var textForPages = ["ISBN 978-80-210-6123-1                  Škapa final.indd   1                                                                                                                                            25.2.2013   12:51:25","Všechna práva vyhrazena. Žádná část této elektronické knihy nesmí                                         být reprodukována nebo šířena v papírové, elektronické či jiné podobě                                         bez předchozího písemného souhlasu vykonavatele majetkových práv                                         k dílu, kterého je možno kontaktovat na adrese – Nakladatelství                                         Masarykovy univerzity, Žerotínovo náměstí 9, 601 77 Brno.","","","","Reklamaþní politika a její ekonomické souvislosti               OBSAH                ÚVOD ................................................................................................................... 9                 ýÁST I REKLAMAýNÍ POLITIKA – VYMEZENÍ A EKONOMICKÉ SOUVISLOSTI              1  REKLAMAýNÍ POLITIKA A JEJÍ FUNKCE ....................................... 13               1.1  POJEM REKLAMAýNÍ POLITIKA .................................................................. 13               1.2  FUNKCE (LIBERÁLNÍ) REKLAMAýNÍ POLITIKY ........................................... 17                 1.2.1  Liberální vs. konzervativní reklamaþní politika ................................ 20               1.3  REKLAMAýNÍ POLITIKA JAKO SOUýÁST SLUŽEB ZÁKAZNÍKOVI ................. 23                 1.3.1  Specifika služeb z pohledu poskytovatele ........................................... 23                 1.3.2  Koncept zákaznického servisu ............................................................ 25               1.4  REKLAMAýNÍ POLITIKA VE VZTAHU K REVERZNÍ LOGISTICE ..................... 28                 1.4.1  ZpČtný tok a reverzní logistika – obsah pojmĤ .................................. 28                 1.4.2  Zpracování vráceného zboží .............................................................. 29                 1.4.3  VyĜizování reklamací v praxi ............................................................. 31              2  REKLAMAýNÍ POLITIKA A NÁKUPNÍ CHOVÁNÍ .......................... 35               2.1  CHARAKTER VRACENÝCH PRODUKTģ ....................................................... 35               2.2  NÁKLADY SOUVISEJÍCÍ S UPLATNċNÍM GARANCÍ ...................................... 37               2.3  POSKYTNUTÍ GARANCE KVALITY SLUŽEB .................................................. 37               2.4  SPECIFICKÉ FAKTORY PěI INTERNETOVÉM NAKUPOVÁNÍ........................... 41                 2.4.1  Spokojenost a kvalita pĜi internetovém nakupování .......................... 41                 2.4.2  Reklamaþní podmínky jako faktor nákupního rozhodování ............... 42               2.5  ZNEUŽÍVÁNÍ REKLAMACÍ .......................................................................... 44                 2.5.1  Oportunistické chování ...................................................................... 45                 2.5.2  Rozsah a ekonomické dĤsledky zneužívání reklamací pro prodejce . 46                 2.5.3  Motivy a cíle zneužívání reklamací .................................................... 47                 2.5.4  Charakteristika oportunistických zákazníkĤ ...................................... 48                 2.5.5  Postup zneužívání reklamací .............................................................. 49                 2.5.6  Obrana prodejcĤ ................................................................................ 50              3  ROLE REKLAMAýNÍ POLITIKY PěI NESPOKOJENOSTI              ZÁKAZNÍKA .................................................................................................... 53               3.1  SPOKOJENOST ZÁKAZNÍKA ........................................................................ 53                 3.1.1  Hodnocení kvality služeb ................................................................... 55               3.2  POCIġOVANÁ (NE)SPRAVEDLNOST ............................................................ 56               3.3  PROJEVY NESPOKOJENOSTI ZÁKAZNÍKA .................................................... 59                 3.3.1  DĤsledky pro zákaznickou loajalitu ................................................... 61                 3.3.2  Artikulovaná nespokojenost – stížnosti .............................................. 62                                               5","Obsah             ýÁST II EMPIRICKÉ STUDIE ZALOŽENÉ NA STRUKTURNÍM MODELOVÁNÍ          4  STRUKTURNÍ MODELOVÁNÍ ............................................................... 67           4.1  VÍCEROZMċRNÉ STATISTICKÉ METODY ..................................................... 67             4.1.1  Statistické pĜedpoklady vícerozmČrných metod ................................. 67             4.1.2  ChybČjící hodnoty ............................................................................... 69             4.1.3  Odlehlé hodnoty ................................................................................. 70           4.2  PODSTATA STRUKTURNÍHO MODELOVÁNÍ ................................................. 71           4.3  TYPY PROMċNNÝCH V SEM ...................................................................... 72           4.4  POýET POLOŽEK PRO URýENÍ KONSTRUKTU .............................................. 73           4.5  REFLEKTIVNÍ A FORMATIVNÍ POJETÍ PROMċNNÝCH ................................... 73           4.6  TYPY STRUKTURNÍCH MODELģ ................................................................. 74             4.6.1  PČšinková analýza .............................................................................. 75             4.6.2  Konfirmaþní faktorová analýza .......................................................... 77           4.7  VÝHODY A MOŽNOSTI VYUŽITÍ SEM ......................................................... 78           4.8  PěEDPOKLADY SEM................................................................................. 79           4.9  POSTUP PěI VÝZKUMU VYUŽÍVAJÍCÍM SEM .............................................. 82             4.9.1  Posouzení validity modelu .................................................................. 83             4.9.2  Modifikace modelu ............................................................................. 83          5  DOTAZNÍKOVÉ ŠETěENÍ ...................................................................... 85           5.1  VOLBA VÝZKUMNÉHO VZORKU ................................................................. 85           5.2  SBċR DAT .................................................................................................. 85           5.3  ýISTċNÍ DAT .............................................................................................. 86           5.4  CHYBċJÍCÍ ÚDAJE ...................................................................................... 88           5.5  NORMALITA DAT ....................................................................................... 88           5.6  CHARAKTERISTIKA VZORKU RESPONDENTģ .............................................. 89          6  SPRAVEDLNOST PěI REKLAMACI A JEJÍ DģSLEDKY NA          LOAJALITU ZÁKAZNÍKA ............................................................................ 91             6.1.1  Formulace modelu ............................................................................. 91             6.1.2  Platnost modelu .................................................................................. 93             6.1.3  Strukturní model ................................................................................. 96             6.1.4  ZávČry ................................................................................................. 97          7  FAKTORY OVLIVĕUJÍCÍ UPLATĕOVÁNÍ REKLAMACÍ ............ 101           7.1  TEORIE PLÁNOVANÉHO CHOVÁNÍ ............................................................ 101             7.1.1  Model TPB a jeho promČnné ........................................................... 102             7.1.2  Aplikace TPB .................................................................................... 105             7.1.3  Metodická doporuþení pro aplikaci TPB ......................................... 105           7.2  FORMULACE MODELU ............................................................................. 108           7.3  VALIDITA MċěICÍHO MODELU ................................................................. 110           7.4  STRUKTURNÍ MODEL ............................................................................... 113           7.5  ZÁVċRY .................................................................................................. 113                                         6","Reklamaþní politika a její ekonomické souvislosti                   ýÁST III EMPIRICKÁ STUDIE ZALOŽENÁ NA CONJOINTNÍ ANALÝZE               8  VLIV REKLAMAýNÍCH PODMÍNEK NA NÁKUPNÍ              ROZHODOVÁNÍ V PROSTěEDÍ INTERNETOVÝCH OBCHODģ ..... 119               8.1  CÍLE A ZDģVODNċNÍ EMPIRICKÉHO ŠETěENÍ ........................................... 119               8.2  CONJOINT ANALÝZA ............................................................................... 122                 8.2.1  Podstata conjointní analýzy ............................................................. 123                 8.2.2  Postup pĜi conjointní analýze .......................................................... 126                 8.2.3  ýtyĜi pĜístupy k hodnocení............................................................... 127                 8.2.4  Výpoþet dĤležitosti atributĤ ............................................................. 129                 8.2.5  Velikost vzorku ................................................................................. 130               8.3  KONCEPT EXPERIMENTU ......................................................................... 131                 8.3.1  Definice atributĤ .............................................................................. 131                 8.3.2  ZdĤvodnČní použité verze conjointní analýzy .................................. 133                 8.3.3  Výzkumný vzorek a kontrola vstupních dat ...................................... 136                 8.3.4  Výsledky conjointní analýzy na agregované úrovni ........................ 138                 8.3.5  Spolehlivost modelu ......................................................................... 141                 8.3.6  Rozdíly mezi respondenty ................................................................. 142                 8.3.7  Shrnutí výsledkĤ ............................................................................... 144              ZÁVċR ............................................................................................................. 147              SUMMARY ...................................................................................................... 149              SEZNAM POUŽITÝCH ZDROJģ ............................................................... 151              SEZNAM TABULEK ..................................................................................... 164              SEZNAM OBRÁZKģ..................................................................................... 166              SEZNAM POUŽITÝCH ZKRATEK ........................................................... 167              PěÍLOHA þ. 1 – DOTAZNÍK ........................................................................ 169              PěÍLOHA þ. 2 – VÝSLEDKY MODELU SPRAVEDLNOSTI              A LOAJALITY ................................................................................................ 172              PěÍLOHA þ. 3 – VÝSLEDKY TESTOVÁNÍ SPRAVEDLNOSTI              A SKLONU K REKLAMACÍM .................................................................... 179              PěÍLOHA þ. 4 – DENDROGRAM SHLUKOVÉ ANALÝZY ................... 189                                                        7","","Reklamaþní politika a její ekonomické souvislosti                 ÚVOD               Kniha, kterou držíte v rukou, se vČnuje fenoménu reklamací a speciálnČ oblasti,              již  zahraniþní  literatura  oznaþuje  jako  return  policy.  Protože  se  tento  pojem              v þeské literatuĜe nevyskytuje, je pĜeložen jako reklamaþní politika a jeho obsah              je  pĜizpĤsoben þeskému  právnímu  prostĜedí.  Reklamaþní  politikou  se              zjednodušenČ Ĝeþeno rozumí zpĤsob Ĝízení reklamací, které prodávající obdrží              z dĤvodu  faktických  vad  produktu  a  pĜípadnČ  i  vad  subjektivnČ  vnímaných              zákazníkem. Zkoumanou oblastí tak jsou reklamace z titulu záruky na zboží þi              službu  a  vracení  zboží  (þi  refundace  poskytnuté  služby),  se  kterými  zákazník              není  subjektivnČ  spokojen.  PĜíkladem  druhé  oblasti  je  vrácení  výrobku              nakoupeného pĜes internet do 14 dnĤ bez udání dĤvodu, což je právo zákazníka              stanovené þeskou  legislativou.  Jsou  ale  i  obchodníci,  kteĜí  možnost  vrácení              výrobkĤ nabízejí v kamenných obchodech, pĜiþemž lhĤty jsou rĤzné, neboĢ tato              možnost není dána legislativou, ale rozhodnutím obchodníka samotného.              Následující  stránky  zkoumají  souvislost  reklamaþní  politiky  s marketingem.              Reklamaþní politika je zde chápána primárnČ jako marketingový nástroj spolu-              utváĜející tzv. rozšíĜený produkt. Reklamaþní politika by proto mČla definovat              taková  pravidla  nakládání  s  reklamacemi,  která  budou  vytváĜet  další  hodnotu              pro  zákazníka,  a  co  je  dĤležité,  mČlo  by  se  jednat  o  pravidla,  která  budou              souþasnČ  zohledĖovat  princip  hospodárnosti  pro  prodávajícího.  Reklamaþní              politika totiž pĜímo ovlivĖuje množství obdržených reklamací, a tím i množství              produktĤ, které musí prodávající, resp. jeho reverzní logistika zpracovat.              Naopak  tématem  mimo  hlavní  pozornost  je  legislativní  úprava  reklamací              v ýeské  republice,  což  neznamená,  že  jde  o  téma  nedĤležité.  Na  rozdíl  od              marketingového  pohledu  je  však  již  zpracováno  v mnoha  þláncích  i  nČkolika              knižních  publikacích.  PĜedložená  kniha  má  za  úkol  vyplnit  povČstné  „bílé              místo“, nikoliv být další více þi ménČ kvalitní duplicitou. Cílem monografie je              proto prozkoumat chování zákazníkĤ a dodavatelĤ v souvislosti s reklamacemi              a reklamaþními  podmínkami  za  úþelem  optimalizace  reklamaþní  politiky.              S ohledem  na  zamČĜení  pĤvodních  výzkumných  studií  obsažených  v knize  se              text soustĜedí zejména na oblast maloobchodu, zatímco reklamaþní politika pĜi              obchodování mezi podniky je rozpracována ménČ.              Práce je rozdČlena na tĜi þásti. První má charakter literární rešerše a pĜedstavuje              teoretické i empirické poznatky o reklamaþní politice, a to z pohledu zákazníkĤ              (nákupní  chování),  podnikĤ  (reklamaþní  politika  jako  marketingový  nástroj,              vazba na logistické þinnosti) i obchodních vztahĤ (v prostĜedí B2C a þásteþnČ              B2B). První þást také slouží jako „poznatková základna“ pro empirická šetĜení,              která jsou obsahem dalších kapitol.                                                9","Úvod          Druhá þást pĜibližuje dvČ empirická šetĜení, která se týkala významu spravedl-          nosti pĜi vyĜizování reklamací, a to spravedlnosti vnímané zákazníky ve vztahu          k jejich loajalitČ vĤþi obchodníkovi; dále pak faktory, které ovlivĖují zákazníky          pĜi  rozhodování,  zda  uplatnit  þi  neuplatnit  reklamaci.  ObČ  studie  byly          zpracovány pomocí strukturního modelování, které je v textu také pĜiblíženo.          TĜetí þást popisuje experiment pomocí conjointní analýzy; konkrétnČ zkoumá,          jaký vliv na zákaznické preference pĜi internetovém obchodování mají vybrané          nástroje reklamaþní politiky. Protože conjointní analýza zatím nepatĜí v þeském          prostĜedí k rozšíĜeným metodám, je také jí v textu vČnována samostatná þást.          Empirická  šetĜení,  která  jsou  obsahem  druhé  a  tĜetí þásti,  mají  exploratorní          charakter, þemuž odpovídá konstrukce a rozsah výbČrového vzorku, stejnČ tak          i platnost uþinČných závČrĤ – zde máme na mysli pĜedevším omezení spojená          se zobecnitelností výsledkĤ na celou populaci spotĜebitelĤ v ýeské republice.          Literatura  citovaná  v následujícím  textu  je  až  na  nČkolik  málo  výjimek          zahraniþního pĤvodu, jelikož domácí zdroje se tématu reklamaþní politiky témČĜ          nevČnují. Z toho dĤvodu bylo potĜebné pĜeložit zahraniþní termíny do þeštiny,          a aby  nedošlo  k posunu  jejich  významu,  jsou  na  nČkterých  místech  vedle          þeského termínu ponechána i pĤvodní anglická oznaþení.          PĜestože kniha, kterou právČ þtete, je již vytištČná, a nelze v ní tudíž zmČnit „ani          þárku“, autor velmi ocení pĜípadné pĜipomínky, postĜehy i jiné komentáĜe, které          využije ve své další výzkumné a pedagogické práci.          V této souvislosti by autor rád podČkoval obČma recenzentĤm za jejich vČcné          pĜipomínky,  které  se  naopak  do  výsledného  textu  promítly.  PodČkování  patĜí          také kolegĤm z autorova pracovištČ za rady i podporu pĜi tvorbČ této publikace.                                                                  10","","","I. Reklamaþní politika – vymezení a ekonomické souvislosti                 1  REKLAMAýNÍ POLITIKA A JEJÍ FUNKCE              Problematika chování zákazníkĤ pĜi vracení výrobkĤ byla výzkumem opomíjena              a  pozornost  smČĜovala  ke  studiu  efektĤ  (zejména  vlivu  na  ziskovost)  pro              obchodníky  a  výrobce  (Petersen  a  Kumar,  2009).  Také  podle  rešerší              provedených Goudge a kol. (2010) znaþnČ pĜevažují studie sledující okolnosti              reklamaþní  politiky  z pohledu  producentĤ.  Naproti  tomu  výzkumy,  které  se              soustĜedí  na  chování  zákazníkĤ  ve  vztahu  k reklamaþní  politice,  jsou  neþetné              a mají pĜevážnČ teoretický charakter (Wang, 2009). Z toho lze vyvodit, že pokud              ve výzkumu reklamací a garancí existuje prostor, týká se empirických šetĜení              zákazníkĤ.  Do  této  oblasti  proto  smČĜují  empirické  studie  pĜedstavené              v následujících kapitolách.              Na  tomto  místČ  se  však  nejprve  pokusíme  shrnout  hlavní  poznatky  ze              zahraniþních  výzkumĤ  o  reklamaþní  politice  (return  policy),  objasníme  její              obsah  a  souvislosti  se  spokojeností  zákazníka  a  zákaznickým  chováním,              ekonomickými dopady, vþetnČ vztahu k reverzní logistice.                1.1  Pojem reklamaþní politika              Return  policy  je  pojem  hojnČ  užívaný  jak  v praxi,  tak  také  v akademické              literatuĜe,  o  þemž  svČdþí  velké  množství  publikovaných  studií  v letech  2000–              2010,  které  se  tímto  problémem  zaobírají  a  které  tento  termín  mají  ve  svém              názvu þi  anotaci  (napĜ.  v databázi  Scopus  bylo  v uvedeném  období  takových              þlánkĤ  evidováno  122).  Je  proto  pĜekvapivé,  že  zejména  akademici  nemají              potĜebu  tento  pojem  vymezit.  PĜitom  jeho  výklad  není  zcela  triviální,  a  co  je              dĤležité, jeho obsah se liší autor od autora. ýtenáĜi rĤzných výzkumných prací              se  to  ale  musejí  dovtípit  sami  z kontextu,  v jakém  je  pojem  využíván.  NapĜ.              Brown (2008), Ding a Chen (2008) a dlouhá  Ĝada dalších se vČnují výhradnČ              return policy, pĜesto ji blíže neobjasĖují. StejnČ tak ani Rogers, Tibben-Lembke              (1999), kteĜí ve své þasto citované výzkumné zprávČ o reverzní logistice právČ              o return policy pojednávají na mnoha místech textu.              Také  v encyklopediích  tento  pojem  není  zastoupen.  NapĜ.  velmi  obsáhlá              a z hlediska  autorĤ  i  vydavatele  prestižní  Wiley  International  Encyclopedia  of              Marketing (2010) zmiĖuje return policy na dvou místech bez dalšího vysvČtlení:              v souvislosti  s vysokou  hodnotou  pro  zákazníka,  kterou  poskytuje  spoleþnost              IKEA (Baker, 2010), a rozvojem internetových obchodĤ (Shankar, 2010).              Jedno  z mála  vyjádĜení  k reklamaþní  politice  najdeme  v Setaputra  a Mukho-              padhyay (2010): 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  Ĝíká,  že  return  policy  je  právo  na  vrácení                                              13","1. Funkce reklamaþní politiky          produktu,  které  mĤže  zákazník  využít  s  tím,  že  získá  urþitou  kompenzaci.          Bohužel není jasné, jestli return policy zahrnuje i zákonem upravenou záruku          (warranty),  nebo  zda  je  zde  Ĝeþ  o  dalším  právu  nad  rámec  zákonných          požadavkĤ.          Rozdíl mezi return policy a zárukou lze spatĜit v tom, že záruka vyplývá z platné          legislativy  a  vztahuje  se  k situacím,  kdy  výrobek  nenaplĖuje  objektivní          technické  parametry.  Return  policy  ochraĖuje  zákazníky  pĜed  subjektivní          nespokojeností s produktem (Padmanabhan a Png, 1995, Heiman a kol. 2002;          Bhatia, 2004). Toto pojetí není ale jednoznaþnČ sdíleno.          NapĜ.  Wang  (2009)  pĜi  charakterizaci  return  policy  v ýínČ  do  tohoto  pojmu          evidentnČ  zaþleĖuje  i  situace,  kdy  je  produkt  objektivnČ  vadný.  ZĜejmé  je  to          i v práci Davise a kol. (1995): pod oznaþením money back guarantee definují          reklamaþní  politiku  jako  politiku,  kdy  obchodník  veĜejnČ  souhlasí  s refundací          plné  prodejní  ceny  zákazníkovi  pro  jakýkoliv  dĤvod,  a  to  i  pokud  produkt          odpovídá  implicitnČ  nebo  explicitnČ  urþeným  výkonnostním  (technickým)          parametrĤm.          PodobnČ v praxi se tento pojem vykládá rozdílnČ: zahraniþní podniky používají          pojem  reklamaþní  politika  jako  synonymum  pro  þeský  pojem  reklamaþní Ĝád.          Jedná  se  tedy  o  dokument  deklarující  závazek  prodávajícího  pĜijmout  zpČt          produkt za urþitých podmínek a zákazníka odškodnit. Tento dokument definuje          i procesní  stránku  vyĜizování  reklamací.  VČcnČ  se  týkají  jak  vracení  výrobkĤ          z dĤvodu (subjektivní) nespokojenosti  zákazníka,  tak  i  zákonných  dĤvodĤ pro          reklamace (v záruþní lhĤtČ – warranty, napĜ. www.prepaidsatphone.com/return-          policy.htm).          PĜíþiny  problému  s pĜekladem  a  vymezením  tohoto  pojmu  lze  hledat          v odlišnostech tržního a legislativního prostĜedí a také v obecnČjších kulturních          odlišnostech.  Ilustrativní  je  situace  pĜi  internetovém  nakupování,  jež  je          v Evropské  unii  (EU)  upraveno  smČrnicí  Evropského  parlamentu  a  Rady          97/7/ES  ze  dne  20.  kvČtna  1997  o  ochranČ  spotĜebitele  v  pĜípadČ  smluv          uzavĜených  na  dálku,  která  ukládá  možnost  odstoupit  od  kupní  smlouvy.          V þeské  legislativČ  je  tato  možnost  automaticky  nabízena  pĜi  situaci,  kdy  je          kupní  smlouva  uzavĜena  pomocí  prostĜedkĤ  komunikace  na  dálku  podle  §  53          odst. 7 obþanského zákoníku.          V zemích  EU  je  tak  pĜi  nákupu  na  dálku  stanovena  legislativní  povinnost          pĜijmout zpČt vrácené výrobky do 14 dnĤ a existují omezení týkající se nákladĤ,          které obchodníci v této souvislosti mohou zákazníkĤm naúþtovat – prodejci mají          možnost  proplatit  pouze  cenu  vráceného  výrobku,  bez  nákladĤ  na  dopravu.          Požadovat  po  zákaznících  jinou  úhradu  nákladĤ  nesmČjí.  Situace  v USA  je          mnohem  víc  liberální.  Povinnost  pĜijmout  výrobek  zpČt  tam  není  dána          legislativou a je na rozhodnutí samotných obchodníkĤ, zda tuto možnost svým          zákazníkĤm  nabídnou,  þi  ne.  SouþasnČ  zde  také  neplatí  omezení  dodateþných                                          14","I. Reklamaþní politika – vymezení a ekonomické souvislosti              nákladĤ.  Prodejce  proto  mĤže  po  zákazníkovi  požadovat  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 schopni pĜenést alespoĖ þást nákladĤ pĜímo na zákazníky, kteĜí zboží              vracejí. V zemích EU musí obchodníci tyto náklady promítnout do vyšších cen              zboží, jak dokládají v segmentu spotĜební elektroniky Posselt a kol. (2010).              Z tohoto je patrné, že v USA možnost vrátit výrobek zpČt vychází z autonom-              ního  rozhodnutí  prodejce.  Podniky  vĤbec  nemusejí  možnost  vrátit  výrobek              nabízet a jediný dĤvod, kvĤli kterému pĜijmou výrobek zpČt, je jeho technická              vada. Zde se ale již jedná o záruþní podmínky (warranty).              V evropském  kontextu  (resp.  v zemích  EU)  je  situace  složitČjší,  neboĢ  mini-              málnČ v pĜípadČ nákupu na dálku existuje povinnost odbČru zboží zpČt, a naopak              neexistuje  možnost  požadovat  od  zákazníkĤ  poplatek  k  úhradČ  nákladĤ              spojených  s  vráceným  zbožím.  Obchodníci  tedy  nemohou  vždy  libovolnČ              optimalizovat svou reklamaþní politiku, a tak jsou nČkteré zahraniþní zkušenosti              a doporuþení nepĜenositelné.              Tyto  odlišnosti  je  tĜeba  mít  na  pamČti  pĜi  interpretaci  nČkterých  výzkumĤ              realizovaných mimo EU, které, byĢ to nezdĤrazĖují explicitnČ (viz již uvedený              fakt,  že  autoĜi  nedefinují  tento  pojem),  pod  oznaþením  reklamaþní  politika              zkoumají dobrovolnČ poskytovanou garanci.              Pokud  jde  o  situaci  v  ýeské  republice,  autorovi  se  nepodaĜilo  najít  žádnou              významnČjší odbornou práci, která by se specificky vČnovala reklamacím jako              marketingovému  nástroji.  PochopitelnČ  toto  konstatování  lze  vztáhnout  na              literaturu,  která  je  dostupná  v knihovnách  nebo  prostĜednictvím  internetu,              a nikoliv absolutnČ, neboĢ napĜ. sborníky vydané malým nákladem jsou témČĜ              nedohledatelné. Pokud se þeští autoĜi zaobírají reklamacemi, všímají si právní              stránky; zejména pak ochrany spotĜebitele.              Z uvedených  dĤvodĤ  bylo  nutné  pĜeložit  a  definovat  pojem  return  policy              vlastními  silami.  V této  knize  tedy  pĜekládáme return  policy  souslovím              reklamaþní  politika.  Definujeme  jej  jako  širší  pojem,  což  mj.  zabrání              dezinterpretaci zahraniþních výzkumĤ, které dále citujeme. Pro úþely této práce              je  reklamaþní  politika,  jakožto  volný  pĜeklad return  policy,  charakterizována              takto:              Reklamaþní  politika  je  rozhodnutí  prodejce  o  rozsahu  a  kvalitČ  poprodejních              služeb  poskytovaných  zákazníkĤm.  Je  vymezena  pravidly  a  uplatĖovanými              postupy,  které  prodejce  používá  pro  pĜijímání  výrobkĤ  zpČt  z dĤvodu              nespokojenosti þi funkþní vady, resp. z dĤvodu jiných prodejcem urþených pĜíþin              anebo  možností,  a  pro  poskytnutí  kompenzace  za  vrácený  výrobek.  V pĜípadČ              služeb jde o pravidla a postupy pro kompenzaci za poskytnuté služby, se kterými              zákazník nebyl spokojen.                                               15","1. Funkce reklamaþní politiky           Reklamaþní politika se tedy týká následujících dvou oblastí:             1. Jde  o  zpĤsob,  jakým  podnik  naplĖuje  legislativní  požadavky  v pĜípadČ               obdržených reklamací.             2. Jde  o  zákazníkovi  dobrovolnČ  poskytnuté  právo  vrátit  výrobek  zpČt               a obdržet  kompenzaci  v pĜípadČ,  že  s výrobkem  þi  službou  není               subjektivnČ  spokojen.  Jedná  se  tedy  o  situace,  na  které  se  nevztahuje               platná legislativa týkající se reklamací.           Podle  Heiman  a  kol.  (2001)  se  reklamaþní  politika  týká  následujících  þtyĜ          dimenzí:             1. intervalu, po který je možné garanci vrácení uplatnit;             2. nákladĤ na vrácení výrobku (napĜ. požadavek manipulaþního poplatku pĜi               vrácení);             3. charakteru náhrady (vrácení penČz þi výmČna za jiný výrobek);             4. dodateþných  podmínek  (vrácení  v  pĤvodním  obalu,  neporušený  obal,               neodstranČné cenovky, vyplnČní dotazníkĤ; vice viz napĜ. Bhatia, 2004).          OpČt  zdĤraznČme,  že  v þeských  podmínkách  jsou  nČkteré  dimenze  silnČ          limitovány platnou legislativou.          Pokud  se  tedy  podnik  rozhodne,  že  bude  vĤþi  svým  zákazníkĤm  „konzer-          vativní“,  jeho  pĜístup  k reklamacím  bude  pouze  odpovídat  „minimálním“          požadavkĤm,  které  stanovuje  legislativa.  U  podnikĤ,  které  navíc  nabízejí          kompenzaci  v pĜípadČ  subjektivní  nespokojenosti  zákazníkĤ,  zahrnuje          reklamaþní politika obČ oblasti.          Dodejme, že možnost vrátit výrobek z dĤvodu subjektivní nespokojenosti (tj. pĜi          uplatĖování  vstĜícné  neboli  liberální  reklamaþní  politiky)  má  své  ekonomické          dĤsledky, neboĢ toto poskytnuté oprávnČní zákazníci skuteþnČ využívají a nČkdy          bohužel  i  zneužívají.  NepĜíjemnou  skuteþností  pro  podniky  je  rostoucí  podíl          takto  vrácených  výrobkĤ,  které  nejsou  vadné  (jsou  oznaþovány  jako  „non-          defective“).          Stock a kol. (2006) odhadují, že v internetových obchodech se vrací pĜibližnČ          5,4  %  zboží,  což  odpovídá  napĜ.  i  vyjádĜení  velkého  þeského  obchodníka          Alza.cz – vrací se 3–5 % sezonního zboží, jako jsou fotoaparáty, kamery nebo          navigace  (Farghali,  2011).  ZásadnČ  jiné  þíslo  prezentují  Dissanayake  a  Singh          (2007): podíl vrácených výrobkĤ pĜi internetovém prodeji je 30–50 %. Sicarrotta          (2003) odhaduje tento podíl na 70 % u výrobkĤ spotĜební elektroniky, u poþí-          taþĤ až 85 % a pro nČkteré malé spotĜebiþe nad 90 %. Na základČ dotazování          mezi  39  malo-  i  velkoobchodníky,  kteĜí  využívají  internetový  prodej,  vznikla          následující  Tabulka 1-1 s dĤvody, proþ zákazníci zboží vracejí.                                             16","I. Reklamaþní politika – vymezení a ekonomické souvislosti               Tabulka 1-1: Dĥvody/zdroje vrácených výrobkĥ (%) (n = 39)                               DĤvody/zdroje vrácených výrobkĤ                  Rozhodnutí zákazníka      25   Sezonní produkt      4                  Nefunkþní výrobek        20   Jiné dĤvody         3                  Chybná objednávka        18   Pozdní dodání       2                  Záruka                   12   Upgrade a servis     2                  Chybný dodaný výrobek    9    Nadbyteþné zásoby    1                  Neplatný dĤvod vrácení     5              Zdroj: Dissanayake a Singh, 2007.               1.2  Funkce (liberální) reklamaþní politiky              DĤvodĤ, proþ podniky poskytují možnost vrácení výrobku nad rámec legislativ-              ních  požadavkĤ,  je  nČkolik.  NapĜ.  Posselt  a  kol.  (2010)  nebo  Heiman  a kol.              (2001) je vidí ve zlepšení image obchodníka a v dĤsledku toho v získání dalších              zákazníkĤ. Druhým dĤvodem je, že zákazník pĜi vracení výrobku mĤže nakoupit              jiný výrobek (efekt cross-sellingu). Diskutovanou funkcí je otázka, zda podoba              liberálních  reklamaþních  podmínek  je  signálem  o  kvalitČ  nabízeného  zboží              smČrem ke spotĜebitelĤm. PĜíþinou pochyb je skuteþnost, že obchodníci bČžnČ              nabízejí  stejné  reklamaþní  podmínky  pro  výrobky  rĤzných  výrobcĤ,  které              prodávají.  Zde  je  potĜebné  zmínit,  že  jen  nČkteré  výrobkové  kategorie  mají              speciální režim a jsou z možnosti vrácení vylouþeny: napĜ. internetové obchody              neumožĖují vrátit produkty, které lze rychle spotĜebovat nebo zkopírovat (knihy,              DVD, CD, software).              Další uvádČnou funkcí reklamaþní politiky je podpora impulzivního nakupování              a nakupování dárkĤ – i zde ale platí podobná výhrada: reklamaþní politika je              jednotná  pro  rĤzné  druhy  zboží,  které  obchodník  nabízí,  a  jistČ  ne  všechny              kategorie  produktĤ  jsou  nakupovány  impulzivnČ, þi  jako  dary  (Bhatia,  2004).              VstĜícná  reklamaþní  politika  má  signalizaþní  efekt  a  snižuje  míru  rizika              u zákazníka, která plyne z informaþní asymetrie. Je také cestou, jak se zákazník              mĤže  vyhnout  zklamání  (Wang,  2009).  VstĜícnČjší  reklamaþní  politika  mĤže              vést k vyšším tržbám a k udržení zákazníka (loajalita), viz Obrázek 1-1.              Význam  reklamaþní  politiky  souvisí  s typem  produktu:  u  výrobkĤ,  které              vyžadují delší þas na seznámení (tedy pĜedevším složitČjší výrobky), je význam              garancí poskytovaných reklamaþní politikou vyšší (Heiman a kol., 2001).               Zvláštní funkce plní reklamaþní politika v obchodních vztazích mezi podniky              (business to business, B2B). V oblasti B2B nejde o vracení produktĤ z dĤvodu              nespokojenosti, ale z dĤvodu neprodejnosti. Mluví se o vratkách þi remitendČ,              což jsou bČžné obchodní praktiky uplatĖované zejména pĜi distribuci tiskovin,              CD  a  DVD  nosiþĤ.  Je  možné  se  s  nimi  setkat  i  u  software,  pohlednic,  léþiv,              obleþení,  kosmetiky.  DĤvody  jsou  omezená  doba  použitelnosti,  morální              zastarávání þi nasycení poptávky (Padmanabhan a Png, 1995).                                              17","1. Funkce reklamaþní politiky          Obrázek 1-1: Pravdčpodobnost opčtovného nákupu ve vztahu k snadnosti          uplatnční reklamace – ÿetnosti odpovčdí                Konzervativní              reklamaēní                politika                                  Zcela nepravdĢpodobné                                                         NepƎíliš pravdĢpodobné                                                         Celkem pravdĢpodobné                Liberální                                Velmi pravdĢpodobné               reklamaēní                politika                          0%    20%   40%   60%   80%   100%          Zdroj: Newgistics.com, citováno z http://pharmaceutical-          supplychain.org/index_files/Retailer Returns Article-ETIG version.pdf          Padmanabhan a Png (1995) shrnují dĤvody pro poskytování možnosti vrácení          výrobkĤ obchodníkĤm takto:             1. Snížení  rizika  držení  vysokých  zásob:  Držení  vysokých  zásob  je  pro               obchodníky  riziko,  neboĢ  pĜi  menší  než  pĜedpokládané  poptávce  utrpí               ztrátu.  Malá  velikost  objednávek  tento  problém  podstatnČ  zmírĖuje.               SouþasnČ jde o nevýhodné Ĝešení pro výrobce, protože se mĤže stát, že               þást  poptávky  bude  neuspokojena,  dojdou-li  obchodníkĤm  zásoby.               Padmanabhan a Png doporuþují, aby výrobci poskytli možnost zpČtného               odbČru zboží (remitendu), pokud jsou výraznČ vČtším hráþem na trhu než               obchodník.  V tomto  pĜípadČ  jsou  negativní  následky  ménČ  bolestné.               Pokud  má  výrobce  možnost  levné  redistribuce  mezi  obchodníky,  je               pĜijímání  zboží  zpČt  smysluplné.  A  koneþnČ  tĜetí  okolnost:  možnost               vrácení  je  vhodná,  když  je  poptávka  po  produktech  výrobce  ménČ               volatilní než poptávka u maloobchodníkĤ.             2. Obrana  znaþky:  Pro  vnímání  znaþky  výrobce  mĤže  být  nežádoucí,  aby               obchodníci  neprodané  zboží  nabízeli  ve  „slevČ“.  Možnost  vratek  tento               problém „nenásilnČ“ odstraní.             3. Podpora  reklamaþní  politiky  pro  koncové  zákazníky:  Pokud  má               obchodník zajištČno, že výrobce (resp. i jiný dodavatel v ĜetČzci) pĜijme               alespoĖ þást  vratek,  je  vČtší  šance,  že  i  svým  koncovým  zákazníkĤm               poskytne vstĜícné reklamaþní podmínky.             4. UsnadnČní  distribuce  nových  výrobkĤ:  PĜi  uvádČní  nového  výrobku  do               prodeje  mohou  být  obchodníci  velmi  rezervovaní  stran  jeho  úspČchu,               a proto  jejich  objednávky  mohou  být  skepticky  nízké.  Poskytnutím               možnosti vratek tak výrobce dává signál, že je pĜesvČdþen o oþekávané                                          18","I. Reklamaþní politika – vymezení a ekonomické souvislosti                   poptávce a kvalitČ svého výrobku. PodobnČ argumentuje Goudge a kol.                   (2010): poskytnutí možnosti vrátit výrobek je vysláním signálu o kvalitČ                   nového  výrobku,  tj.  výrobce  si  natolik  „vČĜí“,  že  se  nebojí  pĜípadných                   ekonomických dĤsledkĤ. Jde o opatĜení vhodné v situaci, kdy obchodníci                   sami vysokou kvalitu výrobku nevnímají.                 5. Konkurenþní  boj:  Jestliže  možnost  vratek  zvyšuje  zásoby  daného                   produktu u obchodníka, zvyšuje se tím šance, že produkt nakoupí koncoví                   zákazníci. Riziko, že zákazníci pĜejdou k substituþnímu produktu, je nižší.                   Velikost  zásob  také  povede  obchodníky  k vČtší  soutČživosti  s ostatními                   obchodníky, což mĤže vést k nižší výsledné cenČ – tedy menším maržím                   pro obchodníky.              Podle uvedených úvah pak Padmanabhan a Png (1995) definují doporuþení pro              volbu  konzervativní  þi  liberální  politiky  ve  vztahu  k daným  okolnostem              podniku, viz Tabulka 1-2.              Vedle  žádoucích  efektĤ  ze  vstĜícné  reklamaþní  politiky  v B2B  existuje              pochopitelnČ  i  riziko  urþitých  negativních  dĤsledkĤ.  Možnost  vratek  vede  ke              zmČnČ chování obchodníkĤ v tom smČru, že udržují vyšší stav zásob, a tím jim              zásoby  váží  vyšší  množství  kapitálu.  Maloobchodník,  který  má  možnost  bez              problémĤ  vrátit  neprodané  nebo  poškozené  zboží  výrobci,  je  zbaven  rizika              spojeného  s držením  nadbyteþné  zásoby  (neprodejného)  zboží  a  toto  riziko  je              pĜeneseno  zpČt  na  výrobce.  Ten  je  ale  souþasnČ  vystaven  dalšímu  problému.              Jelikož  maloobchodníci  riziko  nenesou,  mohou  objednávat  víc,  než  jsou              realistické  odhady  prodejĤ.  Náhlé  a  rozsáhlé  objednávky  mohou  výrobci              zpĤsobit pĜedþasné vyþerpání zásob. Výrobce je tak vystaven zvýšenému riziku              (Klup a kol., 2003).              Z pohledu  výrobce  Padmanabhan  a  Png  (1995)  shrnují  náklady  vyvolané              liberální reklamaþní politikou do následujících skupin:                 x Náklady na reverzní logistiku.                 x Znehodnocování  vracených  (funkþních)  produktĤ  –  morální  zastarání,                   fyzická opotĜebovanost zpĤsobená manipulací s produkty.                 x PĜevedení nákladĤ z nadmČrných zásob na výrobce.                 x Snížení pozitivních efektĤ takových opatĜení, které výrobce uþinil smČrem                   k obchodníkĤm  s cílem  podpory  prodeje.  Vratky  snižují  motivaci                   obchodníka peþovat o produkt.              Jak  pro  výrobce,  tak  pro  velkoobchodníky  þi  maloobchodníky  znamená              uplatĖování  vstĜícné  reklamaþní  politiky  dodateþné  náklady.  Jejich  výše  pak              záleží  na  efektivnosti  systému,  kterým  jsou  tyto  vrácené  výrobky  dál              zpracovávány. NapĜ. aby se minimalizovaly ztráty, musí existovat redistribuþní              procesy,  které  zajistí  pĜevoz  neprodaného  zboží  od  obchodníkĤ  do  míst              (k obchodníkĤm),  kde  je  poptávka  naopak  neuspokojená  (Klup  a  kol.,  2003).                                              19","1. Funkce reklamaþní politiky          Vedle marketingových souvislostí se tak dostáváme k vazbČ reklamaþní politiky          na provozní fungování podniku a konkrétnČ k tzv. reverzní logistice.          Tabulka 1-2: Rámec pro volbu reklamaÿní politiky výrobce ve vztahu          k obchodníkĥm             Liberální reklamaþní politika   Konzervativní reklamaþní politika           Obchodníci se vyhýbají riziku   Nestálá poptávka finálních zákazníkĤ          Slabá konkurence mezi obchodníky   Vysoké výrobní a logistické náklady          Obchodníci nedĤvČĜují výrobci   Nízká hodnota pĜi zpracování          Znaþky soutČžící na trhu nejsou   vrácených výrobkĤ          diferencované                   Výrobce nedĤvČĜuje obchodníkĤm          Zdroj: Padmanabhan a Png, 1995           1.2.1 Liberální vs. konzervativní reklamaÿní politika          V literatuĜe  se  obvykle  mluví  o  dvou  typech  reklamaþní  politiky.  První  je          oznaþována jako konzervativní, striktní þi v extrémním pojetí no-return policy.          Jedná se o rozhodnutí prodejce neposkytovat možnost vrácení zboží zpČt, resp.          tuto  možnost  nabídnout  jen  ve  velmi  výjimeþných  pĜípadech,  tj.  po  splnČní          pĜísných (a þasto mnoha) podmínek. V pĜípadČ služeb toto analogicky znamená          minimální  až  žádné  možnosti  kompenzace  pĜi  subjektivní  nespokojenosti.          V souvislosti s definicí reklamaþní politiky využité v této práci mĤžeme Ĝíct, že          konzervativní reklamaþní politika odpovídá situaci, kdy prodejce garantuje jen          zákonné minimum – tj. reklamovat lze pouze výrobky objektivnČ vadné.          Opakem  je  pak  liberální  neboli  vstĜícná  reklamaþní  politika,  která  umožĖuje          zákazníkĤm  vrátit  nakoupené  výrobky  zpČt  z dĤvodu  jejich  subjektivní          nespokojenosti  a  souþasnČ  prodejce  nepodmiĖuje  tuto  svou  garanci  velkým          množstvím pĜísných podmínek.          Reklamaþní  politika  v dodavatelských  ĜetČzcích  nemusí  být  jednotná  (a  také          nebývá). Svá specifika má reklamaþní politika v business to business vztazích          (B2B)  a  jiná  má  reklamaþní  politika  uplatĖovaná  obchodníky  smČrem  ke          koncovým zákazníkĤm, vzhledem k již zmínČným rozdílným funkcím.          Konzervativní i liberální reklamaþní politika mají své výhody. Pokud prodáva-          jící  zavede  komplikované  podmínky  pro  vrácení  zboží  (jako  napĜ.  nefinanþní          náhradu  –  tj.  výmČnu  zboží  za  jiné  ve  stejné  hodnotČ),  pĜenáší  vyšší  riziko          spojené s chybnou koupí na zákazníka, díky þemuž omezí množství vracených          výrobkĤ,  a  tím  sníží  své  náklady  na  jejich  zpracování  (Pralle  a  Stalk,  2006).          Existuje-li konkurence s vstĜícnČjším postojem k reklamacím, patrnČ rozhodnutí          uplatnit  pĜísnou  reklamaþní  politiku  povede  ke  snížení  poþtu  zákazníkĤ.          Liberální reklamaþní politika povzbuzuje zákazníky k nákupu a podporuje jejich          loajalitu,  ale  souþasnČ  i  pravdČpodobnost  zneužívání  této  vstĜícnosti  (pĜehled          výzkumĤ lze nalézt napĜ. v Petersen a Kumar, 2009).                                          20","I. Reklamaþní politika – vymezení a ekonomické souvislosti              DĤsledky  liberální  reklamaþní  politiky  analyzovala  Woodová  (2001),  a  to              pomocí  experimentĤ  týkajících  se  zásilkového  maloobchodu.  Zkoumanou              veliþinou  byl  þas  vČnovaný  na  rozhodnutí,  zda  výrobek  objednat,  a  þas  na              rozhodnutí výrobek vrátit þi si jej ponechat. Podle jejích výsledkĤ reklamaþní              liberální politika ovlivĖuje nákupní chování v tom smČru, že zkracuje nákupní              rozhodování (resp. redukuje proces zvažování koupČ). Neprokázal se ale její vliv              na (délku) rozhodování, zda si ponechat  þi vrátit produkt po obdržení. Z toho              autorka usuzuje, že strach obchodníkĤ, že liberální reklamaþní politika zpĤsobí              nárĤst  vráceného  zboží,  nemusí  být  opodstatnČný.  Druhým  efektem  liberální              reklamaþní politiky je vyšší vnímání kvality nabízeného produktu. I díky tomu si              „spotĜebitelé“ v experimentu více stáli za svým pĤvodním rozhodnutím, na což              autorka  usuzuje  z faktu,  že  strávili  ménČ þasu  pĜi  vyhledávání  alternativ              produktu. Uvedené závČry platí pouze pro nákupy uskuteþĖované na dálku (tj.              internetové  obchody,  katalogové  obchody,  teleshopping),  protože  v tČchto              situacích existuje významný þasový rozdíl mezi momentem koupČ a momentem,              kdy se zákazník rozhoduje o ponechání výrobku.              Wang (2009) shrnuje dĤvody, které obchodníky mohou vést naopak k uplatĖo-              vání  nevstĜícné  reklamaþní  politiky  (vychází  ze  situace  v ýínČ).  Pokud  je              obchodník  monopolistou,  mĤže  rezignovat  na  sledování  zákaznických  potĜeb              (užitku), a proto upĜednostní konzervativní reklamaþní politiku. Druhou pĜíþinou              mĤže  být  to,  že  restriktivní  reklamaþní  politika  umožĖuje  utajovat  nČkteré              informace  pĜed  zákazníkem  anebo  jej  i  snadnČji  podvádČt.  TĜetím  dĤvodem              mĤže  být  podceĖování  efektu  držby  a  obava  z nárĤstu  množství  vráceného              zboží.  Wang  (2009),  inspirovaný  prací  Wooda  (2001),  se  pokusil  tento  tĜetí              dĤvod  blíže  prozkoumat.  Efekt  držby  (endowement  effekt)  je  teoretická              pĜedstava, že zákazník pĜikládá vČtší hodnotu výrobku, který vlastní. Jde tedy              o užitek z titulu vlastnictví. Wangova pĜedstava pĜedpokládá, že právČ vzhledem              k efektu  držby  zákazníci  vracejí  výrobky,  se  kterými  nejsou  spokojeni,  ménČ              þasto.  Znamená  to,  že  „liberalizace“  reklamaþní  politiky  nemusí  automaticky              znamenat  nárĤst  poþtu  vrácených  výrobkĤ,  protože  vliv  nespokojenosti              bude  alespoĖ þásteþnČ  vykompenzován  užitkem  plynoucím  z vlastnictví.              Experimenty, které Wang provedl, uvedené úvahy potvrdily.              PatrnČ  nejobtížnČjší  otázkou  je  definování  optimální  reklamaþní  politiky  pro              konkrétní  situaci.  Tomuto  problému  se  vČnují  nejþastČji  teoretické  práce              vycházející z matematických modelĤ. PĜi stanovení míry, resp. „ochoty“, s jakou              má  podnik  pĜijmout  vrácené  výrobky,  lze  uplatnit  napĜ.  principy  yield              managementu.              ýasto  citovanou  prací  je  publikace  Davise  a  kol.  (1995),  která  konstatuje,  že              ziskovost  reklamaþní  politiky  pro  konkrétní  produkt  je  ovlivnČna  tČmito              okolnostmi:                                                 21","1. Funkce reklamaþní politiky              x hodnota  (finanþní  prostĜedky),  kterou  mohou  získat  jak  obchodník               (napĜíklad odprodejem vráceného výrobku), tak i zákazník;             x pravdČpodobnost,  že  výrobek  nebude  odpovídat  vkusu  a  oþekávání               zákazníka, tedy pravdČpodobnost vrácení výrobku;             x výše transakþních nákladĤ;             x hodnota,  kterou  zákazník  získá  tím,  že  produkt  jen  „vyzkouší“  –  tedy               hodnota, kterou produkt pĜinese zákazníkovi do okamžiku vrácení.          Urþité Ĝešení komplikovaného rozhodování o podobČ reklamaþní politiky nabízí          Posselt  a  kol.  (2008).  AutoĜi  doporuþují  nabízet  více  verzí  reklamaþních          podmínek, aby si zákazníci sami vybrali, zda chtČjí snížit riziko pĜi koupi tím, že          si pĜiplatí za vyšší garanci (snadnČjší možnost vrácení výrobku), anebo naopak –          tj. napĜ. v situaci, kdy kupovaný produkt znají, a proto upĜednostní nižší cenu          pĜed možností výrobek pohodlnČ vrátit. Vztah k reklamaþním podmínkám mĤže          být tedy využit i pro segmentaci zákazníkĤ.          PĜístup  k reklamacím  se  velmi  liší  v rĤzných  zemích.  Podle  Blodgett  a  kol.          (2006) jsou vĤþi zákazníkĤm nejvíce liberální prodejci v USA. Toto zjištČní ale          vycházelo z rozhovorĤ vždy s jedním (popĜ. dvČma) zástupci spotĜebitelĤ z dané          zemČ. Jestliže autoĜi konstatují, že pozice USA je výjimeþná, je tĜeba zohlednit          nemalou  míru  rizika,  že  toto  konstatování  nemusí  být  platné.  NapĜ.  situace          v USA je podle nich témČĜ identická se situací v ýR, Velké Británii, Irsku a na          Novém  Zélandu  (kde  má  být  také  silnČ  vstĜícný  postup  obchodníkĤ  ke          spotĜebitelĤm). V zemích, jako je Belgie, NČmecko, Francie, Japonsko, ýína þi          Rusko,  zákazníci  mohou  vrátit  výrobek,  pouze  pokud  vykazuje  jakostní          (nesubjektivní)  vady.  ZaĜazení  ýíny  do  této  skupiny  potvrzuje  i  konstatování          Wanga (2009), že zboží v ýínČ lze vrátit pouze do týdne od nákupu, a to jen          v pĜípadČ, že produkt je vadný. ZemČ, kde výrobek není možné vrátit, jsou napĜ.          Thajsko,  Peru,  Indie,  Pákistán.  PodobnČ  striktní  situace  je  v Turecku,  kde          možnost vrátit výrobek je výjimeþná (Blodgett a kol., 2006).          MĤžeme  konstatovat,  že  pokud  vynecháme  komplexní  kulturní  faktory,          zásadním  kritériem  pro  stanovení  podoby  reklamaþní  politiky  by  mČla  být          spokojenost  zákazníkĤ,  jak  bude  pĜiblíženo  dále.  Pokud  obchodníci  nastaví          zpĤsob vracení výrobkĤ tak, že uspokojuje zákazníky, a to bez ohledu na to, zda          jde o pĜísnou, þi liberální reklamaþní 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 ovlivĖují,          jsou loajalita a „šeptanda“ (Davidow, 2003).          Posselt a kol (2008) navrhli index sloužící k hodnocení obchodníkĤ, speciálnČ          pro  hodnocení  jejich  nabízené  reklamaþní  politiky  –  závazku  vrácení  penČz.          Protože index by mČl sloužit jak zákazníkĤm, tak i obchodníkĤm, má více verzí          a  každá  sleduje  jiný  cíl:  hodnocení  rozsahu  garance  a  snížení  rizik  pro                                          22","I. Reklamaþní politika – vymezení a ekonomické souvislosti              zákazníka,  vztah  kvalita  a  rozsah  reklamaþních  podmínek  (tj.  související              náklady)  ve  vazbČ  na  zvýšenou  cenu  prodeje  a  za  tĜetí  zákaznický  pohled              (atraktivnost).  Kvalitu  reklamaþní  politiky  hodnotí  podle  existence  a  rozsahu              tČchto atributĤ:                 x náklady na uskladnČní položky (restocking fee);                 x manipulaþní a dopravní náklady (shipping and handlig fee);                 x kompenzace nákladĤ na zaslání výrobku zpČt;                 x lhĤty na vrácení.                1.3  Reklamaþní politika jako souþást služeb zákazníkovi              Reklamaþní politika zásadním zpĤsobem spoluutváĜí podobu služeb poskytova-              ných zákazníkovi. Proto je v následující þásti analyzována reklamaþní politika              jako  poskytovaná  služba.  ZamČĜíme  se  zde  na  specifika  služeb  v porovnání              s produkcí  výrobkĤ,  propojenost  reklamaþní  politiky  s tĜí-fázovým modelem              zákaznických služeb a modely hodnocení kvality a spokojenosti služeb.              1.3.1 Specifika služeb z pohledu poskytovatele              Poskytování  služeb  se  v nČkolika  ohledech  liší  od  produkce  výrobkĤ,  jak  je              podrobnČ rozebráno v následujícím textu. Nejprve je ale dĤležité tyto odlišnosti              ponČkud relativizovat s odkazem na skuteþnost, že vČtšina obchodních transakcí,              bez ohledu na to, zda jde o business to customer (B2C) nebo B2B trhy, obsahuje              jak nákup výrobkĤ (tedy materiální složky), tak i služeb. PĜi koupi hmotného              výrobku  zákazník  nakoupí  i  „navazující  služby“,  které  jsou  vázány  jak  na              okamžik prodeje, tak i na dobu pĜed a po nČm (viz zákaznický servis popsaný              dále). Zde je jasná vazba na koncepci rozšíĜeného produktu v teorii marketingu              (viz  De  Pelsmacker,  2003,  s.  24).  Analogicky  souþástí  poskytnutí  služby  je              i materiální stránka (napĜ. vonné oleje pĜi masáži þi barva na vlasy u kadeĜnice).              Schematický Obrázek 1-2 naznaþuje, že podíly obou složek jsou u rĤzných typĤ              produktĤ velmi promČnlivé. MĤžeme tedy konstatovat, že poskytování služeb je              souþástí absolutní vČtšiny obchodních transakcí. Proto také níže popsaný výþet              obecných vlastností, které jsou typické pro služby, platí relativnČ – s ohledem na              skuteþný podíl služeb v celkovém nabízeném produktu.                                                         23","1. Funkce reklamaþní politiky          Obrázek 1-2: Vztah prodeje výrobkĥ a poskytování služeb                               Zdroj: Russell, Taylor, 2005. Adaptováno z W. Sasser, R. P. Olsen, and D. Daryl          Wyckoff, Management of Service Operations (Boston: Allyn Bacon, 1978), str. 11           V anglicky  psané  marketingové  literatuĜe  panuje  relativní  shoda  v pohledu  na          klasifikaci odlišností služeb od produkce výrobkĤ. Pro snadnČjší zapamatování          se  mluví  o  akronymu  „SHIP“,  který  je  tvoĜen  ze  þtyĜ  typických  vlastností          služeb:  Simultaneity,  Heterogeneity,  Intangibility,  Perishability  (Iacobucci,          2010).             x Simultaneity: nemožnost oddČlit okamžik produkce a spotĜeby služeb.               Tato vlastnost služeb vede poskytovatele k tomu, aby pĜi návrhu služeb               (designu)  zohledĖovali  souþasnČ  návrh  služby  jako  takové  (analogie               konstrukþní stránky výrobku) a zpĤsobu jejího poskytování (technologic-               ký postup). Zvláštnost pĜi návrhu zpĤsobu poskytování zde spoþívá v tom,               že  je  tĜeba  naplánovat  míru  zapojení  spotĜebitele  služby  pĜi  jejím               poskytování.  A  mimo  jiné  také  rozdČlit þinnosti,  které  budou  probíhat               v jeho  pĜítomnosti  (front-room  activites)  a  které  mimo  nČj  (back-room               activities).             x Heterogenity: promČnlivost výstupu pĜi poskytování služeb.               PĜíþiny, které vedou k vyšší promČnlivosti kvality služeb, jsou na stranČ               jak poskytovatele služeb, tak i zákazníkĤ. Zákazníci se þasto podílejí na               produkci služeb a míra jejich spolupráce, míra poskytnuté souþinnosti je               rĤzná, stejnČ jako jejich potĜeby. PĜi hodnocení služeb hraje roli rozdílné               vnímání  ze  strany  zákazníkĤ.  PĜíþiny  heterogenity  u  poskytovatele  se               týkají  pĜedevším  zamČstnancĤ,  kteĜí  i  pĜes  standardizaci  pracovních               postupĤ, navzdory školení þi navzdory identickému technickému zázemí,               nebudou  dosahovat  stejných  výsledkĤ.  Toto  konstatování  se  netýká  jen                                          24","I. Reklamaþní politika – vymezení a ekonomické souvislosti                   srovnávání osob mezi sebou, ale platí i pro hodnocení výkonĤ jednotli-                   vých pracovníkĤ v þase (napĜ. krátkodobý vliv nálady).                 