat mensen beschikken over de nodige kennis en
middelen om Netflix te gebruiken, kan dit leiden tot een effect om de dienst te willen gebruiken.
H4: Facilitating condtitions heeft een positieve invloed op de BI om Netflix te adopteren
Hedonic Motivat ion (HM)
Hedonic motivation is “the perceived fun or pleasure derived from using a technology”
(Venkatesh et al., 2012, p.158). Dit construct heeft geen wortels in de besproken technology
acceptance modellen. In vorig IS-onderzoek zijn er daarentegen wel verschillende constructen
gevonden die hiermee gerelateerd zijn (e.g. enjoyment). Van der Heijden (2004) toonde aan dat
HM een belangrijke voorspellende factor is bij het spelen van mobiele games en videos op
iPhones. HM bleek ook in tal van UTAUT2 studies een belangrijke variabele in het voorspellen
van de intentie voor technologiegebruik (e.g. Venkatesh et al., 2012; Nguyen et al., 2014; Yang,
2010; Kit, 2014). HM bleek evenwel niet overal een significant construct te zijn (e.g. Lewis,
Fretwell, Ryan & Parham, 2013). Er wordt uitgegaan van een positieve relatie, het pleziergehalte
in het gebruik van Netflix is volgens ons determinerend voor de adoptie.
H5: Hedonic motivation heeft een positieve invloed op de BI om Netflix te adopteren.
Price Value (PV)
Dodds et al omschrijven price value als “the trade-off between the cost paid for using the
technology and the perceived benefits received” (Dodds, Monroe & Grewal, 1991, p. 309).
Venkatesh et al. (2012) benadrukten dat PV een belangrijke factor is bij consumer decision
making met betrekking tot technologie. Dit wordt bevestigd in verschillende studies (e.g.
Escobar-Rodriguez & Carvajal Trujillo, 2013; Xu, 2014, Vinodh & Mathew, 2012). In sommige
studies blijkt de PV zelfs de grootste invloed te hebben op de BI (e.g. Prata, Moraes &
Quaresma, 2012). Deze factor lijkt evenwel niet overal een significante rol te spelen (e.g.
Oechslein et al., 2014) en er kan zelfs sprake zijn van een significant negatief verband tussen PV
en BI (Wei, Marthandan, Chong, Ooi & Arumugam, 2009). Er wordt uitgegaan van het feit dat de
democratische prijs van Netflix invloed heeft op de intentie om een abonnement te nemen.
H6: Price value heeft een positieve invloed op de BI om Netflix te adopteren.
20
Habit (HB)
Habit wordt omschreven als “the extent that individuals tend to execute behaviours
automatically” (Limayem, Hirt & Cheung, 2007). Dit construct heeft geen wortels in vorig
vernoemde modellen. Andere studies toonden wel al dat habit een bepalende factor kan spelen
in het voorspellen van technologiegebruik (e.g. Kim & Malhotra, 2005; Kim, Malhotra &
Narasimham, 2005). Venkatesh et al. (2012) ontdekten dat habit zowel een direct als indirect
effect heeft op de BI. Verschillende andere studies bevestigen dit (e.g. Liao, Palvia & Lin, 2006;
Lewis et al., 2013; Kit, 2014). Gewoon worden aan het gebruiken van Netflix zou een
determinerende factor kunnen zijn om de dienst verder te gebruiken.
H7: Habit heeft een positieve invloed op de BI om Netflix te adopteren.
Deze hypotheses resulteren tot ons eerste conceptuele model. Het model is gelijkaardig aan dat
van eerdere UTAUT2-studies (eg. Kit, 2014) en is gebaseerd op het oorspronkelijk model van
Venkatesh et al. (2012).
Figuur 1 Conceptueel model 1
21
Tria labi l i ty (TA)
Bij trialability wordt betoogd dat wanneer potentiële gebruikers eerst kunnen experimenteren met
de technologie, de adoptie van deze innovatie makkelijker verloopt (Rogers, 1986, p. 16).
Deze hypothese werd meermaals bevestigd (Slade, Williams & Dwivedi, 2013; Atkinson, 2007;
Sahin & Thompson, 2006). Bij Kapoor, Dwivedi en Williams (2013) bleek trialability zelfs een
grotere invloed te hebben op de behavorial intention dan relative advantage, complexity en
compatibility. Omdat gebruikers al vertrouwd worden met de dienst, zou de gratis testmaand
een positief effect kunnen hebben op het voornemen om Netflix aan te schaffen.
H8: Trialability heeft een positieve invloed op de behavorial intention om Netflix te
adopteren.
Het volgend conceptueel model wordt bekomen na toevoeging van trialability.
Figuur 2 Conceptueel model 2
22
23
Methodologie
Opzet en dataverzamel ing
Deze studie heeft als doel het UTAUT2-model te valideren in de context van on-demand
streamingdiensten via het internet, Netflix in concreto. Het construct trialability werd vervolgens
aan het UTAUT2-model toegevoegd.
Om het UTAUT2-model te testen werd een survey verspreid via het internet en sociale media.
Deelnemers maakten ook kans om een prijs te winnen. Survey-onderzoek is gebruikelijk bij
adoptiestudies (e.g. Venkatesh et al., 2012). De survey werd vooraf aan een pretest
onderworpen waar tien respondenten nagingen of de survey samenhangend en duidelijk was.
Aanbevelingen werden toegepast en de tien respondenten werden uit de uiteindelijke dataset
gehaald.
Steekproefomschri jv ing
In totaal werden 619 surveys ingevuld. Hiervan werden 154 respondenten uit de analyse
gehaald (24,9%). Er werd beslist enkel de resultaten te interpreteren van mensen die over een
abonnement van Netflix beschikten. Voor mensen zonder dergelijk abonnement was het
onmogelijk uitspraken te doen over bepaalde constructen, zoals habit. Van de 465
respondenten die uiteindelijk opgenomen werden in de analyse, beschikten er 90 (19,4%) over
een proefabonnement, terwijl 375 (80,6%) reeds een abonnement aankochten. Tussen 300 en
500 respondenten blijkt een zeer goed aantal te zijn om uitspraken te doen voor meervoudige
regressievergelijkingen. (Comrey & Lee, 2013; Fidell & Tabachnick, 2006).
