Aplicación de un programa de personalización de eMASS como herramienta de investigación para evaluar los beneficios del consumidor
27 de septiembre de 2019
Aquí se presenta un protocolo para examinar las respuestas de los consumidores hacia la personalización masiva en el contexto de la venta al por menor en línea. El protocolo detalla el procedimiento de encuesta en línea y cómo analizar los datos utilizando el modelado de ecuaciones estructurales y las diferencias de grupo mediante análisis medios latentes.
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.
Vea la transcripción completa y acceda a miles de videos científicos
Resumen
Este protocolo describe un método para examinar las respuestas de los consumidores a la personalización masiva en el comercio minorista en línea. Detalla el procedimiento de encuesta en línea y el análisis de los datos mediante modelado de ecuaciones estructurales y análisis de medias latentes.
Componentes Clave del Estudio
Área de la ciencia
- Comportamiento del consumidor
- Comercio minorista en línea
- Modelado estadístico
Antecedentes
- Los participantes experimentan la personalización masiva antes de completar una encuesta.
- Los datos de la encuesta se utilizan para evaluar las relaciones entre las respuestas de los consumidores.
- El protocolo mejora la validez de los hallazgos de la investigación.
- Se recomiendan pruebas de invariancia para mejorar la calidad de los datos.
Objetivo del estudio
- Investigar las respuestas de los consumidores a la tecnología minorista.
- Aplicar métodos estadísticos sofisticados para el análisis de datos.
- Proporcionar información sobre los efectos de la personalización masiva en el comportamiento del consumidor.
Métodos Utilizados
- Reclutamiento mediante encuesta en línea de consumidoras con experiencia en compras de ropa.
- Modelado de ecuaciones estructurales para el análisis de datos.
- Análisis de medias latentes para evaluar diferencias entre grupos.
- Prueba de invariancia para la garantía de calidad de los datos.
Resultados principales
- Las respuestas del consumidor pueden analizarse eficazmente utilizando los métodos propuestos.
- El protocolo permite obtener conocimientos estadísticos sofisticados.
- La paciencia al seguir el procedimiento mejora la calidad de los datos.
Conclusiones
- El estudio contribuye a comprender el comportamiento del consumidor en el comercio minorista en línea.
- Demuestra la importancia del rigor metodológico en la investigación del consumidor.
- Investigaciones futuras pueden basarse en estos hallazgos para explorar implicaciones adicionales.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
Este protocolo demuestra cómo la validación estadística rigurosa de los datos de respuesta del consumidor puede orientar la validación de objetivos y el desarrollo de ensayos en I+D de biofármacos. Al aplicar pruebas de invariancia de medición y análisis de medias latentes, el método respalda la reducción de riesgos mecanicistas y la confianza predictiva en las etapas iniciales del descubrimiento. El enfoque permite a los equipos multifuncionales comparar respuestas biológicas entre subpoblaciones mediante salidas cuantitativas validadas.
Aplicaciones Estratégicas en I+D de Biotecnología Farmacéutica
Descubrimiento Temprano y Validación de Blancos
- Valor científico: Permite la verificación de hipótesis terapéuticas mediante la evaluación de la invariancia de las mediciones en subgrupos biológicos.
- Valor operativo: Facilita la reducción del riesgo biológico mediante el análisis de medias latentes que cuantifica diferencias significativas en la activación de vías.
- Valor predictivo: Mejora la selección de carteras al identificar qué mecanismos diana presentan patrones de respuesta consistentes en modelos variantes.
Desarrollo de Pruebas y Tamizaje
- Valor científico: Prepara sistemas biológicos validados para flujos de trabajo posteriores mediante la confirmación de equivalencia en las mediciones.
- Valor operativo: Aborda la estandarización y reproducibilidad de ensayos mediante pruebas de invariancia configuracional, métrica y escalar.
- Escalabilidad: Destaca la preparación para cribado al garantizar que las salidas cuantitativas sean comparables entre diferentes condiciones experimentales.
Investigación Traductiva y Preclínica
- Continuidad Translacional: Describe cómo la medición invariable apoya la alineación con biomarcadores traslacionales en las etapas de descubrimiento y preclínica.
- Decisiones Ajustadas por Riesgo: Permite la continuidad desde el descubrimiento hasta la validación preclínica mediante la confirmación de la estabilidad del constructo.
- Reducción Mecanicista de Riesgos: Se centra en el valor predictivo al evaluar la interacción con el objetivo en sistemas relevantes para la enfermedad.
Integración de la canalización y flujo de trabajo
El método se encaja dentro del continuo de descubrimiento que va desde la prueba de hipótesis hasta la identificación de compuestos activos, particularmente al comparar respuestas biológicas en modelos variantes.
- Biología del Descubrimiento: Apoya la comprobación de hipótesis y la aclaración de vías al validar modelos de medición antes de comparar constructos latentes.
- Tamizaje: Describe la preparación del ensayo mediante modelos de medición validados que aseguran resultados cuantitativos reproducibles.
- Análisis: Destaca la modelización de ecuaciones estructurales y el análisis de medias latentes como resultados estadísticos que permiten la comparación de condiciones biológicas.
- Investigación Traducional: Conecta el método con la continuidad preclínica al confirmar la invariancia de medición, un requisito previo para la alineación válida de biomarcadores.
- Reutilización Empresarial: Presenta el procedimiento de prueba de invariancia como una capacidad reutilizable para estandarizar comparaciones entre estudios.
Impacto Operativo y Empresarial
- Valor científico: Confianza predictiva, validación de objetivos y reducción de ambigüedad mecanicista mediante modelos de medición validados.
- Valor operativo: Normalización, reproducibilidad y escalabilidad de ensayos biológicos mediante pruebas de invariancia.
- Valor estratégico: Mejores decisiones de avance o interrupción, eficiencia del capital y reducción del riesgo biológico en fases avanzadas al garantizar la equivalencia de las mediciones.
- Impacto en la cartera: Priorización y toma de decisiones de avance ajustadas al riesgo, basadas en diferencias medias latentes con escalas validadas.
Consideraciones de Implementación
- Conocimientos científicos especializados en modelado de ecuaciones estructurales y análisis factorial confirmatorio.
- Requisitos de instrumentación e infraestructura analítica para software estadístico multivariado (por ejemplo, SPSS, AMOS).
- Requisitos de estandarización entre equipos para definir variables latentes e indicadores observados.
- Consideraciones de adaptación entre sistemas de modelos al trasladar protocolos de pruebas de invariancia.
- Limitaciones prácticas incluyen los requisitos de tamaño muestral para análisis multigrupo y la complejidad de las pruebas de invariancia longitudinales.
