Summary
Aqui apresentamos um protocolo para examinar as respostas dos consumidores em relação à personalização em massa no contexto do varejo online. O protocolo detalha o procedimento de pesquisa on-line e como analisar dados usando modelagem de equações estruturais e diferenças de grupo usando análises médias latentes.
Abstract
Como muitos estudiosos e praticantes de estudo de personalização e marketing de relacionamento, é importante fornecer personalização, como a personalização em massa através da tecnologia de marketing. O objetivo deste estudo é examinar como conduzir pesquisas de consumo usando uma pesquisa on-line e análise de dados. Este estudo examina os benefícios percebidos dos consumidores ao personalizar um produto, bem como apego emocional do produto, atitudes em relação a um programa de personalização e intenções de fidelidade no contexto do varejo online. Além disso, este estudo investiga como as respostas dos consumidores são diferentes com base em características individuais, como a inovação da moda. Uma empresa de pesquisa on-line na Coréia do Sul recrutou 290 compradores de vestuário feminino que compraram vestuário on-line. Para aprimorar a validade externa, este estudo utilizou um site de varejo existente com um programa de customização em massa bem estabelecido. Após completar o programa de customização, os participantes concluem o questionário online. A modelagem de equações estruturais (MEV) e as análises médias latentes (LMAs) são então realizadas para análises. Este estudo destaca a importância de testar a invariância da medida para comparações médias. Antes do MEV e da LMA, este estudo segue a hierarquia dos testes de invariância (teste de invariância configural, teste de invariância métrica e teste de invariância escalar), que não são considerados por abordagens tradicionais como a ANOVA. Estas análises estatísticas fornecem a aplicabilidade dos procedimentos do teste da invariância e do LMA aos comportamentos do consumidor. As conclusões das diferenças médias têm integridade e validade, pois são orientadas por um procedimento estatístico sofisticado para garantir a invariância da medição.
Introduction
A personalização em massa refere-se à capacidade de um e-varejista de adaptar produtos, serviços e o ambiente transacional a clientes individuais1. Os consumidores de hoje não estão satisfeitos com os produtos padrão, e muitos varejistas reconheceram isso. Oferecer uma opção de personalização em massa é um método para obter fidelidade ao cliente e vantagens competitivas2. A personalização em massa como uma tática de marketing permite que os consumidores criem seus próprios produtos com base em necessidades específicas e, portanto, fornece produtos ou serviços individualizados3. Por exemplo, os consumidores não só podem comprar um par de sapatos que são produzidos em massa, mas eles também podem criar um novo e único par de sapatos que não estão disponíveis em sites de varejo regulares, escolhendo a cor, tecido, e outros componentes de design. Como resultado, os consumidores podem comprar produtos mais favoráveis, e sua satisfação com o produto personalizado, bem como o aumento da fidelidade da marca4,5.
Com o uso crescente da Internet, o processo de personalização em massa tornou-se mais rápido e eficiente em termos de redução do tempo de produção e proporcionando mais opções de design com os mesmos custos. Além disso, os varejistas podem obter informações sobre o que seus clientes-alvo prefereme, assim, construirrelacionamentos fortes com eles6,7. Como tal, muitas indústrias (ou seja, vestuário, sapatos, carros e computadores) adotaram programas de personalização. Embora a personalização em massa beneficie tanto os consumidores como os varejistas, alguns varejistas enfrentam desafios8. Portanto, há uma necessidade de examinar como os consumidores percebem os benefícios e como esses benefícios influenciam outras respostas de compras para o sucesso a longo prazo.
Baseando-se no modelo de hierarquia de efeitos (HOE) das teorias de persuasão9, este estudo propõe que os consumidores processem informações com base na sequência de cognição-afeto-conação. Especificamente, este estudo examina (após a criação de um produto personalizado em massa) se os benefícios percebidos do consumidor (cognição) influenciam as intenções de lealdade (Conation) através do acessório do produto e a atitude para um programa de personalização em massa (afetam) . Com base na teoria da motivação10, os benefícios percebidos são divididos em benefícios extrínsecos e intrínsecos11.
O benefício extrínseco refere-se ao valor percebido de um consumidor derivado do uso de um produto12 (assim, próximo ao valor da qualidade do produto11), enquanto que o benefício intrínseco indica uma experiência agradável ao usar um produto11. Em um contexto de personalização em massa, o benefício extrínseco está associado ao produto que um consumidor cria, e o benefício intrínseco está relacionado à experiência de personalização que satisfaz as necessidades hedonicas e experienciais13,14. Pesquisas anteriores descobriram que os benefícios percebidos pelos consumidores melhoram o apego emocional do produto15 e atitudes positivas em relação a um programa de personalização em massa16. Acessório de produto emocional refere-se a um empate emocional que os consumidores se conectam a um produto17, que influencia positivamente atitudes em relação ao programa de personalização18 e intenções de fidelidade19. Além disso, atitudes em relação a um programa de personalização influenciam positivamente as intenções de fidelidade20.
Por fim, este estudo examina como uma característica individual (ou seja, a inovação da moda) influencia as respostas dos consumidores de forma diferente. A inovação da moda refere-se ao grau em que a tendência inovadora de um indivíduo influencia a adoção de um novo item de moda21. Os resultados da pesquisa mostram que os consumidores que desejam evitar a conformidade (isto é, consumidores inovativos da forma altamente) são motivados para adquirir produtos originais, indicando que a personalização maciça pode ser uma tática eficaz para diferenciar-se de outro 22. portanto, este estudo pressupõe que um maior número de respostas positivas serão gerados para consumidores inovadores de alta moda.