x Intangibility: nehmatatelnost.                   Nehmotná  podoba  služeb  znamená,  že  efektem,  který  z nich  plyne,  je                   zážitek  pro  spotĜebitele.  Nákup  služeb  je  pro  zákazníka  spojen  s vyšší                   mírou  rizika.  Proto  je  tĜeba  pĜi  návrhu  služeb  využít  prostĜedky,  které                   budou toto riziko z pohledu zákazníka snižovat (napĜ. stanovení garancí).                 x Perishability: nemožnost skladování, pomíjivost.                   Tato  skuteþnost  je  odvozená  z nemožnosti  oddČlit  okamžik  spotĜeby                   a produkce služeb. NejzásadnČjší dĤsledek má tato vlastnost na plánování                   produkþních kapacit.              Russellová  a  Taylor  (2005,  s.  207)  pak  doplĖují ještČ  tyto,  lze  Ĝíci  odvozené,              charakteristiky služeb, které jsou významné pĜedevším pro poskytovatele služeb,              tedy producenty:                 x Velký rozsah kontaktu se zákazníkem, což na jedné stranČ dává možnost                   získat  zpČtnou  vazbu  a  na  jejím  základČ  služby  vylepšovat.  Naopak                   pĜíkladem  nevýhody,  která  z úzkého  kontaktu  se  zákazníkem  plyne,  je                   riziko snížení efektivnosti provádČných þinností.                 x Poskytování  služeb  je  provádČno  ve  vČtší  míĜe  decentralizovanČ                   a geograficky rozptýlenČ. Jedná se o dĤležitý faktor, který zpĤsobuje nižší                   kontrolovatelnost poskytování služeb a zvyšuje heterogenitu výstupu.                 x Služby  jsou  konzumovány  þastČji  než  výrobky.  AutoĜi  Russellová                   a Taylor evidentnČ toto konstatování vztahují k situaci rozvinutých zemí,                   kde  sektor  služeb  hraje  dominantní  roli  pĜi  tvorbČ  domácího/národního                   produktu.                 x Služby  mohou  být  snadno  kopírovány  (emulovány)  konkurencí.  Z toho                   vyplývá neustálý požadavek na jejich zdokonalování. Dodejme však, že                   napĜ. o logistice (jako o jedné ze souþástí bČžnČ poskytovaných služeb –                   tj. place  v produktovém  mixu)  tvrdí  literatura  pĜesný  opak.  Jelikož                   výrobky se stávají do znaþné míry homogenní, zĤstává jednou z možností,                   jak pĜedþít konkurenci, právČ kvalita poskytovaných logistických služeb,                   protože jejich napodobení je obtížné (Lambert a kol., 2000).              PrávČ  s ohledem  na  specifika  služeb  pracuje  marketingová  teorie  místo  4  „P“              s pojetím  rozšíĜeným  o  další  tĜi  „P“  –  people, process, physical  evidence              (Zeithaml a kol., 2010).               1.3.2 Koncept zákaznického servisu              Pro  porozumČní  souvislostí  reklamaþní  politiky  a poskytovaných  služeb  je              výhodné  použít  tĜífázový  model  zákaznického  servisu  (customer  service)                                              25","1. Funkce reklamaþní politiky          Lamberta  a  kol.  (2000).  Model  slouží  k vysvČtlení  obsahu  služeb,  které  jsou          souþástí obchodních transakcí spojených s prodejem hmotného výrobku. AutoĜi          jej  uvádí  k ilustraci  podílu,  kterým  logistické  þinnosti  pĜi  prodeji  pĜispívají          k tvorbČ užitku, a to užitku vztaženého k jedné složce marketingového mixu –          místu  (place).  V modelu  je  obsažen  pohled  na  kvalitu  služeb  v souladu  s tzv.          diskonfirmaþní teorií (která je popsaná dále) a zmiĖujeme jej zde z toho dĤvodu,          že  model  lze  vztáhnout  i  na  reklamaþní  politiku  a  ilustruje  tak  její  roli          v obchodních vztazích.          AutoĜi  modelu  hned  v úvodu  upozorĖují  na  rozdíl  pojmĤ  zákaznický  servis          a spokojenost  zákazníkĤ,  která  je  širším  pojmem  a  vztahuje  se  k hodnocení          všech þtyĜ základních složek marketingového mixu (produkt, cena, propagace,          místo).  Zákaznický  servis  souvisí  zejména  se  složkou  místo  a  jejím          prostĜednictvím ovlivĖuje spokojenost zákazníka (Lambert a kol., 2000, s. 40).          Zákaznický servis je proces, který poskytuje úþastníkĤm dodavatelského ĜetČzce          „významné  pĜínosy,  a  to  nákladovČ  efektivním  zpĤsobem“  (Lambert  a  kol.,          2000,  s.  41).  Zákaznický  servis  je  výstupem  logistického  systému  podniku,          nicménČ z jeho konstrukce je patrná znaþná provázanost s marketingem.          Model þlení  zákaznický  servis  do  tĜí  oblastí:  pĜedprodejní,  prodejní          a poprodejní. Každá oblast má své specifické  þinnosti a úkoly, jejichž struþné          pojmenování  uvádí  Obrázek  1-3  (podrobnČjší  vysvČtlení  obsahu  jednotlivých          þinností lze nalézt v knize Lambert a kol. (2000, str. 43–49).          StruþnČ  mĤžeme  konstatovat,  že  pĜítomnost  pĜedprodejních  složek  zĜetelnČ          souvisí  s vnímáním  podniku  ze  strany  zákazníka  a  se  spokojeností  zákazníka,          která je formována v souladu s tzv. teorií diskonfirmace. ZjednodušenČ Ĝeþeno          smyslem  pĜedprodejních  složek  je  seznámit  zákazníka  s prĤbČhem  obchodní          transakce  a  službami,  které  mĤže  oþekávat.  PochopitelnČ  vþetnČ  služeb          spojených  s reklamacemi.  Takto  pĜedem  definovaný  rozsah  a  kvalita          zákaznických služeb zabrání napĜ. pĜehnaným oþekáváním ze strany zákazníka          a následnému negativnímu hodnocení služeb (zklamání).          Prodejní  složky  servisu  se  týkají  kvality  dodání  výrobkĤ  a  komfortu  pĜi          objednávání.  Je  zĜejmé,  že  poprodejní  složky  souvisejí  zejména  s  reverzní          logistikou a právČ s reklamaþní politikou. Ne ale výluþnČ.                                                       26","I. Reklamaþní politika – vymezení a ekonomické souvislosti              Obrázek 1-3: Model zákaznického servisu                             Složky zákaznického servisu                         PƎedprodejní složky  Prodejní složky  Poprodejní složky                                      • ÚroveŸ vyēerpání                      • Písemné prohlášení   zásob      • Instalace, záruka,                       politiky       • Informace o stavu   úpravy, opravy,                       zákaznického servisu  objednávky  náhradní díly                      • PƎedání prohlášení   • Složky cyklu   • Sledování produktƽ                       zákazníkƽm      objednávky       • VyƎizování reklamací,                      • Organizaēní   • Urychlení dodávek  stížností, vrácené                       struktura                         zboží                                      • PƎesuny zboží                      • Pružnost systému                • Doēasná náhrada                                      • PƎesnost systému  produktu                      • Manažerské služby                                      • Snadnost objednávání                                      • Zastupitelnost                                       produktƽ                     Zdroj: Lambert a kol., 2000, s. 44              Širším souvislostem pĜed- a ponákupní fáze se vČnují napĜ. Bechwati a Siegal              (2005),  kteĜí  dokazují,  že  vracení  zboží  lze  ovlivnit  v  pĜednákupní  fázi.              Empiricky ovČĜili, že v souladu s teorií utility mají zákazníci sklon zabývat se              novou  informací,  kterou  obdrželi  po  uskuteþnČní  nákupu  a  která  nČjakým              zpĤsobem zpochybnila nákup (disconfirming information). AutoĜi dokazují, že              množství  vracených  výrobkĤ  je  možné  ovlivnit  i  jinak  než  nastavením              „správných“  parametrĤ  reklamaþní  politiky.  Lze  to  provést  promyšleným              zpĤsobem prezentace výrobkĤ pĜed koupí, a zejména prezentací jejich alternativ.              Není  napĜ.  vhodné  produkty  pĜedstavovat  zpĤsobem,  který  umožĖuje  snadné              porovnání  výrobku  s konkurenþními  výrobky.  Zvyšuje  se  tím  citlivost              spotĜebitelĤ vĤþi informacím, které popírají jejich rozhodnutí o koupi, a tak se              i zvyšuje pravdČpodobnost vrácení výrobku.              Proto autoĜi doporuþují vhodnou volbu distribuþních kanálĤ (napĜ. exkluzivní,              nebo  selektivní  distribuci).  Jiní  autoĜi  (napĜ.  Petersen  a  Kumar,  2009)  jsou              k vlivu  marketingové  komunikace  na  objem  vracených  výrobkĤ  ponČkud              skeptiþtČjší  a  tvrdí,  že  její  vliv  je  pravdČpodobnČ  nepĜímý.  Dalším  závČrem              Bechwati  a  Siegala  je,  že  prodejní  strategie  pĜi  nákupu  by  mČla  zákazníkĤm              umožnit,  aby  si  vytvoĜili  dostateþný  poþet  myšlenkových  reakcí  (cognitive              responses)  ke  zvolené  alternativČ.  Jinými  slovy  napĜ. þasovČ  velmi  omezené              zvláštní  nabídky  takový  prostor  neumožĖují  a  jejich  dĤsledkem  je  pak  vyšší              poþet  vrácených  výrobkĤ.  Výzkum  Bechwatiho  a  Siegala  (2005)  tak  úþinnost              tČchto marketingových nástrojĤ zpochybĖuje.                                                27","1. Funkce reklamaþní politiky          1.4  Reklamaþní politika ve vztahu k reverzní logistice           Existující  výzkumy  zpracovávají  reklamaþní  politiku  z pohledu  následujících          þtyĜ perspektiv:             x možnost vrácení výrobkĤ (reklamaþní politika) v souvislosti se zárukou na               prodané zboží;             x reklamaþní politika jako logistický problém;             x reklamaþní politika jako signál kvality;             x reklamaþní  politika  ve  vztahu  k zneužívání  reklamací  (Posselt  a  kol.,               2010).          PĜestože marketingovým souvislostem reklamaþní politiky je vČnována vČtšina          pĜedložené  práce,  pro  pochopení  komplexnosti  je  vhodné  pĜiblížit  i  otázky          a problémy,  které  jsou  spojené  s reklamaþní  politikou  vzhledem  k provozní          þinnosti, vþetnČ zmínČné reverzní logistiky. Reklamaþní politika je totiž faktor,          který  mĤže  významnČ  ovlivnit  Ĝízení  tzv.  zpČtných  tokĤ,  a  naopak,  efektivní          reverzní logistika umožĖuje poskytovat vstĜícnČjší reklamaþní politiky, neboĢ je          schopna  minimalizovat  náklady,  které  ze  vstĜícné  reklamaþní  politiky  plynou.          V koneþném  dĤsledku  umožĖuje  docílit  pozitivních  efektĤ  z liberální          reklamaþní politiky popsaných výše. Úzká souvislost mezi reklamaþní politikou          a  reverzní  logistikou  platí  zejména  pro  obchodní  podniky.  Vzhledem  k jejich          nevýrobnímu charakteru je totiž podíl reklamovaných (vrácených) výrobkĤ na          tzv. zpČtných tocích zásadní.          1.4.1 Zpčtný tok a reverzní logistika – obsah pojmĥ          NČkolik desítek let teoretici i praxe zdokonalují zpĤsoby Ĝízení materiálového          toku a snaží se nalézt ekonomicky co nejvíce efektivní Ĝešení. Nutno pĜiznat, že          se  v  této  oblasti  povedl  významný  pokrok:  veškerý  materiál  pĜetvoĜený  do          podoby  výrobkĤ  se  ke  spotĜebitelĤm  dostane  za  kratší  dobu  a  souþasnČ  pĜi          nižších nákladech, než tomu bylo v 60. þi 70. letech. Jinými slovy materiálový          tok, který plyne od místa tČžby surovin pĜes nČkolik zpracovatelĤ a výrobcĤ až          ke spotĜebiteli (tzv. forward flow), umí podniky Ĝídit pomČrnČ efektivnČ. Jinak je          tomu u toku reklamovaných, použitých þi neprodejných výrobkĤ a obalĤ, které          obchodníci a koncoví spotĜebitelé vrací svému dodavateli. Pro tento typ toku se          vžilo oznaþení zpČtný tok (Kokkinaki a kol., 1999).          Uvedený  výþet  je  proveden  z hlediska  pĤvodcĤ  zpČtného  toku.  DoplĖme,  že          další þastou  pĜíþinou  vzniku  je  situace,  kdy  nastane  potĜeba  stáhnout  z trhu          výrobek,  u  kterého  byla  objevena  napĜ.  konstrukþní  vada  nebo  zdravotní          závadnost.  Jde  o  tzv.  product  recalls,  což  je  další  typ  zpČtného  toku,  jehož          pĤvodci jsou zákazníci (spotĜebitelé) a obchodníci. Souþástí reverzního toku je          i product carrier (napĜ. paleta) a obaly (Koster a kol., 2002).                                           28","I. Reklamaþní politika – vymezení a ekonomické souvislosti              ZpČtné toky jsou pĜirozenou souþástí hospodáĜství a nelze se jim zcela vyhnout,              byĢ  jsou  s nimi  þasto  spojeny  dodateþné  náklady  na  logistiku  a  zpracování.              Naopak,  z nČkolika  dĤvodĤ,  jako  je  pĜísnČjší  environmentální  legislativa  þi              rozvoj e-businessu, jejich objem a hospodáĜský význam roste (de Brito, Dekker,              2003 þi Rogers, Tibben-Lembke R., 1999). ýinnosti související s Ĝízením tokĤ              uvedených materiálĤ a jejich zpracováním se v polovinČ 90. let minulého století              zaþaly oznaþovat jako reverzní logistika (Rubio a kol., 2008).              Klapalová  definuje  reverzní  logistiku  jako  „proces  realizace  všech  manažer-              ských funkcí za úþelem znovuzískání anebo vytvoĜení nové hodnoty z hodnot,              které jsou pĜedmČtem zpČtných tokĤ, s cílem udržet, resp. zvýšit dlouhodobou              výkonnost  všech  partnerĤ  v  dodavatelsko-odbČratelském ĜetČzci,  resp.  síti“              (Klapalová, Škapa, 2008).              Podle nejþastČji citovaného odhadu, který provedl Reverse Logistics Executive              Council,  náklady  pĜipadající  na  reverzní  logistiku  v  USA  þinily  pĤl  procenta              GNP,  což  odpovídá  35  miliardám  dolarĤ  v  nákladech  amerických  spoleþností              (Meyer, 1999). Toto þíslo je však prĤmČrem a je potĜebné zdĤraznit, že rozsah,              a tím i význam zpČtné logistiky je mezi podniky velmi rĤzný. Podoba a dĤleži-              tost  reverzní  logistiky  záleží  na  oborových  specificích  mnohem  více  než              u klasické logistiky (de Brito a Dekker, 2003; Marien, 1998). Tabulka 1-3 tyto              odlišnosti ilustruje na pĜíkladech z oblasti spotĜebního zboží.               Tabulka 1-3: Míra návratnosti zboží v jednotlivých oborech (USA)                                  Procenta vrácených výrobkĤ               Vydavatelé magazínĤ     50 %   Prodeje CD-ROM          18–25 %               Vydavatelé knih        20–30 % Prodej tiskáren          4–8 %               DistributoĜi knih      10–20 % Zakázkoví výrobci poþítaþĤ  2–5 %               Pohlednice             20–30 % Maloobchodní ĜetČzce     4–15 %               Zásilkový maloobchod   18–35 % Náhradní díly pro automobily  4–6 %               Obchodníci s elektronikou  10–12 % SpotĜební elektronika   4–5 %               Výrobci poþítaþĤ       10–20 % Drogerie                 2–3 %              Zdroj: Rogers, Tibben-Lembke 1998, str. 7              1.4.2 Zpracování vráceného zboží               PĜestože  reklamaþní  politika  zásadnČ  ovlivĖuje  množství  zpČtných  tokĤ,  které              musí  podnik  zpracovat,  neznamená  to,  že  reklamaþní  politikou  jsou  plnČ              determinovány dodateþné náklady pro podnik. Zaleží totiž na tom, jak výkonný              systém  pro  zpracování  zpČtných  tokĤ  (tedy  reverzní  logistiku)  má  podnik              vybudován. Jinými slovy, jaké množství hodnoty obsažené ve zpČtných tocích              se mu daĜí opČtovnČ získat.              Možností,  jak  naložit  s vrácenými  výrobky  (a  jak  z nich  opČtovnČ  získat              hodnotu),  existuje  teoreticky  velké  množství.  Skuteþné  možnosti  jsou  ovšem              limitovány  charakterem  výrobku  (jeho  konstrukcí,  životností,  zpĤsobem                                             29","1. Funkce reklamaþní politiky          dosavadního  využívání)  a  samozĜejmČ  ekonomickými  kritérii (vþetnČ  toho,          existuje-li  pro  získané  materiály,  díly  i  celé  výrobky  poptávka  na  trhu).          NejþastČjší zpĤsoby zpracování jsou (Škapa, 2004):             x OpČtovný  prodej,  pĜímé  použití  (direct  reuse, resale)  –  pĜímé  použití               bez pĜedchozích oprav, zpravidla po vyþištČní a pĜebalení.             x Oprava – oprava þi výmČna pokažených souþásti, þímž se výrobek stane               opČt funkþním.             x PĜepracování  (remanufacturing)  –  PĜepracování  opotĜebovaných               výrobku vyžaduje znaþné množství práce. NČkdy je nutné výrobek zcela               rozebrat na jednotlivé souþásti, které jsou dĤkladnČ kontrolovány. Vadné               i opotĜebované komponenty jsou nahrazeny novými. Výsledný výrobek je               tedy  seskládaný  ze  starých  i  nových  dílĤ  a  je  kvalitativnČ  srovnatelný               s novým  výrobkem.  NejbČžnČjším  pĜíkladem  výrobkĤ  zpracovávaných               tímto zpĤsobem jsou kanceláĜské kopírky.             x Upgrade  (refurbishing)  –  tento  zpĤsob  vyžaduje  vynaložit  více  práce               a výsledný  výrobek  má  vyšší  kvalitu  i  hodnotu  než  pouze  opravený.               U rozebraného  výrobku  jsou  jednotlivé  moduly  nejen  provČĜeny               a opraveny,  ale  þást  z nich  je  vymČnČna  za  dokonalejší.  Typickým               produktem,  který  prochází  tímto  procesem,  jsou  letadla  –  vojenská               i civilní –, þásteþnČ poþítaþe.             x Recyklace – výrobek, nebo jeho díl je rozebrán na své základní materiály,               které  jsou  po  zpracování  znovu  použity.  Zatímco  ostatní  zpĤsoby               zachovávají strukturu produktu a jeho dílĤ v co nejvČtší míĜe, recyklací je               struktura výrobku ztracena stejnČ jako pĤvodní funkce.          Tento výþet není úplný a v odborných textech lze nalézt i další pojmy (viz napĜ.          Tabulka 1-4), které se však od zde uvedených liší jen málo. Jednotlivé aktivity          jsou  uvedeny  v poĜadí,  které  odpovídá  množství  hodnoty,  již  jsou  typicky          schopny  ze  zpracovávaných  produktĤ/materiálĤ  získat.  NepĜekvapí,  že  napĜ.          recyklace generují nižší pĜíjmy než napĜ. opČtovný prodej, a proto se podniky          samozĜejmČ snaží upĜednostnit aktivity uvedené v tomto seznamu na pĜedních          místech. Celé rozhodování je optimalizaþní proces, který musí zohlednit povahu          zpracovávaných statkĤ tak, aby byla docílena maximální ekonomická efektivita.           KromČ  pĜímých  finanþních  pĜínosĤ,  které  mĤže  podnik  získat  zpracováním          zpČtných tokĤ, lze najít i pĜínosy nefinanþního charakteru. NapĜíklad:             x Díky zpČtným tokĤm podnik získává informace a znalosti, které využívá               pĜi zlepšování kvality.             x Aktivity  spojené  se  zpČtnými  toky  zvyšují  spokojenost  zákazníkĤ               a hodnotu, kterou jim podnik poskytuje.             x Aktivity spojené se zpČtnými toky zlepšují image podniku.                                         30","I. Reklamaþní politika – vymezení a ekonomické souvislosti                  x Aktivity reverzní logistiky mají pozitivní vliv na životní prostĜedí.                 x PĜi  zpracování  zpČtných  tokĤ  se  zjišĢují  pĜání  a  požadavky  zákazníkĤ                   (Škapa, Klapalová, 2010).              Tabulka 1-4: Prĥzkum o zpracování vrácených výrobkĥ mezi obchodníky (n = 39)                          ZpĤsob zpracování Maloobchod Velkoobchod                          OpČtovný prodej     67 %         45 %                          Redistribuce         8 %         24 %                          Oprava               9 %         5 %                          OpČtovné použití     4 %         3 %                          Recyklace            3 %         1 %                          Jiné                 0 %         5 %                          Upgrade              0 %         3 %                          PĜepracování         0 %         4 %                          Refurbishing         0 %         2 %                        Zdroj: Dissanayake a Singh, 2007              1.4.3 Vyĝizování reklamací v praxi               Benchmarkingová studie provedená mezi 170 americkými podniky spoleþností              Aberdeen  Group  (Long,  2008)  ukazuje  na  nČkteré  charakteristiky  spojené              s nejlepšími  podniky  (tj.  Best-in-Class)  v oblasti  vyĜizování  reklamací.              Z výsledkĤ uvećme pouze tĜi nejdĤležitČjší:              Nejlepší  podniky  zpracovávají  reklamace  rychleji  (2,7  dne  proti  11,1  dne              u nejslabších podnikĤ). Tuto dobu se jim navíc za poslední dva roky podaĜilo              zkrátit  o  26  %.  StejnČ  tak  snížily  drženou  finanþní  rezervu  na  vyĜizování              reklamací.              Mezi hlavní strategie, které Best-in-Class podniky uplatnily, v této oblasti patĜí:                      x zeštíhlení toku vracených produktĤ;                      x pĜenesení odpovČdnosti na vyšší management;                      x integrace reklamací s procesem návrhu výrobku (týká se 74 % ve                        skupinČ nejlepších podnikĤ);                       x snaha o získání co nejvČtší hodnoty (kompenzace) od dodavatelĤ;                      x použití automatických systémĤ (viz také Obrázek 1-4).              Mezi nejþastČji používané ukazatele výkonnosti (KPI) patĜí celkové náklady na              reklamace, spokojenost zákazníka, doba zpracování stížnosti zákazníkĤ, náklady              na reklamace jednotlivých produktĤ, vyĜešení reklamace pĜi prvním kontaktu.              ObecnČ neplatí, že lepší podniky více outsourcují þinnosti spojené s vyĜizová-              ním reklamací – viz Obrázek 1-5 (Long, 2008).                                              31","1. Funkce reklamaþní politiky          Obrázek 1-4: Zpĥsob autorizace reklamací (v %)                                                        Manuální                                          18           Automatizovaný –                                                      zakoupený systém                     58      42                                         21           Automatizovaný – systém                                                      vyvinutý vlastními silami                                                      Automatizovaný – jiný                                          3                 Aþkoliv stále pĜevažuje manuální autorizace reklamací, podíl automatizovaných               systémĤ roste. V roce 2008 je mezi respondenty v USA využívalo 42 %               obchodníkĤ, pĜiþemž polovina z nich si tento systém vyvinula vlastními silami.               Zdroj: 2007–2008 Customer returns in the retail industry, 2008            Obrázek 1-5: Stávající ÿi plánovaný outsourcing aktivit v rámci reklamací          (% z respondentĥ)                                     Opravy                   42%   55%              ěízení procesu vracení þi výmČny zboží     31%                                                             44%              Plánování a skladování náhradních dílĤ   29%                                                         35%                         Zpracovávání stížností  11%  25%                                                          Ostatní                   ěízení celého zpČtného ĜetČzce   22%   Best-in-Class                                             6%                                        0%       20%     40%      60%             Zdroj: Aberdeen Group (Long, 2008)           V prĤzkumu stejné spoleþnosti, starším o dva roky, lze nalézt údaje o nejþastČji          uvádČných  pĜínosech,  které  jsou  dĤsledkem  zlepšování  reklamaþních  procesĤ.          Pro nejlepší podniky platí, že hlavním pĜínosem je vyšší spokojenost zákazníkĤ          – viz Obrázek 1-6.                                           32","I. Reklamaþní politika – vymezení a ekonomické souvislosti              Obrázek 1-6: Pĝínosy zlepšování procesu zpracování reklamací (% pro Best-in-              Class podniky)                          Zlepšení spokojenosti zákazníkĤ                89%                              Zlepšení kvality produkce             74%                           Redukce nákladĤ na služby       42%                              Zvýšení ziskovosti služeb    37%                     PĜesnČjší odhady finanþní rezervy pro  21%                     reklamace                                               0%         50%         100%                  Zdroj: Aberdeen Group (Winning with Integrated Warranty Management, 2006)                                                                                    33","","I. Reklamaþní politika – vymezení a ekonomické souvislosti                 2  REKLAMAýNÍ POLITIKA A NÁKUPNÍ CHOVÁNÍ               Výzkum reklamaþní politiky je zamČĜen na dvČ oblasti (Posselt a kol., 2008):              první  nazírá  na  reklamaþní  politiku  jako  na  marketingový  nástroj  prodejcĤ,              a proto sleduje pozitivní a negativní dopady na prodejce. Druhá vČtev se týká              výzkumu  vlivu  reklamaþní  politiky  na  vnímání  kvality  ze  strany  zákazníkĤ              a jejich  chování.  S ohledem  na  zamČĜení  empirických  šetĜení,  která  budou              pĜedstavena  v následujících  kapitolách,  sleduje  tato  kapitola  zejména  druhou              vČtev,  pĜiþemž  zájem  rozšiĜuje  i  o  opaþný  smČr  pĤsobení:  o  otázku,  jak              zákazníci ovlivĖují reklamaþní politiku, neboĢ pochopitelnČ jde o jevy vzájemnČ              provázané.  Kapitola  se  tak  konkrétnČ  vČnuje  reklamaþní  politice  ve  vztahu              k charakteru  nakupovaného  produktu,  k rozsahu  a  struktuĜe  nákladĤ,  které  si              reklamace  vyžádá  u  zákazníka.  Další  dvČ þásti  analyzují  vztah  nákupního              chování  a  reklamaþní  politiky  ve  dvou  specifických  prostĜedích:  v podnicích              služeb  a  internetových  obchodech.  Posledním  rozebraným  jevem  je  nákupní              chování  s cílem  využít  (resp.  zneužít)  reklamaþní  politiku  podniku  pro  svĤj              prospČch (tedy prospČch zákazníka). V pozadí uvedených jevĤ lze najít faktor              spokojenosti – o nČm je však detailnČ pojednáno až v kapitole následující.              Již  pĜedem  je  nutné  upozornit,  že  pĜedložená  syntéza  zahraniþních  výzkumĤ              nedává  vždy  jednoznaþnou  odpovČć  na  otázky  vztahu  reklamaþní  politiky              a chování zákazníkĤ. To proto, že nČkterá empirická zjištČní jsou ve vzájemném              rozporu, na což je na pĜíslušných místech upozornČno.                2.1  Charakter vracených produktĤ              Reklamaþní  politika  podnikĤ  je  z velké  þásti  determinována  rozsahem              vracených výrobkĤ, které musí zpracovávat. Petersen a Kumar (2009) prozkou-              mali vliv šesti okolností na pravdČpodobnost, že zákazník vrátí výrobek, a také              tĜi dĤsledky spojené s vracením výrobkĤ. Jejich závČry jsou následující:              PravdČpodobnost vrácení výrobku je menší:                 x pokud  byl  výrobek  dárkem  –  dárky  totiž  vedle  ekonomické  (spotĜební)                   hodnoty mají pro majitele i hodnotu sociální;                 x pokud zákazníci zmČní obchodníka (typicky kvĤli nižší cenČ) a nakoupí                   výrobky, které znají;                 x pokud výrobky nakoupí ve výprodeji – pravdČpodobnost vrácení výrobku                   roste  s jejich  cenou,  a  protože  cena  pĜi  výprodeji  je  nižší,  také  pravdČ-                   podobnost vrácení je menší.                                                35","2. Reklamaþní politika a nákupní chování          PravdČpodobnost vrácení výrobku je vČtší:             x jestliže zákazník nakoupí výrobek z jiné (nové) produktové kategorie, než               jakou bČžnČ nakupuje;             x jestliže  zákazník  nakoupí  nové  produktové  kategorie  u  nového  obchod-               níka;              x v období  zvýšené  sezonní  poptávky  (typicky  napĜ.  pĜedvánoþní  nákupní               horeþka). Mnoho zákazníkĤ nakoupí víc výrobkĤ, než skuteþnČ potĜebuje,               proto je v následujícím období zvýšený poþet vracených výrobkĤ.          Další poznatky z výzkumu Petersena a Kumara:             x Množství nakoupených výrobkĤ v budoucnosti pozitivnČ souvisí s množ-               stvím vrácených výrobkĤ, ovšem do urþité výše (otoþená U kĜivka).             x Bylo  prokázáno,  že  existuje  pozitivní  vztah  mezi  množstvím  vrácených               výrobkĤ a budoucí hodnotou zákazníka pro podnik. Tento vztah však platí               do urþitého poþtu vracených výrobkĤ.              x Pro  zákazníky,  kteĜí  vracejí  výrobky  þasto,  podniky  vyþleĖují  ménČ               prostĜedkĤ  na  marketingovou  komunikaci  s nimi  (Petersen  a  Kumar,               2009).          Uvedené  souvislosti  opČt  potvrzují,  že  problematika  vracení  výrobkĤ  není          dĤležitá  pouze  kvĤli  predikci  zákazníkĤ,  kteĜí  výrobek  vrátí,  ale  také  pro          predikci  výdajĤ  na  marketingové  aktivity  a  pro  odhad  budoucí  loajality          zákazníkĤ (Petersen a Kumar, 2009).          Pro pochopení chování spotĜebitelĤ je tĜeba uvedené faktory rozšíĜit o emoþní          stránku.  Goudge  a  kol.  (2010)  experimentovali  s vlivem  dvou  motivĤ,  které          vycházejí  z teorie  hédonické  a  utilitární  spokojenosti  (hedonic  and  utilitarian          satisfaction)  a  které  ovlivĖují  zámČr  spotĜebitelĤ  vrátit  výrobek.  Základní          myšlenka spoþívá v tom, že spokojenost nevyplývá pouze z užiteþností výrobku          (z  jeho  technických  funkcí  –  z utilitárních  motivĤ),  ale  také  z emocionálních          prožitkĤ,  které  plynou  z vlastnictví  výrobku  (hédonické  motivy).  Podle  jejich          experimentĤ obČ složky – jak spokojenost utilitární, tak i hédonická – souvisejí          s pravdČpodobností vrácení výrobku. Znamená to, že pro pochopení reklamací je          tĜeba zkoumat i faktory související s emocemi spotĜebitelĤ.          Dodejme,  že  se  ale  neprokázal  jeden  z pĜedpokladĤ,  a  sice  že  hédonická          spokojenost mĤže kompenzovat nespokojenost utilitární – není tedy ovlivĖující          promČnnou  tohoto  vztahu  (moderating  variable).  Dále  se  prokázal  vliv          vrstevníkĤ  (peers)  na  hédonickou  spokojenost,  která  pak  souvisí  s pravdČ-          podobností vrácení výrobku. Z toho plyne, že by podniky mČly myslet na to, že          pĜátelé  mají  vliv  na  hodnocení  spokojenosti  a  v dĤsledku  toho  na  vrácení          výrobku.                                           36","I. Reklamaþní politika – vymezení a ekonomické souvislosti              2.2  Náklady související s uplatnČním garancí               Jain  a  Slotegraaf  (2007)  se  zamČĜili  na  náklady  spojené  s uplatnČním  záruky,              protože  pĜedpokládali,  že  samotná  záruka  mĤže  mít  malou  hodnotu  pro              zákazníka, pokud náklady spojené s jejím uplatnČním jsou vysoké. Tabulka 2-1              uvádí  vztahy  a  jejich  zdĤvodnČní,  které  Jain  a  Slotegraaf  experimentálnČ              testovali.  Zkoumané  souvislosti  se  týkaly  nákupního  chování  zákazníkĤ,              vnímání reklamy, þasového nesouladu pĜi hodnocení nákladĤ a efektĤ z obchod-              ních transakcí.              Pomocí experimentĤ, které Jain a Slotegraaf provedli, byly výše popsané vztahy              potvrzeny, ovšem s nČkolika výhradami a upĜesnČními:                 1. Vnímané  náklady  na  vyĜízení  reklamace  mají  vliv  na  posouzení  kvality                   výrobku a také na pĜedstavu o bezpeþnosti nákupu.                 2. Vliv nákladĤ na uplatnČní reklamace nesouvisí se sílou znaþky výrobce                   prodávaného výrobku.                 3. Délka  záruþní  lhĤty  nesouvisí  s hodnocením  kvality  výrobku,  ale                   s pĜedstavami o bezpeþnosti nákupu.                 4. Existuje trade-off  mezi  délkou  záruþní  lhĤty  a  náklady  na  reklamace,                   ovšem pouze pĜi krátkých lhĤtách.                2.3  Poskytnutí 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 vníma-              ného  rizika  snížit.  Jedou  z cest  je  garance  služeb,  která  mĤže  plnit  nČkolik              funkcí.  Dle  naší  definice  reklamaþní  politiky  je  garance  služeb  základním              nástrojem reklamaþní politiky pĜi poskytování služeb.              Garance služeb je prohlášení vysvČtlující, co mĤže zákazník od služby oþekávat              (tj. slib) a co poskytovatel služby uþiní, nedodrží-li svĤj slib (Hart a kol., 1992).              Je  to  tedy  jednostrannČ  formulovaný  slib  provozovatele,  že  k uspokojení              zákazníka  poskytne  službu  urþité  kvality  a  v pĜípadČ,  že  pĜislíbené  kvality              nedosáhne,  zákazníka  odškodní.  Garance  se  mĤže  týkat  koneþného  výstupu              služby,  procesu  poskytování  nebo  nČkteré  další  složky  marketingového  mixu              (Hogreve a Gremler, 2009).              Garanci služeb nelze ztotožĖovat s tzv. service level agreement, protože zde se              specifikuje  rozsah  a  kvalita  služby  na  základČ  dvoustranné  dohody  mezi              zákazníkem  a  poskytovatelem  a  protože  ze  service  level  agreement  vyplívají              právnČ vymahatelné sankce pĜi nesplnČní této smlouvy. Kompenzace plynoucí              z garance  služby  nemusí  být  právnČ  vymahatelná.  Rozdíl  je  také  v hlavním              úþelu: garance služby je spíš marketingovým nástrojem. Service level agreement              slouží primárnČ k zajištČní se proti riziku.                                               37","2. Reklamaþní politika a nákupní chování          Tabulka 2-1: Vztah garancí a nákladĥ                 Popis pĜedpokládaných vztahĤ          Citovaný zdroj          Více výzkumĤ potvrdilo, že zákazníci sledují   Prelec, D., Loewenstein, G. (1998).          náklady a pĜínosy spojené s nákupem jednak   The red and the black: Mental          v okamžiku nákupu, ale i v prĤbČhu spotĜeby.  accounting of savings and debt.                                                Marketing Science, 17, 4–28.          Jednou skupinou ze sledovaných nákladĤ jsou   Moorthy, S., Srinivasan, K. (1995).          náklady spojené s uplatnČním záruky (garancí   Signaling quality with a money-back          vrácení penČz), které se zákazníci snaží   guarantee: The role of transaction          minimalizovat.                        costs. Marketing Science, 14,                                                442–466.          Protože si zákazníci uvČdomují, že obchodníci   Friestad, M., Wright, P. (1994). The          (marketéĜi) se je snaží pĜesvČdþit svými   persuasion knowledge model: How          propagaþními aktivitami, vyšší náklady spojené   people cope with persuasion          s uplatnČním reklamace považují za signál, který   attempts. Journal of Consumer          vypovídá o opaku než propagaþní aktivity, tedy   Research, 21, 1–31.          o nižší kvalitČ výrobkĤ.          Tato souvislost platí i naopak – nízké náklady   Moorthy, S., Srinivasan, K. (1995).          spojené s uplatnČním reklamace jsou vnímány jako   Signaling quality with a money-back          signál o dobré kvalitČ nabízeného výrobku.   guarantee: The role of transaction                                                costs. Marketing Science, 14, 446.          Zákazníci ve svých úsudcích mají tendenci snižovat   Shelley, M. K. (1994). Gain/loss          (depreciovat) své budoucí náklady a naopak   asymmetry in risky intertemporal          pĜeceĖovat pĜínosy. Tento þasový aspekt tak   choice. Organizational Behavior and          zpĤsobuje, že i náklady spojené s uplatnČním   Human Decision Processes, 59, 124–          reklamací vnímají zákazníci jako nižší, jsou-li   159 a Epstein, S. (1977). Avoidance-          spojeny s delším budoucím þasovým horizontem.   approach: The fifth basic conflict.          Proto tedy pĜi hodnocení kvality výrobku mohou   Journalof Counseling and Clinical          delší záruþní lhĤty kompenzovat vyšší náklady na   Psychology, 46, 1016–1022.          uplatnČní reklamací.          Trade-offs mezi délkou záruþní lhĤty a náklady na   Livesey, F., Lennon, P. (1978).          vyĜízení reklamace vysvČtlují i výzkumy z oblasti   Factors affecting consumers’ choice          rozhodování. Zákazníci totiž implicitnČ pomČĜují  between manufacturer brands and          hodnotu vzhledem k vynaloženým penČzĤm  retailer own brands. European          a oþekávají tak kompenzaci v pĜípadČ, když jsou   Journal of Marketing, 12, 158–170.          délka záruky anebo náklady ménČ výhodné.          Další závČry lze vyvodit z pohledu diskonfirmaþní  Anderson, E., Sullivan, M. (1993).          teorie. Pokud existuje rozpor mezi oþekáváním ve   The antecedents and consequences of          vztahu k délce a nákladĤm na reklamaci, má   customer satisfaction for firms.          takovýto rozpor mnohem vČtší vliv na nákupní   Marketing Science, 12, 125–143.          chování, než pokud k rozporu nedojde. Jedním          z dĤvodĤ je, že pĜi existenci rozporu existuje vČtší          množství interpretací, které si zákazník mĤže          vytvoĜit.          Zdroj: zpracováno dle Jain a Slotegraaf, 2007            Existuje  také  rozdíl  mezi  garancí  služeb  a  záruþními  podmínkami  u  výrobkĤ          (warranty).  Jednak  záruþní  podmínky  se  vČtšinou  vztahují  na  funkcionalitu                                         38","I. Reklamaþní politika – vymezení a ekonomické souvislosti              výrobkĤ,  kterou  lze  posoudit  objektivnČji,  než  je  tomu  u  služeb.  Záruþní              podmínky jsou upraveny legislativou (resp. jejich minimální úroveĖ), a pokud              prodejce  výrobku  nabízí  jen  tento  „standard“,  nelze  záruþní  podmínky  využít              pro marketingové úþely, pro odlišení od konkurence (Hogreve a Gremler, 2009).              Jak shrnují Hogreve a Gremler (2009), garance služeb plní funkci:                 x signálu o kvalitČ služby;                 x je nástrojem ke zvýšení spokojenost zákazníkĤ;                 x má rovnČž zvýšit motivaci zamČstnancĤ poskytujících služby;                 x jde o efektivní nástroj k „opravČ“ poskytnuté služby.              McQuilken a Robertson (2002) uvádČjí další dĤsledky garancí služeb a zdĤraz-              Ėují zejména smysl podpory zákazníkĤ k vyjádĜení jejich nespokojeností:                 1. Slib, že poskytovatel odškodní zákazníka, zvyšuje pĜesvČdþení zákazníka,                   že stížnost vyústí v pozitivní efekt.                 2. UplatnČní  garance  je  souþasnČ  mechanismem  vyjádĜení  nesouhlasu  ve                   smyslu zpČtné vazby.                 3. Omezují konfrontace mezi zákazníkem a zamČstnanci na téma standardĤ                   služeb a pĜimČĜenosti náhrady.                 4. Vyvolávají  v zákaznících  pocit  vČtší  jistoty,  že  poskytovatel  služby                   dostojí svým slibĤm.                 5. Zákazníci mohou díky garancím vČĜit, že poskytovatel má pravdČpodobnČ                   vytvoĜeny úþinné mechanismy, jak opravit þi kompenzovat své služby.              PĜestože je prozkoumán vliv garance na snížení rizika nakupování, z výzkumĤ              není jasné, které složky garance (jaké typy garancí) ke snížení rizik pĜispívají,              což je podstatné pro formulaci garancí. NČkteré teoretické výzkumy doporuþují              poskytovat  tzv.  bezvýhradnou,  100%  garanci,  þemuž  ale  neodpovídají  závČry              empirických výzkumĤ, které mluví o vyšší úþinnosti 100% garancí, které jsou              vztaženy  ke  konkrétnímu  aspektu  poskytované  služby,  napĜ.  k  maximálnímu              þasu  obsluhy  (Hogreve  a  Gremler,  2009).  Pro  garanci  služeb  platí,  že  je  jako              marketingový nástroj úþinnČjší, pokud je pĜedmČtem garance nČjaký 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  experimentĤ              o dĤsledcích  kompenzace  v závislosti  na  její  velikosti.  Vliv  na  spokojenost              zákazníka  zkoumali  v krátkém  a  dlouhém  období.  Potvrdilo  se  (stejnČ  jako              u jiných výzkumĤ), že efekt nadmČrné kompenzace (tj. kompenzace pĜesahující              100 %, over-compensation) je menší než pĜi kompenzaci, která odpovídá pouze              velikosti  újmy.  Platí  to  ovšem  pro  spokojenost  krátkodobou,  která  souvisí              s daným obchodním pĜípadem                                                39","2. Reklamaþní politika a nákupní chování          U dlouhodobČjší spokojenosti, která je jakousi kumulativní hodnotou, je efekt          nadmČrné  kompenzace  menší,  ale  pouze  nepatrnČ.  PĜesto  pro  prodejce  nemá          smysl  vynakládat  výdaje  na  nadmČrnou  kompenzaci,  neboĢ  se  jim  „nevrátí“          v podobČ vyšší spokojenosti – ani krátkodobé, ani dlouhodobé. Podle Gelbricha          a  Roschka  (2010)  však  má  nadmČrná  kompenzace  smysl  ve  dvou  pĜípadech:          pokud  podnik  pĤsobí  na  vysoce  konkurenþním  trhu,  kde  nabídky  jsou  témČĜ          identické. Zde má nadstandardní kompenzace smysl jako prostĜedek odlišení se          od  konkurence.  Druhým  pĜípadem  je,  když  podniky  investují  do  vztahového          marketingu  a  snaží  se  maximalizovat  kumulativní  spokojenost  zákazníka.          V situaci, kdy dojde k selhání produktu þi služby, má smysl napravit poškozený          dlouhodobý vztah nadmČrnou kompenzací.          NČkteré  publikované  závČry,  které  zní  srozumitelnČ  a  odpovídají  intuici,          Hogreve  a  Gremler  (2009)  relativizují  na  základČ  analýzy  závČrĤ  71  empiric-          kých  šetĜení,  z nichž  vČtšina  (48  %)  mČla  podobu  experimentu.  Mezi  hlavní          konstatování patĜí tato:             x Poskytování  garance  služeb  mĤže  vytvoĜit  konkurenþní  výhodu.  Sou-               vislost byla prokázána minimem pĜípadĤ.             x Vztah  mezi  garancemi  a  kvalitou  poskytovaných  služeb  (díky  vyšší               motivaci pracovníkĤ) není prokázán. Formulované garance napĜ. mohou               vyvolávat  v zamČstnancích  stres,  a  kvĤli  tomu  negativnČ  ovlivnit  jejich               práci.             x PodobnČ pĜedpokládaný vztah mezi garancemi a dlouhodobou výkonností               podniku není dostateþnČ empiricky podložen.             x V návaznosti na to je tĜeba dodat, že žádný výzkum nesledoval finanþní               návratnost garancí.             x Jen pČt studií (ze 71) se vČnovalo vlivu garancí na zámČr koupit službu               a souþasnČ jejich výsledky nejsou jednoznaþné. Žádná studie neprokázala               nárĤst tržeb v souvislosti se zavedením garance.             x Existuje  minimální  znalost  o  možnosti  segmentovat  zákazníky  podle               nabízených garancí.             x Nabídka garance služeb má zákazníky pobízet k informování o nespoko-               jenosti se službou a poskytnout tak podniku podnČty pro zdokonalování.               Tento  mechanismus  však  výzkumy  není  podložen.  SouþasnČ  je  tĜeba               prozkoumat,  jaké  nástroje  motivují  zákazníky  ke  sdČlování  informací               o selhání služeb.             x Reklamace  služeb  je  spojena  s emocemi  jak  u  zákazníka,  tak  u zamČst-               nancĤ.  Z pohledu  zákazníka  je  dĤležitá  spravedlivost  a  þestnost  pĜi               „opravČ  služby“,  proto  je  vhodné  standardizovat  postup  v tČchto  pĜípa-               dech. Je tĜeba prozkoumat, jakým zpĤsobem standardizaci provést.                                          40","I. Reklamaþní politika – vymezení a ekonomické souvislosti                  x PĜi  návrhu  kompenzací  je  potĜebné  zohlednit  i  kulturní  vlivy  –  napĜ.                   v asijských  zemích  nepovažují  zákazníci  finanþní  kompenzaci  za                   dostateþnou.  Také  sklon  stČžovat  si  je  rĤzný  mezi  kulturami  (viz  Chan                   a Wan, 2008).                 x Podpora  zákazníkĤ  k vyjádĜení  jejich  negativní  zkušenosti  se  službou                   vede k nižšímu šíĜení negativních zpráv. DoplĖme, že napĜ. McQuilken,                   Robertson (2011) ve své empirické studii z oblasti restauraþních služeb                   konstatují, že vliv garancí na šíĜení negativních referencí je nevýznamný.                   Znamená  to  tedy,  že  poskytování  garancí  služeb  není  úþinný nástroj na                   eliminaci  negativní  „šeptandy“  pro  pĜípady,  kdy  dojde  k  selhání  pĜi                   poskytování služeb.                 x Zneužívání garancí také souvisí s kulturními rozdíly.                 2.4  Specifické faktory pĜi internetovém nakupování              2.4.1 Spokojenost a kvalita pĝi internetovém nakupování              Jak bude rozebráno dále, pĜi výzkumu kvality služeb se þasto uplatĖuje koncept              kvality  vnímané  zákazníkem  (consumer-perceived  quality).  Ukázkovým              pĜíkladem 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  autoĜi  navrhují  jeho  modifikace.  Platí  to  i  pro              oblast e-komerce, protože pĜi online transakcích nelze hodnotit fyzické prostĜedí              kamenného  obchodu  a  také  mizí  osobní  kontakt  s prodavaþem,  což  jsou              dimenze,  se  kterými  SERVQUAL  pracuje.  NapĜ.  Ladhari  (2010)  shrnuje              odlišnosti e-komerce od nakupování v kamenných obchodech takto:                 x pohodlí a efektivnost nákupu;                 x bezpeþnost a utajení informací;                 x absence osobního kontaktu;                 x zákazník je více vtažen do tvorby služby (oblast dodání).              Absence  uvedených  rozdílĤ  pĜi  hodnocení  kvality  online  obchodĤ  mĤže              významnČ  ovlivnit  hodnocení  kvality  služby.  Proto  jsou  modely  hodnocení              kvality  služeb  internetových  obchodĤ  upravovány  vzhledem  k  odlišnostem              internetového prostĜedí. PĜehled publikovaných modelĤ lze najít napĜ. v Ladhari              (2010).  OddČlení  zákazníka  a  prodejce  pĜi  internetovém  nakupování  zesiluje              požadavek  na  náhradu  v  pĜípadČ  selhání.  Kroky,  které  obchodník  uþiní              k nápravČ  selhání,  mají  pĜímý  vliv  na  to,  zda  zákazník  bude  fungovat  jako              „terorista“,  který  bude  aktivnČ  pĤsobit  na  své  okolí  negativními  referencemi,              nebo  jako  „andČl“,  který  internetový  obchod  doporuþí  ostatním  zákazníkĤm              (Tax a Brown, 1998).                                              41","2. Reklamaþní politika a nákupní chování          PĜi výzkumu kvality se zpoþátku vČnovala pozornost internetovému rozhraní (tj.          kvalitČ  webových  stránek)  a  teprve  pozdČji  se  k  hodnocení  kvality  zaþaly          pĜidávat  dimenze,  které  vypovídaly  o  celém  procesu  online  nakupování  (Su          a kol.,  2008).  Vznikl  tak  napĜ.  „E-S-QUAL“  model,  který  je  rozšíĜením          SERVQUAL-modelu a který sestává ze dvou þástí. První se týká bČžné provozní          þinnosti  a  druhá  selhání  þi  chyb  pĜi  poskytování  služeb  (E-ResS-QUAL)          (Zeithaml a kol, 2005).          Tento pĜístup nepĜímo kritizují Collier a Bienstock (2006). UpozorĖují totiž, že          souþasný (tj. zaþátkem milénia provádČný) výzkum stále více mluví pro to, aby          pĜi mČĜení kvality služeb v oblasti e-komerce byly vypuštČny koncepty postave-          né na oþekávání. Odklon od diskonfirmaþní teorie tak dává prostor teorii jiné –          napĜ. teorii zdĤvodnČného chování.          PokusĤ,  jak  hodnotit  kvalitu  internetového  prodeje,  existuje  mnoho.  NapĜ.  Su          a kol. (2008) pomocí metody mapování konceptu navrhli následující tĜi dimenze          kvality e-komerce:             1. NejdĤležitČjší  je  kvalita  výsledku  (output  quality),  která  se  týká  jak               kvality nakoupeného produktu, tak kvality doruþení.             2. Zákaznický  servis  je  druhou,  témČĜ  stejnČ  dĤležitou  složkou  a  zahrnuje               poprodejní služby, vyĜizování stížností, reklamace a další.             3. NejménČ  významnou  dimenzí  jsou  charakteristiky  spojené  se  specifiky               internetového  nakupování  (ovladatelnost  procesu  nákupu,  snadnost               nákupu, kvalita poskytovaných informací a design internetových stránek).          Jiní autoĜi, jako Yen a Lu (2008), mezi dimenze kvality internetového nakupo-          vání Ĝadí pĜímo efektivní vyĜizování reklamací a vráceného zboží. Tuto oblast          zahrnují do dimenze vstĜícnost (responsivness). Další dimenze jsou efektivnost,          ochrana soukromí, kontakt a realizace dodávky.          2.4.2 Reklamaÿní podmínky jako faktor nákupního rozhodování          Reklamaþní  podmínky  internetových  obchodĤ  nejsou  nejþastČjším  zdrojem          problémĤ  a  pĜíþinou  nespokojenosti  pĜi  internetovém  nakupování  (Holoway          a Beatty, 2003). Neznamená to ale, že na nákupní rozhodování nemají vliv. Lin          a  kol.  (2010)  zkoumali  22  faktorĤ,  které  zákazníci  zohledĖují  pĜi  nakupování          pĜes  internet  a  které  lze  oznaþit  jako  marketingové  nástroje.  Mezi  nimi  byla          i reklamaþní  politika  (return  policy).  Prokázalo  se,  že  vstĜícná  reklamaþní          politika  patĜí  mezi  8  z 22  zkoumaných  nástrojĤ,  které  jsou  dĤležité,  protože          motivují  zákazníky  internetových  obchodĤ  ke  koupi.  AutoĜi  výzkumu  navíc          zákazníky  rozdČlili  do  šesti  skupin  podle  toho,  jaké  nákupní  strategie          upĜednostĖují. Lze Ĝíci, že reklamaþní politika hraje významnČjší roli u skupin          oznaþených  jako  „service-oriented“  (tj.  zákazníci,  kteĜí  vyhledávají  takové          webové  stránky  –  obchody,  které  jim  poskytnou  vysoký  zákaznický  servis          a vyspČlé funkþní vlastnosti) a „security-oriented“ buy (tj. zákazníci, pro které                                          42","I. Reklamaþní politika – vymezení a ekonomické souvislosti              je dĤležité minimalizovat riziko). Tato druhá skupina pak oceĖuje mj. hodnocení              produktĤ pocházející od uživatelĤ.              Ze závČrĤ více studií, které se vČnovaly hlavním skupinám faktorĤ ovlivĖujícím              zákazníky pĜi nakupování (pĜi rozhodování, jaký výrobek z nabídky obchodníka              koupit), Reif a Dillon (2001) odvodili následující þtyĜi skupiny faktorĤ:                 1. Vnímání  produktu:  NejþastČji  citovanými  v  literatuĜe  jsou  cena,  kvalita                   produktu, šíĜe nabídky.                 2. Okolnosti  nákupu  (shopping  experience): þasové  okolnosti,  pohodlí,                   dostupnost výrobku, potČšení z procesu nákupu, hravost, kompatibilita se                   životním stylem.                 3. Zákaznický  servis:  vstĜícnost  vĤþi  pĜáním  zákazníka,  spolehlivost                   dodávky (prodej probČhne podle slibu obchodníka), poskytované záruky.                 4. Zákaznická  rizika  (tj.  vnímaná  rizika  spojená  s nákupem):  ekonomické                   (penČžní  újma  pĜi  nespokojenosti  s produktem),  riziko  nespokojenosti                   s výkonem výrobku, osobní (újma zpĤsobená výrobkem nebo i procesem                   nákupu), riziko narušení soukromí.              Na základČ dotazování mezi 168 studenty bylo zjištČno, že pĜi nakupování pĜes              internet jsou zákaznická rizika a zákaznický servis více dĤležité než zbylé dvČ              skupiny faktorĤ a dále že zákaznická rizika (zejména riziko ohrožení soukromí)              byly dĤležitČjší pro ženy než pro muže Reif a Dillon (2001).              Ve vlivu faktorĤ lze identifikovat kompenzaþní efekt mezi délkou záruþní lhĤty              a  náklady  na  vyĜízení  reklamace.  Pro  obchodníky,  kteĜí  napĜ.  nabízejí  krátké              záruþní  lhĤty,  je  tĜeba,  aby  zákazníkĤm  nabídli  pohodlný  (tj.  levný)  zpĤsob              uplatnČní  reklamací.  ZdĤraznČní  této  skuteþnosti  má  zásadní  význam  napĜ.              u internetových  obchodníkĤ,  neboĢ  zde  mají  oþekávané  transakþní  náklady              velký vliv na nákupní rozhodování (Teo a kol., 2004).              Možnost  vrácení  výrobku  mĤže  být  signálem  vyšší  kvality  v zásilkovém              obchodu,  ovšem  pouze  pokud  s vrácením  výrobku  nejsou  spojené  velké              transakþní náklady. Proto by mČli obchodníci þást tČchto transakþních nákladĤ              vztáhnout  na  sebe,  pokud  lze  pĜedpokládat  nízké  poþty  vracení  výrobku              (Moorthy a Srinivasan, 1995).              Smith (2005) sleduje právČ transakþní náklady, konkrétnČ vztah mezi složitostí              vracení  zboží  a  nákupním  rozhodováním  v  online  prostĜedí.  PĜímým  dotazo-              váním  dochází  k  závČru,  že  snadnost  vracení  výrobkĤ  pozitivnČ  souvisí              s rozhodnutím o koupi, tj. že snadné reklamace zvyšují šance nákupu výrobku              na internetu.              Bhatnagar a Ghose (2004) zkoumají dva druhy rizik, které dávají do vztahu se              sklonem  k nakupování  online.  První  riziko  je  spojeno  s produktem,  neboĢ              zákazník nemá možnost si nakupované zboží fyzicky prohlédnout. Druhé riziko              je spojeno s uskuteþĖováním plateb a posíláním údajĤ pĜes internet. PĜi hledání                                              43","2. Reklamaþní politika a nákupní chování          vztahĤ  mezi  riziky  a  sklonem  k online  nakupování  vznikly  tĜi  segmenty          spotĜebitelĤ,  které  se  þásteþnČ  liší  ve  svých  socioekonomických  atributech.          NejdĤležitČjší zjištČní je, že efekt, který zpĤsobuje riziko spojené s produktem,          klesá s rostoucím vČkem spotĜebitele a jeho vČtšími zkušenostmi s internetem.          Cao  a  Gruca  (2004)  rozdČlují  proces  nakupování  pĜes  internet  do  dvou  fází.          První fáze – pĜed nákupem – zahrnuje þinnosti až do momentu platby a obdržení          informace o odeslání výrobku. PatĜí sem design, information, security, adaption          and  offer.  Poprodejní  fáze  se  týká  všech  aktivit,  které  následují  po  uzavĜení          obchodní transakce (resp. zaplacení výrobku), tedy zejména dodání a garance.          ObČ  dvČ  fáze  jsou  propojené  v tom  smyslu,  že  o  co  ménČ  kvalitní  þi          komplikovanČjší  je  pĜedprodejní  fáze,  o  to  víc  spotĜebitel  oþekává  posilnČné          poprodejní  složky  (pĜedevším  vČtší  záruky,  vČtší  pozornost  vĤþi  stížnostem          a reklamacím). Znamená to podmínČnost obou þástí nákupního procesu (Alzola          a  Robaina,  2010).  Tito  autoĜi  také  na  základČ  svého  empirického  výzkumu          konstatují, že vliv aktivit poprodejní fáze na vnímanou kvalitu a zámČry chování          je o nČco vČtší než u pĜedprodejní složky. Podniky prodávající pĜes internet musí          velmi  dbát  na  poprodejní  služby,  protože  jejich  kvalita  podporuje  vnímání          podniku pĜi pĜedprodejních aktivitách. A také na soulad mezi tím, co podniky          slíbily v pĜedprodejní fázi, a tím, co þiní ve fázi poprodejní (Alzola a Robaina,          2010).            2.5  Zneužívání reklamací          Zejména  v USA  vedly  velmi  vstĜícné  reklamaþní  politiky  k dramatickému          nárĤstu reklamací, který byl zapĜíþinČn tím, že se zákazníci nauþili reklamace          zneužívat.  Jejich  snahou  bylo  vrátit  zpČt  zboží  prodejci  a  získat  kompenzaci,          pĜestože  je  to  v rozporu  s legislativou,  þi  podmínkami  pro  reklamace,  které          stanovil prodejce. Týká se to jak použitého funkþního zboží, tak i výrobkĤ, které          sám  zákazník  pokazil  (Harris,  2008).  