Zastosowanie programu personalizacji eMASS jako narzędzia badawczego do oceny korzyści dla konsumentów

Summary

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.

Abstract

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.

Introduction

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 wzrastają^4,5.

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 relacje^6,7. 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 potrzeby^13,14. 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.

Protocol

To badanie zostało wyłączone z przeglądu IRB na Uniwersytecie Ewha Womans i otrzymało numer protokołu #143-18.

1. Rekrutacja uczestników

1. Przygotuj się do przeprowadzenia ankiety online.
   nuta: Ankieta internetowa została przeprowadzona za pośrednictwem firmy badawczej w Korei Południowej. Firma badawcza ma największy panel konsumencki z wysokimi wskaźnikami odpowiedzi w Korei. Rozkład wieku i płci w panelu odzwierciedla stan populacji koreańskiej. Panel konsumencki ma wysoki stopień niezawodności dzięki weryfikacji prawdziwych nazwisk. Ponieważ firma badawcza zarządza panelem w sposób ciągły za pomocą różnych innowacyjnych metod, lojalność panelu wobec firmy badawczej jest wysoka; W związku z tym wyniki ankiet uzyskane przez firmę są znane jako wysoce wiarygodne.
2. Rekrutuj konsumentki, które mają doświadczenie w zakupach odzieży online.
   nuta: Konsumentki w Korei wydają wysoki procent dochodów na zakupy odzieży, a zachowania zakupowe występują głównie online²³. Dlatego wybór tej grupy jako uczestników tego badania jest odpowiedni.
3. Wyślij do uczestników wiadomość e-mail z zaproszeniem, która zawiera informacje dotyczące celu badania i zapewnienie o poufności ich odpowiedzi.
4. Wyślij wytyczne do osób, które zgodzą się wziąć udział w ankiecie pokazującej, jak tworzyć trencze za pomocą programu do personalizacji (patrz Rysunek 1).
   nuta: Aby uniknąć potencjalnych sytuacji, w których uczestnicy mogą napotkać trudności w korzystaniu z programu do personalizacji, moderator z firmy badawczej przesłał wytyczne. Ponadto moderator zadzwonił do uczestników i wyjaśnił procedurę dostosowywania, podczas gdy uczestnicy przeglądali wytyczne.
5. Poproś uczestników, aby zrobili zrzut ekranu stworzonego trencza i podali cenę za płaszcz, aby upewnić się, że faktycznie stworzą trencz w programie personalizacji.
6. Wyślij link, który jest połączony z programem personalizacji e-masowej w istniejącej witrynie zakupowej, gdy uczestnicy zrozumieją procedurę.
7. Przedstaw uczestnikom następujący scenariusz: "Wyobraźcie sobie, że jesteście na tyle zamożni, że kupują fajne ubrania i muszą kupić trencz, aby wziąć udział w ważnym spotkaniu. Chcesz stworzyć wyjątkowy trencz. Przeglądając Internet, natrafiasz na idealną stronę internetową z odzieżą, która ma program masowej personalizacji".
   nuta: Ten krok jest wymagany, aby zwiększyć poziom zaangażowania i kontrolować rodzaj produktu oraz postrzeganie ceny produktu przez konsumentów.
8. Daj uczestnikom 24 godziny na stworzenie trencza po przeczytaniu scenariusza.
   nuta: Uczestnicy mogą swobodnie stworzyć trencz, wybierając preferowany ogólny styl, kołnierz, długość płaszcza, długość rękawa, kieszenie, materiał i podszewkę w przypadku, gdy faktycznie go kupią. Jeśli mają problemy ze stworzeniem płaszcza w programie do personalizacji, mogą zadzwonić i zapytać moderatora w dowolnym momencie w ciągu 24 godzin.
9. Aktywuj link do ankiety po 24 godzinach, aby uczestnicy, którzy są gotowi do wzięcia udziału w ankiecie (tj. ci, którzy zakończyli robienie zrzutu ekranu stworzonego przez siebie trencza) mogli kliknąć link do ankiety.

