Summary
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.
Abstract
Como muchos académicos y profesionales estudian la personalización y el marketing de relaciones, es importante proporcionar personalización como la personalización masiva a través de la tecnología de marketing. El propósito de este estudio es examinar cómo llevar a cabo la investigación de los consumidores utilizando una encuesta en línea y el análisis de datos. Este estudio examina los beneficios percibidos por los consumidores al tiempo que personaliza un producto, así como el apego emocional del producto, las actitudes hacia un programa de personalización y las intenciones de lealtad en el contexto de la venta al por menor en línea. Además, este estudio investiga cómo las respuestas de los consumidores son diferentes en función de características individuales como la innovación en la moda. Una compañía de encuestas en línea en Corea del Sur reclutó a 290 mujeres compradoras de ropa que compraron ropa en línea. Para mejorar la validez externa, este estudio utilizó un sitio web minorista existente con un programa de personalización masiva bien establecido. Después de completar el programa de personalización, los participantes completan el cuestionario en línea. A continuación, se realizan análisis de la medida de modelado de ecuaciones estructurales (SEM) y análisis medios latentes (LMA) para análisis. Este estudio hace hincapié en la importancia de probar la invariancia de medición para las comparaciones medias. Antes del SEM y el LMA, este estudio sigue la jerarquía de las pruebas de invarianza (prueba de invariancia de configuración, prueba de invariancia de métricas y prueba de invarianza escalar), que no son consideradas por enfoques tradicionales como ANOVA. Estos análisis estadísticos proporcionan la aplicabilidad de los procedimientos de prueba de invariancia y LMA a los comportamientos de los consumidores. Las conclusiones de las diferencias medias tienen integridad y validez porque se guían por un sofisticado procedimiento estadístico para garantizar la invariancia de la medición.
Introduction
La personalización masiva se refiere a la capacidad de un minorista electrónico para adaptar los productos, los servicios y el entorno transaccional a clientes individuales1. Los consumidores de hoy en día no están satisfechos con los productos estándar, y muchos minoristas lo han reconocido. Ofrecer una opción de personalización masiva es un método para obtener la fidelidad del cliente y las ventajas competitivas2. La personalización masiva como táctica de marketing permite a los consumidores crear sus propios productos basados en necesidades particulares y, por lo tanto, proporciona productos o servicios individualizados3. Por ejemplo, los consumidores no solo pueden comprar un par de zapatos producidos en masa, sino que también pueden crear un par de zapatos nuevos y únicos que no están disponibles en sitios web minoristas regulares eligiendo el color, la tela y otros componentes de diseño. Como resultado, los consumidores pueden comprar productos más favorables, y su satisfacción con el producto personalizado, así como el aumento de la fidelidad de la marca4,5.
Con el uso cada vez mayor de Internet, el proceso de personalización masiva se ha vuelto más rápido y eficiente en términos de reducir el tiempo de producción y proporcionar más opciones de diseño con los mismos costos. Además, los minoristas pueden obtener información sobre lo que prefieren sus clientes objetivo y así construir relaciones sólidas con ellos6,7. Como tal, muchas industrias (es decir, ropa, zapatos, automóviles y computadoras) han adoptado programas de personalización. Aunque la personalización masiva beneficia tanto a los consumidores como a los minoristas, algunos minoristas se enfrentan a desafíos8. Por lo tanto, es necesario examinar cómo los consumidores perciben los beneficios y cómo estos beneficios influyen en otras respuestas de compras para el éxito a largo plazo.
Basándose en el modelo de jerarquía de efectos (HOE) a partir de las teorías de persuasión9, este estudio propone que los consumidores procesen la información basada en la secuencia de cognición-efecto-conación. Específicamente, este estudio examina (después de crear un producto personalizado en masa) si los beneficios percibidos para el consumidor (cognición) influyen en las intenciones de lealtad (conación) a través de la fijación del producto y la actitud hacia un programa de personalización masiva (afecto) . Basado en la teoría de la motivación10,los beneficios percibidos se dividen en beneficios extrínsecos e intrínsecos11.
El beneficio extrínseco se refiere al valor percibido por un consumidor derivado del uso de un producto12 (por lo tanto, cerca de valor a la calidad del producto11), mientras que el beneficio intrínseco indica una experiencia agradable cuando se utiliza un producto11. En un contexto de personalización masiva, el beneficio extrínseco está asociado con el producto que crea un consumidor, y el beneficio intrínseco está relacionado con la experiencia de personalización que satisface las necesidades hedóticas y experienciales13,14. Investigaciones anteriores han encontrado que los beneficios percibidos por los consumidores mejoran el apego al producto emocional15 y las actitudes positivas hacia un programa de personalización masiva16. El apego emocional del producto se refiere a un lazo emocional que los consumidores conectan con un producto17,lo que influye positivamente en las actitudes hacia el programa de personalización18 y las intenciones de lealtad19. Además, las actitudes hacia un programa de personalización influyen positivamente en las intenciones de fidelización20.
