《Frontiers in Artificial Intelligence》:Artificial intelligence-driven personalization in digital marketing: effects on customer experience, purchase intention, and AI-supported managerial responsiveness
编辑推荐:
引言:人工智能(Artificial Intelligence, AI)驱动的个性化已成为数字营销的核心策略;然而,既有研究对AI如何同时影响顾客体验(Customer Experience, CX)、消费者行为、信任与感知组织响应性(Perceived Or
引言:人工智能(Artificial Intelligence, AI)驱动的个性化已成为数字营销的核心策略;然而,既有研究对AI如何同时影响顾客体验(Customer Experience, CX)、消费者行为、信任与感知组织响应性(Perceived Organizational Responsiveness, POR)的理解仍有限。目的:本研究考察在印度尼西亚数字市场中,AI驱动个性化(AI-Driven Personalization, AIP)对顾客体验、购买意愿(Purchase Intention, PI)、消费者信任(Consumer Trust, CT)与感知组织响应性的影响。方法:采用定量方法,使用从印度尼西亚电子商务与金融科技平台402名用户收集的调查数据,并运用结构方程模型—偏最小二乘法(Structural Equation Modeling–Partial Least Squares, PLS-SEM)进行分析。结果:研究发现,AI驱动个性化显著提升顾客体验,进而提高购买意愿。基于AI的预测分析(AI-Based Predictive Analytics, APA)也显示出与感知组织响应性显著正相关,表明消费者将AI赋能的分析能力与更及时、更有效地回应顾客与市场需求的组织响应联系起来。此外,顾客体验发挥重要中介机制,而感知隐私风险(Perceived Privacy Risk, PPR)削弱AI驱动个性化与消费者信任之间的正向关系。结论:通过将组织维度与消费者受访者视角相结合,本研究对AI驱动个性化与预测分析如何在新兴数字经济中塑造消费者体验及其对组织响应性的感知提供了整合性理解。
论文解读
研究背景与问题。近十年数字技术推动营销实践深刻转型,人工智能(Artificial Intelligence, AI)使企业能够实时管理、分析和利用大规模消费者数据。AI不仅是自动化工具,也是通过个性化和自适应方法创造顾客价值的战略赋能器。在数字营销中,AI驱动个性化(AI-Driven Personalization, AIP)可提供定制内容、产品推荐和互动,已被认为能提升顾客体验(Customer Experience, CX)、参与和忠诚;行业报告还显示多数消费者期待个性化互动。然而,既有实证文献对AIP如何整体影响CX和消费者行为机制仍不确定,多聚焦购买意愿或满意度等直接结果,未充分检验CX作为复杂多维中介变量。另一个研究缺口是消费者视角与管理视角整合不足,AI对感知组织响应性(Perceived Organizational Responsiveness, POR)的影响未被充分探索;实践中AI通过预测分析和实时信息处理提升决策速度与质量,可能同时影响需求侧消费者和供给侧组织管理。此外,隐私与伦理问题突出:个性化提高相关性和便利,但密集使用数据引发安全与透明担忧,感知隐私风险(Perceived Privacy Risk, PPR)可能降低信任并削弱数字营销效果。印尼作为数字市场快速发展的国家,电商和金融科技平台采用率高,但整合AIP、CX和POR的研究有限。因此,研究人员提出整合模型,将CX作为中介变量、PPR作为调节变量,连接AIP、CX和POR,并以刺激—机体—反应(Stimulus-Organism-Response, S-O-R)框架区分前端AIP刺激与后端基于AI的预测分析(AI-Based Predictive Analytics, APA)刺激,考察消费者感知。
主要关键技术方法。研究采用定量在线调查,样本来源为印度尼西亚电子商务与金融科技平台活跃用户。调查于2025年7月15日至2025年9月30日实施,通过LinkedIn、Instagram、Telegram数字消费者论坛及定向用户社区招募。筛选标准为:至少18岁;在主要印尼平台活跃至少6个月,如Tokopedia、Shopee、Lazada、GoPay、OVO、Dana、Bibit;曾完成由AI驱动个性化推荐或功能引导的交易。共记录540份提交,排除138份失败注意力检查、直线作答或完成时间少于2分钟的问卷,最终有效样本402份,保留率74.4%。量表经英印回译,并由35名数字平台用户预测试。主要技术方法为结构方程模型—偏最小二乘法(PLS-SEM),使用SmartPLS 4.0,进行测量模型与结构模型评估、5000次自助重抽样、异质—单质比率(Heterotrait–Monotrait ratio, HTMT)与Fornell-Larcker判别效度、方差膨胀因子(VIF)共线性检验、共同方法偏差全共线性检验、PLSpredict样本外预测、中介和调节分析。
研究结果。4 结果:通过自助法路径系数、标准误、t值、p值和置信区间评估结构关系;模型解释力用R
2与调整R
