作者：Rajat Kukreti, Mayank Yadav
期刊：Journal of Retailing and Consumer Services (2026)
分区：SSCI 一区（零售与消费者服务领域权威期刊）
英文标题：Engaging with intelligence: AIMA scale for artificial intelligence marketing activities in E-commerce

---

📌 一句话概括

电商平台的AI营销活动到底做得怎么样？消费者感知的“AI营销质量”不是单一体，而是由亲和力、定制化、信息、互动、问题解决、响应性六个维度构成。
本文通过严格的量表开发流程，首次构建并验证了AIMA量表（18题，6维度），证明它能显著预测品牌体验和品牌使用意愿。
未来想评估AI营销效果？先用量表诊断短板在哪里。

---

🧠 研究背景：AI营销火得一塌糊涂，但没人告诉你“怎么测”

Amazon、Flipkart、Myntra等电商平台早已用AI干这些事：

• 个性化推荐

• 聊天机器人客服

• 动态定价

• 预测分析

但问题来了：消费者眼中的“AI做得好不好”到底包括哪些方面？
现有量表要么测AI服务质量（如聊天机器人），要么测AI信任、拟人化——没有一个综合工具衡量AI驱动的企业营销活动本身。

本文填补这一空白：开发AIMA量表，全面捕捉消费者对电商AI营销活动的感知。

---

🧩 理论框架：六维AIMA模型

基于Huang & Rust (2018, 2021, 2024) 的AI服务框架、Davenport et al. (2020) 的个性化理论、以及AI营销最新文献，提出AIMA的六个维度：

维度	定义	理论来源
亲和力	AI让消费者感到情感连接和品牌亲近感	情感AI、关系营销
定制化	AI提供个性化内容和推荐	个性化、预测分析
信息	AI提供准确、相关、支持决策的信息	数据驱动洞察
互动	AI实现实时、对话式互动（如聊天机器人）	人机交互、对话AI
问题解决	AI有效解决客户问题和服务查询	AI认知能力、决策辅助
响应性	AI快速、可靠地响应客户需求	实时自适应系统

模型为二阶反射-反射型：六个一阶维度共同反映“AIMA”这个高阶构念。

---

🧪 量表开发流程：五步严谨验证

遵循Churchill (1979) 和Gerbing & Anderson (1988) 的经典范式，共5项研究。

阶段	方法	样本	目的
定性探索	2场焦点小组（22人）+ 开放式问卷（63人）	高AI使用频率的学生	提取AIMA维度，生成48个初始题项
专家评判	两轮专家小组（每轮6-7人）	营销教授、AI专家、电商从业者	精简至24项，确保内容效度
Study 3（量表纯化）	EFA + CFA	351名AI重度用户	探索因子结构，最终保留18项（每维度3项）
Study 4（验证）	CFA（二阶）+ 效标效度	486名AI重度用户	验证六维结构，检验收敛/区分/效标效度
Study 5（重测信度）	间隔2周	178人	检验时间稳定性（r=0.67-0.88）

📏 最终AIMA量表（18项，示例）

维度	题项示例
亲和力	“我感觉这个AI真的很理解我”“AI让我对使用它的服务充满热情”
定制化	“如果换服务，产品就不会像现在这样定制化”“AI服务满足我的个人需求”
信息	“AI提供的信息帮助我做购买决定”“AI提供公司产品/服务的推荐”
互动	“AI能感知客户当前的需求”“AI能回答客户的问题”
问题解决	“AI能回应我问的问题”“AI能提供有用的答案”
响应性	“我从AI那里及时获得信息”“AI处理我的输入非常快”

所有题项采用7点李克特（1=完全不同意，7=完全同意）。

---

📊 统计方法一览

分析	方法	软件/标准
因子结构探索	EFA（主成分+Varimax旋转）	SPSS，KMO=0.916，累计73.16%
信度	Cronbach‘s α、CR	α>0.7，CR>0.75
收敛效度	AVE	>0.5
区分效度	AVE vs. MSV/ASV；√AVE vs. 构念间相关系数	全部满足
验证性因子分析（一阶/二阶）	CFA	AMOS，拟合指数优秀
效标效度	结构方程模型（SEM）	AIMA→品牌体验(β=0.21)；AIMA→品牌使用意愿(β=0.21)
重测信度	配对t检验、相关系数	2周间隔，稳定
共同方法偏差	Harman单因子	41.16% <50%
非响应偏差	早期 vs. 晚期响应比较	t检验/ANOVA，p>0.05

所有样本均经过严格筛选：必须每日使用AI功能（推荐、聊天机器人）、有2年以上电商账号、每两个月至少一次AI辅助购买。

---

📈 核心结果

✅ 六维结构稳定（EFA + CFA）

• EFA：提取6个因子，解释73.16%方差，所有载荷>0.66，无交叉载荷。

• 一阶CFA：χ²/df=0.934, GFI=0.966, CFI=1.00, RMSEA=0.00 → 完美拟合。

• 二阶CFA（Study 4）：χ²/df=2.176, GFI=0.909, CFI=0.948, RMSEA=0.049 → 良好拟合。

• AVE：0.51–0.65，CR：0.76–0.85 → 收敛效度达标。

• 区分效度：√AVE > 构念间相关系数；AVE > MSV 且 > ASV → 六维度确实不同。

✅ 效标效度成立（nomological validity）

AIMA作为二阶构念，对品牌体验和品牌使用意愿均有显著正向影响（β=0.21, p<0.01）。
→ 说明AIMA越高，消费者对品牌的情感体验越强，继续使用的意愿也越高。

✅ 重测信度良好

2周间隔相关系数0.67–0.88，各维度均值无显著变化 → 量表稳定。

---

💡 实践启示（给电商经理和AI产品经理）

1️⃣ AIMA量表是“诊断工具”，不是“打分器”

• 定期用18题测量消费者感知，找出短板维度

• 例如：如果“响应性”得分低，就优化聊天机器人回复速度；如果“亲和力”低，增加情感化语言和个性化称呼

2️⃣ 不要只盯着“定制化”

• 很多平台只推荐商品，但忽略了问题解决（客户问“这个能退货吗” AI答非所问）和互动（机器人只会给链接）

• 六维度均衡发展才能提升整体AIMA

3️⃣ 用AIMA做竞品对标

• 对主要竞品平台同样测量，找出自己的相对优势和劣势

• 针对性投放资源改进最弱的1-2个维度

4️⃣ 把AIMA与业务指标挂钩

• 本文已证明AIMA→品牌体验→使用意愿

• 企业可建立AIMA仪表板，监控六维度得分与转化率、复购率、NPS的关联

---

⚠️ 研究局限 & 未来方向

• 样本局限：印度年轻、高教育、高AI使用人群，未覆盖中老年、低数字素养群体

• 文化局限：印度集体主义文化，西方个人主义市场可能需要调整

• 行业局限：仅电商，未验证在银行、医疗、教育等行业的适用性

• 因果关系：横截面设计，不能断定AIMA“导致”品牌体验，需纵向实验

• 未包括负面感知：如AI过度监控、隐私担忧等，未来可加入“信任”“隐私”等维度

---

英文文献阅读全流程：从文献如何“搜”到怎么“管”再到“读”的一站式攻略

END

点击关注，发送 “拟人化” 即可获取全文PDF