-
依托于网络信息技术、人工智能技术和控制技术的进步和应用,人工智能产品得以加速发展。仅以智能家居产品为例,据中国产业信息网公布,2019年全球智慧家庭市场空间已达到1 030亿美元;2020年6月1日,天猫618正式开售,天猫精灵智能家居一分钟销售额破一亿元。然而,以上这些销售数据的构成中,除了人工智能(Artificial Intelligence,AI)产品提供的服务功能和创造的经济价值以外,消费者对AI产品的感知和评价更应该受到商家和学术界的关注。AI产品能够提供精准的用户需求服务,为消费者提供了革命性的生活体验,消费者的消费诉求发生改变,消费者享受着AI产品带来的便利,同时也期待拥有更高质量的智慧生活。面对千人千面的需求,为满足用户需求并增强用户体验,AI产品应创造并传递何种产品价值呢?
为顾客创造感知价值成为企业吸引消费者并获得竞争优势的源泉,产品或服务所提供的价值应包括功能价值、情感价值和社会价值[1]。区别于传统产品,人工智能技术的应用可以提升用户与产品的交互体验,更好地提升顾客感知价值,即顾客在产品的使用或交互过程中所产生的一系列认知和情感反应,如对产品的功能价值认知,“这个产品能帮助我完成任务”;情感价值认知“这个产品可以帮我缓解压力,获得愉悦的情绪”;社会价值认知“这个产品可以为我带来认同感”等。当你进入房间时,客厅温度已经自动调至温暖适宜;当你想要放松一下,只需要轻声呼唤,智能音箱为你播放你喜爱的歌曲;清晨,伴随着你的醒来,智能窗帘悄然展开,为你迎来和煦的阳光……AI产品可以提供管理、监测、支持、响应服务。特殊的2020年,疫情催生了“宅经济”的快速发展,AI产品因其无接触式的交互方式正成为消费新趋势,在这种特殊的购物环境中,消费者会权衡产品所能带来的价值并做出认知判断。用户根据产品属性的认知产生感知偏好,并对是否达到产品使用目标进行评价[2]。对顾客感知价值的分析将有助于帮助商家了解用户对产品的价值诉求,在掌握用户需求的基础上实施有效的决策。
AI产品的特点之一在于拟人化,AI产品可以通过各类新兴传感器实现智能化人机交互,提高与用户的交互程度[3];同时,AI产品可以通过图像识别技术和语言处理技术进一步提升产品的智能化和情感化程度,强化其拟人化特征。以智能家居物联网为例,智能家居产品可以进行语音控制、响应速度快、自然度高、多任务实时工作,产品的拟人化不仅可以降低用户对风险的感知、还可以提升感知流畅性,拟人化的交互过程为用户提供了特殊的社会联系以及交流的满足感,从而形成了用户与产品间的情感纽带[4]。对于用户来说, 智能家居产品更像是一个智能助手来帮助用户完成各项工作,可以优化消费者的生活方式,解放人们的双手,让家居生活更加舒适、安全、高效、宜人。本研究以智能家居产品作为研究对象,分析用户与智能家居产品的情感联结对顾客满意度的影响。
近年来,对顾客满意度的研究多从以下三个角度展开:第一,以顾客满意度作为核心变量,探讨产品质量、服务等企业相关变量对顾客满意度的影响,期望发展并完善以满意度为核心的企业战略框架;第二,以满意度为前因变量,探讨满意度对顾客忠诚、顾客信任等因素的影响;第三,从交易成本、自我效能等视角探讨电子商务环境中顾客满意度的影响因素。但是,关于顾客满意度模型理论仍存在一些缺陷和不足,一方面驱动因素概念重叠,另一方面中介变量选取不当。现有文献并未解决以下问题:顾客对AI产品的接受和采用过程中,对AI产品是如何感知的?顾客感知价值是如何影响到消费者的在线购买决策的?用户与AI产品的情感联结又受到何种因素的影响?对于AI产品,商家应如何提高顾客的感知价值,进而提升顾客满意度?