Por último, este estudio examina cómo una característica individual (es decir, la innovación de la moda) influye de manera diferente en las respuestas de los consumidores. La innovación en la moda se refiere al grado en que la tendencia innovadora de un individuo influye en la adopción de un nuevo artículo de moda21. Los resultados de la investigación muestran que los consumidores que desean evitar la conformidad (es decir, los consumidores innovadores de alta moda) están motivados para adquirir productos únicos, lo que indica que la personalización masiva puede ser una táctica eficaz para diferenciarse de los demás 22. Por lo tanto, este estudio supone que se generará un mayor número de respuestas positivas para los consumidores innovadores de alta moda.
Basado en revisiones de literatura anteriores, este estudio aborda las siguientes hipótesis de investigación. H1: Beneficios percibidos (a: beneficio extrínseco, b: beneficio intrínseco) de un producto personalizado en masa influirá positivamente en la fijación del producto emocional; H2: Los beneficios percibidos (a: beneficio extrínseco, b: beneficio intrínseco) de un producto personalizado masivo influirán positivamente en las actitudes hacia un programa de personalización masiva; H3: El apego emocional del producto influirá positivamente en las actitudes hacia un programa de personalización masiva; H4: El apego emocional del producto influirá positivamente en las intenciones de lealtad; H5: La actitud hacia un programa de personalización masiva influirá positivamente en las intenciones de lealtad; y H6: En comparación con la innovación de baja moda, los innovadores de alta moda tendrán respuestas más positivas a (a) beneficios percibidos, (b) apego emocional del producto, (c) actitudes y (d) intenciones conductuales.
Para mejorar la validez externa, este estudio utiliza un programa de personalización de masas existente. Los participantes potenciales en Corea del Sur son reclutados para este estudio y se les pide que creen sus propias gabardinas utilizando un programa como si realmente hubieran comprado el producto. Para explorar las respuestas de los participantes en función de sus experiencias de personalización, este estudio utiliza una encuesta en línea. Los participantes pueden acceder al cuestionario inmediatamente después de usar el programa de personalización en línea. Después de recopilar datos, el estudio utiliza SEM de un solo grupo para investigar los efectos de los beneficios de los consumidores en el apego del producto, la actitud y las intenciones de lealtad. Para examinar las funciones de moderación de la innovación de la moda, el estudio utiliza LMA.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Esta investigación fue exenta de la Revisión del IRB en la Universidad de Ewha Womans y se le asignó el número de protocolo #143-18.
1. Reclutamiento de Participantes
- Prepárese para realizar una encuesta en línea.
NOTA: Se realizó una encuesta en línea utilizando una compañía de encuestas en Corea del Sur. La empresa de investigación tiene el panel de consumo más grande con altas tasas de respuesta en Corea. Las distribuciones de edad y género en el panel reflejan el estado de la población coreana. El panel de consumidores tiene un alto grado de fiabilidad a través de la verificación de nombres reales. Dado que la empresa de investigación gestiona el panel continuamente con varios métodos innovadores, la lealtad del panel hacia la empresa de investigación es alta; por lo tanto, los resultados de la encuesta obtenidos por la empresa son conocidos por ser altamente confiables. - Recluta a consumidoras que tengan experiencia comprando ropa en línea.
NOTA: Las consumidoras en Corea gastan un alto porcentaje de los ingresos en compras de ropa, y los comportamientos de compra ocurren principalmente en línea23. Por lo tanto, es conveniente seleccionar este grupo como participantes para este estudio. - Enviar un correo electrónico de invitación a los participantes que incluya información sobre la finalidad del estudio y la garantía de la confidencialidad de sus respuestas.
- Envíe directrices a aquellos que acepten participar en la encuesta que muestran cómo crear gabardinas utilizando el programa de personalización (consulte la figura 1).
NOTA: Para evitar posibles situaciones en las que los participantes pueden encontrar dificultades para usar el programa de personalización, un moderador de la empresa de investigación envió las directrices. Además, el moderador llamó a los participantes y explicó el procedimiento de personalización mientras los participantes revisaban las directrices. - Pida a los participantes que capturen una captura de pantalla de la gabardina creada y proporcionen un precio para la capa para asegurarse de que realmente crean una gabardina en el programa de personalización.
- Envíe un enlace que esté conectado al programa de personalización de masas e-masa en un sitio web de compras existente cuando los participantes entiendan el procedimiento.
- Proporcione el siguiente escenario a los participantes: "Por favor, imagine que usted es lo suficientemente acomodado como para comprar ropa agradable y tiene que comprar una gabardina para asistir a una reunión importante. Desea crear una gabardina única. Mientras navegapor por Internet, se encuentra con el sitio web de ropa perfecta que tiene un programa de personalización masiva".
NOTA: Este paso es necesario para aumentar los niveles de participación y controlar el tipo de producto y la percepción del consumidor del precio del producto. - Permita a los participantes 24 h crear una gabardina después de leer el escenario.
NOTA: Los participantes son libres de crear una gabardina eligiendo un estilo general preferido, collar, longitudes de abrigo, longitud de manga, bolsillos, tela y forro en el caso de que realmente lo comprarán. Si tienen problemas para crear una capa en el programa de personalización, se les permite llamar y preguntar al moderador en cualquier momento durante el período de 24 horas. - Active el enlace de la encuesta después de las 24 h para que los participantes que estén listos para realizar la encuesta (es decir, aquellos que hayan terminado de capturar la captura de pantalla de la gabardina que crearon) puedan hacer clic en el enlace de la encuesta.
