Engagement, telepresence and interactivity in online consumer experience: Reconciling scholastic and managerial perspectives

Posted on by

Mollen, A., & Wilson, H. (2010). Engagement, telepresence and interactivity in online consumer experience: Reconciling scholastic and managerial perspectives. Journal of Business Research, 63(9-10), 919–925.

Objectif

L’article de Mollen et Wilson vise à réconcilier les perspectives des praticiens et des chercheurs sur l’engagement en ligne, en proposant un cadre conceptuel qui intègre l’engagement, la téléprésence et l’interactivité comme des construits distincts de l’expérience consommateur en ligne. Les objectifs spécifiques sont :

  1. Définir l’engagement comme un construit expérientiel distinct, indépendant de l’interactivité, de la téléprésence et du flux (flow).

  2. Positionner l’engagement dans un continuum expérientiel, en clarifiant ses relations avec les autres construits.

  3. Proposer des dimensions pour l’engagement et suggérer des directions pour développer une échelle de mesure.

  4. Explorer les implications pour la théorie et la pratique du marketing en ligne.

Méthodologie

L’article adopte une approche conceptuelle et synthétique, sans collecte de données empiriques primaires. La méthodologie comprend :

  • Une revue de la littérature académique et professionnelle sur l’expérience en ligne, incluant les construits d’interactivité, de téléprésence, de flux et d’engagement.

  • L’utilisation du modèle Stimulus-Organisme-Réponse (S-O-R) d’Eroglu et al. (2003) comme cadre théorique pour structurer l’expérience en ligne en trois composantes : stimuli (site web et environnement), état interne (réponse expérientielle) et réponses (attitudes et comportements).

  • La proposition d’un spectre expérientiel à trois niveaux (interactivité perçue, téléprésence, engagement) avec des définitions et des propositions testables.

  • Une analyse comparative des définitions d’engagement et une distinction avec le construit d’implication (involvement).

Résultats

  1. Cadre conceptuel :

    • L’expérience en ligne est modélisée comme un spectre expérientiel dynamique, allant de l’interactivité perçue (contrôle, communication bidirectionnelle, réactivité) à la téléprésence (immersion cognitive et maîtrise des heuristiques du site) et enfin à l’engagement (engagement cognitif et affectif envers la marque personnifiée par le site).

    • Proposition 1 : L’interactivité perçue résulte de l’exposition à l’environnement en ligne et aux propriétés du site web.

    • Proposition 2 : L’interactivité perçue est un antécédent de la téléprésence.

    • Proposition 3 : La téléprésence est un antécédent de l’engagement.

    • Proposition 4 : L’engagement est lié à des attitudes et comportements optimaux des consommateurs (par exemple, intention d’achat, fidélité).

  2. Définition de l’engagement :

    • L’engagement est défini comme un engagement cognitif et affectif envers une relation active avec la marque personnifiée par le site web ou d’autres entités numériques.

    • Dimensions proposées : traitement cognitif actif (résolution de problèmes, raisonnement), valeur instrumentale (utilité et pertinence), et congruence émotionnelle (connexion affective avec la marque).

  3. Distinctions avec d’autres construits :

    • Interactivité : Perçue comme une réponse psychologique à l’interaction avec le site, différente de l’interactivité structurelle (caractéristiques techniques).

    • Téléprésence : Immersion cognitive dans l’environnement numérique, distincte du flux en raison de son focus sur la maîtrise des heuristiques.

    • Flux : État cognitif intense mais difficile à standardiser, moins directement lié aux résultats commerciaux.

    • Implication : Diffère de l’engagement par son focus sur un objet de consommation (catégorie de produit) plutôt que sur la marque personnifiée, et par l’absence d’une relation active intentionnelle.

  4. Implications :

    • L’engagement est un construit expérientiel distinct, non réductible à d’autres termes académiques, mais aligné avec les préoccupations des praticiens.

    • Les mesures comportementales (temps passé, pages vues) sont insuffisantes ; des métriques expérientielles sont nécessaires.

    • Le cadre facilite un discours commun entre chercheurs et praticiens, encourageant des recherches empiriques sur les métriques expérientielles.

Points clés pour la pratique

  • Les sites web doivent être conçus pour maximiser l’interactivité perçue, la téléprésence et l’engagement afin de renforcer la fidélité à la marque.

  • Les praticiens devraient développer des métriques expérientielles pour compléter les mesures comportementales, permettant une allocation plus efficace des ressources marketing.

  • La pertinence et l’utilité du site, ainsi que la congruence émotionnelle, sont cruciales pour susciter l’engagement.

Références exactes citées

  • Bart, Y., Shankar, V., Sultan, F., & Urban, G. L. (2005). Are the drivers and role of online trust the same for all web sites and consumers? A large-scale exploratory empirical study. Journal of Marketing, 69(4), 133–152.

  • Bienstock, C. C., & Stafford, M. R. (2006). Measuring involvement with the service: A further investigation of scale validity and dimensionality. Journal of Marketing Theory and Practice, 14(3), 209–221.

  • Chang, J., Tsi, T., & Chen, C. (2003). The effects of website quality on customer satisfaction and loyalty: A study of online travel agencies. Proceedings of the 9th International Conference on Information Systems, 231–240.

  • Coyle, J. R., & Thorson, E. (2001). The effects of progressive levels of interactivity and vividness in web marketing sites. Journal of Advertising, 30(3), 65–77.

  • Csikszentmihalyi, M. (1975). Beyond boredom and anxiety. San Francisco: Jossey-Bass.

  • Demangeot, C., & Broderick, A. J. (2006). Exploring the experiential intensity of online shopping environments. Qualitative Market Research: An International Journal, 9(4), 325–351.

  • Douglas, J. Y., & Hargadon, A. (2000). The pleasure principle: Immersion, engagement, flow. Proceedings of the 11th ACM on Hypertext and Hypermedia, 153–160.

  • Douglas, J. Y., & Hargadon, A. (2001). The pleasures of immersion and engagement: Schemas, scripts and the fifth business. Digital Creativity, 12(3), 153–166.

  • Du Plessis, E. (2007). A view on the prospects for neurological research and advertising effectiveness. Admap, 42(483), 36–39.

  • Dykes, B. (2008). Web analytics: Moving beyond the comfort zone. Web Analytics Association Blog. Retrieved from http://www.webanalyticsassociation.org

  • EConsultancy. (2008). UK consumer engagement survey. London: EConsultancy.

  • Elliott, S. (2006). Engagement happens inside the consumer, not the medium. Advertising Age, 77(45), 12.

  • Eroglu, S. A., Machleit, K. A., & Davis, L. M. (2003). Empirical testing of a model of online store atmospherics and shopper responses. Psychology & Marketing, 20(2), 139–150.

  • Finneran, C. M., & Zhang, P. (2005). Flow in computer-mediated environments: Promises and challenges. Communications of the Association for Information Systems, 15(4), 82–101.

  • Fiore, A. M., Kim, J., & Lee, H.-H. (2005). Effect of image interactivity technology on consumer responses toward the online retailer. Journal of Interactive Marketing, 19(3), 38–53.

  • Fugate, D. L. (2008). Marketing services more effectively with neuromarketing research: A practitioner perspective. Journal of Services Marketing, 22(2), 170–173.

  • Goldsmith, R. E., & Emmert, J. (1991). Measuring product category involvement: A multitrait-multimethod study. Journal of Business Research, 23(4), 363–371.

  • Guthrie, J. T., Wigfield, A., & Perencevich, K. C. (2004). Motivating reading comprehension: Concept-oriented reading instruction. Mahwah, NJ: Lawrence Erlbaum Associates.

  • Ha, H. Y., & Perks, H. (2005). Effects of consumer perceptions of brand experience on the web: Brand familiarity, satisfaction and brand trust. Journal of Consumer Behaviour, 4(6), 438–452.

  • Heath, R. (2007). Emotional engagement: How television advertising works. Admap, 42(483), 40–43.

  • Herrington, J., Oliver, R., & Reeves, T. C. (2003). Patterns of engagement in authentic online learning environments. Australian Journal of Educational Technology, 19(1), 59–71.

  • Hoffman, D. L., & Novak, T. P. (1996). Marketing in hypermedia computer-mediated environments: Conceptual foundations. Journal of Marketing, 60(3), 50–68.

  • Hopkins, C. D., Grove, S. J., Raymond, M. A., & LaForge, M. C. (2004). Designing the e-service encounter: The role of vividness and interactivity. Proceedings of the American Marketing Association Conference, 15, 235–241.

  • Huang, M.-H. (2006). Flow, enduring, and situational involvement in the web environment: A triadic model. Journal of International Consumer Marketing, 18(4), 45–67.

  • Jones, M. A. (1998). Entertaining shopping experiences: An exploratory investigation. Journal of Retailing and Consumer Services, 5(3), 173–181.

  • Karson, E. J., & Fisher, R. J. (2005). Reexamining and extending the dual mediation hypothesis in an on-line advertising context. Psychology & Marketing, 22(4), 333–351.

  • Kearsley, G., & Shneiderman, B. (1998). Engagement theory: A framework for technology-based teaching and learning. Educational Technology, 38(5), 20–23.

  • Klein, L. R. (2003). Creating virtual product experiences: The role of telepresence. Journal of Interactive Marketing, 17(1), 41–55.

  • Koufaris, M. (2002). Applying the technology acceptance model and flow theory to online consumer behavior. Information Systems Research, 13(2), 205–223.

  • Liu, Y., & Shrum, L. J. (2002). What is interactivity and is it always such a good thing? Implications of definition, person, and situation for the influence of interactivity on advertising effectiveness. Journal of Advertising, 31(4), 53–64.

  • Macdonald, E. K., & Sharp, B. M. (2000). Brand awareness effects on consumer decision making for a common, repeat purchase product: A replication. Journal of Business Research, 48(1), 5–15.

  • Marci, C. D. (2006). A biologically based measure of emotional engagement: Context matters. Journal of Advertising Research, 46(4), 381–387.

  • Mathwick, C., & Rigdon, E. (2004). Play, flow, and the online search experience. Journal of Consumer Research, 31(2), 324–332.

  • McMillan, S. J., & Hwang, J.-S. (2002). Measures of perceived interactivity: An exploration of the role of direction of communication, user control, and time in shaping perceptions of interactivity. Journal of Advertising, 31(3), 29–42.

  • Meskauskas, J. (2006). Engagement: The new holy grail of online marketing? iMedia Connection. Retrieved from http://www.imediaconnection.com

  • Murray, K. B., & Haubl, G. (2002). The role of cognitive lock-in in online consumer behavior. Advances in Consumer Research, 29(1), 387–388.

  • Novak, T. P., Hoffman, D. L., & Yung, Y.-F. (2000). Measuring the customer experience in online environments: A structural modeling approach. Marketing Science, 19(1), 22–42.

  • Passikoff, R., Weiner, M., & Foss, S. (2007). Customer engagement: The new key metric. Brandweek, 48(10), 24–26.