V dĤsledku  tohoto  oportunistického          jednání  zaþaly  podniky  upravovat  své  reklamaþní  podmínky  smČrem  k  vČtší          pĜísnosti (Spencer, 2002; Bhatia, 2004).          Zneužívání  reklamací  se  v anglické  literatuĜe  oznaþuje  jako  deshopping,          fraudulent returns, boomerag shopping þi borrowing a patĜí do stejné kategorie          neetického  a  protizákonného  jednání,  jako  jsou  napĜ.  krádeže  (vþetnČ  krádeží          duševního vlastnictví), pojistné podvody þi zneužívání kuponĤ (Wirtz a McColl-          Kennedy, 2010).          PĜestože se výše uvedené charakteristiky týkaly výrobkĤ, ke zneužívání dochází          i pĜi poskytování služeb. Zde jde o zneužívání garancí poskytovaných na služby.          Jak v pĜípadČ výrobkĤ, tak i u služeb se jedná o podobné procesy a také reakce          podnikĤ jsou podobné (Wirtz, McColl-Kennedy, 2010).                                            44","I. Reklamaþní politika – vymezení a ekonomické souvislosti              2.5.1 Oportunistické chování              Oportunistické jednání je takové jednání zákazníkĤ:                 x které se snaží záludným zpĤsobem o docílení vlastních zájmĤ;                 x využívá  naskytnuté  pĜíležitosti,  s malým  ohledem  na  principy  nebo                   dĤsledky;                 x upĜednostĖuje  za  daných  okolností  þiny,  které  zákazník  mĤže  provést,                   pĜed tČmi, které by mČl v dané situaci udČlat;                 x vede k získání výhody plynoucí z dané situace, þasto neetickým jednáním                   (shrnutí více definic podle Wirtz, McColl-Kennedy, 2010).              Muncy a Vitell (1992) zkoumali postoje zákazníkĤ k rĤzným druhĤm neetického              chování.  Zneužívání  reklamací  patĜilo  k  ménČ  odsuzovaným  þinĤm.  PodobnČ              i podle  Harrise  (2008)  zákazníci  vnímají  zneužívání  reklamací  jako  ménČ              závažný  etický  prohĜešek  a  spoleþností  je  rovnČž  více  tolerované.  Zajímavý              poznatek se týkal pocitu viny pĜi zneužívání reklamací – tĜetina dotazovaných              osob  se  bez  toho,  aby  byli  tázáni,  spontánnČ  vyjádĜila,  že  necítí  vinu.  Další              tĜetina svou vinu jasnČ pĜiznala (Piron a Young, 2000). PĜestože zákazníci vČdí,              že zneužívání je neetické, stále tuto aktivitu provádČjí (King a Dennis, 2006).              ZámČr  zneužít  reklamaci  není  vždy  pĜítomný  v  momentu  koupČ  výrobku,  ale              mĤže vzniknout až následnČ (King a Dennis, 2006). Jak dodává Harris (2010),              zneužívání  reklamací  se  pro  nČkteré  zákazníky  stalo  akceptovanou  normou              a toto jednání je pro nČ þistČ racionální a logické.              Posselt  a  kol.  (2010)  rozlišují  zneužívání  reklamací  v úzkém  pojetí,  kdy  si              zákazník  vČdomČ  koupí  zboží  s tím,  že  jej  hodlá  v prĤbČhu  testovací  lhĤty,              kterou  poskytuje  reklamaþní  politika  prodejce,  používat  a  pak  jej  vrátit.              PĜíkladem  takovéhoto  oportunistického  chování  byla  situace  v NČmecku  pĜi              mistrovství svČta ve fotbale v roce 2006, kdy si mnoho mladých zákazníkĤ pĜed              zápasem nČmeckého týmu doþasnČ „koupilo“ televizi (Posselt a kol., 2010).              PĜíkladem  jiného  kritického  období  pro  zneužívání  reklamací,  které  se  ale              opakuje  pravidelnČ,  je  období  vánoþních  svátkĤ.  Podle  odhadĤ  se  v tomto              období  uskuteþní þtvrtina  celoroþních  pĜípadĤ  zneužití.  PĜesto  tĜetina  (33  %)              podnikĤ  v tomto  období  poskytuje  více  flexibilní  (liberální)  reklamaþní              podmínky s cílem vyjít vstĜíc zákazníkĤm, kteĜí nakoupili, þi obdrželi nevhodné              dárky.  Sami  zákazníci  koncem  roku  2009  vyjádĜili,  že  reklamaþní  podmínky              amerických obchodĤ považují za férové – konkrétnČ se to domnívá 88 % z nich              (Wilson, M., 2010).              Zneužíváním  reklamací  v širším  smyslu  Posselt  a  kol.  (2010)  rozumí  situaci,              kdy zákazníci nakoupí více výrobkĤ stejného druhu a ponechají si ten, který jim              nejlépe vyhovuje.                                                45","2. Reklamaþní politika a nákupní chování          2.5.2 Rozsah a ekonomické dĥsledky zneužívání reklamací pro prodejce          Nekalé  praktiky  zákazníkĤ  mají  znaþné  ekonomické  dĤsledky  pro  prodejce.          Nejvíce  sledovaným  typem  tČchto  praktik  jsou  krádeže  v obchodech.          V dlouhodobém  zájmu  praktikĤ  i  výzkumníkĤ  jsou  kvĤli  svému  mČĜitelnému          ekonomickému  dĤsledku,  který  mají  na  ziskovost  obchodníkĤ.  NapĜ.  podíl          odcizeného  zboží  na  celkovém  objemu  tržeb  obchodníkĤ  (vþetnČ  krádeží          zamČstnancĤ obchodĤ) se odhaduje v prĤmČru kolem 1,45 %. SpeciálnČ v ýR je          to  1,53  %,  což  odpovídá  532  milionĤm  dolarĤ.  Uvedené  procento  Ĝadí ýR          k zemím  s nejvyšším  odhadovaným  rozsahem  krádeží  v maloobchodČ  v roce          2011 (Bamfield, 2012). Harris (2010) upozorĖuje, že díky zamČĜení pozornosti          na  krádeže  se  ostatní  formy  disfunkþního  chování  zákazníkĤ  relativnČ          ignorovaly. Týká se to nejen výzkumníkĤ, ale také stĜedního a top managementu          podnikĤ.  SkuteþnČ  malé  množství  výzkumĤ  (byĢ  rostoucí)  se  pak  vČnuje          speciálnČ „deviantnímu“ a disfunkþnímu jednání pĜi poskytování služeb, a to jak          u zákazníkĤ, tak i u zamČstnancĤ (Harris, 2008).          Pro obchodníky je zejména nepĜíjemné to, že zneužívání reklamací je fenomén          s rostoucím  trendem  (King  a  kol.,  2008).  Roþní  ztráty  v maloobchodu  v USA          plynoucí  se  zneužívání  reklamací  se  odhadují  mezi  9,6  až  14,8  miliardami          dolarĤ (Wilson, 2001).          Podle prĤzkumu mezi 111 obchodníky v USA, který provedla National Retail          Federation  (NRF,  2011),  se  náklady,  resp.  ztráty  zpĤsobené  zneužíváním          reklamací,  vyšplhaly  z 9,59  na  13,95  miliard  dolarĤ.  Na  otázku,  zda  podnik          nČkdy zmČnil reklamaþní politiku jako reakci na zneužívání reklamací ze strany          zákazníkĤ, odpovČdČlo ano 64 % podnikĤ. NejþastČjším zpĤsobem zneužívání          reklamací je vracení ukradeného zboží. Druhým v poĜadí jsou pĜípady vracení          zboží, které bylo nakoupeno za pomocí podvodných plateb. Následuje vracení          použitých, byĢ nepoškozených výrobkĤ (typicky obleþení urþeného k výjimeþ-          ným  pĜíležitostem  þi  elektroniky).  Tyto  aktivity  podle  prĤzkumu  vzrostly  –          zatímco  v roce  2009  se  s nimi  setkalo  46,2  %,  tak  o  rok  pozdČji  to  bylo  již          61,7 % oslovených podnikĤ. Poslední formou zneužívání, se kterou se setkalo          35,5 % obchodníkĤ, je padČlání nákupních úþtenek (NRF, 2011).          Tabulka 2-2: Statistika reklamací a jejich zneužívaní v USA v mld. USD                           Metrika                 2008  2009  2010  2011 *)          Tržby maloobchodu dle NRF                2 391  2 307   2 389   2 433          Vrácené zboží v procentech celkových tržeb   8,7 %  8,0 %   8,1 %   8,9 %          Množství vráceného zboží                 207,9  185,5   194,0   217,0          Vrácené zboží bez nákupního dokladu       -   16,4 % 15,7 %  19,7 %          Zneužívání reklamací jako procento z vrácených výrobkĤ 5,4 %  5,2 %   7,2 %   6,6 %          Odhad rozsahu zneužívání reklamací       11,2   9,6   13,9   14,3          Pozn.:* údaje jsou odhad          Zdroj: NRF, 2011                                           46","I. Reklamaþní politika – vymezení a ekonomické souvislosti              2.5.3 Motivy a cíle zneužívání reklamací              TémČĜ jedna tĜetina zákazníkĤ, které zkoumali Reynolds a Harris (2005), si byla              schopna vybavit, že bČhem posledních šesti mČsícĤ se do urþité míry pokusili              zneužít reklamaþní podmínky. Podle Pirona a Younga (2000) 18 % zákazníkĤ              mČlo  osobní  zkušenost  se  zneužitím  reklamace  (obleþení).  Ve  výzkumu  mezi              ženami jich polovina pĜipustila zkušenost se zneužitím reklamací (King a kol.,              2008).  V jiném  výzkumu  se  k zneužití  pĜiznalo  dokonce  92  %  zákazníkĤ              (Harris, 2010).              PĜíþiny  vysvČtlení  tohoto  jednání  hledalo  nČkolik  výzkumĤ.  Piron  a  Young              (2000)  zjistili  napĜ.  následující  nejþastČjší  dĤvody  zneužívání  reklamací              v pĜípadČ obleþení:                 x „vypĤjþení“ zboží kvĤli speciální pĜíležitosti;                 x ekonomické  dĤvody  –  ekonomická  situace  zákazníkovi  neumožĖuje  si                   produkt koupit;                 x osobní uspokojení;                 x potĜeba vyplývající s profese nebo pracovního místa;                 x altruismus (tj. zneužití reklamací kvĤli jiným osobám).              Respondenti  výzkumu  Kinga  a  Dennise  (2003)  tyto  závČry  potvrzují:              zdĤvodĖují  své  chování  (svalují  vinu)  na  své  sociální  a  ekonomické  potĜeby,              nebo na to, že obchodník je drahý a podporuje reklamace.              Zákazníci jsou pĜi zneužívání reklamací ovlivnČni ostatními lidmi, a to jak ve              prospČch, tak i neprospČch takového jednání (King a Dennis, 2003). ÚspČch pĜi              zneužití  reklamace  znamená  pro  takové  zákazníky  prohloubení  znalosti              o zpĤsobu vyĜizování reklamací, a tím se i zvyšuje jistota pĜi dalším zneužití.              Z jejich pohledu tak mají lepší kontrolu nad situací (tzv. percieved behavioral              control – viz dále) (King a Dennis, 2006).              Wirtz  a  McColl-Kennedy  (2010)  se  zamČĜili  na  situaci,  kdy  skuteþnČ  došlo              k urþitému  selhání  poskytovaných  služeb,  a  zkoumali,  zda  a  jací  zákazníci  se              snaží tuto situaci využít ve svĤj prospČch. Podle provedených experimentĤ platí,              že  pravdČpodobnost  oportunistického  jednání  zákazníkĤ  v budoucnosti  bude              vyšší, pokud zákazníci pociĢují nižší spravedlnost (všech jejích tĜí složek) pĜi              vyĜízení  reklamace  (Wirtz  a  McColl-Kennedy,  2010).  Autorky  to  zdĤvodĖují              tím, že vnímání utrpČné újmy (þasová ztráta, nepĜíjemnosti), které spoluurþují              pocit  spravedlnosti,  jsou  subjektivní  a  dávají  prostor  pro  sebestĜedné  vnímání              spravedlnosti a pro pĜípadné oportunistické jednání. Subjektivita spravedlnosti              a emocionálních  „nákladĤ“  jsou  zákazníky  využity  pro  ospravedlnČní              a racionalizaci  jejich  jednání  (Wirtz  a  McColl-Kennedy,  2010).  Faktor              spravedlnosti funguje dvojím zpĤsobem, jednak jako spouštČþ oportunistického              jednání a souþasnČ také jako jeho obhajoba.                                              47","2. Reklamaþní politika a nákupní chování          Dále  autorky  prokázaly,  že  zákazníci  mají  tendenci  chovat  se  oportunisticky          v pĜípadČ vČtších podnikĤ. To lze odĤvodnit odkazem na další výzkum, podle          kterého  tito  zákazníci  odmítají,  že  pĤsobí  újmu,  a  pokud  újmu  pĜipouštČjí,  je          vzhledem  k velikosti  podniku  zanedbatelná.  Podobný  závČr  uþinil  i  King          a Dennis  (2003).  Zajímavé  také  bylo,  že  od  menších  podnikĤ  zákazníci          v pĜípadČ  kompenzace  požadovali  ménČ  a  souþasnČ  byli  s jejich  kompenzací          více  spokojeni.  Další  okolností,  která  zvyšuje  pravdČpodobnost  zneužívání,  je          situace,  kdy  jde  o  jednorázový  obchodní  vztah  (Wirtz  a  McColl-Kennedy,          2010).          NČkteĜí zákazníci neusilují o maximální kompenzaci (týká se garancí poskytnu-          tých  služeb),  staþí  jim  pouze  þásteþná,  což  jim  umožĖuje  vnímat  sebe  samé          pozitivnČ, a ne jako neþestné (Maraz a kol., 2008). Pro manažery obchodĤ je pak          dĤležité zjištČní o tom, že zákazníci, kteĜí docílili v dĤsledku svého oportunistic-          kého jednání vyšších kompenzací, nebyli více spokojeni. Jako možné vysvČtlení          se nabízí, že tento svĤj úspČch pĜisuzovali svému úsilí, a ne podniku.          2.5.4 Charakteristika oportunistických zákazníkĥ          Demografické charakteristiky zákazníkĤ, kteĜí mají sklon zneužívat reklamace,          se zkoumají od poloviny 70. let 20. století. ZávČry nejsou jednoznaþné, a proto          Harris  (2008)  provČĜil  souvislost  sedmi  demografických  charakteristik  se          sklonem ke zneužívání reklamací. Dle jeho zjištČní þastČji zneužívají reklamace          ženy, mladší spotĜebitelé, s nižším vzdČláním. Jasnou souvislost mezi rodinným          stavem (ženatý, svobodný), pĜíjmem, pracovním zaĜazením ani sociální tĜídou          nenašel.          K podobným  závČrĤm  o  demografických  faktorech  dochází  Muncy,  Vitell          (1992),  kteĜí  se  soustĜedili  na  podobu  etických  pĜedstav  (belief).  Zneužívání          reklamací  jako  ménČ  závažný  etický  pĜeþin  hodnotili  lidé  mladší,  s nižším          vzdČláním a ženy, a na rozdíl od Harrise i lidé s nižšími pĜíjmy. Harris (2008) se          ve  shodČ  s jinými  výzkumy  zamČĜil  dále  na  faktory  psychografické  (podobnČ          jako napĜ. Homburg a kol. (2010) pĜi výzkumu vnímání spravedlnosti reklamací.          Jeho  výzkum  potvrdil  souvislost  zneužívání  reklamací  se  všemi  osmi          definovanými  faktory.  Navíc  se  prokázalo,  že  i  když  (výše  uvedené  þtyĜi)          demografické  faktory  mají  vliv  na  sklon  ke  zneužívání  reklamací,  celkovČ  je          vazba  na  psychografické  faktory  mnohem  silnČjší.  Faktory,  které  byly          hodnoceny  pomocí  vícerozmČrné  regrese,  jsou  vyjmenovány  podle  poĜadí          dĤležitosti,  a  pokud  není  uvedeno  jinak,  mají  pozitivní  vztah  se  zneužíváním          reklamací (tj. posilují jej):             x míra, v jaké se cítí být vnímán jinými (public self-consciousness) (záporný               vztah ke sklonu k zneužívání reklamací);             x znalost reklamaþních podmínek;             x pozitivní vztah ke spotĜebČ a hledání vzrušení;                                          48","I. Reklamaþní politika – vymezení a ekonomické souvislosti                  x minulá zkušenost se zneužíváními reklamací;                 x oslabení norem a morálních hodnot u spotĜebitele (customer anomia);                 x sociální normy;                 x postoj ke stČžování si;                 x vnímané dĤsledky podvodného vracení výrobkĤ (Harris, 2008).              Zvláštní  skupinou  „zneuživatelĤ“  reklamací  jsou  tzv.  kompulzivnČ  nakupující              zákazníci  (Rosenbaum  a  Kuntze,  2005),  což  jsou  lidé,  kteĜí  chronicky,              opakovanČ  nakupují  v reakci  na  prožité  negativní  události  nebo  pocity.              V koneþném  dĤsledku  toto  chování  ubližuje  samotnému  jedinci  a  (nebo)              ostatním lidem.              King a Dennis (2006) upozorĖují, že vČtšina výzkumĤ o zneužívání reklamací se              týká  pĜedevším  USA  a  Velké  Británie,  a  proto  doporuþují,  aby  se  fenomén              zneužívání  reklamací  zkoumal  v dalších  zemích  pro  porovnání,  zda  je  toto              chování univerzální a pĜekraþuje kulturní, právní i geografické hranice.               2.5.5 Postup zneužívání reklamací              Harris  (2010)  identifikoval  následujících  deset  okolností/postupĤ,  které              podporují úspČšnost zneužívání reklamací. Jeho výsledky vycházejí z hloubko-              vého dotazování mezi 87 zástupci obchodĤ a 96 zákazníky:                 x Míra  znalostí  reklamaþní  politiky  (resp.  pravidel  pro  vyĜizování  rekla-                   mací).                 x Využívání  osobních  vazeb  –  napĜ.  pokud  má  zákazník  pĜátele  nebo                   rodinné pĜíslušníky v obchodech, pĜípadnČ i samotní zamČstnanci mohou                   zneužívat reklamace.                 x Správné naþasování pokusu o reklamaci – napĜ. zámČrná volba þasu pĜed                   zavírací dobou, kdy jsou prodavaþi unaveni.                 x Správná  volba  produktu  –  napĜ.  vhodnČjší  jsou  menší  vČci  jako  odČvy;                   naopak velké a drahé pĜedmČty jako TV se vrací obtížnČ, i protože jsou                   více sledovány.                 x ZpĤsob jednání – nevhodná je agrese, naopak výhodná je asertivita.                 x Ostych  projevovat  se  na  veĜejnosti  –  „úspČšní“  zákazníci  zneužívající                   reklamace mají ménČ ostychu.                 x PĜedstírání  osobních  vazeb  –  pĜedstírání  spoleþných  rysĤ  ve  vztahu                   k prodavaþi (mirroring).                 x VytváĜení pĜíjemné a zábavné komunikace.                  x Zkušenosti s minulými úspČšnými zneužitími reklamací.                                              49","2. Reklamaþní politika a nákupní chování              x ZamČĜení se na urþitý typ zamČstnancĤ – pokusit se vrátit zboží mladému               prodavaþi nebo ženČ.          Z uvedených  faktorĤ  je  patrné,  že  pouze  malou  þást  z nich  mohou  podniky          pĜímo  ovlivnit  (Harris,  2010)  a  souþasnČ  znaþnČ  záleží  na  prodavaþích.          Experimentem  bylo  ovČĜeno,  že  pokud  se  zákazník  chová  slušnČ  (sociálnČ          únosným  zpĤsobem),  zamČstnanci  mají  bohužel  tendenci  pĜehlížet  nČkterá          pravidla  pro  pĜijímání  reklamací,  produkt  pĜijmou  neoprávnČnČ  zpČt          a upĜednostní zájmy zákazníka. Platí to pro zamČstnance obecnČ, bez rozdílu zda          jde napĜ. o pracovníky na plný, nebo þásteþný úvazek (Autry a kol., 2007). Na          jejich obhajobu je ale tĜeba dodat, že se sami prodavaþi obþas setkávají s tím, že          v situaci, kdy odhalí zneužití reklamaþních podmínek a odmítnou pĜijmout zboží          zpČt, je jejich rozhodnutí revidováno nadĜízeným pracovníkem. Tyto zkušenosti          pak snižují jejich další odhodlání být pĜísný vĤþi nepoctivým zákazníkĤm (King          a kol., 2007).          Paradoxní je, že aþ podle „laboratorních“ experimentĤ zamČstnanci poskytující          služby nemají rádi nepĜíjemné zákazníky, poskytnou jim lepší servis (vČnují se          jim  víc).  Sami  zamČstnanci  s dobrou  náladou  podávají  pracovní  výkon          v homogenní kvalitČ, zatímco pĜi jejich špatné náladČ výkon kolísá, a to tak, že          pĜíjemným  zákazníkĤm  poskytnou  služby  v horší  kvalitČ  a  zákazníkĤm          nepĜíjemným  v kvalitČ  lepší.  NepĜíjemní  zákazníci  tedy  mají  vČtší  pravdČ-          podobnost, že získají to, co chtČjí (Swinyard, 2003).          Uvedený  poznatek  ilustruje  význam  postoje  pracovníkĤ  k zákazníkovi.  PĜi          narušení  sociálních  norem,  tedy  pokud  je  zákazník  silnČ  nepĜíjemný,  si          zamČstnanci  vytvoĜí  negativní  postoj,  a  v dĤsledku  toho  nejenže  akceptují          reklamaci,  kterou  by  nemČli  akceptovat,  ale  souþasnČ  mohou  odmítnout          akceptovat  reklamaci,  která  bude  oprávnČná.  DĤsledek  negativního  postoje          k zákazníkovi  mĤže  být  podobný  jako  pĜi  nespokojenosti  zákazníka,  tj.  mĤže          dojít k narušení dlouhodobČ vytváĜených vztahĤ loajality (Autry a kol., 2007).          Goudge  a  kol.  (2010)  si  všimli,  že  vČtšina  výzkumĤ  se  týká  zneužívání          reklamací  z pohledu  podnikĤ  –  tj.  pĜedpokládá  se,  že  neþestné  jednání  je  na          stranČ  spotĜebitelĤ.  PĜitom  sami  spotĜebitelé  jsou  þasto  podezíraví  vĤþi          praktikám firem a mají pocit, že se je snaží „okrást“ (oklamat), a proto využívají          reklamaþní politiky (autoĜi se zde odkazují na práci Hunt, Shelby D. a John R.          Nevin,  Why  Customers  Believe  They  Are  Being  Ripped  Off,  Business          Horizons, 24:3 (May/June), 1981, 48–52).          2.5.6 Obrana prodejcĥ          Obchodníci þelí neetickému chování nČkolika zpĤsoby, které ovšem musí volit          citlivČ,  neboĢ  vČtšina  zákazníkĤ  je  poctivá,  a  bylo  by  nesprávné,  pokud  by          pracovníci  byli  pĜehnanČ  podezĜívaví.  Vlídná  komunikace  se  zákazníky  je          dĤležitČjší, protože dává signál, že zákaznický servis je pro obchodníka hlavním                                          50","I. Reklamaþní politika – vymezení a ekonomické souvislosti              cílem  (King,  2007).  V oblasti  služeb  bylo  zjištČno,  že  zneužívání  garancí  je              ménČ þasté, pokud jsou zákazníci obecnČ spokojenČjší s poskytovanou službou              a pokud plánují znovu nakoupit tuto službu u daného konkrétního poskytovatele              (Wirtz a kol., 2000, citováno dle Hogreve a Gremler, 2009).              Postoj ke zneužívání mĤže být zmČnČn díky zmČnČ v pĜedchozích zkušenostech              –  tj.  pĜi  zkomplikování  procesu  vracení  výrobkĤ  ve  smyslu  zabránČní              neoprávnČným požadavkĤm (King a Dennis, 2003). Zkrácení lhĤty na vrácení je              jedním  ze  zpĤsobĤ,  jak  odradit  zákazníky  od  zneužívání  vstĜícné  reklamaþní              politiky  (Hess,  Mayhew,  1997),  neboĢ  krátké  lhĤty  pro  vrácení  výrobku  þiní              zneužívání reklamací ménČ zajímavé ve vztahu k nákladĤm, které musí zákazník              vynaložit. Obranným postupĤm pak napomáhají také moderní technologie, které              spolehlivČji urþí, zda napĜ. daný odČv byl nebo nebyl nošen (King, 2007).              Dalším z postupĤ, který obchodníci zaþali uplatĖovat, je dĤslednČjší požadavek              na  pĜedložení  úþtenky  pĜi  reklamaci,  protože  z jejich  odhadĤ  plyne,  že              pravdČpodobnost zneužití reklamace je tĜikrát vyšší v situaci, kdy zákazník vrací              zboží  bez  úþtenky  (2010  Customer  Returns  In  The  Retail  Industry,  2010).              Souvisejícím  opatĜením,  které  má  snížit  zneužívání,  pokud  zákazník  úþtenku              nemá,  je  pĜedložení  identifikaþních  údajĤ.  To  je  také  výhodné  vzhledem              k dalšímu opatĜení – k evidenci nepoctivých zákazníkĤ.              Obchodníci  mohou  pĜedcházet  zneužívání  napĜ.  pomocí  databáze  evidující              zákazníky,  kteĜí  pĜíliš þasto  vracejí  výrobky.  Jednoduchým  Ĝešením  by  bylo              s takovými  zákazníky  ukonþit  obchodování.  Harris  (2008)  ale  doporuþuje              soustĜedit  se  spíše  na  prevenci,  než  na  represi  (napĜ.  formou  odmítání              problémových  zákazníkĤ).  Za  praktiþtČjší  pokládá  zdĤrazĖovat  dĤsledky              nekalého  jednání  v marketingové  komunikaci.  Znalost  dĤsledkĤ  je  podle  jeho              výzkumu jedním z faktorĤ, které by mohly sklon ke zneužívání snížit. RovnČž              by  podle  nČj  pomohly  obecnČji  pojaté  kampanČ,  které  by  poukazovaly  na              škodlivost takového chování.               Tabulka 2-3: Podíly vracených výrobkĥ podle kategorií v USA v roce 2007                  Typ obchodu           % vráceného zboží S úþtenkou  Bez úþtenky                  Obchodní dĤm               15,3         82,8      17,3                  Domácí potĜeby              9,0         96,5      3,5                  Všeobecný/diskont           4,8         80,0      20,0                  Specializovaný obchod       6,5         86,5      13,5                  Obchod se zeleninou/drogerií  0,0       85,0      15,0                  Obleþení                    6,6         87,7      12,3              Zdroj: 2007–2008 Customer returns in the retail industry, 2008                                                    51","2. Reklamaþní politika a nákupní chování          Cílem by mČlo být pĜesvČdþit zákazníky, že reklamace je opatĜení, které by mČlo          sloužit  obČma  stranám  tím,  že  snižuje  rizika  a  negativní  dĤsledky  spojené          s obchodní  transakcí,  þímž  se  zvyšuje  dĤvČra  mezi  obchodními  stranami          a loajalita (King a kol. 2008).                                                                                                 52","I. Reklamaþní politika – vymezení a ekonomické souvislosti                 3  ROLE REKLAMAýNÍ POLITIKY PěI NESPOKOJENOSTI                 ZÁKAZNÍKA                V pĜedcházejícím  textu  byl  vícekrát  uveden  pojem  spokojenost  zákazníka,              a protože patĜí ke klíþovým faktorĤm formujícím reklamaþní politiku podniku,              je vhodné zabývat se jím nad rámec bČžného, intuitivního chápání. Kapitola tak              pĜibližuje spokojenost zákazníka, dává ji do vztahu s reklamacemi a soustĜedí se              na dĤsledky plynoucí z nespokojenosti, aĢ už s vlastním produktem, þi s proce-              sem  vyĜizování  reklamací:  konkrétnČ  rozebírá  vztah  k loajalitČ  a artikulované              vyjádĜení nespokojenosti – stČžování si (voice) a „šeptandu“ (word-of-mouth).                3.1  Spokojenost zákazníka              Podle Davidowa (2000) lze reakci podniku na stížnost (reklamaci) hodnotit ze              šesti hledisek:                 x Rychlost – rychlost reakcí a dodržování slíbených termínĤ.                  x Facilitace  –  jedná  se  o  nástroje  a  procesy,  které  podnik  používá  pro                   komunikaci  se  zákazníky,  aby  se  dozvČdČl  o  jejich  výhradách                   a stížnostech.  Jejich  úþelem  je  také  podpoĜit  zákazníky,  aby  svou                   nespokojenost vyjádĜili.                 x Kompenzace – forma (finanþní þi nefinanþní) a výše náhrady.                 x Omluva – mČla by být vždy souþástí reklamace, protože není pĜiznáním                   viny – zodpovČdnosti za zákazníkovu nespokojenost –, ale spíš dokladem                   toho,  že  podnik  bere  výtky  zákazníkĤ  vážnČ.  Lze  ji  chápat  jako  formu                   psychologické  kompenzace  za  újmu  a  zpĤsob,  jak  opČtovnČ  docílit                   rovnováhy v obchodním vztahu.                 x DĤvČryhodnost  –  poukazuje  na  ochotu  podniku  zabývat  se  problémem.                   K dosažení  dĤvČryhodnosti  pĜispívá,  když  jsou  zákazníkovi  vysvČtleny                   pĜíþiny problému a nápravná opatĜení do budoucna.                 x Ochota – netýká se nastavení procesĤ a podmínek reklamací, ale zpĤsobu                   komunikace  mezi  zamČstnancem  a  zákazníkem.  Zahrnuje  empatii,                   slušnost, ochotu naslouchat, zvláštní úsilí (extra effort).              Toto  jsou  hlediska,  která  podle  Davidowa  urþují  spokojenost  zákazníkĤ              v pĜípadČ  reklamací.  V následujících  rešerších  ukážeme,  že  nejde  o  jediné              faktory,  které  formují  spokojenost  zákazníkĤ.  PĜi  urþení  faktorĤ  (ne)spoko-                                                53","3. Role reklamaþní politiky pĜi nespokojenosti zákazníka          jenosti  s reklamacemi  a  reklamaþní  politikou  je  vhodné  využít  obecnČjší          teoretické modely a empirická zjištČní o spokojenosti zákazníkĤ jako takové.          Spokojenost  je  reakcí  plynoucí  z uspokojení  zákazníka  (Oliver,  2010).  Jde          o hodnocení, které vychází z míry uspokojení, které poskytla služba þi produkt,          a zahrnuje i úrovnČ nenaplnČní uspokojení a naopak i „nadmČrného“ uspokojení          (over-fulfillment). S tímto pohledem pracuje KanĤv model (viz Obrázek 3-1).          Jedná se o model, který vychází z myšlenek Fredericka Herzberga o nestejno-          rodém pĤsobení vlivĤ na spokojenost a nespokojenost s pracovním místem (viz          rozdílný vliv faktorĤ oznaþených jako motivátory a hygienické faktory). Podle          nČj  lze  požadavky  rozdČlit  do  tĜí  skupin  dle  jejich  vztahu  ke  spokojenosti.          Základní  požadavky  jsou  ty,  u  kterých  zákazník  oþekává,  že  budou  splnČné,          pĜiþemž  jejich  splnČní  neznamená  velký  nárĤst  spokojenosti.  Naopak  jejich          absence vyvolává silný pocit nespokojenosti. V anglické obchodní terminologii          tČmto požadavkĤm odpovídá pojem order-qualifiers (Russell, Tyalor, 2005).          Obrázek 3-1: Kanĥv model                                    Zdroj: Töpfer, A. a kol.: Six sigma, Koncepce a praktické pĜíklady pro bezchybné Ĝízení,          Computer Press 2008, ISBN 978-80-251-1766-8.          Druhou skupinou jsou požadavky na výkon a je pro nČ charakteristické, že míra          jejich  naplnČní  má  v podstatČ  proporþní  vztah  se  spokojeností:  þím  více  jsou          požadavky  naplnČny,  tím  je  spokojenost  vČtší.  Jak  dodává  Bayus  (2010),  tato          skupina  požadavkĤ  je  þasto  zkoumána  pĜi  tradiþnČ  pojatých  marketingových          výzkumech a tyto požadavky jsou typicky spojovány se zdokonalením produktu.                                           54","I. Reklamaþní politika – vymezení a ekonomické souvislosti              Požadavky  schopné  vyvolat  nadšení  jsou  tĜetí  skupinou.  Jejich  nenaplnČní              neznamená  snížení  spokojenosti,  ale  jejich  pĜítomnost  vede  k silnému  pocitu              spokojenosti – nadšení. Proto také anglické oznaþení pro takovéto požadavky –              order winners (Russell, Tyalor, 2005).              Kano upozorĖuje, že spokojenost je latentní (skrytá) promČnná a také požadavky              zákazníkĤ,  které  lze  využít  pĜi  inovacích  produktu,  nelze  získat  pouhým              nasloucháním zákazníkĤm, ale prostĜednictvím pochopení skuteþných latentních              potĜeb (Bayus, 2010).              PĜi  výzkumu  spokojenosti  je  tĜeba  odlišit  faktory,  které  ovlivĖují  hodnocení              spokojenosti  nebo  nespokojenosti,  a  faktory,  které  zákazníci  využívají  pĜi              nákupním rozhodování. Je chybné ztotožĖovat tyto dvČ skupiny faktorĤ, naopak              je tĜeba se na nČ dívat jako na dvČ samostatné skupiny (Oliver, R. L. 2010a).              Pokud je napĜ. cílem podniku spokojený zákazník, je tĜeba zkoumat pĜedevším              faktory,  které  ovlivĖují  spokojenost,  a  ne  faktory  spojené  s  nákupním              rozhodováním,  jako  je  kvalita  þi  postoj  (Oliver,  R.  L.  2010a).  Zásadním              faktorem, který ovlivĖuje spokojenost, je ovšem právČ kvalita (Mittal, 2010).              Je  otázka,  zda  by  podniky  mČly  sledovat  spokojenost  zákazníkĤ,  nebo  napĜ.              loajalitu. K tomuto dilematu dodává Oliver (1999), že pro mnoho produktových              skupin skuteþnou loajalitu vybudovat nelze, napĜ. u produktĤ, které skuteþnou              diferenciaci þi identifikaci zákazníka neumožĖují. Proto zde spokojenost zĤstává              hlavním podnikovým cílem.               3.1.1 Hodnocení kvality služeb              Zkoumání  kvality  služeb  je  od  svých  poþátkĤ  spojeno  s diskonfirmaþní  teorií              (expectancy  disconfirmation  theory).  Jeden  z prvních  modelĤ  k urþení  kvality              služeb  –  SERVQUAL  –  vychází  právČ  z této  teorie  a  definuje  pČt  dimenzí:              serióznost,  empatie,  spolehlivost,  zodpovČdnost  a  fyzické  prostĜedí  služby              (Zeithaml a kol., 2010). V tČchto oblastech se pak pomocí dotazování stanoví              nesoulad mezi oþekávanou podobou služby a vnímanou kvalitou služby. Jedná              se  o  jeden  z rozdílĤ þi  mezer  (gap),  který  je  souþástí  tzv.  modelu  GAP.  Ten              slouží  k lepšímu  pochopení  kvality  služby  a  díky  tomuto  pochopení  dává              podnikĤm  podnČty  k zlepšování  služeb  –  k  jejich  re-designu  na  základČ  pĜání              zákazníkĤ  i  ke  zlepšení  zpĤsobu  jejich  poskytování  (Zeithaml  a  kol.,  2010).              Mezerami jsou v základní verzi modelu:                 1. The  listening  gap  –  rozdíl  mezi  oþekáváními  zákazníkĤ  a  tím,  jak  tato                   oþekávání vnímá management podnikĤ.                 2. The  service  design  and  standards  gap  –  rozdíl  mezi  pĜedpokládanými                   oþekáváními  a  kvalitou  služby,  která  plyne  z návrhu  služby  –  tedy                   definovanými znaky služby.                 3. The  performance  gap  –  rozdíl  mezi  specifikací  a  skuteþným  výkonem                   (poskytnutí služby).                                              55","3. Role reklamaþní politiky pĜi nespokojenosti zákazníka             4. The communication gap – rozdíl mezi oþekáváním z komunikace (tj. slib               poskytnutí  služby  zákazníkovy)  a  skuteþným  výkonem  (poskytnutím               služby).          Více o modelu GAP v rámci þeských zdrojĤ lze nalézt napĜ. v Lukášová a kol.          (2009, str. 41). Dodejme, že souþasné koncepty pro hodnocení kvality rozlišují          dimenzi procesní a výstupu (Collier, Bienstock, 2006).          Obrázek 3-2: GAP model kvality služeb                               Zdroj: Zeithaml a kol., 2010            3.2  PociĢovaná (ne)spravedlnost          Existuje  dostatek  výzkumĤ  dokládajících,  že  hodnocení  spravedlnosti  pĜi          reklamacích  je  zásadním  faktorem  spokojenosti  a  loajality.  PĜekvapivČ  však          samotná  spravedlnost  pĜi  reklamacích  (resp.  její  faktory)  je  systematicky          zkoumána  jen  zĜídka  (Homburg  a  kol.,  2010).  ZĤstává  tudíž  otázkou,  zda          zákazníkem  vnímaná  spravedlnost  vyplývá  ze  zpĤsobu Ĝešení  reklamací  (tj.          þinností podniku), anebo zda je z velké míry pĜedurþena charakterem zákazníka.          Koncept spravedlnosti (fairness, justice) má pĤvod v sociální psychologii a byl          úspČšnČ uplatnČn pĜi studiu jednání lidí v konfliktních situacích rĤzného druhu.          Je  prokázáno,  že  spravedlnost  má  své  vlivy  v rovinČ  psychologické,  ale          i v rovinČ  chování  (Blodgett,  1997).  Zájem  o  faktor  spravedlnosti  v sociálních          vztazích souvisí se zavedením pojmu distribuþní spravedlnost G. C. Homanse          v 60.  letech  20.  století.  K ní  byly  postupnČ  doplnČny  další  dvČ  subdimenze          spravedlnosti  –  interakþní,  v  80.  letech,  a  procesní  v letech  devadesátých.          (Voorhees a Brady, 2005).                                            56","I. Reklamaþní politika – vymezení a ekonomické souvislosti              Vnímaná  distribuþní  spravedlnost  je  oznaþení  pro  zákazníkem  vnímanou              adekvátnost  náhrady  (kompenzace),  kterou  obdržel  jako  dĤsledek  stížnosti  na              produkt  þi  službu.  Jedná  se  tedy  o  hodnocení  výstupu  (efektu)  reklamace              v porovnání s tím, co zákazník oþekával (Tax a kol., 1998a). PĤvod distribuþní              spravedlnosti lze nají v teorii sociální smČny (Blodgett a kol. 1997). K docílení              distribuþní  spravedlnosti  je  tĜeba  uplatnit  princip  pĜimČĜenosti  kompenzace              vzhledem  k utrpČné  újmČ  (equity),  rovnosti  zacházení  (se  všemi  podobnČ              postiženými  zákazníky  se  jedná  stejnČ, equality)  a  poskytnutí  kompenzace              s ohledem  na  individuální  potĜeby  (needs)  (Davidow,  2003).  Kompenzace              v souvislosti  s reklamacemi  mĤže  mít  rĤznou  podobu  –  náhradu  za  nový              produkt,  finanþní  kompenzaci,  poskytnutí  slevy  z nakoupeného  výrobku,              poskynutí slevy na další nákup, omluvu.              Procedurální  spravedlnost  se  týká  uplatĖované  politiky,  procesĤ  a  podmínek,              které  urþuje  subjekt  (napĜ.  obchodník)  rozhodující  o  zpĤsobu  dosažení  Ĝešení              (výstupu)  negociace  nebo  konfliktu.  Procedurální  spravedlnosti  je  docíleno,              pokud  je  jednání  konzistentní,  nestranné,  zohledĖuje  zájmy  obou  stran,  je              založeno  na  pĜesných  informacích  a  etických  standardech  a  umožĖuje  druhé              stranČ vyjádĜit se a ovlivnit proces (Blodgett a kol., 1997). Blodgett a kol. citují              závČry  zkoumání  Clemmera  a  kol.  (1996),  podle  kterých  má  procedurální              spravedlnost  pĜi  poskytování  služeb  následující  dimenze:  flexibilita,  þas              obsluhy, vnímavost a úþinnost.              Procedurální spravedlnost pĜi reklamacích zahrnuje nastavení procesĤ vyĜízení              reklamace,  práva  zákazníka,  poplatky  pĜi  neoprávnČné  reklamaci.  Zlepšit              vnímanou  kvalitu  procedurální  spravedlnosti  mĤže  rychlá  reakce,  dodržování              þasových  termínĤ,  pocit  zákazníka,  že  mĤže  tento  proces  ovlivnit  a  sdČlit              informace dĤležité pro rozhodování podniku, stejnČ jako že mĤže vyjádĜit své              emoce (Homburg a kol., 2010).              Zákazníci  nepĜicházejí  k obchodníkovi þistČ  z logistických  dĤvodĤ,  aby  vrátili              výrobky  k reklamaci,  ale  pĜicházejí  také  kompenzovat  své  emoce  –  jde              o docílení tzv. psychologické kompenzace (Chebat a kol., 2005). Obchodníci by              si proto mČli uvČdomit (a pĜipravit své zamČstnance na to), že zákazníky vedou              ke stČžování i psychologické dĤvody (Chebat a kol., 2005). Zde hraje svou roli              interakþní spravedlnost.              Interakþní  (etická)  spravedlnost  souvisí  se  zpĤsobem  zacházení  s lidmi  pĜi              Ĝešení konfliktní situace. Týká se následujících elementĤ: slušnost, úcta, hrubost              pĜi jednání, dĤvČryhodnost, poskytnutí zdĤvodnČní, pĜátelskost, citlivost, zájem,              þestnost, empatie a pĜíslib, pĜímost, starostlivost a snaha (Blodgett a kol., 1997).              Interakþní  spravedlnost  ovlivĖuje  tedy  spokojenost  zákazníka  v prĤbČhu              vyĜizování reklamace. SpeciálnČ zde má vliv pĜiznaní chyby (viny) a nabídnutí              omluvy (Blodgett a kol., 1997). PĜi internetovém nakupování do této skupiny              patĜí  také  technologická  podpora,  kterou  nabízejí  webové  stránky:  online                                              57","3. Role reklamaþní politiky pĜi nespokojenosti zákazníka          tutoriály, FAQ, kontakt pro Ĝešení problémĤ a samozĜejmČ také zpĤsob, jakým          pak prostĜednictvím e-mailu þi telefonu spoleþnost se zákazníkem komunikuje          (Tax a kol., 1998a).          Z teorie spravedlnosti vyplývá, že proces Ĝešení reklamací spolu s charakteris-          tikami  zákazníka  pravdČpodobnČ  ovlivĖují,  jak  zákazník  vnímá  svou  námahu          (obecnČ  náklady)  a  efekty  spojené  s reklamací  a  rovnČž  jak  vnímá  vstupy          a výstupy pro podnik. Tímto se ovlivĖuje absolutní i relativní pomČr vynalože-          ných vstupĤ a získaných výstupĤ v souvislosti s reklamací, z þehož je odvozená          vnímaná spravedlnost vyĜizování reklamace (Homburg a kol., 2010).          Podle výzkumĤ v oblasti reklamací mĤže vysoká úroveĖ interaktivní spravedl-          nosti kompenzovat nižší distribuþní spravedlnost. PodobnČ pak nižší distribuþní          spravedlnost mĤže vynahradit i vysoká úroveĖ procedurální spravedlnosti. Dále          se  ukazuje,  že  interakþní  a  procedurální  spravedlnost  mohou  být  vzájemnými          komplementy  (Blodgett  a  kol.,  1997).  Uvedené  kompenzace  naznaþují,  že          zákazníci  pĜi  reklamacích  spojují  uvedené  tĜi  složky  do  globálnČ  pojaté          spravedlnosti, která pak ovlivĖuje jejich další chování (Blodgett a kol., 1997).          ZpĤsob vyĜizování reklamací významnČ ovlivĖuje vnímanou spravedlnost, a je          proto nástrojem, jak zvýšit spravedlnost vyĜizování reklamací v oþích zákazníka          (Homburg a kol., 2010). K ovlivnČní mĤže dojít v tČchto situacích:             x Zákazník vnímá vyvstalý problém (reklamaci) za velmi vážný.             x Reklamovaný produkt je pro nČj dĤležitý.             x Podnik je za problém z velké þásti odpovČdný.             x Obchodní vztah mezi prodávajícím a kupujícím je slabý.             x Zákazník  je  spíš  orientovaný  na  kvalitu,  je  starší  a  je  ženou  (Homburg               a kol., 2010).          V ostatních  pĜípadech  vnímaná  spravedlnost  nesouvisí  tolik  se  zpĤsobem          vyĜizování  reklamací,  ale  spíš  s  charakteristikami  zákazníka;  pĜedevším          psychografickými, nikoliv sociodemografickými.          Blodgett a kol. (1997) pak zkoumali vliv spravedlnosti na zákaznickou loajalitu          (její behaviorální pojetí – opČtovný nákup) a na negativní „šeptandu“. Zásadním          zjištČním bylo, že v obou pĜípadech byl vliv spravedlnosti interakþní vyšší než          distribuþní  (38  %  vs.  7  %  vysvČtlené  variability).  Znamená  to,  že  loajalita          a negativní „šeptanda“ souvisí pĜedevším s interakþní spravedlností. PĜekvapivČ          autoĜi nenalezli vztah k procedurální spravedlivosti (zde ale autoĜi naznaþují, že          výsledek  mĤže  být  nespolehlivý  vzhledem  k úzce  vymezenému  pojetí          procedurální spravedlnosti).          I  v  tomto  výzkumu  se  prokázal  kompenzaþní  efekt  distribuþní  a  interakþní          spravedlnosti,  ale  pouze  pĜi  vyšší  interakþní  spravedlnosti.  Tj.  pokud  je  se          zákazníkem  zacházeno  hrubČ  (interakþní  spravedlnost),  nelze  to  kompenzovat                                         58","I. Reklamaþní politika – vymezení a ekonomické souvislosti              vyšší hodnotou poskytnuté náhrady – vyšší distribuþní spravedlností. PĜi hrubém              zacházení  dochází  ke  snížení  loajality  zákazníka.  AutoĜi  z toho  vyvozují,  že              rozhodování zákazníka o opČtovné koupi (loajalitČ) a negativní „šeptandČ“ má              dva kroky – první je posouzení, zda s ním bylo zacházeno slušnČ, a teprve pokud              ano,  zákazník  zvažuje  míru  poskytnuté  kompenzace  pĜi  rozhodnutí  o  loajalitČ              a „šeptandČ“  (Blodgett  a  kol.,  1997).  Z toho  také  autoĜi  vyvozují,  že  liberální              reklamaþní politika není automatický lék – pokud se totiž jedná se zákazníky              hrubČ, je otázka kompenzací irelevantní. Dále výsledky výzkumu naznaþují, že              k dosažení  spokojenosti  zákazníka  (k  udržení  loajality)  není  nutné  poskytovat              100% kompenzaci, napĜ. pokud je zjevné, že reklamovaný výrobek byl relativnČ              dlouhý þas  zákazníkem  využíván,  nebo  je  podezĜení  na  zneužití  reklamace.              AutoĜi doporuþují, aby se obchodník zákazníka pĜímo zeptal na jeho pĜedstavu              o dostateþné kompenzaci (Blodgett a kol., 1997).               3.3  Projevy nespokojenosti zákazníka               ObecnČ  platí,  že  spokojení  zákazníci  pomáhají  podniku  snižovat  náklady  na              získávání  nových  zákazníku  ústním  šíĜením  –  „šeptandou“  (word  of  mouth).              Mají také nižší cenovou elasticitu, tj. jejich reakce na snížení ceny u konkurence              nemusí  znamenat  jejich  odliv.  Jsou  také  schopni  odpouštČt  obþasná  selhání              (výrobku þi  služby),  která  pĜiþítají  externím  vlivĤm.  ZĤstávají  tedy  mnohem              více loajální vĤþi podniku (Olson a Zaltman, 2010).              Spokojenost  zákazníka  je  zásadní  cíl  podnikĤ  (Oliver,  1999).  Reklamaþní              politika a její nástroje mohou spokojenost podpoĜit, a to nejen pĜi subjektivnČ              vnímané nespokojenosti, ale také v situacích, kdy dojde k objektivnímu selhání              výrobku þi služby.              NapĜ. Collier a Bienstock (2006) vyjmenovávají výzkumy, které prokázaly, že              dojde-li  k selhání  pĜi  poskytování  služeb  pĜi  internetovém  nakupování,              reklamaþní  politika  (konkrétnČ  poskytování  kompenzace  v pĜípadČ  nespokoje-              nosti zákazníkĤ) pĜímo a pozitivnČ souvisí s dĤvČrou, zámČrem opČtovné koupČ,              s vČrností zákazníka a také s ústním šíĜením (pozitivních) informací, což jsou              všechno jevy, které jsou kritické pro internetové nakupování. Dále dokazují, že              odpovČdné chování v pĜípadČ nekvalitnČ poskytnuté služby (selhání) pozitivnČ              souvisí se zákaznickou spokojeností i s vnímáním kvality služeb. Tyto vztahy se              prokázaly  samozĜejmČ  i  mimo  internetové  obchody  a  platí  obecnČji  (viz  Tax              a kol., 1998).              Nespokojenost zákazníkĤ se mĤže projevovat nČkolika zpĤsoby:                 x stČžování si s cílem výmČny produktu þi požadavku finanþní kompenzace                   (voice);                 x šíĜení  negativního  hodnocení  –  „šeptandy“  (word  of  mouth),  vþetnČ                   možností, které nabízí internet;                                              59","3. Role reklamaþní politiky pĜi nespokojenosti zákazníka              x ukonþení obchodních vztahĤ s prodejcem (exit);             x þi dokonce sabotáž (Blodgett a kol. 2006).          Jak  bylo  uvedeno  výše,  má-li  podnik  vytvoĜen  vhodný  mechanismus  Ĝešení          reklamací  (stížností),  uvedené  projevy  nespokojenosti  mĤže  ovlivnit  ve  svĤj          prospČch.  NapĜ.  místo  negativní  „šeptandy“  mĤže  docílit  i  opaku,  tedy  šíĜení          kladných informací o podniku.          Stížnosti  zákazníkĤ  a  jejich  pravý  opak,  pochvaly,  jsou  patrnČ  nejþastČji          opomíjenou  stránkou  zkoumání  spokojenosti  (Oliver,  2010a).  Stížnosti  þi          pochvaly zákazníkĤ jsou na rozdíl od (ne)spokojenosti þinem, resp. chováním.          Stížnosti  a  nespokojenosti  spolu  souvisejí,  nejsou  ale  dokonale  korelované,          neboĢ  ne  všichni  nespokojení  zákazníci  si  stČžují  –  nemusí  mít  dĤvod          poskytovat  zpČtnou  vazbu,  kterou  by  podniky  použily  k zlepšení  své  situace.          Nebo  nemusí  být  natolik  nespokojeni,  aby  si  stČžovali.  Na  rozdíl  od  stížností          jsou  pochvaly  mnohem  ménČ þasté  a  lze  je  chápat  jako  vyjádĜení  extrémní          spokojenosti (Oliver, 2010a).          Rizikem  jsou  zákazníci,  kteĜí  si  nestČžují  a  neposkytují  zpČtnou  vazbu  –          zásadním  problémem  je  vĤbec  získat  informace  o  jejich  nespokojenosti.          SouþasnČ je obtížné hodnotit jejich vliv na podnik, neboĢ dále uvedené výzkumy          dokládají, že zákazník, který si nestČžuje, reaguje na svĤj pocit jinými zpĤsoby –          napĜ.  negativní  „šeptandou“  nebo  pĜerušením  obchodních  vztahĤ  (exit)          (Davidow, 2003).          Na základČ literární rešerše Davidow (2003) shrnuje souvislosti mezi reakcemi          podniku  na  vzniklý  problém  a  vnímáním  a  chováním  zákazníkĤ.  Reakce          podnikĤ rozdČlil do následujících šesti dimenzí:          Rychlost             x Rychlost  reakce  je  dĤležitá  pouze  u  stížností,  které  se  týkají  nefinanþní               újmy.             x Faktor þasu  je  kriticky  dĤležitý  pouze  po  bezdĤvodném  zpoždČní               vyĜizování stížnosti.             x Rychlost reakce, kterou zákazník akceptuje, je podmínČna okolnostmi.          Facilitace             x Facilitace pravdČpodobnČ mĤže omezit negativní „šeptandu“.             x Facilitace pravdČpodobnČ mĤže podpoĜit další nákupy zákazníka.          Kompenzace             x ýásteþná kompenzace je lepší než žádná.             x VČtší kompenzace je patrnČ lepší než pouze þásteþná, a to do urþité výše.                                           60","I. Reklamaþní politika – vymezení a ekonomické souvislosti                  x Požadavky na kompenzaci jsou patrnČ nižší u stížností nefinanþních než                   finanþních.                 x Kompenzace musí být pĜesnČ stanovena, aby se pĜedešlo nejasnostem.                 x RĤzné  typy  kompenzací  vyvolávají  rĤzné  typy  chování  zákazníkĤ  po                   ukonþení stížnosti.                 x Za  urþitých  podmínek  mĤže  být  proces  kompenzace  dĤležitČjší  než                   výsledný efekt.              Omluva                 x Omluva pĤsobí na chování zákazníka po ukonþení stížnosti rĤznČ.                 x Vnímání omluvy mĤže být odlišné u manažerĤ obchodu a zákazníkĤ.              DĤvČryhodnost                 x DĤvČryhodnost je vnímána rozdílnČ podle kontextu.              Ochota                 x Ochota má hlavní vliv na všechny aspekty chování zákazníkĤ po ukonþení                   stížnosti.                 x Ochota mĤže být tím aspektem reakce podniku, který se nejobtížnČji Ĝídí.              Podle  Davidowa  (2000)  mají  na  spokojenost,  loajalitu  a  negativní  „šeptandu“              nejvČtší  vliv  interpersonální  komunikaþní  schopnosti  pracovníkĤ  podniku              (v souvislosti s dĤvČrou a ochotou). Na „šeptandu“ také zásadnČ pĤsobí kvalita              kompenzace a rychlost vyĜízení reklamace.              3.3.1 Dĥsledky pro zákaznickou loajalitu              Loajalita je vícerozmČrný pojem a neexistuje jednotný zpĤsob její operaciona-              lizace a mČĜení. PĤvodnČ byla zkoumána z pohledu chování, následnČ pak jako              kombinace  postoje  a  chování;  napĜ.  v  marketingové  literatuĜe  se  rozlišuje              behaviorální  loajalita  (skuteþné  chování  ve  smyslu  opakovaného  nakupování)              a  postojová  loajalita  vycházející  z postojĤ  a  zámČrĤ  (Ashley  a Varki,  2009).              Postojovou  loajalitu  nelze  ztotožnit  s opakovaností  nákupĤ,  neboĢ  nákupy              vypovídají o behaviorální loajalitČ. Samotná pravidelnost nakupování mĤže být              zapĜíþinČna  externími  okolnostmi,  napĜ.  nemožností  nakupovat  u  jiných              prodejcĤ.  Z toho  plyne,  že  zákazníci  s pĜedcházející  zkušeností  se  mohou  stát              loajální,  nicménČ  pĜedchozí  obchodní  kontakt  neznamená  automaticky              loajálního  zákazníka  (Ashley  a Varki,  2009).  Vzhledem  k tČmto  komplikacím              tak  Mittal  (2010)  doporuþuje  nepracovat  v marketingo-vých  výzkumech              s loajalitou, ale s „behaviorálním zámČrem“, „zámČrem opČtovného nákupu“, þi              „skuteþnČ realizovanými opČtovnými nákupy“.                                                 61","3. Role reklamaþní politiky pĜi nespokojenosti zákazníka          Zákazníci, kteĜí jsou loajální ve smyslu postojové loajality:             1. cítí  menší  nespokojenost,  pokud  se  vyskytne  pĜi  poskytování  služby               problém (viz napĜ. Namkung a kol., 2010);             2. mají tendenci stČžovat si pĜímo u poskytovatele služby;             3. ménČ  sdČlují  tuto  negativní  zkušenost  ostatním  formou  negativní               „šeptandy“ (Ashley a Varki, 2009);             4. loajální  zákazníci  jsou  také  spokojenČjší  s poskytnutou  kompenzací               (Ashley a Varki, 2009).          Ashley  a  Varki  proto  doporuþují,  aby  podniky  vytvoĜily  kvalitní  systém          kompenzací  speciálnČ  pro  loajální  zákazníky,  protože  díky  nim  se  pozitivní          zkušenost  s  reklamací  mĤže  dostat  k dalším  lidem  (fungují  jako  advokáti          podniku).          Souvislost  reklamaþní  politiky  a  loajality  v prostĜedí  internetových  obchodĤ          zkoumal  Ramanathan  (2011)  a  dospČl  k poznatku,  že  výkonnost  (kvalita)          systému  pĜijímání  zboží  zpČt  skuteþnČ  souvisí  s loajalitou  zákazníkĤ.  Tento          vztah platí ale pouze pro dva typy výrobkĤ, a sice pro výrobky, jejichž nákup          znamená pro zákazníky vysoké, nebo naopak nízké riziko. Pro výrobky, jejichž          nákup zákazníci spojují se stĜedním rizikem, souvislost s loajalitou nenalezl.          3.3.2 Artikulovaná nespokojenost – stížnosti           Odhodlání  stČžovat  si  posilují  tĜi  promČnné  –  postoj  ke  stČžování,  vnímaná          hodnota získaná stČžováním (rozdíl nákladĤ a toho, co zákazník pravdČpodobnČ          získá) a pravdČpodobnost úspČšnosti reklamace (Kim a kol., 2003).          Další faktory uvádí Thøgersen a kol. (2009): na vadný produkt nebo službu si          více  (resp.  þastČji)  stČžují  zákazníci,  kteĜí  mají  pozitivní  postoj  ke  stČžování          a souþasnČ  vnímají  stČžování  jako  „spoleþností  podporované“  (socially          encouraged). Dále je to zákazníkova zkušenost se stČžováním, která ovlivĖuje          vztah  mezi  postojem  ke  stČžování  a  chováním.  PĜekvapivČ  jinak,  než  autoĜi          pĜedpokládali. TČsnČjší vztah mezi postojem a chováním je v pĜípadČ zákazníkĤ          s nižšími  zkušenostmi  se  stČžováním.  Postoj  ke  stČžování  je  tak  pĜedchozí          zkušeností oslaben, a ne posílen (Thøgersen a kol., 2009).          Protože þást zákazníkĤ své pĜipomínky prodejci nesdČlí, a místo toho informaci          o  své  negativní  zkušenosti  šíĜí  rĤznými  kanály  dál,  prodejci  a  poskytovatelé          služeb þasto  vybízejí  zákazníky,  aby  je  informovali  o  své  pĜípadné          nespokojenosti,  protože  jedinČ  tak  mají  možnost  vzniklou  situaci  napravit.          Negativní  „šeptanda“  je  nepĜímý  zpĤsob  stČžování,  protože  se  vyhýbá          konfrontaci  (Marquis  a  Filiatrault,  2002).  Uvádí  se,  že  nespokojený  zákazník          sdČlí své negativní pocity dalším 11 lidem (Hanna a Wozniak, 2001).          Zákazníci,  kteĜí  si  nestČžují,  jsou  ménČ  loajální  a  vnímají  nespokojenost  více          negativnČ  než  ti,  kteĜí  si  stČžují  a  kteĜí  souþasnČ  získají  odpovídající          kompenzaci.  Zajímavé  je,  že  zákazníci,  kteĜí  si  nestČžují,  ale  kteĜí  získají                                          62","I. Reklamaþní politika – vymezení a ekonomické souvislosti              satisfakci (kompenzaci) z iniciativy podniku, jsou více loajální a ménČ kritiþtí              (Voorhees  a  kol.,  2006).  Tento  poznatek  tedy  mluví  ve  prospČch  takového              systému poskytování služeb a vztahu k zákazníkĤm, který i z iniciativy podniku              samotného  nabídne  zákazníkĤm  kompenzaci  pĜi  pochybení,  byĢ  se  o  ni              zákazníci sami nehlásí.              Na  otázku,  zda  je  vĤbec  možné  zákazníky  motivovat  k vyjádĜení  oprávnČné              nespokojenosti, odpovídají Voorhees a kol. (2006), že to vhodnými prostĜedky              možné je, neboĢ pouze malá þást zákazníkĤ zdĤvodĖuje svĤj nezájem stČžovat si              svou  averzí  k  samotnému  stČžování.  Jedno  vysvČtlení  neochoty  vychází              z porovnání nákladĤ a efektĤ, které stČžování zákazníkĤm pĜinese (Young a kol.,              2010). Jinými slovy záleží na jejich odhadu, zda se jim stČžování „vyplatí“.              Jsou  ale  i  jiné  výklady  a  neexistuje  jedna  ucelená  teorie,  která  by  stČžování              vysvČtlovala. Místo toho výzkumníci pro toto téma využívají rĤzné, obecnČjší              teorie a koncepce, mezi které patĜí:                 x konfirmaþní/diskonfirmaþní paradigma;                 x výzkumy spokojenosti a nespokojenosti;                 x Hirschmanova teorie „exit, voice and loyalty“;                 x atribuþní teorie (Blodgett a kol., 1997).              Výzkumy  vztahu  osobnostních  charakteristik  ke  sklonu  stČžovat  si  nemají              jednoznaþné závČry. Ve výzkumu Voorheese a kol. (2006) faktory s osobnost-              ními vlastnostmi zákazníkĤ zaujaly až tĜetí místo podle míry vlivu. NejþastČjším              uvádČným dĤvodem nestČžování byly þasové okolnosti (nedostatek þasu, pozdní              doba)  a  nedostatek  pozornosti  poskytovatele  služby  (nebylo  komu  sdČlit              výhrady nebo personál nejevil zájem o zpČtnou vazbu od zákazníka).              Podle  empirických  výzkumĤ  Keng  a  Liu  (1997)  shrnují  charakteristiky  lidí              s vyšším sklonem ke stČžování takto. Jedná se o lidi:                  x mladšího vČku;                 x vyššího vzdČlání (viz také Valenzuela a kol., 2005);                 x vyšších pĜíjmĤ;                 x asertivní a s nižším pocitem bezmocnosti;                 x oceĖující individualitu jedince a nezávislost.              