Come le caratteristiche delle celebrità virtuali guidano l'intenzione d'acquisto: testare il quadro stimolo-organismo-risposta con modellazione delle equazioni strutturali
3 marzo 2026
Nel contesto dell'esperienza virtuale della celebrità, la qualità dei contenuti guida maggiormente la soddisfazione; La soddisfazione, a sua volta, aumenta indirettamente l'intenzione d'acquisto tramite la lealtà. La personalizzazione rafforza il legame soddisfazione-fedeltà, quindi le aziende dovrebbero dare priorità ai contenuti virtuali di celebrità emotivi, coerenti con la narrazione e ai programmi di fidelizzazione personalizzati.
Questo studio analizza come gli attributi delle celebrità virtuali influenzino la soddisfazione del consumatore, la royalty, l'intenzione di acquisto e come la personalizzazione rafforzi la royalty basata sulla soddisfazione. Gli studi esistenti identificano mezzi alternativi e la credibilità, ma spiegano in modo inadeguato i risultati del processo. Questo studio chiarisce i meccanismi attraverso il quadro SOR, la mediazione, la personalizzazione e la moderazione.
Per cominciare, definisci il modello strutturale per la Modellazione delle Equazioni Strutturali a Minima Quadrata Parziale, o PLS-SEM. Specificare un massimo di sei predittori per i costrutti endogeni, inclusi tre caratteristiche di celebrità virtuali e tre variabili di controllo. Imposta i parametri statistici, come la dimensione media dell'effetto, il livello di significatività e la potenza statistica per l'analisi della potenza.
Ora, esegui l'analisi di potenza per stimare la dimensione minima richiesta del campione. Reclutare i partecipanti tramite una commissione di ricerca online utilizzando campionamenti non probabilistici intenzionali. Limitare l'idoneità alle persone di età pari o superiore a 18 anni.
Inserire domande di screening e elementi di controllo dell'attenzione nel sondaggio per verificare l'idoneità e la qualità delle risposte. Rivedi le risposte ai sondaggi e rimuovi le voci che non superano i criteri di screening o controllo dell'attenzione. Interrompere la raccolta dei dati una volta raggiunta la dimensione del campione target predeterminata.
Inizia presentando una definizione che descrive le celebrità virtuali come persona audiovisive create digitalmente con identità visiva stabile, voce e contenuti narrativi ricorrenti. Istruisci i partecipanti a rispondere alle domande del sondaggio basate sulle loro esperienze reali con tali celebrità virtuali. Sviluppa il questionario includendo sezioni di sondaggio che coprono aspetto, voce, qualità dei contenuti, soddisfazione, fedeltà, personalizzazione, intenzione d'acquisto e dati demografici.
Misurare tutti i costrutti usando scale di Likert a 7 punti, dove uno indica fortemente disaccordo e sette indica fortemente concorde. Prevenire le segnalazioni duplicate tramite le impostazioni di controllo della piattaforma. Esporta le risposte raccolte in valori separati da virgole o in formato CSV e importa il dataset pulito nel software PLS-SEM.
Per la valutazione della misura e del modello strutturale, specificare tutti i costrutti come costrutti riflettenti. Valutare l'affidabilità utilizzando l'affidabilità alfa e composita di Cronbach, o CR maggiore o uguale a 0,7. Valutare la validità convergente utilizzando la varianza media estratta o AVE maggiore o uguale a 0,5.
Valutare la validità discriminante utilizzando il criterio di Fornell-Larcker e il rapporto eterotratto-monotratto o HTM e assicurarsi che sia inferiore a 0,9. Specificare i percorsi strutturali secondo il modello concettuale e valutare la multi-collinearità usando il fattore di inflazione della varianza o valori VIF inferiori a cinque. Esegui bootstrapping con 5.000 sottocampioni per stimare coefficienti di percorso, valori T, intervalli di confidenza e dimensioni degli effetti.
Stima degli effetti indiretti usando il bootstrapping con 5.000 sottocampioni e intervalli di confidenza al 95% per testare la mediazione sequenziale dagli attributi della celebrità virtuale alla soddisfazione, dalla soddisfazione alla lealtà e dalla lealtà all'intenzione d'acquisto. Crea termini di interazione per testare gli effetti moderativi della personalizzazione. Stima i coefficienti di moderazione e influenza le dimensioni usando il bootstrapping.
Genera grafici di interazione per visualizzare gli effetti condizionali. Dopo la valutazione predittiva delle prestazioni, confrontare i valori predittivi Q-quadrati, l'errore quadratico medio e l'errore assoluto medio con un modello di benchmark lineare. Confermare la rilevanza predittiva quando i valori predittivi Q-quadrati superano zero e gli errori PLS sono inferiori al benchmark.
