Aplicando um programa de personalização eMASS como uma ferramenta de pesquisa para avaliar os benefícios do consumidor
27 de setembro de 2019
Aqui apresentamos um protocolo para examinar as respostas dos consumidores em relação à personalização em massa no contexto do varejo online. O protocolo detalha o procedimento de pesquisa on-line e como analisar dados usando modelagem de equações estruturais e diferenças de grupo usando análises médias latentes.
Nosso protocolo exige que os participantes experimentem personalização em massa antes de fazer uma pesquisa e usa os dados da pesquisa para testar as relações entre as respostas dos consumidores. O protocolo permite que os dados dos consumidores sejam aplicados à modelagem de equações estruturais e à análise de meios latentes para obter dados estatísticos sofisticados e aumentar a validade da pesquisa. Nosso estudo beneficiará pesquisas que investiguem os efeitos do varejo ou da tecnologia de marketing nas respostas dos consumidores.
Embora testar vários testes de invariância, como invariância configural, matriz e escalar pode ser difícil, aconselhamos paciência e seguir este procedimento com muito cuidado para aumentar a qualidade dos dados. Demonstrando o procedimento será Hiyun Kim, um aluno da nota A do meu laboratório. Use uma pesquisa online para recrutar consumidores do sexo feminino que tenham uma experiência de compra de vestuário online.
Envie um e-mail de convite aos participantes qualificados que inclua informações sobre o propósito do estudo e uma garantia da confidencialidade das respostas. Envie orientações aos participantes da pesquisa que concordam em participar de uma pesquisa mostrando como criar trench coats usando o programa de personalização. Os participantes que concordam em participar da pesquisa iniciam o procedimento da pesquisa.
Eles recebem um link que está conectado ao programa de personalização do eMass em um site de compras existente, e são solicitados a imaginar que você está bem o suficiente para comprar roupas agradáveis e tem que comprar um trench coat para participar de uma reunião importante. Você vai querer criar um trench coat único. Ao navegar pela internet, você se depara com o site de vestuário perfeito que tem um programa de personalização em massa.
24 horas após receber o cenário, ative o link da pesquisa para que os participantes que terminaram o trench coat e estejam prontos para fazer a pesquisa possam clicar no link da pesquisa. Na pesquisa, os participantes fazem upload da captura de tela e do preço do trench coat que criaram para a primeira página da pesquisa. Em seguida, é necessário que os participantes completem o questionário online sobre os benefícios percebidos e o apego emocional ao produto personalizado, e atitude em relação ao programa de personalização, intenções de fidelidade e questões demográficas.
Forneça uma recompensa monetária aos participantes que completarem a pesquisa. Quando todos os inquéritos forem concluídos, salve os dados da pesquisa em um arquivo SPSS contendo todas as respostas dos participantes da pesquisa e use os dados limpos para realizar uma análise de modelagem de equações estruturais. Usando uma divisão mediana, soma e média das pontuações de seis itens de inovação da moda e calcular a pontuação mediana da inovação da moda.
No menu transform, clique em recodificar em diferentes variáveis e codificar um para um grupo inovador de baixa moda se a pontuação média for menor que a mediana. Clique duas vezes na variável grupo inovador da moda para movê-la para os casos divididos por campo. Em seguida, atribua o local do diretório do arquivo de saída para salvar os arquivos como Data_low inovação de moda.
sav e Data_high inovação da moda. sav no diretório atribuído. Para confirmar a validade convergente, clique em selecionar arquivos de dados Data_TOTAL.sav.
Desenvolver o modelo de medição com base nas questões da pesquisa para incluir cinco variáveis latentes e 17 variáveis observadas. Defina cada uma das variâncias das variáveis latentes como uma e clique em calcular estimativas. Em seguida, verifique os índices de ajuste do modelo de medição a partir dos resultados da análise do fator confirmatório do grupo único, bondade do índice fit, bondade ajustada do índice fit, índice de ajuste normed, índice Tucker Lewis, índice de ajuste comparativo e erro quadrado médio raiz de aproximação.