  • Petre, M., Minocha, S., & Roberts, D. (2006). Usability beyond the website: An empirically-grounded e-commerce evaluation instrument for the total customer experience. Behaviour & Information Technology, 25(2), 189–203.

  • Rappaport, S. D. (2007). Lessons from online practice: New advertising models. Journal of Advertising Research, 47(2), 135–141.

  • Rettie, R. (2001). An exploration of flow during internet use. Internet Research, 11(2), 103–113.

  • Richard, M.-O., & Chandra, R. (2005). A model of consumer web navigational behavior: Conceptual development and application. Journal of Business Research, 58(8), 1019–1029.

  • Roberts, K. (2005). Lovemarks: The future beyond brands. New York: PowerHouse Books.

  • Sautter, P., Hyman, M. R., & Lukosius, V. (2004). E-tail atmospherics: A critique of the literature and model extension. Journal of Electronic Commerce Research, 5(1), 14–24.

  • Shih, C.-F. (1998). Conceptualizing consumer experiences in cyberspace. European Journal of Marketing, 32(7/8), 655–663.

  • Sicilia, M., Ruiz, S., & Munuera, J. L. (2005). Effects of interactivity in a web site: The moderating effect of need for cognition. Journal of Advertising, 34(3), 31–45.

  • Sinha, I. (2000). Cost transparency: The net’s real threat to prices and brands. Harvard Business Review, 78(2), 43–50.

  • Skadberg, Y. X., & Kimmel, J. R. (2004). Visitors’ flow experience while browsing a web site: Its measurement, contributing factors and consequences. Computers in Human Behavior, 20(3), 403–422.

  • Song, J. H., & Zinkhan, G. M. (2008). Determinants of perceived web site interactivity. Journal of Marketing, 72(2), 99–113.

  • Steuer, J. (1992). Defining virtual reality: Dimensions determining telepresence. Journal of Communication, 42(4), 73–93.

  • Suh, K.-S., & Chang, S. (2006). User interfaces and consumer perceptions of online stores: The role of telepresence. Behaviour & Information Technology, 25(2), 99–113.

  • Thomson, M., MacInnis, D. J., & Park, C. W. (2005). The ties that bind: Measuring the strength of consumers’ emotional attachments to brands. Journal of Consumer Psychology, 15(1), 77–91.

  • Urban, G. L. (2005). Customer advocacy: A new era in marketing? Boston: Harvard Business School Press.

  • Wang, A. (2006). Advertising engagement: A driver of message involvement on message effects. Journal of Advertising Research, 46(4), 355–368.

  • Wu, G. (2006). Conceptualizing and measuring the perceived interactivity of websites. Journal of Current Issues & Research in Advertising, 28(1), 87–104.

  • Yadav, M. S., & Varadarajan, P. R. (2005). Interactivity in the electronic marketplace: An exposition of the concept and implications for research. Journal of the Academy of Marketing Science, 33(4), 585–603.

  • Zeithaml, V. A., Parasuraman, A., & Malhotra, A. (2002). Service quality delivery through web sites: A critical review of extant knowledge. Journal of the Academy of Marketing Science, 30(4), 362–375.

  • Zwick, D., & Dholakia, N. (2006/7). The epistemic consumption object and postsocial consumption: Expanding consumer-object theory in consumer research. Consumption, Markets & Culture, 9(4), 261–276.

Some internal psychological factors influencing consumer choice

Posted on by

McGuire, W. J. (1976). Some internal psychological factors influencing consumer choice. Journal of Consumer Research, 2(4), 302–319. https://doi.org/10.1086/208643

Objectif

L’article de William J. McGuire vise à examiner les facteurs psychologiques internes qui influencent les choix des consommateurs, en se concentrant sur les aspects directifs et dynamiques de la personnalité. Les objectifs spécifiques sont :

  1. Décrire les étapes du traitement de l’information (directive) qui canalisent les décisions d’achat des consommateurs.

  2. Explorer les aspects motivationnels (dynamiques) qui activent et orientent ce traitement de l’information.

  3. Fournir un aperçu des recherches psychologiques récentes pertinentes pour la compréhension du comportement des consommateurs.

  4. Identifier les implications pour les politiques publiques, notamment en matière d’éducation des consommateurs (par exemple, sur la valeur nutritionnelle des aliments).

Méthodologie

L’article adopte une approche théorique et synthétique, sans données empiriques primaires. La méthodologie comprend :

  • Une revue de la littérature psychologique récente (principalement des années 1960 et 1970) sur le traitement de l’information et la motivation.

  • Une structuration du traitement de l’information en huit étapes séquentielles : exposition, perception, compréhension, accord, rétention, récupération, prise de décision et action.

  • Une classification des motivations humaines en 16 paradigmes, basée sur des dichotomies cognitives/affectives, préservation/croissance, active/passive, interne/externe.

  • Des exemples illustratifs appliquant ces concepts au comportement des consommateurs, souvent dans le contexte de la communication d’informations nutritionnelles.

Résultats

  1. Traitement de l’information (Directive) :

    • Exposition : Les habitudes d’exposition à l’information sont influencées par des facteurs sociaux (segmentation du marché) et personnels (hypothèse de l’exposition sélective remise en question).

    • Perception : La perception sélective est déterminée par l’attention, les modalités sensorielles et des stratégies comme le regroupement ou la sélectivité basée sur l’intensité ou les besoins.

    • Compréhension : Implique l’abstraction et l’encodage (linguistique ou imagé), souvent à un niveau non conscient.

    • Accord : La crédibilité (source, message, média) et le changement d’attitude sont cruciaux, mais les communicateurs surestiment souvent la résistance du public.

    • Rétention : La mémoire à long terme subit une perte accélérée négativement, influencée par l’interférence rétroactive.

    • Récupération : Dépend de la structure cognitive et des stratégies de recherche (par exemple, pensée divergente).

    • Prise de décision : Utilise des heuristiques (par exemple, élimination par aspects) et l’intégration d’informations (modèles d’addition ou de moyenne).

    • Action : La corrélation entre attitudes et actions est faible, soulignant la nécessité d’évaluer les comportements réels plutôt que les intentions.

  2. Motivation (Dynamique) :

    • Les théories motivationnelles récentes mettent l’accent sur les approches humanistes (Maslow, Erikson) et cognitives.

    • Une classification en 16 motifs (Tableau 1) distingue les motifs cognitifs (par exemple, consistance, autonomie) et affectifs (par exemple, réduction de tension, affiliation), chacun influençant différemment les choix des consommateurs.

    • Les motifs ne sont pas uniformément pertinents ; leur impact dépend du domaine de consommation (par exemple, achats impulsifs vs. achats réfléchis).

  3. Implications :

    • Les communicateurs doivent optimiser chaque étape du traitement de l’information pour maximiser l’impact (par exemple, éviter les messages effrayants qui perturbent la compréhension).

    • Les éducateurs doivent enseigner des heuristiques décisionnelles pour contrer les biais cognitifs (par exemple, en arithmétique approximative).

    • Les recherches futures devraient explorer l’organisation cognitive des produits et les stratégies de recherche des consommateurs.

Points clés pour la pratique

  • Les campagnes de communication doivent équilibrer l’attention, la clarté et la crédibilité pour influencer efficacement les comportements d’achat.

  • L’éducation des consommateurs devrait inclure des techniques pour améliorer la prise de décision, comme la reconnaissance des biais heuristiques.

  • Les marketers doivent reconnaître que les tests de perception ou de rappel ne prédisent pas nécessairement les ventes réelles.

Références exactes citées

  • Allport, G. W., & Odbert, H. S. (1936). Trait-names: A psycho-lexical study. Psychological Monographs, 47(1, Whole No. 211).

  • Allport, G. W., Vernon, P. E., & Lindzey, G. (1951). The study of values (Rev. ed.). Boston: Houghton Mifflin.

  • Anderson, B. F. (1975). Cognitive psychology: The study of knowing, learning, and thinking. New York: Academic Press.

  • Anderson, N. H. (1974a). Algebraic models in perception. In E. C. Carterette & M. P. Friedman (Eds.), Handbook of perception: Vol. 2. Psychophysical judgment and measurement (pp. 215–298). New York: Academic Press.

  • Anderson, N. H. (1974b). Cognitive algebra: Integration theory applied to social attribution. Advances in Experimental Social Psychology, 7, 1–101.

  • Bakan, P. (Ed.). (1966). Attention: An enduring problem in psychology. Princeton, NJ: Van Nostrand.

  • Bem, D. J. (1970). Beliefs, attitudes, and human affairs. Belmont, CA: Brooks/Cole.

  • Berlin, B., Breedlove, D. E., & Raven, P. H. (Eds.). (1974). Principles of Tzeltal plant classification: An introduction to the botanical ethnography of a Mayan-speaking people of Highland Chiapas. New York: Academic Press.

  • Blumenthal, A. L. (1970). Language & psychology: Historical aspects of psycholinguistics. New York: Wiley.

  • Bower, G. H. (Ed.). (1972). The psychology of learning and motivation: Vol. 6. Advances in research and theory. New York: Academic Press.

  • Bridges, K. M. B. (1932). Emotional development in early infancy. Child Development, 3(4), 324–341.

  • Calder, B. J., & Ross, M. (1973). Attitudes and behavior. Morristown, NJ: General Learning Press.

  • Capon, N., & Hulbert, J. (1973). The sleeper effect—An awakening. Public Opinion Quarterly, 37(3), 333–358.

  • Carterette, E. C., & Friedman, M. P. (Eds.). (1973, 1974). Handbook of perception (3 vols.). New York: Academic Press.

  • Cattell, R. B., & Eber, H. W. (1957). The sixteen personality factor questionnaire. Champaign, IL: Institute for Personality and Ability Testing.

  • Cofer, C. N. (1972). Motivation and emotion. Glenview, IL: Scott, Foresman.

  • Colby, B. N. (1975). Cultural grammars. Science, 187(4179), 913–919.

  • Cole, J. K., & Dienstbier, R. (Eds.). (1974). Nebraska symposium on motivation, 1973: The complexities of sexual script (Vol. 21). Lincoln: University of Nebraska Press.

  • Cole, M., & Scribner, S. (1974). Culture and thought: A psychological introduction. New York: Wiley.

  • Cornsweet, T. N. (1970). Visual perception. New York: Academic Press.

  • Dawes, R. M. (1971). A case study of graduate admissions: Application of three principles of human decision making. American Psychologist, 26(2), 180–188.

  • Deese, J. E. (1970). Psycholinguistics. Boston: Allyn and Bacon.

  • Dember, W. N. (1974). Motivation and the cognitive revolution. American Psychologist, 29(3), 161–168.

  • Deutsch, D., & Deutsch, J. A. (Eds.). (1975). Short-term memory. New York: Academic Press.

  • Deutscher, I. (1973). What we say/what we do: Sentiments and acts. Glenview, IL: Scott, Foresman.

  • Eagly, A. H. (1974). Comprehensibility of persuasive arguments as a determinant of opinion change. Journal of Personality and Social Psychology, 29(6), 758–773.

