Jak cechy wirtualnej celebryty wpływają na intencję zakupu: testowanie ram bodziec-organizm-odpowiedź za pomocą modelowania równań strukturalnych
3 marca 2026
W kontekście wirtualnego doświadczenia celebrytów jakość treści najbardziej napędza satysfakcję; Satysfakcja z kolei pośrednio zwiększa intencję zakupową poprzez lojalność. Personalizacja wzmacnia związek satysfakcjonujące-lojalności, dlatego firmy powinny priorytetowo traktować emocjonalne, spójne narracyjne treści wirtualnych celebrytów oraz spersonalizowane programy lojalnościowe.
Niniejsze badanie analizuje, jak atrybuty wirtualnych celebrytów wpływają na satysfakcję konsumentów, tantiemy, intencje zakupowe oraz jak personalizacja wzmacnia tantiemy oparte na satysfakcji. Istniejące badania wskazują na alternatywne metody i wiarygodność, ale niewystarczająco wyjaśniają wyniki procesu. Badanie wyjaśnia mechanizmy poprzez ramy SOR, mediację, personalizację i moderację.
Na początek zdefiniuj model strukturalny dla modelowania równań strukturalnych metodą najmniejszych kwadratów cząstkowych, czyli PLS-SEM. Określ maksymalnie sześć predyktorów dla endogennych konstrukcji, w tym trzy cechy wirtualnej celebryty oraz trzy zmienne kontrolne. Ustal parametry statystyczne, takie jak średni rozmiar efektu, poziom istotności oraz moc statystyczna do analizy mocy.
Teraz przeprowadź analizę mocy, aby oszacować minimalną wymaganą wielkość próby. Rekrutuj uczestników poprzez panel badawczy online, stosując celowe próbkowanie nieprawdopodobieństwowe. Ogranicz uprawnienia do osób w wieku 18 lat lub starszych.
Umieść pytania przesiewowe i punkty sprawdzania uwagi w ankiecie, aby zweryfikować kwalifikację i jakość odpowiedzi. Przeglądaj odpowiedzi z ankiet i usuwaj wpisy, które nie spełniają kryteriów selekcji lub kontroli uwagi. Zatrzymać zbieranie danych, gdy zostanie osiągnięty z góry określony docelowy rozmiar próby.
Zacznij od przedstawienia definicji opisującej wirtualnych celebrytów jako cyfrowo stworzone persony audiowizualne o stabilnej tożsamości wizualnej, głosie i powtarzającej się treści narracyjnej. Polec uczestnikom odpowiadać na pytania ankietowe oparte na ich rzeczywistych doświadczeniach z takimi wirtualnymi celebrytami. Opracuj ankietę, włączając sekcje ankiety obejmujące wygląd, głos, jakość treści, satysfakcję, lojalność, personalizację, zamiary zakupowe oraz dane demograficzne.
Mierz wszystkie konstrukty za pomocą 7-punktowych skal Likerta, gdzie jeden oznacza zdecydowane niezgody, a siedem oznacza zdecydowaną zgodność. Zapobiegaj duplikatom zgłoszeń poprzez ustawienia sterowania platformą. Eksportuj zebrane odpowiedzi w wartościach rozdzielonych przecinkami lub formacie CSV i importuj wyczyszczony zbiór danych do oprogramowania PLS-SEM.
Do pomiarów i oceny modeli strukturalnych określ wszystkie konstrukcje jako konstrukcje refleksyjne. Oceń niezawodność za pomocą alfa i kompozytowej niezawodności Cronbacha lub CR większej lub równej 0,7. Oceń ważność zbieżności, używając średniej wariancji lub AVE większej lub równej 0,5.
Oceń trafność dyskryminantów za pomocą kryterium Fornella-Larckera oraz wskaźnika Heterotrait-Monotrait (HTM), upewniając się, że jest mniejsza niż 0,9. Określ ścieżki strukturalne zgodnie z modelem koncepcyjnym i oceń wielokolinearność, używając współczynnika wariancji inflacyjnego lub wartości VIF poniżej pięciu. Uruchom bootstrapping z 5 000 podpróbek, aby oszacować współczynniki ścieżki, wartości T, przedziały ufności i rozmiary efektów.