Není jednoznaþné, zda vČtší sklon k stČžování mají ženy, byĢ nČkteré studie to              prokázaly  (napĜ.  Piron  a  Young,  2000)  v pĜípadČ  obleþení,  kde  pomČr  žen              a mužĤ  byl  4:1).  Valenzuela  a  kol.  (2005)  pak  zjistili,  že  lidé,  kteĜí  si  stČžují              þastČji, mají pozitivnČjší postoj ke stČžování.              Na  širší  souvislosti  s národní  kulturou  poukazuje  Keng  a  Liu  (1997),  kteĜí              sledovali vztah osobních hodnot a sklonu ke stČžování. Výzkum byl proveden                                              63","3. Role reklamaþní politiky pĜi nespokojenosti zákazníka          mezi zákazníky v Asii a pĜevažovali v nČm ýíĖané. AutoĜi zjistili, že lidé, kteĜí          jsou  orientovaní  na  skupinu  lidí  (kolektivisté)  upĜednostĖují  pĜi  nespokojnosti          jiné reakce než jedinci orientovaní na sebe (individualisté). Ti jsou pĜipraveni          stČžovat  si  otevĜenČ  obchodníkĤm,  výrobcĤm  nebo  zástupcĤm  spotĜebitelĤ          (92 % respondentĤ, které lze prohlásit za „stČžovatele“ patĜí do této skupiny).          Lidé s orientací skupinovou reagují spíše tím, že pĜestanou výrobek nakupovat,          nebo zmČní znaþku a svČĜí se pĜátelĤm a rodiþĤm. Proto Keng a Liu doporuþují          uplatĖovat  vstĜícnou  reklamaþní  politiku,  protože  zákazníci  skupinovČ          orientovaní (ve vzorku jich bylo 57 %) si pĜi pĜísné reklamaþní politice nebudou          stČžovat.  Jejich  vliv  na  okolí  je  ale  výrazný  kvĤli  dĤsledkĤm  negativní          „šeptandy“.  Dále  se  snižuje  jejich  loajalita.  Liberální  reklamaþní  politika          s motivací  k vyjádĜení  nespokojenosti  mohou  v koneþném  dĤsledku  podnikĤm          pomoct (Keng a Liu, 1997).          O  kulturních  vlivech  na  stČžování  mluví  také  napĜ.  Chan  a  Wan  (2008).  Jiní,          jako Blodgett a kol. (2006), však zpochybĖují vliv kultury a uvádČjí, že rozdíly          v intenzitČ  stČžování  jsou  dány  pĜedevším  konkurenþními  silami  na  daných          trzích. AutoĜi totiž porovnali výpovČdi 25 respondentĤ z rĤzných zemí o zámČru          vrátit výrobek, se kterým jsou nespokojení, v dobČ jejich pobytu v USA. Po pĤl          roce autoĜi dotaz na odhodlání vrátit výrobek zopakovali. Tentokráte ale vČtšina          respondentĤ již byla ve svých domovských zemích. Protože odpovČdi na zámČr          vrátit výrobek, se kterým jsou nespokojení, byly jiné – odhodlání vrátit výrobek          v rodných zemích bylo znaþnČ menší –, usuzují autoĜi, že dĤležitČjším vlivem          než kultura je intenzita konkurenþního prostĜedí v jednotlivých zemích.           Tabulka 3-1: Reakce zákazníkĥ (s orientací na sebe a skupinu) na nespokojenost          (n = 188)                                        SkupinovČ   Ego-orientace                                       orientovaní – %   – %   Poþet                 OpuštČní produktu         72,4        27,6     29                 OpuštČní znaþky           58,0        42,0     100                 Bojkot prodejce           51,7        48,3     143                 Stížnost v rodinČ         56,7        43,3     159                 Stížnost obchodníkovi     4,2         95,8     48                 Stížnost výrobci          2,4         97,6     41                 Stížnost zástupci spotĜebitelĤ   0    100      32                 Právní kroky               0          100      15                 Informování tisku          0          100      10          Zdroj: Keng a Liu, 1997          Pokud  si  zákazníci  již  stČžovali,  teoretický  rámec  pro  hodnocení  jejich          zkušenosti  s reklamacemi  poskytne  koncept  spravedlnosti  (Blodgett  a  kol.,          1997).                                             64","","","II. Empirické studie založené na strukturním modelování                 4  STRUKTURNÍ MODELOVÁNÍ               4.1  VícerozmČrné statistické metody              Pod  oznaþením  vícerozmČrné  statistické  metody  (multivariate  statistical              methods)  se  rozumí  statistické  metody,  které  zpracovávají  více  promČnných              najednou.  Do  této  širší  kategorie  patĜí  také  strukturní  modelování  (a mj.              i preferenþní – conjoint – analýza, aplikovaná v poslední kapitole monografie).              Následující Ĝádky se vČnují vybraným poznatkĤm, které platí pro vícerozmČrné              statistické metody obecnČ, a tedy také pro strukturní modelování.              PĜednČ,  Hair  a  kol.  (2001,  str.  21)  upozorĖují,  že  pĜi  použití  vícerozmČrné              statistiky  je  potĜebné  se  vyhnout  nerelevantním,  nadbyteþným  promČnným.              Jejich pĜítomnost ve statisticky testovaném modelu má dva nežádoucí dĤsledky:                 1. Statistické metody mají vČtší náchylnost k (chybnému) potvrzení modelu                   na  zkoumaných  datech,  þímž  se  ale  snižuje  schopnost  zobecnitelnosti                   výsledkĤ na celou populaci.                 2. Aþkoliv nadbyteþné promČnné nezkreslují odhady promČnných, které jsou                   relevantní, jejich negativem je, že  zvyšují multikolinearitu, a díky tomu                   zkreslují  skuteþné  vztahy  mezi  promČnnými  modelu.  V koneþném                   dĤsledku tak komplikují interpretaci všech promČnných.              VícerozmČrné  statistické  metody  jsou  díky  své  složitosti  citlivé  na  velikost              výzkumného  vzorku.  V pĜípadČ,  že  vzorek  je  malý,  roste  riziko,  že  se  získají              výsledky statisticky slabé (síla statistických testĤ je pĜíliš slabá, aby se získaly              statisticky signifikantní výsledky), nebo naopak umČle velmi dobré – odpovídají              malému  vzorku,  ale  jejich  zobecnitelnost  je  minimální  (Hair  a  kol.,  2001,              str. 21).  Možná  trochu  pĜekvapivČ  zpĤsobuje  problémy  také  vzorek  velký              (þítající 400 a více pĜípadĤ). Díky velké statistické síle testĤ se napĜ. projevuje              statistická  významnost  i  pro  relativnČ  malé  odchylky  hodnot.  Proto  je  tĜeba              v tČchto situacích peþlivČ vážit smysluplnost výsledkĤ a klást si otázku, zda má              nČjaký interpretaþní význam malý rozdíl mezi dvČma veliþinami, byĢ statisticky              významný.               4.1.1 Statistické pĝedpoklady vícerozmčrných metod              Pro korektní statistické zpracování dat pomocí vícerozmČrných metod je tĜeba,              aby vstupní data mČla jistou kvalitu, tj. aby splĖovala nČkolik pĜedpokladĤ. Tím              prvním  je  normalita  dat,  resp.  vícerozmČrná  normalita  dat.  Tento  dĤležitý              pĜedpoklad  znamená,  že  každá  promČnná,  která  bude  zpracovávána,  a  také              všechny  lineární  kombinace  tČchto  promČnných,  budou  normálního  rozdČlení              a budou nezávislé. VícerozmČrnou normalitu dat lze þásteþnČ provČĜit tak, že se              prozkoumá normalita, linearita a homoskedasticita individuálních promČnných,                                              67","4. Strukturní modelování          nebo  se  dĤkladnČ  prozkoumají  rezidua,  která  získáme  z jednotlivých  analýz          (Tabachnick a Fidell, 2007, str. 78).          K provČĜení uvedených pĜedpokladĤ existují formální statistické testy, nicménČ          vedle nich se také doporuþuje využít k posouzení grafického zobrazení – napĜ.          histogramy  pĜi  hodnocení  normality,  nebo  vynesení  hodnot  dvou  promČnných          do souĜadnicového prostoru za úþelem provČĜení linearity vztahĤ þi homoske-          dasticity.          Mezi používané statistické testy patĜi napĜ.:             x ShapirĤv-WilkĤv test, PearsonĤv koeficient Į – pro normalitu dat;             x LevenĤv test, BartlettĤv test, CochranĤv test – pro homogenitu rozptylu.          Zvláštním  problémem  vícerozmČrných  metod  je  tzv.  multikolinearita  (vysoká          vzájemná  korelace  promČnných)  a  singularita  dat  (promČnná  zahrnutá  do          analýzy  je  kombinací  dvou  þi  více  jiných  promČnných).  NepĜíjemným          výpoþetním dĤsledkem je to, že determinant se v tČchto pĜípadech blíží nule, což          mĤže  nadhodnocovat  význam  nČkterých  vysvČtlujících  promČnných  a  díky          zvýšenému  rozptylu  odhadĤ  je  snížena  pĜesnost  vypoþtených  individuálních          hodnot  (Tabachnick  a  Fidell,  2007,  str.  90).  Jak  bylo  uvedeno  výše,  není          z tohoto  dĤvodu  dobré  zahrnovat  takovéto  promČnné  do  testovaných  modelĤ.          Toto  ale  neplatí  pro  metody,  jako  je  faktorová  analýza,  analýza  hlavních          komponent a strukturní modelování (Tabachnick a Fidell, 2007, str. 89), kde je          to naopak nezbytností.          Pokud  není  normalita  dat  splnČna,  lze  použít  transformaci  dat  a  pracovat  tak          s odvozenými  veliþinami,  které  normalitu  splĖují,  nebo  se  aspoĖ  pĜibližují.          ZpĤsobĤ transformace dat, které jsou úspČšnČ používány, je nČkolik a patĜí mezi          nČ:             x mocninná transformace y = x 2             x odmocninová transformace y = ¥x             x logitová transformace y = ln(x/(x–1))             x logaritmická transformace y = ln(x)             x inverzní transformace y = 1/x          PĜi  používání  transformací  je  ale  tĜeba  pamatovat  na  to,  že  na  rozdíl  od          pĤvodních hodnot, které mohly být charakteru intervalového nebo pomČrového          (interval, ratio scale), je výsledná transformovaná veliþina typu poĜadových dat,          což  mĤže  být  v rozporu  s nČkterými  metodami  zpracování  dat,  které          pĜedpokládají  intervalové  hodnoty.  Také  interpretace  výsledkĤ  by  mČly          vycházet z pĤvodních hodnot, napĜ. proto, že pĜi inverzní transformaci se mČní          polarita hodnot (Osborne, 2002).                                            68","II. Empirické studie založené na strukturním modelování              Vedle tČchto postupĤ, které Ĝeší problém s ne-normalitou dat, se uplatĖují také              lineární  transformace  (napĜ.  centrování), þi  pĜevedení  na  Z-skóry.  Doporuþení              vztahující  se  k postupĤm  transformace  ale  nejsou  jednoznaþná  (viz  pĜíklad              Tabulka 4-1).              Je  však  potĜebné  dodat,  že  se  zvČtšujícím  se  výzkumným  vzorkem  se  také              zvyšuje robustnost nČkterých vícerozmČrných metod vĤþi porušení pĜedpokladu              normality. NapĜíklad dĤsledky pozitivní špiþatosti dat na odhad rozptylu (jeho              zkreslení)  jsou  eliminovány  ve  vzorcích  dat  þítajících  více  než  100  pĜípadĤ.              Negativní špiþatost se podobnČ pĜestane projevovat u vzorkĤ nad 200 pĜípadĤ              (Waternaux, 1976; citováno dle Tabachnick a Fidell, 2007, str. 80).              Tabulka 4-1: Doporuÿený postup pro transformace promčnných              Pokud data vykazují…              použijte tuto transformaþní metodu                                                Odmocninu              StĜednČ pozitivní šikmost                                                NEWX = SQRT(X)                                                Logaritmizaci (Log 10)              Silnou pozitivní šikmost                                                NEWX = LG10(X)              Silnou pozitivní šikmost                                     Logaritmizaci (Log 10)              (s nulovými hodnotami)            NEWX = LG10(X + C)                                                Odmocninu              StĜednČ negativní šikmost         NEWX = SQRT(K – X)                                                Logaritmizaci (Log 10)              Silnou negativní šikmost                                                NEWX = LG10(K – X)              Kde: C – konstanta pĜipoþtená ke každému údaji tak, aby nejmenší údaj byl 1.              K – konstanta, od které se každý výsledek odeþte tak, aby nejmenší výsledek byl 1; obvykle              se rovná nejvČtšímu výsledku + 1.              Zdroj: Tabachnick a Fidell, 2007               4.1.2 Chybčjící hodnoty              Ve výzkumech v oblasti spoleþenských vČd je bČžné,  že  zpracovávané  datové              soubory nejsou 100% úplné, ale obsahují chybČjící hodnoty (missing data). Tato              skuteþnost  vyvolává  nČkolik  potenciálních  problémĤ.  Pokud  se  z analýzy              vypustí ty pĜípady (jednotky), u kterých nemáme kompletní data (napĜ. neúplnČ              vyplnČné dotazníky), sníží se tím významnČ velikost výzkumného vzorku. Bylo              napĜíklad  dokázáno,  že  pokud  chybí  10  %  dat  náhodnČ  rozprostĜených  v pČti              promČnných,  60  %  pĜípadĤ  obsahuje  alespoĖ  jednu  chybČjící  hodnotu  (Kim              a Curry, 1977). Vedle menšího vzorku mĤže dojít pĜi vylouþení tČchto pĜípadĤ              ke zkreslení výsledkĤ, neboĢ je možné, že chybČjící data nevznikla náhodnČ, ale              mohou  být  dĤsledkem  nevhodného  výzkumného  postupu  (napĜ.  pĜímé              dotazování  na  citlivé  otázky).  Je  tak  nezbytné  provČĜit  pĜíþiny  vzniku              chybČjících dat (Hair a kol., 2010) a to, zda se nevyskytují systematicky podle              nČjakého vzorce.              Ve statistických softwarech se tento zpĤsob ošetĜení chybČjících dat spoþívající              ve vylouþení neúplnČ popsaných objektĤ oznaþuje jako CASEWISE strategie.                                              69","4. Strukturní modelování          Vedle  naznaþených  problémĤ  je  výhodou  tohoto  postupu  to,  že  výbČrová          kovarianþní  matice  zĤstane  pozitivnČ  definitní,  což  nemusí  být  v  pĜípadČ          postupu  zpracování  „PAIRWISE“  (vylouþení  neúplných  párĤ),  „kdy  každá          kovariance  se  poþítá  ze  všech  možných  dvojic  a  prĤmČry  v  ní  jen  z hodnot          užitých pro výpoþet kovariance“ (Tvrdík, 2003, str. 23).          Hair a kol. (2010, s. 46) mj. doporuþuje následující:             x Jestliže u kterých pĜípadĤ chybí ménČ než 10 % dat, lze toto ignorovat,               pokud ve výskytu chybČjících hodnot nenalezneme nČjaké pravidlo.             x PĜípady,  u  kterých  chybČjí  hodnoty  u  závislých  promČnných,  je  dobré               vylouþit. Zabrání se tím umČlému zvČtšení vazby s nezávislými promČn-               nými.             x PromČnné, u kterých chybí 15 % þi více dat, jsou kandidáty na odstranČní.          Pokud  není  možné  získat  chybČjící  data  z jiných  zdrojĤ,  nebo  nahradit  celé          pozorování,  které  obsahuje  chybČjící  hodnoty,  jiným  (napĜ.  nové  dotazování          podobného subjektu), lze chybČjící hodnoty vypoþítat napĜ. pomocí:             x prĤmČru – což znamená, že všechny chybČjící hodnoty budou stejné, þímž               se  sníží  celkový  rozptyl,  naruší  se  pĤvodní  rozdČlení  dat  a  sníží  se               vypoþítané korelace;             x regrese – kdy chybČjící hodnoty jsou vypoþteny na základČ stanovených               vztahĤ  mezi  promČnnými.  I  tato  metoda  má  své  nevýhody.  PĜednČ  se               umČle  zvyšuje  závislost  v datech  (automaticky  se  pĜedpokládá,  že               závislost  existuje),  snižuje  se  zobecnitelnost  výsledkĤ  a  podhodnocuje               rozptyl dat (Hair a kol., 2010, str. 51).          V souvislosti  se strukturním  modelováním  se  pomocí  simulace  Monte  Carlo          zjistilo,  že  nejlepší  výsledky  pĜi  zpracování  chybČjících  hodnot  dává  metoda          FIM  (Full Information  Maximum  Likelihood). Také 69 %  zkoumaných studií          právČ metodu maximální vČrohodnosti použilo (Shah a Goldstein, 2006).          4.1.3 Odlehlé hodnoty          Odlehlé  hodnoty  nelze  považovat  a  priori  za  špatné  ani  za  dobré,  ale  jejich          hodnocení  musí  vycházet  z kontextu  a  z pĜíþin,  které  tyto  odlehlé  hodnoty          vyvolaly. PĜíþinou mĤže být chyba pĜi zpracování (napĜ. pĜepisování) dat. Dále          mimoĜádná  událost,  která  zpĤsobila  výjimeþné  hodnoty.  Samostatným  typem          odlehlých  hodnot  jsou  situace,  kdy  mimoĜádnost  nespoþívá  v hodnotách          jednotlivých promČnných (ty mohou být v bČžných mezích), ale v nestandardní          kombinaci hodnot promČnných, týkající se jednoho pĜípadu.          Odhalení  odlehlých  hodnot  je  relativnČ  snadné  u  jednotlivých  promČnných.          ObtížnČjší  je  to  v pĜípadČ  vícerozmČrných  dat,  kdy  se  hledají  odlehlé  pĜípady          (v potaz se tak musí vzít hodnoty více promČnných najednou).                                          70","II. Empirické studie založené na strukturním modelování              RozšíĜeným  zpĤsobem  jak  odhalit  tyto  odlehlé  pĜípady  je  Mahalanobisova              metrika, na které je zajímavé to, že vedle rozdílĤ ve variablititČ zohledĖuje také              korelaþní  strukturu  mezi  promČnnými.  PĜi  hledání  odlehlých  hodnot  ve              vícerozmČrných  datech  lze  uplatnit  i  shlukovou  analýzu  a  analýzu  hlavních              komponent. Oliviera a kol. (2010) napĜ. porovnáním tČchto tĜí postupĤ dochází              k závČru, že žádný z nich není jednoznaþnČ lepší a každá z metod je schopná ve              zkoumaných  datech  (zde  z  oblasti  chemie)  urþit  takový  odlehlý  prvek,  který              ostatní metody za odlehlý nepovažují.                 4.2  Podstata strukturního modelování              Modelování pomocí strukturních rovnic (structural equation modeling – SEM)              je  relativnČ  mladá  technika  vícerozmČrné  statistiky,  která  umožĖuje              kvantitativnČ testovat hypotézy ve formČ teoretických modelĤ. Modelem se zde              rozumí  vzájemné  vztahy  mezi  promČnnými,  pĜiþemž  promČnné  mohou  být              pĜímo  pozorovatelné  nebo  nepozorovatelné  (latentní).  Latentní  promČnné              pĜedstavují hypotetické konstrukty, které jsou mČĜeny nepĜímo pomocí sestavy              pozorovatelných promČnných.              SEM  pak  odpoví  na  otázku,  do  jaké  míry  získaná  data  podporují  platnost              navrženého teoretického modelu ve dvou rovinách:                 1. platnost modelu mČĜení latentních promČnných (faktorová analýza);                 2. platnost navržené struktury modelu (pČšinková analýza) – tj. vztahy mezi                   promČnnými, kde každá vazba pĜedstavuje hypotézu o vzájemném vztahu                   mezi  promČnnými.  RovnČž  neexistence  vazby  v modelu  znamená                   hypotézu  o  tom,  že  zde  vazba  neexistuje.  PĜi  tvorbČ  modelu  je  tĜeba                   zdĤvodnit také neexistující vazby mezi promČnnými (Chin a kol., 2008).                Obrázek 4-1: Vztah mezi modelem mčĝení a strukturním modelem v rámci SEM                                       Zdroj: Nachtigall a kol., 2003, s. 5                                               71","4. Strukturní modelování          SEM  má  tak  smysl  použít  v situaci,  když  je  tĜeba  provČĜit  navrženou  teorii          a souþasnČ  platí,  že  tato  teorie  mĤže  být  pĜevedena  do  modelu  v podobČ          lineárních rovnic a mezi promČnnými platí pĜímé úmČrnosti. Tím jsou vyĜazeny          teorie  založené  na  typologiích  a  nominálních  datech  (Nachtigall  a  kol.,  2003,          s. 12).          Brown a Dant (2008) provedli obsahovou analýzu výzkumných prací, které byly          publikovány v prĤbČhu šesti let (2002 až 2007) v þasopisu Journal of Retailing,          a zjistili,  že  nejþastČji  využívanými  statistickými  metodami  zpracování          kvantitativních  dat  byla  regresní  analýza,  analýza  rozptylu  a  strukturní          modelování.          SEM  je  metoda,  resp.  metody,  které  mají  pĤvod  v psychologickém  výzkumu,          nicménČ od 60. let 20. století se uplatĖují i ve výzkumu podnikĤ – v marketingu,          strategickém  managementu,  výzkumu  organizací,  manažerských  informaþních          systémĤ þi provozním managementu (Shah a Goldstein, 2006). V poslední dobČ          napĜ. Saghaei a Ghasemi (2009) použili SEM pĜi modelování kauzálních vztahĤ          pĜi  implementaci  Balanced-Scorecard  v podniku.  Zajímavou  studii  provedli          Babin,  Hair  a  Boles  v  roce  2009.  Zkoumali,  zda  pĜítomnost  SEM  v þláncích          zaslaných  k recenznímu  Ĝízení  do  renomovaného  marketingového  þasopisu          zvyšuje šanci pro pĜijetí. Aþkoliv souvislost nebyla pĜíliš velká, podaĜilo se jim          statisticky prokázat, že þlánky se SEM jsou hodnoceny lépe a v recenzním Ĝízení          jsou úspČšnČjší. Nepodstatný není ani fakt, že témČĜ polovina (48 %) zaslaných          þlánkĤ do sledovaného þasopisu využívala SEM.          PĜestože  SEM  je  metoda  výpoþetnČ  nároþná,  integrující  poznatky  z moderní          statistiky,  její  aplikace  v posledních  letech  výraznČ  roste.  NapĜ.  v oblasti          provozního managementu roste poþet publikovaných þlánkĤ kvadraticky (Shah          a Goldstein, 2006).            4.3  Typy promČnných v SEM          SEM  pracuje  se  dvČma  typy  promČnných,  a  to  s  pozorovanými  a  latentními          promČnnými. Latentní promČnné (konstrukt nebo faktor) jsou takové promČnné          vstupující do modelu, které nejsou pĜímo pozorovatelné, popĜ. mČĜitelné, a tak          se  dají  zjistit  pouze  nepĜímo,  pomocí  pozorovaných  promČnných.  Taková          sestava  promČnných  pak  definuje  latentní  promČnnou.  PĜíkladem  latentní          promČnné  mĤže  být  napĜ.  inteligence  jedince  a  pozorovanou  promČnnou,          pomocí  které  lze  usuzovat  na  inteligenci,  jsou  výsledky  inteligenþních  testĤ.          PodobnČ  lze  chápat  Dow-Jones  index  jako  pozorovanou  promČnnou,  která          vypovídá  o  konstruktu  ekonomika  amerických  spoleþností  (Schumacker,          Lomax, 2004, str. 3). Pojetí latentních promČnných pĤvodnČ vycházelo z oblasti          psychometrie a týkalo se psychologických kategorií. V moderním pojetí jsou ale                                            72","II. Empirické studie založené na strukturním modelování              za  latentní  promČnnou  považovány  jakékoliv  promČnné,  které  nejsou  pĜímo              pozorovány ve zkoumaném vzorku dat (Raykov a Marcolides, 2006, str. 10).              Obrázek 4-2: Pĝíklad latentní a pozorované promčnné                                  Zdroj: Meyers, L. S., Gamst, G. a Guarino, A. J. (2006), str. 565                 4.4  Poþet položek pro urþení konstruktu              PĜevažuje shoda nad tím, aby latentní promČnné byly mČĜeny za pomocí dvou              a více  promČnných.  Pokud  by  latentní  promČnná  byla  definována  jen  jednou              promČnnou,  pak  se  vlastnČ  pĜedpokládá,  že  jediná  promČnná  mČĜí  latentní              promČnnou, a to spolehlivČ, bez chyby mČĜení, což vČtšinou není pravda. Tímto              by se snížila reliabilita a validita výpoþtĤ. Použití jediné promČnné má smysl ve              dvou pĜípadech: (1) pokud je jisté, že promČnná mČĜí danou latentní promČnnou              a mČĜí ji kvalitnČ, nebo (2), když nejsou k dispozici další promČnné a je tĜeba              pracovat  pouze  s jedinou,  která  je  (Schumacker,  Lomax,  2004,  str.  199).              V takovém  pĜípadČ  by  promČnná  mČla  být  modelována  jako  manifestovaná              (pozorovaná) promČnná, a ne promČnná latentní (Shah a Goldstein, 2006).              Pozorované  i  latentní  promČnné  mohou  mít  v modelu  roli  závislých              (endogenních) i nezávislých (exogenních) promČnných. O exogenních promČn-              ných  se  pak  pĜedpokládá,  že  jsou  ovlivĖovány  okolnostmi  mimo  sledovaný              model.  Protože  SEM  dokáže  testovat  strukturní  model  (vazby  mezi  nČkolika              promČnnými,  které  nemusí  být  pouze  pĜímé),  promČnné  mohou  v modelu              vystupovat také v roli zprostĜedkujících promČnných (mediating variable). SEM              tedy  netestuje  regresní  rovnici  (s  jednou  þi  více  promČnnými),  ale  najednou              systém regresních rovnic. Díky tomu jde o velmi flexibilní metodu (Nachtigall              a kol., 2003).                4.5  Reflektivní a formativní pojetí promČnných              Pro výpoþet latentních promČnných existují dva zpĤsoby konstrukce: reflektivní              a formativní. Reflektivní zpĤsob pĜedpokládá, že jednotlivé položky, na které se                                              73","4. Strukturní modelování          dotazujeme,  odrážejí  podkladovou  latentní  promČnnou.  Formativní  (nebo  také          kauzální) indikátory naopak definují latentní promČnnou, urþují její obsah. PĜi          formativní  konstrukci  latentních  promČnných  se  vlastnČ  vytváĜí  index  (Shah          a Goldstein, 2006). PĜestože vČtšina výzkumĤ využívá reflektivní indikátory, ne          vždy je to správné z logiky vČci. DĤsledky nevhodného rozhodnutí v této vČci          mohou  vést  k odlišným  výsledkĤm,  což  dokazují  napĜ.  Collier  a  Bienstock          (2009),  kteĜí  na  stejných  datech  testovali  model  sestavený  výhradnČ          z reflektivnČ  definovaných  latentních  promČnných  a  model,  který  u  nČkterých          promČnných využíval formativní pĜístup. Rozdíly nebyly zásadní, ale týkaly se          významnosti  a  existence  nČkolika  vazeb  v modelu.  Tudíž  interpretace,  které          vycházely ze dvou verzí modelu, byly v dílþích bodech protichĤdné.          PĜestože  byl  formativní  pĜístup  pro  mČĜení  latentních  promČnných  poprvé          vyvinut pĜed více než 40 lety, vČtší pozornost v odborných diskuzích získal až          v letech  devadesátých.  Navzdory  tomu  je  využívání  formativního  zpĤsobu          mČĜení  v empirických  studiích  vzácné  (Diamantopoulos  a  kol.,  2008).          Doporuþení  pro  volbu  mezi  formativním  a  reflektivním  zpĤsobem  mČĜení          promČnných lze nalézt napĜ. v Jarvis a kol. (2003).          Obrázek 4-3: Pĝíklad formativních a reflektivních indikátorĥ                                     Zdroj: Rodgers a Guiral, 2011           4.6  Typy strukturních modelĤ          Strukturní  modelování  má  nČkolik  podob.  ěazeno  chronologicky  podle  data          vzniku  jde  o  regresní  modely,  pČšinkové  modely  (path  analysis  –  PA),          konfirmaþní  faktorovou  analýzu  (Confirmatory  factor  analysis  –  CFA)          a koneþnČ  modelování  pomocí  strukturních  rovnic  (SEM)  (Schumacker          a Lomax,  2004,  3).  NČkteĜí  autoĜi  ale  regresní  modely  do  strukturního          modelování  neĜadí  (napĜ.  Raykov  \&  Marcolides,  2006,  4)  a  jako  þtvrtý  typ          strukturního  modelování  uvádČjí Latent  change  models  (nebo  latent  growth          curve  models),  které  slouží  jako  prostĜedek  ke  studiu  zmČn  v þase;  napĜ.          k odhalení vzorcĤ zmČny v þase v závislosti na jiných promČnných.          Pokud  pod  strukturní  modelování  zaĜadíme  regresní  modely,  kde  je  závislá          promČnná  odhadována  pomocí  lineárního  vztahu  k nezávislým  veliþinám  (viz                                           74","II. Empirické studie založené na strukturním modelování              také metoda nejmenších þtvercĤ), patĜí mezi zakladatele SEM Karl Pearson díky              svému objevu korelaþního koeficientu (Schumacker a Lomax, 2004, str. 5). Na              nČj navázal Charles Spearman, který jako první rozpracoval základy faktorové              analýzy,  jež  v 60.  letech  20.  století  dospČla  do  podoby  konfirmaþní  faktorové              analýzy  (CFA).  Ta  umožĖuje  posoudit,  zda  jednotlivé  promČnné  definují              latentní  promČnnou  (konstrukt).  PĜi  CFA  se  nepĜedpokládají  specifické              jednosmČrné  vztahy  mezi  konstrukty,  pouze  se  pĜipouští,  že  mohou  být              vzájemnČ korelované. Další typ strukturního modelování – pČšinkovou analýzu              (path  analysis  –  PA)  –  vytvoĜil  biolog  Sewell  Wright  ve  dvacátých  letech              20. století.  Jöreskog,  Keerling  a  Wiley  v 70.  letech  vytvoĜili  zkombinováním              obou  metod,  CFA  a  PA,  modelování  pomocí  strukturních  rovnic  (SEM)              (Schumacker a Lomax, 2004, str. 6).              Jeden z autorĤ SEM – Jöreskog – se podílel na tvorbČ poþítaþového programu              pro  výpoþet  strukturního  modelování,  již  klasického  a  dodnes  vyvíjeného              a používaného  programu  LISREL.  Mimo  nČj  patĜí  mezi  bČžnČ  využívaný              software pro strukturní modelování AMOS, EQS, Mplus, SAS PROC CALIS,              SEPATH þi  RAMONA  (Raykov  \&  Marcolides,  2006,  2).  Rozvoj  uživatelsky              pĜívČtivČjších programĤ mČl jistČ podíl na výrazném rozšíĜení SEM ve výzkumu              v 90. letech. Díky tomu snad již neplatí, že SEM je populární, protože je pouze              málo  lidí,  kteĜí  ji  dovedou  využívat,  jak  v roce  2003  poznamenali  Nachtigall              a kol. (2003, str. 12).               Tabulka 4-2: Použitý software v publikovaných včdeckých ÿláncích                SEM ve výzkumu v oblasti Ĝízení   SEM ve výzkumu sociální práce                          operací                        Lisrel – 48 %                   AMOS – 40 %                          EQS 19 %                      LISREL – 25 %                          SAS 9 %                          EQS 9 %                         AMOS 3 %                         Mplus 1 %                         Ramona 1 %              Zdroj: Shah a Goldstein, 2006 a Guo a kol., 2008              4.6.1 Pčšinková analýza              Path  analysis  (PA),  v þeském  pĜekladu  pČšinková  analýza  nebo  analýza              cestiþek,  spolu  se SEM  pĜedstavuje  metodu  kauzálního  modelování.  Protože              kauzalita jako taková se neobjevuje ve skuteþnČ pozorovaných datech (jedná se              o  myšlenkový  konstrukt),  nelze  kauzalitu  mČĜit  samu  o  sobČ  (Meyer  a  kol.,              2006, 585). Oznaþení kauzální modelování tak není úplnČ pĜesné, což je také              hlavní námitka vĤþi PA. NapĜ. Yu (2007) cituje výhrady Davida Linga, podle              kterého PA nemĤže vyvrátit chybnČ navržené kauzální pĜedpoklady v modelu,              a proto tato metodologie není vČdecká ani statistická.              VhodnČjší charakteristika PA zní, že díky této metodČ lze posoudit pĜímé, ale              i nepĜímé  efekty  promČnných  na  jiné  promČnné  tak,  jak  to  pĜedpokládá                                             75","4. Strukturní modelování          zkoumaný  teoretický  model.  Ten  je  obvykle  vedle  slovního  zdĤvodnČní          prezentován pČšinkovým grafem, který zobrazuje závislou a nezávislé promČnné          a  pĜedpokládané  vztahy  (pĤsobení)  mezi  nimi.  PĜedpoklady,  na  kterých  stojí          pČšinková analýza, jsou tyto (Meyer a kol., 2006, str. 592):             1. Vztahy mezi promČnnými jsou lineární a kauzální.             2. Chyby  mČĜení  spojené  s endogenní  (závislou)  promČnnou  nejsou               korelované s vysvČtlujícími promČnnými.             3. PĜíþinné  vazby  jsou  jednosmČrné,  ale  na  rozdíl  od  vícenásobné  regrese               mohou být mezi promČnnou A a B dvČ takovéto vazby, každá opaþného               smČru. Takové modely jsou oznaþované jako nerekurzivní. PĜedpokládají,               že vztah mezi promČnnými má jak podobu pĜíþiny, tak i následku (tj. jde               o existenci zpČtné vazby), což se využívá v dynamických modelech, které               pracují s dlouhodobými daty (resp. þasovými Ĝadami) (Hair a kol, 2010,               str. 708).             4. PromČnné  jsou  mČĜeny  na  úrovni  intervalových  promČnných,  nebo               alespoĖ  pomocí  promČnných  blízkých  intervalovým  promČnným  (jako               napĜ. Likertovy škály).             5. PromČnné  jsou  mČĜeny  bezchybnČ  –  jejich  reliabilita  je  tedy  100  %.               V tomto  spoþívá  základní  rozdíl  mezi  PA  a  SEM.  PA  využívá  pouze               pozorované  promČnné  (nikoliv  latentní)  a  pĜedpokládá,  že  jsou  100%               spolehlivé,  kdežto  SEM  umožĖuje  pracovat  i  s latentními  promČnnými,               u kterých se automaticky pĜedpokládá, že jsou mČĜeny jen s jistou mírou               spolehlivosti.  Proto  dnes  PA  považuje  mnoho  výzkumníkĤ  za  ménČ               zajímavou než SEM (Meyer a kol., 2006, str. 585). Principy PA ale platí               analogicky i pro složitČjší SEM modely.          PA  je  velmi  blízká  vícenásobné  regresi.  Vedle  toho,  že  PA  umí  modelovat          i nepĜímé  vztahy  mezi  promČnnými,  liší  se  i  v následujících  technických          postupech výpoþtu (Meyer a kol., 2006, str. 604):             1. Vícenásobná  regrese  využívá  metodu  nejmenších  þtvercĤ,  kdežto  PA               metodu maximální vČrohodnosti (maximum likelihood).             2. Výpoþet  nejmenších  þtvercĤ  je  proveden  najednou,  kdežto  maximální               vČrohodnost je iterativní proces.             3. Vícenásobná  regrese  vypoþítává  rovnici  pro  každou  endogenní  pro-               mČnnou nezávisle. PA odhaduje všechny koeficienty modelu najednou.          Technický  rozdíl  je  také  v tom,  že  vícenásobná  regrese  vede  k výpoþtu          odhadnutých hodnot závislé promČnČné, kdežto PA k chybČ spojené se závislou          promČnnou.               Odhad regresní rovnice          Odhad strukturní rovnice          y (predict) = b 0 + b 1x 1 + b 2x 2 + . . . +  y (observed) = b 0 + b 1x 1 + b 2x 2 + . . . + b px p          b px p                        + error(Y)                                          76","II. Empirické studie založené na strukturním modelování              Obrázek 4-4: Porovnání vícenásobné regrese a pčšinkové analýzy                    Vícenásobná regrese               PČšinková analýza                        Zdroj: http://www.psy.jhu.edu/~ashelton/courses/SEM09/SEMIntro.pdf               Aþkoliv byla PA navržena ve 30. letech 20. století, vČtšího zájmu se jí dostalo až              po 30 letech (Yu, 2007).              4.6.2 Konfirmaÿní faktorová analýza              Konfirmaþní  (nČkdy  také  konfirmatorní)  faktorová  analýza,  anglicky              oznaþovaná  jako  Confirmatory  Factor  Analysis  –  CFA,  je  speciální  metodou              strukturního  modelování,  která  výzkumníkĤm  umožĖuje  posoudit  platnost              pĜedpokládané struktury mezi promČnnými. Na rozdíl od explorativní faktorové              analýzy,  je  CFA  využívána  pĜi  deduktivním  pĜístupu  (Meyer  a  kol.,  2006,              str. 548),  kdy  výzkumník  nejprve  vytvoĜí  teoretický  koncept  a  ten  testuje  na              empirických datech. Konceptem se zde rozumí pĜedstava o tom, jaké konkrétní              (pozorovatelné) promČnné vypovídají o latentní (pĜímo nepozorovatelné, nebo              nepozorované)  promČnné  –  konstruktu.  CFA  pak  prozkoumá,  do  jaké  míry              pozorované promČnné plní jednotlivé konstrukty.              PĜi CFA je latentní promČnná pojímána jako nezávislá promČnná a pozorované              promČnné  jako  závislé  –  což  je  v grafické  podobČ  testovaného  modelu              vyznaþeno  šipkami,  které  smČĜují  od  latentní  promČnné  k pozorovaným              promČnným.              Obrázek 4-5: Pĝíklad CFA                                          Zdroj: Hair a kol., 2010, str. 631                                              77","4. Strukturní modelování          4.7  Výhody a možnosti využití SEM          Možnost  pracovat  s  latentními  promČnnými  pĜedstavuje  velkou  výhodu  SEM          oproti  jiným  vícerozmČrným  statistickým  metodám.  Díky  tomu  totiž  mohou          testované  modely  pracovat  s velkým  poþtem  promČnných,  a  být  tak  více          komplexní.  Protože  testovaný  model  je  posuzován  najednou  jako  celek,  lze          vypoþítat test dobré shody pro celý hypotetický model (Ho, 2006, str. 281).          Druhou  hlavní  výhodou  je  zohlednČní  validity  a  reliability  dat  získaných          mČĜicími nástroji. SEM totiž explicitnČ zohledĖuje chybu mČĜení (measurement          error)  pĜi  statistickém  zpracování  dat  (Schumacker  a  Lomax,  2004,  str.  7).          Jinými slovy pĜedpokládá, že i u mČĜených (nezávislých) promČnných existuje          chyba  mČĜení, což jiné vícerozmČrné  metody  nedČlají. (Raykov a Marcolides,          2006,  str.  7).  Tyto  chyby  mČĜení  jsou  zpĤsobené  jednak  nepĜesností          v odpovČdích  respondentĤ,  jednak  problémy  v operacionalizaci  konceptĤ  (Ho,          2006,  str.  282).  Díky  zohlednČní  chyby  mČĜení  jsou  vztahy  mezi  konstrukty          (latentními promČnnými) odhadnuty pĜesnČji (Hair a kol. 2010, str. 615).          BČhem 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 tĜetí pĜednost tČchto metod (Schumacker, Lomax, 2004,          str. 7).          Raykov  a  Marcolides  (2006,  str.  6)  uvádČjí,  že  SEM  mĤže  být  použita  pro          následující tĜi typy úloh:             1. Validace  konstruktĤ  –  SEM  zde  slouží  jako  prostĜedek  ovČĜování,  zda               navržený  mČĜicí  nástroj  skuteþnČ  mČĜí  latentní  promČnnou,  kterou  má               mČĜit.             2. Konfirmaþní  mód  –  za  pomoci  SEM  výzkumník  testuje  hypotetický               model  na  empirických  datech.  PĜípadnČ  lze  také  na  jednČch  datech               testovat  platnost  dvou  alternativních  teorií,  þímž  se  získá  ještČ  cennČjší               výsledek (Hair a kol., 2010, str. 620).             3. Vývoj teorie – zde má SEM roli prĤzkumného (explorativního) nástroje,               kdy  výzkumník  þasto  na  jednom  vzorku  dat  testuje  nČkolik  modelĤ               a hledá, který nejlépe z nich odpovídá použitým datĤm. Zkoumá tak rĤzné               možnosti  vztahĤ  mezi  promČnnými,  což  mu  pomáhá  pĜi  navržení  nebo               objasnČní  teorie.  Aby  takto  vytvoĜený  model  mohl  být  považován  za               obecnČ  platný,  je  tĜeba  jej  provČĜit  na  nové  sadČ  dat  (opČt  konfirmaþní               využití SEM).          Naopak za nevýhodu lze považovat, že pro SEM existuje jen málo pomĤcek ve          smyslu  doporuþení  a  ještČ  ménČ  standardĤ,  kterých  by  se  výzkumníci  pĜi          aplikaci  SEM  mČli  držet  pĜi  provádČní  samotné  analýzy,  stejnČ  jako  pĜi          prezentaci a interpretaci výsledkĤ (Shah a Goldstein, 2006).                                            78","II. Empirické studie založené na strukturním modelování              Další nevýhody SEM:                 x Neumí testovat smČr vazeb mezi promČnnými (Stoelting, 2002).                  x Velké výzkumné vzorky (Wallenburgn a Weber, 2005).                 x Podmínka vícerozmČrné normality dat, byĢ metoda maximální vČrohod-                   nosti  pro  odhad  parametrĤ  modelu  je  robustní  i  vĤþi  odchylkám                   v normalitČ dat (Wallenburg a Weber, 2005).                  x Ekvivalence modelĤ – lze namodelovat více rĤzných modelĤ na stejných                   datech, a pĜesto mohou být stejnČ statisticky kvalitní (Hancock a Mueller,                   2006, str. 17).                 x Ex post modifikace modelu mohou popĜít smysluplnost metody (výsledky                   pĜizpĤsobit datĤm) (Hair a kol., 2010).                4.8  PĜedpoklady SEM              Pro  strukturní  modelování  platí  podobné  pĜedpoklady  jako  pro  ostatní              vícerozmČrné statistické metody. Specifikum lze vidČt v požadavcích, které se              týkají:                 x velikosti výzkumného vzorku;                 x spojitosti endogenní promČnných;                 x identifikace modelu;                 x nutnosti teoretického zdĤvodnČní modelĤ a kauzality.              Velikost vzorku              AutoĜi Bentler a Chou (1987) vycházejí pĜi stanovování velikosti výzkumného              vzorku  z poþtu  promČnných  a  Ĝíkají,  že  rozumné  minimum  pĜi  strukturním              modelování je 5 pĜípadĤ na jeden odhadovaný parametr, tj. pĜibližnČ 15 pĜípadĤ              na jednu promČnnou (splĖující požadavky na normalitu, nepĜítomnost odlehlých              hodnot a úplnost dat). Pokud ale promČnná nesplĖuje normalitu dat, doporuþují              použít místo pČti pĜípadĤ 15.              Ve  výzkumné  praxi  je  velikost  vzorkĤ  rĤznorodá.  V sociálním  výzkumu  se              pohybují od 120 do 6400 pozorování s mediánem 412 (Guo a kol., 2008). Ve              výzkumech v provozním managementu je rozpČtí menší, 18–3300 s mediánem              251 (Shah a Goldstein, 2006).              Spojitost endogenních promČnných              PĜi SEM se pĜedpokládá, že všechny endogenní promČnné jsou spojité. Pokud              jsou  mČĜeny  pomocí  škál  a  data  jsou  tedy  ordinální,  stále  se  pĜedpokládá,  že              promČnná,  která  je  zaznamenána  na  škále,  je  sama  o  sobČ  spojitá.  Exogenní                                               79","4. Strukturní modelování          promČnné  mohou  být  spojité,  ordinální  nebo  dichotomické  (Jackson  a  kol.,          2005; Structural Equation Modeling using AMOS: An Introduction, 2011).          Identifikace modelu          PĜi  výpoþtu  parametrĤ  strukturního  modelu  je  potĜeba  dostateþného  poþtu          korelací  a  kovariancí.  Pokud  existuje  nekoneþnČ  mnoho  odhadĤ  parametrĤ          modelu, mluví se o tom, že model je underidentified. Je to situace, kdy model          má ménČ promČnných známých než neznámých (záporné stupnČ volnosti).            Obrázek 4-6: Ilustrace PA, CFA a SEM                                                      Zdroj: Shah a Goldstein, 2006                                          80","II. Empirické studie založené na strukturním modelování              Výsledek  výpoþtu  tak  není  použitelný.  Zvláštním  pĜípadem  je  tzv.  empirická              underidentification. Tato situace nastane, když se odhady nČkterého z parametrĤ              blíží nule a to zpĤsobuje výpoþetní problémy. ěešením pak mĤže být zvČtšení              výzkumného vzorku. Druhou pĜíþinou je pak nevhodnČ formulovaný model.              Model, který poskytuje pouze jedno možné Ĝešení, bývá oznaþován jako just-              identified.  RovnČž  toto  Ĝešení  není  smysluplné,  neboĢ  umČle  odpovídá  datĤm              (Meyer a kol., 2006, str. 551).              Modely,  které  poskytují  více  než  jedno  pĜípustné  Ĝešení  (a  jedno  z nich  je              nejlepší  nebo  optimální)  odhadu  pro  každý  parametr,  se  oznaþují  jako              overidentified.  Tyto  modely  mají  poþet  stupĖĤ  volnosti  vČtší  než  nula,  což              umožĖuje vypoþítat chí-kvadrát a další testy dobré shody (Structural Equation              Modeling using AMOS: An Introduction, 2011).              Teoretické zdĤvodnČní modelĤ 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  pĜijetí  modelu.  Jedním  z dĤvodĤ  proþ  tomu  tak  je,  je              skuteþnost,  že  na  jednČch  datech  lze  vČtšinou  namodelovat  nČkolik  rĤzných              modelĤ, o kterých lze prohlásit, že nejsou neplatné. Aby tedy využívání SEM              mČlo nČjaký užitek, musí být modely (použité promČnné a vztahy mezi nimi)              teoreticky zdĤvodnČny. Pozornost je tĜeba vČnovat zdĤvodnČní kauzalit, protože              i  když  modely  pracují  se  závislostmi  (jednosmČrné  šipky  v grafických              reprezentacích  modelĤ),  samy  statistické  metody  SEM  skuteþnou  kauzalitu              neprokážou.              Pokud  je  tĜeba  zkoumat  kauzalitu,  tradiþnČ  se  uplatĖují  experimenty  jako              výzkumný postup. SEM se však typicky nepoužívá pro experimentální výzkumy              a nezávislé promČnné nejsou Ĝízeny a ovlivĖovány výzkumníky. O kauzálních              vztazích  lze  pĜi  SEM  mluvit,  pokud  jsou  splnČny  tyto  vlastnosti  vztahu  dvou              promČnných (Hair a kol., 2010, str. 614):                  x Existuje mezi nimi kovariance.                 x Existuje  mezi  nimi  þasová  následnost  –  SEM  mĤže  tuto  vlastnost                   prokázat,  pokud  využívá  data  z výzkumu  postaveného  na  experimentu                   anebo dlouhodobém výzkumu (jde o analýzu þasových Ĝad).                 x Nejde  o  nepravý  vztah  (non-spurious  covariance)  –  kovariance  mezi                   promČnnými není ovlivnČna, pokud se do modelu zahrne další promČnná.                   Prokázání  této  podmínky  kauzality  komplikuje  velmi  þastá  multiko-                   linearita mezi nezávislými promČnnými u profilových dat (cross sectional                   data, nejedná se o data þasových Ĝad).                 x Existuje teoretické zdĤvodnČní.                                                81","4. Strukturní modelování          4.9  Postup pĜi výzkumu využívajícím SEM          Následující doporuþený postup pĜi výzkumu založeném na SEM vychází z Hair          a kol. (2010, str. 628):             1. Definice jednotlivých konstruktĤ – operacionalizace použitých konstruktĤ               vyúsĢuje  do  návrhu  „obrazĤ“ þi  indikátorĤ  tČchto  konstruktĤ  –               pozorovaných  promČnných  (tj.  napĜ.  škálových  otázek,  které  budou               položeny  v dotazování).  Lze  vycházet  z otázek  použitých  již  v pĜedcho-               zích výzkumech, nebo navrhnout a otestovat vlastní škály.             2. VytvoĜení mČĜicího modelu – znamená zodpovČdČt otázky o tom, zda jsou               použité  konstrukty  validní  a  jednorozmČrné.  Kolik  pozorovaných               promČnných  má  popisovat  jeden  konstrukt?  Které  položky  patĜí               k jednotlivým  konstruktĤm?  Výsledkem  je  þasto  grafický  návrh  (viz               Obrázek 4-2)             3. Návrh  empirického  výzkumu  (sbČru  dat)  –  zde  se  definuje  velikost               výzkumného  vzorku,  zpĤsob  zpracování  chybČjících  dat,  zpĤsob               posouzení  kvality  dat,  volba  metody  matematického  odhadu  parametrĤ               modelu aj.             4. Posouzení  validity  mČĜení  –  na  získaných  datech  se  posoudí  validita               modelu  mČĜení,  tedy  zda  pozorované  promČnné  vypovídají  o definova-               ných konstruktech. Tato fáze spoþívá v provedení konfirmaþní faktorové               analýzy.  Pokud  zpĤsob  mČĜení  latentních  promČnných  není  uspokojivý,               nelze pokraþovat dál, ale je potĜeba redefinovat model mČĜení. Zahrnutí               strukturních  vztahĤ  do  modelu  (krok  5)  totiž  nezlepší  validitu  mČĜení               (Hair a kol., 2010, str. 710). V této fázi se musí posoudit celková shoda               modelu  mČĜení  s daty  a  dále  je  tĜeba  provČĜit  validitu  jednotlivých               konstruktĤ  ze  þtyĜ  hledisek  (Hair  a  kol.,  2010,  str.  678):  konvergenþní               validita, diskriminaþní validita, nomologická validita (provČĜena pomocí               korelací  mezi  konstrukty,  zda  pĜítomnost  a  podoba  korelací  odpovídá               teoretickým  pĜedpokladĤm)  a  face  validita  (znamená,  zda  jednotlivé               pozorované promČnné mají takový obsah, aby skuteþnČ plnily sledovaný               koncept).             5. Specifikace  struktury  modelu  –  znamená  definovat  vztahy  mezi               promČnnými a v pĜípadČ konfirmaþního módu SEM je teoreticky zdĤvod-               nit.             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). ObecnČ platí, že pokud se ukazatel testu dobré shody               pro  strukturní  model  blíží  hodnotám  modelu  mČĜení,  strukturní  model               lépe odpovídá datĤm, protože hodnoty modelu mČĜení pĜedstavují hranici,               od  které  se  odvíjejí  hodnoty  strukturního  modelu  (Hair  a  kol.,  2010,               str. 650).                                            82","II. Empirické studie založené na strukturním modelování              4.9.1 Posouzení validity modelu              PĜed zkoumáním jednotlivých vztahĤ je tĜeba rozhodnout, zda model jako celek              odpovídá  datĤm  a  zda  jej  lze  pĜijmout  nebo  zamítnout  (predictive  accuracy,              model  fit).  O  tom  rozhoduje  shoda  mezi  pozorovanou  a  odhadovanou              kovarianþní maticí, která je výsledkem testovaného modelu (Hair a kol. 2010,              str.  614).  Bylo  navrženo  více  ukazatelĤ,  které  hodnotí  míru  shody  dat              s teoretickým  modelem.  NejþastČji  používanými  je  chí-kvadrát,  CFI              (comparative fix index) a RMSEA (root mean square error of approximation).              Jejich  doporuþené  hodnoty  (viz  Tabulka  4-3)  závisejí  na  nejménČ  dvou              okolnostech: na velikosti vzorku a na poþtu všech parametrĤ modelu, které je              tĜeba  odhadnout.  Interpretace  výsledku  þasto  není  jednoznaþná.  NapĜ.  nižší              hodnoty  RMSEA  neznaþí  vhodnČjší  model  než  model  s hodnotami  RMSEA              vyššími (Shah a Goldstein, 2006).              Tabulka 4-3: Doporuÿené hodnoty indikátorĥ kvality modelu                                  N<250                        N>250                        m”12    12 < m <30  m•30     m”12     12 < m <30   m•30              Chí     Oþekávány   Oþekávány  Oþekávány  Oþekávány   Oþekávány  Oþekávány              kvadrát  nesign. p   sign. p   sign. p   nesign. p   sign. p   sign. p                      hodnoty   hodnoty   hodnoty   hodnoty   hodnoty   hodnoty                                i s dobrou        i s dobrou                                shodou            shodou              CFI nebo   0,97 nebo   0,95 nebo   Nad 0,92   0,95 nebo lepší   Nad 0,92   Nad 0,90              TLI     lepší     lepší              RNI     Nemusí    0,95 nebo   Nad 0,92   0,95 nebo lepší,   Nad 0,92,   Nad 0,90,                      správnČ   lepší             nepoužívat pĜi  nepoužívat  nepoužívat                      diagnost.                   N>1000      pĜi N>1000  pĜi N>1000                      chybný model              SRMR    Zkresluje   0,08 nebo   MénČ než   Zkresluje  0,08 nebo   0,08 nebo                      (overestim.),   ménČ (pĜi  0,09 (pĜi  (overestim.),   ménČ (pĜi  ménČ (pĜi                      nutné použít   CR 0,95   CR 0,95   nutné použít   CR nad   CR nad                      jiný ukazatel   nebo  nebo  jiný ukazatel   0,92)   0,92)                                vyšších)   vyšších)              RMSEA   Hodnoty <   Hodnoty <   Hodnoty <   Hodnoty < 0,07   Hodnoty <   Hodnoty <                      0,08 s CR =   0,08 s CR   0,08 s CR   s CR = 0,97   0,07 s CR   0,07 s CR                      0,97 nebo   = 0,95   = 0,92   nebo vyšší   = 0,92   = 0,90                      vyšší     nebo vyšší   nebo vyšší       nebo vyšší   nebo vyšší              Pozn.: m – poþet pozorovaných promČnných, N je poþet pĜípadĤ ve skupinČ, pokud se              aplikuje CFA na více skupin souþasnČ              Hair a kol. 2010, s. 646              4.9.2 Modifikace modelu              Používaný software bČžnČ vypoþítává také údaje, které lze využít k modifikaci              modelu tím smČrem, aby model lépe odpovídal datĤm. To má smysl, zejména              pĜi  užití  SEM  jako  prostĜedku  vývoje  teorie.  PĜi  konfirmaþním  použití  jsou              úpravy  modelĤ  na  základČ  dat  velmi  sporné.  Typickým  pĜíkladem  úprav  je              pĜipuštČní  korelace  chyb  odhadĤ  latentní  promČnné  (chyby  spojené                                              83","4. Strukturní modelování          s pozorovanými  promČnnými).  Problematické  je  to  zejména  v situaci,  když  se          pĜipustí  korelace  mezi  chybami  odhadĤ  dvou  rĤzných  latentních  promČnných          (pro Obrázek 4-2 a jeho dvou latentních promČnných by to byla napĜ. korelace          mezi  nČkterou  z promČnných  Error  1-3  a  Error  4-6).  Znamená  to  totiž,  že  se          pĜipouští, že promČnné definující latentní promČnné mají nČco spoleþného (napĜ.          definují souþasnČ i jiný konstrukt). To v jistých pĜípadech jde teoreticky obhájit.          Velmi  þasto  to  ale  znamená  pĜiznání,  že  zvolené  promČnné  nemČĜí  sledované          konstrukty  dobĜe  a  je  to  tedy  signálem  nedostateþné  konstruktové  validity          (Nachtigall a kol., 2003, str. 13; Hair a kol. 2010, str. 666).          V souvislosti  s modifikacemi  modelu  je  tĜeba  dodat,  že  ohrožují  smysluplnost          SEM jako metody pro ovČĜování teorií. Bez jasnČ definovaného hypotetického          modelu,  který  je  odvozen  z teorie  a  pĜedchozích  poznatkĤ,  je  testování          nesmyslné stejnČ jako modifikace modelu, protože se pak testují vztahy platné          pro konkrétní zpracovávaná data. Nalezené vztahy tak mohou být dílem náhody          a možnost zobecnit tyto poznatky je pak minimální (Ho, 2006, str. 283).                                                                                 84","II. Empirické studie založené na strukturním modelování                 5  DOTAZNÍKOVÉ ŠETěENÍ              5.1  Volba výzkumného vzorku              Zvolený  zpĤsob  analýzy  (strukturní  modelování)  vyžadoval  relativnČ  velké              množství dat od jednotlivých respondentĤ a souþasnČ potĜebný poþet oslovených              osob  se  pohyboval  v rozmezí  200  až  300.  Vzhledem  k  organizaþním,  resp.              ekonomickým  omezením,  v rámci  kterých  bylo  možnČ  výzkum  provést,  bylo              upuštČno  od  reprezentativního  dotazování,  kterým  by  se  získal  pĜesný  obraz              spotĜebitelĤ  v ýeské  republice.  Proto  byl  výzkum  zúžen  na  vysokoškolské              studenty a byl zvolen zpĤsob sestavení vzorku, kdy jsou prvky do výzkumného              vzorku vybírány na základČ dostupnosti jejich oslovení, resp. snadnosti získání              odpovČdí.  Z tohoto  pohledu  lze  oznaþit  zpĤsob  sestavení  výzkumného  vzorku              jako convenience sampling. PĜipustíme-li analogii se zahraniþním, pak odlišnost              studentĤ od obecné populace bude spoþívat ve vyšším sklonu ke stČžování (viz              citované empirické studie Keng a Liu, 1997 a Valenzuela a kol., 2005), v dalších              parametrech by odlišnosti nemČly být zásadní.              ZmínČnými  „snadno  dostupnými  respondenty“  byli  studenti  Ekonomicko-              správní  fakulty  Masarykovy  univerzity.  V rámci  nČkolika  náhodnČ  zvolených              pĜedmČtĤ byli požádání o vyplnČní dotazníku, pĜiþemž pĜedmČty byly z rĤzných              roþníkĤ jak denní, tak i kombinované formy studia. PrávČ zapojením studentĤ              kombinované  formy  studia  se  rozšíĜila  vČková  struktura  respondentĤ,  a  tím              i rĤznorodost postojĤ a zkušeností s reklamacemi, tedy s pĜedmČtem výzkumu.              Tato  skuteþnost þásteþnČ  pĜibližuje  zkoumanou  populaci  studentĤ  obecné              populaci  v ýR.  SouþasnČ þást  studentĤ  studuje  na  více  fakultách  þi  vysokých              školách, a tím se dále zvyšuje rĤznorodost výsledného vzorku, pĜesto je jasné, že              „ekonomický  styl  myšlení“  byl  ve  výzkumném  vzorku  velmi  silný  a pravdČ-              podobnČ se projevil v odpovČdích. Další skuteþností, která zvyšuje reprezenta-              tivitu výzkumného vzorku, je fakt, že spádovou oblastí jmenované fakulty není              výhradnČ  nejbližší  region,  ale  studují  zde  studenti  z mnoha  krajĤ ýR.              V koneþném  dĤsledku  se  tak  lze  domnívat,  že  zkreslení  dat  v souvislosti              s neuplatnČním  náhodného  výbČru  respondentĤ  (tj.  zkreslení  spojené  s dotazo-              váním  studentĤ  na  jedné  fakultČ)  nemusí  být  velké.  