Com base em revisões prévias da literatura, este estudo aborda as seguintes hipóteses de pesquisa. H1: benefícios percebidos (a: benefício extrínseca, b: benefício intrínseco) de um produto personalizado em massa influenciará positivamente o apego emocional do produto; H2: benefícios percebidos (a: benefício extrínseca, b: benefício intrínseco) de um produto personalizado em massa influenciará positivamente atitudes em relação a um programa de customização em massa; H3: o acessório emocional do produto influenciará positivamente atitudes para um programa maciço da personalização; H4: apego emocional do produto influenciará positivamente as intenções de fidelidade; H5: atitude em direção a um programa de personalização em massa influenciará positivamente as intenções de fidelidade; e H6: em comparação com a inovação de baixa moda, os inovadores de alta moda terão respostas mais positivas para (a) benefícios percebidos, (b) apego emocional do produto, (c) atitudes e (d) intenções comportamentais.
Para aumentar a validade externa, este estudo usa um programa de personalização em massa existente. Potenciais participantes na Coréia do Sul são recrutados para este estudo e são convidados a criar seus próprios casacos de trincheira usando um programa como se tivessem realmente comprado o produto. Para explorar as respostas dos participantes com base em suas experiências de personalização, este estudo usa uma pesquisa on-line. Os participantes podem acessar o questionário imediatamente depois de usar o programa de personalização on-line. Após a coleta de dados, o estudo usa SEM grupo único para investigar os efeitos dos benefícios do consumidor sobre o apego do produto, atitude e intenções de lealdade. Para examinar as funções moderantes da inovação da moda, o estudo utiliza LMAs.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Esta pesquisa foi isenta da revisão do IRB na Universidade de Ewha Womans e foi atribuído o número de protocolo #143-18.
1. recrutamento de participantes
- Prepare-se para realizar uma pesquisa on-line.
Nota: Uma pesquisa on-line foi realizada usando uma empresa de pesquisa na Coréia do Sul. A empresa de pesquisa tem o maior painel de consumidores com altas taxas de resposta na Coréia. As distribuições de idade e de gênero no painel refletem o estado da população coreana. O painel do consumidor tem um alto grau de confiabilidade através da verificação de nomes reais. Uma vez que a empresa de pesquisa gerencia o painel continuamente com vários métodos inovadores, a lealdade do painel para com a empresa de pesquisa é alta; Portanto, os resultados da pesquisa obtidos pela empresa são conhecidos por serem altamente confiáveis. - Recrutar consumidores femininos que têm experiência de compra de vestuário on-line.
Nota: Consumidores femininos na Coréia gastam uma alta percentagem de renda em compras de vestuário, e os comportamentos de compras ocorrem principalmente on-line23. Portanto, a seleção desse grupo como participantes deste estudo é adequada. - Envie um e-mail de convite aos participantes que inclua informações sobre a finalidade do estudo e a garantia da confidencialidade de suas respostas.
- Envie diretrizes para aqueles que concordam em participar da pesquisa mostrando como criar casacos de trincheira usando o programa de personalização (veja a Figura 1).
Nota: Para evitar possíveis situações em que os participantes podem encontrar dificuldade em usar o programa de customização, um moderador da empresa de pesquisa enviou as diretrizes. Além disso, o moderador chamou os participantes e explicou o procedimento de customização, enquanto os participantes revisaram as diretrizes. - Peça aos participantes para capturar um screenshot do Trench Coat criado e fornecer um preço para o revestimento para garantir que eles realmente criam um Trench Coat no programa de personalização.
- Envie um link que esteja conectado ao programa de personalização em massa e em um site de compras existente quando os participantes entenderem o procedimento.
- Forneça o seguinte cenário aos participantes: "por favor, imagine que você está bem-off o suficiente para comprar roupas simpático e tem que comprar um Trench Coat para participar de uma reunião importante. Você quer criar uma Trench Coat única. Enquanto navega na Internet, você se deparar com o site de vestuário perfeito que tem um programa de personalização em massa ".
Nota: Essa etapa é necessária para aumentar os níveis de envolvimento e controlar o tipo de produto e a percepção do consumidor sobre o preço do produto. - Permitir que os participantes 24 h para criar um Trench Coat depois de ler o cenário.
Nota: Os participantes são livres para criar um Trench Coat escolhendo um estilo geral preferido, colarinho, comprimentos de revestimento, comprimento da manga, bolsos, tecido, e forro no caso em que eles realmente comprá-lo. Se eles têm problemas para criar um casaco no programa de personalização, eles têm permissão para ligar e perguntar ao moderador a qualquer momento durante o período de 24 horas. - Ative o link da pesquisa após 24 h para que os participantes que estão prontos para fazer a pesquisa (ou seja, aqueles que terminaram de capturar a captura de tela do Trench Coat que eles criaram) podem clicar no link do questionário.
Figura 1: instruções para usar o programa de personalização em massa e. Os participantes da pesquisa on-line ler direções sobre como criar os casacos de trincheira usando o programa de personalização e siga os passos 1 – 8. Por favor clique aqui para ver uma versão maior desta figura.
2. procedimento de levantamento topográfico
- Peça aos participantes que carreguem a captura de tela e o preço do Trench Coat que eles criaram na primeira página da pesquisa (veja a Figura 2).
Nota: Somente os participantes que carreguem a captura de tela podem acessar o questionário. - Peça aos participantes que concluam o questionário on-line sobre benefícios percebidos, apego emocional ao produto personalizado, atitude em relação ao programa de personalização, intenções de fidelidade e questões demográficas (ver tabela 1).
- Dê uma recompensa àqueles que completarem a pesquisa.
Nota: Aqui, os participantes receberam uma recompensa de $10000 (sobre US $10) para a participação. Os participantes que desistem da pesquisa ou falham em fornecer a captura de tela e o preço recebido $1000 (sobre US $1).
