Prezentowany tutaj jest protokół do badania reakcji konsumentów na masową personalizację w kontekście sprzedaży detalicznej online. Protokół szczegółowo opisuje procedurę ankiety online oraz sposób analizowania danych za pomocą modelowania równań strukturalnych i różnic grupowych przy użyciu analiz średnich utajonych.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Zastosowanie programu personalizacji eMASS jako narzędzia badawczego do oceny korzyści dla konsumentów
* These authors contributed equally
W tym artykule
Podsumowanie
Streszczenie
Ponieważ wielu naukowców i praktyków bada personalizację i marketing relacji, ważne jest, aby zapewnić personalizację, taką jak masowa personalizacja za pomocą technologii marketingowej. Celem tego badania jest sprawdzenie, w jaki sposób można prowadzić badania konsumenckie za pomocą ankiety online i analizy danych. W badaniu tym przeanalizowano postrzegane przez konsumentów korzyści podczas dostosowywania produktu, a także emocjonalne przywiązanie do produktu, postawy wobec programu personalizacji oraz intencje lojalnościowe w kontekście sprzedaży detalicznej online. Ponadto w badaniu zbadano, w jaki sposób reakcje konsumentów różnią się w zależności od indywidualnych cech, takich jak innowacyjność w modzie. Firma zajmująca się badaniami online w Korei Południowej zrekrutowała 290 kobiet kupujących odzież, które kupiły odzież online. Aby zwiększyć trafność zewnętrzną, w badaniu wykorzystano istniejącą witrynę detaliczną z dobrze ugruntowanym programem masowej personalizacji. Po ukończeniu programu personalizacji uczestnicy wypełniają kwestionariusz online. Następnie przeprowadza się modelowanie równań strukturalnych (SEM) i analizy średnich utajonych (LMA) na potrzeby analiz. W badaniu tym podkreślono znaczenie testowania niezmienności pomiaru dla porównań średnich. Przed SEM i LMA badanie to jest zgodne z hierarchią testów niezmienniczości (test niezmienności konfiguracyjnej, test niezmienniczości metrycznej i test niezmienniczości skalarnej), które nie są brane pod uwagę przez tradycyjne podejścia, takie jak ANOVA. Te analizy statystyczne zapewniają możliwość zastosowania procedur testu niezmienności i LMA do zachowań konsumentów. Wnioski dotyczące średnich różnic są integralne i trafne, ponieważ są prowadzone przez wyrafinowaną procedurę statystyczną w celu zapewnienia niezmienności pomiaru.
Wprowadzenie
Masowa personalizacja odnosi się do zdolności e-sprzedawcy do dostosowywania produktów, usług i środowiska transakcyjnego do indywidualnych klientów1. Dzisiejsi konsumenci nie są zadowoleni ze standardowych produktów i wielu sprzedawców detalicznych zdaje sobie z tego sprawę. Oferowanie opcji masowej personalizacji jest jedną z metod uzyskania lojalności klientów i przewagi konkurencyjnej2. Masowa personalizacja jako taktyka marketingowa pozwala konsumentom tworzyć własne produkty w oparciu o określone potrzeby, a tym samym zapewnia zindywidualizowane produkty lub usługi3. Na przykład konsumenci mogą nie tylko kupić parę butów, które są produkowane masowo, ale mogą również stworzyć nową i niepowtarzalną parę butów, które nie są dostępne na zwykłych stronach internetowych sklepów detalicznych, wybierając kolor, tkaninę i inne elementy projektu. W rezultacie konsumenci mogą kupować korzystniejsze produkty, a ich zadowolenie z dostosowanego produktu, a także lojalność wobec marki wzrastają4,5.