  • Edwards, A. L. (1959). Personal preference schedule: Manual (Rev.). New York: Psychological Corporation.

  • Ehrlich, H. J. (1969). Attitudes, behavior, and the intervening variables. American Sociologist, 4(1), 29–34.

  • Erikson, E. H. (1963). Childhood and society. New York: Norton.

  • Eysenck, H. J. (1962). Maudsley personality inventory. San Diego: Educational and Industrial Testing Service.

  • Farley, J. U., Howard, J. A., & Ring, L. W. (1974). Consumer behavior: Theory and application. Boston: Allyn and Bacon.

  • Ferber, R. (Ed.). (1976). A synthesis of selected aspects of consumer behavior. Washington, DC: National Science Foundation.

  • Fishbein, M. (1973). The prediction of behavior from attitudinal variables. Advances in Communication Research, 1, 3–31.

  • Fishbein, M., & Ajzen, I. (1972). Attitudes and opinions. Annual Review of Psychology, 23, 487–544.

  • Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention and behavior: An introduction to theory and research. Reading, MA: Addison-Wesley.

  • Gillig, P. M., & Greenwald, A. G. (1974). Is it time to lay the sleeper effect to rest? Journal of Personality and Social Psychology, 29(1), 132–139.

  • Gough, H. G., & Heilbrun, A. B. (1965). The adjective check list manual. Palo Alto, CA: Consulting Psychologists Press.

  • Green, P. E., & Carmone, F. J. (1970). Multidimensional scaling and related techniques in marketing analysis. Boston: Allyn and Bacon.

  • Greeno, J. G., & Bjork, R. A. (1973). Mathematical learning theory and the new “mentalism”. Annual Review of Psychology, 24, 81–116.

  • Greenwald, A. G. (1968). Cognitive learning, cognitive response to persuasion, and attitude change. In A. G. Greenwald, T. C. Brock, & T. M. Ostrom (Eds.), Psychological foundations of attitudes (pp. 147–170). New York: Academic Press.

  • Gregg, L. W. (Ed.). (1974). Knowledge and cognition. New York: Wiley.

  • Guilford, J. P. (1967). The nature of human intelligence. New York: McGraw-Hill.

  • Hammond, K., Stewart, T. R., Brehmer, B., & Steinman, D. (in press). Social judgment theory. In M. Kaplan & F. Schwartz (Eds.), Human judgment and decision processes: Formal and mathematical approaches. New York: Academic Press.

  • Holbrook, M. B., & Howard, J. A. (1976). Consumer research on frequently purchased nondurable goods and services. In R. Ferber (Ed.), A synthesis of selected aspects of consumer behavior. Washington, DC: National Science Foundation.

  • Howard, J. A., & Sheth, J. N. (1969). The theory of buyer behavior. New York: Wiley.

  • Jackson, D. N. (1967). Personality research form manual. Goshen, NY: Research Psychologists Press.

  • Jacoby, J. (1975). Consumer psychology as a social psychological sphere of action. American Psychologist, 30(10), 977–987.

  • Jameson, D. A., & Hurvich, L. M. (Eds.). (1972). Visual psychophysics. New York: Springer-Verlag.

  • Johnson, D. M. (1972). Systematic introduction to the psychology of thinking. New York: Harper & Row.

  • Jung, C. G. (1923). Psychological types. New York: Harcourt, Brace.

  • Kahneman, D. (1973). Attention and effort. Englewood Cliffs, NJ: Prentice-Hall.

  • Kausler, D. H. (1974). Psychology of verbal learning and memory. New York: Academic Press.

  • Kiesler, C. A., Collins, B. E., & Miller, N. (1969). Attitude change: A critical analysis of theoretical approaches. New York: Wiley.

  • Kiesler, C. A., & Munson, P. A. (1975). Attitudes and opinions. Annual Review of Psychology, 26, 415–456.

  • Klapper, J. T. (1949). The effects of mass media. New York: Bureau of Applied Social Research, Columbia University.

  • Lee, W. (1971). Decision theory and human behavior. New York: Wiley.

  • Lévi-Strauss, C. (1963). Structural anthropology. New York: Basic Books.

  • Lindsay, P. H., & Norman, D. A. (1972). Human information processing: An introduction to psychology. New York: Academic Press.

  • Liska, A. E. (Ed.). (1974a). The consistency controversy: Readings on the impact of attitude on behavior. New York: Wiley.

  • Liska, A. E. (1974b). Emergent issues in the attitude-behavior consistency controversy. American Sociological Review, 39(2), 261–272.

  • McDougall, W. (1923). Outline of psychology. New York: Scribner’s.

  • McGuire, W. J. (1960). A syllogistic analysis of cognitive relationships. In C. I. Hovland & M. J. Rosenberg (Eds.), Attitude organization and change: An analysis of consistency among attitude components (pp. 65–111). New Haven, CT: Yale University Press.

  • McGuire, W. J. (1968a). Personality and susceptibility to social influence. In E. F. Borgatta & W. W. Lambert (Eds.), Handbook of personality theory and research (pp. 1130–1187). Chicago: Rand McNally.

  • McGuire, W. J. (1968b). Selective exposure: A summing up. In R. P. Abelson et al. (Eds.), Theories of cognitive consistency: A sourcebook (pp. 797–800). Chicago: Rand McNally.

  • McGuire, W. J. (1969). The nature of attitudes and attitude change. In G. Lindzey & E. Aronson (Eds.), The handbook of social psychology: Vol. 3. The individual in a social context (2nd ed., pp. 136–314). Reading, MA: Addison-Wesley.

  • McGuire, W. J. (1974). Psychological motives and communication gratification. In J. G. Blumler & E. Katz (Eds.), The uses of mass communications: Current perspectives on gratifications research (pp. 167–196). Beverly Hills, CA: Sage Publications.

  • McGuire, W. J. (1975). Concepts of attitudes and their relations to behavior. Unpublished paper, Department of Psychology, Yale University.

  • McGuire, W. J. (1976). Psychological factors influencing consumer choice. In R. Ferber (Ed.), A synthesis of selected aspects of consumer behavior. Washington, DC: National Science Foundation.

  • McGuire, W. J. (in press). An information processing model of advertising effectiveness. In H. L. Davis & A. J. Silk (Eds.), Behavioral and management sciences in marketing. New York: Ronald Press.

  • Mackworth, J. F. (1970). Vigilance and attention: A signal detection approach. Harmondsworth, Middlesex, England: Penguin Books.

  • Madsen, K. B. (1974). Modern theories of motivation: A comparative metascientific study. New York: Wiley.

  • Maslow, A. H. (1970). Motivation and personality (2nd ed.). New York: Harper & Row.

  • Mehrabian, A. (1970). Tactics of social influence. Englewood Cliffs, NJ: Prentice-Hall.

  • Melton, A. W., & Martin, E. (Eds.). (1972). Coding processes in human memory. New York: Wiley.

  • Miller, G. R., & Burgoon, M. (1973). New techniques of persuasion. New York: Harper & Row.

  • Moran, W. T. (1973). Consumenoid. Unpublished paper, Lever Brothers, New York.

  • Moray, N. (1969). Attention: Selective processes in vision and hearing. London: Hutchinson Educational Ltd.

  • Murdock, B. B. (1974). Human memory: Theory and data. New York: Wiley.

  • Murray, H. A., et al. (1938). Explorations in personality: A clinical and experimental study of fifty men of college age. New York: Oxford University Press.

  • Neimark, E. D., & Santa, J. L. (1975). Thinking and concept attainment. Annual Review of Psychology, 26, 173–205.

  • Neisser, U. (1967). Cognitive psychology. New York: Appleton-Century-Crofts.

  • Newell, A., & Simon, H. A. (1972). Human problem solving. Englewood Cliffs, NJ: Prentice-Hall.

  • Nilsson, N. J. (1971). Problem-solving methods in artificial intelligence. New York: McGraw-Hill.

  • Norman, D. A. (1969). Memory and attention: An introduction to human information processing. New York: Wiley.

  • Norman, D. A. (Ed.). (1970). Models of human memory. New York: Academic Press.

  • Piaget, J. (1952). The origins of intelligence in children (2nd ed.). New York: International Universities Press.

  • Pollio, H. R. (1974). The psychology of symbolic activity. Reading, MA: Addison-Wesley.

  • Posner, M. I. (1973). Cognition: An introduction. Glenview, IL: Scott, Foresman.

  • Postman, L. (1975). Verbal learning and memory. Annual Review of Psychology, 26, 291–335.

  • Rapoport, A., & Wallsten, T. S. (1972). Individual decision behavior. Annual Review of Psychology, 23, 131–176.

  • Rokeach, M. (1973). The nature of human values. New York: Free Press.

  • Rosenberg, S. (1968). Mathematical models of social behavior. In G. Lindzey & E. Aronson (Eds.), The handbook of social psychology: Vol. 1. Historical introduction/systematic positions (2nd ed., pp. 179–244). Reading, MA: Addison-Wesley.

  • Schank, R. C., & Colby, K. M. (Eds.). (1973). Computer models of thought and language. San Francisco: Freeman.

  • Shepard, R. N., Romney, A. K., & Nerlove, S. B. (Eds.). (1972). Multidimensional scaling: Theory and applications in the behavioral sciences (2 vols.). New York: Seminar Press.

  • Slobin, D. I. (1971). Psycholinguistics. Glenview, IL: Scott, Foresman.

  • Slovic, P., & Lichtenstein, S. (1971). Comparison of Bayesian and regression approaches to the study of information processing in judgment. Organizational Behavior and Human Performance, 6(6), 649–744.

  • Steffire, V. J. (1968). Market structure studies: New products for old markets and new markets (foreign) for old products. In F. M. Bass, C. W. King, & E. A. Pessemier (Eds.), Applications of the sciences in marketing management (pp. 251–268). New York: Wiley.

  • Szalai, A. (Ed.). (1972). The use of time: Daily activities of urban and suburban populations in twelve countries. The Hague: Mouton.

  • Thomas, K. (Ed.). (1971). Attitudes and behaviour: Selected readings. Harmondsworth, Middlesex, England: Penguin Books.

  • Triandis, H. C. (1971). Attitude and attitude change. New York: Wiley.

  • Tulving, E., & Donaldson, W. (Eds.). (1972). Organization of memory. New York: Academic Press.

  • Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.

  • Watts, W. A., & McGuire, W. J. (1964). Persistence of induced opinion change and retention of the inducing message contents. Journal of Abnormal and Social Psychology, 68(3), 233–241.

  • Weiner, B. (1972). Theories of motivation: From mechanism to cognition. Chicago: Markham.

  • Weiner, B. (Ed.). (1974). Cognitive views of human motivation. New York: Academic Press.

  • Wickelgren, W. A. (1974). How to solve problems: Elements of a theory of problems and problem solving. San Francisco: Freeman.

  • Wicker, A. W. (1969). Attitudes versus actions: The relationship of verbal and overt behavioral responses to attitude objects. Journal of Social Issues, 25(4), 41–78.

  • Wyer, R. S., Jr. (1974). Cognitive organization and change: An information processing approach. New York: Wiley.