280 mannen (60,2%) en 185 vrouwen (39,8%) namen deel aan de studie. De gemiddelde leeftijd
van de respondenten is 30,10 (SD = 9,16). Deze relatief jonge leeftijd blijkt in de lijn te liggen met
voorgaand onderzoek rond streaming via internet: volgens een recent rapport blijken vooral
jongeren de voorkeur te geven aan streamingdiensten (Civicscience, 2014). In het rapport geven
bijna 70% van de respondenten onder 34 jaar aan online streamen te verkiezen boven andere
manieren om televisiecontent te bekijken. Hoewel dit een Amerikaanse studie is, verwachten we
dat in Vlaanderen hetzelfde patroon voorkomt. De grootste groep respondenten bevindt zich in
onze studie dan ook in de leeftijdscategorie tussen 20-29 jaar (52,7%), gevolgd door 30-39 jaar
(28,6%). Omdat er veel jongeren in het onderzoek werden opgenomen, zijn de resultaten niet
representatief voor Vlaanderen. De idee dat online-streamers zich vooral begeven tussen de
leeftijd van 20 en 40 jaar, blijkt ook hier van tel te zijn. Onze resultaten zijn dan ook voornamelijk
te interpreteren in de context van deze belangrijke leeftijdsgroep.
24
Verder keken onze respondenten vooral naar series op Netflix (66,7%), gevolgd door 'evenveel
films als series' (28,7%). Enkel 4,9% van de respondenten bleek vooral films te kijken op Netflix.
Het merendeel bleek gemiddeld tussen 60 en 120 minuten per sessie te kijken (56,9%), 15,5%
kijkt meer dan 120 minuten en 27,6% kijkt minder dan 60 minuten per sessie. Wanneer gekeken
wordt naar hoeveel keer iemand naar Netflix kijkt, valt op dat bijna de helft (45,4%) meerdere
malen per week kijkt. Een vijfde van onze respondenten (20,4%) kijkt meerdere malen per dag
naar Netflix, een vijfde kijkt één maal per dag naar Netflix (20,6%), 10,9% kijkt wekelijks naar
Netflix en 2,8% maandelijks. Netflix wordt volgens onze resultaten vaak 'alleen' gekeken
(41,9%), de helft kijkt 'soms alleen' (50,2%). Slechts een klein aantal respondenten antwoorde
dat hij of zij nooit alleen kijkt (7,9%).
Meetschalen
Onze online survey werd opgesteld aan de hand van meetschalen afkomstig uit voorgaand
onderzoek. De enquête bestond uit 3 delen. Deel 1 peilde naar de zeven constructen waarop
UTAUT2 gebaseerd is, met toevoeging van trialability. In de veronderstelling dat deze
constructen gelijkaardig zijn in karakter en effect over verschillende technologieën, zijn de vragen
binnen onze survey gebaseerd op bestaande stellingen uit voorgaand onderzoek (e.g.
Venkatesh et al., 2012; Nguyen et al., 2014; Escobar-Rodriguez & Carvajal Trujillo, 2013). We
deden beroep op verschillende studies (cfr. supra: Hypotheses) om tot zo'n concreet mogelijke
vragenlijst te komen.
Voor de constructen PE, EE, SI en FC werd het oorspronkelijk UTAUT-model als basis
genomen, vervolgens werd gekeken naar andere technology acceptance modellen (e.g. Hsu &
Lu, 2004; Chuttur, 2009, Leong et al., 2013). Dit omdat de constructen van UTAUT gebaseerd
zijn op modellen als TAM, TPB of TRA (cfr. supra: Overzicht modelllen). Stellingen met
betrekking tot HM, PV en HB vonden zowel hun basis in het werk van Venkatesh et al. (2012) als
in hiervan afgeleide studies (e.g. Escobar-Rodriguez & Carvajal Trujillo, 2013; Oechslein et al.,
2014). Voor het construct trialability werd beroep gedaan op het werk van Rogers (1986) en
afgeleide studies (e.g. Slade et al., 2013; Atkinson, 2007; Sahin & Thompson, 2006). De items
werden vervolgens zo goed mogelijk vertaald naar het Nederlands en omgezet naar de
specifieke context voor Netflix. Vragen die volgens ons onduidelijk waren, of niet passend voor
de Netflix-context, werden niet opgenomen in de vragenlijst. Elk construct werd gemeten door
minstens drie en maximum zes stellingen of items. Het tweede deel van de survey peilde naar
het algemene gebruik van Netflix. Hier werd onder andere nagegaan hoe lang iemand naar
Netflix kijkt, met wie hij/zij kijkt of wat de frequentie is van het kijken. Het laatste deel omvatte
vragen betreffende de socio- demografische kenmerken van de respondenten. De items werden
gemeten op een vijf punten Likertschaal. De respondenten dienden stellingen te beantwoorden
gaande van ‘helemaal niet akkoord’ tot ‘helemaal akkoord’. De gebruikte vragenlijst kan worden
gevonden in Appendix A.
25
Analyse en resultaten
Voor de analyse maakten we gebruik van SPSS Statistics 22 en AMOS 22 Graphics. De AMOS-
software hielp ons, via het toepassen van Structural Equation Modeling (SEM), het UTAUT2-
model met toevoeging van trialability te testen in de Vlaamse Netflix-context. SEM laat ons
immers toe om latente variabelen te meten. Dit is voor ons onderzoek essentieel, aangezien
onze constructen moeilijk op een directe manier vast te stellen zijn. We probeerden met het
gebruik van SEM ons model te valideren en te kijken wat het effect van elk construct op de
behavorial intention was. Veel studies die gebruik maken van het UTAUT en UTAUT2-model
hanteren niet de SEM methode met SPSS, maar wel de Partial Least Square methode met het
programma SmartPLS (e.g. Oechslein et al., 2014; Guo & Barnes, 2012; Raman & Don, 2013).
PLS wordt vaak gebruikt in IS-studies, maar is theoretisch minder sterk onderbouwd dan de
SEM-methodologie (Hair et al., 2012). Verder wordt het werken met de kleinste kwadraten
methode vooral gebruikt bij exploratief onderzoek, terwijl deze studie een confirmerend
antwoord beoogt.
Het tweestapsverhaal van Anderson en Gerbing (1988) wordt gebruikt in het analyseren van de
data. De auteurs stelden de -tot dan toe gebruikelijke- one-step approach in vraag, waar enkel
het structureel model en bijhorende parameters werden geschat. Volgens hen diende, vooraleer
men uitspraken kon doen over het structureel model, eerst het meetmodel geschat te worden.
Pas als de parameters voor dit model kloppen, kan overgegaan worden naar een evaluatie van
het structureel model (Anderson & Gerbin, 1988). Het meetmodel dient voldaan te worden
bevonden aan voorwaarden rond validiteit en betrouwbaarheid. Aleer we onze dataset invoerden
in AMOS, deden we deze tests met behulp van de SPSS software. Vooreerst dienden na te
gaan of alle constructen voldeden aan interne validiteit, de items dienden allen hetzelfde
construct te meten. We gebruikten hiervoor Cronbach’s Alpha. De waarden van onze acht
constructen dienden voldoende hoog te zijn (α ≥ .70) om een goede interne validiteit te hebben.