Rysunek 1: Wskazówki dotyczące korzystania z programu do personalizacji e-masowej. Uczestnicy ankiety online zapoznali się ze wskazówkami dotyczącymi tworzenia trenczy za pomocą programu do personalizacji i postępowali zgodnie z krokami 1–8. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

2. Procedura ankiety

1. Poproś uczestników, aby przesłali zrzut ekranu i cenę trencza, który stworzyli, na pierwszą stronę ankiety (patrz Rysunek 2).
   nuta: Tylko uczestnicy, którzy prześlą zrzut ekranu, mogą uzyskać dostęp do kwestionariusza.
2. Poproś uczestników o wypełnienie kwestionariusza online dotyczącego postrzeganych korzyści, emocjonalnego przywiązania do spersonalizowanego produktu, stosunku do programu personalizacji, intencji lojalnościowych i pytań demograficznych (patrz Tabela 1).
3. Daj nagrodę tym, którzy wypełnią ankietę.
   nuta: Tutaj uczestnicy otrzymali nagrodę w wysokości 10 000 ₩ (około 10 USD) za udział. Uczestnicy, którzy zrezygnują z udziału w ankiecie lub nie dostarczą zrzutu ekranu i ceny, otrzymają 1 000 ₩ (około 1 USD).

Rysunek 2: Przykłady trenczy stworzonych za pomocą programu do personalizacji e-mass. Uczestnicy tworzyli trencze, wybierając preferowany kołnierz, długość, materiał itp., a następnie przesyłali zrzut ekranu z tworzenia trencza. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Korzyści zewnętrzne (Franke i wsp., 2009)

W porównaniu ze standardowym produktem, produkt niestandardowy byłby ___________.

1. Lepiej spełnij moje wymagania

2. Lepiej spełnij moje osobiste preferencje

3. Bardziej prawdopodobne, że będzie to dla mnie najlepsze rozwiązanie

Wewnętrzna korzyść (Franke i Schreier, 2010)

1. Bardzo podobała mi się ta aktywność projektowa

2. Uważam, że projektowanie produktu było całkiem przyjemne

3. Projektowanie tego produktu było bardzo interesujące

Emocjonalne przywiązanie do produktu (Thomson i wsp., 2005)

W porównaniu ze standardowym produktem tej marki, moje odczucia w stosunku do jej spersonalizowanego produktu można scharakteryzować ___________.

1. Uczucie

2. Połączenie

3. Pasja

4. Urok

Stosunek do programu masowej personalizacji (Li i in., 2001)

Program masowej personalizacji na tej stronie był ___________.

1. Nieatrakcyjne e atrakcyjne

2. Nieprzyjemne e przyjemne

3. Nieatrakcyjne i atrakcyjne

4. Niesympatyczny e sympatyczny

Intencje lojalności (Kwon i Lennon, 2009)

1. W najbliższej przyszłości kupiłbym niestandardowy produkt w tym programie dostosowywania

2. Polecam ten program dostosowywania znajomym lub krewnym

3. Wrócę na tę stronę i dostosuję produkt w najbliższej przyszłości

Zaangażowanie produktu (Zaichkowsky, 1985)

Dla mnie ubrania to ___________.

1. Nieważne i ważne

2. Nudne i interesujące

3. Nieatrakcyjne e atrakcyjne

4. Niepotrzebne e potrzebne

5. Nieekscytujące i ekscytujące6. Bezwartościowe e wartościowe

Innowacyjność mody (Park i in., 2007)

1. Ogólnie rzecz biorąc, jestem ostatnią osobą w moim kręgu znajomych, która zna nazwy najnowszej nowej mody (R)

2. Ogólnie rzecz biorąc, jestem jedną z ostatnich osób w moim kręgu znajomych, które kupują nowy element mody, gdy się pojawi (R)

3. W porównaniu z moimi przyjaciółmi posiadam nowe elementy mody.

4. Znam nazwiska nowych projektantów mody przed innymi ludźmi.

5. Gdybym usłyszała, że w sklepie dostępny jest nowy element mody, byłabym na tyle zainteresowana, aby go kupić.

6. Kupię nowy element mody, nawet jeśli wcześniej go nie widziałem.

(R) Odwrócony kod

Tabela 1: Skala pomiaru. Ta tabela była używana wcześniej²⁹.