Wraz z rosnącym wykorzystaniem internetu, proces masowego dostosowywania stał się szybszy i bardziej efektywny pod względem skrócenia czasu produkcji i zapewnienia większej liczby opcji projektowania przy tych samych kosztach. Ponadto sprzedawcy detaliczni mogą uzyskać informacje na temat preferencji swoich docelowych klientów, a tym samym budować z nimi silne relacje6,7. W związku z tym wiele branż (np. odzieży, obuwia, samochodów i komputerów) przyjęło programy dostosowywania. Chociaż masowa personalizacja przynosi korzyści zarówno konsumentom, jak i sprzedawcom detalicznym, niektórzy sprzedawcy detaliczni stają przed wyzwaniami8. W związku z tym istnieje potrzeba zbadania, w jaki sposób konsumenci postrzegają korzyści i jak te korzyści wpływają na inne reakcje zakupowe w celu osiągnięcia długoterminowego sukcesu.
Opierając się na modelu hierarchii efektów (HOE) z teorii perswazji9, to badanie proponuje, aby konsumenci przetwarzali informacje w oparciu o sekwencję poznania, afektu i połączenia. W szczególności badanie to bada (po stworzeniu produktu dostosowanego masowo), czy postrzegane korzyści konsumenckie (poznanie) wpływają na intencje lojalnościowe (konację) poprzez przywiązanie do produktu i stosunek do programu masowej personalizacji (afekt). W oparciu o teorię motywacji10, postrzegane korzyści dzielą się na zewnętrzne i wewnętrzne11.
Zewnętrzna korzyść odnosi się do postrzeganej przez konsumenta wartości wynikającej z korzystania z produktu12 (a więc wartość zbliżona do jakości produktu11), podczas gdy wewnętrzna korzyść oznacza przyjemne doświadczenie podczas korzystania z produktu11. W kontekście masowej personalizacji korzyść zewnętrzna jest powiązana z produktem tworzonym przez konsumenta, a korzyść wewnętrzna jest związana z doświadczeniem dostosowywania, które zaspokaja hedoniczne i empiryczne potrzeby13,14. Wcześniejsze badania wykazały, że postrzegane przez konsumentów korzyści zwiększają emocjonalne przywiązanie do produktu15 i pozytywne nastawienie do programu masowej personalizacji16. Emocjonalne przywiązanie do produktu odnosi się do emocjonalnej więzi, którą konsumenci łączą z produktem17, co pozytywnie wpływa na postawy wobec programu personalizacji18 i intencje lojalnościowe19. Co więcej, nastawienie do programu personalizacji pozytywnie wpływa na intencje lojalnościowe20.
Na koniec, to badanie bada, jak indywidualna cecha (np. innowacyjność mody) wpływa na reakcje konsumentów w różny sposób. Innowacyjność w modzie odnosi się do stopnia, w jakim innowacyjność danej osoby wpływa na przyjęcie nowego elementu mody21. Wyniki badań pokazują, że konsumenci, którzy chcą uniknąć konformizmu (tj. wysoce innowacyjni konsumenci) są zmotywowani do nabywania unikalnych produktów, co wskazuje, że masowa personalizacja może być skuteczną taktyką odróżniania się od innych22. W związku z tym badanie to zakłada, że większa liczba pozytywnych reakcji zostanie wygenerowana dla wysoce innowacyjnych konsumentów w dziedzinie mody.
Na podstawie poprzednich przeglądów literatury, to badanie odnosi się do następujących hipotez badawczych. H1: Postrzegane korzyści (a: korzyść zewnętrzna, b: korzyść wewnętrzna) produktu dostosowanego do potrzeb masowych produktów pozytywnie wpłyną na emocjonalne przywiązanie do produktu; H2: Postrzegane korzyści (a: korzyść zewnętrzna, b: korzyść wewnętrzna) produktu dostosowanego do potrzeb masowo wpłyną pozytywnie na postawy wobec programu masowej personalizacji; H3: Emocjonalne przywiązanie do produktu pozytywnie wpłynie na postawy wobec programu masowej personalizacji; H4: Emocjonalne przywiązanie do produktu pozytywnie wpływa na intencje lojalnościowe; H5: Nastawienie do programu masowej personalizacji pozytywnie wpłynie na intencje lojalnościowe; oraz H6: W porównaniu z innowacjami o niskim poziomie innowacyjności, innowatorzy w dziedzinie mody będą bardziej pozytywnie reagować na (a) postrzegane korzyści, (b) emocjonalne przywiązanie do produktu, (c) postawy i (d) intencje behawioralne.