为了弥补理论缺失,解决上述实践问题,本文在现有顾客满意度的研究基础上,根据顾客感知价值的测量维度、作用机制等相关理论,以顾客感知价值为自变量,以顾客满意度为因变量,以智能家居产品为研究对象,对使用过智能家居产品的868个被调查者进行数据收集,考察顾客感知价值对顾客满意度的影响。此外,由于AI产品与用户的交互程度不同,用户对产品的感知和判断也存在不同,所以本文引入自我—人工智能联结作用作为研究变量。同时,基于USP理论——产品或企业应为消费者创造独特的产品体验、满足不同用户的不同需求,验证个性化服务在顾客满意度模型中的调节作用。
综上所述,本研究试图探讨AI产品的顾客满意度的评价模型,分析顾客感知价值对顾客满意度的影响机制,以及顾客满意度模型中的中介变量。研究结论将有助于企业了解消费者对AI产品的需求和评价标准,更好地结合自身特点,有针对性的进行AI产品开发,提升企业的竞争优势和消费者的满意度。
-
本研究通过问卷调查的方法对研究假设进行检验,探究顾客感知价值和顾客满意度之间的关系,考虑自我—人工智能联结的中介作用。本研究的因变量为顾客满意度,自变量为顾客感知价值,中介变量为自我—人工智能联结作用,调节变量为个性化服务,控制变量包含顾客的性别、年龄、职业、受教育程度、家居产品的品类、收入。对变量的测度均沿用了过去学者的相关量表。
-
在正式问卷的发放前先进行小范围的预测试,预试筛选出所需要的AI产品、判断网络问卷的质量、测量问卷的信效度、检验引导语的客观性和启动作用。在预测试问卷的结尾收集被调查者对该问卷的建议。问卷开头设置了甄别题,即“你所使用的智能家居产品为……”,选择“无智能家居产品”的被调查者将被终止作答,预测试中共收集96份数据,其中有效问卷54份,根据问卷作答情况和被调查者建议,进一步简化问卷的引导语,对个性化服务的调节作用检验的实验材料进行进一步修改,实验材料进行单独展示。在此基础上形成正式问卷。
-
本研究所选取的实验材料为AI产品中的智能家居产品,将使用过智能家居产品的用户作为研究对象,理由是:智能家居市场蓬勃发展,市场空间广阔;疫情催生了“宅经济”的快速发展,智能家居因其无接触式的交互方式正成为生活流行品、消费新趋势。智能家居作为人工智能产业中重要的一环,已经悄然“飞入寻常百姓家”,购买过智能家居产品的用户数量大,智能家居产品也是消费者较为容易接触到的AI产品,因此选择购买过智能家居产品的用户作为调查对象,有较高的代表性,且经济成本较低。
1. 自变量
自变量为顾客感知价值(customer perceived value)。 对顾客感知价值的变量测量选取Sweeney和Soutar[16]的量表。将顾客感知价值划分为三个维度:功能性价值、享乐性价值、社会性价值,各自对应四个测量题项,如表1所示。功能性价值是对产品价格、质量、功能等产品特质的感知;享乐性价值是对产品使用过程所带来的愉悦性、轻松感的感知;社会性感知价值是对产品的社会评价。被调查者根据自己的使用感受在“1-完全不同意”到“7-完全同意”的范围内进行打分。
表 1变量测量量表
测量指标 测量项目 量表来源 功能价值 该产品物美价廉 Sweeney和Soutar[16] 该产品是我所需要的 该产品使用简单方便 该产品达到我预期的质量标准 享乐价值 使用该产品让我心情愉悦 Sweeney和Soutar[16] 使用该产品让我感觉充满乐趣 使用该产品让我更加享受生活 使用该产品让我觉得很温馨 社会价值 使用该产品有助于我给他人留下好印象 Sweeney和Soutar[16] 使用该产品能够让我更受欢迎 该产品能够让我赢得更多赞美 使用该产品有助于我获得他人认同 自我—人工智能联结 该产品反映了我的一部分以及我是谁 Huang和Philp[20] 我觉得我与该产品有个人联系 顾客满意度 总体来说我对该产品感觉满意 Fornell等[32] 与预期相比,我认为该产品与我的预期很接近 总体来说,选择该产品是一个正确的决定 2. 因变量
本研究的因变量是顾客满意度(customer satisfaction)。对此变量的测量采用Fornell等[32]的量表,共三个测量题项,如表1所示。1表示“完全不同意”,7表示“完全同意”,得分越高,表明顾客满意度越高。
3. 中介变量
本文的中介变量是自我—人工智能联结(self-AI connection),即顾客感知价值会直接影响自我—人工智能的情感联结,进而影响顾客满意度。对自我—人工智能联结作用的测量借鉴了自我—品牌联结量表以及Huang和Philp[20]的实验研究,共两个题项“该智能家居产品反映了我的一部分以及我是谁”“我觉得自己与我的智能家居产品有个人联系”。被调查者根据三个不同的语意差态量表,在“1-完全不同意”~“7-完全同意”的范围内进行评分,评分越高表明用户的自我—人工智能联结程度越高。
4. 调节变量
本研究的调节变量是个性化服务(personalized service),为分类变量:“有个性化服务”和“无个性化服务”。根据两幅同类同质图片的选择结果,被调查者被随机划分为两组。有个性化服务的调查组将看到一段文字“您的智能家居产品可根据您以往的习惯、爱好为您推荐……”;另一组无个性化服务被调查者将看到“您的智能家居产品可根据专家(大数据、您的朋友等)的建议为您推荐……”。
-