Navzdory  tomu  je  tĜeba              zopakovat, že se jedná o sestavení vzorku, jež nesplĖuje podmínku náhodnosti              výbČru, þehož dĤsledkem  je  omezená zobecnitelnost  závČrĤ, které budou dále              uvádČny.                5.2  SbČr dat              Data byla získána v kvČtnu a þervnu 2010 pomocí dotazníkĤ. Studenti nebyli pĜi              vyplĖování limitováni þasem. Postup, jak odpovČdČt na otázky a jak zaznamenat                                              85","5. Dotazníkové šetĜení          odpovČdi  do  archu,  byl  vysvČtlen  ústnČ  a  tyto  instrukce  byly  také  souþástí          samotného dotazníku, v písemné podobČ (viz PĜíloha 1).          Protože metody vyhodnocování dat vyžadovaly, aby odpovČdi na otázky byly          pokud možno úplné a samozĜejmČ i kvalitní ve smyslu pravdivosti, byl zvolen          drobný  stimul.  Aþkoliv  byl  dotazník  anonymní,  respondenti  mohli  uvést          kontaktní  emailovou  adresu  (jakoukoliv,  napĜ.  anonymní  na  free  emailových          serverech).  Díky  tomu  se  zaĜadili  do  slosování  o  finanþní  výhru  v hodnotČ          500 Kþ.  TČchto  vylosovaných  dotazníkĤ  bylo  pČt  a  vzhledem  k plánovanému          poþtu dotazníkĤ cca 250 bylo studentĤm sdČleno, že šance na získání této ceny          je  1  ku  50.  Podmínkou  zaĜazení  do  slosování  bylo  vedle  uvedení  kontaktní          adresy  také  to,  aby  byl  dotazník  kompletnČ  a  kvalitnČ  vyplnČný  (o  kvalitČ          vyplĖování viz dále).          Dotazováním se získalo 252 vyplnČných dotazníkĤ. Tento poþet se snížil o dva,          neboĢ šlo o dotazníky vyplnČné zjevnČ ledabyle – napĜ. odpovČdi na 25 otázek          za  sebou  udávaly  stejnou  hodnotu,  která  byla  u nČkterých  kombinací  otázek          i interpretaþnČ  nesmyslná.  Zbylých  250  dotazníkĤ  bylo  dále  provČĜeno  na          odlehlé hodnoty. Souþástí dotazování byl i sbČr dat pro conjointní analýzu, což          je dále rozvedeno v kapitole þ. 8.            5.3 ýistČní dat          Protože s výjimkou údaje o vČku všechny ostatní odpovČdi spoþívaly v zaškrtnu-          tí  hodnoty  na  škále  о3  až  +3,  nemČlo  smysl  provést  identifikaci  odlehlých          hodnot  na  úrovni  jednotlivých  otázek  (tedy  promČnných).  Proto  se  zkoumala          vícerozmČrná odlehlost, tedy pĜípady (jednotlivé dotazníky), které vykazovaly          výraznou  odlišnost  od  ostatních  pĜípadĤ.  K tomuto  úþelu  byly  použity  tĜi          metody:             1. Shoda v podobných otázkách v dotazníku.             2. Mahalanobisova metrika (vypoþítaná na základČ sklonu k reklamacím – tj.               z þásti promČnných, které by mČly spolu korespondovat).             3. Hierarchická shluková analýza (konkrétnČ Wardova metoda ve spojitosti               s euklidovskou vzdáleností – dĤvodem využití právČ této metody je její               þasté používání).          Vzhledem k tomu, že dotazník obsahoval nČkolik otázek, které se vztahovaly ke          stejným  latentním  promČnným,  a  v nČkolika  pĜípadech  se  jednalo  de  facto          o reformulaci jiných otázek, a tudíž významovČ byly témČĜ identické, využily se          pro identifikaci „podezĜele“ vyplnČných dotazníkĤ. NapĜíklad se jednalo o tyto          otázky:                                              86","II. Empirické studie založené na strukturním modelování                  x K zákazníkĤm, kteĜí reklamují výrobky, se obchodníci chovají zdvoĜile.                 x Obchodníci  si  nedovolí  chovat  se  hrubČ  k  zákazníkĤm,  kteĜí  uplatĖují                   reklamaci.                 x ObecnČ platí, že dám na názory svých pĜátel.                 x Názory mých pĜátel jsou pro mČ inspirující.              Pro  každý  dotazník  byly  vypoþítány  absolutní  hodnoty  rozdílĤ  v  odpovČdích              mezi sedmi dvojicemi otázek. Souþtem absolutní hodnoty rozdílĤ vznikl index              neshody,  který  upozornil  na  9  dotazníkĤ,  u  kterých  tento  index  dosahoval              nejvyšších  hodnot.  Tyto  dotazníky  byly  individuálnČ  provČĜeny,  co  do              smysluplnosti  ostatních  odpovČdí.  Navzdory  relativnČ  vysoké  neshodČ              v kontrolních  otázkách  nebylo  možné  tyto  dotazníky  jednoznaþnČ  odmítnout              jako nekvalitnČ vyplnČné.              Další dva postupy (Mahalanobisova vzdálenost a hierarchická shluková analýza)              vedly  k ne  zcela  shodným  výsledkĤm  –  mČĜeno  pomocí  Spearmanova  rho  se              jednalo  o  korelaci  mezi  obČma  výsledky  na  úrovni  0,61  (p  =  0,000).              Z následující  Tabulka  5-1  lze  vidČt,  že  napĜ.  mezi  10  nejodlehlejšími              pozorováními podle obou metod nacházíme shodu pouze u tĜí pĜípadĤ, z nichž              jeden byl také identifikován pĜedchozím postupem (konkrétnČ dotazník þ. 48).              Tabulka 5-1: Deset nejodlehlejších pĝípadĥ podle Mahalanobisovy vzdálenosti              a shlukové analýzy                   PoĜadí               Hodnota               Vzdálenosti                             ýíslo                                                     ýíslo                     dle   dotazníku    Mahal.     dotazníku  podle shlukové                  odlehlosti           vzdálenosti              analýzy                     1        117       38,88102      75        59104,59                     2        121       35,464        48        58598,43                     3         1        33,68655     116        54245,19                     4        228       32,78048     236        52050,29                     5        48        32,63509     226        51251,25                     6        24        32,53816     243        50209,43                     7        237       32,41099     233        49468,5                     8        77        32,05474     229        47955,95                     9        75        29,56717      61        47896,55                     10       201       29,33318     117        47032,62                 Zdroj: autor               PrĤnikem uvedených tĜí postupĤ je jeden dotazník, o kterém lze s velkou mírou              jistoty prohlásit, že je hledaným odlehlým pĜípadem. I pokud se rozšíĜí definiþní              obor (a pĜi použití Mahalanobisovy vzdálenosti a pĜi shlukové analýze se najde              prĤnik  na  20  místo  na  10  nejodlehlejších  pĜípadech  –  což  bude  8  pĜípadĤ),              celkový  poþet  takto  identifikovaných  odlehlých  pĜípadĤ  budou  dva.  I  pokud              mírnČ  upravíme  tato  kritéria  výbČru  odlehlých  dat,  získáme  vždy  malý  poþet                                              87","5. Dotazníkové šetĜení          dotazníkĤ.  Jejich  vypuštČní  ze samotných  analýz  výsledky  nijak  zásadnČ          neovlivní  (což  bylo  také  experimentálnČ  provČĜeno).  Proto  byl  v koneþném          kroku zvolen konzervativní pĜístup k ohledným hodnotám a byly ponechány ve          výzkumném  vzorku.  Finální  poþet  dotazníkĤ,  které  se  využily  pro  strukturní          modelování, byl 250.             5.4  ChybČjící údaje          Tabulka 5-2 dokládá, že 75 % dotazníkĤ bylo vyplnČno úplnČ. Situace, kdy bylo          v dotazníku  více  nezodpovČzených  otázek  než  dvČ,  byla  ojedinČlá.  Tyto          chybČjící  hodnoty  byly  témČĜ  rovnomČrnČ  rozprostĜeny  mezi  promČnnými          a byly  nahrazeny  prĤmČry  pomocí  procedury  Replace  missing  values          v programu  SPSS,  pĜestože  použitý  statistický  software  pro  strukturní          modelování  byl  schopný  vypoþítat  výsledky  i  z dat  obsahujících  chybČjící          hodnoty. Nevýhodou ale je, že software SPSS (AMOS) pak neprovede výpoþty          nČkterých dílþích ukazatelĤ. Proto se chybČjící hodnoty nahradily pĜedem.             5.5  Normalita dat          Normalita dat byla testována na úrovni jednotlivých promČnných jak vizuálnČ          (Q-Q graf), tak pomocí Shapirova-Wilkova testu W. Bohužel vČtšina promČn-          ných  normalitu  nesplĖovala.  NejþastČjším  problémem  byla  negativní  šikmost          dat.           Tabulka 5-2: Množství chybčjících dat                  Poþet chybČjících hodnot v rámci jednoho   Poþet dotazníkĤ                      dotazníku ve všech promČnných                                  0                        188                                  1                         35                                  2                         12                                  3                         7                                  4                         4                                  7                         1                                 10                         1                                 11                         1                                 12                         1                                Celkem                     250               Zdroj: autor           Dle doporuþení z literatury (Leech a kol., 2005; Hair a kol., 2010; Tabachnick          a Fidell,  2007)  byly  problematické  promČnné  transformovány  mocninnou          transformací a ve tĜech pĜípadech odmocninnou transformací. Transformované          i zbylé netransformované veliþiny byly pĜevedeny na z-skóry, pomocí kterých se                                          88","II. Empirické studie založené na strukturním modelování              pak provádČly výpoþty. Protože se ale ukázalo, že modely s transformovanými              veliþinami  dávají  velmi  podobné  výsledky,  jako  tomu  bylo  pĜi  použití              pĤvodních  dat,  veškeré  zde  publikované  výsledky  pocházejí  z netransformo-              vaných  dat.  Lze  Ĝíct,  že  tato  zkušenost  potvrzuje  robustnost  metod,  jako  je              strukturní  modelování,  pokud  je  provádČno  na  dostateþnČ  velkém  vzorku  dat              (myšleno 200 a více, Hair a kol., 2010).                5.6  Charakteristika vzorku respondentĤ              V celkovém výzkumném vzorku (n = 250) pĜevažovali mírnČ muži – bylo jich              54 %. PrĤmČrný vČk byl 24,5 let a medián 23 let. Zkušenost s reklamacemi mezi              respondenty  lze  hodnotit  jako  prĤmČrnou,  resp.  nižší,  což  vyplývá  z jejich              odpovČdi  na  otázku,  kolikrát  za  poslední  tĜi  roky  reklamovali  výrobky  a  zda              souhlasí s tvrzením, že mají bohaté zkušenosti s reklamacemi (viz Obrázek 5-1              až  Obrázek  5-3).  Uvedené  charakteristiky  nejsou  statisticky  odlišné  z pohledu              pohlaví respondentĤ þi typu jejich studia (denní a kombinované).               Obrázek 5-1: Respondenti z hlediska včku                                                Zdroj: autor                                                            89","5. Dotazníkové šetĜení          Obrázek 5-2: Poÿet uplatnčných reklamací za tĝi roky                    Reklamace bČhem tĜí let                                                       Relativní þetnosti v %                                                      Ani jednou   10,2                                                      Jednou      14                                                      Dvakrát    27,1                                                      3–4        32,2                                                      5–6        10,2                                                      7–9         3                                                      Vícekrát    3,4                                                      Total      100           Zdroj: autor             Obrázek 5-3: Zkušenosti s reklamacemi            Mám bohaté zkušenosti s reklamacemi                                                        Relativní þetnosti v %                                                       Zcela       8,8                                                       nesouhlasím   21,2                                                       .          19,2                                                       .                                                       .           18                                                       .           16                                                       Zcela      11,2                                                       souhlasím   5,6                                                       Total      100           Zdroj: autor                                                            90","II. Empirické studie založené na strukturním modelování                 6  SPRAVEDLNOST PěI REKLAMACI A JEJÍ DģSLEDKY                 NA LOAJALITU ZÁKAZNÍKA              Jak uvádí Homburg a kol. (2010), existuje dostatek výzkumĤ dokládajících, že              hodnocení spravedlnosti pĜi reklamacích je zásadním faktorem loajality, ovšem              samotná  spravedlnost  pĜi  reklamacích  je  systematicky  zkoumána  jen  zĜídka.              Jedním  z tČchto  mála  pĜípadĤ  je  Blodgett  a  kol.  (1997),  kteĜí  sledovali  vliv              spravedlnosti pĜi vyĜizování zákaznických stížností na loajalitu (v behaviorálním              pojetí,  tedy  opČtovný  nákup  zákazníkĤ).  Jejich  výsledek  byl  ponČkud              pĜekvapivý, neboĢ nenalezli vztah mezi loajalitou a procedurální spravedlností.              Zásadním  faktorem  podle  jejich  experimentu  byla  interakþní  a  þásteþnČ              distribuþní  spravedlnost.  Sami  autoĜi  ale  pĜipouštČjí,  že  výsledek  týkající  se              neexistence  souvislosti  s procedurální  spravedlností  mĤže  být  nespolehlivý              vzhledem k úzce vymezenému pojetí této promČnné v jejich výzkumu.              Jinou cestu zvolili Orsingher a kol. (2010) – vliv spokojenosti na loajalitu (opČt              behaviorální  –  tedy  opČtovnou  koupi)  zkoumali  prostĜednictvím  konceptu              spokojenosti, který mČl být zprostĜedkující promČnnou. SkuteþnČ se jim ukázalo,              že  zejména  distribuþní  spravedlnost  souvisí  se  spokojeností  s  vyĜizováním              reklamací.  PĜekvapivČ  jejich  empirické  šetĜení  ale  neprokázalo  vztah  mezi              spokojeností s vyĜizováním reklamací a loajalitou.              Na  základČ  uvedených  poznatkĤ  bylo  cílem  následující  studie  provČĜit  vztahy              mezi vnímanou spravedlností pĜi vyĜizování reklamací a loajalitou, a to pĜímo,              bez zapojení promČnné spokojenost. Výzkumná otázka znČla,              zda  a  jak  souvisejí  distribuþní,  procedurální  a  interakþní  (ne)spravedlnost              s rozhodnutím pĜestat nakupovat výrobky u daného obchodníka.                6.1  Formulace modelu              Testovaný  model  vychází  z teorie  spravedlnosti,  která  je  zde  þlenČna  na              distribuþní, procedurální a interakþní (Voorhees a Brady, 2005). TĜi promČnné              charakterizují pociĢovanou nespravedlnost pĜi vyĜizování reklamací a jsou dány              do souvislosti se zámČrem pĜestat nakupovat v situaci, když prodejce nevyĜídil              reklamaci  (z  pohledu  zákazníka)  spravedlivČ.  Další  promČnou  je  skuteþné              chování – ztráta loajality v dĤsledku nespokojenosti s vyĜízením reklamace. Pro              zjednodušení bylo budoucí chování modelováno na základČ minulého chování,              a pĜedpokládá se tudíž stabilita chování (více o tomto zjednodušení viz kapitola              7.1.3).                                                  91","6. Spravedlnost pĜi reklamaci a její dĤsledky na loajalitu zákazníka          Testovaný model znázorĖuje následující hypotézy:             x H1: Vnímaná distribuþní nespravedlnost zvyšuje zámČr pĜestat nakupovat               u obchodníka.             x H2:  Vnímaná  procedurální  nespravedlnost  zvyšuje  zámČr  pĜestat               nakupovat u obchodníka.              x H3: Vnímaná interakþní nespravedlnost zvyšuje zámČr pĜestat nakupovat               u obchodníka.             x H4: ZámČr ovlivĖuje chování.          Obrázek 6-1: Testovaný model                                      Zdroj: autor          PromČnné  modelu  týkající  se  spravedlnosti  jsou  konstruovány  jako  latentní          promČnné; zámČr a chování jsou pĜímo pozorované promČnné.          Základní charakteristika modelu             x Velikost vzorku = 250             x Poþet promČnných v modelu: 23             x Poþet pozorovaných promČnných: 10             x Poþet nepozorovaných promČnných: 13             x Poþet exogenních promČnných: 13             x Poþet endogenních promČnných: 10             x Pozorované endogenní promČnné: d1w, d2w, d3w, e1w, e3w, f1w, f2w,               f3w, j1, j3             x Nepozorované exogenní promČnné: Distr, Process, Interac, er1 až er10.                                                92","II. Empirické studie založené na strukturním modelování              6.2  Platnost modelu              Platnost modelu je posuzována ve dvou krocích. První se týká modelu mČĜení –              je  provedena  konfirmaþní  faktorová  analýza  vztahující  se  ke  tĜem  latentním              promČnným  a  poté  se  provČĜuje  platnost  strukturního  modelu.  Shoda  modelu              mČĜení je posouzena podle tĜí ukazatelĤ – chí-kvadrátu, dále CFI a RMSEA:              1. Chí-kvadrát = 24,452, Df = 17, p = 0,108: Protože statistická signifikance je              menší než 95 % (je dokonce menší než 90 %), nemĤžeme tvrdit, že se teoretická              a pozorovaná kovarianþní matice liší. Tento základní ukazatel podporuje tvrzení,              že navržený model odpovídá datĤm.              Tabulka 6-1: Použité promčnné v modelu                         Oznaþení               PromČnná  promČnné                Formulace otázky                                  Stalo se, že jste pĜestal nakupovat u obchodníka, který nevyĜešil                Chování     j1                                    Vaši reklamaci k Vaší spokojenosti? (mnohokrát – nikdy)                                  PĜestanete nakupovat v obchodČ, kde se k Vám pĜi reklamaci                ZámČr       j3      nezachovali spravedlivČ? (urþitČ pĜestanu – urþitČ                                    nepĜestanu)                                  Náhrada (finanþní a nefinanþní), kterou þlovČk získá reklamací,                                    je: (nízká – vysoká)                           Distr               Distribuþní        Kompenzace za reklamovaný produkt, kterou þlovČk získá od              spravedlnost  (d1w,   obchodníka, je: (neférová – férová)                         d2w, d3w)                                  Reklamací þlovČk nezíská takovou náhradu, jakou by si                                    zasloužil. (souhlasím – nesouhlasím)                                  VyĜízení reklamací trvá neúmČrnČ dlouho. (nesouhlasím –                          Process              Procedurální  (e1w,   souhlasím)              spravedlnost        Obchodníci reklamace zámČrnČ protahují. (nesouhlasím –                           e3w)                                    souhlasím)                                  K zákazníkĤm, kteĜí reklamují výrobky, se obchodníci chovají                                    zdvoĜile. (nesouhlasím – souhlasím)               Interakþní  Interac   I pĜi reklamacích obchodníci pĤsobí, jako by mČli              spravedlnost  (f1w, f2w,   o reklamujícího zákazníka zájem. (nesouhlasím – souhlasím)                           f3w)   Obchodníci si nedovolí chovat se hrubČ k zákazníkĤm, kteĜí                                    uplatĖují reklamaci. (nesouhlasím – souhlasím)              Pozn.: OdpovČdi týkající se spravedlnosti byly vynásobeny váhou, která udávala dĤležitost              dané složky spravedlnosti pro respondenta.              Zdroj: autor              2.  CFI  =  0,988:  PĜi  zohlednČní  velikosti  výzkumného  vzorku  a  poþtu              pozorovaných promČnných (kterých bylo v modelu mČĜení 10) by ukazatel mČl              nabývat  hodnoty  vyšší  než  je  0,97  (Hair  a  kol.  2010,  s.  646).  To  je  splnČno,              proto i tento ukazatel signalizuje dobrou shodu modelu s daty.              3.  RMSEA  =  0,043.  PĜi  zohlednČní  velikosti  výzkumného  vzorku  a  poþtu              pozorovaných promČnných by ukazatel nemČl nabývat hodnoty vyšší než je 0,08              (Hair  a  kol.  2010,  str.  646),  a  tak  i  tento  ukazatel  signalizuje  dobrou  shodu              modelu s daty.                                              93","6. Spravedlnost pĜi reklamaci a její dĤsledky na loajalitu zákazníka          Dále je tĜeba provČĜit validitu jednotlivých konstruktĤ (konstruktová validita),          a to ze þtyĜ hledisek (Hair a kol., 2010, str. 678):             x Face  validity  –  znamená,  zda  jednotlivé  pozorované  promČnné  mají               takový obsah, aby skuteþnČ plnily sledovaný koncept. Face validita byla               zajištČna tím, že pĜi formulaci promČnných jsme adaptovali škály použité               v Keng  a  Liu  (1997),  Blodgett  a  kol.  (1997),  Thøgersen  a  kol.  (2009)               a jejich obsah posoudili dva lidé, kteĜí mají zkušenost s marketingovým               výzkumem.             x Nomologická validita – byla provČĜena pomocí korelací mezi konstrukty.               PĜítomnost a podoba korelací musí odpovídat teoretickým pĜedpokladĤm.               Jak bylo uvedeno v literární rešerši, existuje souvislost mezi jednotlivými               složkami  spravedlnosti,  a  proto  je  pĜítomnost  korelací  mezi  tĜemi               latentními promČnnými v poĜádku.             x Konvergenþní  validita  provČĜuje,  zda  promČnné  týkající  se  jednoho               konstruktu spolu konvergují (viz dále).             x Diskriminaþní  validita  provČĜuje,  zda  se  konstrukty  od  sebe  skuteþnČ               odlišují (viz dále).             Obrázek 6-2: Model mčĝení                     0;  0;  0;          0;  0;           0;  0;  0;                   er6 er7 er8         er4  er5         er1 er2 er3                     1  1  1             1   1            1  1  1                   f1w f2w f3w         e1w  e3w         d1w d2w d3w                      1                  1                 1                         0;                 0;                0;                     Interac           Process             Distr                              Zdroj: autor          Konvergenþní validita          K prokázání  konvergenþní  validity  by  standardizované  regresní  koeficienty          (loadings)  mČly  dosahovat  výše  nejménČ  0,5  ideálnČ  0,7  a  více  (Hair  a  kol.,          2010, s. 677). Tabulka 6-2 ukazuje, že tato podmínka je splnČna. NicménČ se          doporuþuje využít i dalších, pĜísnČjších ukazatelĤ, jako je Cronbachovo Alpha.          Jeho doporuþená minimální hraniþní hodnota je 0,7 (popĜ. 0,6), což je dosaženo          – viz Tabulka 6-2.                                           94","II. Empirické studie založené na strukturním modelování              Koeficient Alpha však chybnČ pĜedpokládá, že všechny položky pĜispívají stejnČ              k reliabilitČ latentní promČnné, a proto je vhodnČjší využívat ukazatel Composite              reliabilty,  který  by  mČl  dosahovat  hodnoty  0,70,  a  pro  každý  z indikátorĤ              reliability  by  mČla  být  hodnota  nad  0,5  (Shook  a  kol.,  2004).  Z obou  tabulek              (Tabulka 6-2 a Tabulka 6-3) vidíme, že tento požadavek je splnČn s výjimkou              distribuþní spravedlnosti, který je mírnČ pod touto hranici. Dalším ukazatelem je              Construct reliability (CR), který by mČl být vČtší než 0,7. PĜípustná hodnota je              také  0,6,  pokud  je  reliabilita  u  ostatních  konstruktĤ  dobrá  (Hair  a  kol.,  2010,              str. 677).  Tuto  podmínku  data  splĖují.  Posledním  použitým  ukazatelem  je              Average Variance Extracted (AVE), který by mČl nabývat hodnoty 0,5 a více,              což je opČt splnČno.              Tabulka 6-2: Standardizované regresní koeficienty modelu mčĝení                   d1w  <---  Distr     0,682 e3w  <---  Process      0,874                   d2w  <---  Distr     0,642 f1w  <---  Interac      0,763                   d3w  <---  Distr     0,759 f2w  <---  Interac      0,861                   e1w  <---  Process   0,794 f3w  <---  Interac      0,739                   Zdroj: autor              CelkovČ  lze  konvergentní  validitu  považovat  za  dobrou  pro  uvedené  tĜi              konstrukty. U konstruktu distribuþní spravedlnost jeden z ukazatelĤ (konkrétnČ              Composite  reliability)  naznaþuje,  že  jeho  validita  mĤže  být  nižší  v porovnání              s ostatními konstrukty.              Diskriminaþní validita              Diskriminaþní validita byla provČĜena porovnáním vždy dvou konstruktĤ, mezi              kterými  byla  zafixována  (tedy  stanovena)  korelace  na  „1“,  což  pĜedpokládá              dokonale lineární vztah. Pokud se takto definovaný model mČĜení ve výsledcích              bude lišit od modelu, který nepĜedpokládá úplnou korelaci, lze se domnívat, že              konstrukty jsou od sebe odlišné a je zajištČna diskriminaþní validita konstruktĤ.              Pokud by zde odlišnost nebyla, znamenalo by to, že pozorované promČnné plní              ne dva rĤzné konstrukty, ale pouze jeden.              Tímto  postupem  byly  provČĜeny  vztahy  mezi  tĜemi  konstrukty,  se  kterými              pracuje model. Pro všechny konstrukty byla prokázána diskriminaþní validita.              Jak  poznamenává  Hair  a  kol.  (2010,  s.  677),  tento  postup  není  spolehlivý              v pĜípadČ velkých korelací mezi konstrukty. U promČnných našeho modelu je              korelace spíše slabá, proto by se nemČlo jednat o vážnou komplikaci.              CelkovČ  mĤžeme  prohlásit  spolehlivost  modelu  mČĜení  jako  dobrou  a  lze              pĜistoupit k vyhodnocení strukturního modelu a k interpretaci jeho výsledkĤ.                                                    95","6. Spravedlnost pĜi reklamaci a její dĤsledky na loajalitu zákazníka          Tabulka 6-3: Ukazatelé kvality konstrukce latentních promčnných                                                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 Název konstruktu Composite Reliability  Variance Extracted                1   Interac              0,746             0,788                2   Process              0,808             0,834                3   Distr                0,613             0,694                        Interac                1   f1w                  0,763             0,800                2   f2w                  0,694             0,751                3   f3w                  0,779             0,812                       Process                1   e1w                  0,858             0,874                2   e3f                  0,754             0,794                        Distr                1   d1w                  0,623             0,701                2   d2w                  0,650             0,721                3   d3w                  0,565             0,662          Pozn.: AutoĜi výpoþtu doporuþují, aby Composite reliability bylo menší než AVE, což je          signál dobré konvergentní validity, viz www.hishammb.net/cvc2/CVC2_UserManual.pdf.          Výpoþet proveden pomocí The Online CONSTRUCT VALIDITY Calculator version 2.0          dostupný z http://www.hishammb.net/cvc2          Zdroj: autor          6.3  Strukturní model          Hlavní  ukazatel  kvality  modelu  je  chí-kvadrát,  který  má  hodnotu  44,225          (p = 0,046, Df = 30), což pro model s daným poþtem pozorovaných promČnných          (10) a rozsahem vzorku 250 respondentĤ neodpovídá zcela doporuþením, neboĢ          p by mČlo nabývat hodnot 0,05 þi vyšších. Rozdíl však není zásadní a souþasnČ          CFI (0,979) a RMSEA (0,044) jsou v požadovaných intervalech. Proto mĤžeme          model považovat za platný.          PĜedpokládané  vazby  mezi  promČnnými  modelu  jsou  statisticky  spolehlivé          s výjimkou  vztahu  interakþní  spravedlnosti  (hypotéza  H3)  –  viz  Obrázek  6-3.          Souvislost intence (zámČr pĜestat nakupovat u obchodníka, který se nezachoval          pĜi reklamaci spravedlivČ) se prokázala pouze u distribuþní (H1) a procedurální          spravedlnosti  (H2).  Podle  regresních  koeficientĤ,  které  jsou  prakticky  stejné,          nelze prohlásit, že by nČkterá ze dvou složek pĤsobila na zámČr víc.          Podrobné výsledky jsou uvedeny v PĜíloze 2.                                           96","II. Empirické studie založené na strukturním modelování              Obrázek 6-3: Standardizované regresní koeficienty modelu                                         Pozn.: ýárkovaná vazba oznaþuje statisticky nespolehlivé vazby, údaje u obousmČrných šipek              jsou korelace a údaje u jednosmČrných šipek jsou standardizované regresní koeficienty.              Zdroj: autor                6.4  ZávČry              ByĢ  je  zkoumaný  model  i  jednotlivé  vazby  v nČm  (s  uvedenou  výjimkou)              statisticky  spolehlivČ  doložen  daty,  jeho  hlavní  slabou  stránkou  je  malá  míra              vysvČtlené  variability  závislé  promČnné.  V pĜípadČ  zámČru  distribuþní              a procedurální  spravedlnost  vysvČtlila  pouze  8  %  variability  zámČru  a  celý              model vysvČtlil jen 11 % skuteþného chování.              Znamená to, že pĜi zachování, resp. ztrátČ loajality v souvislosti s vyĜizováním              reklamací  sice  spravedlnost  hraje  roli,  jistČ  ale  existují  další  faktory  (další              promČnné  pĤsobící  na  zámČr  anebo  zprostĜedkující  vliv  spravedlnosti  na              loajalitu),  které  jsou  rovnČž  dĤležité.  Inspirací  mĤže  být  model  plánovaného              chování  a  jeho  promČnná  vnímaná  kontrola  chování:  ne  vždy  je  možné              obchodníka opustit, napĜ. pokud je jediný, který dané zboží dodává. A protože              v tomto výzkumu jsme pracovali s behaviorálním pojetím loajality, mČla by mít              takováto skuteþnost odraz ve výsledku.                                                  97","6. Spravedlnost pĜi reklamaci a její dĤsledky na loajalitu zákazníka          Tabulka 6-4: Odhady parametrĥ modelu                                                              Standard.                  Regresní vztah   Odhad  S.E.   C.R.   P     regresní                                                              koeficient               j3   <--- (H2)  Process   0,033   0,012   2,776   0,006   0,214               j3   <--- (H3)  Interac   о 0,009  0,015  о 0,562  0,574  о 0,048               j3   <--- (H1)   Distr   0,042   0,016   2,56   0,01   0,216              d1w    <---   Distr   1                          0,702              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          PĜes  tuto  podstatnou  výhradu  (tedy  relativnČ  malý  vypovídací  význam)  mají          výsledky pĜínos, a to v tom, že zpochybĖují zjištČní zmínČného Blodgetta a kol.          (1997).  Podle  našich  dat  je  vedle  distribuþní  spravedlnosti  faktorem,  který          ovlivĖuje loajalitu, procedurální spravedlnost. Naopak ji neovlivĖuje interakþní          spravedlnost.          Znamená to, že pro spotĜebitele v našem výzkumném vzorku je dĤležité, aby pĜi          reklamaci  získali  spravedlivou  protihodnotu,  kterou  si  zaslouží  jako  náhradu          vzniklé  újmy.  Pro  zachování  loajality  je  rovnČž  významný  zpĤsob  vyĜízení          reklamace,  který  by  mČl  být  rychlý  a  nestranný,  vycházející  z  pĜesných          informací a etických standardĤ. ByĢ navržený model zachycuje jen þást faktorĤ          ovlivĖujících loajalitu, zejména pro internetové obchodníky bude jejich význam          vyšší,  než  napovídají  údaje  o  vysvČtlené  variabilitČ  závislé  promČnné.  Podle          výzkumu ovlivĖují loajalitu jak þinnosti obchodníka pĜed, tak i po uskuteþnČní          koupČ  (presale  vs.  post-sale  operace,  které  zahrnují  i  oblast  reklamací).          V pĜípadČ internetových obchodníkĤ ale platí, že post-sale þinnosti významnČji          ovlivĖují  vnímání  i  jeho  pĜedprodejních  aktivit.  Dá  se  Ĝíct,  že  selhání  þi          nespokojenost  s reklamací  (v  souvislosti  s naším  výzkumem  pak  vnímaná          nespravedlivost) má dvojnásobný negativní dopad na loajalitu. Obchodníci by se          proto mČli vyvarovat nesouladu mezi tím, co slíbí (reklamaþní podmínky), a co          následnČ uþiní (skuteþný zpĤsob vyĜízení reklamace) (Alzola a Robaina, 2010).          PĜi dalším zkoumání vlivu spravedlnosti pĜi reklamacích bude vhodné zpĜesnit          mČĜení  tĜí  složek  spravedlnosti.  V našem  výzkumu  byly  jednotlivé  složky          vytvoĜeny na základČ tĜí a dvou pozorovaných promČnných. Tento nízký poþet          byl dĤsledkem snahy, aby respondenti nebyli pĜi dotazování pĜetíženi velkým          množstvím otázek, neboĢ pĜi dotazování byly sbírány data i pro další modely.                                          98","II. Empirické studie založené na strukturním modelování              Pro pĜesnČjší zachycení tČchto latentních promČnných je potĜeba pozorovaných              promČnných  víc,  protože  jak  distribuþní,  tak  procedurální  i  interakþní              spravedlnost jsou samy o sobČ vícerozmČrným konceptem (viz literární rešerše              v kap. 3.1). V této situaci je také dĤležité zvážit, zda nezmČnit metodu stanovení              latentních  promČnných;  zda  místo  reflektivního  pojetí  neuplatnit  formativní              zpĤsob, což mĤže zvýšit hodnovČrnost výsledkĤ (Collier a Bienstock, 2006).                                                                                                  99","","II. Empirické studie založené na strukturním modelování                7  FAKTORY OVLIVĕUJÍCÍ UPLATĕOVÁNÍ REKLAMACÍ               Cílem následujícího výzkumu je:              zjistit  souvislost  mezi  spravedlností  pĜi  vyĜizování  reklamací  a  sklonem              k reklamování a následnČ intenzitou uplatĖování reklamací.              Tato  souvislost  je  dĤležitá  zejména  pokud  reklamace  nevnímáme  jen  jako              negativní  jev  pro  prodávajícího  (þi  poskytovatele  služeb),  ale  jako  prostĜedek              získaní  zpČtné  vazby  o  (ne)spokojenosti  zákazníka  a  jako  jeden  z krokĤ              k udržení  si  zákazníka  v pĜípadČ selhání  produktu,  aĢ  už  selhání  skuteþného,              nebo zákazníkem pouze vnímaného.              Odhodlání stČžovat si posiluje nČkolik promČnných, jako je postoj ke stČžování,              vnímaná  hodnota  získaná  stČžováním  (rozdíl  nákladĤ  a  toho,  co  zákazník              pravdČpodobnČ  získá),  pravdČpodobnost  úspČšnosti  reklamace  (Kim  a  kol.,              2003) þi zákazníkova zkušenost se stČžováním (Thøgersen a kol., 2009) a také              sociodemografické faktory (Keng a Liu, 1997).                 7.1  Teorie plánovaného chování              Teorie plánovaného chování (Theory of planned bahavior – TPB) je odvozena              z teorie  zdĤvodnČného  chování  (Theory  od  reasoned  action  –  TRA)  a  patĜí              k teoretickým  modelĤm,  které  se  pokouší  vysvČtlit  lidské  chování.  ObČ              pĜedpokládají,  že  rozhodnutí  o  chování  je  dáno  pravdČpodobností  dosažení              výsledku  a  oþekávané  hodnoty.  Jedinci  se  snaží  upĜednostnit  takové  chování,              které  maximalizuje  pozitivní  dĤsledky  jednání  a  minimalizuje  dĤsledky              negativní (Hewstone a Stroebe, 2006).              Starší  teorie  zdĤvodnČného  chování  (TRA)  Ĝíká,  že  zámČrné  (dobrovolné)              chování lidí lze predikovat pomocí postoje osoby k danému chování (attitude)              a z názorĤ ostatních osob, jak by ony vnímaly situaci, kdyby zkoumaná osoba              dané  jednání  uskuteþnila  (subjective  norm).  Postoje  jednotlivce  reprezentují              hodnocení daného chování a jeho výsledkĤ. Pokud se osoba domnívá, že jednání              bude mít pozitivní efekt, je pravdČpodobnČjší, že se tak bude chovat. Subjektivní              norma je kombinací vnímaného a oþekávaného hodnocení takového jednání ze              strany  lidí,  kteĜí  jsou  pro  zkoumanou  osobu  dĤležití  v tom  smyslu,  že  jejich              názory zkoumaná osoba zohledĖuje pĜi svém chování.              Na rozdíl od TRA teorie plánovaného chování (TPB) nepĜedpokládá, že þlovČk              má  plnou  volní  kontrolu  nad  daným  jednáním.  TRA  mohlo  dobĜe  vysvČtlit              chování,  které  bylo  proveditelné  o  vlastní  vĤli.  TPB  zohledĖuje  vnímaná              omezení, která brání v uskuteþnČní jednání, a pomocí tČchto omezení vysvČtluje,              proþ zámČr (intence) nepredikuje vždy výsledné chování (Armitage a Conner,              2001). ObecnČ platí, že lidé zamýšlejí uskuteþnit takové jednání, které je snáze                                             101","7 Faktory ovlivĖující uplatĖování reklamací          dosažitelné, tj. pĜi kterém mají vČtší vnímanou kontrolu chování. V situaci, kdy          mají lidé úplnou kontrolu nad chováním, je vztah zámČr vs. chování neovlivnČn          (Armitage a Conner, 2001).          Tato  omezení  se  nazývají  vnímanou  kontrolou  chování  (precieved  behavioral          control).  Jedná  se  o  velmi  blízký  koncept  vnímané  vlastní  úþinnosti  (self-          efficacy).  Rozdíl  mezi  vnímanou  kontrolou  chování  a  self-efficacy  je  v  šíĜi          pojmu, aþkoliv podle Ajzena jde o stejné koncepty. Self-efficacy se týká vnímání          vlastních  omezení  (schopností)  jedince  se  daným  zpĤsobem  chovat,  kdežto          vnímaná kontrola chování nad rámec toho obsahuje i vnímaná vnČjší omezení          (Armitage  a  Conner,  2001).  Protože  je  obtížnČjší  mČĜit  skuteþnou  kontrolu          chování, ve výzkumech se þasto spoléhá na vnímanou kontrolu (Ajzen, 2011).          Analýza výsledkĤ publikovaných studií dokazuje, že rozšíĜení TRA o vnímanou          kontrolou  chování  (tj.  formulace  TPB)  má  smysl,  protože  zvyšuje  množství          vysvČtlené variability dat o 6 % (King a kol. 2008).          TPB je užiteþná pĜi návrhu opatĜení, která mají za cíl zmČnit nežádoucí chování          na žádoucí. Vnímaná kontrola chování spolu s dalšími promČnnými TPB jsou          vhodným modelem napĜ. pro studium zneužívání reklamací (King a kol. 2008).          AktéĜi  neetického  chování  totiž  nemají  úplnou  kontrolu  nad  tímto  jednáním.          Chang (1998) porovnal vypovídací schopnost pro vysvČtlení neetického chování          TPB ve vztahu k TRA. TPB se ukázala jako lepší, neboĢ zahrnutím vnímané          kontroly chování do modelu se zvýšila jeho vypovídací schopnost.          Jedna z výtek TPB Ĝíká, že tato teorie nevysvČtluje chování založené na zvyku.          V nČkterých  výzkumech  se  totiž  zjistilo,  že  budoucí  chování  je  ovlivnČno          chováním  pĜedchozím.  Tuto  kritiku  autoĜi  TPB  zpochybĖují  vysvČtlením,  že          intence se mohla vytvoĜit v minulosti a že lidé si mohou vytvoĜený zámČr znovu          vybavit,  bez  toho  aby  jej  „znovu  promýšleli  pĜi  každé  situaci,  kdy  se  mají          daným zpĤsobem zachovat“ (Hewstone a Stroebe, 2006).          Z rešerší výzkumĤ založených na TPB plyne, že tato teorie je schopná vysvČtlit          až 39 % variability u promČnné zámČr a 27 % v pĜípadČ chování. A dále, že tĜi          hlavní  vysvČtlující  promČnné  mají  skuteþnČ  silný  vztah  k zámČru.  ZámČr          a vnímaná  kontrola  chování  má  pak  silnou  korelaci  k chování  (Armitage          a Conner, 2001).          7.1.1 Model TPB a jeho promčnné          Podle  Ajzenovy  a  Fishbeinovy  teorie  pĜedchází  vlastnímu  chování  zámČr          (intence)  jej  uskuteþnit.  ZámČr  je  indikátor  toho,  jakou  námahu  jsou  lidé          pĜipraveni  vykonat.  V tomto  pojetí  zámČr  zahrnuje  dva  aspekty  –  motivaci          a plánování.  Podle  Lewina  se  úmyslná  akce  skládá  ze  tĜí  fází:  motivace  –          zámČru  –  akce,  þímž  se  jasnČ  oddČluje  zámČr  od  motivace  (Bagozzi,  2010).          ZámČry  lze  rozdČlit  na  nČkolik  druhĤ:  individuální  zámČr  ve  vztahu  k sobČ          samému („I intention“), individuální zámČr vzhledem ke skupinČ jiných osob,                                         102","II. Empirické studie založené na strukturním modelování              kolektivní zámČr skupiny („we intention“) (Bagozzi, 2010). Dalším významným              druhem zámČrĤ jsou implementaþní zámČry, þastČji oznaþované jako plánování,              které zahrnují rozhodování kdy, kde a jak se zachovat, a typické je, že dochází              k þasové  proluce  mezi  vytvoĜením  zámČru  a  samotným  chováním  (Bagozzi,              2010).              ZámČr  je  v  TPB  ovlivnČn  tĜemi  latentními  promČnnými  (vícerozmČrnými              konstrukty), které nelze sledovat pĜímo (Ajzen, 2002):                 1. Osobním  postojem,  jenž  vyplývá  z individuálních  pĜesvČdþení  (þi                   pĜedstav,  anglické  oznaþení  beliefs  bude  dále  pĜekládáno  jako                   pĜesvČdþení),  která  odrážejí  celkové  pozitivní  þi  negativní  hodnocení                   dĤsledkĤ zkoumaného chování.                 2. Subjektivní  normou,  což  je  vliv  spoleþnosti  k uskuteþnČní  nebo                   neuskuteþnČní  chování.  Vnímané  sociální  dĤsledky  chování  jsou  tak                   v modelu zpracovány oddČlenČ (Hewstone a Stroebe, 2006).                 3. Vnímanou kontrolou daného chování, tedy vnímanou snadností, s jakou                   mĤže zkoumaná osoba chování uskuteþnit.              Obrázek 7-1: Model teorie plánovaného chování                               Zdroj: Ajzen, 2010              Tyto  vztahy  však  neplatí  absolutnČ.  PĜi  kvalitnČ  provedeném  výzkumu              neexistence  vazby  mezi  nČkterým  ze  tĜí  postulovaných  konstruktĤ  a  intencí              znamená,  že  pro  dané  chování  není  tato  promČnná  dĤležitá  pĜi  formování              chování (Ajzen, 2011).              Všechny  tĜi  latentní  promČnné  jsou  ovlivĖovány  pĜesvČdþením.  ýlovČk  mĤže              mít  velké  množství  pĜesvČdþení  vztahujících  se  k urþitému  objektu.  Jako              determinant jeho chování ale slouží jen nČkteré z nich. PĜesvČdþení tedy fungují              jako  filtr,  pĜes  který  jsou  vnímány  objekty  a  situace;  jejich  vlivem  jsou              potlaþeny  informace,  které  nejsou  s pĜesvČdþením  konzistentní,  a  naopak              víceznaþné  informace  jsou  upraveny  do  souladu  s pĜesvČdþením.  Tyto  filtry,              prostĜednictvím kterých se vnímají situace, pak ovlivĖují jednání osoby (Herr,                                            103","7 Faktory ovlivĖující uplatĖování reklamací          2010). Velmi silná pĜesvČdþení, zejména negativní, se oznaþují jako pĜedsudky          (Hewstone a Stroebe, 2006).          Podle  TPB  je  možné  ovlivnit  intenci  a  chování  pouze  prostĜednictvím  zmČn          v pĜesvČdþeních,  které  se  projeví  v postojích,  sociální  normČ  nebo  vnímané          kontrole chování (Ajzen, 2002). To je dĤležité pro pochopení externích vlivĤ.          Externí vlivy ovlivĖují postoje pouze nepĜímo, a to prostĜednictvím pĜesvČdþení          – mČní totiž jejich strukturu (belief structure) (Bagozzi a kol., 1989).          V TPB  jsou  pĜesvČdþení  definována  novČ  pro  každý  nový  kontext,  což          umožĖuje  tuto  teorii  aplikovat  na  velmi  odlišné  situace.  NapĜ.  v modelu          Technology  acceptance  model (TAM),  který  využívá  TRA  a  který  slouží  pro          pochopení  vztahu  lidí  k novým  technologiím,  jsou  pĜesvČdþení  postulována          a priori.  Tudíž  tento  model  Ĝíká,  že  hlavními  pĜesvČdþeními  pro  formování          postoje  jsou  užiteþnost  a  vnímaná  jednoduchost  používání  nové  technologie          (Bagozzi a kol., 1989).          Bagozzi  a  kol.  (1989)  kladou  jako  otázku  k dalšímu  zkoumání,  zda  postoje          skuteþnČ  zachycují  zmČny  v pĜesvČdþeních  a  zda  þást  vlivu  pĜesvČdþení  není          ztracena, pokud se pĜedpokládá výhradnČ zprostĜedkované pĤsobení pĜedstav na          intenci (zámČry). Jejich vlastní výzkum ukazuje na to, že postoj pouze þásteþnČ          zprostĜedkovává  vztah  pĜesvČdþení  k intenci  (autoĜi  tuto  otázku  kladou  ve          spojitosti modelem TAM, ale lze ji chápat i obecnČji).          Postoje  souþasnČ  nejsou  vysoce  korelované  s chováním,  neboĢ  chování  je          komplexní  jev  a  postoj  je  pouze  jedním  z mnoha  faktorĤ,  které  jej  ovlivĖují,          stejnČ jako napĜ. zvyky, motivy, snaha stát se jedním z ostatních (Ajzen, 1985).          Naopak postoj, sociální norma a vnímaná kontrola chování mohou být a také          bývají  vzájemnČ  korelované,  a  to  proto,  že  stejná  informace  mĤže  ovlivnit          pĜesvČdþení,  které  pĤsobí  jak  na  postoje,  tak  na  sociální  normu  anebo  na          vnímanou  kontrolu  chování.  PĜesto  jsou  tyto  tĜi  promČnné  v TPB  uvažovány          jako predikce zámČru, které jsou mezi sebou nezávislé (Ajzen, 2011).          Jiný  vztah  mezi  postojem  a  subjektivní  normou  pĜedpokládá  Chang  (1998).          Podle  nČj  jsou  postoje  utváĜeny  na  základČ  pĜesvČdþení,  která  ale  mohou  být          ovlivnČna  právČ  hodnocením  jiných  lidí,  což  také  prokázala  empirická  data.          PĜidáním „kauzální“ vazby smČrem od subjektivní normy k postoji se zlepšila          vypovídací schopnost jeho modelu.          Ne všichni výzkumníci zahrnují postoje do svých modelĤ a nČkolik výzkumĤ          prokázalo, že zahrnutí postojĤ pĜímo pĜed závislou promČnnou není potvrzeno          empirickými  daty  (Randolph,  2001).  NČkteré  výzkumy  dokládají  také  pĜímou          souvislost  mezi  pĜesvČdþením  a  intencí  bez  zprostĜedkující  cesty  pĜes  postoje          (opČt v souvislosti s modelem TAM) (Randolph, 2001).          Význam  postojĤ  ale  plyne  z toho,  že  mohou  být  ovlivnČny  (vzdČláním,          marketingovou komunikací…) (Ajzen, 1985).                                         104","II. Empirické studie založené na strukturním modelování              Obrázek 7-2: Ovlivnční postojĥ sociální normou                                             Zdroj: Chang, 1998               7.1.2 Aplikace TPB              TPB  lze  použít  v kvalitativním  výzkumu  jako  rámec  pro  smČrování  otázek              (Ajzen, 2011), vČtšinou je ale využívána v kvantitativních výzkumech. K TPB              neexistuje  žádný  oficiální  dotazník  (Ajzen,  2011).  Autor  teorie  ale  zveĜejnil              vysvČtlující poznámky ke své teorii, vzorový dotazník a také odpovČdi na þasto              kladené  otázky,  kde  specifikuje  technické  detaily  konstrukce  dotazníkĤ.              Výhodou je, že své materiály uvolnil k volnému šíĜení (v rámci pravidel public              domain). Vzhledem k rozšíĜenosti TPB je její aplikace také široce diskutována              v publikovaných výzkumech. Uvedené skuteþnosti usnadĖují použití TPB.              PĜi  testování  modelu  podle  TPB  lze  tĜi  vysvČtlující  promČnné  mČĜit  jednak              pĜímo, jednak se zahrnutím nepĜímého mČĜení, kdy je testovaný model doplnČn              o promČnné popisující pĜesvČdþení, která formují jak postoje, tak sociální normu              i  vnímanou  kontrolu  chování  (viz  Obrázek  7-3).  Zahrnutím  pĜesvČdþení  do              modelu se významnČ zvyšuje jeho vypovídací schopnost. DĤležité je to napĜ. pĜi              plánování intervenþních opatĜení, protože ovlivnit chování, jak bylo již Ĝeþeno,              lze prostĜednictvím zmČny pĜesvČdþení (Ajzen, 2010). Pokud je cílem predikce              chování  v závislosti  na  tĜech  latentních  promČnných  modelu,  pĜímé  mČĜení              dostaþuje (Ajzen, 2011).              Posuzované  promČnné  se  na  základČ  dotazování  konstruují  dvojím  zpĤsobem.              Jednodušší  a  ménČ  pĜesný  zpĤsob  spoþívá  ve  ztotožnČní  latentní  promČnné              s jednou dotazovanou otázkou. Druhou cestou je využití faktorové analýzy, kdy              latentní promČnná je vytvoĜena z více položek (více škálových otázek). Smysl              tohoto  postupu  se  ukázal  napĜ.  v diskuzi  o  dĤležitosti  subjektivní  normy,  jíž              nČkteĜí výzkumníci pĜisuzují jen velmi malý význam. Zjistilo se totiž, že vztah              mezi intencí a subjektivní normou je silný v situaci, kdy se subjektivní norma              mČĜí pĜesnČji, právČ pomocí více položek (multiple items scale).              7.1.3 Metodická doporuÿení pro aplikaci TPB              Protože  pro  samotné  stanovení  škál  není  vhodná  teorie,  je  tĜeba  pĜed  vlastní              konstrukcí dotazníku provést formativní výzkum pĜedstav pro daný kontext, ve                                             105","7 Faktory ovlivĖující uplatĖování reklamací          kterém se TPB aplikuje. I u otázek zkoumajících koncepty postulované TPB je          tĜeba provést jejich validaci (Ajzen, 2002).          Protože  pĜi  konstrukci  škálových  otázek  neexistuje  jasné  teoretické  pravidlo,          Ajzen doporuþuje „spolehnout se na empirické Ĝešení“, tj. adaptovat škály podle          toho, aby míra tČsnosti mezi pĜedstavou a postojem byla velká (toto Ĝešení se          samozĜejmČ týká situace, kdy pracujeme i s nepĜímým mČĜením). Jinými slovy,          doporuþuje vyzkoušet Ĝešení s rĤznČ upravenými škálami.          Obrázek 7-3: Testování TPB nepĝímou cestou                                     Zdroj: Urban, 2006          KonkrétnČ  napĜ.  pro  vytvoĜení  promČnné  postoj  Ajzen  (2002)  navrhuje          eliminovat ty položky, které vykazují nízkou konzistenci s ostatními položkami.          PĜedpokládá,  že  výzkumník  bude  pĜi  výzkumu  postoje  pracovat  s 10  až          12 položkami (items), ze kterých se pak odvodí latentní promČnná postoj. Toto          je  mimochodem  þastý  zpĤsob  konstrukce  latentních  promČnných.  V  40  %          zkoumaných  studiích  jejich  autoĜi  uvedli,  že  pĜi  konstrukci  latentních          promČnných vynechali jednu þi více promČnných (Guo a kol., 2008).          Druhé doporuþení se týká obsahu položek v souvislosti s hodnocením dobré –          špatné.  Položky  (škálové  otázky),  které  se  použijí  pro  konstrukci  latentní          promČnné,  by  mČly  zahrnovat  dvČ  složky:  užitek  (užiteþnost  vs.  zbyteþnost)          a prožitek (pĜíjemné vs. nepĜíjemné).          Pokud  jde  o  subjektivní  normu,  ukázalo  se,  že  lidé  mají  tendenci  souhlasit          s „dobrým“ chováním a nesouhlasit s chováním nežádoucím. Proto je vhodné pĜi          formulaci otázek na subjektivní normu zahrnout i dotaz na to, zda osoby dĤležité          pro respondenta dané chování uskuteþĖují, nebo ne (Ajzen, 2002).                                          106","II. Empirické studie založené na strukturním modelování              V  dĤsledku  technických  omezení  jsou  výzkumníci  þasto  nuceni  provést              dotazování  mezi  respondenty  pouze  jednou,  což  þiní  problém  pĜi  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 intencí a chováním má prediktivní validitu, pouze              pokud existují nezávislé indikace, že dané chování má stabilní povahu (Ajzen,              2011).              Jednou z cest, jak zvýšit vypovídací hodnotu dotazování ve vztahu k intenci, je              požádat respondenty o opravu své odpovČdi (corrective entreaty). Respondenti              totiž pĜi odpovČdích nedostateþnČ zohledĖují dĤsledky, které by urþité jednání              vyvolalo, þímž vzniká tzv. hypotetická chyba. Ve výzkumech J. Ajzena se napĜ.              ukázalo, že pĜi (hypotetickém) dotazování nebyl aktivován vliv sociální normy              na  zámČr,  který  by  ovšem  za  normálních  okolností  pĤsobil.  Proto  se              v dotaznících  nČkdy  respondenti  vyzvou  k  revizi  svých  odpovČdí.  A  to              zpĤsobem,  že  je  jim  pĜímo  vysvČtlen  mechanismus  hypotetické  chyby  a  poté              jsou  požádáni,  aby  se  znovu  zamysleli  nad  svými  dopovČćmi  a  „pĜi  svém              rozhodování  postupovali  tak,  jako  kdyby  se  odehrávalo  v reálné  situaci  a  oni              museli pĜijmout dĤsledky svého rozhodnutí“ (Urban, 2006).              Jedním  z dĤvodĤ,  proþ  model  vysvČtlí  jen  malou  variabilitu  zámČru  nebo              chování,  mĤže  být  zpĤsoben  malým  rozptylem  v  odpovČdích  týkajících  se              sledovaného chování (napĜ. vČtšina respondentĤ  dané  chování  neuskuteþĖuje).              PĜíþinou mohou být ale také problémy v metodologii výzkumu (Ajzen, 2011).              NapĜ.  vztah  postoje  a  intence  nemusí  být  prokázán  výzkumnými  daty,  pokud              není  dodržen  princip  kompatibility,  který  Ajzen  a  Fishbein  chápou  jako              požadavek  na  mČĜení  intence  a  postoje:  mČĜení  obou  latentních  promČnných              musí  probíhat  na  stejném  stupni  specifikace  z hlediska  akce,  cíle,  kontextu              a þasu (Hewstone, Stroebe, 2006).              Ajzen  také  upozorĖuje  na  interpretaþní  problém  pĜi  hodnocení  statistických              výsledkĤ.  Standardizované  regresní  koeficienty  nebo  path  koeficienty  nelze              automaticky  ztotožnit  s významem  jednotlivých  promČnných  z hlediska              predikce.  Vyplývá  to  z konstrukce  regresních  koeficientĤ,  ve  kterých  zásadní              roli  hraje  variabilita  dat.  Znamená  to,  že  nízká  variabilita  v odpovČdích              týkajících  se  urþitého  faktoru  (tj.  respondenti  se  shodnou  napĜ.  na  jeho              nevýznamnosti) vede k nízkým korelacím k zámČru nebo chování, tj. k nízkým              regresním koeficientĤm. (Ajzen, 2010).              V této  souvislosti  je  potĜeba  doplnit,  že  nízký  regresní  koeficient  neznamená              nedĤležitost  z hlediska  intervenþních  akcí.  Pro  ovlivnČní  chování  lze  provést              opatĜení, která budou pĤsobit právČ na tu promČnnou, která má nízké hodnoty              regresních  koeficientĤ,  a  pĜitom  efekt  ve  zmČnČ  chování  bude  znaþný.  PĜi              opakovaném  výzkumu  by  se  po  takové  intervenþní  akci  (napĜ.  posilující                                              107","7 Faktory ovlivĖující uplatĖování reklamací          vnímanou  kontrolu  chování)  zvýšila  variabilita  této  promČnné,  což  by  se          následnČ ukázalo vyšší hodnotou regresních koeficientĤ (Ajzen, 2010).          Ajzen  (2010)  v této  situaci  (kdy  je  teoreticky  možné,  že  zmČnu  chování  lze          docílit pĤsobením na promČnné se silnou i slabou mírou korelace) doporuþuje          radČji zaþít ovlivĖovat promČnné se silnou korelací.           7.2  Formulace modelu          Navržený  model  vztahĤ  je  inspirovaný  teorií  plánovaného  chování.  A  hlavní          zmČnou je, že vnímání spravedlnosti je pĜímo vztaženo k zámČru a je vynechán          postoj,  protože  nČkteré  výzkumy  dokládají  pĜímou  souvislost  mezi          pĜesvČdþením  (zde  tuto  roli  má  spravedlnost)  a  zámČrem  bez  zprostĜedkující          cesty  pĜes  postoje  (Randolph,  2001).  Další  dva  faktory  v modelu  jsou          subjektivní norma a vnímaná kontrola chování.          PĜedpokládané vztahy jsou popsány hypotézami H1 až H7 a zachycuje je model,          viz Obrázek 7-4:             x Distribuþní  (hypotéza  H1),  procedurální  (H2)  a  interakþní  (H3)               spravedlnost   zvyšuje   odhodlání   zákazníka   uplatnit   v pĜípadČ               nespokojenosti právo na reklamaci.             