Het construct facilitating conditions bleek een te lage Cronbach’s Alpha te hebben (α = .42). De
gestelde vragen die dit construct nagingen baseerden zich op vorig onderzoek (e.g. Venkatesh
et al., 2012; Leong et al., 2013). Het construct bleek in deze context niet op dezelfde manier te
kunnen gemeten worden als in andere contexten. In voorgaande studies rond UTAUT werd de
interne validiteit van FC ook soms te laag bevonden (e.g. Marchewka, Liu & Kostiwa, 2007). Het
construct facilitating conditions mat dus niet steeds dezelfde items en werd uit verdere analyse
verwijderd. De interne validiteit van de andere constructen werd goed tot zeer goed bevonden
(BI, α = .87 PE, α = .72 ; EE, α = .71; PV, α = .85; TA, α = .87 ; HM, α = .79 ; HB, α = .79 ; SI, α
= .79). Vervolgens gingen we na of constructen onderling sterk correleerden, bij SEM is het
immers een assumptie dat er geen sprake mag zijn van excessieve multicollineariteit (Hair et al.,
2014). Hoge waarden (r > .85) worden hierbij als excessief gezien (Lei & Wu, 2007). In ons
meetmodel vinden we een correlatie die hier net over zit (r = .88), dit is de correlatie tussen
26
hedonic motivation en effort expectancy. Hoewel deze correlatie te hoog ligt, beslissen we uit
theoretische overwegingen om deze constructen alsnog te behouden .
Model Fit Na voorgaande tests werd beslist facilitating conditions uit het model weg te laten. In een eerste
fase keken we na of de overgebleven originele constructen zoals aangegeven in Venkatesh et al.
(2012) een goede model fit vertoonden. In een volgende fase voegden we trialability toe aan dit
model en gingen we na of dit tweede conceptueel model al dan niet een betere model fit had.
Model 1
Wanneer we model 1 in AMOS 22 Graphics plaatsen, merken we voor alle waarden een goede
fit:
CMIN/df = 2.67 (df = 278; p ≤ .000); CFI = .92; TLI = .91; RMSEA = 0,06; PRATIO = 0.86, PNFI
= .76, PCFI = .80 (Hair et al., 2014). Deze model fits geven weer dat de data en het model goed
met elkaar overeenkomen en we dus zinvolle uitspraken kunnen doen over onze hypotheses.
Model 2
Het tweede model vertoont een zeer gelijkaardige fit:
CMIN/df = 2.48 (df = 349; p ≤ .000); CFI = .92; TLI = .91; RMSEA = 0,06; PRATIO = 0.86, PNFI
= .76, PCFI = .80. Enkel onze CMIN verschilt, aan deze waarden mogen we echter een minder
belang hechten omdat we een groot aantal (n > 200) respondenten hebben (Hair et al., 2014).
Resultaten
Model 1
We proberen door middel van van SEM relaties te valideren binnen ons opgegeven model. De
totaal verklaarde variantie van BI in ons oorspronkelijk model ligt heel hoog (R2 = .77). We
kunnen dus afleiden dat 77% van de variantie binnen de gebruiksintentie van Netflix verklaard
wordt binnen het model. Wanneer we kijken naar het structureel model, merken we weinig
significante verbanden. Enkel habit heeft een significant verband met behavorial intention (β =
.36, p < .05). De andere regressievergelijkingen tussen de opgegeven constructen en behavorial
intention hadden allen een te hoge P-waarde (p > .05). Hieruit valt af te leiden dat het opgestelde
UTAUT2-model enkel H7 bevestigt. Habit heeft een positieve invloed op Behavorial Intention om
Netflix te adopteren.
27
Tabel 1: Test ing hypotheses binnen model 1
Hypothese Regressie-
coëff ic iënt (β )
S ignif icant ie
(p-waarde)
Bevest igd binnen
deze studie
H1 PE ! BI .79 > 0,05 NEE
H2 EE ! BI -.03 > 0,05 NEE
H3 SI ! BI .05 > 0,05 NEE
H4 niet in model / / NEE
H5 HM ! BI -.34 > 0,05 NEE
H6 PV ! BI .08 > 0,05 NEE
H7 HB ! BI .36 < 0,05 JA
Omdat er binnen dit model maar één significante relatie gevonden werd, zoeken we naar een
oplossing om een betere validerende werking van UTAUT2 te leveren. Bij het controleren van de
assumpties van SEM werd reeds aangetoond dat de multicollineariteit tussen 2 variabelen te
hoog lag (cfr. supra: Analyse en resultaten). Bij verdere inspectie van de correlaties tussen onze
constructen merken we veel relatief hoge waarden. Hoewel multicollineariteit voorkomt in veel
UTAUT en UTAUT2-studies (e.g. Venkatesh et al., 2012), merken we dat er in deze studie
opmerkelijk veel hoge waarden zijn. Deze multicollineariteit mag dan misschien niet excessief
zijn, veel multicollineariteit kan mogelijk leiden naar minder significante relaties (Hair et al., 2014).
Wanneer de multicollineariteit tussen de .60 en .80 ligt, is de kans op een type II-fout immers
groot, zelfs vaak groter dan 80% (Grewal, Cote & Baumgartner, 2004). Dit zou het geval kunnen
zijn in ons model, waar maar één relatie in het structureel model significant blijkt te zijn. Dat er
geen significante relaties zijn, wil evenwel niet zeggen dat de verbanden er niet zijn (Hair et al.,
2014). We volgen Marsh en Hocevar (1986) die stellen dat variabelen die onderling hoog
correleren, in sommige gevallen beter worden samengevoegd. Dit geeft ons de kans om toch
significante verbanden te vinden tussen onze constructen en de BI.
We maken hier een second order factor aan, dit is een latente variabele die verklaard wordt door
latente in plaats van manifeste variabelen (Marsh & Hocevar, 1986). In dit geval wordt de second
order factor een combinatie van constructen die onderling een hoge correlatie hebben. We
stellen dat PE, HB, PV, HM en EE de constructen zijn die een hoge correlatie met elkaar hebben
(r > .60). SI blijkt weinig te correleren met de andere constructen en wordt bijgevolg niet
opgenomen in de second order factor. We komen tot een nieuwe hypothese:
H9: De constructen PE, HB, PV, HM en PV hebben via een second order factor een positieve invloed op de behavorial intention om Netflix te adopteren.