Oszacuj efekty pośrednie za pomocą bootstrappingu na 5 000 podpróbkach i 95% przedziałach ufności, aby przetestować sekwencyjną mediację od atrybutów wirtualnej celebryty do satysfakcji, satysfakcji do lojalności oraz lojalności do intencji zakupu. Stwórz terminy interakcji, aby przetestować moderujące działanie personalizacji. Szacuj współczynniki moderacji i wpływaj na rozmiary za pomocą bootstrappingu.
Generuj wykresy interakcji do wizualizacji efektów warunkowych. Po prognozowej ocenie wydajności porównaj wartości przewidywające Q-kwadrat, średni błąd kwadratowy i średni błąd bezwzględny z liniowym modelem benchmarkowym. Potwierdź trafność predykcyjną, gdy wartości przewidywania Q-kwadrat przekraczają zero, a błędy PLS są niższe niż w benchmarku.
Testy wiarygodności i zgodności zbieżności wykazały, że wszystkie konstrukty przekroczyły zalecane progi, potwierdzając zarówno wiarygodność, jak i poprawność miar. Dyskryminantna trafność oceniona za pomocą kryterium Fornella-Larckera oraz stosunku heterocech do monotraitów potwierdza, że wszystkie konstrukty są empirycznie odrębne. Ocena modelu strukturalnego wskazuje na umiarkowaną moc wyjaśniającą i akceptowalne wyniki predykcyjne.
Istotność predykcyjna potwierdza się wartościami przewidywania Q-kwadrat w zakresie od 0,280 do 0,485. Wydajność predykcyjna modelu PLS-SEM jest porównywana z benchmarkiem regresji liniowej. Niższy średni błąd kwadratowy i średni błąd bezwzględny wskazują na lepszą dokładność predykcji.
Analiza statystyczna wskazuje, które hipotezy w modelu są poparte danymi. Wygląd, głos i jakość treści znacząco wpływają na satysfakcję klienta. Satysfakcja zwiększa lojalność, co z kolei prowadzi do wyższej intencji zakupowej.
Analiza mediacji wskazuje, że satysfakcja wpływa na intencję zakupu pośrednio poprzez lojalność. Personalizacja wzmacnia relację między satysfakcją a lojalnością, ale nie wpływa na intencje zakupu. Protokół ten może pomóc zmierzyć, jak atrybuty wirtualnych celebrytów wpływają na satysfakcję, lojalność i intencje zakupowe, korzystając z ankiet i modelowania strukturalnego.
W tym protokole kluczowe wyzwania obejmowały rekrutację uczestników wirtualnych celebrytów oraz wyjaśnienie niespójnych relacji między raportami o satysfakcji a intencji zakupu w wcześniejszych badaniach. Badania te ułatwiają przyszłe badania nad nowymi technologiami AI w obejściu różnic kulturowych oraz długoterminowym wpływem personalizacji i cechy wirtualnej celebrytki.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie analizuje, w jaki sposób cechy wirtualnych celebrytów – w szczególności wygląd, głos oraz jakość treści – wpływają na satysfakcję konsumentów, ich lojalność oraz intencję zakupową. Wykorzystując model bodziec-organizm-reakcja (SOR) oraz modelowanie równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM), praca wyjaśnia mechanizmy, za pomocą których czynniki te oddziałują na zachowania konsumentów, a także bada moderującą rolę personalizacji w wzmacnianiu lojalności wynikającej z satysfakcji.
Kluczowe elementy badania
Dziedzina nauki
- Badania nad zachowaniami konsumentów
- Analityka marketingowa
- Studia nad mediami cyfrowymi
Wstęp
- Wirtualni celebryci to cyfrowo stworzone persony o stabilnej tożsamości wizualnej, głosie i powtarzalnych treściach narracyjnych.