Figura 1: Instrucciones para utilizar el programa de personalización de masas e. Los participantes de la encuesta en línea leen instrucciones sobre cómo crear las gabardinas utilizando el programa de personalización y siguen los pasos 1–8. Haga clic aquí para ver una versión más grande de esta figura.
2. Procedimiento de 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 (consulte la Figura 2).
NOTA: Solo los participantes que suben la captura de pantalla pueden acceder al cuestionario. - Pida a los participantes que completen el cuestionario en línea sobre los beneficios percibidos, el apego emocional al producto personalizado, la actitud hacia el programa de personalización, las intenciones de lealtad y las preguntas demográficas (ver Tabla 1).
- Dar una recompensa a aquellos que completan la encuesta.
NOTA: Aquí, los participantes recibieron una recompensa de 10.000 euros (alrededor de US$10) por su participación. Los participantes que renunciaron a la encuesta o no proporcionan la captura de pantalla y el precio recibieron 1.000 euros (alrededor de US $1).
Figura 2: Ejemplos de gabardinas creadas mediante el programa de personalización de masas e. Los participantes crearon gabardinas seleccionando un collar, longitud, tela, etc. preferidos, seguido de subir una captura de pantalla de la creación de la gabardina. Haga clic aquí para ver una versión más grande de esta figura.
| Extrinsic Benefit (Franke et al., 2009) |
| en comparación con el producto estándar, el producto personalizado ___________. |
| 1. Satisfacer mejor mis requisitos |
| 2. Mejor cumplir con mis preferencias personales |
| 3. Es más probable que sea la mejor solución para mí |
| Beneficio intrínseco (Franke y Schreier, 2010) |
| 1. Disfruté mucho de esta actividad de diseño |
| 2. Pensé que diseñar el producto era bastante agradable |
| 3. Diseñar este producto fue muy interesante |
| Emotional Product Attachment (Thomson et al., 2005) |
| En comparación con el producto estándar de esta marca, mi sensación hacia su producto personalizado se puede caracterizar por ___________. |
| 1. Afecto |
| 2. Conexión |
| 3. Pasión |
| 4. Captivación |
| Actitud hacia un programa de personalización masiva (Li et al., 2001) |
| El programa de personalización masiva en este sitio web era ___________. |
| 1. Unappealing e atractivo |
| 2. Desagradable e agradable |
| 3. Poco atractivo e atractivo |
| 4. Agradable y agradable |
| Intenciones de lealtad (Kwon y Lennon, 2009) |
| 1. Compraría un producto personalizado en este programa de personalización en un futuro próximo |
| 2. Recomendaría este programa de personalización a amigos o familiares |
| 3. Volvería a este sitio web y personalizaría un producto en un futuro próximo |
| Participación del producto (Zaichkowsky, 1985) |
| Para mí, la ropa es ___________. |
| 1. Sin importancia e importante |
| 2. Aburrido e interesante |
| 3. Unappealing e atractivo |
| 4. No es necesario e |
| 5. Unexciting e emocionante6. Inútil e valioso |
| Moda innovadora (Park et al., 2007) |
| 1. En general, soy el último en mi círculo de amigos en conocer los nombres de la última nueva moda (R) |
| 2. En general, estoy entre los últimos en mi círculo de amigos para comprar un nuevo artículo de moda cuando aparece (R) |
| 3. En comparación con mis amigos, tengo nuevos artículos de moda. |
| 4. Conozco los nombres de los nuevos diseñadores de moda antes que otras personas. |
| 5. Si me enteré de que un nuevo artículo de moda estaba disponible en la tienda, me interesaría lo suficiente como para comprarlo. |
| 6. Voy a comprar un nuevo artículo de moda, incluso si no lo he visto antes. |
| (R) Codificado inverso |
Tabla 1: Escala de medición. Esta tabla se ha utilizado anteriormente29.
3. Preparación de datos
- Guarde los datos de la encuesta en un archivo SPSS como "Data_TOTAL.sav" (consulte la figura 3), que contiene todas las respuestas de los participantes de la encuesta. Elimine los casos que incluyan valores que faltan. Utilice los datos limpios para realizar un análisis SEM.
- Separe los datos totales en dos archivos de datos: grupos innovadores de alta y baja moda. Utilice una división mediana. Sumar y promediar las puntuaciones de seis elementos de innovación de la moda, y calcular la puntuación media de la innovación de la moda (med 4.17).
NOTA: La división mediana se utiliza con frecuencia en la psicología y la investigación de marketing, y el uso de una división mediana para una variable continua para examinar las diferencias de grupo es válido24. - Haga clic en "Recodificar en diferentes variables" en el menú "Transformar". Crear una nueva variable, "grupo innovador de la moda (FIG)", codificando "1 (grupo innovador de baja moda)" si la puntuación media es inferior a la mediana (por ejemplo, mediana n.o 4.17), o codificando "2 (grupo innovador de alta moda)" si es superior a la mediana (véase la figura 4 ).