2,效应量用f
2,共线性用内VIF,预测相关性单独评估。4.1 实证结果:4.1.1 描述性统计显示,AIP均值4.12、CX均值4.05、PI均值3.98、APA均值4.08、MSR均值4.00、SR均值4.03、PPR均值3.20、CT均值3.95,表明受访者对AI系统较熟悉且接受度较高,隐私关切为中等。4.1.2 构念测量设定与评估模式:七个潜变量均设定为反映型Mode A构念,按反映型标准评估指标信度、内部一致性、收敛效度和判别效度,不适用形成型评估。4.1.3 反映型测量模型评估:外载荷为0.742—0.891,Cronbach’s α和组合信度(CR)为0.812—0.924,平均方差抽取量(AVE)为0.584—0.712,支持信效度;HTMT矩阵支持构念区分。4.2 测量模型(外模型评估):所有指标载荷大于0.70,AVE大于0.50,CR和Cronbach’s α大于0.70,判别效度显示构念经验上可区分。4.3 结构路径估计、共线性与效应量(f
2):内VIF为1.382—2.145,低于3.3;5000次自助结果显示AIP显著预测CX和CT,APA显著预测POR,POR与CT正相关,CX和CT显著预测PI,PPR负向调节AIP至CT。表7最终结果中,AIP→CX为β=0.542,APA→POR为β=0.521,POR→CT为β=0.285,CX→PI为β=0.412,CT→PI为β=0.398,AIP×PPR→CT为β=?0.142。4.4 异质—单质比率(HTMT):HTMT用于判别效度,最高0.782,低于0.85阈值,支持构念区分,且不被解释为共线性检验。4.5 结构模型评估:VIF低于3.3,所有假设显著;AIP→CX为β=0.618,为最强关系;CX→PI为β=0.583;APA→MSR为β=0.591,APA→SR为β=0.634;R
2为CX 0.38、PI 0.52、MSR 0.36、SR 0.40;CT→PI为β=0.392,中等。说明个性化对体验作用最强,体验和信任驱动购买,预测分析支持组织响应。4.6 预测相关性与样本外预测(PLSpredict):采用k=10折、10次重复,比较PLS与线性基准的均方根误差(RMSE)和平均绝对误差(MAE);多数指标Q
2predict大于0,且PLS误差低于基准,支持中等至高度样本外预测力,POR4例外。4.7 额外分析:中介结果显示CX显著中介AIP至PI,间接效应0.36,t=6.72,p<0.001;调节结果显示PPR削弱AIP至CT。Harman单因子为34.72%,低于50%,共同方法偏差风险低。4.8 中介分析:模型无AIP至PI直接路径,AIP→CX→PI间接效应显著,CX为重要中介机制。4.9 感知隐私风险(PPR)的调节分析:AIP×PPR→CT为β=?0.142,p=0.008,f
2=0.042;简单斜率显示低PPR时β=0.526,高PPR时β=0.242;经CT到PI的间接效应从低PPR的0.209降至高PPR的0.096,支持一阶有调节中介。
讨论与结论。讨论部分指出,AIP正向影响CX,扩展了对个性化价值机制的理解;APA同时关联管理服务响应性和服务响应性两类组织响应维度,表明AI在管理决策和顾客服务交付层面创造价值。CX显著影响PI,是连接技术与消费者行为的关键机制。AIP通过CX影响PI,因此只有生成相关、便利和有价值的体验时才有效。PPR削弱AIP至CT,说明隐私风险是边界条件;个性化虽增加相关和便利,但隐私威胁会削弱信任。理论贡献在于整合消费者与管理视角,显示前端个性化与后端分析能力相互关联,并可用RACE(Reach–Act–Convert–Engage)框架解释;同时以S-O-R双路径、消费者侧运营能力校准和隐私风险边界条件作出贡献。实践建议包括优先投资能提升体验的个性化,将预测分析纳入战略决策,实施透明数据治理和隐私增强机制,并平衡顾客参与和组织决策能力。局限包括横截面设计限制因果推断,自报测量反映消费者感知而非客观后台指标,印尼电商和金融科技情境限制外推;未来可采用纵向、跨行业、跨国、混合方法,并纳入数字素养、隐私法规和技术采用水平等变量。
研究结论部分翻译如下:本研究旨在考察AI驱动个性化在数字营销中的作用及其对顾客体验和感知组织响应性的影响。研究结果表明,AI驱动个性化对顾客体验具有正向且显著的影响,进而增强消费者购买意愿。此外,基于AI的预测分析有助于提升感知组织响应性的速度和质量。结果确认,顾客体验是连接技术与消费者行为的关键机制。换言之,AI驱动个性化的有效性不仅取决于技术先进性,也取决于组织为顾客创造相关且有价值体验的能力。另一方面,本研究也揭示,感知隐私风险削弱AI驱动个性化与消费者信任之间的关系,表明个性化与数据保护之间存在权衡。从理论视角看,本研究通过将技术、顾客体验和感知组织响应性视角整合为综合概念框架作出贡献;并扩展文献,将顾客体验定位为中介变量、隐私风险定位为调节变量。从实践视角看,研究结果为企业在数字营销策略中优化AI使用,同时维持伦理考量和数据保护提供了重要启示。组织需要确保个性化不仅相关,而且透明,并不引发消费者担忧。此外,将预测分析整合到感知组织响应性中,可增强战略准确性和对市场动态的响应。然而,本研究存在若干局限。第一,所用数据为横截面数据,限制了对消费者行为随时间动态变化的捕捉。第二,聚焦印度尼西亚电子商务与金融科技部门,可能限制结论对其他行业或国家的推广。因此,建议未来研究采用纵向方法、扩展研究情境,并纳入数字素养、隐私法规和技术采用水平等可能影响AI驱动个性化有效性的额外变量。