作者：Aidin Namin、Rupinder P. Jindal、Dinesh K. Gauri、Brian T. Ratchford、Seth C. Ketron
摘要
店内技术正在不断普及，但迄今为止，相关研究尚未从全面的市场细分角度来探讨消费者对这些技术的接受程度，即同时考虑消费者的 demographic（人口统计）、geographic（地理）、psychographic（心理）和 behavioral（行为）特征。为此，我们在2024年收集了来自美国1,300多名受访者的调查数据，以测量与这四种市场细分方法相关的变量，并将这些变量与消费者购买旅程中的五种技术类别联系起来：帮助规划购物行程的技术、提升购物体验的技术、减少摩擦的技术、查找价格信息的技术以及允许消费者远程在店内完成购买的技术。通过使用看似无关的回归（SUR）模型，我们发现心理和行为细分变量在预测消费者对店内技术的接受度方面最为有效。这项研究向零售商表明，在考虑新的零售技术时，关键不在于消费者的外貌或居住地，而在于他们的思维方式和购买习惯。
引言
能够提升消费者购物体验并减少购物摩擦的新技术，是零售业和消费者行为研究领域中日益关注的热点。随着零售商努力融合线上和线下消费体验，诸如交互式自助服务终端、增强现实（AR）、人工智能（AI）和物联网（IoT）等技术正在重塑消费者与零售商之间的互动方式以及运营效率（Grewal等人，2020；Grewal等人，2023；Kumar等人，2021；Pantano和Timmermans，2014；Poushneh，2018）。电子商务的兴起以及消费者期望的变化进一步推动了关于这些技术如何改善全渠道购物体验的研究（Grewal等人，2020；Hoyer等人，2020；Lee等人，2022；Roggeveen和Sethuraman，2020；Ratchford等人，2023）。此外，研究还强调了零售购物技术在通过提升个性化服务和便利性来推动消费者满意度和忠诚度方面的作用（Bleier等人，2019；Scholdra等人，2023；Shankar等人，2021）。
然而，零售购物技术并不总是受到消费者的积极欢迎。例如，当消费者担心其隐私和信息安全可能受到威胁时，他们可能会对使用这些技术感到犹豫（Souka等人，2024）。隐私问题并非唯一因素；Riegger等人（2021）发现，除了隐私问题外，对技术被滥用的担忧、不适应感以及缺乏信心也会影响消费者对个性化技术的使用。对于更先进的零售购物技术（如无人商店），员工短缺可能会降低消费者的感知价值（Benoit等人，2024），而在公共场合展示的个性化广告有时也会让消费者感到尴尬（Hess等人，2020）。此外，某些技术（如虚拟助手）改变了消费者与服务提供者之间的互动方式，这可能会引发消费者的抵触情绪（de Bellis & Johar，2020）。因此，尽管零售购物技术具有价值，但仍有部分消费者抗拒使用和采纳这些技术，这需要更全面的研究来识别影响技术接受度的因素。
通过市场细分的角度来识别这些因素是一个有意义的方法。众所周知，营销人员使用四种基础对消费者进行细分：人口统计、地理、心理和行为（Kotler等人，2024）。学术界对于这些细分方法的适用性存在争议，尚未达成明确共识。虽然一些学者（如Becherer等人，1977；Sgaier等人，2018）发现了支持心理细分的方法的证据，但另一些学者（如Novak和MacEvoy，1990；Lin，2002；Fennell等人，2003）则持相反观点。然而，管理者通常最常使用人口统计和地理细分方法，因为这些方法被认为最容易识别和实施（例如Acxiom，2024；M，2025）。这些变量通过销售点数据和忠诚度计划可以轻松获取。由于它们具体且直观，因此也更易于得到内部利益相关者（如高管和商品团队）的认可。媒体购买（如印刷和广播广告）的定位选项也主要基于人口统计信息。
相比之下，心理和行为数据过去往往难以获取，需要通过调查、行为推断或昂贵的定性研究来收集。在内部，这些数据被视为抽象的，尤其是当团队缺乏应用这些数据的培训时。然而，随着社交媒体和自动收集消费者数据的购物技术的普及，获取和利用心理和行为数据变得容易得多。因此，问题不仅在于零售购物技术的普及和复杂性，还在于需要更全面地理解与这些技术相关的市场细分因素。