  • Zimbardo, P. G. (1969). The cognitive control of motivation: The consequences of choice and dissonance. Glenview, IL: Scott, Foresman.

  • Zimbardo, P. G., & Ebbesen, E. B. (1969). Influencing attitudes and changing behavior: A basic introduction to relevant methodology, theory, and applications. Reading, MA: Addison-Wesley.

Understanding customer experience throughout the customer journey.

Posted on by

Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing: AMA/MSI Special Issue, 80(6), 69–96. https://doi.org/10.1509/jm.15.0420

Objectif

L’article de Lemon et Verhoef vise à développer une compréhension approfondie de l’expérience client et du parcours client dans un contexte de comportements clients de plus en plus complexes. Les auteurs cherchent à :

  1. Définir et conceptualiser l’expérience client en tant que construction multidimensionnelle.

  2. Retracer les racines historiques de l’expérience client dans la littérature marketing.

  3. Synthétiser les connaissances actuelles sur l’expérience client, le parcours client et la gestion de l’expérience client.

  4. Identifier les lacunes critiques et proposer un agenda de recherche pour les travaux futurs.

Méthodologie

L’article adopte une approche théorique et synthétique, sans étude empirique directe. Les auteurs procèdent à :

  • Une revue de la littérature existante sur l’expérience client, en examinant les définitions et conceptualisations (e.g., Schmitt, 1999 ; Verhoef et al., 2009).

  • Une analyse historique des racines de l’expérience client, en reliant le concept à des théories antérieures du marketing (e.g., satisfaction client, qualité de service, marketing relationnel).

  • Une synthèse des connaissances actuelles, structurée autour de trois domaines : le parcours client, la mesure de l’expérience client et la gestion de l’expérience client.

  • Une proposition d’agenda de recherche basé sur les lacunes identifiées.

Résultats

  1. Définition de l’expérience client : L’expérience client est définie comme un construit multidimensionnel englobant les réponses cognitives, émotionnelles, comportementales, sensorielles et sociales d’un client aux interactions avec une entreprise tout au long de son parcours d’achat.

  2. Racines historiques : L’expérience client s’appuie sur des concepts établis comme les modèles de comportement d’achat (Howard & Sheth, 1969), la satisfaction client, la qualité de service (Parasuraman et al., 1988), le marketing relationnel, la gestion de la relation client (CRM), la centralité client et l’engagement client.

  3. Connaissances actuelles :

    • Parcours client : L’expérience client est conceptualisée comme un processus dynamique à travers les phases de pré-achat, achat et post-achat, avec de multiples points de contact (touch points).

    • Mesure : Les mesures incluent des échelles comme SERVQUAL, EXQ (Klaus & Maklan, 2012), et des métriques comme le Net Promoter Score (NPS), bien que des lacunes subsistent dans la mesure holistique.

    • Gestion : La gestion de l’expérience client nécessite une intégration interfonctionnelle (IT, marketing, opérations) et une coordination avec des partenaires externes, dans un contexte d’omnicanalité et de fragmentation des médias.

  4. Distinctivité : L’expérience client se distingue d’autres construits comme la satisfaction (évaluation cognitive) et la qualité de service (antécédent), bien que des relations complexes existent avec la confiance, l’engagement et l’attachement à la marque.

  5. Agenda de recherche : Les auteurs proposent des recherches sur la modélisation empirique des points de contact, l’impact des interactions sociales, l’intégration omnicanale et les métriques prédictives.

Points clés pour la pratique

  • Les entreprises doivent adopter une vision holistique de l’expérience client, en intégrant tous les points de contact.

  • La coordination interfonctionnelle et externe est essentielle pour gérer des parcours clients complexes.

  • Les comportements comme le showrooming et l’influence des médias sociaux nécessitent une adaptation stratégique.

Références exactes citées

  • Abbott, L. (1955). Quality and competition: An essay in economic theory. New York: Columbia University Press.

  • Accenture (2015). Improving customer experience is top business priority for companies in 2015. Press Release (in cooperation with Forrester).

  • Alderson, W. (1957). Marketing behavior and executive action: A functionalist approach to marketing theory. Homewood, IL: Richard D. Irwin.

  • Anderson, E. W., Fornell, C., & Mazvancheryl, S. K. (2004). Customer satisfaction and shareholder value. Journal of Marketing, 68(4), 172–185.

  • Anderson, E. W., & Mittal, V. (2000). Strengthening the satisfaction-profit chain. Journal of Service Research, 3(2), 107–120.

  • Bagozzi, R. P., Gopinath, M., & Nyer, P. U. (1999). The role of emotions in marketing. Journal of the Academy of Marketing Science, 27(2), 184–206.

  • Berry, L. L. (1995). Relationship marketing of services—Growing interest, emerging perspectives. Journal of the Academy of Marketing Science, 23(4), 236–245.

  • Berry, L. L., Carbone, L. P., & Haeckel, S. H. (2002). Managing the total customer experience. MIT Sloan Management Review, 43(3), 85–89.

  • Bitner, M. J. (1990). Evaluating service encounters: The effects of physical surroundings and employee responses. Journal of Marketing, 54(2), 69–82.

  • Bitner, M. J. (1992). Servicescapes: The impact of physical surroundings on customers and employees. Journal of Marketing, 56(2), 57–71.

  • Bitner, M. J., Ostrom, A. L., & Morgan, F. N. (2008). Service blueprinting: A practical technique for service innovation. California Management Review, 50(3), 66–94.

  • Bolton, R. N. (1998). A dynamic model of the duration of the customer’s relationship with a continuous service provider: The role of satisfaction. Marketing Science, 17(1), 45–65.

  • Bolton, R. N. (2016). Service excellence: Creating customer experiences that build relationships. New York: Business Expert Press.

  • Bolton, R. N., & Drew, J. H. (1991). A longitudinal analysis of the impact of service changes on customer attitudes. Journal of Marketing, 55(1), 1–9.

  • Bolton, R. N., Gustafsson, A., McColl-Kennedy, J., Sirianni, N. J., & Tse, D. K. (2014). Small details that make big differences: A radical approach to consumption experience as a firm’s differentiating strategy. Journal of Service Management, 25(2), 253–274.

  • Bolton, R. N., Lemon, K. N., & Verhoef, P. C. (2004). The theoretical underpinnings of customer asset management: A framework and propositions for future research. Journal of the Academy of Marketing Science, 32(3), 271–292.

  • Bolton, R. N., Lemon, K. N., & Verhoef, P. C. (2008). Expanding business-to-business customer relationships: Modeling the customer’s upgrade decision. Journal of Marketing, 72(1), 46–64.

  • Brakus, J. J., Schmitt, B. H., & Zarantonello, L. (2009). Brand experience: What is it? How is it measured? Does it affect loyalty? Journal of Marketing, 73(3), 52–68.

  • Brasel, S. A., & Gips, J. (2014). Tablets, touchscreens, and touchpads: How varying touch interfaces trigger psychological ownership and endowment. Journal of Consumer Psychology, 24(2), 226–233.

  • Brasel, S. A., & Gips, J. (2015). Interface psychology: Touchscreens change attribute importance, decision criteria, and behavior in online choice. Cyberpsychology, Behavior, and Social Networking, 18(9), 534–538.

  • Brinker, M., Lobaugh, K., & Paul, A. (2012). The dawn of mobile influence: Discovering the value of mobile in retail. Deloitte Digital. Retrieved from http://www2.deloitte.com/content/dam/Deloitte/us/Documents/consumer-business/us-retail-mobile-influence-factor-062712.pdf

  • Brodie, R. J., Hollebeek, L. D., Jurić, B., & Ilić, A. (2011). Customer engagement: Conceptual domain, fundamental propositions, and implications for research. Journal of Service Research, 14(3), 252–271.

  • Brodie, R. J., Ilic, A., Juric, B., & Hollebeek, L. (2013). Consumer engagement in a virtual brand community: An exploratory analysis. Journal of Business Research, 66(1), 105–114.

  • Brynjolfsson, E., Hu, Y. J., & Rahman, M. S. (2013). Competing in the age of omnichannel retailing. MIT Sloan Management Review, 54(4), 23–29.

  • Bügel, M. S. (2010). The application of psychological theories for an improved understanding of customer relationships. Doctoral dissertation, University of Groningen.

  • Bügel, M. S., Verhoef, P. C., & Buunk, A. P. (2011). Customer intimacy and commitment to relationships with firms in five different sectors: Preliminary evidence. Journal of Retailing and Consumer Services, 18(4), 247–258.

  • Burnham, T. A., Frels, J. K., & Mahajan, V. (2003). Consumer switching costs: A typology, antecedents, and consequences. Journal of the Academy of Marketing Science, 31(2), 109–126.

  • Calder, B. J., Isaac, M. S., & Malthouse, E. C. (2016). How to capture consumer experiences: A context-specific approach to measuring engagement. Journal of Advertising Research, 56(1), 39–52.

  • Chandler, J. D., & Lusch, R. F. (2015). Service systems: A broadened framework and research agenda on value propositions, engagement, and service experience. Journal of Service Research, 18(1), 6–22.

  • Christensen, C. M., Cook, S., & Hall, T. (2005). Marketing malpractice: The cause and the cure. Harvard Business Review, 83(12), 74–83.

  • Christensen, C. M., Anthony, S. D., Berstell, G., & Nitterhouse, D. (2007). Finding the right job for your product. MIT Sloan Management Review, 48(3), 38–47.

  • Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J. (2009). The consumer decision journey. McKinsey Quarterly, 3, 96–107.

  • Cronin, J. J., Jr., & Taylor, S. A. (1992). Measuring service quality: A reexamination and extension. Journal of Marketing, 56(3), 55–68.

  • Cronin, J. J., Jr., & Taylor, S. A. (1994). SERVPERF versus SERVQUAL: Reconciling performance-based and perceptions-minus-expectations measurement of service quality. Journal of Marketing, 58(1), 125–131.

  • De Haan, E., Wiesel, T., & Pauwels, K. (2016). The effectiveness of different forms of online advertising for purchase conversion in a multiple-channel attribution framework. International Journal of Research in Marketing, 33(3), 491–507.

  • De Keyser, A., Lemon, K. N., Klaus, P., & Keiningham, T. L. (2015). A framework for understanding and managing the customer experience. MSI Working Paper Series, 15-121. Cambridge, MA: Marketing Science Institute.

  • De Wulf, K., Odekerken-Schröder, G., & Iacobucci, D. (2001). Investments in consumer relationships: A cross-country and cross-industry exploration. Journal of Marketing, 65(4), 33–50.

  • Dorotic, M., Bijmolt, T. H. A., & Verhoef, P. C. (2012). Loyalty programmes: Current knowledge and research directions. International Journal of Management Reviews, 14(3), 217–237.

  • Dorotic, M., Fok, D., Verhoef, P. C., & Bijmolt, T. H. A. (2011). Do vendors benefit from promotions in a multi-vendor loyalty program? Marketing Letters, 22(4), 341–356.