I test di affidabilità e validità convergente hanno mostrato che tutti i costrutti superavano le soglie raccomandate, confermando che le misure sono sia affidabili che valide. La validità discriminante valutata utilizzando il criterio di Fornell-Larcker e il rapporto eterotratto-monotratto conferma che tutti i costrutti sono empiricamente distinti. La valutazione del modello strutturale indica un potere esplicativo moderato e una performance predittiva accettabile.
La rilevanza predittiva è confermata con valori predittivi Q-quadrati che variano da 0,280 a 0,485. Le prestazioni predittive del modello PLS-SEM vengono confrontate con un benchmark di regressione lineare. Valori di errore quadratico medio e assoluto più bassi indicano una migliore accuratezza nella previsione.
L'analisi statistica identifica quali ipotesi nel modello sono supportate dai dati. L'aspetto, la voce e la qualità dei contenuti influenzano significativamente la soddisfazione del cliente. La soddisfazione aumenta la lealtà, il che a sua volta porta a un'intenzione d'acquisto più elevata.
L'analisi della mediazione indica che la soddisfazione influisce indirettamente sull'intenzione d'acquisto attraverso la lealtà. La personalizzazione rafforza il rapporto tra soddisfazione e lealtà, ma non influisce sull'intenzione d'acquisto. Il protocollo può aiutare a misurare come gli attributi delle celebrità virtuali influenzino soddisfazione, fedeltà e intenzione d'acquisto utilizzando sondaggi e modellazione strutturale.
In questo protocollo, le principali sfide includevano il reclutamento di celebrità virtuale dei partecipanti e la chiarezza delle relazioni incoerenti tra soddisfazione e intenzione d'acquisto negli studi precedenti. Questa ricerca facilita studi futuri sulle tecnologie emergenti di IA attraverso le differenze culturali e l'effetto a lungo termine della personalizzazione e della caratteristica della celebrità virtuale.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio analizza in che modo gli attributi delle celebrità virtuali—nello specifico l'aspetto, la voce e la qualità dei contenuti—influenzano la soddisfazione del consumatore, la fedeltà e l'intenzione all'acquisto. Utilizzando il modello stimolo-organismo-risposta (SOR) e la modellizzazione strutturale di equazioni basata sui minimi quadrati parziali (PLS-SEM), la ricerca chiarisce i meccanismi attraverso cui questi fattori influiscono sul comportamento del consumatore e ne esamina il ruolo moderatore della personalizzazione nel rafforzare la fedeltà derivante dalla soddisfazione.
Componenti Chiave dello Studio
Area della Scienza
- Ricerca sul comportamento del consumatore
- Analisi del marketing
- Studi sui media digitali
Sfondo
- Le celebrità virtuali sono personaggi creati digitalmente dotati di un'identità visiva stabile, voce e contenuti narrativi ricorrenti.
- Le aziende utilizzano sempre più spesso celebrità virtuali per promuovere prodotti e marchi.
- Gli studi precedenti non hanno spiegato pienamente gli esiti di processo dell'influenza delle celebrità virtuali sui consumatori.
- Comprendere i meccanismi sottostanti può contribuire a definire strategie di marketing più efficaci.
Scopo dello studio
- Verificare empiricamente in che modo gli attributi delle celebrità virtuali influenzano la soddisfazione del consumatore, la fedeltà e l'intenzione d'acquisto.
- Chiarire i meccanismi di mediazione e moderazione utilizzando il modello SOR.
- Valutare l'impatto della personalizzazione sulla relazione tra soddisfazione e fedeltà.
Metodi Utilizzati
- Sviluppato un modello strutturale per PLS-SEM con fino a sei predittori per costrutti endogeni.
- Reclutati 249 partecipanti di età pari o superiore a 18 anni mediante campionamento online non probabilistico finalizzato.
- Somministrato un questionario ai partecipanti su aspetto, voce, qualità del contenuto, soddisfazione, fedeltà, personalizzazione, intenzione d'acquisto e dati demografici utilizzando scale Likert a 7 punti.
- Valutata l'affidabilità della misurazione (alfa di Cronbach, affidabilità composta), la validità convergente (AVE) e la validità discriminante (criterio di Fornell-Larcker, rapporto HTMT).
- Analizzato il modello strutturale mediante analisi di bootstrapping (5.000 sottocampioni), analisi di mediazione e di moderazione.
- Confrontate le prestazioni predittive con un modello di riferimento di regressione lineare.
Risultati principali
- Tutti i costrutti di misurazione hanno dimostrato un'elevata affidabilità e validità.
- L'aspetto, la voce e la qualità dei contenuti hanno influenzato in modo significativo la soddisfazione del cliente.
- La qualità dei contenuti si è rivelata il predittore più forte della soddisfazione.
- La soddisfazione aumentava la fedeltà, che a sua volta portava a una maggiore intenzione di acquisto.
- La soddisfazione influenzava l'intenzione di acquisto indirettamente attraverso la fedeltà (mediazione).
- La personalizzazione ha rafforzato la relazione tra soddisfazione e fedeltà (moderazione), ma non ha avuto un effetto diretto sull'intenzione di acquisto.