Aby zwiększyć wiarygodność zewnętrzną, to badanie wykorzystuje istniejący program masowej personalizacji. Potencjalni uczestnicy w Korei Południowej są rekrutowani do tego badania i proszeni są o stworzenie własnych trenczy za pomocą programu, tak jakby faktycznie kupili produkt. Aby zbadać odpowiedzi uczestników w oparciu o ich doświadczenia związane z dostosowywaniem, w tym badaniu wykorzystano ankietę online. Uczestnicy mogą uzyskać dostęp do kwestionariusza natychmiast po skorzystaniu z programu do personalizacji online. Po zebraniu danych w badaniu wykorzystano SEM w jednej grupie w celu zbadania wpływu korzyści konsumenckich na przywiązanie do produktu, postawę i intencje lojalnościowe. Aby zbadać moderacyjną rolę innowacyjności w modzie, w badaniu wykorzystano LMA.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Badanie to zostało zwolnione z przeglądu IRB na Uniwersytecie Kobiecym Ewha i otrzymało numer protokołu #143-18.
1. Rekrutacja uczestników
- Przygotuj się do przeprowadzenia ankiety online.
UWAGA: Ankieta online została przeprowadzona przy współpracy z firmą badawczą w Korei Południowej. Firma ta dysponuje największym panelem konsumenckim z wysokim wskaźnikiem odpowiedzi w Korei. Rozkład wieku i płci w panelu odzwierciedla strukturę populacji Korei. Panel konsumencki charakteryzuje się wysokim stopniem wiarygodności dzięki weryfikacji prawdziwych nazwisk. Ponieważ firma badawcza zarządza panelem w sposób ciągły, stosując różnorodne innowacyjne metody, lojalność uczestników panelu wobec firmy jest wysoka; w związku z tym wyniki ankiet uzyskane przez tę firmę są uznawane za wysoce wiarygodne. - Zrekrutuj konsumentki, które mają doświadczenie w zakupach odzieży online.
UWAGA: Konsumentki w Korei przeznaczają wysoki procent dochodów na zakup odzieży, a zachowania zakupowe odbywają się głównie online23. Dlatego wybór tej grupy jako uczestników badania jest odpowiedni. - Wyślij do uczestników e-mail z zaproszeniem, zawierający informacje na temat celu badania oraz zapewnienie o poufności ich odpowiedzi.
- Wyślij osobom, które zgodziły się wziąć udział w ankiecie, wytyczne pokazujące, jak tworzyć trencze za pomocą programu do personalizacji (patrz: Rycina 1).
UWAGA: Aby uniknąć potencjalnych sytuacji, w których uczestnicy mogliby mieć trudności z obsługą programu do personalizacji, wytyczne zostały wysłane przez moderatora z firmy badawczej. Ponadto moderator dzwonił do uczestników i wyjaśniał procedurę personalizacji, podczas gdy uczestnicy zapoznawali się z wytycznymi. - Poproś uczestników o zrobienie zrzutu ekranu stworzonego trencza i podanie ceny płaszcza, aby upewnić się, że rzeczywiście stworzyli trencz w programie do personalizacji.
- Gdy uczestnicy zrozumieją procedurę, prześlij link prowadzący do programu e-masowej personalizacji na istniejącej stronie internetowej sklepu.
- Przedstaw uczestnikom następujący scenariusz: „Proszę wyobrazić sobie, że dysponuje Pani wystarczającymi środkami finansowymi, aby kupować lubiane ubrania i musi Pani kupić trencz na ważne spotkanie. Chce Pani stworzyć unikalny trencz. Przeglądając internet, trafia Pani na idealną stronę z odzieżą, która posiada program masowej personalizacji”.
UWAGA: Ten krok jest wymagany w celu zwiększenia poziomu zaangażowania oraz kontroli typu produktu i postrzegania ceny produktu przez konsumenta. - Daj uczestnikom 24 h na stworzenie trencza po przeczytaniu scenariusza.