28
Wanneer we het meetmodel met second order factor bekijken zien we een lichtjes slechtere
model fit. CMIN/df = 2.78 (df = 366; p ≤ .000); CFI = .91; TLI = .89; RMSEA = 0,06; PRATIO =
0.90, PNFI = .78, PCFI = .82 (Hair et al., 2014). We kunnen echter besluiten dat onze data nog
steeds bij het model passen. We komen tot het volgende conceptueel model:
Figuur 3 aangepast model 1
We vinden een heel sterke significante positieve relatie tussen onze second order en behavorial
intention binnen de context van Netflix (β = .82, p < .001). De totale variantie in behavorial
intention die verklaard wordt door ons model bedraagt nu 70% (R2 = .70). Wanneer we kijken
naar onze second order factor, merken we dat alle constructen die hier in zijn opgenomen nu
een een significant verband hebben. De factorwaarde ligt hier ook steeds boven de
minimumgrens van 0.50 (MacKenzie, Podsakoff & Podsakoff, 2012). De second order factor
verklaart 100% in de performance expectancy, 79% in de price value, 91% in hedonic
motivation, 73% in effort expectancy en 85% in habit. We hebben hier te maken met een zeer
goede nieuwe variabele. Social influence blijkt in dit model evenwel geen significant verband te
hebben met BI.
Model 2
Wanneer we trialability aan ons oorspronkelijk model toevoegen, merken we dat de totaal
variantie bij dit nieuw model niet verandert (R2 = .77). Hoewel deze variantie hoog ligt, kunnen we
reeds besluiten dat de toevoeging van dit construct de variantie binnen behavorial intention niet
verhoogt. Net zoals in het vorig model vinden we ook hier geen significante verbanden met BI,
met als uitzondering habit (β = .36, p < .05). We merken wel dat trialability een heel licht negatief
significant verband heeft met BI (β = -.09, p < .05).
29
Gezien de grootte van het effect is dit verband verwaarloosbaar. Trialability heeft, net als social
influence, een lage correlatie met de andere factoren. We beslissen om opnieuw een second
order factor toe toepassen en bekomen volgend conceptueel model:
Figuur 4 aangepast model 2
Onze hypothese dat trialability een positieve invloed heeft op behavorial intention kunnen we
verwerpen en we aanvaarden de nulhypothese dat er geen significant verband is.
Tabel 2: Test ing hypotheses binnen aangepast model 1 & 2
Hypothese Regressie-
coëff ic iënt (β )
S ignif icant ie
(p-waarde)
Bevest igd binnen
deze studie
H8 TA ! BI -.09 < 0,05 NEE
H9 Second Order ! BI .83 <0,05 JA
30
31
Discussie
We kunnen afleiden dat de constructen uit het oorspronkelijke UTAUT2-model 77% verklaren
van de variantie in de gebruiksintentie van Netflix in Vlaanderen. We zouden kunnen
argumenteren dat dit het model valideert. Het was echter niet mogelijk uitspraken te doen over
de kracht van zeven individuele constructen, omdat deze geen significant verband met de BI
hadden. Wel kon er een uitspraak gedaan worden over het construct habit. Uit de resultaten
kan afgeleid worden dat hoe groter de gewoonte van iemand is, hoe groter de kans blijkt om
een gebruiksintentie te vertonen. In het concrete geval van Netflix zouden we aan de hand van
het originele UTAUT2-model kunnen stellen dat als iemand de dienst gewoon is, er meer kans is
dat hij/zij deze dienst zal (blijven) gebruiken.
Om meer uitspraken te kunnen doen over het model beslisten we om een second order factor
toe te voegen en stelden de hypothese op dat de 5 constructen PE, HB, PV, HM en EE samen
een significant effect hadden op de BI. Deze hypothese werd bevestigd: de second order factor
had een grote kracht op de BI (β = .83, p < .05) en 70% van de totale variantie in de BI werd
door dit aangepast model verklaard. Hoewel de verklaringskracht in de variantie van BI lichtjes
lager ligt, is er nu een beter beeld van welke constructen een significante invloed hebben hierop.
Verder bleek de toevoeging van het construct trialability een te verwaarlozen effect te hebben.
Omdat dit effect wel significant was, kunnen we een uitspraak doen. Een mogelijke verklaring
van het licht negatief verband (β = -.09, p < .05) zou kunnen zijn dat mensen een te grote
verwachting hadden van Netflix en na de testmaand het abonnement niet verlengden. Een
testmaand blijkt dus tegen onze verwachtingen in, geen positief effect te hebben op de intentie
om Netflix aan te schaffen.
De twee significante verbanden die we vonden met de BI, waren trialability en habit. Omdat habit
hier een positieve relatie bleek te hebben met BI en trialability niet, kan gezocht worden naar een
mogelijke oorzaak.
We gingen er immers van uit dat door het gratis testen, iemand de dienst gewoon werd.
Wanneer we kijken naar de correlatie tussen deze twee constructen, merken we dat deze licht
negatief is (r = -.19). Een mogelijke verklaring zou kunnen zijn dat een gratis testmaand nog niet
leidt tot gewoonte. Hiernaar is meer onderzoek vereist.
We kunnen argumenteren dat deze lage waarden gevonden worden omdat dit onderzoek een
andere focus heeft in vergelijking met andere studies. Vorige onderzoeken die de technology
acceptance modellen gebruikten waren namelijk heel vaak gericht op de mobiele markt (Slade et
al., 2013, p. 15).
32
Bijna alle adoptie-studies die focusten op m-commerce, m-banking en mobile payment maakten
gebruik van modellen als DOI, TAM of UTAUT (e.g. Choi & Totten, 2012; Wang, Xiang &
Fesenmaier, 2014; Marumbwa, 2014; ). UTAUT2-studies bleven vaak in deze context hangen
(e.g. Oechslein et al., 2012). De studie van Venkatesh (2012) is zelf binnen de mobiele context
gesitueerd, hier werd onderzoek gedaan naar mobiel internetgebruik. We mogen evenwel niet
miskennen dat er via het UTAUT2-model significante verbanden zijn gevonden tussen
constructen en behavorial intention buiten de mobiele context. Bij een studie naar social network
games bleek het model zelfs een heel goede werking te hebben (Xu, 2014). Andere studies die
het domein probeerden te overstijgen, kwamen echter vaak uit op niet-significante verbanden.
De studie van Escobar-Rodriguez & Carvajal Trujillo (2013) over het online aankoopgedrag van
vliegtuigtickets wees uit dat zowel social influence, hedonic motivation als effort expectancy
geen significante invloed uitoefenden op de behavorial intention. Bij het onderzoek rond E-
learning van Nguyen et al. (2014) bleken de constructen facilitating conditions, effort expectancy,
price value en habit geen significante relaties op te leveren. De meerwaarde van het UTAUT2-
model tegenover het oorspronkelijke UTAUT-model werd bij ons gevonden in de significante
relatie tussen habit en behavorial intention. We zouden dus kunnen denken dat het
oorspronkelijke UTAUT-model nog minder geschikt zou zijn om de gedragsintentie te
voorspellen in deze context.
33
Conclusie
We wilden in dit onderzoek verklaren welke factoren een invloed hadden op de gebruiksintentie
van Netflix. Deze studie had als doel de toepasbaarheid te onderzoeken van het UTAUT2-model
binnen de context van Netflix.