x Hypotéza H4: PĜátelé a blízcí, kteĜí reklamují výrobky pĜi nespokojenosti,               posilují zámČr zákazníka uplatnit reklamaci v pĜípadČ nespokojenosti.             x Hypotéza  H5:  Snadnost  uplatnČní  reklamace  posiluje  zámČr  zákazníka               uplatnit reklamaci v pĜípadČ nespokojenosti.             x Hypotéza H6: Snadnost uplatnČní reklamace posiluje chování zákazníka               uplatnit reklamaci v pĜípadČ nespokojenosti.             x Hypotéza  H7:  ZámČr  reklamovat  výrobek  z dĤvodu  nespokojenosti               pozitivnČ ovlivĖuje chování (uplatnČní reklamací).           Obrázek 7-4: Testovaný model                                  Zdroj: autor                                         108","II. Empirické studie založené na strukturním modelování              Všechny  promČnné  v modelu  jsou  konstruovány  jako  latentní  promČnné.              Škálové otázky pro tvorbu tČchto latentních promČnných byly odvozeny z prací              Keng a Liu (1997), Blodgett a kol. (1997) a Thøgersen a kol. (2009).               Tabulka 7-1: Použité promčnné v modelu               PromČnná   Oznaþení                Formulace otázky                           prom.                                   BČhem posledních tĜí let jsem reklamoval zakoupené výrobky:                                     (ani jednou – mnohokrát)                          Behavior                Chování    (a1, a2,   Mám bohaté zkušenosti s reklamováním výrobkĤ.                                     (nesouhlasím – souhlasím)                            a4r)                                   Reklamuji výrobky, se kterými jsem nespokojen, ménČ þasto                                     než vČtšina lidí, které znám. (souhlasím – nesouhlasím)                                   Budu-li nespokojený se zakoupeným výrobkem, pĤjdu jej                 ZámČr    Intention   reklamovat. (nesouhlasím – souhlasím)                           (b1, b2)   Nebude-li výrobek fungovat tak, jak má, reklamuji jej.                                     (nesouhlasím – souhlasím)                                   Náhrada (finanþní a nefinanþní), kterou þlovČk získá reklamací,                                     je: (nízká – vysoká)                            Distr  Kompenzace za reklamovaný produkt, kterou þlovČk získá od               Distribuþní               spravedlnost  (d1, d2r,   obchodníka, je: (neférová – férová)                            d3r)   Reklamací þlovČk nezíská takovou náhradu, jakou by si                                     zasloužil. (souhlasím – nesouhlasím)                                   VyĜízení reklamací trvá neúmČrnČ dlouho. (nesouhlasím –               Procedurální  Process   souhlasím)               spravedlnost  (e1, e3)   Obchodníci reklamace zámČrnČ protahují. (nesouhlasím –                                     souhlasím)                                   K zákazníkĤm, kteĜí reklamují výrobky, se obchodníci chovají                                     zdvoĜile. (nesouhlasím – souhlasím)                Interakþní  Interac   I pĜi reklamacích obchodníci pĤsobí, jako by mČli o  rekla-               spravedlnost  (f1, f2, f3)   mujícího zákazníka zájem. (nesouhlasím – souhlasím)                                   Obchodníci si nedovolí chovat se hrubČ k zákazníkĤm, kteĜí                                     uplatĖují reklamaci. (nesouhlasím – souhlasím)                                   Mí blízcí by urþitČ reklamovali výrobek, se kterým by byli               Subjektivní  SN       nespokojeni. (nesouhlasím – souhlasím)                 norma     (g1, g2)   PĜátelé považují za správné ozvat se a reklamovat vadný                                     výrobek. (nesouhlasím – souhlasím)                                   Zabalit zpČt reklamovaný výrobek a doruþit jej obchodníkovi                                     není složité. (nesouhlasím – souhlasím)                Vnímaná   Beh_cont  Složitý postup reklamací mČ odrazuje. (souhlasím –                kontrola   (i1, i4r,   nesouhlasím)                chování     i3r)                                   Nutnost odvozu výrobku zpČt obchodníkovi mČ od reklamace                                     odrazuje. (souhlasím – nesouhlasím)              Pozn.: Polarita otázek byla upravena tak, aby vztahy byly pĜi výpoþtech pozitivnČ korelované              v souladu s hypotézami.              Zdroj: autor                                               109","7 Faktory ovlivĖující uplatĖování reklamací          Základní charakteristika modelu             x Velikost vzorku = 250              x Poþet promČnných v modelu: 45             x Poþet pozorovaných promČnných: 18             x Poþet nepozorovaných promČnných: 27             x Poþet exogenních promČnných: 25             x Poþet endogenních promČnných: 20             x Pozorované endogenní promČnné: d1, d2r, d3r, e1, e3, f1, f2, f3, b1, b2,               a1, a2, a4r, g1, g2, i1, i4r, i3r             x Nepozorované exogenní promČnné: Distr, Process, Interac, Beh_cont, SN,               er1 až er18            7.3  Validita mČĜicího modelu          Shoda  celkového  modelu  s daty  bude  posouzena  podle  tĜí  ukazatelĤ  –  chí-          kvadrátu, dále CFI a RMSEA.          1.  Chí-kvadrát  =  184,565,  Df  =  114,  p  =  0,000.  Test  prokazuje  rozdíl  mezi          teoretickou  a  pozorovanou  kovarianþní  maticí.  Tento  základní  ukazatel  je  ale          velmi  citlivý  pĜi  vČtších  vzorcích  dat  a  reaguje  i  na  malé  odchylky,  proto  se          využívá v kombinaci s dalšími ukazateli. I podle Hair a kol. (2010, str. 646) pĜi          takto velkém výzkumném vzorku a poþtu promČnných je bČžné, že chí-kvadrát          je signifikantní.          2.  CFI  =  0,927:  PĜi  zohlednČní  velikosti  výzkumného  vzorku  a  poþtu          pozorovaných promČnných (kterých bylo 18) by ukazatel mČl nabývat hodnoty          vyšší  než  je  0,92  (Hair  a  kol.  2010,  s.  646).  To  také  splĖuje,  proto  ukazatel          signalizuje dobrou shodu modelu s daty.          3. RMSEA = 0,050: Ukazatel by mČl nabývat hodnoty menší než je 0,07 (Hair          a kol.  2010,  s.  646),  a  tak  i  tento  ukazatel  signalizuje  dobrou  shodu  modelu          s daty.          Konvergenþní validita          Podle  Hair  a  kol.  (2010,  s.  677)  by  standardizované  regresní  koeficienty          (loadings)  mČly dosahovat výše nejménČ 0,5, ideálnČ  0,7  a  více.  Tabulka  7-2          ukazuje,  že  tato  podmínka  je  splnČna  s výjimkou  A4r  a  zejména  g2,  což          znamená,  že  tyto  promČnné  mohou  pĤsobit  problémy.  Pro  prokázání          konvergenþní  validity  se  dále  použilo  Cronbachovo  Alpha.  Jeho  doporuþená          minimální hraniþní hodnota je 0,7 (popĜ. 0,6) a to je splnČno, právČ s výjimkou          promČnné subjektivní norma (SN).                                         110","II. Empirické studie založené na strukturním modelování              Další  ukazatel  je  Composite  reliabilty,  který  by  mČl  dosahovat  hodnoty  0,70              a pro  každou  z položek  hodnotu  nad  0,5  (Shook  a  kol.,  2004).  Tabulka  7-3              dokládá,  že  tento  požadavek  je  splnČn  s výjimkou  distribuþní  spravedlnosti,              který  je  mírnČ  pod  touto  hranici.  Dalším  ukazatelem  je  Construct  reliability              (CR), který by mČl být vČtší než 0,7. PĜípustná hodnota je také 0,6, pokud je              reliabilita  u  ostatních  konstruktĤ  dobrá  (Hair  a  kol.,  2010,  s.  677).  Tuto              podmínku data splĖují s výjimkou SN (subjektivní normy). Posledním použitým              ukazatelem  je  Average  Variance  Extracted  (AVE),  které  by  mČlo  nabývat              hodnoty 0,5 a více, což je splnČno pro všechny konstrukty.              Obrázek 7-5: Model mčĝení               er8  er9 er10 er13 er14 er15  er18  er17  er16  er5  er6  er1  er2  er3  e26  e28  er11 er12                 ,31  ,27  ,52  ,55  ,68  ,49  ,38  ,35  ,29  ,63  ,42  ,47  ,57  ,21  ,73  ,10  ,63  ,58                d1 d2r d3r  f1  f2  f3  i3r  i4r  i1  b1  b2  a1  a2  a4r  g1  g2  e1  e3                   ,72                 ,56 ,52  ,82        ,62  ,59 ,54  ,79 ,65  ,68 ,75  ,46  ,86 ,31  ,80                           ,74 ,70                                                                             ,76                  Distr   Interac    Beh_cont   Intention  Behavior  SN    Process                       ,38                             ,38      -,18     ,06                                 ,45        ,35                                                                    ,00                             ,46                 ,30       ,50                                       ,15                                                               ,09                                  ,29      ,15        ,03                                                          -,51                                       ,12      -,07                                            ,01     -,52                                               -,50              Pozn.: ýísla u oboustranných šipek pĜedstavují korelaþní koeficient; þísla u jednosmČrných              šipek jsou regresní koeficienty.              Zdroj: autor               Tabulka 7-2: Standardizované regresní koeficienty modelu mčĝení                 d1  <--- Distr    0,559         i4r  <---  Beh_cont   0,591                 d2r  <--- Distr   0,518         i1   <---  Beh_cont   0,541                 d3r  <--- Distr   0,719         i3r  <---  Beh_cont   0,620                 f1   <--- Interac   0,741       a4r  <---  Behavior   0,462                 f2   <--- Interac    0,823      a2  <---  Behavior    0,754                 f3   <--- Interac   0,699       b2  <---  Intention   0,648                 a1   <--- Behavior   0,682      b1  <---  Intention   0,791                 g1  <--- SN       0,857         e1  <---  Process     0,795                 g2  <--- SN       0,312         e3  <---  Process     0,762                 Zdroj: autor              CelkovČ  lze  konvergentní  validitu  považovat  za  pouze  dobrou,  nikoliv              výbornou.  Slabou  konvergenþní  validitu  má  zejména  konstrukt  subjektivní              normy  (SN),  neboĢ  sestává  pouze  ze  dvou  položek,  které  nejsou  mezi  sebou                                              111","7 Faktory ovlivĖující uplatĖování reklamací          pĜíliš korelované. PĜi interpretaci výsledného modelu proto bude upozornČno na          menší spolehlivost tohoto konstruktu.          Tabulka 7-3: Ukazatelé kvality konstrukce latentních promčnných              No Název konstruktu   Cronbach Construct Composite  Variance                                   Alpha   reliability  reliability  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                                                 Composite    Variance               No           Behavior                                               reliability  extracted                1     A1                         0,499       0,608                2     A2                         0,442       0,572                3     A4                         0,647       0,718                            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.: Výpoþet proveden pomocí The Online CONSTRUCT VALIDITY Calculator version          2.0 (http://www.hishammb.net/cvc2)          Zdroj: autor                                         112","II. Empirické studie založené na strukturním modelování              Diskriminaþní  validita  byla  provČĜena  postupem  popsaným  u  pĜedchozího              modelu (kap. 7.3). Touto metodou byly provČĜeny vztahy mezi konstrukty, se              kterými  pracuje  model.  Pro  všechny  konstrukty  byla  diskriminaþní  validita              prokázána.  I  face  validita  byla  zajištČna  stejným  postupem  jako              v pĜedcházejícím modelu.                 7.4  Strukturní model              Hlavní  ukazatel  kvality  modelu  je  chí-kvadrát,  který  má  hodnotu  203,130              (p = 0,000,  Df  =  118),  což  pro  model  s daným  poþtem  pozorovaných              promČnných (18) a rozsahem vzorku 250 respondentĤ odpovídá oþekávání, že              rozdíl kovarianþních matic bude signifikantní. Protože ale CFI (0,912) je pouze              mírnČ  pod  doporuþenou  hranicí  0,92  a  RMSEA  (0,054)  je  v požadovaných              intervalech, považujeme model za platný.              PĜedpokládané  vazby  mezi  promČnnými  modelu  jsou  statisticky  spolehlivé              s výjimkou  vztahu  interakþní  spravedlnosti  –  viz  Obrázek  7-6.  Hypotézu  H3              tedy musíme zamítnout. Ostatní uvedené hypotézy mĤžeme považovat nadále za              platné.  ZámČr  reklamovat  je  ve  statisticky  podloženém  vztahu  s ostatními              promČnnými modelu, jak pĜedpokládal navržený model.              Jak  plyne  ze standardizovaných  regresních  koeficientĤ  (Tabulka  7-4),  míra              tČsnosti vztahu mezi zámČrem a ostatními promČnnými je silná až stĜednČ silná.              MĤžeme  pĜedpokládat,  že  nejvČtší  vliv  na  zámČr  zda  reklamovat  nebo              nereklamovat výrobek má procedurální spravedlnost a subjektivní norma. Spolu              s vnímanou kontrolou chování jde o nejvýznamnČjší faktory. Odstup distribuþní              spravedlnosti je pomČrnČ velký.              VysvČtlená  variabilita  zámČru þiní  48  %.  Jedná  se  o  dobrý  výsledek,  který              vypovídá o tom, že vysvČtlující promČnné byly zvoleny správnČ, neboĢ nejenže              mají  se  zámČrem  statisticky  podloženou  vazbu,  ale  souþasnČ  jde  o  vazby  pro              formování zámČru dĤležité. Množství vysvČtlené variability vlastního chování je              pak na úrovni 14 %.              Podrobné výsledky jsou uvedeny v PĜíloze 3.                7.5  ZávČry              Testovaný  model  vysvČtluje,  které  faktory  podnČcují  zákazníky  k uplatĖování              reklamací  v pĜípadČ,  že  nejsou  spokojeni.  PochopitelnČ,  cílem  prodejcĤ  není              podpora  reklamací,  a  už  vĤbec  ne  vytváĜení  takových  podmínek,  které  by              navádČly  k oportunistickému  jednání  (tj.  k  zneužívání  reklamací).  Znalost              uvedených  faktorĤ  má  smysl  pro  zavedení  takových  opatĜení  (resp.  jejich              optimalizaci),  která  zvýší  spokojenost  zákazníka  a  která  díky  tomu  omezí              nežádoucí reakce zákazníkĤ, jako je negativní „šeptanda“ þi ztráta loajality.                                            113","7 Faktory ovlivĖující uplatĖování reklamací          Z tohoto  pohledu  mĤžeme  konstatovat,  že  nejdĤležitČjší  vazbu  mezi          zkoumanými  faktory  má  procedurální  spravedlnost,  subjektivní  norma          a vnímaná  kontrola  chování.  Tento  výsledek  lze  interpretovat  tak,  že  hlavní          cestou,  jak  zvýšit  motivaci  zákazníkĤ  k uplatnČní  reklamace,  pokud  jsou          nespokojeni, je zamČĜit se zejména na procesy pĜijímání a zpracování reklamací.          Podle jiných výzkumĤ (napĜ. Blodgett a kol., 1997; Clemmera a kol., 1996) je          pro  zákazníky  dĤležité,  aby  tyto  procesy  reagovaly  na  požadavky  zákazníkĤ          flexibilnČ  a  rychle,  aby  posouzení  reklamace  bylo  nestranné  a  efektivní.          Vnímaná  behaviorální  kontrola  pak  dokládá  i  dĤležitost  technické  stránky          uplatnČní reklamace, tj. nízké transakþní náklady pro zákazníka.           Tabulka 7-4: Odhady parametrĥ modelu                                                              Standard.               Regresní vztah     Odhad   S.E.   C.R.   P      regresní                                                              koeficient          Intention   <---   Interac   0,161   0,116   1,392   0,164   0,142                   (H3)          Intention   <---   SN   0,462   0,217   2,128   0,033   0,439                   (H4)          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                                           114","II. Empirické studie založené na strukturním modelování              Prodávající podnik by mČl mít vytvoĜen systém pro Ĝízení procesu reklamace,              který by obsahoval nejen závazná psaná pravidla, ale i organizaþní kulturu, jež              by byla zákaznicky orientovaná, což mj. pĜedpokládá proškolené a motivované              zamČstnance  v  této  oblasti.  Homburg  a  Fürst  (2007)  doplĖují,  že  význam  má              nejen samotný systém, ale i vnímání ze strany spotĜebitelĤ; tj. je tĜeba zajistit,              aby zákazníci získali dojem, že jejich stížnosti jsou podnČtem pro zdokonalování              podniku.              Role  kompenzace,  tedy  velikosti  náhrady,  je  dle  našich  dat  nižší.  Podobné              zjištČní  uvádí  i  Davidow  (2003),  a  sice  že  prĤbČh  reklamace  mĤže  být              v nČkterých situacích dĤležitČjší než její výsledek.              Obrázek 7-6: Standardizované regresní koeficienty modelu                                                      Pozn.: ýárkovaná vazba oznaþuje statisticky nespolehlivé vazby, údaje u obousmČrných šipek              jsou korelace a údaje u jednosmČrných šipek jsou standardizované regresní koeficienty.              Zdroj: autor                                            115","7 Faktory ovlivĖující uplatĖování reklamací          PĜekvapivČ  silná  vazba  je  se  subjektivní  normou.  Jestliže  stanoviska  pĜátel,          rodiny  a  dalších  osob  ovlivĖují  odhodlání  zákazníka  uplatnit  reklamaci,  je          význam sociálního okolí dĤležitČjší v tom, že tito lidé ovlivĖují také samotný          pohled zákazníka na to, zda došlo k selhání produktu þi nikoliv, resp. ovlivĖují          hédonickou  spokojenost,  viz  Goudge  a  kol.  (2010).  Pro  obchodníky  je          nepĜíjemné, že právČ tento faktor nejsou schopni pĜímo ovlivnit.          Vyvrácení hypotézy H3 o vlivu interakþní spravedlnosti je rovnČž pĜekvapivé          a mĤžeme  pouze  spekulovat,  þím  byl  tento  výsledek  zapĜíþinČn.  Pomineme-li          pĜíþinu  v použité  metodice  výzkumu  (nižší  spolehlivost  strukturního  modelu          a dobrá konvergenþní a diskriminaþní validita interakþní spravedlnosti na druhé          stranČ),  mĤže  být  dĤvod  v tom,  že  se  respondenti  pĜi  reklamacích  nesetkali          s eticky problematickým jednáním. SamozĜejmČ nelze ani vylouþit možnost, že          tato  složka  spravedlnosti  odhodlání  zákazníkĤ  neovlivĖuje,  byĢ  napĜ.  výzkum          Blodgetta a kol. (1997) dokládá opak.                                                                                 116","","","III. Empirická studie založená na conjointní analýze                 8  VLIV REKLAMAýNÍCH PODMÍNEK NA NÁKUPNÍ                 ROZHODOVÁNÍ V PROSTěEDÍ INTERNETOVÝCH                 OBCHODģ              Struktura  této  obsáhlejší  kapitoly  je  následující.  První  þást  formuluje  cíl              zkoumání a vysvČtluje volbu zkoumaných faktorĤ. V druhé þásti je pĜedstavena              použitá  metoda  výzkumu  –  conjointní  analýza,  a  to  vzhledem  k faktu,  že              v þeských  podmínkách  patĜí  k velmi  okrajovČ  využívaným  metodám.  Ve  tĜetí              þásti je popsán provedený experiment, vyhodnocení dat a samotné výsledky.                 8.1  Cíle a zdĤvodnČní empirického šetĜení              Cílem následujícího empirického šetĜení je zjistit dĤležitost vybraných faktorĤ              souvisejících s procesem reklamací pro rozhodování spotĜebitelĤ pĜi nakupování              v internetových obchodech. Charakter výzkumu je explorativní.              Volba internetového prostĜedí má dva dĤvody:                 1. Internetoví obchodníci jsou konfrontování s relativnČ velkým množstvím                   zpČtných  tokĤ  (Dissanayake  a  Singh,  2007).  Pro  obchodníky  je  proto                   dĤležité porozumČt motivĤm zákazníkĤ, kteĜí zboží vracejí.                 2. V ýR, stejnČ jako v jiných zemích EU, existuje speciální legislativa, která                   ukládá  obchodníkĤm  povinnost  pĜijmout  výrobek  zpČt  u  smluv                   uzavĜených na dálku (smČrnice Evropského parlamentu a Rady 97/7/ES                   ze dne 20. kvČtna 1997 o ochranČ spotĜebitele v pĜípadČ smluv uzavĜe-                   ných na dálku). Odlišnost legislativy pro internetový prodej tak þiní toto                   prostĜedí zajímavým z pohledu reklamaþní politiky.              Jak plyne z pĜedchozí literární rešerše, existuje relativnČ mnoho výzkumĤ, které              se  vČnují  reklamacím  pĜi  internetovém  nakupování.  Smysl  následujícího              empirického  šetĜení  je  v tom,  že  analyzuje  význam  konkrétních  opatĜení              reklamaþní politiky pro zákazníka, jako je délka lhĤty pro (bezdĤvodné) vrácení              výrobku,  obtížnost  uplatnČní  reklamace,  prodloužení  záruþní  lhĤty.  Empirické              šetĜení tedy nehodnotí význam reklamaþní politiky jako celku ve vztahu k jiným              nákupním  faktorĤm,  ale  všímá  si  významu  vybraných  konkrétních  opatĜení              reklamaþní politiky.              Z hlediska  typu  výzkumu  jde  o  experiment  pomocí  statistické  metody              oznaþované  jako  conjointní  analýza,  do  þeštiny  pĜekládaná  také  jako  analýza              preferencí.  Její  volba  vychází  z doporuþení  nČkterých  výzkumĤ.  NapĜ.  Davis              a kol.  (1998)  svĤj þlánek  zakonþují  úvahou  o  dalších  smČrech  zkoumání              a navrhují  právČ  conjointní  analýzu  jako  jednu  z metod,  kterou  by  mohli              výzkumníci použít pĜi dalším zkoumání užitku, resp. transakþních nákladĤ, jež                                             119","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          zákazníkĤm  vznikají  pĜi  reklamacích  a  pĜi  jejich  vyĜizování.  Podobné          metodologické  doporuþení  dávají  i  Thomas  a  Rao  (1999)  pro  zkoumání          dĤležitosti  záruþní  lhĤty  a  reklamaþní  politiky  v porovnání  s dalšími  atributy          produktĤ.          Výzkumy  citované  v literární  rešerši  se  vČnují  relativnČ  velkému  množství          faktorĤ. Je patrné, že k nejþastČji diskutovaným faktorĤm v obecném pojetí patĜí          vnímaná rizika, transakþní náklady a kvalita. PochopitelnČ jde o vlivy, které          jsou  vzájemnČ  propojené,  což  komplikuje  jejich  výzkum  a  formulaci  závČrĤ          plynoucích z výzkumu.          Jak  bude  vysvČtleno  dále,  použitá  metoda  conjointní  analýzy  vyžaduje,  aby          celkový  poþet  zkoumaných  faktorĤ  nebyl  velký.  Proto  bylo  tĜeba  zvolit  jen          nČkteré potenciální vlivy. VČtšina publikovaných výzkumĤ pracovala s obecnČji          charakterizovanými  faktory  a  pro  úþely  conjointní  analýzy  musely  být          konkretizovány.  K  inspiraci  jsme  využili  diskuzní  fóra  uživatelĤ  na  internetu          (server  Heureka.cz  –  recenze  obchodĤ  a  þásteþnČ  i  produktĤ)  a  v  „záplavČ“          jejich  komentáĜĤ  hledali  zmínky  o  konkrétních  reklamaþních  podmínkách,          pĜípadnČ i názory na nČ.          V souvislosti s kvalitou jsme tímto postupem stanovili dva dílþí faktory, kterými          byly  znaþka  výrobce  a  dále  hodnocení  zákazníkĤ,  tzv.  user  reviews,  což  je          zajímavý fenomén internetu.          Hodnocení produktĤ þi obchodĤ uživateli na internetu mají formu „šeptandy“,          která  má  své  zvláštnosti.  Pro  þíselnČ  vyjádĜené  hodnocení  (na  škále)  je          charakteristické,  že  rozdČlení  hodnot  na  stanovené  škále  má  tvar  písmene  J,          nikoliv podobu Gaussova rozdČlení. Malý poþet uživatelĤ hodnotí výrobky silnČ          negativnČ,  vČtšina  pak  silnČ  pozitivnČ.  Tato  skuteþnost  pak  napĜ.  komplikuje          interpretaci  prĤmČru  takovýchto  hodnot  a  prĤmČr  zde  není  informaþnČ  pĜíliš          pĜínosný ukazatel (Hu a kol., 2009).          Dále bylo zjištČno, že návštČvníci webu, kteĜí þtou hodnocení uživatelĤ, si spíš          všímají  extrémních  hodnocení  a  speciálnČ  pak  extrémních  negativních          hodnocení (Lee a kol, 2008). Podle empirického prĤzkumu nakupující nevnímají          hodnocení uživatelĤ jako formu reklamy, názory expertĤ, þi skuteþnČ objektivní          hodnocení pĜedmČtu, ale jako osobní názor jiných uživatelĤ (57 % respondentĤ)          anebo jako informace od ostatních uživatelĤ pro pomoc pĜi rozhodování (Poston          a  Royne,  2008).  NicménČ  jejích  význam  je  menší  než  názory  pĜátel.  PĜesto          urþitou váhu tato hodnocení mají, navzdory faktu, že respondenti jsou si vČdomi          omezení  a  zkreslení,  která  jsou  s hodnoceními  uživatelĤ  spojená.  Jedním          z argumentĤ  ve  prospČch  recenzí  je  zkušenost  recenzujících  uživatelĤ          s výrobkem a vČdomí, že nejde o reklamu. Podle dotazování mezi 164 studenty          jich  70  %  využívá  hodnocení  pĜi  nákupním  rozhodování  a  66  %  uvedlo,  že          nikdy žádné hodnocení na internet nenapsali (Poston a Royne, 2008).                                           120","III. Empirická studie založená na conjointní analýze              Zajímavé  výsledky  prezentují  Duan  a  kol.  (2008).  AutoĜi  sledovali  nákupní              chování  nepĜímo  –  vycházeli  z vlivu  ratingĤ  na  nákup  služeb  (konkrétnČ              návštČvnost kin) – a zjistili, že vliv na nákupní chování má spíše poþet (kvantita)              udČlených hodnocení než výše obdrženého skóre.              Chevalier a Mayzlin (2003) ve svém výzkumu docházejí k závČru, že hodnocení              uživatelĤ  nemusí  být  pro  podniky  pĜíliš  pĜínosné.  Zkoumali  totiž  dva  velké              internetové obchody s knihami a nenalezli žádný fakt, který by naznaþoval, že              pĜítomnost  recenzí  zvyšuje  tržby.  PravdČpodobnČ  „jen“  ovlivĖují  strukturu              prodejĤ v rámci obchodu (zákazníci koupí jednu knihu místo jiné).              Význam uživatelských recenzí relativizují také Zhu a Zhang (2010), kteĜí stavČjí              do protikladu nČkolik výzkumĤ, jež se vČnovaly vlivu uživatelských hodnocení              na nákupní rozhodování (pĜesnČji na realizované tržby). Výsledky z citovaných              výzkumĤ  jsou  þasto  protikladné,  byĢ  se  týkají  stejného  oboru  (napĜ.  zábavní              prĤmysl  –  kina).  Proto  se  zamČĜili  na  otázku,  zda  a  jak  ovlivĖuje  charakter              produktu  a  vlastnosti  zákazníkĤ  váha,  kterou  pĜikládají  pĜi  nákupním              rozhodování  uživatelským  recenzím.  Jejich  závČr  uþinČný  v oblasti  poþítaþo-              vých her je jasný: uživatelské recenze mají vČtší vliv pĜi nákupu ménČ známých              herních  titulĤ  a  v pĜípadČ  her,  jejichž  hráþi  jsou  zkušení  uživatelé  internetu.              Znamená to tedy, že míra vlivu recenzí je silnČ ovlivnČna okolnostmi.              V kontextu  hodnocení  obchodĤ  (Chatterjee,  2001)  je  hodnocení  zákazníkĤ              dĤležitČjší, pokud zákazník daný obchod nezná (napĜ. si jej vyhledal kvĤli nižší              cenČ).  V takové  situaci  vyhledává  více  informací  mezi  hodnoceními,  a  to              zejména negativními.              Na základČ výsledku literární rešerše a se zohlednČním komentáĜĤ uživatelĤ na              internetu  jsme  definovali  následujících  šest  faktorĤ,  jejichž  vliv  byl  experi-              mentálnČ zkoumán.              Faktory spojené s délkou lhĤt (tedy mírou rizika nákupu)                 x Záruþní lhĤta – ve smyslu standardní dvouleté a rozšíĜené.                 x LhĤta na vrácení bez udání dĤvodu – ve smyslu standardních dvou týdnĤ                   a rozšíĜené lhĤty pro vrácení výrobku.              Faktory spojené s transakþními náklady reklamací                 x Kupon za oprávnČnou reklamaci – jako forma odškodnČní za transakþní                   náklady, které zákazník v pĜípadČ technické vady výrobku utrpČl.                 x Realizace  reklamace  –  pohodlí  pĜi  uplatnČní  reklamace  z titulu  vady                   výrobku.              Faktory spojené pĜedevším s vnímáním kvality výrobku                 x Znaþka výrobku – známý výrobce vs. neznaþkový výrobce.                 x Hodnocení výrobku na internetu – názory uživatelĤ na kvalitu produktu.                                             121","8 Vliv reklamačních podmínek na nákupní rozhodování v prostředí internetových obchodů                            8.2 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, což  znamená, že                            výzkumník  manipuluje s proměnnou za  účelem sledování změn v  závislé                            proměnné (v tomto případě chování). Její základy se datují do 60. let 20. století                            ve spojení  s tzv.  matematickou psychologií a psychometrikou, avšak faktický                            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 marketingo-                            vém výzkumu za posledních 40 let (Rao, 2010).                             Tabulka 8-1: Deset nejčastějších témat aplikace CA (do roku 2006)                                      Tematický okruh podle SSCI    Počet Procenta                                      Obchod                         238    26,6 %                                      Management                     128    14,3 %                                      Ekonomie                       112    12,5 %                                      Vědy o zdravotnictví           76     8,5 %                                      Operační výzkum                70     8,0 %                                      Sociální vědy, matematické metody     64     7,2 %                                      Zdravotnická politika a služby     61     6,8 %                                      Matematiky, interdisciplinární aplikace   54     6,0 %                                      Psychologie (matematická psychologie)  52     5,8 %                                      Environmentální vědy           38     4,2 %                                     Zdroj: Tiechert a Shehu, 2009                             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 není ani tak metodou na                            zpracování dat, jako spíš  myšlenkovým  experimentem, 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                                                           122","III. Empirická studie založená na conjointní analýze              pĜi zkoumání preferencí spotĜebitelĤ pĜi nákupním rozhodování, tj. v situaci, kdy              se potĜebujeme dozvČdČt, jaké vlastnosti produktu považují zákazníci za dĤležité              a jaké naopak za ménČ dĤležité.              CA patĜí mezi dekompoziþní metody (z celkového empiricky zjištČného užitku              se  stanovují  užitky  dílþí  za  jednotlivé  atributy).  Na  rozdíl  od  kompoziþních              metod (napĜ. theory of reasoned action nebo theory of planned behaviour) tak              nemá nevýhodu, „která se dá popsat jako, že celek je víc než suma jeho þástí“              (Fiala a Klausegger, 1995).              8.2.1 Podstata conjointní analýzy              BČžnČ  se  zkoumání  preferencí  zákazníkĤ  uskuteþĖuje  pomocí  jednoduchého              dotazování,  kdy  za  pomoci  škál  zákazníci  vyjadĜují  dĤležitost  vlastností              produktu,  jako  je  cena,  znaþka,  hmotnost,  design  apod.  Pomocí  popisné              statistiky  jsou  pak  vyjádĜeny  dĤležitosti  jednotlivých  vlastností  produktu  –              typicky pomocí prĤmČrné známky, kterou zákazníci dané vlastnosti udČlí. Jde              tak o srozumitelný postup, který není výpoþetnČ nároþný, a možná také proto je              hojnČ užívaný. Má ale nČkolik slabých stránek. Pomineme-li obecnČjší problém,              který  spoþívá  v tom,  že  deklarovaný  názor  nemusí  odpovídat  skuteþnému              chování (viz teorie kognitivní disonance), je dalším úskalím fakt, že spotĜebitel              se  ve  vČtšinČ  pĜípadĤ  nerozhoduje  podle  jedné  vlastnosti,  ale  vybírá  si              z produktĤ, které pĜedstavují rĤzné kombinace vlastností. Posuzování vlastností              probíhá  souhrnnČ.  Zákazník  je  nucen  rozhodnout  se  mezi  kombinacemi              vlastností,  které  jsou  dosažitelné,  což  znamená  pomČĜovat  dĤležitost  tČch              aspektĤ  produktu,  které  se  navzájem  vyluþují  (napĜ.  kvalita  versus  cena  –              typická situace trade-offs).              PrávČ v tomto se CA pĜibližuje více realitČ a umožĖuje výzkumníkĤm vČrnČji              modelovat  reálný  problém,  tedy  rozhodovací  situaci.  Respondent  je  totiž              požádán,  aby  ohodnotil  ne  jednotlivé  vlastnosti,  ale  komplexnČjší  produkty.              Prakticky  je  to  provedeno  tak,  že  má  pĜed  sebou  (hypotetický)  popis  napĜ.15              výrobkĤ, které se od sebe odlišují ve zkoumaných parametrech a které ohodnotí              podle toho, jak jsou pro nČj atraktivní. Statistickým výpoþtem se pak získá údaj              o  dĤležitosti  jednotlivých  atributĤ  a  o  jejich  vztahu  k celkovému  užitku,  což              umožĖuje  vyvinout  teoretický  model,  který  slouží  k lepšímu  porozumČní              nákupnímu rozhodování. Tyto údaje lze spoþítat jak pro celý zkoumaný soubor              respondentĤ,  tak  i  pro  jednotlivce.  Údaje  o  preferencích  jednotlivcĤ  se  pak              typicky zpracovávají shlukovou analýzou (þasto i s dalšími promČnnými, napĜ.              sociodemografickými) s cílem urþit þi verifikovat tržní segmenty, þasto i velmi              malé, což lze napĜíklad využít pĜi výrobČ typu „mass customization“.              Vedle  tržní  segmentace  se  CA  využívá,  a  to  ještČ þastČji,  pĜi  návrhu  nového              výrobku a pĜi stanovování ceny (Hartman, Sattler, 2002). PĜi inovacích produktu              data  z CA  vstupují  napĜ.  do  takových  nástrojĤ,  jako  je  Quality  Function                                              123","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          Deployment  (Kotri,  2006).  Oblasti  využití  CA  v marketingu  shrnují  Haaijer          a Wedel (2000) takto (citováno dle Grünwald, 2010):             x Nový produkt nebo služba, nalezení vhodného produktového konceptu             x Urþení cenové strategie pro produktové portfolio spoleþnosti             x Vyvarování se kanibalizace produktĤ ve vlastním portfoliu             x Analýza konkurence             x Nalezení vhodného distribuþního kanálu             x Cílení reklamy, urþení vhodných aspektĤ, na které je tĜeba klást dĤraz             x Zavedení výrobku na stávající/nový trh             x Segmentace trhu          Mnoho studií dokládá, že CA pĜináší lepší výsledky – detailnČjší, spolehlivČjší          a snadnČji pochopitelné – ve srovnání s jinými bČžnČ používanými výzkumnými          postupy (pĜedevším posuzováním jednotlivých atributĤ pomoci likertových škál)          (Green, Srinivasan, 1990, Kotri, 2006).          Tabulka 8-2: Metody používané pĝi zkoumání hodnoty zákazníka                 Metoda                            % úspČšných aplikací                 Odhady zamČstnancĤ podniku              55 %                 OtevĜené otázky v dotaznících           66 %                 Benchmarking s konkurenty               67 %                 Focus group                             70 %                 Pozorování zákazníkĤ pĜi užívání produktu  72 %                 PĜímé hodnocení pomocí škál             75 %                 Conjointní analýza                      85 %               Zdroj: Anderson a kol., 1993 (citováno dle Kotri, 2006)          Metoda  má  samozĜejmČ  i  své  slabé  stránky  (viz  Tabulka  8-3).  Pokud  je  CA          použita  pro  hodnocení  skuteþnČ  vysoce  inovativního  produktu,  je  pravdČ-          podobné, že respondenti díky nezkušenosti  s tímto produktem a nemožnosti si          jej hodnovČrnČ pĜedstavit, nebudou schopni vyjádĜit reálné preference a výsle-          dek celé analýzy tak nebude validní (Baier a Brusch, 2009).          NČkteré  z uvedených  nevýhod  se  daĜí  eliminovat.  NapĜ.  omezení,  které  plyne          z nutnosti popisu výrobkĤ slovy þi obrázky, je relativizováno, neboĢ v pĜípadnČ          potĜeby  lze  dnes  využít  i  prezentaþní  schopnosti  multimédií  (trojrozmČrný          animovaný  obraz  napĜíklad)  (Green  a  kol.,  2001).  Také  požadavek  CA,  aby          poþet  atributĤ  byl  omezený,  lze  zmírnit  zavedením  tzv.  techniky  pĜemostČní          (bridging  technique),  která  spoþívá  v tom,  že  se  vytvoĜí  nČkolik  sad  profilĤ,          které analyzují rĤzné atributy, ale souþasnČ všechny obsahují anchor atributes          (volnČ pĜeloženo jistící atributy), díky kterým se mohou výsledky za jednotlivé          sady porovnat a zjistit tak funkce užitku (Kotri, 2006).                                           124","III. Empirická studie založená na conjointní analýze              Tabulka 8-3: Výhody a nevýhody tradiÿní conjoint analýzy              Výhody                          Nevýhody              x  Izolace a kvantifikace (pĜíspČvkĤ)  x  Použitelná pĜi omezeném poþtu atributĤ                 užitku jednotlivých atributĤ  x  ýasté používání ordinálních škál, které              x  PĜiblížení realitČ pĜi sbČru dat (celistvý   pĜi korektním zpracování neumožĖují                 pohled a nepĜímé zjišĢování)   aritmetické operace, jako je souþet þi              x  Mnohostranné použití v rĤzných  prĤmČr                 problémových oblastech       x  BČžné sþítání dílþích užitkĤ je umČlým              x  Flexibilní nástroj (díky velké   zásahem                 kontrolovatelnosti procesu hodnocení   x  PĜetČžování respondentĤ kvĤli velkému                 profilĤ)                       poþtu posuzovaných alternativ, které si              x  Poskytuje výsledky na bázi intervalĤ  respondenti eventuálnČ nemusí umČt              x  UmožĖuje odvodit úsudky        pĜedstavit                 o zákaznických segmentech, popĜ.  x  Zkreslení kvĤli omezeným možnostem                 struktuĜe jejich preferencí    popisu vlastností a vzhledu variant              x  UmožĖuje simulovat pĜijetí produktu   produktu                 a rozhodování pĜi zmČnách atributĤ  x  PĜedpoklad stability struktury preferencí                 produktu                       v þase nemusí být správný              x  Použitelnost i pĜi hodnocení inovací                 (i pĜed navržením prototypu)              Zdroj: Baier, Brusch, 2009              CA má oproti jiným statistickým nástrojĤm menší nároky na pĜedpoklady, které              musí být splnČny, a není tak nutné testovat vstupní data z hlediska normality,              homoskedasticity  þi  nezávislosti  (Hair  a  kol.,  2010).  Na  druhou  stranu  CA              vyžaduje  od  výzkumníka,  aby  mČl  jasnČ  formulovanou  koncepþní  stránku              modelu  (pĜedpoklady  o  atributech),  protože  na  jejím  základČ  jsou  vytváĜeny              profily,  které  pak  respondenti  hodnotí.  ZmČna  v tČchto  koncepþních  záleži-              tostech  ex  post  (po  sbČru  dat)  není  možná.  Nelze  totiž  zpČtnČ  namodelovat              a  propoþítat  jiný  model  chování  s jinými  atributy.  Žádný  atribut  také  nelze              zpČtnČ z analýzy odstranit. Proto se o CA Ĝíká, že je theory driven (tj. odvozená              z teorie,  vycházející  z teorie)  (Hair  a  kol.,  2010,  str.  437).  Za  další  pĜednosti              z technického hlediska se pokládá vlastnost CA, že umožĖuje použít nominální              promČnou pro predikci (Hair a kol. 2010). Výpoþet užitku je dán tímto vztahem:                  Kde:                P je konkrétní produkt nebo koncept;                U(P) je užitek spojený s P;                a ij je užitek spojeny s j-tou úrovní i-tého atributu (j = 1, 2, 3...k j);                k j je poþet úrovní atributu i;                m je poþet atributĤ;                x ij je 1, pokud j-tá úroveĖ i-tého atributu je pĜítomná v produktu P, jinak 0.                                               125","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          8.2.2 Postup pĝi conjointní analýze           Prvním  krokem  pĜi  zpracování  CA  je  výbČr  atributĤ,  tedy  tČch  vlastností          produktu, které jsou relevantní z hlediska cíle výzkumu. Typickými atributy jsou          technické  aspekty  produktu,  jeho  cena  þi  znaþka.  VČtší  poþet  zkoumaných          atributĤ  nadproporcionálnČ  zvyšuje  nároþnost  pro  respondenty,  a  proto  se          doporuþuje  omezit  atributy  na  maximálnČ  šest  až  sedm  (ýermáková,  2003).          Komerþní výzkumné spoleþnosti však bČžnČ používají atributĤ více, což mĤže          zhoršit kvalitu výsledkĤ výzkumu (Hartman, Sattler, 2002), viz dále.          Volba  atributĤ  pak  vychází  z cílĤ  výzkumu,  což  také  znamená,  že  pravdČ-          podobnČ pĤjde o atributy, které jsou ovlivnitelné zadavatelem výzkumu (napĜ.          výrobcem  produktu).  Vedle  toho  by  zvolené  atributy  mČli  sami  respondenti          považovat  za  dĤležité,  což  se  doporuþuje  ovČĜit  pĜedvýzkumem.  Hair  a  kol.          (2010, str. 422) dále doplĖuje, že atributy mají být na sobČ nezávislé, mají mČĜit          pouze  jednu  dimenzi  a  jednomu  produktu  má  odpovídat  pouze  jedna  úroveĖ          tohoto atributu. Dále dodává, že je tĜeba volit takové atributy, které jsou dobĜe          popsatelné (communicable) a dostateþnČ konkrétní, aby si je respondenti umČli          pĜedstavit a aby byli schopni porovnat jejich dĤležitost s jinými atributy (napĜ.          atribut „celková kvalita“ je nevhodný).          Další rozhodnutí se týká úrovní jednotlivých atributĤ. To znamená, že se pĜedem          musí definovat hodnoty atributĤ, které tak budou popisovat konkrétní vlastnosti          produktĤ.  NapĜ.  pĜi  zkoumání  mobilních  telefonĤ  mĤžeme  zkoumat  atribut          hmotnost a úrovnČ nastavit na 80, 100 a 125 gramĤ.          I zde platí pravidlo, že víc úrovní u jednotlivých atributĤ znamená v koneþném          dĤsledku výraznČ vČtší zátČž pro respondenty. NejþastČji je poþet tČchto úrovní          2–5  a  mohou  být  u  jednotlivých  atributĤ  rĤzné.  Vrátíme-li  se  k pĜíkladu          s mobilním telefonem, jiný atribut – pĜítomnost fotoaparátu – bude mít jen dvČ          úrovnČ  –  Ano  vs.  Ne.  V tomto  pĜípadČ  jde  o  nominální  znaky,  v pĜípadČ          hmotnosti  o  metrické,  neboĢ  obČ  formy  jsou  pĜípustné.  Rozestupy  úrovní          u metrických znakĤ nemusí být stejné (viz pĜíklad s hmotností) a rozpČtí úrovní          (napĜ.  minimální  a  maximální  technické  parametry  þi  cena  výrobkĤ)  má  být          dostateþnČ  velké,  aby  umožnilo  simulovat  budoucí  podmínky  na  trhu  (cena)          nebo technický vývoj (parametry produktu), a zjistily se tak preference zákazní-          kĤ  vzhledem  k možným  inovacím.  Velmi  nereálné  možnosti  však  mohou          respondenty  znejistit  a  znehodnotit  výsledky  CA.  Doporuþuje  se  také  zvolit          poþet úrovní pro všechny atributy podobný, protože výzkumy prokázaly, že se          v dĤsledku umČle vysokého poþtu úrovní jednoho atributu zvyšuje jeho relativní          význam – tj. dochází ke zkreslení výsledkĤ. (Hair a kol. 2010, 425).                                               126","III. Empirická studie založená na conjointní analýze              8.2.3 þtyĝi pĝístupy k hodnocení               Trade-off matice               PĜi  tomto  nejstarším  postupu  respondenti  vyplĖovali  tabulky,  které  v záhlaví              sloupcĤ a ĜádkĤ mČly vždy dva atributy a jejich úrovnČ. Respondenti vyplnili do              tabulky  preference  ke  každé  kombinaci  obou  atributĤ,  tj.  pĜi  kombinaci  dvou              atributĤ se tĜemi úrovnČmi je to devČt kombinací, které je potĜebné ohodnotit. Je              zjevné,  že  jde  o  nároþný  postup,  kdy  respondent  navíc  hodnotí  vždy  jen  dvČ              vlastnosti souþasnČ. Poté musí pĜejít k další tabulce s jinou kombinací atributĤ.              Full Profile Method              Tento zpĤsob je dnes považován za tradiþní a spoþívá v tom, že se vytvoĜí sada              kartiþek (fyzických, nebo na obrazovce poþítaþe), které vzniknou jako všechny              možné  kombinace  atributĤ,  resp.  jejich  úrovní.  ýasto  jsou  vedle  písemného              popisu  využívány  také  ilustrace  a  fotografie.  Tyto  kartiþky  –  profily  –  tak              pĜedstavují popis varianty výrobku a úkolem respondentĤ je jednotlivé profily              ohodnotit podle toho, jak je celkovČ preferují – napĜ. hodnocením pomocí škály              nebo prostým seĜazením profilĤ od nejžádanČjšího po nejménČ preferovaný, þi              porovnáváním vždy dvojice profilĤ. Pro zajímavost, pĜi komerþních výzkumech              provádČných  v EvropČ  výraznČ  pĜevažovalo  použití  škál  (70  %)  nad              seĜazováním profilĤ (22 %) (Wittink a kol., 1994). Full profile se tato metoda              nazývá  proto,  že  respondent  musí  ohodnotit  všechny  pĜedložené  kartiþky              (profily).              Jednoduchou matematikou lze vyvodit, že i pĜi malém poþtu atributĤ a malém              poþtu  úrovní  (viz  uvedené  doporuþení  jejich  co  nejmenšího  poþtu)  vznikne              rozsáhlý soubor profilĤ, které musí respondenti ohodnotit. NapĜ. pracujeme-li se                                                                      6              šesti atributy vždy po tĜech úrovních, výsledný poþet je dám vztahem 3 =729.              Tento  problém  lze  eliminovat  tím,  že  místo  všech  profilĤ  (mluví  se  o  full              factorial  design)  se  použije  jen  vybraná  þást  z nich.  PĜi  tomto  tzv.  fractional              factorial designu  se  vytvoĜí  a  použije  ortogonální  pole,  což  je  zvláštní              podmnožina  všech  možných  kombinací  úrovní  atributĤ,  „pĜi  níž  se  vyskytuje              každá úroveĖ jednoho atributu v kombinaci s každou úrovní jiného atributu se              stejnou, þi  alespoĖ  proporcionální  þetností,  což  zajišĢuje  nezávislost  hlavních              efektĤ a nedochází ke ztrátČ informací“ (ýermáková, 2003). Výsledkem je, že              z ortogonálního  pole  lze  statisticky  odhadnout  všechny  hlavní  údaje,  podobnČ              jako  bychom  použili  full  factorial  design.  Pro  výše  uvedený  pĜíklad  bychom              místo se 729 profily pracovali s 18 profily (Kotri, 2006).              Celkový poþet profilĤ, které mají respondenti hodnotit, by nemČl pĜesahovat 30              (Hair  a  kol.,  2010,  str.  429),  neboĢ  s rostoucím  poþtem  klesá  soustĜedČnost              respondentĤ  i  þas,  který  vČnují  posuzování  jednotlivých  profilĤ,  a  tím  klesá              kvalita  získaných  dat  (Leigh  a  kol.,  1984).  Minimální  poþet  profilĤ  je  dán                                             127","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          vztahem: celkový poþet úrovní (za všechny atributy) – poþet atributĤ +1 (Hair          a kol.,  2010).  Dále  je  tĜeba  eliminovat  nerealistické  profily,  které  mohou          respondenty zmást – napĜ. profil pĜedstavující technické vlastnosti, které v dané          kombinaci  nejsou  dosažitelné,  nebo  profil  výraznČ  cenovČ  nadsazený          (Grünwald, 2010). Doporuþuje se také obmČĖovat poĜadí uvádČných atributĤ na          kartiþkách,  protože  poĜadí  mĤže  ovlivnit  vnímání  dĤležitosti.  Prakticky  to          znamená  dát  rĤzným  respondentĤm  sady  kartiþek,  které  obsahují  sice  stejné          profily, ale které se liší právČ poĜadím vlastností popisujících produkt.          Tento „tradiþní“ postup CA byl zdokonalen v 80. letech (viz dále), pĜesto má          oproti  dalším  verzím  své  výhody,  pĜedevším  v  nižších  nákladech  (cena  za          software,  personální  náklady,  potĜebný þas),  a  díky  tomu  je  ze  strany          výzkumných spoleþností nejlépe hodnocený (Hartman, Sattler, 2002).          Hybridní conjoint analýza          Tato verze je hybridní proto, že spoþívá v kombinaci CA s pĜímým hodnocením          užitku. Respondenti proto vedle samotné CA hodnotí pĜímo jednotlivé úrovnČ          atributĤ  (zamítají  nepĜijatelné  úrovnČ  atributĤ).  Výsledné  odhady  užitkĤ  pak          vycházejí  z obou  postupĤ.  Hybridní  CA  se  používá  zejména  v situaci,  kdy  je          nezbytné pracovat s více (než šesti) atributy.          Discrete Choice-based Modelling           Je postup, který je v praxi využíván nejþastČji (Hartman, Sattler, 2002). Jedním          z dĤvodĤ patrnČ bude skuteþnost, že je nejpĜíjemnČjší pro respondenty, protože          ti  musí  pouze  vybírat  jeden  profil  z nČkolika  pĜedložených  profilĤ.  PopĜípadČ          nezvolit  žádný,  þímž  dávají  najevo,  že  by  ve  skuteþnosti  nekoupili  nic.  Tato          možnost  tak  CA  víc  pĜibližuje  realitČ.  Nevýhodou  pak  je,  že  množství          informace, které se tímto získá, je menší než pĜi pĜedchozích postupech. Navíc          se zde vychází z full factorial design, tedy úplné kombinace atributĤ, a proto,          aby dotazování bylo únosné, se využívá Discerte Choice Modelling pĜi malém          poþtu  atributĤ  a  úrovní.  Je  ale  tĜeba  dodat,  že  vývoj  v oblasti  statistky          (a následnČ  pak  v nabízeném  software  pro  CA)  nČkterá  slabá  místa  eliminuje          (MarketVision Research).          Další typy profilĤ používaných v CA           Vedle profilĤ (karet), které se používají pro výpoþet užitkĤ v CA, se vytváĜejí          ještČ  i  tzv.  hold-out  profily,  což  jsou  kombinace  úrovní  atributĤ,  které          respondent  hodnotí  navíc.  Jejich  vzhled  je  obdobný  jako  u  ostatních  profilĤ,          a tak  jsou  z hlediska  respondenta  jen  dalším  z profilĤ,  které  hodnotí.  Jejich          smysl  je  ale  v tom,  že  na  jejich  základČ  se  poþítá  spolehlivost  (validita)          provedené  CA,  tedy  odhadnutého  modelu  užitku.  Poþet  tČchto  ovČĜovacích          profilĤ si stanovuje výzkumník sám.                                          128","III. Empirická studie založená na conjointní analýze              TĜetím  druhem  profilĤ  jsou  simulaþní  profily,  které  respondenti  nehodnotí              a které  pĜedstavují  kombinaci  úrovní  atributĤ  odpovídající  napĜ.  plánovanému              novému  výrobku.  CA  vypoþte  v tomto  pĜípadČ  odpovČć  na  otázku,  jak  moc              tento výrobek bude preferovaný, tj. jaký užitek zákazníkĤm pĜinese ve srovnání              s ostatními zkoumanými produkty.              Užitek v conjointních modelech               PĜi  výpoþtu  CA  je  potĜeba  definovat  teoretické  vlastnosti  modelu  užitkĤ,  tj.              funkci  vztahu  mezi  užitkem  a  sledovaným  atributem.  Pracuje  se  tĜemi  typy:              lineární  prĤbČh  užitku  (linear  preferences),  ideální  (jde  o  U-kĜivku,  a  tedy              pĜedpoklad, že atribut nabývá optima v urþitém bodu), diskrétní (pro nominální              promČnné, anglicky part-worth preferences) (Green a kol., 2001).              Obrázek 8-1: Vztahy atributĥ k užitku                             Množství atributu     Množství atributu    Vybrané úrovnČ atributu              Zdroj: Green a kol., 2001              8.2.4 Výpoÿet dĥležitosti atributĥ              Výsledkem  CA  jsou  údaje  o  velikosti  užitkĤ  pro  jednotlivé  atributy  a  jejich              úrovnČ.  Velikost  hodnoty  užitku  sama  o  sobČ  nemá  význam,  neboĢ  se  jedná              o bezrozmČrnou veliþinu. Je ale možné porovnávat rozdíly mezi užitky rĤzných              úrovní  atributu,  a  to  i  mezi  atributy  navzájem,  protože  škály  jsou  jednotné              i napĜíþ  atributy.  Díky  tomu  lze  vypoþítat  dĤležitost  atributu  pro  spotĜebitele,              a to  na  základČ  rozdílu  mezi  jeho  nejvyšším  a  nejnižším  užitkem  (spojeným              s úrovnČmi tohoto atributu). Toto rozpČtí se vydČlí sumou identicky spoþítaných              rozpČtí za všechny atributy, viz následující vzorec:                     Kde: Op je relativní význam atributu;              max u p je užitek nejvíce preferovaného atributu;              min u p je užitek nejménČ preferovaného atributu (Kotri, 2006).                                              129","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          DĤležitost  atributĤ  je  pak  vyjádĜena  v procentech  a  celkový  souþet  je  100  %.          ZjednodušenČ Ĝeþeno,  pĜedpokládá  se,  že  dĤležitČjší  je  ten  atribut,  který  má          nejvČtší rozpČtí užitku mezi nejménČ a nejvíce žádanou úrovní tohoto atributu.           Obrázek 8-2: Pĝíklady výpoÿtu dĥležitosti atributĥ                                Zdroj: Orme, 2010           Protože užitky atributĤ je možné sþítat, lze také vypoþítat úroveĖ užitku, která je          spojena s konkrétní variantou produktu, tj. s konkrétní kombinací atributĤ (jejich          hodnot),  což  má  smysl  pĜi  porovnání  užitkĤ,  které  pĜinášejí  dvČ  varianty          produktu. Dá se spoþítat i užitek takové varianty produktu (kombinací atributĤ),          kterou  respondenti  nehodnotili  (napĜ.  zamýšlenou  inovaci  výrobku)  –  pak  se          mluví o simulaþní funkci CA (viz zmínČný simulaþní profil).          8.2.5 Velikost vzorku          Cattin  a  Wittink  (1982)  uvádČjí,  že  v komerþní  praxi  jsou  velikosti  vzorku          v intervalu 100 až 1000 (nejþastČji pak 300 až 550), nebo i pod 100 respondentĤ.          Je zĜejmé, že velikost výbČrového vzorku bude ovlivnČna Ĝadou faktorĤ a teprve          s ohledem  na  nČ  lze  formulovat  konkrétnČjší  doporuþení.  Tyto  faktory  jsou          z velké  þásti  shodné  s tČmi,  které  platí  pro  obecné  stanovení  velikosti          výzkumného vzorku pĜi výbČrových statistických šetĜeních. Orme (2010) uvádí          jejich výþet formou otázek, které si musí výzkumník položit:             x Co  konkrétnČ  se  má  pomocí  CA  zjistit:  hodnoty  užitkĤ  pro  jednotlivé               úrovnČ atributĤ, preference pro produkt, þi odlišnosti v preferencích mezi               skupinami osob?                                           130","III. Empirická studie založená na conjointní analýze                  x Jsou oþekávané rozdíly mez atributy, produkty þi skupinami osob malé, þi                   velké?                 x S jakou  úrovní  spolehlivosti  se  bude  pracovat?  99  %,  95  %,  þi  pouze                   90 %?                 x Jak je velká populace (základní soubor)?                 x Jaký typ CA bude použit a jaká bude zátČž respondentĤ?                 x Zajímají nás výsledky za celek, nebo i za jednotlivé skupiny respondentĤ?                 x Jak moc jsou trh a preference spotĜebitelĤ homogenní?                 x Jak  bude  vybrán  výbČrový  soubor  (náhodný  výbČr  vs.  convenience                   sample)?                 x Jaký je report výzkumu?              Dodejme, že otázka týkající se zátČže respondentĤ souvisí s tím, že výzkumník              si pĜi CA volí, kolik profilĤ bude pĜedloženo respondentovi k hodnocení. VČtší              poþet  profilĤ  znamená  vČtší  množství  získaných  dat,  a  díky  tomu  i  pĜesnČjší              výsledky,  což  v dĤsledku  snižuje  potĜebu  velkého  výzkumného  vzorku  (Hair              a kol. 2010, str. 435). Diskuzi Orme uzavírá doporuþením, aby vzorek þítal 300              respondentĤ, pokud jsou požadovaným cílem robustní závČry. To je v souladu se              zjištČním, že nČmecké výzkumné spoleþnosti pĜi CA používají vzorky s 10 až              600 respondenty, nicménČ medián je právČ 300 (Hartman, Sattler, 2002). Hair              a kol. (2010) doporuþují velikost o 200 respondentech.              