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

Nasz protokół wymaga, aby uczestnicy doświadczyli masowej personalizacji przed wzięciem udziału w ankiecie i wykorzystuje dane z ankiety do testowania relacji między odpowiedziami konsumentów. Protokół umożliwia zastosowanie danych konsumenckich do modelowania równań strukturalnych i analizy średnich utajonych w celu uzyskania zaawansowanych danych statystycznych i zwiększenia wiarygodności badań. Nasze badanie przyniesie korzyści badaniom nad wpływem technologii handlu detalicznego lub marketingu na reakcje konsumentów.

Chociaż testowanie kilku testów niezmienniczości, takich jak niezmienniczość konfiguracyjna, macierzowa i skalarna, może być trudne, zalecamy cierpliwość i bardzo dokładne przestrzeganie tej procedury w celu zwiększenia jakości danych. Procedurę zademonstruje Hiyun Kim, uczennica klasy A z mojego laboratorium. Skorzystaj z ankiety online, aby zrekrutować konsumentki, które mają doświadczenie w zakupach odzieży online.

Wyślij wiadomość e-mail z zaproszeniem do kwalifikujących się uczestników, która zawiera informacje dotyczące celu badania i zapewnienie o poufności odpowiedzi. Wyślij wytyczne do tych uczestników ankiety, którzy zgodzą się wziąć udział w ankiecie pokazującej, jak tworzyć trencze za pomocą programu do personalizacji. Uczestnicy, którzy wyrażą zgodę na udział w ankiecie, rozpoczynają procedurę ankiety.

Otrzymują link, który jest połączony z programem eMass Customization w istniejącej witrynie zakupowej i są proszeni o wyobrażenie sobie, że jesteś wystarczająco zamożny, aby kupić fajne ubrania i musisz kupić trencz, aby wziąć udział w ważnym spotkaniu. Będziesz chciał stworzyć wyjątkowy trencz. Przeglądając Internet, natrafiasz na idealną stronę internetową z odzieżą, która ma program masowej personalizacji.

W ciągu 24 godzin od otrzymania scenariusza aktywuj link do ankiety, aby uczestnicy, którzy skończyli swój trencz i są gotowi do wzięcia udziału w ankiecie, mogli kliknąć w link do ankiety. W ankiecie poproś uczestników, aby przesłali zrzut ekranu i cenę stworzonego przez siebie trencza na pierwszą stronę ankiety. Następnie poproś uczestników, aby wypełnili kwestionariusz online dotyczący postrzeganych korzyści i emocjonalnego przywiązania do spersonalizowanego produktu oraz stosunku do programu dostosowywania, intencji lojalnościowych i pytań demograficznych.

Zapewnij nagrodę pieniężną tym uczestnikom, którzy wypełnią ankietę. Po zakończeniu wszystkich ankiet należy zapisać dane ankiety w pliku SPSS zawierającym wszystkie odpowiedzi uczestników ankiety i wykorzystać oczyszczone dane do przeprowadzenia analizy modelowania równań strukturalnych. Korzystając z podziału mediany, zsumuj i uśrednij wyniki sześciu elementów innowacyjności mody i oblicz medianę wyniku innowacyjności mody.

W menu przekształcenia kliknij recode na różne zmienne i zakoduj jedną dla grupy innowacyjnej o niskiej modzie, jeśli średni wynik jest niższy niż mediana. Kliknij dwukrotnie zmienną grupy modowej innowacji, aby przenieść ją do pola Podziel obserwacje według. Następnie przypisz lokalizację katalogu plików wyjściowych, aby zapisać pliki jako Data_low innowacyjność mody.

innovativeness. sav mody sav i Data_high w przypisanym katalogu. Aby potwierdzić zbieżną poprawność, kliknij opcję wybierz pliki danych, Data_TOTAL.sav.

Opracuj model pomiarowy na podstawie pytań badawczych, aby uwzględnić pięć zmiennych utajonych i 17 zmiennych obserwowanych. Ustaw każdą z wariancji zmiennych utajonych jako jedną i kliknij przycisk Oblicz oszacowania. Następnie sprawdź wskaźniki dopasowania modelu pomiarowego na podstawie wyników konfirmacyjnej analizy czynnikowej pojedynczej grupy, indeksu dobroci dopasowania, skorygowanego indeksu dobroci dopasowania, unormowanego indeksu dopasowania, indeksu Tuckera Lewisa, porównawczego indeksu dopasowania i błędu aproksymacji średniej kwadratowej.

W tej reprezentatywnej analizie przeprowadzono jednogrupową konfirmacyjną analizę czynnikową z pięcioma zmiennymi utajonymi i 17 zmiennymi obserwowanymi. Wszystkie krytyczne współczynniki współczynników były istotne, co oznacza, że osiągnięto trafność zbieżną. Wskaźniki dopasowania modelowania równań strukturalnych pojedynczej grupy wykazały akceptowalne dopasowanie.

Przejście od konfirmacyjnej analizy czynnikowej pojedynczej grupy do wielogrupowej potwierdzającej analizy czynnikowej w celu walidacji krzyżowej pięcioczynnikowego modelu pomiaru dla obu grup ujawnia, że osiągnięto niezmienniczość konfiguracyjną i że wszystkie krytyczne współczynniki współczynników były znaczące. Aby przetestować niezmienniczość metryczną, współczynniki zostały ograniczone tak, aby były takie same w dwóch grupach i przeprowadzono kolejną wielogrupową konfirmacyjną analizę czynnikową, wskazując, że różnica chi-kwadrat wynosząca 14,728 nie była istotna i że niezmienność metryki została spełniona. Ponieważ zaakceptowano model niezmienniczości metrycznej, przetestowano niezmienniczość skalarną.

Ponieważ pełny model niezmienniczości metrycznej/pełnej skalarnej był zagnieżdżony w pełnym modelu niezmienniczości metrycznej, przeprowadzono test różnicy chi-kwadrat, który wykazał, że różnica chi-kwadrat wynosząca 11,18 nie jest istotna, a niezmienniczość skalarna została spełniona. Biorąc pod uwagę, że osiągnięto niezmienniczość konfiguracyjną, niezmienniczość metryczną i niezmienniczość skalarną, przeprowadzono analizę średniej utajonej i określono średnie pięciu zmiennych utajonych dla grup o wysokiej innowacyjności, które były wartościami dodatnimi, które były znacznie wyższe niż dla grup o niskiej innowacyjności mody. Program masowej personalizacji może wydawać się trudny w zależności od indywidualnego postrzegania złożoności zadania.

Pamiętaj, aby zapewnić uczestnikom wystarczająco dużo czasu na zaaklimatyzowanie się w programie dostosowywania. Aby rozwiązać problem różnic grupowych w relacjach między zmiennymi utajonymi, można przeprowadzić modelowanie równań strukturalnych wielu grup w celu porównania przeszłych współczynników w grupach. Większość badaczy wykorzystała modelowanie równań strukturalnych wielu grup do porównań grup.

Nasze badanie stanowi kolejny sposób na przeprowadzenie wielu porównań grup w obszarze nauk społecznych.