UWAGA: Uczestnicy mogą dowolnie tworzyć trencz, wybierając preferowany ogólny styl, kołnierz, długość płaszcza, długość rękawów, kieszenie, tkaninę i podszewkę, tak jakby rzeczywiście chcieli go kupić. W przypadku problemów z tworzeniem płaszcza w programie do personalizacji, uczestnicy mogą w dowolnym momencie w ciągu tych 24 h zadzwonić i zapytać moderatora. - Aktywuj link do ankiety po 24 h, tak aby uczestnicy gotowi do wzięcia udziału w ankiecie (tzn. ci, którzy skończyli robić zrzut ekranu stworzonego trencza) mogli kliknąć w link do ankiety.
Rycina 1: Instrukcje korzystania z programu do personalizacji e-mass. Uczestnicy ankiety online przeczytali instrukcje dotyczące tworzenia płaszczy przeciwdeszczowych za pomocą programu do personalizacji i wykonali kroki od 1 do 8. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
2. Procedura badania
- Poproś uczestników o przesłanie zrzutu ekranu oraz ceny stworzonego przez nich płaszcza na pierwszą stronę ankiety (patrz Rycina 2).
UWAGA: Do kwestionariusza dostęp mają wyłącznie uczestnicy, którzy prześlą zrzut ekranu. - Poproś uczestników o wypełnienie ankiety online dotyczącej postrzeganych korzyści, emocjonalnego przywiązania do spersonalizowanego produktu, stosunku do programu personalizacji, intencji lojalnościowych oraz pytań demograficznych (patrz Tabela 1).
- Przyznaj nagrodę osobom, które ukończyły badanie.
UWAGA: W tym przypadku uczestnicy otrzymali nagrodę w wysokości ₩10 000 (około 10 USD) za udział. Uczestnicy, którzy przerwali ankietę lub nie przesłali zrzutu ekranu i ceny, otrzymali ₩1 000 (około 1 USD).
Rysunek 2: Przykłady płaszczy przeciwdeszczowych stworzonych w ramach programu e-masowej personalizacji. Uczestnicy stworzyli trencze, wybierając preferowany kołnierz, długość, tkaninę itp., a następnie przesłali zrzut ekranu z procesu tworzenia trencza. Kliknij tutaj, aby wyświetlić powiększoną wersję tej figury.
| Korzyść zewnętrzna (Franke i in., 2009) |
| w porównaniu z produktem standardowym, produkt spersonalizowany ___________. |
| 1. Lepsze zaspokojenie moich wymagań |
| 2. Lepsze dopasowanie do moich osobistych preferencji |
| 3. Z większym prawdopodobieństwem będzie to najlepsze rozwiązanie dla mnie |
| Korzyść wewnętrzna (Franke and Schreier, 2010) |
| 1. Bardzo spodobało mi się to zadanie projektowe |
| 2. Uważam, że projektowanie produktu było całkiem przyjemne |
| 3. Projektowanie tego produktu było bardzo interesujące |
| Emocjonalne przywiązanie do produktu (Thomson et al., 2005) |
| W porównaniu do standardowego produktu tej marki, moje odczucia względem produktu spersonalizowanego można określić jako ___________. |
| 1. Afekt |
| 2. Połączenie |
| 3. Pasja |
| 4. Unieruchomienie |
| Stosunek do programu masowej customizacji (Li i in., 2001) |
| Program masowej personalizacji na tej stronie internetowej został ___________. |
| 1. Nieatrakcyjny i atrakcyjny |
| 2. Nieprzyjemne i przyjemne |
| 3. Nieatrakcyjne i atrakcyjne |
| 4. Budzące niechęć i budzące sympatię |
| Intencje lojalnościowe (Kwon i Lennon, 2009) |
| 1. W najbliższej przyszłości zakupiłbym produkt spersonalizowany w ramach tego programu personalizacji |
| 2. Poleciłbym ten program dostosowania znajomym lub krewnym |
| 3. W najbliższej przyszłości wróciłbym/wróciłabym na tę stronę i spersonalizował(a) produkt |
| Zaangażowanie w produkt (Zaichkowsky, 1985) |
| Dla mnie odzież to ___________. |