3. Przygotowanie danych

1. Zapisz dane ankiety w pliku SPSS jako "Data_TOTAL.sav" (patrz Rysunek 3), który zawiera wszystkie odpowiedzi uczestników ankiety. Usuń obserwacje, które zawierają brakujące wartości. Użyj oczyszczonych danych, aby przeprowadzić analizę SEM.
2. Podziel łączne dane na dwa pliki danych: grupy innowacji w modzie wysokiej i niskiej. Użyj podziału mediany. Zsumuj i uśrednij wyniki sześciu pozycji innowacyjności mody i oblicz medianę wyniku innowacyjności mody (med = 4,17).
   nuta: Podział mediany jest często używany w psychologii i badaniach marketingowych, a użycie podziału mediany dla zmiennej ciągłej do badania różnic grupowych jest poprawne²⁴.
3. Kliknij "Recode into Different Variables" w menu "Transformacja". Utwórz nową zmienną, "grupa innowacyjna w modzie (FIG)", kodując "1 (grupa innowacyjna w branży low fashion)", jeśli średni wynik jest niższy niż mediana (np. mediana = 4,17), lub kodując "2 (grupa innowacyjna w branży high fashion)", jeśli jest wyższa niż mediana (patrz Rysunek 4).
4. Kliknij "Podziel na pliki" w menu "Dane", kliknij dwukrotnie zmienną "fashion innovative group (FIG)", aby przenieść ją do pola "Podziel przypadki według" i przypisz lokalizację "Output File Directory" do zapisania plików (patrz Rysunek 5).
5. Zapisz "1.sav" i "2.sav" w przypisanym katalogu. Zmień nazwy plików na "Data_low fashion innovativeness.sav" i "Data_high fashion innovativeness.sav", aby używać ich dla LMA.

Rysunek 3: Data_TOTAL. Dane obejmują odpowiedzi wszystkich uczestników (n = 290) wykorzystane do analizy SEM. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 4: Tworzenie nowej zmiennej "grupa innowacyjna w modzie (FIG)". Nowa zmienna (FIG) została utworzona przez zakodowanie "1 (grupa innowacyjna o niskiej modzie)" i "2 (grupa o wysokiej innowacyjności)". Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 5: Dzielenie zestawu danych na dwa pliki danych. Cały plik danych, "Data_TOTAL", został podzielony na pliki "Data_low fashion innovativeness.sav" i "Data_high fashion innovativeness.sav" do późniejszego wykorzystania w LMA. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

4. Przeprowadzanie konfirmacyjnej analizy czynnikowej (CFA)

1. Przeprowadź pojedynczą grupę CFA z pięcioczynnikowym modelem pomiaru, aby potwierdzić zbieżną trafność. Kliknij "Wybierz plik(i) danych | Data_TOTAL.sav". Opracuj model pomiarowy w oparciu o pytania badawcze.
   1. Model pomiarowy obejmuje pięć zmiennych utajonych (tj. korzyść zewnętrzna, korzyść wewnętrzna, emocjonalne przywiązanie do produktu, postawy wobec programu masowej personalizacji i intencje lojalnościowe) oraz 17 obserwowanych zmiennych (trzy obserwowane zmienne dla korzyści zewnętrznych, trzy dla korzyści wewnętrznych, cztery dla emocjonalnego przywiązania do produktu, cztery dla postaw wobec programu masowej personalizacji i trzy dla intencji lojalnościowych). Ustaw wariancje zmiennych latentnych jako "1" (patrz Rysunek 6 i Rysunek 7). Kliknij "Oblicz szacunki".
2. Sprawdź wskaźniki dopasowania modelu pomiarowego na podstawie wyników pojedynczej grupy CFA: wskaźnik dobroci dopasowania (GFI), skorygowany wskaźnik dopasowania (AGFI), unormowany indeks dopasowania (NFI), indeks Tuckera-Lewisa (TLI), porównawczy indeks dopasowania (CFI) i błąd aproksymacji średniej kwadratowej (RMSEA).

Rysunek 6: Specyfikacja modelu dla konfirmacyjnej analizy czynnikowej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 7: Model pomiarowy do konfirmacyjnej analizy czynnikowej. Model pomiarowy dla CFA został stworzony przy użyciu programu AMOS. Wariancja zmiennych utajonych została ustawiona na "1". Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

5. Uruchamianie SEM

1. Aby przetestować relacje między zmiennymi utajonymi, przeprowadź SEM. Kliknij "Wybierz plik(i) danych | Data_TOTAL.sav". Opracuj SEM w oparciu o pytania badawcze, w tym pięć zmiennych utajonych i 17 zmiennych obserwowanych.
2. Narysuj strzałki od "Extrinsic_V" i "Intrinsic_V" do "EP_Attachment" i "Attitude_MP", a także od "EP_Attachment" i "Attitude_MP" do "Lojalności". Dodaj trzy nieobserwowane zmienne, a mianowicie "z1" jako predyktor "EP_Attatchment", "z2" jako predyktor "Attitude_MP", oraz "z3" jako predyktor "Lojalności" (patrz Rysunek 8, Rysunek 9). Kliknij "Oblicz szacunki". Sprawdź "Szacunki" i indeksy dopasowania modelu.