- Firmy coraz częściej wykorzystują wirtualnych celebrytów do promowania produktów i marek.
- Poprzednie badania nie wyjaśniły w pełni wyników procesowych wpływu wirtualnych celebrytów na konsumentów.
- Zrozumienie tych mechanizmów może pomóc w opracowaniu bardziej skutecznych strategii marketingowych.
Cel badania
- Empiryczne zbadanie, w jaki sposób cechy wirtualnych celebrytów wpływają na satysfakcję konsumentów, ich lojalność oraz zamiar zakupu.
- Wyjaśnienie mechanizmów mediacyjnych i moderujących z wykorzystaniem modelu SOR.
- Ocena wpływu personalizacji na relację między satysfakcją a lojalnością.
Zastosowane metody
- Opracowano model strukturalny dla PLS-SEM z maksymalnie sześcioma predyktorami dla konstruktów endogenicznych.
- Zrekrutowano 249 uczestników w wieku 18+ za pomocą celowego nieprobabilistycznego doboru próby online.
- Przeprowadzono ankietę wśród uczestników dotyczącą wyglądu, głosu, jakości treści, satysfakcji, lojalności, personalizacji, zamiaru zakupu oraz danych demograficznych z wykorzystaniem 7-stopniowych skal Likerta.
- Oceniono niezawodność pomiaru (alfa Cronbacha, niezawodność złożona), trafność zbieżną (AVE) oraz trafność różnicującą (kryterium Fornella-Larckera, współczynnik HTM).
- Oceniono model strukturalny za pomocą metody bootstrappingu (5 000 podprób) oraz analiz mediacji i moderacji.
- Porównano wyniki predykcyjne z punktem odniesienia w postaci regresji liniowej.
Główne wyniki
- Wszystkie konstrukty pomiarowe wykazały wysoką niezawodność i trafność.
- Wygląd, głos oraz jakość treści miały istotny wpływ na satysfakcję klienta.
- Jakość treści była najsilniejszym predyktorem satysfakcji.
- Satysfakcja zwiększała lojalność, co z kolei prowadziło do wyższej intencji zakupu.
- Satysfakcja wpływała na intencję zakupu pośrednio poprzez lojalność (mediacja).
- Personalizacja wzmocniła relację między satysfakcją a lojalnością (moderacja), ale nie wpłynęła bezpośrednio na intencję zakupu.
- Model PLS-SEM wykazał umiarkowaną moc wyjaśniającą i lepszą dokładność predykcyjną niż liniowy model odniesienia.
Wnioski
- Kampanie z udziałem wirtualnych celebrytów powinny priorytetyzować treści wywołujące emocje i spójne narracyjnie ponad realizmem wizualnym.
- Inwestycje w budowanie lojalności oraz spersonalizowane zaangażowanie są kluczowe dla przekształcenia satysfakcji w trwałe zachowania konsumenckie.
- Protokół zapewnia solidne podejście do pomiaru wpływu atrybutów wirtualnych celebrytów na wyniki konsumenckie.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Ilościowe modelowanie reakcji konsumentów na interwencje cyfrowe staje się coraz bardziej istotne dla sektora biofarmaceutycznego, ponieważ zaangażowanie pacjentów oraz kampanie zdrowia cyfrowego wykorzystują wirtualne persony. Niniejszy protokół demonstruje, w jaki sposób rygorystyczne testowanie hipotez oraz modelowanie równań strukturalnych mogą wyjaśnić czynniki wpływające na intencje behawioralne, co zwiększa pewność predykcyjną strategii angażowania cyfrowego. Podejście to umożliwia inwestycje w aktywa cyfrowe z uwzględnieniem ryzyka poprzez empiryczną walidację atrybutów, które mają największy wpływ na satysfakcję i lojalność.
Zastosowania strategiczne w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia opartą na hipotezach ocenę mechanizmów zaangażowania cyfrowego z wykorzystaniem zwalidowanych ram statystycznych.
- Wspiera ograniczanie ryzyka mechanistycznego poprzez izolację wpływu konkretnych atrybutów cyfrowych na satysfakcję użytkownika i intencje behawioralne.
- Ułatwia triage portfela poprzez kwantyfikację tego, które funkcje cyfrowe najsilniej przewidują pożądane wyniki.
Przesiewanie i opracowywanie testów
- Ustanawia znormalizowany pomiar odpowiedzi użytkowników na interwencje cyfrowe w celu przeprowadzenia dalszych analiz.
- Zapewnia odtwarzalność i porównywalność danych dotyczących zaangażowania cyfrowego dzięki zwalidowanym konstruktom ankietowym i progom statystycznym.
- Przygotowuje platformy zaangażowania cyfrowego do skalowalnej ewaluacji i iteracyjnej optymalizacji.
Badania translacyjne i przedkliniczne
- Umożliwia dopasowanie metryk zaangażowania cyfrowego do punktów końcowych behawioralnych istotnych dla badań zorientowanych na pacjenta.
- Wspiera ciągłość procesu od wczesnej walidacji koncepcji cyfrowej aż po przedkliniczne modelowanie behawioralne, jeśli jest to właściwe.
- Zapewnia predykcyjną redukcję ryzyka w rozwoju zasobów zdrowia cyfrowego poprzez wyjaśnienie ścieżek mediacji i moderacji.
Integracja potoków i przepływów pracy
Niniejszy protokół wpisuje się w kontinuum odkryć w obszarze zdrowia cyfrowego, od generowania hipotez po walidację strategii cyfrowego zaangażowania i przewidywanie efektów behawioralnych.
- Biologia odkrywcza: Wyjaśnia, w jaki sposób określone atrybuty cyfrowe wpływają na satysfakcję i intencje użytkownika, wspierając testowanie hipotez i mapowanie ścieżek.
- Przesiewanie: Dostarcza zestandaryzowane, powtarzalne wyniki ilościowe do oceny zaangażowania cyfrowego.
- Analityka: Zapewnia zwalidowane wyniki statystyczne, w tym efekty mediacji i moderacji, w celu porównania warunków cyfrowych.
- Badania translacyjne: Umożliwiają dopasowanie wskaźników zaangażowania cyfrowego do późniejszych wyników behawioralnych lub wyników raportowanych przez pacjentów.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje wielokrotnego użytku ramy do oceny nowych zasobów cyfrowych lub strategii zaangażowania wirtualnego w różnych programach.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Zwiększa pewność predykcyjną strategii zaangażowania cyfrowego i redukuje niejednoznaczność mechanistyczną.
- Wartość operacyjna: Standaryzuje pomiar i analizę interwencji cyfrowych w celu zapewnienia odtwarzalności i skalowalności.
- Wartość strategiczna: Dostarcza informacji do podejmowania decyzji o kontynuacji lub przerwaniu inwestycji w zasoby cyfrowe oraz redukuje ryzyko na późnych etapach w portfelach zdrowia cyfrowego.
- Wpływ na portfel: Wspiera priorytetyzację inicjatyw zaangażowania cyfrowego z uwzględnieniem ryzyka, w oparciu o zwalidowane predyktory behawioralne.
Kwestie związane z wdrożeniem
- Wymagana jest wiedza z zakresu projektowania ankiet, psychometrii oraz modelowania równań strukturalnych.
- Niezbędny jest dostęp do zwalidowanych narzędzi ankietowych oraz oprogramowania statystycznego do analizy PLS-SEM.
- Konieczna jest standaryzacja konstruktów zaangażowania cyfrowego oraz protokołów pomiarowych pomiędzy zespołami.
- Może być wymagana adaptacja pytań ankietowych dla różnych populacji cyfrowych lub pacjentów.
- Reprezentatywność próby oraz kompetencje cyfrowe uczestników mogą ograniczać możliwość generalizacji wyników.