| 1. Nieistotne i istotne |
| 2. Nudne i ciekawe |
| 3. Nieatrakcyjne i atrakcyjne |
| 4. Niepotrzebne i potrzebne |
| 5. Nieciekawy a ekscytujący 6. Bez wartości a cenny |
| Innowacyjność modowa (Park i wsp., 2007) |
| 1. Zazwyczaj jako ostatnia osoba w moim kręgu znajomych dowiaduję się o najnowszych trendach w modzie (R) |
| 2. Zazwyczaj jestem jedną z ostatnich osób w moim kręgu znajomych, która kupuje nowy element mody po jego pojawieniu się (R) |
| 3. W porównaniu do moich znajomych, posiadam nowe elementy garderoby. |
| 4. Znam nazwiska nowych projektantów mody przed innymi ludźmi. |
| 5. Gdybym dowiedział się, że w sklepie pojawił się nowy produkt modowy, byłbym na tyle zainteresowany, aby go kupić. |
| 6. Kupię nowy produkt modowy, nawet jeśli wcześniej go nie widziałem/widziałam. |
| (R) Odwrócone kodowanie |
Tabela 1: Skala pomiarowa. Ta tabela była stosowana wcześniej29.
3. Przygotowanie danych
- Zapisz dane z ankiety w pliku SPSS jako „Data_TOTAL.sav” (patrz Rysunek 3), który zawiera wszystkie odpowiedzi uczestników badania. Usuń przypadki zawierające brakujące wartości. Wykorzystaj oczyszczone dane do przeprowadzenia analizy SEM.
- Podziel całkowity zbiór danych na dwa pliki danych: grupę o wysokim i niskim poziomie innowacyjności modowej. Zastosuj podział medianowy. Zsumuj i oblicz średnią wyników dla sześciu pozycji dotyczących innowacyjności modowej, a następnie oblicz medianę wyników innowacyjności modowej (med = 4,17).
UWAGA: Podział medianowy jest często stosowany w badaniach psychologicznych i marketingowych, a użycie podziału medianowego dla zmiennej ciągłej w celu zbadania różnic grupowych jest metodą dopuszczalną24. - W menu „Transform” wybierz opcję „Recode into Different Variables”. Utwórz nową zmienną „fashion innovative group (FIG)”, przypisując kod „1 (low fashion innovative group)”, jeśli średni wynik jest niższy od mediany (np. mediana = 4,17), lub kod „2 (high fashion innovative group)”, jeśli jest wyższy od mediany (patrz Rysunek 4).
- W menu „Data” wybierz opcję „Split into files”, dwukrotnie kliknij zmienną „fashion innovative group (FIG)”, aby przenieść ją do pola „Split Cases by”, a następnie określ ścieżkę „Output File Directory” w celu zapisania plików (patrz Rysunek 5).
- Zapisz pliki „1.sav” i „2.sav” w wybranym katalogu. Zmień nazwy plików na „Data_low fashion innovativeness.sav” oraz „Data_high fashion innovativeness.sav”, aby wykorzystać oba zbiory do analizy LMA.
Rysunek 3: Dane_CAŁKOWITE. Dane obejmują odpowiedzi wszystkich uczestników (n = 290) wykorzystane do analizy SEM. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 4: Tworzenie nowej zmiennej „fashion innovative group (FIG)”. Nową zmienną (FIG) utworzono poprzez zakodowanie wartości „1 (low fashion innovative group)” oraz „2 (high innovative group)”. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 5: Podział zbioru danych na dwa pliki danych. Całkowity plik danych, „Data_TOTAL”, został podzielony na pliki „Data_low fashion innovativeness.sav” oraz „Data_high fashion innovativeness.sav” do późniejszego wykorzystania w analizie LMA. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
4. Przeprowadzanie analizy czynnikowej potwierdzającej (CFA)
- Przeprowadź CFA dla jednej grupy z pięcioczynnikowym modelem pomiarowym, aby potwierdzić trafność zbieżną. Kliknij „Select data file(s) | Data_TOTAL.sav”. Opracuj model pomiarowy w oparciu o pytania badawcze.