本次调查运用问卷星系统以网络问卷形式展开,将问卷的链接发布在朋友圈、微博等社交媒体,邀请相关用户填写问卷。共回收950份问卷,剔除过去没有智能家居产品使用经历和问卷填写不完整的样本,最终得到有效样本868份,有585位被调查组被分置有个性化服务组,283人被分入无个性化服务组,问卷回收率为91.4%。
-
信度分析采用Cronbach’sα系数对问卷数据的可靠性和一致性进行检验,如表2所示,各变量的Cronbach’sα系数都在0.8以上,表明该量表的信度较好,测量结果具有较强的稳定性。同时,本文使用探索性因子分析来检验问卷的效度,首先通过KMO度量和Bartlett检验,本问卷的KMO值大于0.8,Bartlett检验p值小于0.05,效度较好;在因子分析过程中共同度值均高于0.4,因子载荷系数均高于0.5,5个因子的方差解释率值分别是20.764%、13.687%、21.508%、12.048%和15.323%,旋转后累积方差解释率为83.331%>50%,说明题项信息可以被有效提取,本研究的数据结果具有较强的真实性和有效性。综上,如表2所示,本研究使用的量表信效度表现良好,可以进一步进行假设检验。
表 2信效度检验结果汇总表
名称 因子载荷系数 共同度(公因子方差) Cronbachα系数 因子1 因子2 因子3 因子4 因子5 享乐价值1 0.824 0.883 0.915 享乐价值2 0.743 0.817 享乐价值3 0.698 0.800 享乐价值4 0.673 0.808 功能价值1 0.607 0.860 0.910 功能价值2 0.561 0.807 功能价值3 0.659 0.795 功能价值4 0.579 0.833 社会价值1 0.724 0.854 0.928 社会价值2 0.745 0.837 社会价值3 0.773 0.850 社会价值4 0.737 0.835 自我—人工智能1 0.662 0.866 0.837 自我—人工智能2 0.680 0.870 满意度1 0.572 0.784 0.902 满意度2 0.702 0.860 满意度3 0.581 0.806 特征根值(旋转前) 0.929 0.542 11.661 0.448 0.586 — — 方差解释率(旋转前)/% 5.470 3.190 68.600 2.640 3.450 — — 累积方差解释率(旋转前)/% 74.060 80.700 68.600 83.330 77.510 — — 特征根值(旋转后) 3.530 2.327 3.656 2.048 2.605 — — 方差解释率(旋转后)/% 20.760 13.690 21.510 12.050 15.320 — — 累积方差解释率(旋转后)/% 42.270 71.280 21.510 83.330 57.600 — — KMO值 0.970 — — 巴特球形值 14 865.633 — — df 136 — — p值 0 — — -
在验证前文所提出的研究假设之前,本文先探索了各变量间的相关关系。依据Pearson相关系数对样本做相关性分析,由表3可以看出顾客感知价值的三个维度(功能性价值、享乐性价值、社会性价值)对顾客满意度均有正向影响,顾客感知价值对自我—人工智能的联结作用具有显著的正向影响,且自我—人工智能联结对满意度有显著的正向影响。根据相关分析的结果,假设H1、H2、H3得到验证。相关分析展现的是变量间简单的基本关系,不能深刻反映多变量间的复杂关系,因此,本文会在后续对自变量、因变量和中介变量的关系做进一步的探究。
表 3变量的相关分析结果表
变量 1 2 3 4 5 6 7 8 9 10 11 12 满意度(1) 1 感知价值(2) 0.865** 1 自我—人工智能(3) 0.850** 0.859** 1 功能价值(4) 0.839** 0.944** 0.810** 1 享乐价值(5) 0.771** 0.914** 0.803** 0.802** 1 社会价值(6) 0.795** 0.920** 0.774** 0.831** 0.728** 1 性别(7) 0.025 0.013 0.04 0.032 0.061 −0.058 1 年龄(8) 0.036 0.066 0.017 0.06 0.033 0.090** −0.029 1 职业(9) 0.046 0.049 0.051 0.043 0.042 0.05 0.019 0.143** 1 教育程度(10) 0.034 0.038 0.059 0.038 0.064 0.002 0.043 0.161** −0.008 1 智能家居种类(11) −0.022 −0.035 −0.035 −0.031 −0.059 −0.006 −0.045 0.093** 0.098** 0.003 1 使用时间(12) 0.122** 0.148** 0.113** 0.127** 0.126** 0.156** −0.059 0.204** 0.128** 0.211** 0.138** 1 注:*表示p<0.05,**表示p<0.01。 -