- Haga clic en "Dividir en archivos" en el menú "Datos", haga doble clic en la variable "grupo innovador de moda (FIG)" para moverlo al campo "Dividir casos por" y asigne la ubicación "Directorio de archivos de salida" para guardar los archivos (consulte la figura 5).
- Guarde "1.sav" y "2.sav" en el directorio asignado. Cambie los nombres de archivo a "Data_low fashion innovativeness.sav" y "Data_high fashion innovativeness.sav" para usar ambos para LMA.
Figura 3: Data_TOTAL. Los datos incluyen las respuestas de todos los participantes (n.o 290) utilizados para el análisis SEM. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Creación de la nueva variable "fashion innovative group (FIG)". La nueva variable (FIG) se hizo mediante la codificación "1 (grupo innovador de baja moda)" y "2 (grupo de alta innovación)". Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Dividir el conjunto de datos en dos archivos de datos. El archivo de datos total, "Data_TOTAL", se dividió en archivos "Data_low fashion innovativeness.sav" y "Data_high fashion innovativeness.sav" para su uso posterior en un LMA. Haga clic aquí para ver una versión más grande de esta figura.
4. Ejecución de un análisis de factor de confirmación (CFA)
-
Realice un CFA de un solo grupo con el modelo de medición de cinco factores para confirmar la validez convergente. Haga clic en "Seleccionar archivo(s) de datos (s) ? Data_TOTAL.sav". Desarrollar el modelo de medición basado en las preguntas de investigación.
- El modelo de medición incluye cinco variables latentes (es decir, beneficio extrínseco, beneficio intrínseco, apego emocional del producto, actitudes hacia un programa de personalización de masas e intenciones de lealtad) y 17 variables observadas (tres variables observadas para beneficio extrínseco, tres para beneficio intrínseco, cuatro para el apego emocional del producto, cuatro para las actitudes hacia un programa de personalización masiva y tres para las intenciones de lealtad). Establezca las varianzas de las variables latentes como "1" (consulte la Figura 6 y la Figura 7). Haga clic en "Calcular estimaciones."
- Compruebe los índices de ajuste del modelo de medición a partir de los resultados del CFA de un solo grupo: índice de bondad de ajuste (GFI), índice de bondad de ajuste ajustado (AGFI), índice de ajuste normalizado (NFI), índice Tucker-Lewis (TLI), índice de ajuste comparativo (CFI) y error cuadrado medio de raíz de error de raíz aproximación (RMSEA).
Figura 6: Especificación del modelo para el análisis de factores de confirmación. Haga clic aquí para ver una versión más grande de esta figura.
Figura 7: Modelo de medición para el análisis de factores confirmatorios. El modelo de medición para CFA se creó utilizando el programa AMOS. La varianza de las variables latentes se estableció como "1". Haga clic aquí para ver una versión más grande de esta figura.
5. Ejecución de un SEM
- Para probar las relaciones entre variables latentes, haga clic en "Seleccionar archivos de datos? Data_TOTAL.sav". Desarrollar el SEM sobre la base de las preguntas de investigación, incluyendo cinco variables latentes y 17 variables observadas.
- Dibuje flechas de "Extrinsic_V" y "Intrinsic_V" a "EP_Attachment" y "Attitude_MP", así como de "EP_Attachment" y "Attitude_MP" a "Loyalty." Agregue tres variables no observadas, a saber, "z1" como predictor de "EP_Attatchment", "z2" como predictor de "Attitude_MP" y "z3" como predictor de "Loyalty" (consulte la Figura 8, Figura 9). Haga clic en "Calcular estimaciones". Compruebe los índices "Estimaciones" y ajuste del modelo.
Figura 8: Especificación del modelo para el modelado de ecuaciones estructurales. Haga clic aquí para ver una versión más grande de esta figura.
Figura 9: Análisis de modelado de ecuaciones estructurales. Haga clic aquí para ver una versión más grande de esta figura.
6. Realización de pruebas de invariancia para LMA
- Para comparar los grupos innovadores de alta y baja moda, lleve a cabo un LMA basado en el análisis de factores confirmatorios multigrupo (MGCFA). Antes del LMA, pruebe la invariancia configural, la invariancia métrica y la invariancia escalar entre ambos grupos25.
- Creación del modelo de medición multigrupo: cree el modelo de medición (es decir, el modelo para MGCFA) con dos grupos denominados "high" y "low" en "Manage Groups". Seleccione los archivos de datos para los grupos de la siguiente manera: "Data_low fashion innovativeness.sav" para el grupo innovador de baja moda y "Data_high fashion innovativeness.sav" para el grupo innovador de alta moda (consulte la figura 10).
Figura 10: Selección de archivos de datos para grupos. Se creó el modelo de medición para MGCFA y se cargaron dos archivos de datos ("Data_low fashion innovativeness.sav" y "Data_high fashion innovativeness.sav"). Haga clic aquí para ver una versión más grande de esta figura.