We volgden Venkatesh et al. (2012) die stelden dat het van enorm belang is het UTAUT2-model
te valideren in andere contexten. Wanneer we dit model wilden valideren bleken we al snel met
enkele problemen te kampen. Vooreerst bleek het construct facilitating conditions geen interne
validiteit te tonen. We baseerden ons voor het bevragen van dit construct op de originele
vragenlijst van Venkatesh et al. (2012). Hoewel een uitspraak mogelijk was over de totaal
verklaarde variantie, was het -met uitzondering van één construct- niet mogelijk te kijken wat het
aandeel van elk apart construct hierin was. Omdat dit niet kon nagegaan worden, hebben we
niet kunnen onderzoeken wat de precieze redenen zijn voor Netflixgebruik in Vlaanderen. Wel
konden we zeggen dat de constructen effort expectancy, habit, hedonic motivation,
performance expectancy en price value hier samen een significante invloed op uitoefenden. Het
toegevoegde construct trialability bleek het model geenszins te versterken. Omdat we kampten
met heel wat niet-significantie relaties was het niet mogelijk veel waardevolle uitspraken te doen
omtrent intentie tot adoptie van Netflix. Omdat het opzet van het UTAUT2-model net is om
dergelijke uitspraken te kunnen leveren, blijkt dit model niet geschikt. We kunnen stellen dat het
UTAUT2-model niet bruikbaar is voor de geremediatiseerde context van Netflix in Vlaanderen.
Deze studie heeft bijgedragen aan bestaand onderzoek rond UTAUT2. Hoewel we aantoonden
dat de data goed bij het model past en er een grote verklaarde variantie wordt vastgesteld,
vinden we te weinig significante relaties om van een goed model te kunnen spreken. Een nieuw
model en verder validiserend onderzoek dringen zich op om de individuele adoptie-beslissing na
te gaan voor Netflixgebruik en bij uitbreiding streamingdiensten over het internet.
34
35
Beperkingen en suggesties voor toekomstig onderzoek
De resultaten van deze studie dienen zorgvuldig te worden geïnterpreteerd met betrekking tot
een aantal beperkingen. Vooreerst heeft deze studie plaatsgevonden in Vlaanderen, er dient dus
omzichtig omgesprongen te worden met het generaliseren van de resultaten naar andere
omgevingen.
In deze studie hebben we het steeds over behavorial intention, een alternatief begrip zou
continued intention kunnen geweest zijn. Veel respondenten hadden al een abonnement op
Netflix, we gingen na waarom ze de dienst zouden blijven gebruiken. We hebben beslist om toch
met behavorial intention te werken en dit om in de lijn te blijven met vorig onderzoek.
Daarenboven waren er ook bijna 20% respondenten die gebruik maakten van de gratis
testmaand (cfr. supra: Steekproefomschrijving), voor hen is behavorial intention dan ook beter
gepast dan continued intention. Er dient hier ook opgemerkt te worden dat Netflix werkt met een
systeem waar de gebruiker na de gratis testmaand automatisch intekent op het abonnement.
Een echte bewuste beslissing wordt na de testmaand dus niet gemaakt.
We vonden dat het UTAUT2-model niet kan worden toegepast binnen de context van online
streaming en specifiek Netflix. Door de weinig signficante relaties hebben we niet veel uitspraken
kunnen doen over de precieze redenen van het Netflixgebruik, of over de mate van impact per
construct op de BI. Een ander onderzoeksmodel moet dus worden toegepast. Misschien is het
tijd voor een nieuw onderzoeksmodel, dat nog meer inspeelt op de veranderingen in het
medialandschap, en zich niet focust op de telecomwereld zoals veel studies bij technology
acceptance (cfr. supra: Conclusie). Gebaseerd op vorig onderzoek, zou dit nieuw model
verschillende andere constructen kunnen opnemen. We denken voor de context van Netflix
bijvoorbeeld aan het belang van personalisatie. Andere constructen zoals innovativeness, self-
efficacy, perceived risk of trust (e.g. Slade et al., 2013) zouden met de nodige motivatie ook
kunnen worden toegevoegd. Een mogelijk vervolgonderzoek zou kunnen inhouden om
verschillende technology acceptance modellen met elkaar te vergelijken en te kijken welk model
het meest variantie binnen de behavorial intention verklaart.
In onze studie voegden we trialability toe als extra construct. Dit werd gemotiveerd omdat Netflix
werkt met een gratis testmaand. Omdat dit geen positief verband had met de BI, spoort ons dit
aan tot nader onderzoek. We gingen steeds uit van de positieve remediatie van Netflix in
Vlaanderen. Een interessante onderzoeksvraag zou hier ook kunnen zijn: "Waarom gebruiken
mensen Netflix niet?". Waarom heeft deze gratis testmaand een licht negatief verband met
gebruiksintentie? Verder onderzoek is aangewezen.
36
Er kan ook worden geopperd om een ander theoretisch kader te gebruiken om de behavorial
intention na te gaan. In deze studie hebben we de gefundeerde keuze gemaakt om Netflix te
behandelen in het kader van information systems theories waar de technology acceptance
modellen, zoals UTAUT2, thuis horen. Volgens Heinhuis (2013) kunnen we een onderscheid
maken tussen psychology theories, marketing theories en media channel theories. Modellen met
een psychologische basis zijn de eerder besproken TRA en TPB. De media channel theories
maken gebruik van onder andere de Uses and Gratifications Theory (U&G). Deze theorie
probeert het gebruik van media te verklaren "by the needs of consumers which lead to
expectations about mass media and which lead to gratifications" (Katz, 1973, p. 511). Stafford
et al. (2004) voegen hier aan toe dat U&G best geschikt is om consumer technology use na te
gaan (in vergelijking met bijvoorbeeld TAM). Een studie met dergelijk theoretisch kader kan
misschien wel tot significante verbanden leiden. Omdat er nog geen sprake was het UTAUT2-
model wanneer Stafford et al. (2004) onderzoek voerde, kunnen we ons evenwel de vraag
stellen of U&G nog steeds de beste manier is om consumer technology use na te gaan.
Tenslotte kunnen we de manier van operationalisatie in vraag stellen. We hebben in dit
onderzoek de beslissing genomen om te werken met covariance based SEM en hebben de
analyses uitgevoerd met het programma AMOS. We zagen dat in vorig onderzoek veel gebruik
werd gemaakt van Partial Least Square SEM (e.g. Venkatesh, 2012; Raman & Don, 2013; Lai,
Lai & Jordan, 2009). Hair, Ringle en Sarstedt (2011, p.139) stellen: "the negative perceptions of PLS-SEM are unfortunate and shortsighted. When properly applied, the method has many
benefits not offered by CB-SEM". Er kan dus ook geargumenteerd worden dat dergelijk
onderzoek naar de validatie van UTAUT2 via PLS-SEM dient gevoerd te worden. Het gebruik
van deze methode kan dan ook andere significante resultaten naar boven laten komen, dit door
de minder te schatten parameters (Hair et al., 2011).