对自我—人工智能联结进行中介效应分析,首先以满意度为因变量Y,以顾客感知价值为自变量X,检验回归系数为0.893**,回归系数显著;继而以自我—人工智能联结为自变量,以顾客感知价值为因变量,检验回归系数为0.922**,回归系数显著;最后以顾客满意度为因变量,检验自变量与中介变量的回归系数,由表4可知,自我—人工智能的联结作用在顾客感知价值和顾客满意度中间起部分中介作用,中介效应占总效应的55.98%。运用Bootstrap抽样检验法进行进一步的中介作用验证,95%区间并不包括数字0(95% CI:0.430~0.564),如表5所示,再次验证自我—人工智能联结具有部分中介作用。感知价值首先会对自我—人工智能产生影响,然后通过自我—人工智能再去影响满意度。H4得到验证。
表 4中介效应检验结果表
名称 自我—人工智能 满意度 满意度 B 标准误 t p B 标准误 t p B 感知价值 0.922** 0.019 49,469 0 0.893** 0.016 57.258 0 0.393** 自我—人工智能 0.542** R2 0.739 0.791 0.879 调整R2 0.738 0.791 0.878 F值 F(1,866)=2 447.147,p=0.000 F(1,866)=3 278.529,p=0.000 F(2,865)=3 134.792,p=0.000 注:*表示p<0.05,**表示p<0.01。 表 5间接效应检验结果表
项 Effect Boot SE BootLLCI BootULCI z p 感知价值$ \Rightarrow $自我—人工智能$ \Rightarrow $满意度 0.5 0.033 0.430 0.564 14.948 0 注:BootLLCI指Bootstrap抽样95%区间下限,BootULCI指Bootstrap抽样95%区间上限。 -
本文的调节效应主要关注的是个性化服务对顾客感知价值与自我—人工智能联结之间关系的调节影响。在本研究中,为进行有效启动,将个性化服务定为分类变量:“有个性化服务”“无个性化服务”;且本研究认为调节效应主要作用于用户对智能家居产品的整体感知价值与自我—人工智能联结的关系中,对顾客感知价值下的各个维度对自我—人工智能联结的调节效应没有深入探究。因调节变量属于分类变量,本研究运用分层回归方法对调节效应进行检验。
将顾客感知价值作为自变量,而将自我—人工智能联结作为因变量进行线性回归分析,根据表6的数据结果可知,模型R2值为0.740,意味着顾客感知价值可以解释自我—人工智能联结的74.0%变化原因。对模型进行F检验时发现模型通过F检验(F=2 459.863,p<0.05),也证明了顾客感知价值一定会对自我—人工智能产生正向影响关系。在模型1的基础上加入个性化服务后,F值变化呈现出显著性(p<0.05),意味着个性化服务作为变量加入后对模型具有解释意义。另外,R2值由0.740上升到0.771,意味着个性化服务可对自我—人工智能产生3.1%的解释力度。个性化服务的回归系数值为0.190,并且呈现出显著性(t=10.807,p=0.000<0.01),意味着个性化服务会对自我—人工智能产生显著的正向影响关系。在模型2的基础上加入交互项后,F值变化呈现出显著性(p<0.05),R2值由0.771上升到0.773,意味着交互项的加入对模型有一定的解释力度。交互项的回归系数值为−0.051,并且呈现出显著性(t=−2.931,p=0.003<0.01),意味着交互作用会对自我—人工智能产生显著的负向影响。
表 6调节作用检验结果表
名称 分层1 分层2 分层3 B 标准误 t p B 标准误 t p B 标准误 t p 感知价值 0.926** 0.019 49.597 0 0.922** 0.018 52.531 0 0.921** 0.017 52.703 0 个性化有无 0.190** 0.018 10.807 0 0.189** 0.017 10.790 0 感知价值×个性化服务 −0.051** 0.017 −2.931 0.003 R2 0.740 0.771 0.773 调整R2 0.739 0.770 0.772 F值 F(1,866)=2 459.863,p=0.000 F(2,865)=1 452.762,p=0.000 F(3,864)=979.872,p=0.000 ΔR2 0.740 0.031 0.002 ΔF值 F(1,866)=2 459.863,p=0.000 F(1,865)=116.782,p=0.000 F(1,864)=8.592,p=0.003 注:*表示p<0.05,**表示p<0.01。 H5得到了部分验证,个性化服务具有调节作用,但交互作用对自我-人工智能联结的负向影响与假设不符。本研究发现为当AI产品提供个性化服务时,顾客如果仅从接受服务的角度出发,用户会感受到企业或产品对于个体的尊重,并因个性化服务所带来的相似性而产生更高程度情感联结作用。但一旦个性化服务与产品的整体感知价值产生交互作用时,产品提供个性化服务需要通过各类传感器收集并利用大数据和计算机算法分析消费者的个人信息,这会增强消费者的隐私泄露的风险感知。同时,为提高个性化服务的交互性,AI产品多采用主动交互、内容推荐等方式,用户所接收的信息增多,也会随之产生更多的顾虑,增加了信息处理的负担;此外,“恐怖谷理论”也为本研究提供了思考方向,该理论表明人们会亲和与自己相似的事物,但当事物与自然的人或动物非常相似,但不完全相似的时候,在某一个临界点,部分人的亲和反应会瞬间跌落,并产生排斥、恐惧、困惑等负面心理。这将对用户的自我建构不利,从而影响用户与AI产品的情感联结作用[33-35]。