Figura 2: exemplos de Trench Coats criados usando o programa de customização em massa e. Os participantes criaram casacos de trincheira selecionando um colar preferido, comprimento, tecido, etc., seguido por fazer o upload de uma imagem da criação Trench Coat. Por favor clique aqui para ver uma versão maior desta figura.
| Benefício extrínmico (Franke et al., 2009) |
| comparado ao produto padrão, o produto personalizado seria |
| 1. melhor satisfazer as minhas necessidades |
| 2. melhor atender minhas preferências pessoais |
| 3. mais provável ser a melhor solução para mim |
| Benefício intrínseco (Franke e Schreier, 2010) |
| 1. gostei muito desta atividade de design |
| 2. eu pensei que projetar o produto era completamente agradável |
| 3. projetar este produto era muito interessante |
| Acessório emocional do produto (Thomson et al., 2005) |
| Comparado com o produto padrão desta marca, o meu sentimento em relação ao seu produto personalizado pode ser caracterizado por _ _ ' _ _. |
| 1. afeição |
| 2. conexão |
| 3. a paixão |
| 4. encantamento |
| Atitude em relação a um programa de customização em massa (Li et al., 2001) |
| O programa de personalização em massa neste site foi _ _ ' _ _. |
| 1. desagradável e apelativo |
| 2. desagradável e agradável |
| 3. não atraente e atraente |
| 4. dislikable e simpático |
| Intenções de fidelidade (Kwon e Lennon, 2009) |
| 1. gostaria de comprar um produto personalizado neste programa de personalização em um futuro próximo |
| 2. eu recomendaria este programa de personalização para amigos ou parentes |
| 3. gostaria de voltar a este site e personalizar um produto em um futuro próximo |
| Envolvimento do produto (Zaichkowsky, 1985) |
| Para mim, a roupa é o que eu sou. |
| 1. sem importância e importante |
| 2. chato e interessante |
| 3. desagradável e apelativo |
| 4. não necessário e necessário |
| 5. desanimador e exciting6. Inútil e valioso |
| Moda inovação (Park et al., 2007) |
| 1. em geral, eu sou o último no meu círculo de amigos para saber os nomes da última moda nova (R) |
| 2. em geral, estou entre os últimos no meu círculo de amigos para comprar um novo item de moda quando ele aparece (R) |
| 3. comparado a meus amigos, eu possuo artigos novos da forma. |
| 4. eu sei que os nomes de novos designers de moda antes de outras pessoas fazem. |
| 5. se eu ouvi que um novo item de moda estava disponível na loja, eu estaria interessado o suficiente para comprá-lo. |
| 6. eu comprarei um artigo novo da forma mesmo se eu não o vi antes. |
| (R) código reverso |
Tabela 1: escala de medição. Esta tabela foi usada previamente29.
3. preparação de dados
- Salve os dados do questionário em um arquivo SPSS como "Data_TOTAL. SAV" (veja a Figura 3), que contém todas as respostas dos participantes do questionário. Exclua casos que incluam valores ausentes. Use os dados limpos para realizar uma análise de SEM.
- Separe os dados totais em dois arquivos de dados: grupos inovadores de alta e baixa moda. Use uma fração mediana. Soma e média dos escores de seis itens de inovação da moda, e calculamos a mediana da nota de inovação da moda (MED = 4,17).
Nota: A divisão mediana é freqüentemente usada em psicologia e pesquisa de marketing, e usar uma fração mediana para uma variável contínua para examinar as diferenças de grupo é válida24. - Clique em "recodificar em variáveis diferentes" no menu "transformar". Crie uma nova variável, "grupo inovador de moda (FIG)", codificando "1 (grupo inovador de baixa moda)" se a pontuação média for menor que a mediana (por exemplo, mediana = 4,17), ou codificando "2 (grupo inovador de alta moda)" se for maior que a mediana (ver Figura 4 ).
- Clique em "dividir em arquivos" no menu "dados", clique duas vezes na variável "grupo inovador de moda (FIG)" para movê-lo para o campo "dividir ocorrências por" e atribuir o local "diretório de arquivo de saída" para salvar os arquivos (consulte a Figura 5).
- Salve "1. SAV" e "2. SAV" no diretório atribuído. Altere os nomes de arquivo para "Data_low Fashion innovativeness. SAV" e "Data_high Fashion innovativeness. SAV" para usar ambos para LMA.
Figura 3: Data_TOTAL. Os dados incluem respostas de todos os participantes (n = 290) utilizados para análise de MEV. Por favor clique aqui para ver uma versão maior desta figura.
Figura 4: criação da nova variável "grupo inovador de moda (Fig)". A nova variável (FIG) foi feita pela codificação "1 (grupo inovador de baixa moda)" e "2 (alto grupo inovador)". Por favor clique aqui para ver uma versão maior desta figura.
Figura 5: dividindo o DataSet em dois arquivos de dados. O arquivo de dados total, "Data_TOTAL", foi dividido em "Data_low moda innovativeness. SAV" e "Data_high moda innovativeness. SAV" arquivos para uso subseqüente em um LMA. Por favor clique aqui para ver uma versão maior desta figura.
4. executar uma análise fatorial confirmatória (CFA)
-
Conduza um único grupo CFA com o modelo de medição de cinco fatores para confirmar a validade convergente. Clique em "Selecionar arquivo (s) de dados | Data_TOTAL. SAV ". Desenvolver o modelo de medição com base nas questões de pesquisa.
- O modelo de mensuração inclui cinco variáveis latentes (ou seja, benefício extrínseco, benefício intrínsecos, apego emocional do produto, atitudes em relação a um programa de customização em massa e intenções de fidelidade) e 17 variáveis observadas (três variáveis observadas para benefícios extrínsecos, três para benefício intrínseco, quatro para apego emocional do produto, quatro para atitudes em relação a um programa de customização em massa e três para intenções de fidelidade). Defina variâncias das variáveis latentes como "1" (veja a Figura 6 e a Figura 7). Clique em "calcular estimativas".
- Verificar os índices de ajuste do modelo de medição a partir dos resultados do grupo único CFA: índice de bondade de ajuste (GFI), índice de bondade-de-ajuste ajustado (AGFI), índice de ajuste normado (NFI), índice de Tucker-Lewis (tli), índice de ajuste comparativo (CFI) e erro quadrado médio de raiz de aproximação (RMSEA).
Figura 6: especificação do modelo para análise fatorial confirmatória. Por favor clique aqui para ver uma versão maior desta figura.
Figura 7: modelo de mensuração para análise fatorial confirmatória. O modelo de medição para CFA foi criado usando o programa AMOS. A variância das variáveis latentes foi definida como "1". Por favor clique aqui para ver uma versão maior desta figura.
5. executando um SEM
- Para testar as relações entre variáveis latentes, conduza um SEM. clique em "Selecionar arquivo (s) de dados | Data_TOTAL. SAV ". Desenvolver o MEV com base nas questões de pesquisa, incluindo cinco variáveis latentes e 17 variáveis observadas.
- Desenhe flechas de "Extrinsic_V" e "Intrinsic_V" para "EP_Attachment" e "Attitude_MP", bem como de "EP_Attachment" e "Attitude_MP" para "lealdade". Adicionar três variáveis não observadas, ou seja, "Z1" como um preditor de "EP_Attatchment", "Z2" como um preditor de "Attitude_MP", e "Z3" como um preditor de "lealdade" (ver Figura 8, Figura 9). Clique em "calcular estimativas". Verifique as "estimativas" e os índices de ajuste do modelo.
Figura 8: especificação do modelo para modelagem de equações estruturais. Por favor clique aqui para ver uma versão maior desta figura.
Figura 9: análise de modelagem de equações estruturais. Por favor clique aqui para ver uma versão maior desta figura.
6. conduzindo testes de invariância para LMA
- Para comparar os grupos inovadores de alta e baixa moda, realize uma LMA com base na análise fatorial confirmatória Multigrupo (MGCFA). Antes da LMA, invariância do configural de teste, invariância métrica e invariância escalar entre os dois grupos25.
- Criação do modelo de medição Multigrupo: Crie o modelo de medição (ou seja, o modelo para MGCFA) com dois grupos denominados "alto" e "baixo" em "gerenciar grupos". Selecione os arquivos de dados para os grupos da seguinte maneira: "Data_low Fashion innovativeness. SAV" para o grupo inovador de moda de baixa e "Data_high Fashion innovativeness. SAV" para o grupo inovador de alta moda (ver Figura 10).
Figura 10: selecionando arquivos de dados para grupos. O modelo de medição para MGCFA foi criado, e dois arquivos de dados ("Data_low Fashion innovativeness. SAV" e "Data_high Fashion innovativeness. SAV") foram carregados. Por favor clique aqui para ver uma versão maior desta figura.
-
Testando a invariância do configural
Nota: se a estrutura dos modelos de medição em ambos os grupos tem a mesma forma (ou seja, as mesmas dimensões e os mesmos padrões de valores fixos e não fixos), a invariância configural é satisfeita (ver Figura 11). Se o ajuste do modelo de medição for satisfatório, avance para o próximo passo para verificar a invariância métrica26.- Execute o CFA com o modelo de medição de cinco fatores proposto anteriormente para cada grupo. Clique em "calcular estimativas". Verifique as "estimativas" e ajuste índices de ambos os modelos. Se o ajuste de ambos os modelos é satisfatório e os coeficientes de fator são significativos, avance para a próxima etapa.
- Conduza a MGCFA com o modelo de medição de cinco fatores como um modelo de linha de base. Fixar "1" para o coeficiente de fator de cada variável latente à primeira variável observada e deixar liberar os outros coeficientes de fator. Clique em "calcular estimativas".
- Verifique as "estimativas" dos dois grupos e ajuste os índices do modelo. Se o ajuste do modelo é satisfatório e os coeficientes de fator são significativos, a invariância configural é satisfeita. Em seguida, prossiga para a próxima etapa envolvendo o teste de invariância de métrica.
Figura 11: dimensões iguais e formas dos modelos de medição em dois grupos. (A) modelo para o grupo inovador de alta moda e (B) modelo para o grupo inovador de baixa moda. Por favor clique aqui para ver uma versão maior desta figura.
-
Testando a invariância métrica
Observação: o teste de invariância métrica avalia se os coeficientes de fator que vinculam variáveis latentes a variáveis observadas são iguais entre os grupos.- Para o teste de invariância métrica, corrija os coeficientes de fator entre grupos. Digite o mesmo nome para os mesmos coeficientes entre os grupos (por exemplo, "a" para Extrinsic_V | E2, "j" para EP_Attachment | EA4, consulte a Figura 12). Clique em "calcular estimativas". Verifique as "estimativas" dos dois grupos e ajuste os índices do modelo.
- Realize um teste de diferença qui-quadrado comparando o modelo de invariância de métrica completa (ou seja, o modelo com coeficientes de fator fixo entre os grupos) com o modelo de invariância configural (ou seja, o modelo com coeficientes de fator livre em grupo). Se a diferença do qui-quadrado não for significativa, a invariância métrica será satisfeita. Em seguida, prossiga para a próxima etapa envolvendo o teste de invariância escalar25,26,27.
Figura 12: corrigindo os coeficientes de fator entre os grupos. Ao inserir o mesmo nome para os mesmos coeficientes entre os grupos, os coeficientes de fator foram restrinados. Por favor clique aqui para ver uma versão maior desta figura.
-
Testando a invariância escalar
Nota: a invariância escalar significa que 1) os mesmos valores na construção latente estão associados com os mesmos valores na variável observada e 2) as diferenças nas médias das variáveis observadas são derivadas das diferenças médias das variáveis latentes. Para testar a invariância escalar, restrinja as Interceptas de variáveis observadas para que elas sejam iguais entre os grupos28.- Clique em "Propriedades de análise" no menu "ver". Clique na guia "estimativa" e marque "estimar meios e intercepta". Clique com o botão direito do mouse em cada variável observada e escolha "Propriedades do objeto". Selecione a guia "parâmetros" e insira os nomes de parâmetro como "int_e1" e "int_ea1" nas caixas de texto de interceptação (consulte a Figura 13).
- Realize um teste de diferença qui-quadrado comparando o modelo de invariância escalar total/métrico completo (i.e., o modelo com interceptos fixos de variáveis observadas e coeficientes de fator fixo entre os grupos) com o modelo de invariância de métrica completa (i.e., o modelo com coeficientes de fator fixo em todo o grupo). Se a diferença do qui-quadrado não for significativa, a invariância escalar completa/métrica completa será satisfeita.
Nota: Aqui, uma hierarquia específica (teste de invariância configural, teste de invariância métrica, teste de invariância escalar) é usada. Uma vez que cada teste de invariância é satisfeito, conduza o LMA usando o modelo finalmente selecionado (isto é, o modelo de invariância escalar completo/métrico completo).
Figura 13: inserindo nomes de parâmetro na caixa de texto de interceptação.
Por favor clique aqui para ver uma versão maior desta figura.
7. executando um LMA
- Conduza um LMA utilizando o modelo de invariância de métrica total/escalar completo27,28. Para comparar as médias das variáveis latentes, fixar as médias das variáveis latentes em um grupo e deixá-las livres no outro grupo.
- Estimar as diferenças médias entre os grupos, corrigindo um dos meios para zero para um grupo de referência, em seguida, estimar os valores médios para o outro grupo. Assim, fixar as médias de todas as variáveis latentes no grupo inovador de baixa moda em zero. É importante garantir que os meios de variáveis latentes no grupo inovador de alta moda sejam livres e suas variâncias em ambos os grupos sejam livres (ver Figura 14).
- Clique em "calcular estimativas". Verifique as "estimativas" dos dois grupos e ajuste os índices do modelo.
- Clique em "ver texto" e verifique as médias das variáveis latentes no grupo inovador de alta moda em "estimativas" (ver Figura 15).
Figura 14: definindo as médias e variâncias da variável latente. (A) grupo inovativo da forma elevada e (B) grupo inovativo da baixa forma. Por favor clique aqui para ver uma versão maior desta figura.
Figura 15: saída para análise de meios latentes. Por favor clique aqui para ver uma versão maior desta figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
As estatísticas de frequência ofereceram características da amostra. Um total de 290 consumidores on-line feminino completou o processo de compra usando o programa de personalização de massa e. As características demográficas da amostra foram distribuídas uniformemente. Por faixa etária, 23,1% estavam em seus vinte anos, 28,3% em seus trinta anos, 26,6% em seus quarenta e 22,1% em seus cinquenta anos. Pelo estado civil, 58,3% eram casados, enquanto 40% eram solteiros. Por ocupação, 45,2% eram trabalhadores de escritório, 22,8% eram donas de casa, 10,3% eram profissionais, 9,3% eram estudantes e 5,5% estavam no setor de serviços (tabela 2).
Um único grupo CFA foi conduzido com cinco variáveis latentes ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" e "lealdade") e 17 variáveis observadas. O ajuste do modelo de medida de cinco fatores foi avaliado. Embora a estatística qui-quadrado tenha sido significante (qui-quadrado = 179,63, DF = 109, p = 0, 0), a estatística qui-quadrado é sensível a grandes tamanhos amostrais (n = 209). Os valores de outros índices de ajuste indicaram um bom ajuste geral do modelo (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99 e RMSEA = 0, 5). Todas as razões críticas (CRs) dos coeficientes de fator foram significantes (p < 0, 1), implicando que a validade convergente foi alcançada (Figura 16).
| Grupo etário | ||
| Freqüência | Por cento | |
| 20 ' s | 67 | 23,1 |
| 30 ' s | 82 | 28,3 |
| 40 ' s | 77 | 26,6 |
| 50 ' s ~ | 64 | 22,1 |
| Ocupação | ||
| Freqüência | Por cento | |
| Estudantes | 27 | 9,3 |
| trabalhadores de escritório | 131 | 45,2 |
| Produção | 1 | 0,3 |
| Serviço | 16 | 5,5 |
| Profissionais | 30 | 10,3 |
| Negócio | 12 | 4,1 |
| Housewives | 66 | 22,8 |
| Outros | 7 | 2,4 |
| Total | 290 | 100,0 |
| Estado civil | ||
| Freqüência | Por cento | |
| sigle | 116 | 40,0 |
| Casado | 169 | 58,3 |
| Outros | 5 | 1,7 |
| Total | 290 | 100,0 |
Tabela 2: características da amostra.
Figura 16: saída para análise fatorial confirmatória. Por favor clique aqui para ver uma versão maior desta figura.
Um único grupo SEM foi conduzido. Os índices de ajuste do modelo de medida revelaram um ajuste aceitável (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99 e RMSEA = 0, 5). Os valores de CR dos coeficientes de trajeto foram significativos e revelaram os seguintes: (1) efeitos positivos de "Extrinsic_V" (beta = 0,431, CR = 6,661, p < 0, 1) e "Intrinsic_V" (beta = 0,339, CR = 6,848, p < 0, 1) em "EP_Attachment"; (2) efeitos positivos de "Extrinsic_V" (beta = 0,159, CR = 2,581, p < 0, 5) e "Intrinsic_V" (beta = 0,378, CR = 6,688, p < 0, 1) em "Attitude_MP"; (3) efeitos positivos de "EP_Attachment" em "Attitude_MP" (beta = 0,328, CR = 4,905, p < 0, 1); e (4) efeitos positivos de "Attitude_MP" na "lealdade" (beta = 0,846, CR = 6,932, p < 0, 1). O efeito de "EP_Attachment" na "lealdade" não foi significante (beta = 0, 78, CR = 0,696, p = 0,486; ver tabela 3).
| Coeficiente do trajeto | Estimativa | Estimt padronizadoe | S.E. | Cr. | P |
| "Extrinsic_V"--> "EP_Attachment" | 0,431 | 0,437 | 0, 65 | 6,661 | *** |
| "Intrinsic_V"--> "EP_Attachment" | 0,399 | 0,439 | 0, 58 | 6,848 | *** |
| "Extrinsic_V"--> "Attitude_MP" | 0,159 | 0,166 | 0, 61 | 2,581 | 0, 1 |
| "Intrinsic_V"--> "Attitude_MP" | 0,378 | 0,429 | 0, 56 | 6,688 | *** |
| "EP_Attachment"--> "Attitude_MP" | 0,328 | 0,338 | 0, 67 | 4,905 | *** |
| "EP_Attachment"--> "lealdade" | 0, 78 | 0, 62 | 0,113 | 0,696 | 0,486 |
| "Attitude_MP"--> "lealdade" | 0,846 | 0,645 | 0,122 | 6,932 | *** |
| valor-p < 0, 1 | |||||
Tabela 3: resultados da modelagem de equações estruturais de grupo único. Esta tabela foi modificada de uma publicação anterior29.
Utilizando uma fração mediana (MED = 4,17), os dados foram divididos em dois grupos: grupo inovador de moda de baixa e grupo inovador de alta moda. Realizou-se teste te revelou diferenças médias significativas na inovação da moda entre grupos inovadores de alta e baixa moda (mhigh = 5, 3 > mbaixo = 3,50; SDHigh = 0,72, SDLow = 0,68; Nalto = 141, nbaixo = 149; t = 18,53, DF = 288, p < 0, 1).
Antes de comparar os meios latentes entre os grupos inovadores de alta e baixa moda, foi realizada uma hierarquia de testes de invariância. Em primeiro lugar, os CFAs com o modelo proposto de medição de cinco fatores foram conduzidos separadamente para os grupos inovadores de moda de baixa moda e inovadores. Os resultados revelaram um excelente modelo de ajuste para o grupo inovador de baixa moda (NFI = 0,96, TLI = 0,99, CFI = 0,99 e RMSEA = 0, 4) e grupo inovador de alta moda (NFI = 0,93, TLI = 0,97, CFI = 0,97 e RMSEA = 0, 7). Todos os coeficientes de fator foram significativos, implicando que o modelo de cinco fatores é aceito para ambos os grupos.
O passo seguinte foi passar do único grupo CFA para a MGCFA para validar o modelo de mensuração de cinco fatores para ambos os grupos. O modelo 1 (modelo de invariância configural) foi testado para confirmar se a estrutura proposta seria a mesma em grupos inovadores de baixa e alta moda. Os resultados constatam que o ajuste do modelo foi satisfatório. Os valores de outros índices de ajuste indicaram o bom ajuste do modelo geral (NFI = 0,94, TLI = 0,98, CFI = 0,98 e RMSEA = 0, 4; ver tabela 4). Assim, a invariância configural foi alcançada. Todos os CRs dos coeficientes de fator foram significativos (p < 0, 1). O modelo 1 foi considerado um modelo de linha de base.
Para testar a invariância métrica, os coeficientes de fator foram restringidos para serem os mesmos em dois grupos, e outro MGCFA foi realizado (modelo 2). Como o modelo 2 foi aninhado no modelo 1, foi realizado um teste de diferença qui-quadrado. O resultado revelou que uma diferença de qui-quadrado de 14,728 (DF = 12) não foi significante (p = 0,257), e a invariância métrica foi satisfeita (ver tabela 4). Um exemplo do teste de diferença qui-quadrado é o seguinte: Qui-quadrado (modelo 2)-qui-quadrado (modelo 1) = 323,492-308,764 = 14,728; diferença DF: DF (modelo 3)-DF (modelo 2) = 230-218 = 12; Qui-quadrado (DF = 12) = 14,728, valor-p = 0,256649.
Uma vez que o modelo de invariância métrica (modelo 2) foi aceito, a invariância escalar foi testada. As Interceptas de cinco variáveis latentes foram restritas para serem iguais em dois grupos, e a última MGCFA foi realizada (modelo 3). Como o modelo de invariância total/métrica completa (modelo 3) foi aninhado no modelo 2, foi realizado um teste de diferença qui-quadrado. Os resultados revelaram que a diferença do qui-quadrado de 11,18 (DF = 12) não foi significante (p = 0,514), e a invariância escalar foi satisfeita (ver tabela 4). Um exemplo do teste de diferença qui-quadrado é o seguinte: Qui-quadrado (modelo 3)-qui-quadrado (modelo 2) = 334,672 – 323,492 = 11,18; diferença DF: DF (modelo 3)-DF (modelo 2) = 242-230 = 12; Qui-quadrado (DF = 12) = 11,18, valor-p = 0,513559.
| Qui-quadrado | Df | RMSEA | Nfi | Tli | Tpi | |
| Invariância do configural (modelo de linha de base): modelo 1 | 308,764 | 218 | 0, 38 | 0,94 | 0,98 | 0,98 |
| Invariância métrica completa: modelo 2 | 323,492 | 230 | 0, 38 | 0,94 | 0,98 | 0,98 |
| Invariância escalar completa/métrica completa: modelo 3 | 334,672 | 242 | 0, 36 | 0,94 | 0,98 | 0,98 |
| Diferença qui-quadrado | diferença DF | P | Decisão | |||
| Teste de invariância métrica completa (modelo 1 vs. modelo 2) | 14,728 | 12 | 0,256649 | Aceitar | ||
| Teste de invariância escalar completa (modelo 1 versus modelo 2) | 11,18 | 12 | 0,513559 | Aceitar | ||
Tabela 4: ajustar índices para testes de invariância para LMA. Esta tabela foi modificada de uma publicação anterior29.
Dado que a invariância configural, a invariância métrica e a invariância escalar foram alcançadas, a LMA foi realizada. O grupo de baixa moda inovadora foi utilizado como grupo de referência, com suas médias de variáveis latentes fixadas em zero, enquanto os valores médios latentes para o grupo inovador de alta moda foram estimados. Os resultados da LMA revelaram que os meios de cinco variáveis latentes ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" e "lealdade") para grupos inovadores de alta moda foram valores positivos e foram significativamente mais elevados do que os de baixa grupos inovadores de moda (ver quadro 5).
| Construir | Baixo | Alta | SE | Cr |
| "Extrinsic_V" | 0 | 0,590 | 0,134 | 4,393 * * * |
| "Intrinsic_V" | 0 | 0,690 | 0,141 | 4,878 * * * |
| "EP_Attachment" | 0 | 0,527 | 0,134 | 3,926 * * * |
| "Attitude_MP" | 0 | 0,521 | 0,127 | 4, 84 * * * |
| Lealdade | 0 | 0,980 | 0,169 | 5,796 * * * |
| valor de p < 0,001 | ||||
Tabela 5: resultados da LMA. Esta tabela foi modificada de uma publicação anterior29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Implicações dos achados
Os achados deste estudo revelam que os benefícios extrínsecos e intrínsecos dos consumidores derivados da criação de um produto customizado em massa auxiliam no crescimento do apego emocional ao produto, na criação de atitudes positivas em relação ao programa de customização e maiores intenções de lealdade. Os achados sobre os efeitos moderados da inovação da moda revelam que, quando comparados aos consumidores em um grupo de inovação de baixa moda, aqueles em um grupo de alta inovação de moda percebem maiores benefícios, têm maiores anexos, formam mais favoráveis atitudes em relação ao programa, e têm maiores intenções de lealdade. Esses resultados fornecem insights teóricos e práticos que apoiam o modelo HOE.
Implicações da metodologia de pesquisa on-line
Este estudo realizou uma pesquisa on-line usando uma empresa de pesquisa na Coréia do Sul. A empresa de pesquisa tem o maior painel de consumidores com altas taxas de resposta na Coréia. A idade e as distribuições de gênero no painel refletem o estado da população coreana. O painel do consumidor tem um alto grau de confiabilidade através da verificação de nomes reais. Uma vez que a empresa de pesquisa gerencia o painel continuamente com vários métodos inovadores, a lealdade do painel para com a empresa de pesquisa é alta; Portanto, os resultados da pesquisa obtidos pela empresa são vistos como altamente confiáveis.
O uso de um programa de personalização em massa existente tem vantagens em relação aos estudos experimentais tradicionais. Os participantes podem tentar um programa de personalização em massa em um ambiente natural e realista, em vez de um que é intencionalmente manipulado para o estudo. Embora os participantes entendam que estão participando de um estudo, eles não utilizam programa de personalização em massa investigação. Efeitos de reatividade podem ser removidos, e suas respostas para o produto personalizado em massa são mais semelhantes aos seus comportamentos reais ao criar um produto personalizado. Portanto, este estudo possui a vantagem da pesquisa de campo baseada no naturalismo30, mantendo assim um alto grau de validade externa. Além disso, as respostas dos participantes são semelhantes aos membros da população da qual foram selecionados. Este estudo Obtém generalização dos resultados para esta circunstância específica (isto é, compradores em linha fêmeas do Apparel em Coreia sul).
Este estudo fornece um cenário para os participantes que desejam criar um produto em um programa de personalização. Uma crítica de estudos baseados em cenários é A sua validade externa. Os participantes têm maior probabilidade de estarem envolvidos em avaliações cognitivas do que os emocionais por causa da natureza artificial do cenário31. No entanto, os achados revelam que os consumidores que percebem benefícios do produto personalizado apresentam maior apego emocional ao produto, indicando que podem avaliar aspectos cognitivos e emocionais da experiência. Este estudo simula uma experiência de compra da vida real usando o cenário descrito. Como resultado, os participantes apresentam um maior grau de envolvimento na situação de compra, reforçando ainda mais a validade externa.
Implicações da MEV e da LMA
Este estudo aplica a MEV para testar as relações entre as variáveis latentes, e utiliza o LMA com MGCFA para comparar as médias das variáveis latentes em dois grupos de consumidores (grupos inovadores de baixa e alta moda). O LMA requer a hierarquia de testes de invariância, que segue as etapas críticas de um (1) teste de invariância configural, (2) teste de invariância métrica e (3) teste de invariância escalar. Ressalta-se que a pesquisa de alta qualidade deve aplicar testes de invariância antes do teste de MEV e LMA, pois os testes de invariância podem retificar e avaliar erros de mensuração dentro de cada variável latente, estimar a validade de construto e avaliar a mensuração Invariância entre os grupos13. Os resultados das comparações médias podem diferir de acordo com as análises de dados aplicados, como ANOVA e MGCFA. Se a invariância de medição não for segura, os resultados estatísticos das diferenças médias da ANOVA e da MGCFA tornam-se diferentes e inválidos32.
Este estudo destaca a importância de testar a invariância de mensuração para comparações médias e fornece informações sobre a aplicabilidade dos procedimentos de teste de invariância e LMA em relação à pesquisa sobre comportamentos de consumo. Os leitores devem ser capazes de realizar suas próprias análises facilmente. Se necessário, suposições relativas à invariância de medição não são satisfeitas, e as comparações médias de variáveis latentes podem não ser interpretadas. As conclusões da pesquisa de diferenças médias podem ter validade, pois são guiadas por um procedimento estatístico sofisticado para garantir a invariância da medida. Os pesquisadores precisam estimar a invariância de medição e realizar comparações médias para garantir a integridade de estudos futuros.
Embora este estudo se concentre em comparações de múltiplos grupos, as comparações são limitadas para examinar as diferenças médias latentes e não abordam as diferenças de grupo nas relações entre as variáveis latentes. Uma aproximação alternativa para comparações múltiplas do grupo é aplicar a modelagem de equação estrutural do grupo múltiplo MGSEM (MGSEM) e comparar os coeficientes do trajeto através dos grupos. Para fazer isso, os testes de invariância de medição são necessários, e a hierarquia de testes de invariância será então aplicável para pesquisas adicionais.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm nada a revelar.
Acknowledgments
Os dados foram modificados no estudo29de Park e Yoo. Este trabalho foi apoiado pelo Ministério da educação da República da Coréia e da Fundação Nacional de pesquisa da Coréia (NRF = 2016S1A5A2A03927809).
Materials
| Name | Company | Catalog Number | Comments |
| SPSS AMOS 22 | IBM Corporation, Data Solution Inc. | used for confirmatory factor analyses, structural equation modeling analyses, and latent means analyses |
References
- Srinivasan, S. S., Anderson, R., Ponnavolu, K. Customer loyalty in e-commerce: an exploration of its antecedents and consequences. Journal of Retailing. 78 (1), 41-50 (2002).
- Mouw, R. Biggest challenges of mass customization and tips for addressing these challenges. Manufacturing Tomorrow. , Available from: http://www.manufacturingtomorrow.com/article/2016/05/biggest-challenges-of-mass-customization-and-tips-for-addressing-these-challenges-/8047 (2005).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Pine, B. J., Gilmore, J. H. The Experience Economy: Work is Theater and Every Business a Stage. , Harvard Business School Press. Boston, MA. (1999).
- Yoo, J., Park, M. The effects of e-mass customization on consumer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research. 69 (12), 5775-5784 (2016).
- Endo, S., Kincade, D. H. Mass customization for long-term relationship development: why consumers purchase mass customized products again. Qualitative Market Research: An International Journal. 11 (3), 275-294 (2008).
- Spiegel, E. How the U.S. can be a leader in the factory of the future. , Available from: http://blogs.wsj.com/experts/2015/06/04/how-the-u-s-can-be-a-leader-in-the-factory-of-the-future (2015).
- Franke, N., Piller, F. T. Value creation by toolkits for user innovation and design: the case of the watch market. The Journal of Product Innovation Management. 21 (6), 401-415 (2004).
- Lavidge, R. J., Steiner, G. A. A model for predictive measurements of advertising effectiveness. Journal of Marketing. 25, 59-62 (1961).
- Deci, E. L. Intrinsic Motivation. , Plenum Press. New York, NY. (1975).
- Kim, H. W., Chan, H. C., Gupta, S. Value-based adoption of mobile internet: an empirical investigation. Decision Support System. 43 (1), 111-126 (2007).
- Rogers, E. M. Diffusion of Innovations, 4th Edition. , The Free Press. New York, NY. (1995).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Franke, N., Piller, F. T. Key research issues in user interaction with configuration toolkits in a mass customization system. International Journal of Technology Management. 26 (5/6), 578-599 (2003).
- Grisaffe, D. B., Nguyen, H. P. Antecedents of emotional attachment to brands. Journal of Business Research. 64 (10), 1052-1059 (2011).
- Lee, M. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electronic Commerce Research and Applications. 8 (3), 130-141 (2009).
- Pedeliento, G., Andreini, D., Bergamaschi, M., Salo, J. Brand and product attachment in an industrial context: the effects on brand loyalty. Industrial Marketing Management. 53, 194-206 (2016).
- Ilicic, J., Webster, C. M. Effects of multiple endorsements and consumer celebrity attachment on attitude and purchase intention. Australasian Marketing Journal. 19 (4), 230-237 (2011).
- Koo, G. Y., Hardin, R. Difference in interrelationship between spectators’ motives and behavioral intentions based on emotional attachment. Sport Marketing Quarterly. 17 (1), (2008).
- Kang, J. M., Kim, E. e-Mass customization apparel shopping: effects of desire for unique consumer products and perceived risk on purchase intentions. International Journal of Fashion Design, Technology and Education. 5 (2), 91-103 (2012).
- Kim, J. B., Rhee, D. The relationship between psychic distance and foreign direct investment decisions: a Korean study. International Journal of Management. 18 (3), 286-293 (2001).
- Simonson, I. Determinants of customers' responses to customized offers: conceptual framework and research propositions. Journal of Marketing. 69 (1), 32-45 (2005).
- Consumer behavior study reveals South Korean online shopping habits. FedEx. , Available from: http://about.van.fedex.com/newsroom/asia-english/consumer-behavior-study-reveals-south-korean-online-shopping-habits/ (2015).
- Iacobucci, D., Posavac, S. S., Kardes, F. R., Schneider, M. J., Popovich, D. L. Toward a more nuanced understanding of the statistical properties of a median split. Journal of Consumer Psychology. 25 (4), 652-665 (2015).
- Steenkamp, J. B. E. M., Baumgartner, H. Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research. 25 (1), 78-90 (1998).
- Bollen, K. A. Structural Equation with Latent Variables. , Wiley. New York, NY. (1989).
- Sass, D. A. Testing measurement invariance and comparing latent factor means within a confirmatory factor analysis framework. Journal of Psychoeducational Assessment. 29 (4), 347-363 (2011).
- Hong, S., Malik, M. L., Lee, M. K. Testing configural, metric, scalar, and latent mean invariance across genders in sociotropy and autonomy using a non-western sample. Educational and Psychological Measurement. 63 (4), 636-654 (2003).
- Park, M., Yoo, J. Benefits of mass customized products: moderating role of product involvement and fashion innovativeness. Heliyon. 4, 00537 (2018).
- Neuman, W. L. Social Research Methods: Qualitative and Quantitative Approaches, 6th Edition. , Allyn and Bacon. Boston, MA. (2006).
- Kim, J. H., Jang, S. A scenario-based experiment and a field study: a comparative examination for service failure and recovery. International Journal of Hospitality Management. 41, 125-132 (2014).
- Hancock, G. R., Lawrence, F. R., Nevitt, J. Type I error and power of latent mean methods and MANOVA in factorial invariant and noninvariant latent variable systems. Structural Equation Modeling. 7 (4), 534-556 (2000).