Naopak  pro  exploratorní  úþely þi  pro  formulaci  hypotéz  staþí  30  až  60              respondentĤ  (Orme,  2010).  Je-li  cílem  výzkumu  identifikace  rozdílĤ  mezi              skupinami  spotĜebitelĤ,  tak  pro  každou  ze  skupin  je  tĜeba  poþítat  s 200              respondenty (Orme, 2010).                8.3  Koncept experimentu              8.3.1 Definice atributĥ               Jak bylo Ĝeþeno, cílem experimentu bylo zjistit dĤležitost faktorĤ pro nákupní              rozhodování  spotĜebitelĤ  na  internetu.  Vzhledem  k  omezením  tradiþní  CA              a k zabránČní  pĜetČžování  respondentĤ  bylo  tĜeba  omezit  poþet  zkoumaných              atributĤ  (faktorĤ)  a  souþasnČ  i  jejich  úrovní.  Výsledkem  byl  návrh  v podobČ              6 krát  2,  tj.  šest  atributĤ  vždy  po  dvou  úrovních.  Stejný  poþet  úrovní  napĜíþ              atributy  má  tu  výhodu,  že  nezkresluje  výsledné  dĤležitosti  atributĤ  (viz  Hair              a kol.  2010,  s.  425).  Definice  atributĤ  a  jejich  úrovní  zachycuje  Tabulka  8-4.              ÚrovnČ byly zvoleny tak, aby odrážely jednak bČžné podmínky na trhu, jednak              podmínky  nadstandardní,  ve  smyslu  výhodné  pro  zákazníka.  PĜi  stanovení              prĤmČrného  hodnocení  výrobku  uživateli  internetu  (user  reviews)  byl  zvolen                                             131","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          rozdíl pĤl bodu, což je hodnota, kterou považujeme za realistickou a souþasnČ          dostateþnČ velkou, aby signalizovala rozdílnou vnímanou kvalitu.          Tabulka 8-4: Charakteristika atributĥ experimentu                                                              PĜedpokládaný                        Atribut          ÚrovnČ atributu                                                              vztah k užitku                                                 2 roky + 1 rok                      Záruþní lhĤta   2 roky                 Lineární pozitivní                                                    navíc          Délka lhĤt    LhĤta na                       vrácení bez    2 týdny      4 týdny   Lineární pozitivní                      udání dĤvodu                                   Odeslání poštou   Servis na místČ                        Realizace                       reklamace    s vyplnČným  po telefonické   Diskrétní          Transakþní                formuláĜem     domluvČ          náklady       Kupon za                 10% sleva na                       oprávnČnou     Žádný       další nákup   Lineární pozitivní                       reklamaci                     Znaþka výrobku  No name       Philips   Lineární pozitivní          Vnímaná          kvalita      Hodnocení          (reference)   výrobku na     1,8           2,3     Lineární negativní                        internetu          Zdroj: autor          U atributĤ pĜedpokládáme lineární vztah k užitku – úrovnČ uvedené napravo (viz          Tabulka  8-4)  budou  zákazníky  preferovány,  a  proto  budou  spojeny  s vyšším          užitkem.  Atribut  „hodnocení  výrobku  na  internetu“  má  opaþnou  polaritu  a          odpovídá  hodnocení  „školní“  známkou  1  až  5,  tj.  nižší  hodnota  pĜináší  vČtší          užitek.  Zvláštní  pozici  má  atribut  „realizace  reklamace“,  která  je  þistČ          nominálního charakteru, a proto mezi úrovnČmi pĜedem nepĜedpokládáme žádné          preference.          Jako typ hodnoceného výrobku byl zvolen domácí vysavaþ, neboĢ:             x JistČ témČĜ všichni respondenti s ním mají zkušenost.             x Pokud jej již nenakupovali, není dĤvod domnívat se, že by si tuto situaci               neumČli realisticky pĜedstavit.             x Jde  o  výrobek  stĜednČdobé  spotĜeby,  a  tudíž  má  smysl  zkoumat  délku               záruþní lhĤty.              x Jeho cena není zanedbatelná, a proto lze pĜedpokládat, že pĜi jeho koupi               zákazníci zváží i racionální argumenty.             x Tento výrobek není nakupován spontánnČ ani ze zvyku.                                             132","III. Empirická studie založená na conjointní analýze              8.3.2 Zdĥvodnční použité verze conjointní analýzy               Pokud  bychom  použili  full  factorial  design,  tedy  úplný  výþet  kombinací                                                 2              atributĤ, respondenti by museli hodnotit 6 = 36 profilĤ. Aby se snížila jejich              zátČž,  pracovali  jsme  pouze  s podmnožinou  tČchto  profilĤ,  tzv.  ortogonálním              polem  (fractional  functional  design)  o  osmi  profilech.  K nim  byly  pĜidány              2 holdout  profily,  které  sloužily  k ovČĜování  pĜesnosti  výpoþtu  CA.  Celkem              respondenti hodnotili 10 profilĤ, které byly pro respondenty pojmenovány jako              A až I. V následujících analýzách jsou ale oznaþeny þíslem 1 až 10.               Tabulka 8-5: Zápis ve skriptovacím jazyku SPSS pro vygenerování ortogonálního              pole              *Generate Orthogonal Design.              SET SEED 100.              ORTHOPLAN               /FACTORS=zarucni_lhuta 'Záruþní lhĤta' (1 '2 roky' 2 '2 roky + 1 rok navíc') kupon 'Kupon              za oprávnČnou reklamaci' (0 'Žádný'                  1 ' 10 % sleva na další nákup') bez_duvodu 'LhĤta na vrácení bez dĤvodu' (0 '2 týdny' 1 '4              týdny') znacka 'Znaþka výrobku' (0                  'No name' 1 'Phillips') naklady 'Realizace reklamace' (0 'Odeslání poštou s vyplnČným              formuláĜem' 1 'Servis na místČ po telefonické domluvČ')                  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  poĜadí  od  nejvíce  až  po  nejménČ              preferované.  Tento  zpĤsob  (rank  ordering)  je  pro  respondenty  jednodušší              a souþasnČ  je  nutí  k ostĜejšímu  vyjádĜení  preferencí,  než  je  tomu  v pĜípadČ              hodnocení jednotlivých profilĤ pomoci bodĤ (skórovací metoda), kde dva rĤzné              profily mohou získat stejný poþet bodĤ. Nevýhodou je naopak nutnost provést              dotazování  fyzicky  za  pomoci  vytištČných  kartiþek  (viz  Hair  a  kol.,  2010,              str. 431).              Profily (alternativy produktĤ) tak byly vytvoĜeny v podobČ papírových kartiþek              a ty byly dány respondentĤm spolu s dotazníkem, který popisoval rozhodovací              situaci  a  respondenti  do  nČj  zapsali  výsledky  svého  fiktivního  rozhodování.              Tento  dotazník,  který  od  respondentĤ  vyžadoval  vyplnit  odpovČdi  na  dvČ              otázky, byl souþástí dotazníku využitého v dalších prezentovaných empirických              studiích, a proto neobsahuje další otázky (napĜ. na identifikaci respondenta) ani              úvodní oslovení respondenta (viz Obrázek 8-3).                                                   133","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          Obrázek 8-3: Použitý dotazník a instrukce k nčmu              –±–‘ ’‘•Ž‡†À «ž•–‹ †‘–ƒœÀ— •‹ ’”‘•À ’⇆•–ƒ˜–‡ •‹–—ƒ…‹ǡ ā‡ •‹           ˜ ‹–‡”‡–‘˜ý…Š ‘„…Š‘†‡…Š ˜›„À”ž–‡ ˜›•ƒ˜ƒ«Ǥ  ‘†Ž‡  ƒæ‹…Š –‡…Š‹…ý…Š           ƒ ˜œŠŽ‡†‘˜ý…Š ’‘āƒ†ƒ˜õ •‡  ž ˜ý„³” œïā‹Ž ƒ ͳͲ ‘†‡Žõǡ –‡”± ˜æ‡…Š›            ƒæ‡ ’‘āƒ†ƒ˜› •’ŽÒ—ŒÀǡ ƒ •’ŽÒ—ŒÀ Œ‡ •–‡Œ³Ǥ  ‘œ†ÀŽ› ‡œ‹ –³‹–‘ ͳͲ           ƒ„À†ƒ‹ ƒŽ‡ ‡š‹•–—ŒÀǡ ƒ –‘ ˜ –³…Š–‘ ‘ŠŽ‡†‡…Šǣ                Ȍ Zna«ka výrobceǣ  ³–‡”± ˜›•ƒ˜ƒ«‡ Œ•‘— ˜ý”‘„› •’‘Ž‡«‘•–‹  Š‹Ž‹’•ǡ Œ‹±                ’‘³”³ ‡œžý…Š ˆ‹”‡ Ȃ –› Œ•‘— ‘œƒ«‡› Œƒ‘ Ƿ ‘ ƒ‡DzǤ               Ȍ Lhõta na vrácení bez udání dõvoduǣ  ‘†Ž‡ œž‘ƒ ž •’‘–⇄‹–‡Ž ’”ž˜‘ ˜”ž–‹–                ˜ý”‘„‡ œƒ‘—’‡ý ’⇕ ‹–‡”‡– ‘„…Š‘†À‘˜‹ ƒ œÀ•ƒ– œ’³– •˜± ’‡Àœ‡Ǥ   –‘                ‹ ˜ •‹–—ƒ…‹ǡ †› Œ‡ ˜ý”‘„‡ ’Ž³ ˆ—«ÀǤ  ³–‡âÀ ‘„…Š‘†À…‹ ƒ„Àœ‡ŒÀ À•–‘                ’‘˜‹± †˜‘—–ý†‡À ŽŠõ–› †‡ŽæÀ «ƒ• ȋͶ –ý†›Ȍǡ ƒ„› •‡ •’‘–⇄‹–‡Ž ‘ŠŽ ˜ Ž‹†—                ”‘œŠ‘†‘—–ǡ œ†ƒ Œ‡ • ˜ý”‘„‡ •’‘‘Œ‡ýǤ               Ȍ Záru«ní lhõtaǣ  ³–‡”± ˜›•ƒ˜ƒ«‡ Œ•‘— ƒ„Àœ‡› • ’”‘†Ž‘—ā‡‘— œž”—‘— ȋ‡ā                ˜›āƒ†—ŒÀ «‡•± œž‘›Ȍǡ ƒ –‘ ‘ Œ‡†‡ ”‘Ǥ               Ȍ Kupon za oprávn³nou reklamaciǣ  ”‘†‡Œ…‹ ³–‡”ý…Š ˜›•ƒ˜ƒ«õ ’‘•›–—ŒÀ                •Ž‡˜‘˜ý —’‘ ˜‡ ˜ýæ‹ ͳͲ Ψ ƒ †ƒŽæÀ ž—’ǡ ’‘—† ³Ž •’‘–⇄‹–‡Ž –— •õŽ—ǡ ā‡                œƒ‘—’‹Ž ˜ƒ†ý ˜ý”‘„‡ǡ ‡„‘ •‡ — ’‘ƒœ‹ŽǤ  ‡ –‘ ˆ‘”ƒ ‘Ž—˜› ƒ žŠ”ƒ†ƒ œƒ                ‘’Ž‹ƒ…‡ǡ –‡”± •’‘–⇄‹–‡Ž‹ ˜õŽ‹ ”‡Žƒƒ…‹ ˜›˜•–ƒŽ›Ǥ               Ȍ Realizace reklamaceǣ  ’‘–⇄‹–‡Ž —•À ˜›’Ž‹– ˆ‘”—Žžâǡ œƒ„ƒŽ‹– ˜›•ƒ˜ƒ«                ƒ ’‘•Žƒ– Œ‡Œ ’‘æ–‘— ‘„…Š‘†À‘˜‹Ǥ   «ž•–‹ ˜›•ƒ˜ƒ«õ Œ‡ ƒŽ‡ ”‡Žƒƒ…‡ ˜›â‹œ‘˜žƒ                –ƒǡ ā‡ ’‘ –‡Ž‡ˆ‘‹…± †‘Ž—˜³ •’‘–⇄‹–‡Ž‡ ƒ˜æ–À˜À ‘’”ƒ˜žâ ƒ ’‘—•À •‡ ƒ                À•–³ œŒ‹•–‹– ƒ ‘†•–”ƒ‹– ’‘”—…Š—ǡ ‡„‘ ˜›•ƒ˜ƒ« ‘†˜‡œ‡ †‘ •‡”˜‹•—Ǥ               Ȍ Hodnocení výrobku na internetuǣ  ‡ •–”ž‡ ‹–‡”‡–‘˜ý…Š ‘„…Š‘†õ Œ•–‡ ˜›«‡–Ž‹                œž›ǡ –‡”ý‹ ‘Š‘†‘–‹Ž‹ ƒ‘›À Ž‹†± œ—懐‘•–‹ • ˜›•ƒ˜ƒ«‹Ǥ  ‡†ž •‡                ‘ ’”õ³”‘— œž—ǡ †‡ ͳ œƒ‡ž ˜ý„‘”³ ƒ ͷ ‡†‘•–ƒ–‡«³ ȋ–ŒǤ ˜‡Ž‹                撃–ž œ—懐‘•–ȌǤ            ”‘ŠŽ±†³–‡ •‹ ’â‹Ž‘ā‡± ’‘’‹•› ˜›•ƒ˜ƒ«õ ƒ •‡âƒ®–‡ Œ‡ ’”‘•À ’‘†Ž‡ •˜ý…Š ’”‡ˆ‡”‡…ÀǤ  ŒǤ          –‡”ý ˜›•ƒ˜ƒ« „›•–‡ ‘—’‹Ž‹ ƒ ’”˜Àǡ †”—Š± ƒ †ƒŽæÀ…Š À•–‡…ŠǤ  ‘ ’‘ŽÀ«‡ —˜‡®–‡          ’À•‡ƒǡ –‡”ž ‘œƒ«—ŒÀ ’âÀ•Ž—搑— ƒŽ–‡”ƒ–‹˜—ǡ ƒ’âǤ Ƿ Dz ’”‘  ›•ƒ˜ƒ«  Ǥ            ‘⃆Àǡ ˜ Œƒ± „›•–‡ •‡ ”‘œŠ‘†Ž‹ œƒ‘—’‹– Œ‡†‘–Ž‹˜± ˜›•ƒ˜ƒ«‡ǣ           ͳǤ ˜‘Ž„ƒ   ʹǤ ˜‘Ž„ƒ   ͵Ǥ ˜‘Ž„ƒ   ͶǤ ˜‘Ž„ƒ   ͷǤ ˜‘Ž„ƒ  ͸Ǥ ˜‘Ž„ƒ  ͹Ǥ ˜‘Ž„ƒ  ͺǤ ˜‘Ž„ƒ  ͻǤ ˜‘Ž„ƒ   ͳͲǤ ˜‘Ž„ƒ                ƒ ’‘•Ž‡†À ”‘ Œ•‡ ƒ‘—’‹Ž ³Œƒý ˜ý”‘„‡                                                        ‹ Œ‡†‘—   ͳ”ž–   ʹ”ž–   ͵ǦͶ”ž–   ͷǦ͸”ž–   ͹Ǧͻ”ž–    À…”ž–           ˜ ‹–‡”‡–‘˜± ‘„…Š‘†—ǣ          Zdroj: autor                                               134","III. Empirická studie založená na conjointní analýze              Obrázek 8-4: Profily hodnocených produktĤ                           Vysavaē A                     Vysavaē B                            Phillips                     No name                        2 týdny na vrácení            4 týdny na vrácení                     Záruka 2 roky + 1 rok navíc      Záruka 2 roky                  10% sleva na nákup pƎi reklamaci   10% sleva na nákup pƎi reklamaci                    Reklamace zasláním poštou      Reklamace u zákazníka                      Hodnocení:  1,8 bodƽ          Hodnocení:  1,8 bodƽ                           Vysavaē C                     Vysavaē D                           No name                       Phillips                        4 týdny na vrácení            4 týdny na vrácení                     Záruka 2 roky + 1 rok navíc   Záruka 2 roky + 1 rok navíc                  10% sleva na nákup pƎi reklamaci                    Reklamace zasláním poštou      Reklamace u zákazníka                      Hodnocení:  2,3 bodƽ          Hodnocení:  1,8 bodƽ                           Vysavaē E                     Vysavaē F                            Phillips                     No name                        2 týdny na vrácení            2 týdny na vrácení                         Záruka 2 roky                Záruka 2 roky                   10% sleva na nákup pƎi reklamaci                      Reklamace u zákazníka       Reklamace zasláním poštou                      Hodnocení:  2,3 bodƽ          Hodnocení:  1,8 bodƽ                           Vysavaē G                     Vysavaē H                           No name                       Phillips                        2 týdny na vrácení            4 týdny na vrácení                     Záruka 2 roky + 1 rok navíc      Záruka 2 roky                       Reklamace u zákazníka       Reklamace zasláním poštou                      Hodnocení:  2,3 bodƽ          Hodnocení:  2,3 bodƽ                           Vysavaē CH                    Vysavaē I                           No name                       Phillips                        4 týdny na vrácení            2 týdny na vrácení                     Záruka 2 roky + 1 rok navíc   Záruka 2 roky + 1 rok navíc                  10% sleva na nákup pƎi reklamaci   10% sleva na nákup pƎi reklamaci                      Reklamace u zákazníka        Reklamace u zákazníka                      Hodnocení:  2,3 bodƽ          Hodnocení:  2,3 bodƽ               Pozn.: Kartiþky pĜi zpracování dat pĜeþíslovány z A až I na 1 až 10 pĜi zachování pĤvodního              poĜadí. Kartiþky 9 a 10 (CH a I) byly holdout profily.              Zdroj: autor                                            135","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          8.3.3 Výzkumný vzorek a kontrola vstupních dat           Data pro CA se sbírala souþasnČ s údaji pro empirické studie založené na SEM          (viz  pĜedcházející  kapitoly).  Protože  to  ale  nebylo  ve  všech  pĜípadech,  je          výsledný  vzorek  menší.  Místo  252  bylo  získáno  173  kompletnČ  vyplnČných          dotazníkĤ. Pro zpĤsob tvorby výzkumného vzorku platí stejné argumenty, jako          byly  uvedeny  v kapitole  5.1.  Zde  proto  jen  zopakujme,  že  respondenty  byli          studenti Ekonomicko-správní fakulty Masarykovy univerzity, kteĜí studovali jak          denní, tak i kombinovanou formu studia, a to v kvČtnu a þervnu 2010.          Pokud testovaný model pĜedpokládá lineární vztahy mezi rĤstem úrovnČ atributu          a  užitku,  mohou  se  mezi  odpovČćmi  respondentĤ  najít  takové,  které  jsou          v rozporu s teoretickým oþekáváním. Místo aby urþitá úroveĖ znamenala napĜ.          vyšší  užitek,  mĤže  výsledek  na  úrovni  jednotlivce  ukazovat  opak  –  mluví  se          o tzv.  reversals.  Jde  tedy  o  pĜípady,  které  popírají  pĜedpokládané  vztahy  þi          o anomálie zpĤsobené napĜ. nesoustĜedČností respondenta.          Ve  zkoumaných  datech  se  tyto  pĜípady  také  objevily.  KonkrétnČ  u  jednoho          respondenta  byly  všechny  vztahy  v protikladu  s modelem  –  tj.  pČt  lineárních          vztahĤ  mČlo  opaþný  prĤbČh  (vyšší  hodnota  atributu  znamenala  menší  užitek          a naopak). U osmi respondentĤ byly v protikladu tĜi vztahy. Protože jde o pČt          procent  pĜípadĤ  (9  ze 173  respondentĤ),  tedy  o  zanedbatelný  poþet  pĜípadĤ,          které ale „zbyteþnČ“ mohou znehodnocovat výsledky, byli tito respondenti z CA          vylouþeni (což je sice krajní postup, ale literatura jej pĜipouští – viz Hair a kol.,          2010, s. 445). Ve výsledných výpoþtech tak zĤstali respondenti, kteĜí odpovídali          v souladu  s oþekáváním  (47  %  všech  respondentĤ)  a  kteĜí  byli  v rozporu          s jedním pĜedpokladem (32 %) nebo se dvČma (16 %). V þem se tyto poslední          dvČ  jmenované  skupiny  nejþastČji  rozcházely  s modelem,  uvádí následující          Tabulka 8-6.          Tabulka 8-6: Poÿty tzv. „reversals“                          Poþet odpovČdí v rozporu s pĜedpoklady                        Atribut  Hodnocení výrobku na internetu   56                               LhĤta na vrácení bez udání dĤvodu 26                               Záruþní lhĤta              11                               Kupon za oprávnČnou reklamaci   9                               Znaþka výrobku              8                               Realizace reklamace         0                       Zdroj: autor          S výraznou pĜevahou je nejþastČji zpochybĖována pĜedstava, že lepší hodnocení          výrobku  mezi  uživateli  internetového  obchodu  znamená  vyšší  užitek.  Tento          výsledek mĤže být odrazem dvou skuteþností: jednak hodnocení výrobkĤ, která          udávají  prodejci  na  svých  stránkách,  mohou  být  velmi  spekulativní  co  do          hodnovČrnosti,  proto  by  tento  faktor  mohl  být  považován  za  ménČ  dĤležitý                                         136","III. Empirická studie založená na conjointní analýze              a respondenti mu nemuseli vČnovat pozornost. Druhou pĜíþinou mĤže být smČr              škály  u  tohoto  parametru.  Zatímco  u  ostatních  popisovaných  atributĤ  víc              znamenalo vyšší užitek, zde byla polarita opaþná – vyšší þíslo znamenalo horší              známku, a tak je možné, že nČkteĜí respondenti tento ukazatel mylnČ zamČnili za              pozitivnČ mínČné body, aþkoliv bodování bylo v instrukcích vysvČtleno. Chyba              tak  mĤže  spoþívat  v komplikované  formulaci  v dotazníku.  Výsledných  164              dotazníkĤ  bylo  zpracováno  v SPSS  postupem,  který  obsahuje  Tabulka  8-7              a který odráží teoretický model užitku, jak uvádí Tabulka 8-4.              Ve  výsledném  výzkumném  vzorku  byli  rovnomČrnČ  zastoupeni  muži  a  ženy              v pomČru  52  %  k 48  %.  Jejich  prĤmČrný vČk byl 25 let (medián 23 let), což              znamená, že vČtšina respondentĤ patĜila do vČkové kategorie spotĜebitelĤ, kteĜí              v ýeské republice nakupují na internetu nejþastČji – a to i nČkolikrát do mČsíce,              jak dokládá prĤzkum z roku 2012 (GfK, 2012). To potvrzuje i þetnost nákupĤ na              internetu,  jak  ji  uvedli  respondenti  –  vČtšina  z nich  tak  þiní  nČkolikrát  za  rok              (Obrázek  8-6).  Z pohledu  zkušeností  s internetovým  nakupováním  mĤžeme              výzkumný vzorek hodnotit jako vhodný pro zkoumání pĜedmČtné problematiky.              Dodejme,  že  mezi  ženami  a  muži  v tČchto  charakteristikách  nebyly  rozdíly,              rovnČž se neprokázaly statisticky významné rozdíly dle typu studia ve vzorku.                Obrázek 8-5: Respondenti z hlediska včku (n = 162)                                                 Zdroj: autor                                                     137","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          Obrázek 8-6: þetnosti nákupu prostĝednictvím internetu za rok                                    Zdroj: autor          Tabulka 8-7: Zápis modelu ve skriptovacím jazyku SPSS pro výpoÿet užitkĥ                       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          8.3.4 Výsledky conjointní analýzy na agregované úrovni           První  vyhodnocení  je  provedeno  pomocí  þetností  –  do  vztahu  jsou  dány          jednotlivé  profily  a  jejich  umístČní  v seĜazených  preferencích.  Tabulka  8-8          ukazuje, že v 57 pĜípadech (34 %) respondenti uvedli na prvním místČ profil þ. 4          a za ním profil þ. 10.          Tabulka 8-8: Poĝadí jednotlivých profilĥ          ýetnosti  profil 4   profil 10   profil 1   profil 9   profil 2   profil 8   profil 3   profil 7   profil 5   profil 6          v  %            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. volba   1 %   1 %   0 %   0 %   2 %   13 %   5 %   16 %   1 %   60 %          Zdroj: autor                                         138","III. Empirická studie založená na conjointní analýze              ÚrovnČ  nejžádanČjšího  a  nejménČ  žádaného  profilu  odpovídají  pĜedpokladĤm              o žádoucí úrovni atributĤ, jak ukazuje Tabulka 8-9.              Tabulka 8-9: Profily nejvíce a nejménč žádaných produktĥ              Atributy                 NejpreferovanČjší    NejménČ preferovaný                                       profil þ. 4          profil þ. 6              Záruþní lhĤta            Záruka 2 roky + 1 rok navíc   Záruka 2 roky              LhĤta na vrácení bez udání dĤvodu   4 týdny na vrácení   2 týdny na vrácení              Realizace reklamace      Reklamace u zákazníka   Reklamace zasláním poštou              Kupon za oprávnČnou reklamaci   –             –              Znaþka výrobku           Philips              No name              Hodnocení výrobku na internetu   Hodnocení: 1,8 bodĤ  Hodnocení: 1,8 bodĤ              Zdroj: autor              Experiment  prokázal,  že  ze  zvolených  atributĤ  má  pro  zákazníky  nejvČtší              význam  znaþka  výrobku  (konkrétnČ  vysavaþ  Philips  vs.  „no  name“)  (viz              Tabulka 8-10, 2. sloupec). SrovnatelnČ velký význam má hodnocení výrobku na              internetu.  Další  tĜi  atributy  týkající  se  reklamací  mají  pĜibližnČ  shodnou              dĤležitost. NejménČ významný atribut je lhĤta na vrácení bez udání dĤvodu.              PĜi  popisu  logiky  výpoþtu  dĤležitosti  atributĤ  bylo  Ĝeþeno,  že  dĤležitosti              jednotlivých atributĤ jsou odvislé od rozpČtí užitkĤ, které pĜinášejí jejich nejvíce              a  nejménČ  preferované  úrovnČ  (v  tomto  pĜípadČ  jde  o  rozdíl  právČ  dvou              definovaných  úrovní  pro  každý  atribut).  Tabulka  8-10  (sloupec  odhad  užitku)              tomuto ale neodpovídá. DĤvodem je skuteþnost, že zatímco užitky atributĤ jsou              vypoþítány na agregované úrovni ze všech dat, dĤležitost atributĤ SPSS poþítá              nejprve  pro  každého  respondenta  individuálnČ  a  tyto  výsledky  jsou  následnČ              zprĤmČrovány (PASW® Conjoint 18, 2009).                Obrázek 8-7: Relativní dĥležitost atributĥ                               Zdroj: autor                                                  139","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          Tabulka 8-10: Užitky spojené s jednotlivými atributy                           DĤležitost   ÚrovnČ atributĤ       Odhad    Std.                           atributu                           užitku   Error          Záruþní lhĤta       15,589   2 roky                  1,171   ,058                                       2 roky + 1 rok navíc    2,341   ,116          LhĤta na vrácení bez   9,678   2 týdny                ,000   ,000          udání dĤvodu                 4 týdny                  ,534   ,058          Realizace reklamace   14,000   Odeslání poštou       о,427   ,029                                       s vyplnČným formuláĜem                                       Servis na místČ po       ,427   ,029                                       telefonické domluvČ          Kupon za oprávnČnou  13,979   Žádný                   ,000   ,000          reklamaci                    10 % sleva na další nákup   1,085   ,058          Znaþka výrobku      24,850   No name                  ,000   ,000                                       Philips                 1,918   ,058          Hodnocení výrobku na   21,904   známka 1,8            ,000   ,000          internetu                    známka 2,3              о,491   ,058          (konstanta)                                          1,221   ,108          Zdroj: autor          Odhadnuté hodnoty užitkĤ (Tabulka 8-10) umožĖují vypoþítat užitek plynoucí          z jednotlivých  profilĤ  –  pro  nejžádanČjší  a  naopak  nejménČ  žádaný  jej          vypoþítává  Tabulka  8-11.  PĜi  porovnání  užitkĤ  –  viz  Tabulka  8-11  –          s vlastnostmi profilu þ. 10 je zĜejmé, že jde o ideální variantu produktu.           Tabulka 8-11: Užitek spojený s nejlepším a nejménč žádaným profilem                    Atributy                   Profil þ. 4 Profil þ. 6                    Záruþní lhĤta                  2,341    1,171                    LhĤta na vrácení bez udání dĤvodu  0,534   0                    Realizace reklamace            0,427  о 0,427                    Kupon za oprávnČnou reklamaci     0        0                    Znaþka výrobku                 1,918       0                    Hodnocení výrobku na internetu    0        0                    (konstanta)                    1,221    1,221                    Užitek profilu                 6,441    1,965                  Zdroj: autor           Dodejme, že konstanty uvedené v Tabulka 8-10 a Tabulka 8-11 jsou vypoþteny          pomocí  regresního  modelu.  Jejich  vliv  však  lze  zanedbat.  Protože  užitky  jsou          intervalové promČnné (u tČchto promČnných neexistuje nula), lze užitky spojené          s produkty pouze porovnávat, a proto pĜipoþtení konstanty k celkovému užitku          není nutné a interpretaci neovlivní.                                              140","III. Empirická studie založená na conjointní analýze              8.3.5 Spolehlivost modelu               Testy  potvrzují  spolehlivost  testovaného  modelu  (Tabulka  8-12).  SouþasnČ              výsledky  vypadají  „netradiþnČ“.  Korelace  na  úrovni  1  je  jev,  který  mĤže  být              zpĤsobený tĜemi vlivy (Hair a kol., 2010, str. 463 – mluví o prozkoumání very              high goodness of fit values). První pĜíþinou mĤže být skuteþnost, že respondenti              nevČnovali  hodnocení  profilĤ  pozornost,  díky  þemuž  jsou  výsledky  nic              neĜíkající.  Protože  vypoþtené  užitky  ale  odpovídají  pĜedpokládanému  modelu,              tato  možnost  není  pravdČpodobná.  Stejný  výsledek  korelací  vyplyne  z CA,              pokud  respondenti  pĜi  hodnocení  profilĤ  fakticky  vycházejí  z jednoho  nebo              nČkolika málo atributĤ. TĜetí situace nastane, když se poþet parametrĤ modelu              blíží  poþtu  hodnocených  profilĤ.  V takovém  pĜípadČ  dochází  k znehodnocení              vypoþítaných  korelací  mezi  skuteþnými  a  odhadnutými  hodnotami  modelu              (skóre  jednotlivých  profilĤ).  (Výpoþty goodness  of  fit  nejsou  korigovány              s ohledem na stupnČ volnosti odhadovaného modelu.) V takovém pĜípadČ dává              spolehlivČjší  výsledek  o  kvalitČ  modelu  korelace  týkající  se  holdout  profilĤ              (obecnČ platí, že korelace pro holdout profily jsou menší – PASW® Conjoint              18, 2009).              Tabulka 8-12: Základní ukazatele statistické spolehlivosti                               Ukazatel            Value Sign.                               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  dĤsledkem  faktu,  že  poþet              parametrĤ  modelu  (6  atributĤ  po  dvou  úrovních)  se  blíží  poþtu  hodnocených              profilĤ (8 + dva pomocné – holdouty). Protože výsledky ukazují na spolehlivost              i pĜi holdoutech, lze konstatovat, že kvalita modelu (goodness of fit) je dobrá              a umožĖuje pokládat výsledky za spolehlivé.              Další  možností,  jak  posoudit  spolehlivost  modelu,  je  porovnání  vypoþteného              poĜadí  jednotlivých  profilĤ  (vypoþtená  promČnná  v SPSS  standardnČ  nazvaná              SCORE)  se  skuteþným  obdrženým  poĜadím  pĜíslušného  profilu.  Protože  jsme              celou CA poþítali na úrovni jednotlivcĤ, získali jsme odhady poĜadí profilĤ pro              každého respondenta. Z dotazníkĤ pak pĜímo obdržíme poĜadí udČlené každým              respondentem.  Spolehlivost  modelu  tak  spoþívá  ve  vypoþtení  Spearmanových              korelaþních  koeficientĤ  mezi  tČmito  hodnotami  za  všechny  respondenty              (n = 164). Výsledky potvrzují dobrou vypovídací schopnost modelu: pro sedm              z deseti profilĤ je korelace nad úrovní 0,9, tedy velmi vysoká (pĜi vysoké míĜe              spolehlivosti). Pouze pĜi odhadování profilu 9 a 10 je model slabší.                                                 141","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          Tabulka 8-13: Statistická spolehlivost hodnocení jednotlivých profilĥ                 Skuteþné   Profil  Profil  Profil  Profil  Profil  Profil  Profil  Profil  Profil  Profil                  poĜadí  1    2    3    4    5     6    7    8    9    10          Estimated   Spearmano-  ,931   ,963   ,953   ,920   ,938   ,861   ,961   ,960   ,766   ,643          rank   va korelace          Profilu        ,000   ,000   ,000   ,000   ,000   ,000   ,000   ,000   ,000   ,000          1 až 10  p-value          Zdroj: autor          8.3.6 Rozdíly mezi respondenty          Provedená  CA  vytvoĜila  individuální  profily  preferencí  pro  všechny  res-          pondenty, které je možno dále analyzovat. Jak bylo popsáno výše, individuální          dĤležitosti  atributĤ  se  použily  pro  výpoþet  celkové  dĤležitosti  (tedy  Tabulka          8-14). Vedle samotné hodnoty prĤmČru je zajímavá také míra variability mČĜená          relativnČ  k prĤmČru  –  koeficientem  variance.  Ten  dokládá,  že  nejvČtší  míra          neshody  se  týká  lhĤty  na  vrácení  bez  udání  dĤvodu,  kuponu  za  oprávnČnou          reklamaci a realizace reklamace.          Individuální dĤležitost jednotlivých faktorĤ byla provČĜena ve vztahu k dalším          údajĤm  o  respondentech:  výsledek  prokázal,  že  spotĜebitelé  s vČtšími          zkušenostmi  s reklamacemi  kladou  vČtší  dĤraz  na  záruþní  lhĤtu  (rho  =  0,253,          p = 0,001), a naopak menší pĜiþítají znaþce produktu (rho = о 0,236, p = 0,002).          Tabulka 8-14: Variabilita hodnocení jednotlivých faktorĥ           Atribut                 N   PrĤmČr SmČr. odchylka Koeficient variance          Znaþka výrobku           164  ,2485      ,20          80,5 %          Hodnocení výrobku na internetu   164  ,2190   ,17     77,6 %          Záruþní lhĤta            164  ,1559      ,14          89,8 %          Realizace reklamace      164  ,1400      ,13          92,9 %          Kupon za oprávnČnou reklamaci   164  ,1398   ,13      93,0 %          LhĤta na vrácení bez udání dĤvodu  164  ,0968   ,11   113,6 %          Zdroj: autor          PĜestože  pro  robustní  zkoumání  odlišností  mezi  skupinami  respondentĤ  není          vzorek  dostateþnČ  veliký  (místo  164  by  bylo  tĜeba  více  než  dvojnásobek          respondentĤ),  lze  provést  pouze  „orientaþní“  shlukovou  analýzu.  V pĜípadČ          zobecĖování  jejích  výsledkĤ,  budou  závČry  zatíženy  zvýšeným  rizikem          zkreslení. Protože smysl tohoto výzkumu je spíše exploratorní, než deskriptivní,          má to opodstatnČní.          Shlukování  bylo  provedeno  ve  dvou  krocích.  Nejprve  bylo  na  základČ          individuálních  dĤležitostí  atributĤ  provedeno  hierarchické  shlukování  s cílem          prozkoumat  heterogenitu  vzorku  a  na  základČ  rozdílĤ  v  tzv.  koeficientech          aglomerace (Hair a kol., 2010) a podle dendrogramu urþit ideální poþet klastrĤ,          do kterých budou respondenti rozdČleni. Shlukování probČhlo pomocí Wardovy          metody  a  míra  vzdálenosti  se  poþítala  jako  þtverec  euklidovské  vzdálenosti.          Wardova metoda shlukování byla použita v jiných výzkumech zpracovávajících                                         142","III. Empirická studie založená na conjointní analýze              výsledky CA (napĜ. De Pelsmacker a kol., 2005) a její úspČšnost v souvislosti              s CA  prokazují  napĜ.  Kamakura  a  Ozer  (2000).  Dobré  hodnocení  získala  i  ve              výzkumu  Vriens  a  kol.  (1996)  nebo  Green  a  Helsen  (1989).  Výsledek              prezentovaný  v pĜíloze þ.  4  ukazuje,  že  pĜi  rozdČlení  do  tĜí  shlukĤ  získáme              skupiny, které budou od sebe dostateþnČ vzdáleny (resp. ostĜe odlišeny).              Druhý krok shlukovací metody spoþíval v samotném vytvoĜení klastrĤ pomocí              procedury k-means cluster, která dává obecnČ lepší výsledky než hierarchické              shlukování.  PĜi  hierarchickém  klastrování  totiž  nemĤže  být  jednotlivý  prvek              pĜeĜazen k jinému shluku a zĤstává souþástí pĤvodního shluku, což mĤže vést              k suboptimálnímu Ĝešení. Pokud známe výsledný poþet shlukĤ, kterého chceme              docílit,  je  možné  použít  právČ  metodu  k-means.  O  jejích  dobrých  výsledcích              vypovídá opČt napĜ. Kamakura a Ozer (2000).              TĜi vzniklé klastry jsou si co do poþtu þlenĤ relativnČ podobné.              Tabulka 8-15: Velikosti tĝí klastrĥ                              Klastr  ýetnost respondentĤ Procenta                                1           42           25,6                                2           52           31,7                                3           70           42,7                              Celkem        164         100,0                             Zdroj: autor              Výsledkem celé shlukové analýzy jsou tĜi shluky, které se odlišují v dĤrazu na              jednotlivé  atributy.  Hlavními  odlišujícími  vlastnostmi  jsou  znaþka,  hodnocení              výrobku  internetovými  uživateli  a  s odstupem  o  nČco  ménČ  i  záruþní  doba.              PĜesnou  charakteristiku  jednotlivých  shlukĤ  zachycuje  Tabulka  8-16  a  také              Obrázek 8-8.              Tabulka 8-16: Dĥležitost atributĥ pro jednotlivé shluky                      Atributy                   Shluk 1 Shluk 2  Shluk 3                      Realizace reklamace         11,606   10,198   18,262                      Záruþní lhĤta               9,355   8,809   24,366                      Kupon za oprávnČnou reklamaci   13,924   7,792   18,608                      LhĤta na vrácení bez udání dĤvodu  5,484   7,947   13,480                      Znaþka výrobku              12,893   52,093   11,785                      Hodnocení výrobku na internetu   46,738   13,161   13,499                    Zdroj: autor              Pro  první  skupinu  respondentĤ  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  %  ovlivĖuje  rozhodnutí              o koupi  pouze  znaþka  výrobku.  Pro  respondenty  tĜetího  shluku  jsou  všechny                                               143","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          uvedené atributy relativnČ dĤležité. MírnČ pĜevažuje pouze atribut záruþní lhĤta,          zpĤsob realizace reklamace a možnost získat kupon.          Obrázek 8-8: Dĥležitost atributĥ v procentech pro jednotlivé shluky                                     Zdroj: autor           Statistické testy neprokázaly odlišnosti v charakteristikách respondentĤ patĜících          do  shluku  1–3  z  pohledu  vČku,  typu  studia,  pociĢované  ekonomické  situace,          pohlaví ani þetnosti nákupĤ na internetu. Jediný rozdíl byl nalezen u promČnné          zkušenost  s reklamacemi  (dotazované  prostĜednictvím  škály  „Mám  bohaté          zkušenosti  s  reklamováním  výrobkĤ“):  respondenti  zaĜazení  do  shluku  3  mají          vČtší zkušenosti než respondenti ve shluku 1 a 2, pĜiþemž statisticky významný          rozdíl je vĤþi shluku 2 (Bonferroni test: rozdíl v prĤmČrech 0,917, p = 0,009).          8.3.7 Shrnutí výsledkĥ           Empirické šetĜení zkoumalo vliv nákupních faktorĤ vztahujících se k vnímané          kvalitČ  (znaþka  výrobku  a  hodnocení  uživatelĤ  internetu),  vnímaným  rizikĤm          (vyjádĜená délkou záruþní lhĤty a délkou lhĤty pro vrácení bez udání dĤvodu)          a transakþním nákladĤm spojeným s reklamacemi (obtížnost realizace reklamace          a kompenzace nákladĤ spojených s oprávnČnou reklamací). Pomocí conjointní          analýzy byly odhadnuty užitky spojené s tČmito faktory, které se dále využily          pro odvození významu jednotlivých faktorĤ.          Analýza  odpovČdí  164  respondentĤ  ukázala,  že  nejdĤležitČjšími  faktory  pĜi          nákupu pĜes internet jsou znaþka výrobku a reference, které obČ – byĢ nepĜímo –                                         144","III. Empirická studie založená na conjointní analýze              odkazují  na  kvalitu  výrobku  a  její  vnímání.  Zejména  potvrzení  dĤležitosti              uživatelských recenzí považujeme za dĤležitý výsledek experimentu. Jedná se              totiž o zjištČní, které podporuje tu þást výzkumĤ, které uživatelským recenzím              pĜiznávají významný vliv na nákupní rozhodování.              Faktory  spojené  s riziky  a  transakþními  náklady  vycházejí  v tomto  porovnání              jako ménČ dĤležité a odstup od faktorĤ spojených primárnČ s kvalitou výrobku              je výrazný. NejménČ dĤležitým faktorem je lhĤta na vrácení bez udání dĤvodu.              Pro utváĜení reklamaþní politiky z výsledkĤ plyne, že patrnČ nemá smysl nabízet              zákazníkĤm  prodlouženou  lhĤtu  na  vrácení  výrobku  z dĤvodu  subjektivní              nespokojenosti (tj. delší než 14 dnĤ, které stanovuje zákon), neboĢ tento faktor              se  ukázal  jako  nejménČ  dĤležitý.  Výsledek  lze  interpretovat  tak,  že  14denní              lhĤta  zákazníkĤm  pro  rozhodnutí,  zda  si  výrobek  ponechat  nebo  ne,  staþí.              Pozitivní  efekty,  které  by  z prodloužení  plynuly  (napĜ.  zvýšení  tržeb  díky              konkurenþní výhodČ), by pravdČpodobnČ nevykompenzovaly rizika, jimž by se              obchodník  pĜi  prodloužení  této  lhĤty  vystavil.  Tato  rizika  jsou  spojena              s dodateþnými náklady, neboĢ lze pĜedpokládat, že díky delší lhĤtČ by se zvýšil              proþet vrácených výrobkĤ. Navíc jejich stav by vlivem delšího používání mohl              být  horší,  což  by  snížilo  finanþní  pĜíjmy  z jejich  dalšího  zpracování  (napĜ.              bazarového prodeje). Také by s nárĤstem lhĤty mohlo dojít k oportunistickému              jednání  zákazníkĤ,  tedy  ke  zneužívání  reklamací,  což  krátká  lhĤta  silnČ              eliminuje.              PĜestože  celkovČ  výsledky  naznaþují,  že  nástroje  spojené  s reklamacemi  mají              menší vliv na nákupní rozhodování, nelze je zcela ignorovat. Podle provedené              shlukové  analýzy  totiž  existuje  skupina  zákazníkĤ,  pro  které  jsou  faktory              spojené  s reklamacemi  (pĜesnČji  s rizikem  a  transakþními  náklady),  stejnČ              dĤležité  jako  vnímaná  kvalita  (tj.  uživatelské  reference  a  þásteþnČ  znaþka,              „znaþkovost“  výrobku).  Jedná  se  o  zákazníky,  kteĜí  mají  bohatší  zkušenosti              s reklamacemi – lze jen odhadovat, zda tato jejich vyšší citlivost není dĤsledkem              napĜ.  negativní  zkušenosti  s reklamováním  v minulosti.  V tomto  výzkumu  se              jedná o 43 % respondentĤ, což jsou ale výsledky zatížené vyšší mírou rizika,              protože  podle  doporuþení  vztahujícímu  se  ke conjointní  analýze,  by  pro              dosažení  bČžné  spolehlivosti  výsledku  musel  být  vzorek  témČĜ  dvakrát  tak              velký.              Tento výsledek také potvrzuje doporuþení (Posselt a kol., 2008), aby reklamaþní              podmínky  jako  souþást  rozšíĜeného  produktu  zohledĖovaly  segmentaci              zákazníkĤ. NapĜíklad to, aby si sami zákazníci mohli zvolit, jakou míru rizika              spojenou s nákupem chtČjí akceptovat, pĜíp. zda si za omezení nČkterých rizik              pĜiplatit. Naše výsledky pĜedevším podporují myšlenku, aby podniky nabízely              za  poplatek  rozšíĜenou  záruku  na  výrobek  (resp.  jeho  vady)  a  také  snazší              vyĜízení reklamace (napĜ. servis doma). Jak bylo Ĝeþeno, prodloužení lhĤty na              bezdĤvodné vrácení výrobku by patrnČ význam nemČlo.                                              145","8 Vliv reklamaþních podmínek na nákupní rozhodování v prostĜedí internetových obchodĤ          Zopakujme  ještČ  skuteþnosti,  které  omezují  spolehlivost  výsledkĤ  a  závČrĤ          z nich odvozených. První se týká velikosti vzorku ve vztahu k segmentaci, jak          bylo  vysvČtleno  výše.  Protože  conjointní  analýza  pĜedpokládá,  že  respondenti          budou  mít  pĜesnou  pĜedstavu  o  zkoumaném  výrobku,  musel  být  samozĜejmČ          jasnČ urþen – volba padla na domácí vysavaþ. PĜísnČ vzato, všechny uvedené          výsledky se vztahují ke koupi vysavaþĤ prostĜednictvím internetu. S pĜijatelnou          mírou rizika lze ale výsledky zobecnit i na podobné produkty.          Protože  primárním  zájmem  bylo  zkoumání  faktorĤ  spojených  s reklamacemi          a souþasnČ  bylo  množství  faktorĤ  omezené,  nČkteré  faktory  jsme  z výzkumu          vylouþili. PĜedevším to byla cena výrobku. DĤvodem bylo to, že jde o faktor          zcela  zásadní  a  jistČ  by  i  tento  výzkum  její  dĤležitost  prokázal.  Informaþní          hodnota  takového  zjištČní  by  ale  byla  malá.  Proto  se  od  faktoru  ceny          abstrahovalo, stejnČ jako od technických parametrĤ výrobku.                                                                                   146","Reklamaþní politika a její ekonomické souvislosti                 ZÁVċR              Pokud  se  na  reklamace  díváme  jako  na  službu,  která  pĜidává  hodnotu              zákazníkĤm,  a  souþasnČ  sledujeme  její  dĤsledky  na  podnikovou  þinnost,              zjistíme,  že  v þeské  (i  od  þeštiny  pĜeložené)  odborné  specializované  literatuĜe              o tomto tématu mnoho poznatkĤ nenalezneme. Tato kniha je proto pĜíspČvkem              k této  problematice,  a  to  nejen  v  podobČ  literárního  pĜehledu  zahraniþních              poznatkĤ,  ale  pĜedevším  díky  vlastním  empirickým  šetĜením  realizovaným              v ýR.              V souladu s terminologií, kterou jsme v práci zavedli, mĤžeme Ĝíct, že hlavním              cílem knihy bylo prozkoumat vybrané aspekty reklamaþní politiky. Zákaznický              pohled vs. pohled prodávajícího pĜedstavují dva smČry, kterým se ubírá výzkum              reklamací  obecnČ.  Monografie  se  ve  své  druhé  a  tĜetí þásti  –  tj.  empirických              studiích  –  zamČĜila  pĜedevším  na  výzkum  zákaznického  chování  spojeného              s reklamacemi, a to za úþelem optimalizace reklamaþní politiky. Ve svém úvodu              (první þást)  si  však  všímá  souvislostí,  které  se  týkají  jak  zákazníkĤ,  tak              i prodejcĤ, a to na B2C i na B2B trzích.              Pro nedostupnost þeských zdrojĤ byla rešeršní þást zpracována témČĜ výhradnČ              podle  zahraniþních  literárních  pramenĤ.  Z toho  ale  vyplývá  riziko,  že  nČkteré              závČry  vyvozené  ze  zahraniþních  výzkumĤ  nemusí  být  platné  v þeském              ekonomickém, právním a kulturním prostĜedí. To je nutné zohlednit pĜi aplikaci              citovaných poznatkĤ do þeské praxe. Doporuþení, jak to provést, bohužel není              pĜíliš  návodné  a  ani  stoprocentnČ  spolehlivé:  je  tĜeba  analogicky  vztáhnout              poznatky  o  þeských  specificích  z tematicky  odlišných  výzkumĤ,  týkajících  se              þeských  zákazníkĤ  na  B2C  þi  B2B  trzích,  na  problematiku  reklamací.              V neposlední  ĜadČ  nezbyde  nic  jiného,  než  vycházet  z  osobní  zkušenosti              a intuice.              Doufejme,  že  alespoĖ  jako  malý  pĜíspČvek  pro  praktiky  i  pro  akademické              zájemce o téma reklamací budou sloužit i tĜi empirické studie, obsažené v této              knize.              První a druhá studie spoþívaly v empirickém testování modelu chování, a to na              vzorku  dat  od  250  respondentĤ.  V obou  pĜípadech  byla  využita  statistická              technika strukturního modelování.              Cílem  první  studie  bylo  provČĜit  vztah  spravedlnosti  pĜi  vyĜizování  reklamací              a loajality  zákazníka.  Spravedlnost  byla  dekomponována  do  tĜí  složek  na              distribuþní,  procedurální  a  interakþní.  Loajalita  zákazníka  byla  chápana              v behaviorálním pojetí. Výsledky zcela neodpovídají citovanému zahraniþnímu              výzkumu  Blodgetta  a  kol.  (1997),  neboĢ  jako  nejvlivnČjší  faktor  vyšla              distribuþní a procedurální spravedlnost. Vztah s interakþní spravedlností nebyl              statisticky doložen. PĜestože model mĤžeme považovat ze statistického pohledu                                             147","ZávČr          za hodnovČrný, výsledek prokázal, že pro pochopení a predikci loajality pouze          faktory spojené se spravedlností nestaþí, neboĢ testovaný model vysvČtlil velmi          malou variabilitu dat v závislých promČnných.          Cílem  druhé  studie  bylo  urþit  dĤležitost  faktorĤ,  které  posilují  odhodlání          zákazníka uplatnit reklamaci. Testovaný model zahrnoval faktory spravedlnosti          (její tĜi složky), subjektivní normu a vnímanou kontrolu chování. Z dat vyplývá,          že  nejdĤležitČjší  vliv  na  zámČr  reklamovat  a  i  zprostĜedkovanČ  na  vlastní          chování  má  procedurální  spravedlnost,  subjektivní  norma  a  vnímaná  kontrola          chování.  Prodejci,  kteĜí  chtČjí  omezit  negativní  dĤsledky  nespokojenosti          zákazníkĤ  se  zakoupeným  produktem,  mezi  které  typicky  patĜí  šíĜení          negativních zpráv þi ztráta jejich loajality, by se tedy mČli zamČĜit na procesy          pĜijímání  a  zpracování  reklamací  tak,  aby  reagovaly  flexibilnČ,  rychle,  aby          posouzení reklamace bylo nestranné a efektivní a aby s uplatnČním reklamace          byly  spojeny  nízké  transakþní  náklady.  Význam  samotné  kompenzace  je  dle          našich dat nižší.          Cílem  tĜetí  studie  bylo  urþit  význam  vybraných  opatĜení  souvisejících          s reklamacemi (které spoluutváĜejí tzv. rozšíĜený produkt), a to pĜi internetovém          nakupování.  Význam  faktorĤ  byl  stanoven  relativnČ  porovnáním  s dalšími          zkoumanými  faktory.  K naplnČní  tohoto  cíle,  jež  mČl  exploratorní  charakter,          byla využita experimentální metoda conjointní analýzy, která byla provedena na          vzorku  167  respondentĤ.  Zobecníme-li  její  výsledky,  lze  konstatovat,  že          podmínky související s reklamacemi výrobkĤ nepatĜí mezi nejvlivnČjší faktory          pĜi  nákupním  rozhodování.  Domníváme  se,  že  pĜíþinou  je  legislativa,  která          ukládá  prodejcĤm  povinnost  pĜijmout  zboží  zpČt  do  14  dnĤ,  pokud  bylo          nakoupeno „na dálku“. Díky tomuto specifickému právu zákazníka se význam          reklamaþní  politiky  jako  marketingového  nástroje  v þeském  prostĜedí  snížil.          PĜestože reklamaþní podmínky nejsou nejvýznamnČjším faktorem, z provedené          shlukové analýzy vyplývá, že existuje skupina zákazníkĤ, pro které jsou faktory          spojené  s  reklamacemi  (pĜesnČji  s  rizikem  a  transakþními  náklady)  stejnČ          dĤležité  jako  napĜ.  otázka  kvality  výrobku.  Podle  tohoto  zjištČní  mĤžeme          formulovat doporuþení pro internetové obchody, aby ve své nabídce zohlednily          rĤzné  segmenty  spotĜebitelĤ  a  nabídly  zákazníkĤm  možnost  výbČru  rĤzné          podoby reklamaþních podmínek, jinými slovy její kvality, a tím i ceny.          Na úplný závČr zdĤraznČme ještČ jeden potenciální pĜínos, který by tato kniha          mohla mít: vedle samotné problematiky reklamací jsou v ní pĜedvedeny aplikace          dvou  postupĤ,  které  jsou  v zahraniþí  pĜi  zkoumání  podnikových  (marketingo-          vých) témat hojnČ využívány, a to strukturní modelování a conjointní analýza.          Pokud  by  i  tento  text  napomohl  k vČtšímu  rozšíĜení  obou  zmínČných  metod          v ýeské republice, bude to jen dobĜe.                                             148","Reklamaþní politika a její ekonomické souvislosti                 SUMMARY              The book 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 “reklamaþní politika” and it is defined by its content with regard to the              Czech legal environment. In this book, 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              consequences of the selected return policy (rules and procedures applied by the              sellers) on customers’ perception and their behavior. The purpose of this section              is to serve as a basis for empirical surveys (part II and part III). 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 next two studies take the form of quantitative research based on structural              equation modeling using a sample of 250 respondents.              In  the  first  tested  model,  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  second  study  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.                                             149","Summary          The  third  study  focuses  on  consumer  benefits  which  come  from  the  selected          measures used by businesses in the claim process. This research is elaborated          using a conjoint analysis and thus it takes the form of an experiment. 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.                                                                                           150","Reklamaþní politika a její ekonomické souvislosti               SEZNAM POUŽITÝCH ZDROJģ              [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]  Aberdeen group. Winning with Integrated Warranty Management, Aberdeen group,                  2006. [cit. 2010-20-09]. Dostupný na WWW: <                  http://www.chipeservices.com/AberdeenReport.pdf >.              [3]  ADAMANTIOS D., RIEFLER, P., ROTH, K. Advancing formative measurement                  models. Journal of Business Research, 2008, roþ. 61, þ. 12, s. 1203–1218.              [4]  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 >.              [5]  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>.              [6]  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 >.              [7]  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: Springer-                  Verlag, 1985, s. 11–39.              [8]  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, roþ. 27, þ. 2, s. 121–137.              [9]  ANDERSON J. C., JAIN C., CHINTAGUNTA, P. K. Customer Value Assessment in                  Business Markets. Journal of Business-to-Business Marketing, 1993, roþ. 17. þ. 1, s. 3–                  29.              [10] ARMITAGE, C. J., CONNER, M. Efficacy of the theory of planned behaviour: A meta-                  analytic review. The British Journal of Social Psychology, 2001, þ. 40, s. 471.              [11] ASHLEY, C., VARKI, S. Loyalty and its Influence on Complaining Behavior and                  Service Recovery Satisfaction. Journal of Consumer Satisfaction, Dissatisfaction and                  Complaining Behavior, 2009, þ. 22, s. 21.              [12] AUTRY, C., Hill, D., O'BRIEN, M. Attitude toward the Customer: A Study of Product                  Returns Episodes. Journal of Managerial Issues, 2007, roþ. 19, þ. 3, s. 315–339.              [13] BABIN, B., Hair, J., BOLES, J. S. Publishing Research in Marketing Journals                  Using Structural Equations Modeling. Journal of Marketing, 2009, roþ. 16, þ. 3, s. 279–                  285.              [14] BAGOZZI, R. P. Consumer Intentions. In Wiley International Encyclopedia of                  Marketing. 1. vyd. Texas: Wiley, 2010, sv. 2.              [15] 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.              [16] BAKER, M. J. Growth Strategies. In Wiley International Encyclopedia of Marketing. 1.                  vyd. Texas: Wiley, 2010, sv. 2.                                            151","Seznam použitých zdrojů                            [17]  BAMFIELD, J. Global Retail Theft Barometer. Nottingham Centre for Retail Research.                                [online]. 2012 [cit. 2012-11-11]. Dostupný na WWW:                                < http://www.retailresearch.org/grtb_globaltrends.php >.                            [18]  BAYUS, B. L. 2010. Kano Model of Customer Satisfaction. In Wiley International                                Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.                            [19]  BECHWATI, N. N., SIEGAL W. S. JMR. Journal of Marketing Research, 2005, roč.                                42, č. 3. s. 358–367.                            [20]  BENTLER, P. M. CHOU, C. P. Practical issues in structural modeling. Sociological                                Methods \& Research, 1987, roč. 16, č. 1, s. 78–117.                            [21]  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>.                            [22]  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.                            [23]  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.                            [24]  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.                            [25]  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.                            [26]  BOWER, A. B., MAXHAM, G. J. Customer Responses to Product Return Experiences.                                Working paper at MacIntire School of Commerce. Virginia: University of Virginia,                                2006.                            [27]  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.                            [28]  BROWN, J. R., DANT R. P. Scientific method and retailing research: A retrospective.                                Journal of Retailing, 2008, roč. 84, č. 1, s. 1–13.                            [29]  BROWN, S. P., ZAHN, W. Customer Satisfaction/Dissatisfaction. In Wiley                                International Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.                            [30]  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.                            [31]  CATTIN, P., WITTINK, D. R. Commercial Use of Conjoint Analysis: A Survey.                                Journal of Marketing, 1982, roč. 46, č. Summer, s. 44–53.                            [32]  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.                            [33]  COLLIER, J. E., BIENSTOCK, C. C. Measuring service quality in E-retailing. Journal                                of Service Research, 2006, roč. 8, č. 3, s. 260–275.                            [34]  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.                                                          152","Reklamaþní politika a její ekonomické souvislosti              [35] ýERMÁKOVÁ, A. Speciální možnosti conjointní analýzy. In Sborník konference                  „Výuka matematiky na neuniverzitních vysokých školách“. vyd. 1. Praha: Vysoká škola                  ekonomických studií, 2003, s. 32– 9.              [36] DAVIDOW, M. Organizational responses to customer complaints: what works and                  what doesn’t. Journal of Service Research, 2003, roþ. 5, þ. 3, s. 225–250.              [37] DAVIDOW, M. The Bottom Line Impact of Organizational Responses to Customer                  Complaints. Journal of Hospitality \& Tourism Research, 2000, roþ. 24, þ. 4, s. 473–490.              [38] DAVIS, S., GERSTNER, E., HAGERTY, M. Money back guarantees in retailing:                  Matching products to consumer tastes. Journal of Retailing, 1995, roþ. 71, þ. 1, s. 7.              [39] DAVIS, S., HAGERTY, M., GERSTNER, E. Return Policies and the Optimal Level of                  Hassle. Journal of Economics and Business, 1998, roþ. 50, þ. 5, s. 445–460.              [40] 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.              [41] De PELSMACKER, P. Do Consumers Care about Ethics? Willingness to Pay for Fair-                  Trade Coffee. Journal of Consumer Affairs, 2005, roþ. 32, þ. 2, s. 363–385.              [42] De PELSMACKER, P., GEUENS, M., VAN DEN BERGH, J. Marketingová                  komunikace. 1. vyd. Praha: Grada, 2003. ISBN 80-247-0254-1.              [43] DING, D., CHEN J., Coordinating a three level supply chain with flexible return                  policies. Omega, 2008, roþ. 36, þ. 5, s. 865–876.              [44] DISSANAYAKE, D., MOHINI, S. Managing Returns in E-Business. Journal of                  Internet Commerce, 2007, roþ. 6, þ. 2, s. 35–49.              [45] DU, R. Y. Research Reliability and Validity. Wiley In Wiley International                  Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.              [46] 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, roþ. 45, þ. 4, s. 1007–1016.              [47] FARGHALLI, H. Lidé si udČlali z e-shopĤ bezplatné pĤjþovny sezonního zboží.                  Idnes.cz, 2. 