- Model pomiarowy obejmuje pięć zmiennych latentnych (tj. korzyść zewnętrzną, korzyść wewnętrzną, emocjonalne przywiązanie do produktu, postawy wobec programu masowej customizacji oraz intencje lojalnościowe) i 17 zmiennych obserwowanych (trzy zmienne obserwowane dla korzyści zewnętrznej, trzy dla korzyści wewnętrznej, cztery dla emocjonalnego przywiązania do produktu, cztery dla postaw wobec programu masowej customizacji i trzy dla intencji lojalnościowych). Ustaw wariancje zmiennych latentnych na „1” (patrz Rysunek 6 i Rysunek 7). Kliknij „Calculate estimates”.
- Sprawdź indeksy dopasowania modelu pomiarowego z wyników CFA dla jednej grupy: indeks dobroci dopasowania (GFI), skorygowany indeks dobroci dopasowania (AGFI), znormalizowany indeks dopasowania (NFI), indeks Tucker-Lewisa (TLI), porównawczy indeks dopasowania (CFI) oraz pierwiastkowe średniokwadratowe błędy przybliżenia (RMSEA).
Rysunek 6: Specyfikacja modelu dla analizy czynnikowej potwierdzającej. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.
Rysunek 7: Model pomiarowy dla potwierdzającej analizy czynnikowej. Model pomiarowy dla CFA został stworzony przy użyciu programu AMOS. Wariancje zmiennych latentnych ustawiono na „1”. Proszę kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.
5. Obsługa SEM
- Aby przetestować zależności między zmiennymi latentnymi, przeprowadź analizę SEM. Kliknij „Select data file(s) | Data_TOTAL.sav”. Opracuj model SEM na podstawie pytań badawczych, uwzględniając pięć zmiennych latentnych i 17 zmiennych obserwowanych.
- Narysuj strzałki od „Extrinsic_V” i „Intrinsic_V” do „EP_Attachment” i „Attitude_MP”, a także od „EP_Attachment” i „Attitude_MP” do „Loyalty”. Dodaj trzy zmienne nieobserwowalne, mianowicie „z1” jako predyktor „EP_Attatchment”, „z2” jako predyktor „Attitude_MP” oraz „z3” jako predyktor „Loyalty” (patrz Rysunek 8, Rysunek 9). Kliknij „Calculate estimates”. Sprawdź wartości „Estimates” oraz indeksy dopasowania modelu.
Rysunek 8: Specyfikacja modelu dla modelowania równań strukturalnych. Aby zobaczyć powiększoną wersję tego rysunku, kliknij tutaj.
Rysunek 9: Analiza modelowania równań strukturalnych. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
6. Przeprowadzanie testów niezmienniczości dla LMA
- Aby porównać grupy o wysokim i niskim poziomie innowacyjności w modzie, należy przeprowadzić LMA w oparciu o wielogrupową analizę czynnikową potwierdzającą (MGCFA). Przed wykonaniem LMA należy przetestować niezmienniczość konfiguracyjną, metryczną oraz skalarną pomiędzy obiema grupami25.
- Tworzenie wielogrupowego modelu pomiarowego: utwórz model pomiarowy (tj. model dla MGCFA) z dwiema grupami o nazwach „high” oraz „low” w sekcji „Manage Groups”. Wybierz pliki danych dla grup w następujący sposób: „Data_low fashion innovativeness.sav” dla grupy o niskiej innowacyjności w modzie oraz „Data_high fashion innovativeness.sav” dla grupy o wysokiej innowacyjności w modzie (patrz Rysunek 10).