-
Prueba de la invariancia configuraal
NOTA: Si la estructura de los modelos de medición de ambos grupos tiene la misma forma (es decir, las mismas dimensiones y los mismos patrones de valores fijos y no fijos), se cumple la invariancia configurante (consulte la figura 11). Si el ajuste del modelo de medición es satisfactorio, continúe con el siguiente paso para comprobar la invariancia métrica26.- Realice el CFA con el modelo de medición de cinco factores propuesto anteriormente para cada grupo. Haga clic en "Calcular estimaciones". Compruebe los índices "Estimaciones" y ajuste de ambos modelos. Si el ajuste de ambos modelos es satisfactorio y los coeficientes de factor son significativos, proceda al siguiente paso.
- Lleve a cabo MGCFA con el modelo de medición de cinco factores como modelo de línea de base. Fijar "1" para el coeficiente de factor de cada variable latente a la primera variable observada y dejar libres los otros coeficientes de factor. Haga clic en "Calcular estimaciones".
- Compruebe las "Estimaciones" de los dos grupos e ajuste los índices del modelo. Si el ajuste del modelo es satisfactorio y los coeficientes de factor son significativos, se cumple la invariancia configuralista. A continuación, continúe con el paso siguiente que implica la prueba de invariancia de métricas.
Figura 11: Dimensiones y formas iguales de los modelos de medición en dos grupos. (A) Modelo para el grupo innovador de alta moda y (B) modelo para el grupo innovador de baja moda. Haga clic aquí para ver una versión más grande de esta figura.
-
Prueba de la invariancia métrica
NOTA: La prueba de invariancia de métricas evalúa si los coeficientes de factor que vinculan variables latentes a variables observadas son iguales entre grupos.- Para la prueba de invariancia métrica, corrija los coeficientes de factor entre grupos. Ingrese el mismo nombre para los mismos coeficientes entre los grupos (por ejemplo, "a" para Extrinsic_V ? E2, "j" para EP_Attachment ? EA4, vea la Figura 12). Haga clic en "Calcular estimaciones". Compruebe las "Estimaciones" de los dos grupos e ajuste los índices del modelo.
- Realice una prueba de diferencia de chi-cuadrado comparando el modelo de invariancia de métricas completa (es decir, el modelo con coeficientes de factor fijo entre grupos) con el modelo de invariancia configurante (es decir, el modelo con coeficientes de factor libre en grupo). Si la diferencia de chi-cuadrado no es significativa, se cumple la invariancia de la métrica. A continuación, continúe con el siguiente paso que implica la prueba de invariancia escalar25,26,27.
Figura 12: Corrección de los coeficientes de factor entre grupos. Al introducir el mismo nombre para los mismos coeficientes entre grupos, se restringieron los coeficientes de factor. Haga clic aquí para ver una versión más grande de esta figura.
-
Prueba de la invariancia escalar
NOTA: La invariancia escalar significa que 1) los mismos valores de la construcción latente están asociados con los mismos valores en la variable observada y 2) las diferencias en los medios de las variables observadas se derivan de las diferencias medias de las variables latentes. Para probar la invariancia escalar, restrinja las interceptaciones de las variables observadas para que sean iguales entre los grupos28.- Haga clic en "Propiedades de análisis" en el menú "Ver". Haga clic en la pestaña "Estimación" y marque "Estimar medios e interceptaciones". Haga clic con el botón derecho en cada variable observada y elija "Propiedades de objeto". Seleccione la pestaña "Parámetros" e introduzca los nombres de parámetro como "int_e1" y "int_ea1" en los cuadros de texto de interceptación (consulte la figura 13).
- Realice una prueba de diferencia de chi-cuadrado comparando el modelo completo de invarianza escalar métrica/completa (es decir, el modelo con interceptaciones fijas de variables observadas y coeficientes de factor fijo entre grupos) con el modelo de invariancia métrica completa (es decir, el modelo con coeficientes de factor fijo en todo el grupo). Si la diferencia chi-cuadrada no es significativa, se cumple la invariancia escalar completa métrica/completa.
NOTA: Aquí, se utiliza una jerarquía específica (prueba de invariancia de configuración, prueba de invariancia de métricas, prueba de invariancia escalar). Una vez que se cumpla cada prueba de invariancia, lleve a cabo el LMA utilizando el modelo finalmente seleccionado (es decir, el modelo de invariancia escalar completa/métrica completa).
Figura 13: Introducción de nombres de parámetro en el cuadro de texto de interceptación.
Haga clic aquí para ver una versión más grande de esta figura.
7. Ejecutando un LMA
- Realice un LMA utilizando el modelo de invariancia métrica escalar/completa completo27,28. Para comparar los medios de las variables latentes, fije los medios de las variables latentes en un grupo y deje que sean libres en el otro grupo.
- Calcule las diferencias medias entre grupos fijando uno de los medios a cero para un grupo de referencia y, a continuación, estimando los valores medios para el otro grupo. Así, fija los medios de todas las variables latentes en el grupo innovador de baja moda en cero. Es importante asegurarse de que los medios de las variables latentes en el grupo innovador de alta moda son libres y sus variaciones en ambos grupos son libres (ver Figura 14).
- Haga clic en "Calcular estimaciones". Compruebe las "Estimaciones" de los dos grupos e ajuste los índices del modelo.
- Haga clic en "Ver texto" y compruebe los medios de las variables latentes en el grupo innovador de alta moda en "Estimaciones" (consulte la figura 15).