  • Dwyer, F. R., Schurr, P. H., & Oh, S. (1987). Developing buyer-seller relationships. Journal of Marketing, 51(2), 11–27.

  • Eastlick, M. A., & Feinberg, R. A. (1999). Shopping motives for mail catalog shoppers. Journal of Business Research, 45(3), 281–290.

  • Edelman, D. C. (2010). Branding in the digital age. Harvard Business Review, 88(12), 62–69.

  • Edelman, D. C., & Singer, M. (2015). Competing on customer journeys. Harvard Business Review, 93(11), 88–100.

  • Edwards, G. (2014). How to embrace retail’s newest trend: Webrooming. Retail TouchPoints Blog. Retrieved from http://retailtouchpoints.tumblr.com/post/59107311088/how-to-embrace-retails-newest-trend-webrooming

  • Elberse, A. (2010). Bye-bye bundles: The unbundling of music in digital channels. Journal of Marketing, 74(3), 107–123.

  • Emrich, O., Paul, M., & Rudolph, T. (2015). Shopping benefits of multichannel assortment integration and the moderating role of retailer type. Journal of Retailing, 91(2), 326–342.

  • Emrich, O., & Verhoef, P. C. (2015). The impact of a homogenous versus a prototypical web design on online retail patronage for multichannel providers. International Journal of Research in Marketing, 32(4), 363–374.

  • Fader, P. (2012). Customer centricity: Focus on the right customers for strategic advantage. Philadelphia: Wharton Digital Press.

  • Falk, T., Schepers, J., Hammerschmidt, M., & Bauer, H. H. (2007). Identifying cross-channel dissynergies for multichannel service providers. Journal of Service Research, 10(2), 143–160.

  • Fornell, C., Rust, R. T., & Dekimpe, M. G. (2010). The effect of customer satisfaction on consumer spending growth. Journal of Marketing Research, 47(1), 28–35.

  • Fournier, S. (1998). Consumers and their brands: Developing relationship theory in consumer research. Journal of Consumer Research, 24(4), 343–353.

  • Frey, B. S., & Stutzer, A. (2002). What can economists learn from happiness research? Journal of Economic Literature, 40(2), 402–435.

  • Gensler, S., Leeflang, P. S. H., & Skiera, B. (2012). Impact of online channel use on customer revenues and costs to serve: Considering product portfolios and self-selection. International Journal of Research in Marketing, 29(2), 192–201.

  • Gensler, S., Verhoef, P. C., & Böhm, M. (2012). Understanding consumers’ multichannel choices across the different stages of the buying process. Marketing Letters, 23(4), 987–1003.

  • Gentile, C., Spiller, N., & Noci, G. (2007). How to sustain the customer experience: An overview of experience components that co-create value with the customer. European Management Journal, 25(5), 395–410.

  • Geyskens, I., Steenkamp, J.-B. E. M., & Kumar, N. (1998). Generalizations about trust in marketing channel relationships using meta-analysis. International Journal of Research in Marketing, 15(3), 223–248.

  • Gijsenberg, M. J., van Heerde, H. J., & Verhoef, P. C. (2015). Losses loom longer than gains: Modeling the impact of service crisis on perceived service quality over time. Journal of Marketing Research, 52(5), 642–656.

  • Gomez, M. I., McLaughlin, E. W., & Wittink, D. R. (2004). Customer satisfaction and retail sales performance: An empirical investigation. Journal of Retailing, 80(4), 265–278.

  • Grewal, D., Levy, M., & Kumar, V. (2009). Customer experience management in retailing: An organizing framework. Journal of Retailing, 85(1), 1–14.

  • Gulati, R., & Oldroyd, J. B. (2005). The quest for customer focus. Harvard Business Review, 83(4), 92–101.

  • Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7–18.

  • Gupta, S., & Zeithaml, V. (2006). Customer metrics and their impact on financial performance. Marketing Science, 25(6), 718–739.

  • Ha, A. (2015). VU digital translates videos into structured data. Techcrunch. Retrieved from http://techcrunch.com/2015/05/04/video-to-data/

  • Hanssens, D. M. (2015). Empirical generalizations about marketing impact (2nd ed.). Cambridge, MA: Marketing Science Institute.

  • Hanssens, D. M., Pauwels, K. H., Srinivasan, S., Vanhuele, M., & Yildirim, G. (2014). Consumer attitude metrics for guiding marketing mix decisions. Marketing Science, 33(4), 534–550.

  • Herhausen, D., Binder, J., Schoegel, M., & Herrmann, A. (2015). Integrating bricks with clicks: Retailer-level and channel-level outcomes of online-offline channel integration. Journal of Retailing, 91(2), 309–325.

  • Herskovitz, S., & Crystal, M. (2010). The essential brand persona: Storytelling and branding. Journal of Business Strategy, 31(3), 21–28.

  • Hirschman, E. C., & Holbrook, M. B. (1982). Hedonic consumption: Emerging concepts, methods and propositions. Journal of Marketing, 46(3), 92–101.

  • Hitt, L. M., & Frei, F. X. (2002). Do better customers utilize electronic distribution channels? The case of PC banking. Management Science, 48(6), 732–748.

  • Holbrook, M. B., & Hirschman, E. C. (1982). The experiential aspects of consumption: Consumer fantasies, feelings, and fun. Journal of Consumer Research, 9(2), 132–140.

  • Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of Interactive Marketing, 28(2), 149–165.

  • Homburg, C., Jozić, D., & Kuehnl, C. (2015). Customer experience management: Toward implementing an evolving marketing concept. Journal of the Academy of Marketing Science. Advance online publication. https://doi.org/10.1007/s11747-015-0460-7

  • Howard, J. A., & Sheth, J. N. (1969). The theory of buyer behavior. New York: John Wiley & Sons.

  • Hoyer, W. D. (1984). An examination of consumer decision making for a common repeat purchase product. Journal of Consumer Research, 11(3), 822–829.

  • Hoyer, W. D., Chandy, R., Dorotic, M., Krafft, M., & Singh, S. S. (2010). Consumer cocreation in new product development. Journal of Service Research, 13(3), 283–305.

  • Hoyer, W. D., & MacInnis, D. J. (2007). Consumer behavior. Boston: Houghton Mifflin.

  • Hui, S. K., Inman, J. J., Huang, Y., & Suher, J. (2013). The effect of in-store travel distance on unplanned spending: Applications to mobile promotion strategies. Journal of Marketing, 77(2), 1–16.

  • Hunneman, A., Verhoef, P. C., & Sloot, L. M. (2015). The impact of consumer confidence on store satisfaction and share of wallet formation. Journal of Retailing, 91(4), 642–656.

  • Husson, T., Ask, J. A., Johnson, C., Parrish, M., & Kwan, E. (2014). Predictions 2014: Mobile trends for marketers. Forrester Research.

  • Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating: Can one desire too much of a good thing? Journal of Personality and Social Psychology, 79(6), 995–1006.

  • Keiningham, T. L., Cooil, B., Andreassen, T. W., & Aksoy, L. (2007). A longitudinal examination of net promoter and firm revenue growth. Journal of Marketing, 71(3), 39–51.

  • Keiningham, T. L., Malthouse, E. C., Buoye, A., Aksoy, L., De Keyser, A., et al. (2015). Perceptions are relative: An examination of the relationship between relative satisfaction metrics and share of wallet. Journal of Service Management, 26(1), 2–43.

  • Kelley, S. W., & Davis, M. A. (1994). Antecedents to customer expectations for service recovery. Journal of the Academy of Marketing Science, 22(1), 52–61.

  • Klaus, P. (2015). Measuring customer experience: How to develop and execute the most profitable customer experience strategies. New York: Palgrave Macmillan.

  • Klaus, P., & Maklan, S. (2012). EXQ: A multiple-item scale for assessing service experience. Journal of Service Management, 23(1), 5–33.

  • Klaus, P., & Maklan, S. (2013). Towards a better measure of customer experience. International Journal of Market Research, 55(2), 227–246.

  • Kotler, P. (1967). Marketing management: Analysis, planning, and control. Englewood Cliffs, NJ: Prentice-Hall.

  • Kumar, V. (2013). Profitable customer engagement: Concept, metrics and strategies. New Delhi: Sage Publications.

  • Kumar, V., Aksoy, L., Donkers, B., Venkatesan, R., Wiesel, T., & Tillmanns, S. (2010). Undervalued or overvalued customers: Capturing total customer engagement value. Journal of Service Research, 13(3), 297–310.

  • Kumar, V., & Pansari, A. (2016). Competitive advantage through engagement. Journal of Marketing Research, 53(4), 497–514.

  • Kumar, V., Petersen, J. A., & Leone, R. P. (2010). Driving profitability by encouraging customer referrals: Who, when, and how. Journal of Marketing, 74(5), 1–17.

  • Kumar, V., & Reinartz, W. (2006). Customer relationship management: A databased approach. Hoboken, NJ: John Wiley & Sons.

  • Kumar, V., & Reinartz, W. (2016). Creating enduring customer value. Journal of Marketing, 80(6), 36–68.

  • Kumar, V., & Shah, D. (2009). Expanding the role of marketing: From customer equity to market capitalization. Journal of Marketing, 73(6), 148–166.

  • Kumar, V., Sharma, A., Shah, R., & Rajan, B. (2013). Establishing profitable customer loyalty programs: Monetary and non-monetary customer value-based approaches. Journal of Retailing, 89(1), 17–35.

  • Kunz, W. H., & Hogreve, J. (2011). Toward a deeper understanding of service marketing: The past, the present, and the future. International Journal of Research in Marketing, 28(3), 231–247.

  • Kusinitz, S. (2014). The definition of a buyer persona. Hubspot Blog. Retrieved from http://blog.hubspot.com/marketing/buyer-persona-definition

  • Lavidge, R. J., & Steiner, G. A. (1961). A model for predictive measurements of advertising effectiveness. Journal of Marketing, 25(6), 59–62.

  • Leeflang, P. S. H., Spring, P. N., Van Doorn, J., & Wansbeek, T. J. (2013). Identifying the direct mail-prone consumer. Journal of Global Scholars of Marketing Science, 23(2), 175–195.

  • Leeflang, P. S. H., Verhoef, P. C., Dahlström, P., & Freundt, T. (2014). Challenges and solutions for marketing in a digital era. European Management Journal, 32(1), 1–12.

  • Lemke, F., Clark, M., & Wilson, H. (2011). Customer experience quality: An exploration in business and consumer contexts using repertory grid technique. Journal of the Academy of Marketing Science, 39(6), 846–869.

  • Lewis, M. (2006). Customer acquisition promotions and customer asset value. Journal of Marketing Research, 43(2), 195–203.

  • Li, H., & Kannan, P. K. (2014). Attributing conversions in a multichannel online marketing environment: An empirical model and a field experiment. Journal of Marketing Research, 51(1), 40–56.

  • Libai, B., Bolton, R., Bügel, M. S., de Ruyter, K., Götz, O., Risselada, H., et al. (2010). Customer-to-customer interactions: Broadening the scope of word of mouth research. Journal of Service Research, 13(3), 267–282.