37
Bibl iograf ie
Aboelmaged, M. (2010). Predicting e-procurement adoption in a developing country. An
empirical integration of technology acceptance model and theory of planned
behaviour. Industrial management + data systems, 110, 392-414. !
Akour, H. (2009). Determinants of mobile learning acceptance: an empirical investigation in
higher education (Doctoraatsthesis, Oklahoma State University).
Ajzen, I. (1991). The Theory of Planned Behavior. Organizational Behavior and Human
Decision Process, 50, 179-211.
Ajzen, I., & Fishbein, M. (Red.). (1980). Understanding Attitudes and Predicting Social Behavior.
Prentice Hall: Englewood Cliffs. !
Ajzen, I., & Madden, T. J. (1986). Prediction of goal-directed behavior: Attitudes, intentions, and
perceived behavioral control. Journal of experimental social psychology, 22(5), 453-474.
Anderson, J. C., & Gerbing, D. W. (1992). Assumptions and Comparative Strengths of the Two-
Step Approach Comment on Fornell and Yi. Sociological Methods & Research, 20(3),
321-333.
Atkinson, N. L. (2007). Developing a questionnaire to measure perceived attributes of eHealth
innovations. American Journal of Health Behavior, 31(6), 612-621. !
Bandura, A. (1977). Self-efficacy: toward a unifying theory of behavioral
change. Psychological review, 84(2), 191-215.
Benbasat, I., & Barki, H. (2007). Quo vadis TAM? Journal of the association for information
systems, 8(4), 211-218.
Bolter, J. & Grusin, R. (1991). Remediation. Cambridge: Mit Press. !
Choi, Y. K., & Totten, J. W. (2012). Self-construal's role in mobile TV acceptance: Extension of
TAM across cultures. Journal of Business Research, 65(11), 1525- 1533.
Chong, A., Ooi, K., & Bao, H. (2012). An empirical analysis of the determinants of 3G
adoption in China. Computers in Human Behavior, 28, 360-369. !
38
Chuttur, M. (2009). Overview of the technology acceptance model: Origins,
developments and future directions. Sprouts: Working Papers in Information Systems,
9-37.
Comrey, A. L., & Lee, H. B. (2013). A first course in factor analysis. New York: Psychology
Press. !
Cook, C. I. (2014). Netflix: A Stepping Stone in the Evolution of Television. ! (Doctoraatsthesis,
Universiteit van South Florida, St. Petersburg).
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of
information technology. MIS Quarterly, 319-340 . !
De Marez, L., & Dejonghe, E. (2011). Inleiding tot de nieuwe communicatietechnologieën (3e
ed.). Leuven: Acco. !
Dodds, W. B., Monroe, K. B., & Grewal, D. (1991). Effects of price, brand, and store information
on buyers' product evaluations. Journal of marketing research, 307-319.
Dwivedi, Y. K., Kapoor, K. K., Williams, M. D., & Williams, J. (2013). RFID systems in libraries: An
empirical examination of factors affecting system use and user satisfaction. International
Journal of Information Management, 33(2), 367-377.
Escobar-Rodríguez, T., & Carvajal-Trujillo, E. (2014). Online purchasing tickets for low cost
carriers: An application of the unified theory of acceptance and use of technology (
UTAUT) model. Tourism Management, 43, 70-88.
Evens, T., De Marez, L., Vanhaelewyn, B., Van den Broeck, W., Geerts, D.
(2014, 19 september). Vlaamse films en fictie zijn geen breekijzer voor Netflix.
DeMorgen.
Fidell, L. S., & Tabachnick, B. (2006). Using multivariate statistics. Boston:
Allyn & Bacon. !
Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention and behavior: An introduction to
theory and research. Reading, MA : Addison-Wesley.
39
Foon, Y. S., & Fah, B. C. Y. (2011). Internet banking adoption in Kuala Lumpur: an application of
UTAUT model. International Journal of Business and Management, 6(4), 161-167.
Gefen, D., & Straub, D. W. (2000). The relative importance of perceived ease of use in IS
adoption: a study of e-commerce adoption. Journal of the Association for Information
Systems, 1(1), 1-29.
Giddens, A. (1991). Modernity and Self-Identity. Self and Society in the Late Modern
Age. Cambridge: Polity Press. !
Guo, Y., & Barnes, S. (2012). Explaining purchasing behavior within World of Warcraft.
Journal of Computer Information Systems, 52(3), 18-30. !
Grewal, R., Cote, J. A., & Baumgartner, H. (2004). Multicollinearity and measurement error in
structural equation models: Implications for theory testing. Marketing Science, 23(4),
519-529.
Hair, J. F. (2014). Multivariate Data Analysis. Seventh new international edition. Harlow: Pearson
Education.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. The Journal of
Marketing Theory and Practice, 19(2), 139-152.
Heinhuis, D. (2013). Modeling customer behavior in multichannel service distribution: A rational
approach (Doctoraatsthesis, Universiteit van Amsterdam).
Hsu, C. L., & Lu, H. P. (2004). Why do people play on-line games? An extended TAM with
social influences and flow experience. Information & Management, 41(7), 853-868.
Islam, M. Z., Kim, P., & Hassan, I. (2013). Intention to use advanced mobile phone services
(AMPS). Management Decision, 51(4), 824-838 .
Jamali, M., & Ester, M. (2010, September). A matrix factorization technique with trust
propagation for recommendation in social networks. In Proceedings of the fourth ACM
conference on Recommender systems (pp. 135-142). ACM.
Katz, E., Blumler, J.G. and Gurevitch, M., (1973), Uses And Gratifications Research. Public
Opinion Quarterly, 37(4), 509-523.
40
King, W., & He, J. (2006). A meta-analysis of the technology acceptance model. Information and
Management, 43, 740-755.
Kim, A. (2014). UTAUT2 influencing the behavioural intention to adopt mobile
applications (Doctoraatsthesis, UTAR).
Kim, S., & Malhotra, N. K. (2005). A longitudinal model of continued IS use: An integrative view
of four mechanisms underlying postadoption phenomena. Management science, 51(5),
741-755.
Kim, S., Malhotra, N., & Narasimhan, S. (2005). Research note—two competing perspectives on
automatic use: A theoretical and empirical comparison. Information Systems
Research, 16(4), 418-432.
Lai, D., Lai, I., & Jordan, E. (2009). An extended UTAUT model for the study of negative user
adoption behaviours of mobile commerce. In Proceedings of the Ninth International
Conference on Electronic Business.