基于这些问题，本研究旨在填补学术界和应用领域对当前店内购物技术和细分标准理解的空白，探讨人口统计和地理因素之外，心理和行为因素如何预测消费者对店内购物技术的使用情况。此外，本研究还旨在确定哪些变量能够最准确地识别消费者对这些技术的反应，从而帮助零售商更好地理解市场细分，做出更优化的决策。事实上，如果零售商继续采用可能并不理想的目标策略，那将是一个错误，因为他们现在有能力纠正这一情况。零售商需要利用他们所推广的购物技术的数据收集能力来更好地了解消费者，即消费者寻求哪些功能和好处，以及哪些零售购物技术能够提供这些好处。
在本研究中，我们特别为零售商（尤其是新的零售购物技术）提供了这一视角。我们借鉴了技术接受模型（TAM；Davis，1989；Davis等人，1989）的框架，提出了以下两个研究问题：
RQ1：人口统计、地理、心理和行为变量如何预测消费者对店内购物技术的使用情况？
RQ2：哪些细分变量最能准确识别消费者对店内购物技术反应的差异？
我们收集了来自美国全国样本的1,300多名受访者的调查数据。调查涵盖了四种市场细分方法和五种类别中的二十种零售购物技术：规划购物行程、提升购物体验、减少摩擦、查找价格信息以及远程在店内完成购买。通过使用看似无关的回归（SUR）模型，我们首先发现人口统计变量最无法预测消费者对零售购物技术的使用情况。进一步分析表明，包含所有四种细分变量的综合模型显示，心理和行为细分变量在预测消费者对零售购物技术的接受度方面最为有效。因此，结果表明，在使用新的零售购物技术时，消费者的身份或居住地不如他们的思维方式和所追求的好处重要。
本研究在三个方面为零售技术接受度研究做出了贡献：首先，它是少数同时考虑所有四种细分方法的研究之一；其次，它几乎涵盖了当前所有正在使用的新型零售技术；第三，它考虑了从购物规划到购买整个过程中的技术接受度。
相关文献片段
关于零售购物技术的现有研究
随着技术的进步，零售购物技术正以多种独特的方式吸引消费者。交互式显示屏、AR应用、语音辅助显示屏和AI驱动的聊天机器人显著影响了消费者的购物体验和购买意愿（Chung等人，2020；Grewal等人，2020；Pantano等人，2017）。与位置服务集成的移动应用程序使零售商能够提供个性化优惠，从而提高转化率。
数据和测量方法
我们聘请了一家全国知名的营销研究机构进行数据收集。我们的全国样本包含1,312份有效回应，样本来自美国人口，男女受访者比例均衡。调查中除了其他问题外，还收集了可用于市场细分的资料，包括人口统计信息、受访者居住地的邮政编码、他们对购物的态度等相关问题。
结果与讨论
下面我们讨论了包含所有四种细分基础（人口统计、地理、心理和行为）的综合模型的结果（表8）。我们按照以下顺序呈现结果：人口统计、地理、心理和行为。同时，我们也讨论了与其他非细分相关变量的结果。
结论
本研究为零售商提供了指导，帮助他们决定应实施哪些购物技术、在客户旅程的哪些环节部署这些技术，以及哪些客户群体最有可能从中受益。研究结果表明，消费者对零售购物技术的接受程度因技术类型和客户群体而异，心理和行为特征比人口统计或地理因素起着更重要的作用。因此，零售商可以通过改进这些因素来提高技术应用的效率。
作者贡献声明
Aidin Namin：撰写初稿，进行正式分析。
Rupinder P. Jindal：撰写初稿，审阅回复。
Dinesh K. Gauri：撰写、审阅和编辑，概念构思。
Brian T. Ratchford：监督工作，进行正式分析，概念构思。
Seth C. Ketron：撰写初稿。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
Aidin Namin是洛约拉玛丽蒙特大学（LMU）的市场分析副教授。他毕业于德克萨斯大学达拉斯分校，曾获得多项来自不同机构的科研和教学奖项，包括富布赖特美国学者奖、杰拉尔丁·亨德森国家奖、LMU卓越研究奖、全球40岁以下最佳商业教授奖，以及凯斯商学院颁发的保罗·R·劳伦斯奖等。