  • Lin, J.-S. C., & Liang, H.-Y. (2011). The influence of service environments on customer emotion and service outcomes. Managing Service Quality: An International Journal, 21(4), 350–372.

  • Ma, Y., Ailawadi, K. L., Gauri, D. K., & Grewal, D. (2011). An empirical investigation of the impact of gasoline prices on grocery shopping behavior. Journal of Marketing, 75(2), 18–35.

  • Macdonald, E. K., Wilson, H. N., & Konuş, U. (2012). Better customer insight—in real time. Harvard Business Review, 90(9), 102–108.

  • MacKenzie, S. B., & Lutz, R. J. (1989). An empirical examination of the structural antecedents of attitude toward the ad in an advertising pretesting context. Journal of Marketing, 53(2), 48–65.

  • Maklan, S., & Klaus, P. (2011). Customer experience: Are we measuring the right things? International Journal of Market Research, 53(6), 771–792.

  • Malthouse, E. C., & Calder, B. J. (2011). Engagement and experiences: Comment on Brodie, Hollebeek, Jurić, and Ilić (2011). Journal of Service Research, 14(3), 272–279.

  • Manchanda, P., Dubé, J.-P., Goh, K. Y., & Chintagunta, P. K. (2006). The effect of banner advertising on internet purchasing. Journal of Marketing Research, 43(1), 98–108.

  • Manchanda, P., Packard, G., & Pattabhiramaiah, A. (2015). Social dollars: The economic impact of customer participation in a firm-sponsored online customer community. Marketing Science, 34(3), 367–387.

  • Marketing Science Institute. (2014). Research priorities 2014–2016. Cambridge, MA: Marketing Science Institute. Retrieved from http://www.msi.org/uploads/files/MSI_RP14-16.pdf

  • Marketing Science Institute. (2016). Research priorities 2016–2018. Cambridge, MA: Marketing Science Institute. Retrieved from http://www.msi.org/uploads/articles/MSI_RP16-18.pdf

  • McCarthy, J., & Wright, P. (2004). Technology as experience. Cambridge, MA: MIT Press.

  • Meyer, C., & Schwager, A. (2007). Understanding customer experience. Harvard Business Review, 85(2), 117–126.

  • Mittal, V., Kumar, P., & Tsiros, M. (1999). Attribute-level performance, satisfaction, and behavioral intentions over time: A consumption-system approach. Journal of Marketing, 63(2), 88–101.

  • Morgeson, D. (2015). I want-to-do moments: From home to beauty. Think with Google. Retrieved from https://www.thinkwithgoogle.com/articles/i-want-to-do-micro-moments.html

  • Morgan, N. A., & Rego, L. L. (2006). The value of different customer satisfaction and loyalty metrics in predicting business performance. Marketing Science, 25(5), 426–439.

  • Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of Marketing, 58(3), 20–38.

  • Neslin, S. A., Grewal, D., Leghorn, R., Shankar, V., Teerling, M. L., Thomas, J. S., et al. (2006). Challenges and opportunities in multichannel customer management. Journal of Service Research, 9(2), 95–112.

  • Neslin, S. A., & Shankar, V. (2009). Key issues in multichannel customer management: Current knowledge and future directions. Journal of Interactive Marketing, 23(1), 70–81.

  • Nobel, K. (2011). Clay Christensen’s milkshake marketing. HBS Working Knowledge. Retrieved from http://hbswk.hbs.edu/item/6496.html

  • Ofir, C., & Simonson, I. (2007). The effect of stating expectations on customer satisfaction and shopping experience. Journal of Marketing Research, 44(1), 164–174.

  • Oliver, R. L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17(4), 460–469.

  • Oliver, R. L. (1993). Cognitive, affective, and attribute bases of the satisfaction response. Journal of Consumer Research, 20(3), 418–430.

  • Oliver, R. L., Rust, R. T., & Varki, S. (1997). Customer delight: Foundations, findings, and managerial insight. Journal of Retailing, 73(3), 311–336.

  • Onishi, H., & Manchanda, P. (2012). Marketing activity, blogging and sales. International Journal of Research in Marketing, 29(3), 221–234.

  • Ou, Y.-C., de Vries, L., Wiesel, T., & Verhoef, P. C. (2014). The role of consumer confidence in creating customer loyalty. Journal of Service Research, 17(3), 339–354.

  • Ou, Y.-C., Verhoef, P. C., & Wiesel, T. (2016). The effects of customer equity drivers on loyalty intentions across industries and firms. Journal of the Academy of Marketing Science. Advance online publication. https://doi.org/10.1007/s11747-016-0477-6

  • Palmatier, R. W., Gopalakrishna, S., & Houston, M. B. (2006). Returns on business-to-business relationship marketing investments: Strategies for leveraging profits. Marketing Science, 25(5), 477–493.

  • Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1988). SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12–40.

  • Parasuraman, A., Zeithaml, V. A., & Malhotra, A. (2005). E-S-QUAL: A multiple-item scale for assessing electronic service quality. Journal of Service Research, 7(3), 213–233.

  • Pauwels, K., Aksehirli, Z., & Lackman, A. (2016). Like the ad or the brand? Marketing stimulates different electronic word-of-mouth content to drive online and offline performance. International Journal of Research in Marketing. Advance online publication. https://doi.org/10.1016/j.ijresmar.2016.01.005

  • Patrício, L., Fisk, R. P., & Constantine, L. (2011). Multilevel service design: From customer value constellation to service experience blueprinting. Journal of Service Research, 14(2), 180–200.

  • Patrício, L., Fisk, R. P., & Falcão e Cunha, J. (2008). Designing multi-interface service experiences: The service experience blueprint. Journal of Service Research, 10(4), 318–334.

  • Payne, A., & Frow, P. (2005). A strategic framework for customer relationship management. Journal of Marketing, 69(4), 167–176.

  • Peterson, T. (2015). YouTube’s most native ad yet puts shoppable cards into organic videos. Ad Age. Retrieved from http://adage.com/article/digital/youtube-shopping-ads-akin-google-search-ads-pee-rolls/300635/

  • Pieters, R., Baumgartner, H., & Allen, D. (1995). A means-end chain approach to consumer goal structures. International Journal of Research in Marketing, 12(3), 227–244.

  • Pine, B. J., II, & Gilmore, J. H. (1998). The experience economy: Work is theater and every business a stage. Cambridge, MA: Harvard Business School Press.

  • Plassmann, H., Venkatraman, V., Huettel, S., & Yoon, C. (2015). Consumer neuroscience: Applications, challenges, and possible solutions. Journal of Marketing Research, 52(4), 427–435.

  • Prahalad, C. K., & Ramaswamy, V. (2003). The new frontier of experience innovation. MIT Sloan Management Review, 44(4), 12–18.

  • Provan, K. G., & Kenis, P. (2007). Modes of network governance: Structure, management, and effectiveness. Journal of Public Administration Research and Theory, 18(2), 229–252.

  • Pruitt, J., & Adlin, T. (2006). The persona lifecycle: Keeping people in mind throughout product design. San Francisco: Morgan Kaufmann.

  • Pucinelli, N. M., Goodstein, R. C., Grewal, D., Price, R., Raghubir, P., & Stewart, D. (2009). Customer experience management in retailing: Understanding the buying process. Journal of Retailing, 85(1), 15–30.

  • Ramani, G., & Kumar, V. (2008). Interaction orientation and firm performance. Journal of Marketing, 72(1), 27–45.

  • Rapp, A., Baker, T. L., Bachrach, D. G., Ogilvie, J., & Beitelspacher, L. S. (2015). Perceived customer showrooming behavior and the effect on retail salesperson self-efficacy and performance. Journal of Retailing, 91(2), 358–369.

  • Rathmell, J. M. (1966). What is meant by services? Journal of Marketing, 30(4), 32–36.

  • Rawson, A., Duncan, E., & Jones, C. (2013). The truth about customer experience. Harvard Business Review, 91(9), 90–98.

  • Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12), 46–54.

  • Reinartz, W., Krafft, M., & Hoyer, W. D. (2004). The customer relationship management process: Its measurement and impact on performance. Journal of Marketing Research, 41(3), 293–305.

  • Reinartz, W., & Kumar, V. (2000). On the profitability of long-life customers in a noncontractual setting: An empirical investigation and implications for marketing. Journal of Marketing, 64(4), 17–35.

  • Reinartz, W., Thomas, J. S., & Kumar, V. (2005). Balancing acquisition and retention resources to maximize customer profitability. Journal of Marketing, 69(1), 63–79.

  • Roberts, J. H., Kayandé, U., & Stremersch, S. (2014). From academic research to marketing practice: Exploring the marketing science value chain. International Journal of Research in Marketing, 31(2), 127–140.

  • Rust, R. T., & Chung, T. S. (2006). Marketing models of service and relationships. Marketing Science, 25(6), 560–580.

  • Rust, R. T., & Oliver, R. L. (2000). Should we delight the customer? Journal of the Academy of Marketing Science, 28(1), 86–94.

  • Rust, R. T., Zeithaml, V. A., & Lemon, K. N. (2000). Driving customer equity: How customer lifetime value is reshaping corporate strategy. New York: Free Press.

To disclose or not disclose, is no longer the question, effect of AI-disclosed brand voice on brand authenticity and attitude

Posted on by

Kirkby, A., Baumgarth, C., & Henseler, J. (2023). To disclose or not disclose, is no longer the question – effect of AI-disclosed brand voice on brand authenticity and attitude. Journal of Product & Brand Management, 32(7), 1108–1122. https://doi.org/10.1108/JPBM-02-2022-3864

Mots-clés : intelligence artificielle, voix de marque, authenticité de marque, attitude envers la marque, divulgation, transparence, marketing de marque, modélisation par équations structurelles

Objectif

L’article vise à examiner comment la divulgation de la source d’un texte (IA ou humain) affecte la perception de l’authenticité de la voix de marque, l’authenticité globale de la marque et l’attitude envers la marque. Il explore également le rôle modérateur de l’émotivité du texte (spécification, description de produit, texte de chatbot) sur ces perceptions, dans le contexte de la transparence croissante et des attentes réglementaires concernant l’IA.

Méthodologie

L’étude utilise une approche expérimentale avec un plan factoriel 3×3 :

  • Design expérimental : 3 niveaux de divulgation de la source (IA, humain, non divulgué) x 3 niveaux d’émotivité du texte (faible : spécification, moyen : description de produit, élevé : texte de chatbot). Les textes, sourcés sur le site d’Adidas, étaient identiques mais étiquetés différemment.

  • Échantillon : 624 étudiants anglophones (50,3 % hommes, 48,7 % femmes, âge moyen 27 ans) recrutés dans des universités allemandes, britanniques et via Prolific.

  • Collecte de données : Enquête en ligne (septembre 2020-janvier 2021) avec un logiciel Tivian. Les participants répondaient à des questions sur l’authenticité de la voix de marque, l’authenticité de la marque et l’attitude envers la marque après exposition à un texte.