Figura 14: Ajuste de las medias y varianzas de la variable latente. (A) Grupo innovador de alta moda y (B) grupo innovador de baja moda. Haga clic aquí para ver una versión más grande de esta figura.
Figura 15: Salida para análisis de medios latentes. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Las estadísticas de frecuencia ofrecían características de la muestra. Un total de 290 consumidoras en línea femeninas completaron el proceso de compra utilizando el programa de personalización de masas electrónicas. Las características demográficas de la muestra se distribuyeron uniformemente. Por grupo de edad, el 23,1% tenía n.o veinte años, el 28,3% en los treinta años, el 26,6% en los cuarenta y el 22,1% en los cincuenta. Por estado civil, el 58,3% estaba nado, mientras que el 40% estaba soltero. Por ocupación, el 45,2% eran trabajadores de oficina, el 22,8% eran amas de casa, el 10,3% eran profesionales, el 9,3% eran estudiantes y el 5,5% en el sector servicios(cuadro 2).
Se llevó a cabo un CFA de un solo grupo con cinco variables latentes ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" y "Loyalty") y 17 variables observadas. Se evaluó el ajuste del modelo de medición de cinco factores. Aunque la estadística de chi-cuadrado fue significativa (chi-cuadrado á 179,63, df a 109, p a 0,000), la estadística de chi-cuadrado es sensible a los tamaños de muestra grandes (n a 209). Los valores de otros índices de ajuste indicaban un buen ajuste general del modelo (GFI a 0,93, AGFI a 0,91, NFI a 0,97, TLI a 0,98, CFI a 0,99 y rmsea a 0,05). Todas las proporciones críticas (RR) de los coeficientes de factor fueron significativas (p < 0,001), lo que implica que se logró la validez convergente(Figura 16).
| Grupo de edad | ||
| Frecuencia | Por ciento | |
| 20 | 67 | 23.1 |
| 30 | 82 | 28.3 |
| 40 | 77 | 26.6 |
| 50's | 64 | 22.1 |
| Ocupación | ||
| Frecuencia | Por ciento | |
| Estudiantes | 27 | 9.3 |
| trabajadores de oficina | 131 | 45.2 |
| Producción | 1 | 0.3 |
| Servicio | 16 | 5.5 |
| Profesionales | 30 | 10.3 |
| Negocio | 12 | 4.1 |
| Housewives | 66 | 22.8 |
| Otros | 7 | 2.4 |
| Total | 290 | 100.0 |
| Estado civil | ||
| Frecuencia | Por ciento | |
| Sigle | 116 | 40.0 |
| Casado | 169 | 58.3 |
| Otros | 5 | 1.7 |
| Total | 290 | 100.0 |
Tabla 2: Características de la muestra.
Figura 16: Salida para análisis de factores confirmatorios. Haga clic aquí para ver una versión más grande de esta figura.
Se llevó a cabo un único grupo SEM. Los índices de ajuste del modelo de medición revelaron un ajuste aceptable (GFI a 0,93, AGFI a 0,91, NFI a 0,97, TLI a 0,98, CFI a 0,99 y RMSEA a 0,05). Los valores CR de los coeficientes de trayecto fueron significativos y revelaron lo siguiente: (1) efectos positivos de "Extrinsic_V" (beta a 0,431, CR a 6,661, p < 0,001) y "Intrinsic_V" (beta a 0,339, CR a 6,848, p < 0,001) en "EP_Attachment"; (2) efectos positivos de "Extrinsic_V" (beta a 0,159, CR a 2,581, p < 0,05) y "Intrinsic_V" (beta a 0,378, CR a 6,688, p < 0,001) en "Attitude_MP"; (3) efectos positivos de "EP_Attachment" en "Attitude_MP" (beta - 0.328, CR a 4.905, p < 0.001); y (4) efectos positivos de "Attitude_MP" en "Lealtad" (beta a 0,846, CR a 6,932, p < 0,001). El efecto de "EP_Attachment" en "Lealtad" no fue significativo (beta a 0,078, CR a 0,696, p a 0,486; véase el Cuadro 3).
| Coeficiente de ruta | Estimación | Estimación estandarizadae | S.e. | C.r. | P |
| "Extrinsic_V" --> "EP_Attachment" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
| "Intrinsic_V" --> "EP_Attachment" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
| "Extrinsic_V" --> "Attitude_MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
| "Intrinsic_V" --> "Attitude_MP" | 0.378 | 0.429 | 0.056 | 6.688 | *** |
| "EP_Attachment" -->"Attitude_MP" | 0.328 | 0.338 | 0.067 | 4.905 | *** |
| "EP_Attachment" --> "Lealtad" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
| "Attitude_MP" --> "Lealtad" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
| valor p < 0.001 | |||||
Tabla 3: Resultados del modelado de ecuaciones estructurales de un solo grupo. Esta tabla se ha modificado de una publicación anterior29.
Mediante la utilización de una división mediana (med 4.17), los datos se dividieron en dos grupos: grupo innovador de baja moda y grupo innovador de alta moda. Se llevó a cabo una prueba ty reveló diferencias medias significativas en la innovación de la moda entre los grupos innovadores de alta y baja moda (Malto a 5,03 > Mbajo a 3,50; SDalto á 0.72, SDbajo - 0.68; Nalto a 141, Nbajo a 149; t a 18,53, df a 288, p < 0,001).