Rysunek 8: Specyfikacja modelu do modelowania równań strukturalnych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 9: Analiza modelowania równań strukturalnych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

6. Przeprowadzanie testów niezmienności dla LMA

1. Aby porównać grupy innowacyjne związane z modą wysoką i niską, przeprowadź LMA w oparciu o wielogrupową konfirmacyjną analizę czynnikową (MGCFA). Przed LMA przetestuj niezmienniczość konfiguracyjną, niezmienniczość metryczną i niezmienniczość skalarną między obiema grupami²⁵.
2. Tworzenie wielogrupowego modelu pomiaru: utwórz model pomiaru (tj. model dla MGCFA) z dwiema grupami o nazwach "wysoki" i "niski" w sekcji "Zarządzaj grupami". Wybierz pliki danych dla grup w następujący sposób: "Data_low fashion innovativeness.sav" dla grupy innowacyjnej low fashion i "Data_high fashion innovativeness.sav" dla grupy high fashion innovative (patrz Rysunek 10).

Rysunek 10: Wybieranie plików danych dla grup. Stworzono model pomiarowy dla MGCFA i przesłano dwa pliki danych ("Data_low fashion innovativeness.sav" i "Data_high fashion innovativeness.sav"). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

3. Testowanie niezmienności konfiguracyjnej
   UWAGA: Jeśli struktura modeli pomiarowych w obu grupach ma tę samą postać (tj. te same wymiary i te same wzorce wartości stałych i niestałych), niezmienniczość konfiguracyjna jest spełniona (patrz Rysunek 11). Jeśli dopasowanie modelu pomiaru jest zadowalające, przejdź do następnego kroku sprawdzania niezmienności metryki²⁶.
   1. Wykonaj CFA z wcześniej zaproponowanym pięcioczynnikowym modelem pomiarowym dla każdej grupy. Kliknij "Oblicz szacunki". Sprawdź "Szacunki" i dopasuj indeksy obu modeli. Jeśli dopasowanie obu modeli jest zadowalające, a współczynniki współczynnika są znaczące, przejdź do następnego kroku.
   2. Przeprowadź MGCFA z pięcioczynnikowym modelem pomiaru jako modelem bazowym. Ustal "1" dla współczynnika z każdej zmiennej utajonej do pierwszej obserwowanej zmiennej i uwolnij pozostałe współczynniki czynnika. Kliknij "Oblicz szacunki".
   3. Sprawdź "Oszacowania" dwóch grup i dopasuj indeksy modelu. Jeśli dopasowanie modelu jest zadowalające, a współczynniki współczynnika są znaczące, niezmienniczość konfiguracyjna jest spełniona. Następnie przejdź do następnego kroku obejmującego test niezmienności metryki.

Rysunek 11: Równe wymiary i formy modeli pomiarowych w dwóch grupach. (A) Model dla grupy innowacyjnej mody wysokiej oraz (B) Model dla grupy innowacyjnej mody niskiej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

4. Testowanie niezmienności metryki
   UWAGA: Test niezmienniczości metryki ocenia, czy współczynniki łączące zmienne utajone ze zmiennymi obserwowanymi są równe we wszystkich grupach.
   1. W przypadku testu niezmienności metryki ustal współczynniki w grupach. 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 "Oblicz szacunki". Sprawdź "Oszacowania" dwóch grup i dopasuj indeksy modelu.
   2. Przeprowadź test różnicy chi-kwadrat, porównując pełny model niezmienności metrycznej (tj. model ze stałymi współczynnikami w grupach) z konfigurowalnym modelem niezmienniczości (tj. modelem ze współczynnikami wolnymi w całej grupie). Jeśli różnica chi-kwadrat jest nieistotna, niezmienniczość metryki jest spełniona. Następnie przejdź do następnego kroku obejmującego test niezmienniczości skalarnej^25,26,27.