Rycina 10: Wybieranie plików danych dla grup. Utworzono model pomiarowy dla MGCFA i wgrano dwa pliki danych („Data_low fashion innovativeness.sav” oraz „Data_high fashion innovativeness.sav”). Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
- Badanie niezmienniczości konfiguracyjnej
UWAGA: Jeśli struktury modeli pomiarowych w obu grupach mają taką samą formę (tzn. te same wymiary oraz te same wzorce wartości utrwalonych i nieutrwalonych), niezmienniczość konfiguracyjna jest spełniona (patrz Rysunek 11). Jeśli dopasowanie modelu pomiarowego jest satysfakcjonujące, przejdź do następnego kroku w celu sprawdzenia niezmienniczości metrycznej26.- Wykonaj CFA z uprzednio zaproponowanym pięcioczynnikowym modelem pomiarowym dla każdej grupy. Kliknij „Calculate estimates”. Sprawdź „Estimates” oraz wskaźniki dopasowania obu modeli. Jeśli dopasowanie obu modeli jest satysfakcjonujące, a współczynniki czynnikowe są istotne, przejdź do następnego kroku.
- Przeprowadź MGCFA, przyjmując pięcioczynnikowy model pomiarowy jako model bazowy. Utrwal wartość „1” dla współczynnika czynnikowego od każdej zmiennej latentnej do pierwszej zmiennej obserwowalnej i pozostaw pozostałe współczynniki czynnikowe jako wolne. Kliknij „Calculate estimates”.
- Sprawdź „Estimates” dla obu grup oraz wskaźniki dopasowania modelu. Jeśli dopasowanie modelu jest satysfakcjonujące, a współczynniki czynnikowe są istotne, niezmienniczość konfiguracyjna jest spełniona. Następnie przejdź do kolejnego kroku obejmującego test niezmienniczości metrycznej.
Rycina 11: Równe wymiary i formy modeli pomiarowych w dwóch grupach. (A) Model dla grupy o wysokim poziomie innowacyjności w modzie oraz (B) model dla grupy o niskim poziomie innowacyjności w modzie. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
- Badanie niezmienniczości metrycznej
UWAGA: Test niezmienniczości metrycznej ocenia, czy współczynniki czynnikowe wiążące zmienne ukryte ze zmiennymi obserwowanymi są równe w poszczególnych grupach.- W celu przeprowadzenia testu niezmienniczości metrycznej ustal współczynniki czynnikowe dla poszczególnych grup. Wprowadź tę samą nazwę dla tych samych współczynników w różnych grupach (np. „a” dla Extrinsic_V | E2, „j” dla EP_Attachment | EA4, patrz Rysunek 12). Kliknij „Calculate estimates”. Sprawdź „Estimates” dla obu grup oraz wskaźniki dopasowania modelu.
- Przeprowadź test różnicy chi-kwadrat, porównując pełny model niezmienniczości metrycznej (tj. model z ustalonymi współczynnikami czynnikowymi między grupami) z modelem niezmienniczości konfiguracyjnej (tj. model z wolnymi współczynnikami czynnikowymi między grupami). Jeśli różnica chi-kwadrat jest nieistotna, warunek niezmienniczości metrycznej jest spełniony. Następnie przejdź do kolejnego kroku obejmującego test niezmienniczości skalarnej25,26,27.
Rysunek 12: Ustalanie współczynników czynników pomiędzy grupami. Współczynniki czynników zostały ograniczone poprzez wprowadzenie tej samej nazwy dla tych samych współczynników we wszystkich grupach. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
- Badanie niezmienniczości skalarniej
UWAGA: Niezmienniczość skalarna oznacza, że 1) tym samym wartościom konstruktu latentnego odpowiadają te same wartości zmiennej obserwowalnej oraz 2) różnice w średnich zmiennych obserwowalnych wynikają z różnic w średnich zmiennych latentnych. Aby przetestować niezmienniczość skalarną, należy ograniczyć intercepty zmiennych obserwowalnych tak, aby były one równe w różnych grupach28.- W menu „View” kliknij „Analysis properties”. Przejdź do karty „Estimation” i zaznacz opcję „Estimate means and intercepts”. Kliknij prawym przyciskiem myszy każdą zmienną obserwowalną i wybierz „Object Properties”. W karcie „Parameters” wprowadź nazwy parametrów, takie jak „int_e1” i „int_ea1”, w polach tekstowych interceptów (patrz: Rysunek 13).
