Comment les caractéristiques des célébrités virtuelles influencent l’intention d’achat : tester le cadre stimulus-organisme-réponse avec la modélisation par équations structurelles

Cette étude analyse comment les attributs des célébrités virtuelles influencent la satisfaction des consommateurs, la redevance, l’intention d’achat, et comment la personnalisation renforce la royauté basée sur la satisfaction. Les études existantes identifient des moyens alternatifs et la crédibilité, mais n’expliquent pas de manière suffisante les résultats des processus. Cette étude clarifie les mécanismes via le cadre SOR, la médiation, la personnalisation et la modération.

Pour commencer, définissez le modèle structurel pour la modélisation des équations structurelles par moindres carrés partiels, ou PLS-SEM. Spécifiez un maximum de six prédicteurs pour les constructions endogènes, incluant trois caractéristiques virtuelles de célébrité et trois variables de contrôle. Définissez les paramètres statistiques, tels que la taille moyenne de l’effet, le niveau de signification et la puissance statistique pour l’analyse de puissance.

Maintenant, effectuez l’analyse de puissance pour estimer la taille minimale d’échantillon requise. Recrutez les participants via un panel de recherche en ligne utilisant un échantillonnage non probabilistique intentionnel. Restreignez l’éligibilité aux personnes âgées de 18 ans ou plus.

Insérez les questions de sélection et les éléments de contrôle d’attention dans l’enquête pour vérifier l’éligibilité et la qualité des réponses. Examinez les réponses aux enquêtes et supprimez les entrées qui ne passent pas les critères de sélection ou de contrôle d’attention. Arrêtez la collecte des données une fois la taille cible prédéterminée atteinte.

Commencez par présenter une définition décrivant les célébrités virtuelles comme des personas audio-visuels créés numériquement avec une identité visuelle stable, une voix et un contenu narratif récurrent. Demandez aux participants de répondre à des questions d’enquête basées sur leurs expériences réelles avec de telles célébrités virtuelles. Développez le questionnaire en incluant des sections d’enquête couvrant l’apparence, la voix, la qualité du contenu, la satisfaction, la fidélité, la personnalisation, l’intention d’achat et la démographie.

Mesurez tous les concepts à l’aide d’échelles de Likert à 7 points où un indique un fort désaccord et sept indique fortement d’accord. Empêchez les soumissions en double via les paramètres de contrôle de la plateforme. Exportez les réponses collectées en valeurs séparées par virgules ou au format CSV et importez le jeu de données nettoyé dans le logiciel PLS-SEM.

Pour la mesure et l’évaluation des modèles structurels, spécifiez tous les concepts comme des constructs réfléchissants. Évaluer la fiabilité en utilisant la fiabilité alpha et composite de Cronbach, ou CR, supérieure ou égale à 0,7. Évaluer la validité convergente en utilisant la variance moyenne extraite ou l’EVA supérieure ou égale à 0,5.

Évaluer la validité discriminante en utilisant le critère de Fornell-Larcker et le rapport Hétérotrait-Monotrait ou HTM et s’assurer qu’elle est inférieure à 0,9. Spécifier les chemins structurels selon le modèle conceptuel et évaluer la multi-colinéarité en utilisant le facteur d’inflation de variance ou les valeurs VIF inférieures à cinq. Effectuez un bootstrapping avec 5 000 sous-échantillons pour estimer les coefficients de chemin, les valeurs T, les intervalles de confiance et les tailles d’effets.

Estimez les effets indirects en utilisant le bootstrapping avec 5 000 sous-échantillons et des intervalles de confiance à 95 % pour tester la médiation séquentielle des attributs de célébrité virtuelle à la satisfaction, de la satisfaction à la loyauté, et de la loyauté à l’intention d’achat. Créez des termes d’interaction pour tester les effets modérateurs de la personnalisation. Estimez les coefficients de modération et influencez les tailles en utilisant le bootstrapping.

Générez des graphiques d’interaction pour visualiser les effets conditionnels. Après une évaluation prédictive de performance, comparez les valeurs prédites Q-squared, l’erreur quadratique moyenne racine et l’erreur absolue moyenne avec un modèle de référence linéaire. Confirmer la pertinence prédictive lorsque les valeurs prédites Q-carré dépassent zéro et que les erreurs PLS sont inférieures à la référence de référence.

Les tests de fiabilité et de validité convergente ont montré que tous les concepts dépassaient les seuils recommandés, confirmant que les mesures sont à la fois fiables et valides. La validité discriminante évaluée à l’aide du critère de Fornell-Larcker et du ratio Hétérotrait-Monotrait confirme que tous les constructs sont empiriquement distincts. L’évaluation des modèles structurels indique un pouvoir explicatif modéré et une performance prédictive acceptable.

La pertinence prédictive est confirmée par des valeurs de Q-carré prédisant de 0,280 à 0,485. La performance prédictive du modèle PLS-SEM est comparée à une référence de régression linéaire. Des valeurs plus basses de l’erreur quadratique moyenne et de l’erreur absolue moyenne indiquent une meilleure précision de prédiction.

L’analyse statistique identifie quelles hypothèses du modèle sont étayées par les données. L’apparence, la voix et la qualité du contenu influencent significativement la satisfaction client. La satisfaction augmente la fidélité, ce qui conduit à une meilleure intention d’achat.

L’analyse de la médiation indique que la satisfaction affecte indirectement l’intention d’achat par la fidélité. La personnalisation renforce la relation entre satisfaction et fidélité, mais n’affecte pas l’intention d’achat. Le protocole peut aider à mesurer comment les attributs des célébrités virtuelles influencent la satisfaction, la fidélité et l’intention d’achat grâce à des enquêtes et à la modélisation structurelle.

Dans ce protocole, les principaux défis incluaient le recrutement de célébrités virtuelles des participants et la clarification des relations incohérentes entre les rapports de satisfaction et d’intention d’achat dans les études antérieures. Cette recherche facilite les études futures sur les technologies émergentes d’IA à travers les différences culturelles et l’effet à long terme de la personnalisation et du trait de célébrité virtuelle.