-
运用结构方程模型对数据进行进一步模型拟合检验,并根据模型回归系数和模型拟合指标数据,判断变量之间的影响关系和模型的拟合效果。由表7可知,标准化回归系数显著且大于0.6,感知价值对自我—人工智能联结作用、顾客满意度均产生正向的影响关系,自我-人工智能联结作用对顾客满意度产生显著的正向影响关系。表8展示了模型拟合效果情况,其中卡方自由度为2.24,小于3,模型拟合效果良好。同时,RMR为0.046小于0.05;CFI、NFI、NNFI均大于0.9;RMSEA为0.098小于0.1;GFI为0.859小于0.9,但接近于0.9;指标结果显示,模型构建良好,模型结果可靠。根据数据结果,整理顾客感知价值对顾客满意度的模型结果图,如图2所示,模型假设得以验证。
表 7结构方程模型回归系数汇总表
X → Y 标准化回归系数 SE z(CR值) p 感知价值 → 自我—人工智能联结 0.89 0.012 82.076 0.000 感知价值 → 顾客满意度 0.82 0.010 95.021 0.000 自我—人工智能联结 → 顾客满意度 0.83 0.010 85.149 0.000 注:→表示回归影响关系。 表 8模型拟合指标结果表
常用指标 χ2 df p 卡方自由度比χ2/df GFI RMSEA RMR CFI NFI NNFI TLI IFI SRMR 值 260.382 116 0.000 2.240 0.859 0.098 0.046 0.972 0.97 0.968 0.968 0.972 0.006
Influence of Customer Perceived Value on Customer Satisfaction: The Mediating Role of Self-AI Connection
-
摘要:人工智能应用于产品交互设计,改变了人与产品之间传统的交互方式,消费者在人机交互的过程中会不断构建、强化、表达自我,此过程存在复杂的作用机制并会对消费者的产品感知和评价产生影响。从用户角度出发,运用实验法探究了顾客对人工智能(AI)产品的感知价值(功能价值、享乐价值、社会价值)对顾客满意度产生的正向影响,同时验证了自我—人工智能联结在此关系中的中介作用。此外,验证了AI产品是否提供个性化的服务会影响自我—人工智能联结的程度。具体而言,提供个性化服务会对自我—人工智能联结产生显著的正向影响。但感知价值与个性化服务的交互作用会对自我—人工智能联结产生显著负向影响。Abstract:Artificial intelligence, applied to product interaction design, has changed the traditional interaction between people and products. Consumers will continue to build, strengthen, and express themselves in the process of human-computer interaction. This process has a complex mechanism of action and will affect consumers’ product perception and evaluation. From the perspective of users, this study used experimental methods to explore the positive impact of customers’ perceived value (functional value, hedonic value and social value) of AI products on customer satisfaction, and verified the mediating role of self-artificial intelligence connection in this relationship. In addition, this study verified whether the degree of self-artificial intelligence connection would be affected with or without AI products providing personalized services. Specifically, providing personalized services will have a significant positive impact on self-AI connection. However, the interaction between perceived value and personalized services will have a significant negative impact on self-AI connection.