- Przeprowadź test różnicy chi-kwadrat, porównując model pełnej niezmienniczości metrycznej/skalarnej (tzn. model z ustalonymi interceptami zmiennych obserwowalnych i ustalonymi współczynnikami czynników w grupach) z modelem pełnej niezmienniczości metrycznej (tzn. model z ustalonymi współczynnikami czynników w grupach). Jeśli różnica chi-kwadrat jest nieistotna, warunek pełnej niezmienniczości metrycznej/skalarnej jest spełniony.
UWAGA: W tym przypadku zastosowano określoną hierarchię (test niezmienniczości konfiguracyjnej, test niezmienniczości metrycznej, test niezmienniczości skalarnej). Po spełnieniu każdego z testów niezmienniczości należy przeprowadzić LMA, korzystając z ostatecznie wybranego modelu (tzn. modelu pełnej niezmienniczości metrycznej/skalarnej).
Rysunek 13: Wprowadzanie nazw parametrów w polu tekstowym przechwytu.
Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
7. Wykonywanie analizy LMA
- Przeprowadź analizę LMA, wykorzystując pełny model niezmienniczości skalarnej/metrycznej27,28. Aby porównać średnie zmiennych ukrytych, utrwal średnie zmiennych ukrytych w jednej grupie i pozostaw je jako wolne parametry w drugiej grupie.
- Oszacuj różnice średnich między grupami, przyjmując wartość zero dla jednej ze średnich w grupie referencyjnej, a następnie szacując wartości średnich dla drugiej grupy. W związku z tym utrwal średnie wszystkich zmiennych ukrytych w grupie o niskim poziomie innowacyjności modowej na poziomie zero. Należy upewnić się, że średnie zmiennych ukrytych w grupie o wysokim poziomie innowacyjności modowej są wolne, a ich wariancje w obu grupach są wolne (patrz: Rycina 14).
- Kliknij „Calculate estimates”. Sprawdź „Estimates” dla obu grup oraz indeksy dopasowania modelu.
- Kliknij „View text” i sprawdź średnie zmiennych ukrytych w grupie o wysokim poziomie innowacyjności modowej w sekcji „Estimates” (patrz: Rycina 15).
Rysunek 14: Ustawianie średnich i wariancji zmiennych ukrytych. (A) Grupa o wysokiej innowacyjności w modzie i (B) grupa o niskiej innowacyjności w modzie. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 15: Wyniki analizy średnich latentnych. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Statystyki częstotliwości pozwoliły na określenie charakterystyki próby. Łącznie 290 konsumentek online sfinalizowało proces zakupowy przy użyciu programu e-masowej personalizacji. Cechy demograficzne próby były rozłożone równomiernie. W podziale na grupy wiekowe: 23,1% respondentek było w wieku dwudziestu kilku lat, 28,3% w wieku trzydziestu kilku lat, 26,6% w wieku czterdziestu kilku lat, a 22,1% w wieku pięćdziesięciu kilku lat. Pod względem stanu cywilnego 58,3% było mężatkami, podczas gdy 40% było pannami. Pod wzglę...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Implikacje ustaleń
Wyniki tego badania ujawniają, że zewnętrzne i wewnętrzne korzyści konsumentów wynikające z tworzenia masowo dostosowanego produktu pomagają we wzroście emocjonalnego przywiązania do produktu, tworzeniu pozytywnych postaw wobec programu personalizacji i zwiększaniu intencji lojalnościowych. Wyniki badań nad moderującymi efektami innowacyjności w branży modowej pokazują, że w porównaniu z konsumentami w grupie o niskiej innowacyjności w branży modowej, osoby z grupy o wysokiej inno...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie mają nic do ujawnienia.
Podziękowania
Dane zostały zmodyfikowane z badania Park and Yoo29. Prace te były wspierane przez Ministerstwo Edukacji Republiki Korei oraz Narodową Fundację Badawczą KOREI (NRF = 2016S1A5A2A03927809).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| SPSS AMOS 22 | IBM Corporation, Data Solution Inc. | Służy do konfirmatywnych analiz czynnikowych, analiz modelowania równań strukturalnych i analiz średnich utajonych |
Bibliografia
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