Antes de comparar los medios latentes entre los grupos innovadores de alta y baja moda, se realizó una jerarquía de pruebas de invariancia. En primer lugar, los CFA con el modelo de medición de cinco factores propuesto se llevaron a cabo por separado para los grupos innovadores de baja moda y de alta moda. Los resultados revelaron un excelente modelo apto para el grupo innovador de baja moda (NFI a 0,96, TLI a 0,99, CFI a 0,99 y RMSEA a 0,04) y grupo innovador de alta moda (NFI a 0,93, TLI a 0,97, CFI a 0,97 y RMSEA a 0,07). Todos los coeficientes de factor fueron significativos, lo que implica que el modelo de cinco factores se acepta para ambos grupos.
El siguiente paso fue pasar del CFA de un solo grupo a MGCFA para validar cruzadamente el modelo de medición de cinco factores para ambos grupos. El modelo 1 (modelo de invariancia configural) se probó para confirmar si la estructura propuesta sería la misma en grupos innovadores de baja y alta moda. Los resultados encontraron que el ajuste del modelo era satisfactorio. Los valores de otros índices de ajuste indicaban el buen ajuste general del modelo (NFI a 0,94, TLI a 0,98, CFI a 0,98 y RMSEA a 0,04; véase el Cuadro 4). Por lo tanto, se logró la invariancia configuraal. Todos los rCU de coeficientes de factor fueron significativos (p < 0,001). El modelo 1 se consideró un modelo de línea base.
Para probar la invariancia de métricas, los coeficientes de factor se limitaron a ser los mismos en dos grupos y se realizó otro MGCFA (Modelo 2). Dado que el Modelo 2 se anide en el Modelo 1, se llevó a cabo una prueba de diferencia chi-cuadrada. El resultado reveló que una diferencia chi-cuadrada de 14.728 (df -12) no era significativa (p -0,257), y se cumplió la invariancia métrica (véase el Cuadro 4). Un ejemplo de la prueba de diferencia chi-cuadrada es el siguiente: chi-cuadrado (modelo 2) - chi-cuadrado (modelo 1) a 323.492 - 308.764 a 14.728; diferencia df: df (modelo 3) - df (modelo 2) - 230-218 a 12; chi-cuadrado (df a 12) a 14.728, valor p a 0,256649.
Dado que se aceptó el modelo de invariancia de métricas (Modelo 2), se probó la invarianza escalar. Las interceptaciones de cinco variables latentes se limitaron a ser iguales en dos grupos, y se realizó la última MGCFA (Modelo 3). Dado que el modelo de invarianza escalar completa de métricas/full (Modelo 3) se anide en el Modelo 2, se llevó a cabo una prueba de diferencia de chi-cuadrado. Los resultados revelaron que una diferencia chi-cuadrada de 11,18 (df -12) no era significativa (p a 0,514), y se cumplió la invariancia escalar (véase el Cuadro 4). Un ejemplo de la prueba de diferencia chi-cuadrada es el siguiente: chi-cuadrado (modelo 3) - Chi-cuadrado (modelo 2) a 334.672 – 323.492 a 11.18; diferencia df: df (modelo 3) - df (modelo 2) - 242-230 a 12; chi-cuadrado (df a 12) a 11,18, valor p a 0,513559.
| Chi-cuadrado | Df | RMSEA | Nfi | Tli | Cfi | |
| Invariancia de configuración (modelo de línea base): Modelo 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| Invariancia métrica completa: Modelo 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| Invariación escalar completa de métricas/completas: Modelo 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| Diferencia chi-cuadrada | diferencia df | P | Decisión | |||
| Prueba de invariancia métrica completa (Modelo 1 frente a Modelo 2) | 14.728 | 12 | 0.256649 | Aceptar | ||
| Prueba de invariancia escalar completa (Modelo 1 frente a Modelo 2) | 11.18 | 12 | 0.513559 | Aceptar | ||
Tabla 4: Ajustar índices para pruebas de invariancia para LMA. Esta tabla se ha modificado de una publicación anterior29.
Dado que se lograron la invariancia configural, la invariancia de métricas y la invariancia escalar, se realizó el LMA. El grupo innovador de baja moda fue utilizado como el grupo de referencia, con sus medios de variables latentes fijadas en cero, mientras que se estimaron los valores medios latentes para el grupo innovador de alta moda. Los resultados del LMA revelaron que los medios de cinco variables latentes ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" y "Loyalty") para los grupos innovadores de alta moda eran valores positivos y eran significativamente más altos que los de grupos innovadores de la moda (véase el Cuadro 5).
| Construir | Bajo | Alto | 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 | 4.084*** |
| "Lealtad" | 0 | 0.980 | 0.169 | 5.796*** |
| valor p<0.001 | ||||
Tabla 5: Resultados de LMA. Esta tabla se ha modificado de una publicación anterior29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Implicaciones de los hallazgos
Los resultados de este estudio revelan que los beneficios extrínsecos e intrínsecos de los consumidores derivados de la creación de un producto personalizado en masa ayudan al crecimiento del apego emocional al producto, la creación de actitudes positivas hacia el programa de personalización y mayores intenciones de lealtad. Los hallazgos sobre los efectos moderadores de la innovación de la moda revelan que en comparación con los consumidores en un grupo de innovación de baja moda, aquellos en un grupo de innovación de alta moda perciben mayores beneficios, tienen mayores apegos, forman actitudes hacia el programa, y tienen mayores intenciones de lealtad. Estos resultados proporcionan información teórica y práctica que respalda el modelo HOE.