-
表 1变量测量量表
测量指标 测量项目 量表来源 功能价值 该产品物美价廉 Sweeney和Soutar[16] 该产品是我所需要的 该产品使用简单方便 该产品达到我预期的质量标准 享乐价值 使用该产品让我心情愉悦 Sweeney和Soutar[16] 使用该产品让我感觉充满乐趣 使用该产品让我更加享受生活 使用该产品让我觉得很温馨 社会价值 使用该产品有助于我给他人留下好印象 Sweeney和Soutar[16] 使用该产品能够让我更受欢迎 该产品能够让我赢得更多赞美 使用该产品有助于我获得他人认同 自我—人工智能联结 该产品反映了我的一部分以及我是谁 Huang和Philp[20] 我觉得我与该产品有个人联系 顾客满意度 总体来说我对该产品感觉满意 Fornell等[32] 与预期相比,我认为该产品与我的预期很接近 总体来说,选择该产品是一个正确的决定 表 2信效度检验结果汇总表
名称 因子载荷系数 共同度(公因子方差) Cronbachα系数 因子1 因子2 因子3 因子4 因子5 享乐价值1 0.824 0.883 0.915 享乐价值2 0.743 0.817 享乐价值3 0.698 0.800 享乐价值4 0.673 0.808 功能价值1 0.607 0.860 0.910 功能价值2 0.561 0.807 功能价值3 0.659 0.795 功能价值4 0.579 0.833 社会价值1 0.724 0.854 0.928 社会价值2 0.745 0.837 社会价值3 0.773 0.850 社会价值4 0.737 0.835 自我—人工智能1 0.662 0.866 0.837 自我—人工智能2 0.680 0.870 满意度1 0.572 0.784 0.902 满意度2 0.702 0.860 满意度3 0.581 0.806 特征根值(旋转前) 0.929 0.542 11.661 0.448 0.586 — — 方差解释率(旋转前)/% 5.470 3.190 68.600 2.640 3.450 — — 累积方差解释率(旋转前)/% 74.060 80.700 68.600 83.330 77.510 — — 特征根值(旋转后) 3.530 2.327 3.656 2.048 2.605 — — 方差解释率(旋转后)/% 20.760 13.690 21.510 12.050 15.320 — — 累积方差解释率(旋转后)/% 42.270 71.280 21.510 83.330 57.600 — — KMO值 0.970 — — 巴特球形值 14 865.633 — — df 136 — — p值 0 — — 表 3变量的相关分析结果表
变量 1 2 3 4 5 6 7 8 9 10 11 12 满意度(1) 1 感知价值(2) 0.865** 1 自我—人工智能(3) 0.850** 0.859** 1 功能价值(4) 0.839** 0.944** 0.810** 1 享乐价值(5) 0.771** 0.914** 0.803** 0.802** 1 社会价值(6) 0.795** 0.920** 0.774** 0.831** 0.728** 1 性别(7) 0.025 0.013 0.04 0.032 0.061 −0.058 1 年龄(8) 0.036 0.066 0.017 0.06 0.033 0.090** −0.029 1 职业(9) 0.046 0.049 0.051 0.043 0.042 0.05 0.019 0.143** 1 教育程度(10) 0.034 0.038 0.059 0.038 0.064 0.002 0.043 0.161** −0.008 1 智能家居种类(11) −0.022 −0.035 −0.035 −0.031 −0.059 −0.006 −0.045 0.093** 0.098** 0.003 1 使用时间(12) 0.122** 0.148** 0.113** 0.127** 0.126** 0.156** −0.059 0.204** 0.128** 0.211** 0.138** 1 注:*表示p<0.05,**表示p<0.01。 表 4中介效应检验结果表
名称 自我—人工智能 满意度 满意度 B 标准误 t p B 标准误 t p B 感知价值 0.922** 0.019 49,469 0 0.893** 0.016 57.258 0 0.393** 自我—人工智能 0.542** R2 0.739 0.791 0.879 调整R2 0.738 0.791 0.878 F值 F(1,866)=2 447.147,p=0.000 F(1,866)=3 278.529,p=0.000 F(2,865)=3 134.792,p=0.000 注:*表示p<0.05,**表示p<0.01。 表 5间接效应检验结果表
项 Effect Boot SE BootLLCI BootULCI z p 感知价值$ \Rightarrow $自我—人工智能$ \Rightarrow $满意度 0.5 0.033 0.430 0.564 14.948 0 注:BootLLCI指Bootstrap抽样95%区间下限,BootULCI指Bootstrap抽样95%区间上限。 表 6调节作用检验结果表
名称 分层1 分层2 分层3 B 标准误 t p B 标准误 t p B 标准误 t p 感知价值 0.926** 0.019 49.597 0 0.922** 0.018 52.531 0 0.921** 0.017 52.703 0 个性化有无 0.190** 0.018 10.807 0 0.189** 0.017 10.790 0 感知价值×个性化服务 −0.051** 0.017 −2.931 0.003 R2 0.740 0.771 0.773 调整R2 0.739 0.770 0.772 F值 F(1,866)=2 459.863,p=0.000 F(2,865)=1 452.762,p=0.000 F(3,864)=979.872,p=0.000 ΔR2 0.740 0.031 0.002 ΔF值 F(1,866)=2 459.863,p=0.000 F(1,865)=116.782,p=0.000 F(1,864)=8.592,p=0.003 注:*表示p<0.05,**表示p<0.01。 表 7结构方程模型回归系数汇总表
X → Y 标准化回归系数 SE z(CR值) p 感知价值 → 自我—人工智能联结 0.89 0.012 82.076 0.000 感知价值 → 顾客满意度 0.82 0.010 95.021 0.000 自我—人工智能联结 → 顾客满意度 0.83 0.010 85.149 0.000 注:→表示回归影响关系。 表 8模型拟合指标结果表