Lei, P. W., & Wu, Q. (2007). Introduction to structural equation modeling: Issues and
practical considerations. Educational Measurement: Issues and Practice, 26(3), 33-43.
Leong, L. Y., & Ooi, K. C. (2013). Modelling the stimulators of the behavioral intention to use
mobile entertainment: Does gender really matter? Computers in Human Behaviour, 29,
2109-2121.
Lewis, C. C., Fretwell, C. E., Ryan, J., & Parham, J. B. (2013). Faculty Use of Established and
Emerging Technologies in Higher Education: A Unified Theory of Acceptance and Use of
Technology Perspective. International Journal of Higher Education, 2(2), 22-33.
Liang, T. P., & Yeh, Y. H. (2011). Effect of use contexts on the continuous use of mobile
services: the case of mobile games. Personal and Ubiquitous Computing, 15(2), 187- 196. !
Liao, C., Palvia, P., & Lin, H. N. (2006). The roles of habit and web site quality in e-
commerce. International Journal of Information Management, 26(6), 469-483.
Limayem, M., Hirt, S. G., & Cheung, C. M. (2007). How habit limits the predictive power of
intention: the case of information systems continuance. Mis Quarterly, 31(4), 705-737.
41
Lotz, A. (2007). The television will be revolutionalized. New York : NYU Press.
MacKenzie, S. B., Podsakoff, P. M., & Podsakoff, N. P. (2011). Construct measurement and
validation procedures in MIS and behavioral research: Integrating new and existing
techniques. MIS quarterly, 35(2), 293-334.
Mafé, C. R., Blas, S. S., & Tavera-Mesías, J. F. (2010). A comparative study of mobile
messaging services acceptance to participate in television programmes. Journal of
service Management, 21(1), 69-102.
Mahajan, V. Muller, E. and Bass, F.M. (1990). New product diffusion models in marketing: A
review and directions for research. Journal of Marketing, 54(1), 1-27.
Marchewka, J. T., Liu, C., & Kostiwa, K. (2007). An Application of the UTAUT Model for
Understanding Student Perceptions Using Course Management
Software. Communications of the IIMA, 7(2), 93-104.
Marsh, H. W., & Hocevar, D. (1985). Application of confirmatory factor analysis to the study of
self-concept: First-and higher order factor models and their invariance across
groups. Psychological bulletin, 97(3), 562-573.
Marumbwa, J. (2014). Exploring the Moderating Effects of Socio-Demographic Variables on
Consumer Acceptance and Use of Mobile Money Transfer Services (MMTs) in Southern
Zimbabwe. American Journal of Industrial and Business Management, 2014.
Moore, G. C., & Benbasat, I. (1991). Development of an instrument to measure the perceptions
of adopting an information technology innovation. Information systems research, 2(3),
192-222.
Netflix. (n.d.). Company Overview. Geraadpleegd op 23 november 2014 op het World Wide
Web: http://pr.netflix.com/companyfacts.
Nguyen, T. D., Nguyen, D. T., & Cao, T. H. (2014). Acceptance and Use of Information System:
E-Learning Based on Cloud Computing in Vietnam. In Information and
Communication Technology (pp. 139-149). Springer Berlin Heidelberg.
42
Oechslein, O., Fleishmann, M., & Hes, T. (2014). An Application of UTAUT2 on Social
Recommender Systems: Incorporating Social Information for Performance Expectancy.
In International Conference on System Science, (pp. 3297-3306). Hawaii.
Thompson, R. L., Higgins, C. A., & Howell, J. M. (1991). Personal computing: toward a
conceptual model of utilization. MIS quarterly, 15(1), 125-143.
Pedersen, P., & Ling, R. (2002, april). Mobile end-user service adoption studies: A selective
review. Scandinavian Journal of Information Systems, 14(1), 3-17.
Prata, W., de Moraes, A., & Quaresma, M. (2012). User’s demography and expectation r
egarding search, purchase and evaluation in mobile application store. Work: A Journal
of Prevention, Assessment and Rehabilitation, 41, 1124-1131.
Sahin, I., & Thompson, A. (2006). Using Rogers’ theory to interpret instructional computer use
by COE faculty. Journal of Research on Technology in Education, 39(1), 81-104.
Schuurman, D., Courtois, C. & De Marez, L. (2011). New media adoption and usage among
flemish youngsters. Telematics and Informatics, 28(2), 77- 85.
Silverstone, R., & Hirsch, E. (1992). Consuming Technologies. London: Routledge.
Slade, E. L., Williams, M. D., & Dwivedi, Y. K. (2013). Mobile payment adoption:
Classification and review of the extant literature. The Marketing Review, 13(2), 167-
190.
Stafford, T.F., Stafford, M.R. and Schkade, L.L., (2004). Determining Uses and
Gratifications for the Internet. Decision Sciences, 35(2), 259-288.
Straub, D.W. and Burton-Jones, A., (2007), Veni, Vidi, Vici: Breaking the TAM Logjam, Journal of
the Association for Information Systems, 8(4), 223-229 !.
Szajna, B. (1996). Empirical Evaluation of the Revised Technology Acceptance Model.
Management Science, 42(1), 85-92. !
Stofega, W., & Llamas, R. (2009). Worldwide Mobile Phone 2009-2013 Forecast Update. IDC
Document, (217209).
43
Raman, A., & Don, Y. (2013). Preservice Teachers’ Acceptance of Learning
Management Software: An Application of the UTAUT2 Model. International Education
Studies, 6(7), 157-164.
Rogers, E. (1986). Diffusion of Innovations. New York : Free Press.
Van der Heijden, H. (2004). User acceptance of hedonic information systems. MIS quarterly,
28(4), 695-704.
Venkatesh, V. (2000). Determinants of perceived ease of use: Integrating control, intrinsic
motivation, and emotion into the technology acceptance model. Information systems
research, 11(4), 342-365.
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance
model: four longitudinal field studies. Management science, 46(2), 186-204.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information
technology: Toward a unified view. MIS quarterly, 425-478.
Venkatesh, V., Thong, J. Y., & Xu, X. (2012). Consumer acceptance and use of information
technology: extending the unified theory of acceptance and use of technology. MIS
quarterly, 36(1), 157-178.
Verstraeten, H. (1998). Media, publieke sfeer en interculturele communicatie: enkele
onderzoeksperspectieven. De rol van de media in de multiculturele samenleving, 13-31. !
Vinodh, K., & Mathew, S. K. (2012). Web personalization in technology acceptance. In Intelligent
Human Computer Interaction (IHCI), 2012 4th International Conference on IEEE
(pp. 1-6).
Wang, D., Xiang, Z., & Fesenmaier, D. R. (2014). Adapting to the mobile world: A model of
smartphone use. Annals of Tourism Research, 48, 11-26.