Rysunek 12: Ustalanie współczynników w różnych grupach. Wprowadzając tę samą nazwę dla tych samych współczynników w różnych grupach, współczynniki czynnika zostały ograniczone. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

5. Testowanie niezmienniczości skalarnej
   UWAGA: Niezmienniczość skalarna oznacza, że 1) te same wartości na konstrukcji latentnej są powiązane z tymi samymi wartościami na zmiennej obserwowanej oraz 2) różnice w średnich zmiennych obserwowanych wynikają ze średnich różnic zmiennych utajonych. Aby przetestować niezmienniczość skalarną, ogranicz punkty przecięcia obserwowanych zmiennych, tak aby były równe we wszystkich grupach²⁸.
   1. Kliknij "Właściwości analizy" w menu "Widok". Kliknij zakładkę "Szacowanie" i zaznacz "Oszacuj średnie i punkty przecięcia". Kliknij prawym przyciskiem myszy każdą obserwowaną zmienną i wybierz "Właściwości obiektu". Wybierz zakładkę "Parameters" (Parametry) i wprowadź nazwy parametrów, takie jak "int_e1" i "int_ea1" w polach tekstowych przechwytywania (patrz Rysunek 13).
   2. Przeprowadź test różnicy chi-kwadrat, porównując pełny model niezmienniczości metrycznej/pełnej skalarnej (tj. model ze stałymi przecięciami obserwowanych zmiennych i stałymi współczynnikami w grupach) z pełnym modelem niezmienniczości metrycznej (tj. modelem ze stałymi współczynnikami w całej grupie). Jeśli różnica chi-kwadrat jest nieistotna, spełniona jest pełna niezmienniczość metryczna/pełna skalarna.
      nuta: W tym przypadku stosowana jest określona hierarchia (konfigurowalny test niezmienniczości, test niezmienniczości metrycznej, test niezmienniczości skalarnej). Gdy każdy test niezmienniczości zostanie spełniony, przeprowadź LMA, używając ostatecznie wybranego modelu (tj. pełnego modelu metrycznego/pełnego modelu niezmienniczości skalarnej).

Rysunek 13: Wprowadzanie nazw parametrów w polu tekstowym punktu przechwycenia.
Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

7. Uruchamianie LMA

1. Przeprowadź LMA, wykorzystując pełny model niezmienności skalarnej/pełnej metryki^27,28. Aby porównać średnie zmiennych utajonych, ustal średnie zmiennych utajonych w jednej grupie i pozwól im być wolnymi w drugiej grupie.
2. Oszacuj średnie różnice między grupami, ustalając jedną ze średnich na zero dla grupy odniesienia, a następnie szacując średnie wartości dla drugiej grupy. W ten sposób ustal średnie wszystkich zmiennych ukrytych w grupie innowacyjnej niskiej mody na zero. Ważne jest, aby upewnić się, że średnie zmiennych utajonych w grupie innowacyjnej mody są dowolne, a ich wariancje w obu grupach są dowolne (patrz Rysunek 14).
3. Kliknij "Oblicz szacunki". Sprawdź "Oszacowania" dwóch grup i dopasuj indeksy modelu.
4. Kliknij "Wyświetl tekst" i sprawdź średnie zmiennych ukrytych w grupie innowacyjnych produktów mody w sekcji "Szacunki" (patrz Rysunek 15).

Rysunek 14: Ustawianie średnich zmiennych utajonych i wariancji. (A) grupa innowacyjna w branży mody wysokiej i (B) grupa innowacyjna w niskiej modzie. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 15: Dane wyjściowe dla analizy średnich utajonych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Results

Statystyki częstotliwości oferowały charakterystykę próby. Łącznie 290 konsumentek online sfinalizowało proces zakupowy za pomocą programu e-mass customization. Charakterystyka demograficzna próby była równomiernie rozłożona. W podziale na grupy wiekowe 23,1% było po dwudziestce, 28,3% po trzydziestce, 26,6% po czterdziestce, a 22,1% po pięćdziesiątce. Biorąc pod uwagę stan cywilny, 58,3% było w związku małżeńskim, a 40% było samotnych. W podziale na zawódy 45,2% stanowili pracownicy biurowi, 22,8% to gospodynie domowe, ...

Discussion

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...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
SPSS AMOS 22	IBM Corporation, Data Solution Inc.		Służy do konfirmatywnych analiz czynnikowych, analiz modelowania równań strukturalnych i analiz średnich utajonych