常用指标 χ2 df p 卡方自由度比χ2/df GFI RMSEA RMR CFI NFI NNFI TLI IFI SRMR 值 260.382 116 0.000 2.240 0.859 0.098 0.046 0.972 0.97 0.968 0.968 0.972 0.006 -
[1] KIM H, CHAN H, GUPTA S. Value-based adoption of mobile internet: an empirical investigation[J]. Decision Support Systems, 2007, 43(1): 111-126.doi:10.1016/j.dss.2005.05.009 [2] ZEITHAML V A, PARASURAMAN A, BERRY L L. Delivering quality service, balancing customer perceptions and expectations [M]. New York: Simon and Schuster, 1990. [3] BIOCCA F, HARMS C. Defining and measuring social presence: contribution to the networked minds theory and measure[C]//The 5th International Workshop on Presence. Porto: University Fernando Pessoa, 2002. [4] 汪涛, 谢志鹏, 崔楠. 和品牌聊聊天: 拟人化沟通对消费者品牌态度影响[J]. 心理学报, 2014, 46(7): 987-999. [5] GALE B T, WOOD R C. Managing customer value: creating quality and service that customers can see[M]. New York, USA. : Simon and Schuster, 1994, [6] ULAGA W, CHACOUR S. Measuring customer-perceived value in business markets: a prerequisite for marketing strategy development and implementation[J]. Industrial Marketing Management, 2001, 30(6): 525-540.doi:10.1016/S0019-8501(99)00122-4 [7] 董大海, 权晓研, 曲晓飞. 顾客价值及其构成[J]. 大连理工大学学报, 1999, 20(4): 18-20. [8] ZEITHAML V A. Consumer perceptions of price, quality, and value a means-end model and synthesis of evidence [J]. Journal of Marketing, 1988, 52(3): 132-148. [9] 范秀成, 罗海成. 基于顾客感知价值的服务企业竞争力探析[J]. 南开管理评论, 2003, 6(6): 41-45.doi:10.3969/j.issn.1008-3448.2003.06.009 [10] 王伟, 于吉萍, 张善良. 顾客感知价值: 研究述评与展望[J]. 河南工业大学学报(社会科学版), 2018, 14(5): 33-41. [11] PARASURAMAN A, ZEITHAML V A, BERRY L. Servqual: a multiple-item scale for measuring consumer perceptions of service quality[J]. Journal of Retailing, 1988, 64(1): 12-40. [12] MONROE K B. Pricing-making profitable decisions[M]. New York: Mc Graw Hill, 1991. [13] SHETH J N, NEWMAN B I, GROSS B L. Why we buy what we buy: a theory of consumption values[J]. Journal of Business Research, 1991, 22(2): 159-170.doi:10.1016/0148-2963(91)90050-8 [14] KELLER K L. Building customer-based brand equity: a blueprint for creating strong brands[M]. Cambridge, MA: Marketing Science Institute, 2001. [15] WANG Y, LO H P, CHI R, et al. An integrated framework for customer value and customer‐relationship‐management performance: a customer‐based perspective From China[J]. Managing Service Quality: An International Journal, 2004, 14: 169-182. [16] SWEENEY J C, SOUTAR G N. Consumer perceived value: the development of a multiple item scale[J]. Journal of retailing, 2001, 77(2): 203-220.doi:10.1016/S0022-4359(01)00041-0 [17] OLIVER R L. Measurement and evaluation of satisfaction processes in retailing setting[J]. Journal of Retailing, 1981, 57(3): 25-48. [18] 查金祥, 王立生. 网络购物顾客满意度影响因素的实证研究[J]. 管理科学, 2006, 19(1): 50-58. [19] 谢佩洪, 奚红妹, 魏农建, 等. 转型时期我国B2C电子商务中顾客满意度影响因素的实证研究[J]. 