  • Mesures : Échelles adaptées de Bruhn et al. (2012) pour l’authenticité (voix et marque) et de Spears et Singh (2004) pour l’attitude envers la marque, toutes sur une échelle de Likert à 5 points. La fiabilité des échelles a été vérifiée par Cronbach’s alpha.

  • Analyses : Pré-test pour valider les manipulations (source et émotivité). Analyse factorielle confirmatoire (CFA) et modélisation par équations structurelles (SEM) avec R et Lavaan pour tester les hypothèses. Vérifications des manipulations via Chi-carré et ANOVA.

Résultats

  1. Manipulation checks : Les participants ont correctement identifié la source divulguée (92 % pour IA, 77,1 % pour humain, p = 0,00). L’émotivité variait significativement entre les textes (spécification : 2,06 ; description : 2,18 ; chatbot : 2,95, p = 0,00).

  2. Modèle de mesure : Après ajustement (suppression d’un item), le modèle CFA montre un bon ajustement (CFI = 0,938, TLI = 0,932, RMSEA = 0,043, SRMR = 0,054).

  3. Hypothèses :

    • H1b soutenu : La divulgation d’une source IA n’a pas d’impact négatif sur l’authenticité de la voix de marque par rapport à une source humaine ou non divulguée (p = 0,161 pour divulgation, p = 0,057 pour IA vs humain).

    • H2b soutenu : La divulgation d’une source IA n’affecte pas négativement l’attitude envers la marque (p = 0,382 pour divulgation, p = 0,111 pour IA vs humain).

    • H3 soutenu : L’authenticité de la voix de marque a un effet positif sur l’authenticité globale de la marque (β = 0,518, p = 0,000).

    • H4 soutenu : L’authenticité de la marque a un effet positif sur l’attitude envers la marque (β = 0,837, p = 0,000).

    • H5 non soutenu : L’émotivité du texte n’a pas d’effet modérateur sur l’impact de la source sur l’authenticité de la voix de marque (p = 0,264 pour divulgation, p = 0,101 pour IA vs humain).

Limites

  1. Échantillon limité : L’étude se concentre sur des étudiants anglophones en Europe, limitant la généralisation à d’autres âges ou contextes culturels (Kirkby et al., 2023).

  2. Source ambiguë : Les textes, bien que présentés comme IA ou humains, provenaient du site d’Adidas sans divulgation réelle de leur origine, ce qui pourrait influencer les perceptions.

  3. Focus sur le texte écrit : L’étude n’explore pas d’autres formes de communication (audio, vidéo) ou interactions bidirectionnelles.

  4. Marque unique : L’utilisation exclusive d’Adidas limite l’applicabilité à d’autres types de marques (par exemple, nouvelles ou en repositionnement).

Implications managériales

  • Transparence sans risque : Les marques peuvent divulguer l’utilisation d’IA pour les textes (spécifications, descriptions, chatbots) sans craindre une perte d’authenticité ou une attitude négative des consommateurs.

  • Économies potentielles : L’IA permet de réduire les coûts et le temps de production de contenu tout en maintenant une voix de marque cohérente, particulièrement pour les grandes quantités de descriptions.

  • Renforcement de l’authenticité : Investir dans une voix de marque authentique via l’IA peut améliorer l’authenticité globale de la marque et l’attitude des consommateurs.

  • Préparation réglementaire : Avec l’émergence de lois sur la transparence de l’IA (par exemple, proposition de l’UE), les marques doivent se préparer à divulguer l’utilisation de l’IA.

Références

Aaker, D. A. (1991). Managing brand equity: Capitalizing on the value of a brand name. New York, NY: Free Press.

Armstrong, J. S., Brodie, R. J., & Parsons, A. G. (2001). Hypotheses in marketing science: Literature review and publication audit. Marketing Letters, 12(2), 171–187. https://doi.org/10.1023/A:1011169104290

AX Semantics. (2022). Case studies. Retrieved from https://en.ax-semantics.com/casestudies

Baumgarth, C., Kirkby, A., & Kaibel, C. (2021). When fake becomes real: The innovative case of artificial influencers. In E. Pantano (Ed.), Creativity and marketing: The fuel for success (pp. 149–167). Bingley, UK: Emerald Publishing Limited. https://doi.org/10.1108/978-1-80071-330-720211010

BBC. (2020). MP proposes law on labels for digitally-altered body images. Retrieved from https://www.bbc.co.uk/news/uk-england-leicestershire-53959130

BBC. (2021). Influencers told not to use ‘misleading’ beauty filters. Retrieved from https://www.bbc.co.uk/news/uk-england-55824936

Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238

Berger, B., Adam, M., Rühr, A., & Benlian, A. (2021). Watch me improve—Algorithm aversion and demonstrating the ability to learn. Business & Information Systems Engineering, 63(1), 55–68. https://doi.org/10.1007/s12599-020-00678-5

Bigman, Y. E., & Gray, K. (2018). People are averse to machines making moral decisions. Cognition, 181, 21–34. https://doi.org/10.1016/j.cognition.2018.08.003

Bogert, E., Schecter, A., & Watson, R. T. (2021). Humans rely more on algorithms than social influence as a task becomes more difficult. Scientific Reports, 11(1), 1–9. https://doi.org/10.1038/s41598-021-87480-9

Brown, S., Kozinets, R. V., & Sherry, J. F., Jr. (2003). Teaching old brands new tricks: Retro branding and the revival of brand meaning. Journal of Marketing, 67(3), 19–33. https://doi.org/10.1509/jmkg.67.3.19.18657

Bruhn, M., Schoenmüller, V., Schäfer, D., & Heinrich, D. (2012). Brand authenticity: Towards a deeper understanding of its conceptualization and measurement. Advances in Consumer Research, 40, 567–576.

Busser, J. A., & Shulga, L. V. (2019). Involvement in consumer-generated advertising: Effects of organizational transparency and brand authenticity on loyalty and trust. International Journal of Contemporary Hospitality Management, 31(4), 1763–1784. https://doi.org/10.1108/IJCHM-04-2018-0319

Cambier, F., & Poncin, I. (2020). Inferring brand integrity from marketing communications: The effects of brand transparency signals in a consumer empowerment context. Journal of Business Research, 109, 260–270. https://doi.org/10.1016/j.jbusres.2019.11.006

Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-dependent algorithm aversion. Journal of Marketing Research, 56(5), 809–825. https://doi.org/10.1177/0022243719851788

Chander, A., Wang, J., Srinivasan, R., Uchino, K., & Chelian, S. (2018). Working with beliefs: AI transparency in the enterprise. IUI Workshops. Retrieved from http://ceur-ws.org/Vol-2068/

Cheng, Y., & Jiang, H. (2021). Customer–brand relationship in the era of artificial intelligence: Understanding the role of chatbot marketing efforts. Journal of Product & Brand Management, 31(2), 252–264. https://doi.org/10.1108/JPBM-05-2020-2907

Cheng, X., Bao, Y., Zarifis, A., Gong, W., & Mou, J. (2022). Exploring consumers’ response to text-based chatbots in e-commerce: The moderating role of task complexity and chatbot disclosure. Internet Research, 32(2), 496–517. https://doi.org/10.1108/INTR-08-2020-0460

Clerwall, C. (2014). Enter the robot journalist. Journalism Practice, 8(5), 519–531. https://doi.org/10.1080/17512786.2014.883116

Davenport, T. H. (2019). Can we solve AI’s ‘trust problem’? MIT Sloan Management Review, 60(2), 18–19.

Dutton, D. (2003). Authenticity in art. In J. Levinson (Ed.), The Oxford handbook of aesthetics (pp. 258–274). New York, NY: Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199279456.003.0014

European Commission. (2021). Proposal for a regulation of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) and amending certain union legislative acts [2021] COM 206 final, 2021/0106(COD). Retrieved from https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A52021PC0206

Fardad, F. (2019). In a digitalized world, consumers yearn for authenticity from brands. Adweek. Retrieved from https://www.adweek.com/brand-marketing/in-a-digitalized-world-consumers-yearn-for-authenticity-from-brands/

Gilmore, J. H., & Pine, B. J. (2007). Authenticity: What consumers really want. Boston, MA: Harvard Business Review Press.

Götz, S. (2019). Bitte entschuldige mein Unvermögen [Please excuse my inability]. Zeit Online. Retrieved from https://www.zeit.de/mobilitaet/2019-06/roboter-semmi-deutsche-bahn-kundenservice-test

Graefe, A., Haim, M., Haarmann, B., & Brosius, H.-B. (2018). Readers’ perception of computer-generated news: Credibility, expertise, and readability. Journalism, 19(5), 595–610. https://doi.org/10.1177/1464884916641269

Harris, G. (1987). The implications of low-involvement theory for advertising effectiveness. International Journal of Advertising, 6(3), 207–221. https://doi.org/10.1080/02650487.1987.11107020

Henderson, G. R., Iacobucci, D., & Calder, B. J. (1998). Brand diagnostics: Mapping branding effects using consumer associative networks. European Journal of Operational Research, 111(2), 306–327. https://doi.org/10.1016/S0377-2217(98)00151-9

Hustvedt, G., & Kang, J. (2013). Consumer perceptions of transparency: A scale development and validation. Family and Consumer Sciences Research Journal, 41(3), 299–313. https://doi.org/10.1111/fcsr.12016

Imma. (2023). Imma.gram Instagram profile. Retrieved from https://www.instagram.com/imma.gram/

Inbar, Y., Cone, J., & Gilovich, T. (2010). People’s intuitions about intuitive insight and intuitive choice. Journal of Personality and Social Psychology, 99(2), 232–247. https://doi.org/10.1037/a0020215

Insider. (2021). Influencers in Norway will soon have to disclose when paid posts include edited or manipulated body photos. Retrieved from https://www.insider.com/norway-law-social-media-influencers-advertisers-disclose-edited-images-2021-7

Iwama, K., & Kano, Y. (2018). Japanese advertising slogan generator using case frame and word vector. Proceedings of the 11th International Natural Language Generation, 197–198. https://doi.org/10.18653/v1/W18-6523

Jago, A. S. (2019). Algorithms and authenticity. Academy of Management Discoveries, 5(1), 38–56. https://doi.org/10.5465/amd.2017.0002

Juniper Research. (2021). Conversational commerce channels to facilitate spending of over $290 billion globally by 2025, as omnichannel strategies drive interest. Retrieved from https://www.juniperresearch.com/press/conversational-commerce-channels-to-facilitate

Khawar, S. (2022). Biggest sportswear brands—Ranked according to 2021 yearly revenue. TotalSportal. Retrieved from https://www.totalsportal.com/list/biggest-sportswear-brands/

Knapp, P. (2017). AI, meet brand voice. Landor. Retrieved from https://landor.com/thinking/ai-meet-brand-voice

Köbis, N., & Mossink, L. D. (2021). Artificial intelligence versus Maya Angelou: Experimental evidence that people cannot differentiate AI-generated from human-written poetry. Computers in Human Behavior, 114, 106553. https://doi.org/10.1016/j.chb.2020.106553

Kohli, G. S., & Yen, X. (2020). Brand voice. In P. Foroudi & M. Palazzo (Eds.), Contemporary issues in branding (pp. 116–131). New York, NY: Routledge. https://doi.org/10.4324/9780429429156-8

Kotenidis, E., & Veglis, A. (2021). Algorithmic journalism—Current applications and future perspectives. Journalism and Media, 2(2), 244–257. https://doi.org/10.3390/journalmedia2020014

Kotler, P., & Armstrong, G. (1994). Principles of marketing (6th ed.). Englewood Cliffs, NJ: Prentice-Hall.