8. 2011. Dostupný na WWW: < http://ekonomika.idnes.cz/lide-si-udelali-z-                  e-shopu-bezplatne-pujcovny-sezonniho-zbozi-p5x-                  /ekoakcie.aspx?c=A110701_203846_ekoakcie_brm>.              [48] 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, roþ. 34, þ. 133, s. 61–72.              [49] FRED, D., DAVIS, R., BAGOZZI, P., WARSHAW, P. R. User acceptance of computer                  technology: a comparison of two theoretical models. Manage. Sci, 1989, roþ. 35, þ. 8,                  s. 982–1003.              [50] GECKER, R., VIGOROSO, M. W. Revisiting reverse logistics in the customer-centric                  service chain. Boston: Aberdeen Group, Inc., 2006.              [51] GELBRICH, K., ROSCHK, H. Do Complainants Appreciate Overcompensation? A                  Meta-Analysis on the Effect of Simple Compensation vs. Overcompensation on Post-                  Complaint Satisfaction. Marketing Letters, 2011, roþ. 22, þ. 1, s. 31–47.                                              153","Seznam použitých zdrojĤ          [52] GfK: On-line nakupování. Tisková zpráva ze dne 20. 8. 2012. Dostupný na WWW: <              http://www.gfk.cz/public_relations/press/press_articles/010185/index.cz.html>.          [53] 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.          [54] 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>.          [55] GREEN, P. E., HELSEN, K. Cross-Validation Assessment of Alternatives to              Individual-Level Conjoint Analysis: A Case Study. Journal of Marketing Research,              1989, roþ. 26, þ. 12, s. 346–350.          [56] GREEN, P. E., KRIEGER, A. M., Wind, Y. J. Thirty years of conjointanalysis:              Reflections and prospects. Interfaces, 2001, roþ. 31, þ. 3, s. 56–73.          [57] GREEN, P. E., SRINIVASAN, V. Conjoint analysis I marketing: New developments              with implications for research and practice. Journal of Marketing, 1990, roþ. 54, þ. 4,              s. 3–19.          [58] 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>.          [59] GRÜNWALD, O. Efektivnost conjoint mČĜení, [online]. 2010 [cit. 2010-16-02].              Dostupný na WWW: < http:\\\\www.greenwald.cz\\>.          [60] GUO, B., PERRON, B., GILLESPIE, D. F. A systematic review of structural equation              modeling in social work research. British Journal of Social Work, 2008, roþ. 39, þ. 8,              s. 1556–1574.          [61] 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.          [62] HAIR, J., ANDERSON, R., BABIN, B. Multivariate data analysis. New Jersey: Upper              Saddle River: Prentice Hall, 2010. ISBN 0138132631.          [63] HANCOCK, GREGORY R., MUELLER, R. O. (eds.). Structural Equation Modeling:              A Second Course. Greenwich: Information Age Publishing, 2006. ISBN 1593110154.          [64] HANNA, N., WOZNIAK, R. Consumer Behaviour: An Applied Approach. New Jersey:              Upper Saddle River: Prentice Hall, 2001. ISBN 0130895024.          [65] HARRIS, L. C. Fraudulent consumer returns: exploiting retailers' return policies.              European Journal of Marketing, 2010, roþ. 44, þ. 6, s. 730–747.          [66] HARRIS, L. C. Fraudulent Return Proclivity: An Empirical Analysis. Journal of              Retailing, 2008, roþ. 84, þ. 4, s. 461–476.          [67] HART, C. W. L., SCHLESINGER, L. A., MAHER, D. Guarantees come to              professional service firms. Sloan Manage. Rev, 1992, roþ. 33, þ. 3, s. 19–29.                                        154","Reklamaþní politika a její ekonomické souvislosti              [68] 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.              [69] HEIMAN, A., MCWILLIAMS, B., ZHAO, J., ZILBERMAN, D. Valuation and                  management of money-back guarantee options. Journal of Retailing, 2002, roþ. 78, þ. 3,                  s. 193–205.              [70] HEIMAN, A., MCWILLIAMS, B., ZILBERMAN, D. Demonstrations and money-back                  guarantees: market mechanisms to reduce uncertainty. Journal of Business Research,                  2001, roþ. 54, þ. 1, s. 71–84.              [71] HENDL, J. PĜehled statistických metod zpracování dat: analýza a metaanalýza                  dat. 1. vyd. Praha: Portál, 2004. ISBN 8071788201.              [72] HERR, P. M. Attitudes. In Wiley International Encyclopedia of Marketing. 1. vyd.                  Texas: Wiley, 2010.              [73] HESS, J. D., MAYHEW, G. E. Modeling merchandise returns in direct marketing.                  Journal of Direct Marketing, 1997, roþ. 11, þ. 2, s. 20–35.              [74] HEWSTONE, M., STROEBE, W. Sociální psychologie: moderní uþebnice sociální                  psychologie. 1. vyd. Praha: Portál, 2006. ISBN: 80-7367-092-5.              [75] HO, R. Handbook of univariate and multivariate data analysis and interpretation: SPSS                  approach. Boca Raton: Fl. Taylor \& Francis Books, Inc., 2006. ISBN 1584886021.              [76] HOGREVE, J., GREMLER, D. D. Twenty Years of Service Guarantee Research:                  A Synthesis. Journal of Service Research, 2009, roþ. 11, þ. 4, s. 322–343.              [77] HOLLOWAY, B., BEATTY, S. E. Service Failure in Online Retailing: A Recovery                  Opportunity. Journal of Service Research, 2003, roþ. 6, þ. 1, s. 92–105.              [78] HOMBURG, Ch., FÜRST, A. See No Evil, Hear No Evil, Speak No Evil: A Study of                  Defensive Organizational Behavior towards Customer Complaints. Journal of the                  Academy of Marketing Science, 2007, roþ. 35, þ. 4, s. 523–536.              [79] 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, roþ. 38, þ. 3, s. 265–287.              [80] HU, N., ZHANG, J., PAVLOU, P. A. Overcoming the J-shaped distribution of product                  reviews. Commun ACM, 2009, roþ. 52, þ. 10, s. 144–147.              [81] CHAN, F. T. S., CHAN, H. K. A survey on reverse logistics system of mobile phone                  industry in Hong Kong. Management Decision, 2008, roþ. 46, þ. 5, s. 702–708.              [82] CHAN, H., WAN, L. C. Consumer Responses to Service Failures: A Resource                  Preference Model of Cultural Influences. Journal of International Marketing, 2008,                  roþ. 16, þ. 1, s. 72–97.              [83] 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, roþ.                  17, þ. 3, s. 1825.              [84] 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.                                              155","Seznam použitých zdrojĤ          [85] CHEBAT J., DAVIDOW, C. CODJOVI I. Silent voices: why some dissatisfied              consumers fail to complain. Journal of Service Research, 2005, roþ. 7. þ. 4, s. 328–342.          [86] 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, roþ. 30, þ. 1, s. 95–116.          [87] 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>.          [88] CHIN, W. R., PETERSON, D., BROWN, S. Structural equation modeling in marketing:              Some practical reminders. Journal of Marketing Theory \& Practice, 2008, roþ. 16,              s. 287–298.          [89] CHULMIN, K., SOUNGHIE, K., SUBIN, I., CHANGHOON S. The effect of attitude              and perception on consumer complaint intentions. Journal of Consumer Marketing,              2003, roþ. 20, þ. 4, s. 352–371.          [90] IACOBUCCI, D. Consumer Behavior and Services Marketing. In Wiley International              Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.          [91] 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 >.          [92] 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. roþ. 17, þ. 1, s. 70.          [93] 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, roþ. 30, þ. 2, s. 199.          [94] 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.          [95] KANG, M., JOHNSON, K. Identifying characteristics of consumers who frequently              return apparel, Journal of Fashion Marketing and Management, 2009, roþ. 13, þ. 1,              s. 37–48.          [96] KENG, K. A. L. Serene Personal values and complaint behaviour : The case of              Singapore consumers. Journal of Retailing and Consumer Services, 1997, roþ. 4, þ. 2,              s. 89–97.          [97] KIM, J. O., CURRY, J. The treatment of missing data in multivariate analysis.              Sociological Methods and Research, 1997, roþ. 6, þ. 2, s. 215–240.          [98] KING T., DENNIS, CH. Interviews of deshopping behaviour: an analysis of theory of              planned behaviour. International Journal of Retail \& Distribution Management, 2003,              roþ. 31, þ. 3, s. 153–163.          [99] 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, roþ. 9, þ. 3, s. 282–296.                                          156","Reklamaþní politika a její ekonomické souvislosti              [100] 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, roþ. 35, þ. 9, s. 720–733.              [101] KING T., DENNIS, CH., WRIGHT, L. T. Myopia, customer returns and the theory of                  planned behaviour. Journal of Marketing Management, 2008, roþ. 24, þ. 1, s. 185.              [102] 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.              [103] KLAPALOVÁ, A., ŠKAPA, R. Tvorba hodnoty ve zpČtných tocích na B2B trzích. In                  Vývojové tendence podnikĤ IV, Sborník ze specifického výzkumu. 1. vyd. Brno:                  Masarykova univerzita, 2008, s. 335–376.              [104] KOKKINAKI, I. An Exploratory Study on Electronic Commerce for Reverse Logistics.                  In Econometric Institute Report EI – 9950. Rotterdam: Econometric Institute, 1999,                  s. 18.              [105] KOTRI, A. Analyzing Customer Value Using Conjoint Analysis: The Example Of A                  Packaging Company. In Working Paper Series 46. Tartu: University of Tartu, 2006.              [106] KREIDL, M. Zhodnocení vlivu práce výzkumných agentur na konstruktovou validitu                  škál. Sociologický þasopis, 2005, roþ. 41, þ. 1, s. 103–123.              [107] 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.              [108] LADHARI, R. Developing e-service quality scales: A literature review. Journal of                  Retailing and Consumer Services, 2010, roþ. 17, þ. 6, s. 464–477.              [109] LAMBERT, D. M. Logistika: pĜíkladové studie, Ĝízení zásob, pĜeprava a skladování,                  balení zboží. 1. vyd. Praha: Computer Press, 2000. ISBN 80-7226-221-1.              [110] LEARY, M. R. Introduction to behavioral research methods. 5. vyd. Boston: Allyn and                  Bacon, 2008. ISBN 978-0205544141.              [111] 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, roþ. 7, þ. 3, s. 341–352.              [112] LEECH, N., BARRETT, K. C., MORGAN, G. SPSS for Intermediate Statistics: Use                  and Interpretation. Mahwah, NJ: Erlbaum, 2005. ISBN 978-0805862676.              [113] 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, roþ. 21, þ. 12, s. 456–62.              [114] LIN, W. S., CASSAIGNE, N., HUAN, T. C. A framework of online shopping support                  for information recommendations. Expert Systems with Applications, roþ. 37, þ. 10,                  s. 6874–6884.              [115] 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 >.                                               157","Seznam použitých zdrojĤ          [116] LUKÁŠOVÁ, R. a kol. MČĜení spokojenosti obþanĤ s veĜejnými službami jako souþást              Ĝízení kvality v organizacích veĜejného sektoru. Vyd. 1. Brno: Masarykova univerzita,              Ekonomicko-správní fakulta, 2009, 118 s. ISBN 978-80-210-5112-6.          [117] MARCZYK, G., DEMATTEO, D., FESTINGER, D. Essentials of research design and              methodology. New York: John Wiley \& Sons, 2005. ISBN 978-0471470533.          [118] MARIEN, E. D. Reverse logistics as competitive strategy. Supply Chain Management              Review, 1998, roþ. 2, þ. 1, s. 43–52.          [119] MarketVision Research. Conjoint Analysis: An Introduction. MarketVision Research:              Cincinnati. [online]. 2010 [cit. 2010-07-011]. Dostupný na WWW: < http://www.mv-              research.com>.          [120] MARQUIS, M., FILIATRAULT, P. Understanding complaining response through              consumers’ self-consciousness disposition. Psychology and Marketing, 2002, roþ. 19,              þ. 3, s. 267–292.          [121] MATċJģ, P. Metoda strukturního modelování. Sociologický þasopis, 1989, roþ. 25,              þ. 4, s. 399–417.          [122] MAZAR, N., AMIR, O., ARIELY, D. The Dishonesty of Honest People: A Theory of              Self-Concept Maintenance. Journal of Marketing Research, 2008, roþ. 45, þ. 6, s. 633–              644.          [123] 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 >.          [124] MEYER, H. Many happy returns. Journal of Business Strategy, 1999, roþ. 30, þ. 3,              s. 27–31.          [125] MEYERS, L. S., GAMST, G., GUARINO, A. J. Applied Multivariate Research: Design              and Interpretation. 1. vyd. Thousand Oaks: Sage Publications, 2006. ISBN              1412904129.          [126] MITTAL, V. Customer-Satisfaction Research. In Wiley International Encyclopedia of              Marketing. 1. vyd. Texas: Wiley, 2010, sv. 2.          [127] MOLLENKOPF, D., RUSSO, I., FRANKEL, R., The returns management process in              supply chain strategy. International Journal of Physical Distribution and Logistics              Management, 2007, roþ. 37, þ. 7, s. 568–592.          [128] MOORTHY, S., SRINIVASAN, K. Signaling quality with a money-back guarantee: the              role of transaction costs. Marketing Science, 1995, roþ. 14, þ. 4, s. 442–466.          [129] MUNCY J. A., VITELL, S. C. Consumer ethics: An investigation of the ethical beliefs              of the final consumer. Journal of Business Research, 1992, roþ. 24, þ. 4, s. 297–311.          [130] 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/mpr-              online/issue20/art1/mpr127_11.pdf >.          [131] 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              Management [online]. 2010 [cit. 2010-04-04]. Dostupný na WWW: <                                        158","Reklamaþní politika a její ekonomické souvislosti                  http://www.ncbi.nlm.nih.gov/sites/entrez?cmd=search\&db=pubmed\&term=Namkung%                  20Y[au]\&dispmax=50 >.              [132] NRF: 2011 Customer Returns In The Retail Industry. The  Retail  Equation [online].                  2010. [cit. 2012-01-08]. Dostupný na WWW: <                  http://www.theretailequation.com/Retailers/images/public/pdfs/industry_reports/ir_201                  1_nrf_retail_returns_survey.pdf>.              [133] 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, roþ. 82, þ. 2, s. 433–437.              [134] OLIVER, R. L. Customer Satisfaction. In Wiley International Encyclopedia of                  Marketing. 1. vyd. Texas: Wiley, 2010, sv. 1.              [135] OLIVER, R. L. Satisfaction: A Behavioral Perspective on the Consumer. 2. vyd. New                  York: Armonk, 2010. ISBN 978-0765617705.              [136] OLIVER, R. L. Whence consumer loyalty? Journal of Marketing, 1999, roþ. 63, þ. 10,                  s. 33–44.              [137] OLSON, J., ZALTMAN, G. Thinking Deeper about Customer Experience. In Wiley                  International Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.              [138] ORME, B. Getting started with conjoint analysis: Strategies for product design and                  pricing research. 2. vyd. Madison: Research Publishers LLC, 2010. ISBN 978-                  0972729772.              [139] ORSINGHER, Ch., VALENTINI, S., de ANGELIS, M. A meta-analysis of satisfaction                  with complaint handling in services. Journal of the Academy of Marketing Science,                  2010, roþ. 38, þ. 2, s. 169–186.              [140] 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 >.              [141] PADMANABHAN, V., Returns Policies: Make Money by Making Good. MIT Sloan                  Management Review, 1995, roþ. 37, þ. 1, s. 65.              [142] PETERSEN, J., ANDREW, A., KUMAR, V. Are Product Returns a Necessary Evil?                  Antecedents and Consequences. Journal of Marketing, 2009, roþ. 73, þ. 3, s. 35–51.              [143] PIRON, F., YOUNG, M. Retail borrowing: insights and implications on returning used                  merchandise. International Journal of Retail \& Distribution Management, 2000, roþ.                  28, þ. 1, s. 27.              [144] POSSELT, T., GERSTNER, E., RADIC, D. Rating e-Tailer's Money-Back Guarantees.                  Journal of Service Research, 2008, roþ. 10, þ. 3, s. 207–219.              [145] POSSELT, T., RADIû, D., TAMMEN, D. Produktrückgaben und Preise im                  Versandhandel: Ein internationaler Vergleich. Zeitschrift für Betriebswirtschaft, 2010,                  roþ. 80, þ. 7–8, s. 841–867.              [146] POSTON, R., ROYNE, M. B. Rating Scheme Bias: Using Ratings in E-Commerce.                  Journal of Organizational and End User Computing, 2008, roþ. 20, þ. 4, s. 45–73.              [147] 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: <                                              159","Seznam použitých zdrojĤ              http://www.bcg.com.cn/export/sites/default/en/files/publications/articles_pdf/Returns_U              gly_Ducklings_Retail_Oct2006.pdf >.          [148] PRICE, L. J., DAWAR, N. The joint effects of brands and warranties in signaling new              product quality. Journal of Economic Psychology, 2002, roþ. 23, þ. 2, s.165–190.          [149] 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, roþ. 130, þ. 2, s. 255–261.          [150] 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.          [151] RAO, V. R. Conjoint Analysis. In Wiley International Encyclopedia of Marketing.              1. vyd. Texas: Wiley, 2010.          [152] RAVI, V., SHANKAR, R. Analysis of Interactions among the barriers of reverse              logistics. Technological Forecasting and Social Change, 2005, roþ. 72, þ. 8, s. 1011–              1029.          [153] RAYKOV, T., MARCOLIDES, A. G. A First Course in Structural Equation Modeling,              2. vyd. London: Lawrence Erlbaum Associates, 2006. ISBN 10: 0805855882.          [154] REIF, H. L., DILLON, T. W. Factors Affecting E-Commerce Textbook Purchases. In              Issues in Information Systems, 2001, roþ. 2, s. 383–389.          [155] 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, roþ. 30. þ. 8, s. 407–421.          [156] 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, roþ. 19, þ. 5, s. 321–335.          [157] ROGERS, D. S., LAMBERT, D. M., CROXTON, K. L., DASTUGUE, S. J. G. The              returns management process. International Journal of Logistics Management, 2002, roþ.              13, þ. 2, s. 1.          [158] 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>.          [159] 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, roþ. 12, þ. 3, s. 217–225.          [160] RUBIO, S., CHAMORRO, A., MIRANDA, F. J. Characteristics of the research on              reverse-logistics. International Journal of Production Research, 2008, roþ. 46, þ. 4,              s. 1099–1120.          [161] RUSSELL, R., TAYLOR, B. W. Operations Management: Quality and              Competitiveness in a Global Environment. Danvers: John Wiley \& Sons, 2005. ISBN:              0471692093.          [162] ěEZANKOVÁ, H. L., VRABEC, M. IASTAT: Interaktivní uþebnice statistiky. [online].              2001 [cit. 2011-22-03]. Dostupný na WWW: < http://iastat.vse.cz >.                                            160","Reklamaþní politika a její ekonomické souvislosti              [163] 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, þ. 49, s. 1032–1038.              [164] 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>.              [165] SCIARROTTA, T. How Philips reduced returns. Supply Chain Management Review,                  2003, roþ. 7, þ. 6, s. 32.              [166] SETAPUTRA. R., MUKHOPADHYAY, S. K. A framework for research in reverse                  logistics. International Journal of Logistics Systems and Management, 2010. roþ. 7, þ. 1,                  s. 19–55.              [167] SHAH, R., GOLDSTEIN, S. M. Use of structural equation modeling in operations                  management research: Looking back and forward. Journal of Operations Management,                  2006, roþ. 24, þ. 2, s. 148–169.              [168] SHANKAR, V. Digital Medium and Global Marketing. In Wiley International                  Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.              [169] 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, roþ. 25, þ. 4, s. 397–404.              [170] SCHUMACKER, R., LOMAX R. A beginner's guide to structural equation modeling.                  2. vyd. New Jersey: Mahwah, 2004. ISBN 1841698911.              [171] SMITH, A. D. Reverse Logistics Programs: Gauging their Effects on CRM and Online                  Behavior. Very Informal Newsletter on Library Automation, 2005, roþ. 35, þ. 3, s. 166.              [172] 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.              [173] STOCK, J., SPEH, T., SHEAR, H. Managing Product Returns for Competitive                  Advantage. MIT Sloan Management Review, 2006, roþ. 48, þ. 1, s. 57.              [174] 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 >.              [175] 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>.              [176] SU, Q., ZHAO, L., YONG-TAO, S. and CHEN, T. Conceptualizing consumers'                  perceptions of e-commerce quality. International Journal of Retail \& Distribution                  Management, 2008, roþ. 36, þ. 5, s. 360–374.              [177] SU, W. Y., BOWEN, J. T. Restaurant customer complaint behavior. Journal of                  Restaurant \& Foodservice Marketing, 2000, roþ. 4, þ. 2, s. 35–65.              [178] SUDMAN, S., BLAIR, E. Marketing Research. Boston: McGraw Hill, 2006. ISBN                  0072830875.              [179] SWINYARD, W. R., The effects of salesperson mood, shopper behavior, and store type                  on customer service. Journal of Retailing and Consumer Services, 2003, roþ. 10, þ. 6,                  s. 323–333.                                             161","Seznam použitých zdrojĤ          [180] ŠKAPA, R. Reverzní logistika v koncepci Supply Chain Managementu. 1. vyd. Brno:              Masarykova univerzita, 2004. Disertaþní práce. ISBN neuvedeno.          [181] 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 >.          [182] TABACHNICK, B. G., FIDELL, L. S. Using multivariate statistics. 5. vyd. New York:              Allyn \& Bacon, 2006. ISBN 10-0205459382.          [183] TAX, S. S., BROWN, S. W. Recovering and Learning from Service Failure. Sloan              Management Review, 1998, roþ. 40, þ. 3, s. 75–89.          [184] TAX, S. S., BROWN, S. W., Chandrashekaran, M. Customer Evaluations of Service              Complaint Experiences: Implications for Relationship Marketing, Journal of Marketing,              1998, roþ. 62, þ. 2, s. 60–76.          [185] 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.          [186] 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, roþ. 1, þ. 1, s. 62–84.          [187] THØGERSEN, J., JUHL, H. J., POULSEN, C. S. Complaining: A function of attitude,              personality, and situation. Psychology and Marketing, 2009, roþ. 26, þ. 8, s. 760–777.          [188] THOMAS, M. U., RAO, S. S. Warranty Economic Decision Models: a Summary and              Some Suggested Directions for Future Research. Operations Research, 1999, roþ. 47,              þ. 6, s. 807–820.          [189] TVRDÍK, J. Analýza vícerozmČrných 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.>.          [190] URBAN, J. Metoda podmínČného hodnocení z hlediska teorie plánovaného chování:              pĜíspČvek sociální psychologie k porozumČní mechanismu CVM. In Melichar, J.,              Honigová, J. (eds.) OceĖování životního prostĜedí. Praha: Centrum pro otázky životního              prostĜedí UK. 2006.          [191] 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, roþ. 1, þ. 1, s. 3–12.          [192] VOORHEES, C. M., BRADY, M. K. A service perspective on the drivers of complaint              intentions. Journal of Service Research, 2005, roþ. 8, þ. 2, s. 192.          [193] 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, roþ. 34, þ. 4, s. 514.          [194] VRIENS, M., WEDEL, M., WILMS, T. Metric conjoint segmentation methods: A              Monte Carlo comparison. Journal of Marketing Research, 1996, roþ. 33, þ. 1, s. 73–85.          [195] WALLENBURG, C. M., WEBER, J. Structural Equation Modelling as a Basis for              Theory Development within Logistics and Supply Chain Management Research. In                                          162","Reklamaþní politika a její ekonomické souvislosti                  Kotzab, H., Seuring , S., Muller, M., Reiner, G. (eds.). Research Methodologies in                  Supply Chain Management. Heidelberg: Physica, 2005, s. 171–186.              [196] WANG, X. Retail Return Policy, Endowment Effect, and Consumption Propensity: An                  Experimental Study. Topics in Economic Analysis \& Policy, 2009, roþ. 9, þ. 1, s. 8.              [197] WATERNAUX, C. M. Asymptotic Distribution of the Sample Roots for a Nonnormal                  Population. Biometrika,1976, roþ. 63, þ. 3, s. 639–645.              [198] WAYMOND, R., GUIRAL, A. Potential model misspecification bias: Formative                  indicators enhancing theory for accounting researchers. The International Journal of                  Accounting, 2011, roþ. 46, þ. 1, s. 25–50.              [199] WILSON, M. FOCUS on: Preventing return fraud. Chain Store Age, 2010, roþ. 86, þ. 6,                  s. 38. [cit. 2010-25-08]. Dostupný na WWW:                  < http://search.proquest.com/docview/751018276?accountid=16531 >.              [200] 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              [201] WIRTZ, J., MCCOLL-KENNEDY, J. R. Opportunistic Customer Claiming During                  Service Recovery. Journal of the Academy of Marketing Science, 2010, roþ. 38, þ. 5,                  654-675. ISSN: 0092-0703.              [202] WITTINK, D. R., VRIENS, M., BURHENNE, W. Commercial use of conjoint analysis                  in Europe: Results and critical reflections. International Journal of Research in                  Marketing, 1994, roþ. 11, s. 41–52.              [203] WOOD, S. L. Remote Purchase Environments: The Influence of Return Policy                  Leniency on Two-Stage Decision Processes. Journal of Marketing Research, 2001,                  roþ. 38, þ. 2, s. 157.              [204] YEN, C.-H., LU, H.-P. Effects of e-service quality on loyalty intention: an empirical                  study in online auction. Managing Service Quality,2008, roþ. 18, þ. 2, s. 127–146.              [205] 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>.              [206] ZEITHAML, V. A., BITNER, M. J., GREMLER, D. D. Services Marketing Strategy. In                  Wiley International Encyclopedia of Marketing. 1. vyd. Texas: Wiley, 2010.              [207] ZEITHAML, V. A., PARASURAMAN, A., MALHOTRA, A. E-S-QUAL: a multi-item                  scale for assessing electronic service quality. Journal of Service, 2005, roþ. 7, þ. 3,                  s. 213–33.              [208] ZHU, F., ZHANG, X. Impact of Online Consumer Reviews on Sales: The Moderating                  Role of Product and Consumer Characteristics. Journal of Marketing, 2010, roþ. 74,                  þ. 2, s. 133–148.                                                      163","Seznam tabulek            SEZNAM TABULEK           Tabulka 1-1: DĤvody/zdroje vrácených výrobkĤ (%) (n = 39) .......................... 17          Tabulka 1-2: Rámec pro volbu reklamaþní politiky výrobce ve vztahu                     k obchodníkĤm .............................................................................. 20          Tabulka 1-3: Míra návratnosti zboží v jednotlivých oborech (USA) ................. 29          Tabulka 1-4: PrĤzkum o zpracování vrácených výrobkĤ mezi obchodníky                     (n = 39) .......................................................................................... 31          Tabulka 2-1: Vztah garancí a nákladĤ ................................................................. 38          Tabulka 2-2: Statistika reklamací a jejich zneužívaní v USA v mld. USD ........ 46          Tabulka 2-3: Podíly vracených výrobkĤ podle kategorií v USA v roce 2007 .... 51          Tabulka 3-1: Reakce zákazníkĤ (s orientací na sebe a skupinu) na                     nespokojenost (n = 188) ................................................................ 64          Tabulka 4-1: Doporuþený postup pro transformace promČnných ...................... 69          Tabulka 4-2: Použitý software v publikovaných vČdeckých þláncích ................ 75          Tabulka 4-3: Doporuþené hodnoty indikátorĤ kvality modelu ........................... 83          Tabulka 5-1: Deset nejodlehlejších pĜípadĤ podle Mahalanobisovy                     vzdálenosti a shlukové analýzy ..................................................... 87          Tabulka 5-2: Množství chybČjících dat ............................................................... 88          Tabulka 6-1: Použité promČnné v modelu .......................................................... 93          Tabulka 6-2: Standardizované regresní koeficienty modelu mČĜení .................. 95          Tabulka 6-3: Ukazatelé kvality konstrukce latentních promČnných ................... 96          Tabulka 6-4: Odhady parametrĤ modelu ............................................................ 98          Tabulka 7-1: Použité promČnné v modelu ........................................................ 109          Tabulka 7-2: Standardizované regresní koeficienty modelu mČĜení ................ 111          Tabulka 7-3: Ukazatelé kvality konstrukce latentních promČnných ................. 112          Tabulka 7-4: Odhady parametrĤ modelu .......................................................... 114          Tabulka 8-1: Deset nejþastČjších témat aplikace CA (do roku 2006) ............... 122          Tabulka 8-2: Metody používané pĜi zkoumání hodnoty zákazníka .................. 124          Tabulka 8-3: Výhody a nevýhody tradiþní conjoint analýzy ............................ 125          Tabulka 8-4: Charakteristika atributĤ experimentu .......................................... 132          Tabulka 8-5: Zápis ve skriptovacím jazyku SPSS pro vygenerování                     ortogonálního pole ...................................................................... 133          Tabulka 8-6: Poþty tzv. „reversals“ ................................................................... 136          Tabulka 8-7: Zápis modelu ve skriptovacím jazyku SPSS pro výpoþet užitkĤ 138          Tabulka 8-8: PoĜadí jednotlivých profilĤ .......................................................... 138          Tabulka 8-9: Profily nejvíce a nejménČ žádaných produktĤ ............................. 139          Tabulka 8-10: Užitky spojené s jednotlivými atributy ...................................... 140                                        164","Reklamaþní politika a její ekonomické souvislosti               Tabulka 8-11: Užitek spojený s nejlepším a nejménČ žádaným profilem ........ 140              Tabulka 8-12: Základní ukazatele statistické spolehlivosti .............................. 141              Tabulka 8-13: Statistická spolehlivost hodnocení jednotlivých profilĤ ........... 142              Tabulka 8-14: Variabilita hodnocení jednotlivých faktorĤ ............................... 142              Tabulka 8-15: Velikosti tĜí klastrĤ .................................................................... 143              Tabulka 8-16: DĤležitost atributĤ pro jednotlivé shluky .................................. 143                                                                                                165","Seznam obrázkĤ             SEZNAM OBRÁZKģ           Obrázek 1-1: PravdČpodobnost opČtovného nákupu ve vztahu k snadnosti                     uplatnČní reklamace – þetnosti odpovČdí ...................................... 18          Obrázek 1-2: Vztah prodeje výrobkĤ a poskytování služeb ............................... 24          Obrázek 1-3: Model zákaznického servisu ......................................................... 27          Obrázek 1-4: ZpĤsob autorizace reklamací (v %) ............................................... 32          Obrázek 1-5: Stávající þi plánovaný outsourcing aktivit v rámci reklamací                     (% z respondentĤ) ......................................................................... 32          Obrázek 1-6: PĜínosy zlepšování procesu zpracování reklamací (% pro Best-in-                     Class podniky) ............................................................................... 33          Obrázek 3-1: KanĤv model ................................................................................. 54          Obrázek 3-2: GAP model kvality služeb ............................................................. 56          Obrázek 4-1: Vztah mezi modelem mČĜení a strukturním modelem v rámci SEM                      ....................................................................................................... 71          Obrázek 4-2: PĜíklad latentní a pozorované promČnné ....................................... 73          Obrázek 4-3: PĜíklad formativních a reflektivních indikátorĤ ............................ 74          Obrázek 4-4: Porovnání vícenásobné regrese a pČšinkové analýzy ................... 77          Obrázek 4-5: PĜíklad CFA ................................................................................... 77          Obrázek 4-6: Ilustrace PA, CFA a SEM ............................................................. 80          Obrázek 5-1: Respondenti z hlediska vČku ......................................................... 89          Obrázek 5-2: Poþet uplatnČných reklamací za tĜi roky ....................................... 90          Obrázek 5-3: Zkušenosti s reklamacemi ............................................................. 90          Obrázek 6-1: Testovaný model ........................................................................... 92          Obrázek 6-2: Model mČĜení ................................................................................ 94          Obrázek 6-3: Standardizované regresní koeficienty modelu .............................. 97          Obrázek 7-1: Model teorie plánovaného chování ............................................. 103          Obrázek 7-2: OvlivnČní postojĤ sociální normou ............................................. 105          Obrázek 7-3: Testování TPB nepĜímou cestou ................................................. 106          Obrázek 7-4: Testovaný model ......................................................................... 108          Obrázek 7-5: Model mČĜení .............................................................................. 111          Obrázek 7-6: Standardizované regresní koeficienty modelu ............................ 115          Obrázek 8-1: Vztahy atributĤ k užitku .............................................................. 129          Obrázek 8-2: PĜíklady výpoþtu dĤležitosti atributĤ .......................................... 130          Obrázek 8-3: Použitý dotazník a instrukce k nČmu .......................................... 134          Obrázek 8-4: Profily hodnocených produktĤ .................................................... 135          Obrázek 8-5: Respondenti z hlediska vČku (n = 162) ....................................... 137          Obrázek 8-6: ýetnosti nákupu prostĜednictvím internetu za rok ...................... 138          Obrázek 8-7: Relativní dĤležitost atributĤ ........................................................ 139          Obrázek 8-8: DĤležitost atributĤ v procentech pro jednotlivé shluky .............. 144                                           166","Reklamaþní politika a její ekonomické souvislosti                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                                                                                     167","","Reklamaþní politika a její ekonomické souvislosti                PěÍLOHA þ. 1 – DOTAZNÍK               Vážená kolegynČ, vážený kolego,              prosím  o  vyplnČní  následujícího  dotazníku  pro  výzkum,  který  analyzuje  pohledy  zákazníkĤ  na  reklamace              výrobkĤ. Vzhledem k tomu, že Vám vyplnČní dotazníku zabere témČĜ 20 minut, jako alespoĖ þásteþnou náhradu              vynaloženého  úsilí  Vám  nabízím  možnost  zapojit  se  do  losování  o  5  krát  500  Kþ  (pĜedpokládaný  poþet              respondentĤ je cca 250). Podmínky jsou následující:              1) uvedení emailové adresy (na konci dotazníku), na které Vás v pĜípadČ výhry kontaktuji;              2) zodpovČzení všech otázek, a to pravdivČ (dotazník obsahuje otázky testující logickou provázanost              odpovČdí).               Instrukce k vyplnČní dotazníku:              Otázky þtČte a vyplĖujte v poĜadí, v jakém jsou uvedeny za sebou.              U nČkterých otázek budete mít dojem, že jejich zodpovČzení záleží na              okolnostech a dalších faktorech. V takovém pĜípadČ se pokuste uvést Váš              obecný názor þi zkušenost.              Reklamací se v dotazníku rozumí:              1) jednak zákonný nárok (tj. výrobek nesplĖuje vlastnosti uvedené prodejcem   v zákonné              záruþní lhĤtČ, popĜ. jde o vrácení do 14 dnĤ bez udání dĤvodu, byl-li koupen „na dálku“, tedy napĜ. pĜes internet)              2) a souþasnČ také možnost vrátit nepoškozený výrobek zpČt do urþité lhĤty, není-li s ním spotĜebitel spokojen. Jde              tedy o dobrovolnou možnost nad rámec zákona, kterou nabízejí nČkteĜí obchodníci.               DČkuji za Vaši pomoc.              Ing. Radoslav Škapa, Ph.D.              ZodpovČzte prosím všechny následující otázky!              Prosím, oznaþte (kĜížkem, kroužkem, þi zatržením u pĜíslušného þísla 1-7) nejvhodnČjší odpovČć na              následujících škálách.                                                             Ani jednou  1krát   2krát   3-4krát   5-6krát   7-9krát   Víckrát              BČhem posledních tĜí let jsem reklamoval(a) zakoupené              výrobky:               Náhrada (finanþní a nefinanþní), kterou þlovČk získá   Nízká   1  2  3  4  5  6  7  Vysoká              reklamací, je obvykle:              Kompenzace za reklamovaný produkt, kterou þlovČk získá od   Férová   1  2  3  4  5  6  7  Neférová              obchodníka, je:              Stalo se, že jste pĜestal nakupovat u obchodníka, který   Nikdy   1  2  3  4  5  6  7  Vždy              nevyĜešil Vaši reklamaci k Vaší spokojenosti?              PĜestanete nakupovat v obchodČ, kde se k Vám pĜi reklamaci   UrþitČ  1  2  3  4  5  6  7  UrþitČ              nezachovali spravedlivČ?              nepĜestanu            pĜestanu              Pozitivní zkušenosti s reklamací v konkrétním obchodČ jsem              sdČlil(a) svému okolí                  Nikdy   1  2  3  4  5  6  7  Vždy              Negativní zkušenosti s reklamací v konkrétním obchodČ jsem   Nikdy   1  2  3  4  5  6  7  Vždy              sdČlil(a) svému okolí                                                             Ani jednou  1krát   2krát   3-4krát   5-6krát   7-9krát   Víckrát              Pokusil(a) jste se uplatnit reklamaci, i když jste vČdČl(a), že je              neoprávnČná?                                              169","PĜíloha þ. 1          Prosím, vyberte nejvhodnČjší odpovČć podle následující stupnice hodnocení:           -3 = Zcela nesouhlasím; -2 = V podstatČ nesouhlasím; -1 = ýásteþnČ nesouhlasím; 0 = Ani souhlas ani          nesouhlas; 1 = ýásteþnČ souhlasím; 2 = V podstatČ souhlasím; 3 = Zcela souhlasím.                                                                      Zcela                                             Zcela          Mám bohaté zkušenosti s reklamováním výrobkĤ.  nesouhlasím  -3   -2   -1   0  1  2  3  souhlasím          Nutnost odvozu výrobku zpČt obchodníkovi mČ od   Zcela   -3   -2   -1   0   1   2   3   Zcela          reklamace odrazuje.              nesouhlasím               souhlasím          Reklamuji výrobky, se kterými jsem nespokojený(á),   Zcela   -3   -2   -1   0  1  2  3  Zcela          ménČ þasto než vČtšina lidí, které znám.   nesouhlasím     souhlasím          Budu-li nespokojený(á) se zakoupeným výrobkem,   Zcela   -3   -2   -1   0   1   2   3   Zcela          pĤjdu jej reklamovat.            nesouhlasím               souhlasím          Mí blízcí by urþitČ reklamovali výrobek, se kterým by   Zcela   -3   -2   -1   0  1  2  3  Zcela          byli nespokojeni.                nesouhlasím               souhlasím          Nebude-li výrobek fungovat tak, jak má, budu jej   Zcela   -3   -2   -1   0   1   2   3   Zcela          reklamovat.                      nesouhlasím               souhlasím          Považuji za dobré Ĝíct svým známým o pozitivních   Zcela   -3   -2   -1   0  1  2  3  Zcela          zkušenostech s reklamacemi v konkrétních obchodech.   nesouhlasím  souhlasím          Vrátit používaný, ale již nepotĜebný výrobek zpČt  Zcela   -3   -2   -1   0   1   2   3   Zcela          obchodníkovi pod záminkou reklamace, je obtížné.   nesouhlasím  souhlasím          Nebudu-li dále potĜebovat výrobek, který stále vypadá   ZásadnČ  Zcela          jako nový, pokusím se jej vrátit obchodníkovi jako   nesouhlasím  -3   -2   -1   0  1  2  3  souhlasím          reklamaci.          Mám právo vrátit a reklamovat funkþní výrobek,   Zcela   -3   -2   -1   0   1   2   3   Zcela          aþkoliv jsem jej používal.       nesouhlasím               souhlasím                                                                      Zcela                                             Zcela          Obchodníci reklamace zámČrnČ protahují.   nesouhlasím  -3   -2   -1   0  1  2  3  souhlasím          Reklamací þlovČk nezíská takovou náhradu, jakou by   Zcela   -3   -2   -1   0   1   2   3   Zcela          si zasloužil.                    nesouhlasím               souhlasím          I pĜi reklamacích obchodníci pĤsobí, jako by mČli  Zcela   -3   -2   -1   0  1  2  3  Zcela          o reklamujícího zákazníka zájem.   nesouhlasím             souhlasím          VyĜízení reklamací trvá neúmČrnČ dlouho.   Zcela   -3   -2   -1   0   1   2   3   Zcela                                           nesouhlasím               souhlasím          Považuji za dobré Ĝíct svým známým o negativních   Zcela   -3   -2   -1   0  1  2  3  Zcela          zkušenostech s reklamacemi v konkrétních obchodech.   nesouhlasím  souhlasím          Pozitivní zkušenost s reklamací    Zcela                    Zcela          u konkrétního obchodníka sdČlím svým známým   nesouhlasím  -3   -2   -1   0   1   2   3   souhlasím          a blízkým.          Zabalit zpČt reklamovaný výrobek a doruþit jej   Zcela   -3   -2   -1   0  1  2  3  Zcela          obchodníkovi není složité. (nesouhlasím – souhlasím)   nesouhlasím  souhlasím          K zákazníkĤm, kteĜí reklamují výrobky, se obchodníci   Zcela   -3   -2   -1   0   1   2   3   Zcela          chovají zdvoĜile.                nesouhlasím               souhlasím          Pokud by mí pĜátelé pokazili výrobek, nesnažili by se   Zcela   -3   -2   -1   0  1  2  3  Zcela          získat za nČj peníze zpČt pod záminkou reklamace.   nesouhlasím  souhlasím          Obchodníci si nedovolí chovat se hrubČ k zákazníkĤm,   Zcela   -3   -2   -1   0   1   2   3   Zcela          kteĜí uplatĖují reklamaci.       nesouhlasím               souhlasím          Mí pĜátelé mČ informují o pozitivních zkušenostech   Zcela   -3   -2   -1   0  1  2  3  Zcela          s reklamacemi, které uþinili v konkrétních obchodech.   nesouhlasím  souhlasím          Je snadné informovat své známé o zkušenostech   Zcela   -3   -2   -1   0   1   2   3   Zcela          s reklamacemi.                   nesouhlasím               souhlasím                                             Zcela                                                                      Zcela          Složitý postup reklamací mČ odrazuje.   nesouhlasím  -3   -2   -1   0  1  2  3  souhlasím          Varuji své pĜátele pĜed obchodníkem, který nevyĜídil   Zcela   -3   -2   -1   0   1   2   3   Zcela          reklamaci k mé spokojenosti.     nesouhlasím               souhlasím                                            170","Reklamaþní politika a její ekonomické souvislosti               Prosím, vyberte nejvhodnČjší odpovČć podle následující stupnice hodnocení:               -3 = Zcela nesouhlasím; -2 = V podstatČ nesouhlasím; -1 = ýásteþnČ nesouhlasím; 0 = Ani souhlas ani              nesouhlas; 1 = ýásteþnČ souhlasím; 2 = V podstatČ souhlasím; 3 = Zcela souhlasím.              PĜátelé považují za správné ozvat se a reklamovat   Zcela   -3   -2   -1   0  1  2  3  Zcela              vadný výrobek                    nesouhlasím               souhlasím              Mí pĜátelé mČ informují o negativních zkušenostech   Zcela   -3   -2   -1   0   1   2   3   Zcela              s reklamacemi, které uþinili v konkrétních obchodech.   nesouhlasím  souhlasím                V pĜedcházejících otázkách jsem se Vás ptal mj. na Vaše budoucí chování. Mnoho výzkumĤ ale potvrdilo, že              existuje významný rozdíl mezi zamýšleným a skuteþným chováním, protože lidé nezohlední všechny souvislosti,              když o svém budoucím chování pĜemýšlejí. OdbornČ se tomu Ĝíká hypotetická chyba. Prosím, zamyslete se znovu              nad následujícími otázkami a pokuste se pĜedstavit si nejrĤznČjší okolnosti a faktory, které mohou ovlivnit Vaše              rozhodnutí reklamovat výrobek. Teprve poté na následující otázky odpovČzte. (PĜedchozí odpovČdi již              samozĜejmČ nemČĖte.)              Budu-li nespokojený(á) se zakoupeným výrobkem,   Zcela   -3  -2   -1   0  1  2  3  Zcela              pĤjdu jej reklamovat.           nesouhlasím                souhlasím              Nebude-li výrobek fungovat tak, jak má, budu jej   Zcela   -3  -2   -1   0   1   2   3   Zcela              reklamovat.                     nesouhlasím                souhlasím              Pokusím se vrátit obchodníkovi zpČt takový výrobek,   Zcela   -3  -2   -1   0  1  2  3  Zcela              který mi nebude vyhovovat.      nesouhlasím                souhlasím              Nebudu-li dále potĜebovat výrobek, který stále                                                                          Zcela                                                Zcela              vypadá jako nový, pokusím se jej vrátit obchodníkovi   nesouhlasím  -3  -2   -1   0   1   2   3   souhlasím              jako reklamaci.              Identifikaþní údaje:              Jsem:  † muž  † žena              MĤj vČk: ______              Jaká je Vaše státní pĜíslušnost? 1. ýeská republika  2. Slovenská republika    3. Jiná:______________________              Svou finanþní situaci v porovnání s okolím hodnotím   VýraznČ špatnou  -3 -2  -1  0  1  2  3  VýraznČ              jako                                                       dobrou              Kontaktní emailová adresa:__________________________________              (Dobrovolný údaj. VyplĖte, pokud se chcete zúþastnit slosování o finanþní odmČnu.)              Zkontrolujte prosím, zda jste nezapomnČli odpovČdČt na nČkterou z otázek. Je to velmi dĤležité pro to, aby              dotazník mohl být statisticky vyhodnocen. DČkuji ještČ jednou za Vás þas. V pĜípadČ dotazĤ mČ mĤžete              kontaktovat na emailové adrese: skapa@econ.muni.cz              Prostor pro Váš komentáĜ k jednotlivým otázkám þi celému dotazníku:                      Pozn: ýást otázek obsažených v dotazníku byla urþena k výzkumným studiím týkajícím se zneužívání reklamací              a „šeptandy“ spojené s reklamacemi, které nejsou obsaženy v této monografii.                                                    171","PĜíloha þ. 2            PěÍLOHA þ. 2 – VÝSLEDKY MODELU SPRAVEDLNOSTI          A LOAJALITY           Testování modelu mČĜení          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                                          172","Reklamaþní politika a její ekonomické souvislosti              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              Saturated model   44   ,000   0              Independence model   8   668,405   36   ,000   18,567                                             173","PĜíloha þ. 2          Baseline Comparisons                        NFI   RFI  IFI   TLI          Model                             CFI                        Delta1  rho1   Delta2  rho2          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                        HOELTER   HOELTER          Model                        .05     .01          Default model   269   326          Independence model   19   22          Execution time summary          Minimization:   ,016          Miscellaneous:   ,109          Bootstrap:   ,000          Total:     ,125                                           174","Reklamaþní politika a její ekonomické souvislosti              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             d3w  <---  Distr   ,735             e1w  <---  Process   ,783             e3w  <---  Process   ,893             f1w  <---  Interac   ,772             f2w  <---  Interac   ,854                                             175","PĜíloha þ. 2                        Estimate         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         j3      ,077         j1      ,113         f3w     ,549         f2w     ,730         f1w     ,597         e3w     ,798         e1w     ,613                                        176","Reklamaþní politika a její ekonomické souvislosti                      Estimate             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                            NFI   RFI  IFI   TLI              Model                             CFI                            Delta1  rho1   Delta2  rho2              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              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                                              177","PĜíloha þ. 2          HOELTER                        HOELTER   HOELTER          Model                        .05     .01          Default model   238   277          Independence model   25   28          Execution time summary          Minimization:   ,015          Miscellaneous:   ,110          Bootstrap:   ,000          Total:     ,125                                                                                          178","Reklamaþní politika a její ekonomické souvislosti                 PěÍLOHA þ. 3 – VÝSLEDKY TESTOVÁNÍ SPRAVEDLNOSTI              A SKLONU K REKLAMACÍM               Testování modelu mČĜení              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                                              179","PĜíloha þ. 3          Standardized Regression Weights: (Group number 1 - Default model)                       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         Process   <-->  Beh_cont   -,524   ,121   -4,326   ***                                        180","Reklamaþní politika a její ekonomické souvislosti                                Estimate   S.E.   C.R.   P   Label             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   ***             er13       ,909   ,116   7,849   ***             er14       ,708   ,124   5,723   ***                                             181","PĜíloha þ. 3                     Estimate   S.E.   C.R.   P   Label         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   ***          Squared 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                        NFI   RFI  IFI   TLI          Model                             CFI                        Delta1  rho1   Delta2  rho2          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          Default model   ,667   ,558   ,618          Saturated model   ,000   ,000   ,000          Independence model   1,000   ,000   ,000                                          182","Reklamaþní politika a její ekonomické souvislosti              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                            HOELTER   HOELTER              Model                            .05     .01              Default model   189   206              Independence model   45   48              Execution time summary              Minimization:   ,075              Miscellaneous:   ,094              Bootstrap:   ,000              Total:     ,169              Strukturní 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              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                                            183","PĜíloha þ. 3                   Weights   Covariances   Variances   Means   Intercepts   Total          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         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                                        184","Reklamaþní politika a její ekonomické souvislosti                               Estimate             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   ***             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                                                 185","PĜíloha þ. 3          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         Behavior   ,142         i3r        ,375         i4r        ,355         i1         ,298         g2         ,095         g1         ,768         a4r        ,194         a2         ,536         a1         ,520         b2         ,396                                        186","Reklamaþní politika a její ekonomické souvislosti                         Estimate             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                            NFI   RFI  IFI   TLI              Model                             CFI                            Delta1  rho1   Delta2  rho2              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              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                                               187","PĜíloha þ. 3          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                        HOELTER   HOELTER          Model                        .05     .01          Default model   177   193          Independence model   45   48          Execution time summary          Minimization:   ,088          Miscellaneous:   ,117          Bootstrap:   ,000          Total:     ,205                                                                                    188","Reklamaþní politika a její ekonomické souvislosti                 PěÍLOHA þ. 4 – DENDROGRAM SHLUKOVÉ ANALÝZY                                                    Zdroj: autor                                                              189","","ISBN 978-80-210-6123-1                  Škapa final.indd   1                                                                                                                                            25.2.2013   12:51:25"];