Implicaciones de la metodología de encuestas en línea
Este estudio llevó a cabo una encuesta en línea utilizando una compañía de encuestas en Corea del Sur. La empresa de investigación tiene el panel de consumo más grande con altas tasas de respuesta en Corea. Las distribuciones de edad y género en el panel reflejan el estado de la población coreana. El panel de consumidores tiene un alto grado de fiabilidad a través de la verificación de nombres reales. Dado que la empresa de investigación gestiona el panel continuamente con varios métodos innovadores, la lealtad del panel hacia la empresa de investigación es alta; por lo tanto, los resultados de la encuesta obtenidos por la empresa se consideran altamente confiables.
El uso de un programa de personalización masiva existente tiene ventajas sobre los estudios experimentales tradicionales. Los participantes pueden probar un programa de personalización masiva en un entorno natural y realista, en lugar de uno que se manipula intencionalmente para el estudio. Aunque los participantes entienden que están participando en un estudio, no utilizan el programa de personalización masiva bajo investigación. Los efectos de reactividad se pueden eliminar, y sus respuestas hacia el producto personalizado en masa son más similares a sus comportamientos reales al crear un producto personalizado. Por lo tanto, este estudio posee la ventaja de la investigación de campo basada en el naturalismo30,manteniendo así un alto grado de validez externa. Además, las respuestas de los participantes son similares a las de los miembros de la población de la que fueron seleccionados. Este estudio obtiene generalizabilidad de los hallazgos para esta condición específica (es decir, mujeres compradoras de ropa en línea en Corea del Sur).
Este estudio proporciona un escenario a los participantes que desean crear un producto en un programa de personalización. Una crítica a los estudios basados en escenarios es su validez externa. Los participantes son más propensos a participar en evaluaciones cognitivas que emocionales debido a la naturaleza artificial del escenario31. Sin embargo, los hallazgos revelan que los consumidores que perciben beneficios del producto personalizado muestran un mayor apego emocional al producto, lo que indica que pueden evaluar aspectos cognitivos y emocionales de la experiencia. Este estudio simula una experiencia de compra real utilizando el escenario descrito. Como resultado, los participantes muestran un mayor grado de participación en la situación de compra, mejorando aún más la validez externa.
Implicaciones de SEM y LMA
Este estudio aplica seM para probar las relaciones entre variables latentes, y utiliza el LMA con MGCFA para comparar los medios de variables latentes en dos grupos de consumidores (grupos innovadores de baja y alta moda). El LMA requiere la jerarquía de pruebas de invariancia, que sigue los pasos críticos de una (1) prueba de invariancia configural, (2) prueba de invariancia de métricas y (3) prueba de invarianza escalar. Se ha enfatizado que la investigación de alta calidad debe aplicar pruebas de invariancia antes de probar SEM y LMA, porque las pruebas de invariancia pueden rectificar y evaluar los errores de medición dentro de cada variable latente, estimar la validez de la construcción y evaluar la medición invariancia entre los grupos13. Los resultados de las comparaciones medias pueden diferir según los análisis de datos aplicados, como ANOVA y MGCFA. Si la invariancia de medición no se mantiene, los resultados estadísticos de las diferencias medias de ANOVA y MGCFA se vuelven diferentes e inválidos32.
Este estudio hace hincapié en la importancia de probar la invariancia de medición para comparaciones medias y proporciona información sobre la aplicabilidad de los procedimientos de prueba de invariancia y LMA sobre la investigación sobre comportamientos de los consumidores. Los lectores deben ser capaces de realizar sus propios análisis fácilmente. Si es necesario, no se cumplen los supuestos relacionados con la invariancia de medición y no se pueden interpretar las comparaciones medias de variables latentes. Las conclusiones de investigación de las diferencias medias pueden tener validez, ya que se guían por un sofisticado procedimiento estadístico para garantizar la invariancia de la medición. Los investigadores necesitan estimar la invariancia de la medición y realizar comparaciones medias para garantizar la integridad de estudios futuros.
Aunque este estudio se centra en comparaciones de varios grupos, las comparaciones se limitan a examinar las diferencias medias latentes y no abordan las diferencias de grupo en las relaciones entre las variables latentes. Un enfoque alternativo para las comparaciones de grupo múltiple es aplicar el modelado de la ecuación estructural del grupo múltiple MGSEM (MGSEM) y comparar los coeficientes de trayecto entre los grupos. Para ello, se requieren pruebas de invariancia de medición y la jerarquía de pruebas de invariancia será aplicable para la investigación posterior.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Los datos han sido modificados del estudio de Park y Yoo29. Este trabajo fue apoyado por el Ministerio de Educación de la República de Corea y la Fundación Nacional de Investigación de KOREA (NRF n.o 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).