Wei, T. T., Marthandan, G., Chong, A. Y. L., Ooi, K. B., & Arumugam, S. (2009). What drives
Malaysian m-commerce adoption? An empirical analysis. Industrial Management &
Data Systems, 109(3), 370-388.
44
Xu, X. (2014, February). Understanding Users’ Continued Use of Online Games: An Application
of UTAUT2 in Social Network Games. In MMEDIA 2014, The Sixth International
Conferences on Advances in Multimedia (pp. 58-65).
Yang, H. C. (2013). Bon appétit for apps: young American consumer's acceptance of mobile
applications. Journal of Computer Information Systems, 53(3). 85-97.
Yi, M. Y., Jackson, J. D., Park, J. S., & Probst, J. C. (2006). Understanding Information
Technology Acceptance by Individual Professionals: Toward an Integrative View.
Information & Management ,43(3), 350-363. !
Zhou, T., Lu, Y., & Wang, B. (2010). Integrating TTF and UTAUT to explain mobile banking user
adoption. Computers in Human Behavior, 26(4), 760-767.
45
Appendix A De items werden verspreid tussen de verschillende blokken en stonden ook voor elke
respondent op een andere plaats in dat blok. Hier plaatsen we voor de duidelijkheid de vragen
bij het te meten construct.
Survey Netf l ix
Welkom,
Netflix is sedert een grote maand een nieuwe speler in het Vlaamse televisielandschap. Via mijn
thesis wil ik hier op inspelen en kijken welke impact Netflix heeft op ons televisiegebruik. Graag
nodig ik u uit om deze heel korte enquête (+- 5 min) in te vullen.Niet alleen bewijst u mij en de
wetenschap een enorme gunst, u maakt bovendien kans op cinematickets van Sphinx Cinema.
Wannes Dejonghe
Master Film-en Televisiewetenschappen
• Netf l ix-ervar ing
Heeft u Netflix?
- Ik zit in mijn gratis testmaand
- Ik heb al een abonnement aangekocht
- Nee
• Meten van constructen
De volgende 5 blokken peilen in welke mate u akkoord bent met volgende stellingen (1=
Helemaal niet akkoord, 2= eerder niet akkoord, 3= noch akkoord, noch niet akkoord, 4=
eerder wel akkoord, 5= helemaal akkoord).
! Performance Expectancy
1. Netflix geeft een toegevoegde waarde aan mijn kijkgedrag.
2. Ik denk dat Netflix voor mij een nuttige service is. !
3. Netflix geeft me toegang tot veel films en series.
!4. Netflix geeft me toegang tot de nieuwste films en series.
5. Netflix laat me toe om films en series in hoge kwaliteit (HD) te verkrijgen.
! Effort Expectancy
6. Netflix gebruiken is makkelijk aan te leren.
7. Netflix is duidelijk en begrijpelijk. !
8. De kracht van Netflix zit in zijn gebruiksgemak.
9. Netflix gebruiken is vaak frustrerend.
46
! Social Inf luence
10. Mensen die belangrijk voor me zijn, vinden dat ik Netflix zou moeten gebruiken. !
11. Mensen die mijn gedrag beïnvloeden denken dat ik Netflix zou moeten
gebruiken.
12. Mensen van wie ik de opinie waardeer vinden dat ik Netflix moet gebruiken.
13. Ik vind het belangrijk dat ik kan zien naar welke films/series mijn vrienden kijken.
! Faci l i tat ing Condit ions
14. Ik heb de nodige middelen om Netflix te gebruiken. !
15. Ik heb de nodige kennis om Netflix te gebruiken. !
16. Ik kan hulp van anderen krijgen als ik moeilijkheden heb met het gebruik van
Netflix. !
17. Met Netflix kan ik makkelijk mijn favoriete series/films terugvinden. !
18. Het is belangrijk voor mij dat Netflix onthoudt waar ik ben gestopt met kijken
naar een serie/film.
!19. Ik vind het belangrijk dat Netflix me films/series aanraadt.
! Hedonic Motivat ion
20. Ik geniet ervan naar Netflix te kijken.
21. Netfix gebruiken is aangenaam.
!22. Netflix gebruiken is vermakelijk.
! Price Value
23. De prijs van Netflix is redelijk. (vanaf €8 per maand) !
24. Netflix heeft een goede prijs-kwaliteitverhouding.
25. Aan de actuele prijs is Netflix een goed product.
! Habit
26. Het gebruik van Netflix is een gewoonte geworden voor mij.
27. Ik ben verslaafd aan Netflix. !
28. Netflix gebruiken is voor mij heel normaal geworden. !
29. Ik kijk enkel nog naar series/tv via Netflix.
! Behavior intent ion
30. Ik ben van plan Netflix in de toekomst verder te gebruiken. !
31. Ik ben van plan Netflix regelmatig te blijven gebuiken. !
32. Ik raad anderen sterk aan Netflix te gebruiken.
! Tria labi l i ty
33. De gratis proefmaand zou belangrijk zijn in mijn beslissing om Netflix al dan niet
aan te kopen.
34. De proefmaand zou belangrijk zijn in mijn beslissing om Netflix uit te proberen.
35. Omdat er een proefmaand aan verbonden is, zou ik eerder geneigd zijn Netflix
te gebruiken.
47
• Use
! 1. Hoe vaak gebruikt u Netlix?
- meerdere keren per dag !
- wekelijks
- maandelijks
- nooit
! 2. Wanneer u kijkt naar Netflix, hoe lang doet u dit gemiddeld?
- Minder dan 30 minuten
- 30 tot 60 minuten
- 60 tot 120 minuten
- 120 - 240 minuten (2 tot 4 uur)
- Langer
! 3. Naar wat kijkt u het meest?
- Series
- Films
- Allebei evenveel
! 4. Wanneer je kijkt naar Netflix, doe je dit alleen?
- Ik kijk altijd alleen
- Ik kijk soms alleen
- Ik kijk nooit alleen !
4b. Wanneer u niet alleen kijkt, is dit met
- partner
- vrienden
- familie !
- collega’s
- andere
! 5. Op welk toestel kijkt u Netflix?
- Computer / laptop
- Tablet
- Televisietoestel
- Smartphone !
48
• Socio-demograf ische kenmerken
! Wat is uw leeftijd?
! 2. Wat is uw geslacht?
- Man
- Vrouw
! 3. Wat is uw hoogst behaalde diploma?
- Geen !
- Lager onderwijs !
- Lager secundair
- Hoger secundair algemeen (ASO) !
- Hoger secundair technisch en artistiek (TSO / KSO)
- Hoger secundair beroeps (BSO) !
- Hoger niet-universitair / bachelor
- (Post-)universitair / master
Hartelijk dank om mee te werken aan deze enquête.
Als u nog kans wilt maken op de cinematickets, vul dan hieronder uw mailadres in (u krijgt enkel
mail indien u bij de winnaars zit).