科研管理, 2011, 32(10): 109-117. [20] HUANG B, PHILP M. When AI-based services fail: examining the effect of the self-AI connection on willingness to share negative word-of-mouth after service failures[J]. The Service Industries Journal, 2021, 41(13-14): 877-899.doi:10.1080/02642069.2020.1748014 [21] ESCALAS J E. Narrative processing: Building consumer connections to brands[J]. Journal of Consumer Psychology, 2004, 14(1-2): 168-180.doi:10.1207/s15327663jcp1401&2_19 [22] 伟强, 于春玲, 赵平. 参照群体类型与自我—品牌联系[J]. 心理学报, 2009, 41(2): 156-166. [23] BELK R W. Possessions and the extended self[J]. Journal of Consumer Research, 1988, 15(2): 139-168.doi:10.1086/209154 [24] FOURNIER S. Consumers and their brands: Developing relationship theory in consumer research[J]. Journal of Consumer Research, 1998, 24(4): 343-373.doi:10.1086/209515 [25] GROOM V, TAKAYAMA L, OCHI P, et al. I am my robot: the impact of robot-building and robot form on operators[C]//2009 4th ACM/IEEE International Conference on Human-Robot Interaction (HRI). La Jolla, California, USA: IEEE, 2009: 31−36. [26] GAO L, WHEELER S C, SHIV B. The “shaken self”: Product choices as a means of restoring self-view confidence[J]. Journal of Consumer Research, 2009, 36(1): 29-38.doi:10.1086/596028 [27] GRAM-HANSSEN K, DARBY S J. “Home is where the smart is”? evaluating smart home research and approaches against the concept of home[J]. Energy Research & Social Science, 2018, 37: 94-101. [28] SIRGY M J. Self-concept in consumer behavior: a critical review[J]. Journal of Consumer Research, 1982, 9(3): 287-300.doi:10.1086/208924 [29] CHENG S Y Y, WHITE T B, CHAPLIN L N. The effects of self‐brand connections on responses to brand failure: a new look at the consumer-brand relationship[J]. Journal of Consumer Psychology, 2012, 22(2): 280-288.doi:10.1016/j.jcps.2011.05.005 [30] 胡慕海, 蔡淑琴, 张宇. 面向个性化推荐的情景化用户偏好研究[J]. 管理学报, 2010, 29(10): 157-162. [31] 董大海, 杨毅. 网络环境下消费者感知价值的理论剖析[J]. 管理学报, 2008(6): 856-861. [32] FORNELL C. A national customer satisfaction barometer: the swedish experience[J]. Journal of Marketing, 1992, 56(1): 6-21.doi:10.1177/002224299205600103 [33] FENG S, SETOODEH P, HAYKIN S. Smart home: cognitive interactive people-centric internet of things[J]. IEEE Communications Magazine, 2017, 55(2): 34-39.doi:10.1109/MCOM.2017.1600682CM [34] BRUSH A J B, LEE B, MAHAJAN R, et al. Home automation in the wild: challenges and opportunities[C]//proceedings of the SIGCHI Conference on Human Factors in Computing Systems. Vancouver, Canada: ACM, 2011: 2115−2124, [35] NAG D, MAJUMDER D, RAQUIB C M, et al. Green energy powered smart healthy home[C]//2017 8th Annual Industrial Automation and Electromechanical Engineering Conference (IEMECON). Cebu, Philippines: IEEE, 2017: 47−51. [36] 李伟, 颜清, 苗苗, 等. 拟人化广告形象契合与视觉对象结构: 基于自我建构的眼动研究[J]. 营销科学学报, 2019, 15(2): 116-131. [37] 吴莹皓, 蒋晶. 仆人还是伙伴: 拟人化品牌角色对社会排斥影响的缓解作用[J]. 营销科学学报, 2018, 14(1): 44-57. [38] 洪瑞阳, 吴水龙, 袁永娜, 等. 社会身份信息一致性对消费者购买意向的影响研究: 基于社交网络品牌支持者的口碑情境[J]. 营销科学学报, 2017(4): 67-82. [39] 李世豪, 张红霞, 王雪芳, 等. 接近还是远离: 不同信息类型下孤独感对拟人化产品偏好的影响[J]. 营销科学学报, 2017, 13(4): 1-17.