L'application d'un programme de personnalisation eMASS comme outil de recherche pour évaluer les avantages pour les consommateurs

Notre protocole exige que les participants connaissent la personnalisation de masse avant de répondre à un sondage, et utilise les données de l’enquête pour tester les relations entre les réponses des consommateurs. Le protocole permet d’appliquer les données des consommateurs à la modélisation des équations structurelles et à l’analyse latente des moyens afin d’obtenir des données statistiques sophistiquées et d’accroître la validité de la recherche. Notre étude profitera à la recherche sur les effets de la technologie de vente au détail ou de marketing sur les réponses des consommateurs.

Bien que l’essai de plusieurs tests d’invariance tels que l’invariance configurale, matricielle et scalaire puisse être difficile, nous conseillons la patience et suivons cette procédure très attentivement pour augmenter la qualité des données. Hiyun Kim, un élève de première année de mon laboratoire, démontrera la procédure. Utilisez un sondage en ligne pour recruter des femmes consommateurs qui ont une expérience d’achat de vêtements en ligne.

Envoyez un courriel d’invitation aux participants admissibles qui comprend des renseignements sur l’objet de l’étude et une assurance de la confidentialité des réponses. Envoyez des lignes directrices aux participants au sondage qui acceptent de participer à un sondage montrant comment créer des trench-coats à l’aide du programme de personnalisation. Les participants qui acceptent de participer à l’enquête commencent la procédure d’enquête.

Ils reçoivent un lien qui est connecté au programme de personnalisation eMass dans un site web d’achat existant, et sont invités à imaginer que vous êtes assez bien lotis pour acheter des vêtements sympathiques et doivent acheter un trench-coat pour assister à une réunion importante. Vous voudrez créer un trench-coat unique. Tout en naviguant sur Internet, vous tombez sur le site web de vêtements parfait qui a un programme de personnalisation de masse.

24 heures après avoir reçu le scénario, activez le lien d’enquête afin que les participants qui ont terminé leur trench-coat et qui sont prêts à répondre à l’enquête puissent cliquer sur le lien de l’enquête. Dans l’enquête, que les participants téléchargent la capture d’écran et le prix du trench-coat qu’ils ont créé à la première page de l’enquête. Ensuite, faites remplir au questionnaire en ligne le questionnaire en ligne sur les avantages perçus et l’attachement émotionnel au produit personnalisé, ainsi que sur l’attitude à l’égard du programme de personnalisation, les intentions de fidélisation et les questions démographiques.

Offrir une récompense monétaire aux participants qui terminent le sondage. Une fois toutes les enquêtes terminées, enregistrez les données de l’enquête dans un fichier SPSS contenant toutes les réponses des participants à l’enquête et utilisez les données nettoyées pour effectuer une analyse structurelle de modélisation des équations. À l’aide d’un fractionnement médian, résumer et faire la moyenne des scores de six éléments d’innovation de la mode et calculer le score médian de l’innovation de la mode.

Sous le menu transformez, cliquez sur recodez en différentes variables et codez un pour un groupe innovant à faible mode si le score moyen est inférieur à la médiane. Double cliquez sur la variable de groupe innovante de la mode pour le déplacer vers les cas divisés par champ. Ensuite, assignez l’emplacement de répertoire de fichiers de sortie pour enregistrer les fichiers Data_low innovation de la mode.

sav et Data_high de mode. sav dans l’annuaire assigné. Pour confirmer la validité convergente, cliquez sur sélectionner les fichiers de données, Data_TOTAL.sav.

Élaborer le modèle de mesure en fonction des questions de recherche pour inclure cinq variables latentes et 17 variables observées. Définissez chacune des variations des variables latentes en une seule et cliquez sur calculer les estimations. Ensuite, vérifiez les indices d’ajustement du modèle de mesure à partir des résultats de l’analyse des facteurs de confirmation d’un seul groupe, de la bonté de l’indice d’ajustement, de la bonté ajustée de l’indice d’ajustement, de l’indice d’ajustement normed, de l’indice Tucker Lewis, de l’indice d’ajustement comparatif et de l’erreur carrée moyenne de racine d’approximation.

Dans cette analyse représentative, une analyse de facteur de confirmation d’un seul groupe a été effectuée avec cinq variables latentes et 17 variables observées. Tous les ratios critiques des coefficients de facteur étaient significatifs, ce qui implique que la validité convergente a été atteinte. Les indices d’ajustement d’une modélisation structurale d’équation de groupe simple ont indiqué un ajustement acceptable.

Le passage de l’analyse des facteurs de confirmation d’un groupe unique à l’analyse des facteurs de confirmation multi-groupes pour valider de façon croisée le modèle de mesure des cinq facteurs pour les deux groupes révèle que l’invariance configurale a été atteinte et que tous les ratios critiques des coefficients de facteur étaient importants. Pour tester l’invariance métrique, les coefficients de facteur ont été contraints d’être les mêmes entre deux groupes, et une autre analyse des facteurs de confirmation multi-groupes a été effectuée, ce qui indique qu’une différence chi-carrée de 14,728 n’était pas significative et que l’invariance métrique était satisfaite. Depuis que le modèle d’invariance métrique a été accepté, l’invariance scalaire a été testée.

Étant donné que le modèle complet d’invariance scalaire/complète a été imbriqué dans le modèle d’invariance métrique complet, un test de différence chi-carré a été effectué, démontrant qu’une différence chi-carrée de 11,18 n’était pas significative et que l’invariance scalaire était satisfaite. Étant donné que l’invariance configurale, l’invariance métrique et l’invariance scalaire ont été réalisées, une analyse moyenne latente a été effectuée et les moyens de cinq variables latentes pour les groupes innovateurs élevés ont été déterminés comme des valeurs positives significativement plus élevées que celles des groupes innovateurs de basse couture. Le programme de personnalisation de masse peut sembler difficile en fonction de la perception qu’a une personne de la complexité de la tâche.

N’oubliez pas de prévoir suffisamment de temps pour que les participants s’acclimatent au programme de personnalisation. Pour remédier aux différences de groupe dans les relations entre les variables latentes, plusieurs modèles d’équations structurelles de groupe peuvent être effectués pour comparer les coefficients passés entre les groupes. La plupart des chercheurs ont utilisé la modélisation des équations structurelles à plusieurs groupes pour les comparaisons de groupe.

Notre étude offre une autre façon de faire de multiples comparaisons de groupe dans un domaine des sciences sociales.