- Il modello PLS-SEM ha mostrato un potere esplicativo moderato e una maggiore accuratezza predittiva rispetto a un benchmark lineare.
Conclusioni
- Le campagne con celebrità virtuali dovrebbero dare priorità a contenuti che suscitano emozioni e sono coerenti con la narrazione, piuttosto che al realismo visivo.
- Gli investimenti volti a costruire fedeltà e un coinvolgimento personalizzato sono fondamentali per trasformare la soddisfazione in comportamenti di consumo duraturi.
- Il protocollo fornisce un approccio solido per misurare l'impatto degli attributi delle celebrità virtuali sui risultati dei consumatori.
Domande Frequenti
Rilevanza Industriale del Progetto
La modellizzazione quantitativa della risposta del consumatore agli interventi digitali è sempre più rilevante per il settore biopharma, poiché le campagne di coinvolgimento dei pazienti e di salute digitale si avvalgono di personaggi virtuali. Questo protocollo dimostra come test rigorosi delle ipotesi e la modellizzazione di equazioni strutturali possano chiarire i fattori determinanti dell'intenzione comportamentale, sostenendo la previsione affidabile delle strategie di coinvolgimento digitale. L'approccio consente un investimento adeguato ai rischi nelle risorse digitali, validando empiricamente quali attributi influenzano maggiormente soddisfazione e fedeltà.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Bersaglio
- Permette una valutazione basata su ipotesi dei meccanismi di coinvolgimento digitale mediante framework statistici validati.
- Supporta la riduzione del rischio meccanicistica isolando l'impatto di specifici attributi digitali sulla soddisfazione dell'utente e sull'intenzione comportamentale.
- Facilita il triage del portafoglio quantificando quali funzionalità digitali prevedono in modo più forte gli esiti desiderati.
Sviluppo di Screening e Saggi
- Stabilisce misurazioni standardizzate delle risposte degli utenti agli interventi digitali per analisi successive.
- Garantisce riproducibilità e confrontabilità dei dati sul coinvolgimento digitale attraverso costrutti di sondaggio validati e soglie statistiche.
- Prepara le piattaforme di coinvolgimento digitale per valutazioni su larga scala e ottimizzazioni iterative.
Ricerca Translazionale e Preclinica
- Allinea le metriche di coinvolgimento digitale a endpoint comportamentali rilevanti per la ricerca centrata sul paziente.
- Supporta la continuità dalla validazione iniziale del concetto digitale fino alla modellizzazione comportamentale preclinica, quando applicabile.
- Fornisce una riduzione predittiva del rischio nello sviluppo di asset per la salute digitale chiarificando i percorsi di mediazione e moderazione.
Integrazione di Pipeline e Flusso di Lavoro
Questo protocollo si inserisce nel percorso di scoperta della salute digitale, dalla generazione di ipotesi alla validazione di strategie di coinvolgimento digitale e alla previsione degli esiti comportamentali.
- Biologia della scoperta: Chiarisce come specifici attributi digitali influenzino la soddisfazione dell'utente e l'intenzione d'uso, supportando la verifica delle ipotesi e la mappatura dei percorsi.
- Screening: Fornisce output quantitativi standardizzati e riproducibili per la valutazione dell'engagement digitale.
- Analisi dati: Offre output statistici validati, inclusi effetti di mediazione e moderazione, per confrontare diverse condizioni digitali.
- Ricerca traslazionale: Permette l'allineamento delle metriche di engagement digitale con esiti comportamentali o dichiarati dai pazienti a lungo termine.
- Riutilizzo aziendale: Offre un framework riutilizzabile per valutare nuove risorse digitali o strategie di coinvolgimento virtuale in diversi programmi.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva nelle strategie di coinvolgimento digitale e riduce l'ambiguità meccanicistica.
- Valore operativo: Standardizza la misurazione e l'analisi degli interventi digitali per garantire riproducibilità e scalabilità.
- Valore strategico: Orienta le decisioni di investimento in asset digitali (procedere/non procedere) e riduce i rischi in fase avanzata nei portafogli di salute digitale.
- Impatto sul portafoglio: Supporta la priorizzazione corretta per rischio delle iniziative di coinvolgimento digitale sulla base di predittori comportamentali validati.
Considerazioni sull'implementazione
- Richiede competenze nella progettazione di sondaggi, psicometria e modellizzazione di equazioni strutturali.
- Necessita dell'accesso a strumenti di rilevazione validati e a software statistici per l'analisi PLS-SEM.
- Richiede una standardizzazione intersettoriale delle costruzioni relative all'engagement digitale e dei protocolli di misurazione.
- Potrebbe richiedere l'adattamento degli elementi del questionario a diverse popolazioni digitali o di pazienti.
- La rappresentatività del campione e il livello di alfabetizzazione digitale dei partecipanti possono limitare la generalizzabilità.