Nesta análise representativa, foi realizada uma análise de fator confirmatório de grupo único com cinco variáveis latentes e 17 variáveis observadas. Todas as razões críticas dos coeficientes do fator foram significativas, implicando que a validade convergente foi alcançada. Os índices de ajuste de uma única modelagem de equações estruturais de grupo revelaram um ajuste aceitável.
Passar da análise de fatores confirmatórios de grupo único para análise de fatores confirmatórios multipartidários para validar o modelo de medição de cinco fatores para ambos os grupos revela que a invariância configural foi alcançada e que todas as razões críticas dos coeficientes fatores foram significativas. Para testar a invariância métrica, os coeficientes de fatores foram constrangidos a serem os mesmos em dois grupos, e outra análise de fator confirmatório multipartidário foi realizada, indicando que uma diferença qui-quadrado de 14.728 não foi significativa e que a invariância métrica foi satisfeita. Desde que o modelo de invariância métrica foi aceito, a invariância escalar foi testada.
Uma vez que o modelo completo de invariância escalar foi aninhado no modelo de invariância métrica completa, foi realizado um teste de diferença qui-quadrado, demonstrando que uma diferença qui-quadrado de 11,18 não era significativa, e que a invariância escalar estava satisfeita. Dado que a invariância configural, a invariância métrica e a invariância escalar foram realizadas, foi realizada uma análise média latente e os meios de cinco variáveis latentes para os grupos de alto inovação foram determinados como valores positivos significativamente superiores aos dos grupos inovadores de baixa moda. O programa de personalização em massa pode parecer difícil dependendo da percepção de um indivíduo sobre a complexidade da tarefa.
Lembre-se de dar tempo suficiente para que os participantes se aclimatam ao programa de personalização. Para abordar as diferenças de grupo nas relações entre variáveis latentes, a modelagem de equações estruturais de múltiplos grupos pode ser realizada para comparar coeficientes passados entre os grupos. A maioria dos pesquisadores tem usado a modelagem de equações estruturais de vários grupos para comparações em grupo.
Nosso estudo fornece outra forma de múltiplas comparações em grupo serem realizadas em uma área de ciências sociais.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Visão Geral
Este protocolo descreve um método para examinar as respostas dos consumidores à customização em massa no varejo online. Ele detalha o procedimento de pesquisa online e a análise dos dados utilizando modelagem de equações estruturais e análises de médias latentes.
Principais Componentes do Estudo
Área da Ciência
- Comportamento do consumidor
- Varejo online
- Modelagem estatística
Contexto
- Os participantes experimentam customização em massa antes de preencher um questionário.
- Os dados do questionário são utilizados para testar as relações entre as respostas dos consumidores.
- O protocolo aumenta a validade dos resultados da pesquisa.
- Testes de invariância são recomendados para a melhoria da qualidade dos dados.
Objetivo do Estudo
- Investigar as respostas dos consumidores à tecnologia varejista.
- Aplicar métodos estatísticos sofisticados para análise de dados.
- Fornecer insights sobre os efeitos da customização em massa no comportamento do consumidor.
Métodos Utilizados
- Recrutamento por meio de pesquisa online de consumidoras com experiência em compras de roupas.
- Modelagem de equações estruturais para análise de dados.
- Análise de médias latentes para avaliar diferenças entre grupos.
- Teste de invariância para garantia da qualidade dos dados.
Resultados Principais
- As respostas dos consumidores podem ser efetivamente analisadas utilizando os métodos propostos.
- O protocolo permite obter insights estatísticos sofisticados.
- A paciência ao seguir o procedimento melhora a qualidade dos dados.
Conclusões
- O estudo contribui para a compreensão do comportamento do consumidor no varejo online.
- Ele demonstra a importância do rigor metodológico na pesquisa com consumidores.
- Pesquisas futuras podem se basear nesses achados para explorar implicações adicionais.