Laakasuo, M., Palomäki, J., & Köbis, N. (2021). Moral uncanny valley: A robot’s appearance moderates how its decisions are judged. International Journal of Social Robotics, 13(7), 1679–1688. https://doi.org/10.1007/s12369-020-00738-6

Lee, A. Y., & Labroo, A. A. (2004). The effect of conceptual and perceptual fluency on brand evaluation. Journal of Marketing Research, 41(2), 151–165. https://doi.org/10.1509/jmkr.41.2.151.28665

Lil Miquela. (2023). Lil Miquela Instagram profile. Retrieved from https://www.instagram.com/lilmiquela/?hl=en

Little, T. D., Bovaird, J. A., & Widaman, K. F. (2006). On the merits of orthogonalizing powered and product terms: Implications for modeling interactions among latent variables. Structural Equation Modeling: A Multidisciplinary Journal, 13(4), 497–519. https://doi.org/10.1207/s15328007sem1304_1

Longoni, C., & Cian, L. (2020). Artificial intelligence in utilitarian vs. hedonic contexts: The “word-of-machine” effect. Journal of Marketing, 86(1), 91–108.

Users of the world, unite! The challenges and opportunities of Social Media.

Posted on by

Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Business Horizons, 53(1), 59–68. https://doi.org/10.1016/j.bushor.2009.09.003

Mots-clés : médias sociaux, contenu généré par les utilisateurs, Web 2.0, réseaux sociaux, mondes virtuels, marketing numérique, engagement des consommateurs

Objectif

L’article vise à clarifier le concept de médias sociaux, à le distinguer des notions connexes comme Web 2.0 et contenu généré par les utilisateurs (UGC), à proposer une classification des types de médias sociaux, et à fournir des recommandations stratégiques pour les entreprises souhaitant exploiter ces plateformes. Il cherche à aider les décideurs à comprendre et à utiliser efficacement les médias sociaux dans leurs stratégies marketing.

Méthodologie

L’étude est conceptuelle et s’appuie sur une approche théorique et qualitative :

  • Revue de la littérature : Analyse des concepts de Web 2.0, UGC, et des théories des médias (présence sociale, richesse des médias) et des processus sociaux (présentation de soi, auto-divulgation) pour définir les médias sociaux (par exemple, Short et al., 1976; Daft & Lengel, 1986; Goffman, 1959).

  • Conceptualisation : Définition des médias sociaux comme des applications Internet basées sur Web 2.0 permettant la création et l’échange d’UGC. Proposition d’une classification basée sur deux dimensions : présence sociale/richesse des médias et présentation de soi/auto-divulgation.

  • Illustration pratique : Description de six types de médias sociaux (projets collaboratifs, blogs, communautés de contenu, sites de réseautage social, mondes de jeux virtuels, mondes sociaux virtuels) avec des exemples (par exemple, Wikipedia, YouTube, Facebook, Second Life).

  • Recommandations : Élaboration de 10 conseils stratégiques (5 sur l’utilisation des médias, 5 sur l’aspect social) à partir d’exemples d’entreprises (par exemple, Dell, Coca-Cola, Starbucks).

Résultats

  1. Définition et classification : Les médias sociaux sont définis comme des applications Internet basées sur Web 2.0 permettant l’échange d’UGC. Une classification identifie six types :

    • Projets collaboratifs (par exemple, Wikipedia) : faible présence sociale, faible auto-divulgation, utiles pour l’information collective.

    • Blogs : moyenne présence sociale, forte auto-divulgation, adaptés pour la transparence d’entreprise.

    • Communautés de contenu (par exemple, YouTube) : moyenne présence sociale, faible auto-divulgation, idéales pour le partage de médias.

    • Sites de réseautage social (par exemple, Facebook) : forte présence sociale, forte auto-divulgation, efficaces pour les communautés de marque.

    • Mondes de jeux virtuels (par exemple, World of Warcraft) : forte présence sociale, faible auto-divulgation, propices à la publicité intégrée.

    • Mondes sociaux virtuels (par exemple, Second Life) : forte présence sociale, forte auto-divulgation, adaptés au marketing et à la recherche.

  2. Recommandations stratégiques : Dix conseils sont proposés, divisés en :

    • Utilisation des médias : choisir soigneusement les plateformes, décider de rejoindre ou créer une application, aligner les activités, intégrer avec les médias traditionnels, assurer l’accès aux employés.

    • Aspect social : être actif, intéressant, humble, non professionnel, honnête.

  3. Tendances émergentes : L’émergence des médias sociaux mobiles, facilitée par les standards ouverts et les RFID, est identifiée comme une opportunité majeure, avec un marché prévu de 22,4 milliards de dollars d’ici 2013.

Limites

  1. Nature conceptuelle : L’absence de validation empirique limite la robustesse des recommandations (Kaplan & Haenlein, 2010).

  2. Évolution rapide : La dynamique rapide des médias sociaux rend certaines observations potentiellement obsolètes, notamment avec l’émergence de nouvelles plateformes.

  3. Généralisation : Les exemples sont principalement tirés de grandes entreprises, ce qui peut limiter leur applicabilité aux PME ou à d’autres contextes.

Implications managériales

  • Choix stratégique : Sélectionner les plateformes adaptées aux cibles et aux objectifs (par exemple, Univision pour atteindre les Hispaniques).

  • Engagement actif : Créer du contenu engageant (par exemple, “My Starbucks Idea”) et interagir directement avec les clients.

  • Intégration : Aligner les activités sur les médias sociaux avec les médias traditionnels pour une communication cohérente (par exemple, campagne Coca-Cola/Mentos).

  • Accessibilité : Permettre aux employés d’accéder aux médias sociaux tout en établissant des lignes directrices claires (par exemple, charte d’IBM).

  • Préparation mobile : Investir dans les médias sociaux mobiles pour capter de nouveaux utilisateurs, notamment dans les pays émergents.

Références

Daft, R. L., & Lengel, R. H. (1986). Organizational information requirements, media richness, and structural design. Management Science, 32(5), 554–571. https://doi.org/10.1287/mnsc.32.5.554

Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486

Goffman, E. (1959). The presentation of self in everyday life. New York, NY: Doubleday Anchor Books.

Haenlein, M., & Kaplan, A. M. (2009). Flagship brand stores within virtual worlds: The impact of virtual store exposure on real life brand attitudes and purchase intent. Recherche et Applications en Marketing, 24(3), 57–79. https://doi.org/10.1177/205157070902400303

Kaplan, A. M., & Haenlein, M. (2009a). Consumer use and business potential of virtual worlds: The case of Second Life. The International Journal on Media Management, 11(3–4), 93–101. https://doi.org/10.1080/14241270903047008

Kaplan, A. M., & Haenlein, M. (2009b). Consumers, companies, and virtual social worlds: A qualitative analysis of Second Life. Advances in Consumer Research, 36, 873–874.

Kaplan, A. M., & Haenlein, M. (2009c). The fairyland of Second Life: About virtual social worlds and how to use them. Business Horizons, 52(6), 563–572. https://doi.org/10.1016/j.bushor.2009.07.002

Kozinets, R. V. (2002). The field behind the screen: Using netnography for marketing research in online communities. Journal of Marketing Research, 39(1), 61–72. https://doi.org/10.1509/jmkr.39.1.61.18935

Muniz, A. M., Jr., & O’Guinn, T. C. (2001). Brand community. Journal of Consumer Research, 27(4), 412–432. https://doi.org/10.1086/319618

Organisation for Economic Co-operation and Development. (2007). Participative web and user-created content: Web 2.0, wikis, and social networking. Paris, France: OECD. https://doi.org/10.1787/9789264037472-en

Schau, H. J., & Gilly, M. C. (2003). We are what we post? Self-presentation in personal web space. Journal of Consumer Research, 30(3), 385–404. https://doi.org/10.1086/378616

Short, J., Williams, E., & Christie, B. (1976). The social psychology of telecommunications. Hoboken, NJ: John Wiley & Sons.

Toffler, A. (1980). The third wave: The classic study of tomorrow. New York, NY: Bantam Books.

Ward, J. C., & Ostrom, A. L. (2006). Complaining to the masses: The role of protest framing in customer-created complaint web sites. Journal of Consumer Research, 33(2), 220–230. https://doi.org/10.1086/506303

A strategic framework for artificial intelligence in marketing.

Posted on by

Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9

Mots-clés : intelligence artificielle, marketing stratégique, IA mécanique, IA pensante, IA sensible, segmentation, ciblage, positionnement, 4P/4C, personnalisation, relationnalisation

Objectif

L’article vise à développer un cadre stratégique en trois étapes (recherche-stratégie-action) pour intégrer l’intelligence artificielle (IA) dans le marketing, en distinguant trois types d’IA – mécanique, pensante, et sensible – et leurs applications spécifiques à chaque étape. Ce cadre cherche à guider les praticiens et à identifier les lacunes de recherche pour maximiser l’impact de l’IA en marketing.

Méthodologie

L’étude est conceptuelle et théorique, sans validation empirique directe. Les auteurs adoptent une approche multidisciplinaire en intégrant :

  • Revue de la littérature : Analyse des travaux sur les algorithmes d’IA, les réactions psychologiques des consommateurs, les impacts sociétaux, et les implications managériales (par exemple, Huang & Rust, 2018; Berger et al., 2020; Davenport et al., 2020).

  • Conceptualisation : Proposition d’un cadre basé sur un cycle marketing (recherche-stratégie-action), structuré autour des intelligences IA (mécanique pour standardisation, pensante pour personnalisation, sensible pour relationnalisation).

  • Illustration pratique : Utilisation d’exemples réels (par exemple, Amazon Prime Air, Affectiva) et de scénarios futurs, organisés selon les 4P/4C, pour démontrer l’application du cadre.

  • Synthèse des recherches existantes : Organisation des études précédentes dans le cadre proposé (Tableau 3) pour identifier les applications actuelles et les lacunes.

Résultats

  1. Cadre stratégique : Le cadre en trois étapes est articulé comme suit :

    • Recherche marketing : IA mécanique pour la collecte de données (par exemple, IoT), IA pensante pour l’analyse de marché (par exemple, prédictions de tendances), IA sensible pour la compréhension émotionnelle des clients (par exemple, analyses de sentiments).

    • Stratégie (STP) : IA mécanique pour la segmentation (reconnaissance des segments), IA pensante pour le ciblage (recommandation de segments), IA sensible pour le positionnement (résonance émotionnelle).

    • