Aplicación de un programa de personalización de eMASS como herramienta de investigación para evaluar los beneficios del consumidor

Nuestro protocolo requiere que los participantes experimenten una personalización masiva antes de realizar una encuesta y utiliza los datos de la encuesta para probar las relaciones entre las respuestas de los consumidores. El protocolo permite aplicar los datos del consumidor al modelado de ecuaciones estructurales y al análisis de medios latentes para obtener datos estadísticos sofisticados y aumentar la validez de la investigación. Nuestro estudio beneficiará a la investigación que investiga los efectos de la tecnología minorista o de marketing en las respuestas de los consumidores.

Aunque probar varias pruebas de invariancia como la configuración, la matriz y la invariancia escalar puede ser difícil, aconsejamos paciencia y seguir este procedimiento con mucho cuidado para aumentar la calidad de los datos. Demostrando el procedimiento estará Hiyun Kim, un estudiante de grado A de mi laboratorio. Utilice una encuesta en línea para reclutar a mujeres consumidoras que tienen una experiencia de compra de ropa en línea.

Enviar un correo electrónico de invitación a los participantes calificados que incluya información sobre el propósito del estudio y una garantía de la confidencialidad de las respuestas. Envíe directrices a los participantes de la encuesta que acepten participar en una encuesta que muestre cómo crear gabardinas utilizando el programa de personalización. Los participantes que aceptan participar en la encuesta inician el procedimiento de la encuesta.

Reciben un enlace que está conectado al programa de personalización de eMass en un sitio web de compras existente, y se les pide que se imaginen que está lo suficientemente bien como para comprar ropa agradable y tiene que comprar una gabardina para asistir a una reunión importante. Usted querrá crear una gabardina única. Mientras navegas por Internet, te encuentras con el sitio web de ropa perfecto que tiene un programa de personalización masiva.

24 horas después de recibir el escenario, active el enlace de la encuesta para que los participantes que hayan terminado su gabardina y estén listos para realizar la encuesta puedan hacer clic en el enlace de la encuesta. En la encuesta, pida a los participantes que carguen la captura de pantalla y el precio de la gabardina que crearon en la primera página de la encuesta. Luego, pida a los participantes que completen el cuestionario en línea con respecto a los beneficios percibidos y el apego emocional al producto personalizado, y la actitud hacia el programa de personalización, las intenciones de lealtad y las preguntas demográficas.

Proporcione una recompensa monetaria a aquellos participantes que completen la encuesta. Una vez completadas todas las encuestas, guarde los datos de la encuesta en un archivo SPSS que contenga todas las respuestas de los participantes de la encuesta y utilice los datos limpios para realizar un análisis de modelado de ecuaciones estructurales. Usando una división mediana, suma y promedia las puntuaciones de seis elementos de innovación de la moda y calcula la mediana de la innovación de la moda.

En el menú de transformación, haga clic en recodificar en diferentes variables y código uno para un grupo innovador de baja moda si la puntuación media es inferior a la mediana. Haga doble clic en la variable de grupo innovadora de moda para moverla a los casos divididos por campo. A continuación, asigne la ubicación del directorio del archivo de salida para guardar los archivos como Data_low la innovación de la moda.

innovación en moda sav y Data_high. sav en el directorio asignado. Para confirmar la validez convergente, haga clic en Seleccionar archivos de datos Data_TOTAL.sav.

Desarrollar el modelo de medición basado en las preguntas de investigación para incluir cinco variables latentes y 17 variables observadas. Establezca cada una de las desviaciones de las variables latentes como una sola y haga clic en Calcular estimaciones. A continuación, compruebe los índices de ajuste del modelo de medición a partir de los resultados del análisis del factor confirmatorio de un solo grupo, la bondad del índice de ajuste, la bondad ajustada del índice de ajuste, el índice de ajuste no aplicado, el índice De Tucker Lewis, el índice de ajuste comparativo y el error cuadrado medio de la raíz de aproximación.

En este análisis representativo, se llevó a cabo un análisis de factores confirmatorios de un solo grupo con cinco variables latentes y 17 variables observadas. Todas las proporciones críticas de los coeficientes de factor fueron significativas, lo que implica que se logró la validez convergente. Los índices de ajuste de un modelo de ecuación estructural de un solo grupo revelaron un ajuste aceptable.

Pasar del análisis de factores confirmatorios de un solo grupo al análisis de factores confirmatorios multigrupo para validar el modelo de medición de cinco factores para ambos grupos revela que se logró la invariancia de configuración y que todas las relaciones críticas de los coeficientes de factores fueron significativas. Para probar la invariancia métrica, los coeficientes de factor se vieron limitados a ser los mismos en dos grupos, y se realizó otro análisis de factores confirmatorios multigrupo, lo que indica que una diferencia chi-cuadrada de 14.728 no era significativa y que se cumplía la invarianza métrica. Desde que se aceptó el modelo de invariancia métrica, se probó la invariancia escalar.

Dado que el modelo de invariancia escalar métrica/completa se anidaba en el modelo de invariancia métrica completa, se llevó a cabo una prueba de diferencia de chi-cuadrado, lo que demuestra que una diferencia chi-cuadrada de 11,18 no era significativa y que se cumplía la invariancia escalar. Dado que se logró la invariancia del configurador, la invariancia métrica y la invariancia escalar, se realizó un análisis medio latente y se determinó que los medios de cinco variables latentes para los grupos innovadores altos eran valores positivos significativamente más altos que los de los grupos innovadores de baja moda. El programa de personalización masiva puede parecer difícil dependiendo de la percepción de un individuo de la complejidad de la tarea.

Recuerde proporcionar suficiente tiempo para que los participantes se aclimaten al programa de personalización. Para abordar las diferencias de grupo en las relaciones entre variables latentes, se puede realizar un modelado de ecuaciones estructurales de varios grupos para comparar coeficientes pasados entre los grupos. La mayoría de los investigadores han utilizado el modelado de ecuaciones estructurales de varios grupos para comparaciones de grupos.

Nuestro estudio proporciona otra forma para que se realicen comparaciones de múltiples grupos en un área de ciencias sociales.