Perguntas Frequentes
Relevância Executiva para a Indústria
Este protocolo demonstra como a validação estatística rigorosa de dados de resposta do consumidor pode orientar a validação de alvos e o desenvolvimento de ensaios na pesquisa e desenvolvimento de biofármacos. Ao aplicar testes de invariância de mensuração e análise de médias latentes, o método apoia a redução de riscos mecanicistas e a confiança preditiva no estágio inicial de descoberta. A abordagem permite que equipes multifuncionais comparem respostas biológicas entre subpopulações com saídas quantitativas validadas.
Aplicações Estratégicas em P&D de Biotecnologia Farmacêutica
Descoberta Inicial e Validação de Alvo
- Valor Científico: Permite a investigação de hipóteses terapêuticas por meio do teste de invariância de mensuração entre subgrupos biológicos.
- Valor Operacional: Apoia a redução de riscos biológicos por meio da análise de médias latentes que quantifica diferenças significativas na ativação de vias.
- Valor Preditivo: Aprimora a triagem de portfólios ao identificar quais mecanismos-alvo apresentam padrões de resposta consistentes em diferentes modelos variantes.
Triagem e Desenvolvimento de Ensaios
- Valor Científico: Prepara sistemas biológicos validados para fluxos de trabalho posteriores, confirmando a equivalência das medições.
- Valor Operacional: Aborda a padronização e reprodutibilidade de ensaios por meio de testes de invariância configuracional, métrica e escalar.
- Escalabilidade: Destaca a preparação para triagem ao garantir que as saídas quantitativas sejam comparáveis entre diferentes condições experimentais.
Pesquisa Translacional e Pré-clínica
- Continuidade Translacional: Descreve como a medição invariável apoia o alinhamento com biomarcadores translacionais nas fases de descoberta e pré-clínica.
- Decisões Ajustadas ao Risco: Permite a continuidade desde a descoberta até a validação pré-clínica mediante a confirmação da estabilidade do construto.
- Redução de Riscos Mecanística: Foca no valor preditivo ao avaliar o engajamento do alvo em sistemas relevantes para a doença.
Integração de Pipeline e Fluxo de Trabalho
O método insere-se no continuum de descoberta que vai do teste de hipóteses à identificação de compostos líderes, especialmente ao comparar respostas biológicas em modelos variantes.
- Biologia da Descoberta: Apoia a verificação de hipóteses e a clarificação de vias ao validar modelos de medição antes de comparar construtos latentes.
- Triagem: Descreve a prontidão do ensaio por meio de modelos de medição validados que garantem saídas quantitativas reprodutíveis.
- Análises: Destaca a modelagem de equações estruturais e a análise de médias latentes como saídas estatísticas que permitem a comparação de condições biológicas.
- Pesquisa Translacional: Conecta o método à continuidade pré-clínica ao confirmar a invariância de medição, um pré-requisito para o alinhamento válido de biomarcadores.
- Reutilização Empresarial: Apresenta o procedimento de teste de invariância como uma capacidade reutilizável para padronizar comparações entre estudos.
Impacto Operacional e Empresarial
- Valor Científico: Confiança preditiva, validação de alvos e redução de ambiguidade mecanicista por meio de modelos de medição validados.
- Valor Operacional: Padronização, reprodutibilidade e escalabilidade de ensaios biológicos por meio de testes de invariância.
- Valor Estratégico: Decisões de avançar/não avançar mais precisas, eficiência do capital e redução de riscos biológicos em estágios avançados ao garantir equivalência de medição.
- Impacto no Portfólio: Priorização e decisões de avanço ajustadas ao risco com base em diferenças médias latentes com escalas validadas.
Considerações de Implementação
- Expertise científica necessária em modelagem de equações estruturais e análise fatorial confirmatória.
- Necessidades de infraestrutura instrumental e analítica para software estatístico multivariado (por exemplo, SPSS, AMOS).
- Requisitos de padronização entre equipes para definição de variáveis latentes e indicadores observados.
- Considerações de adaptação entre sistemas de modelos ao traduzir protocolos de testes de invariância.
- Limitações práticas incluem requisitos de tamanho amostral para análise multigrupo e complexidade dos testes de invariância longitudinais.
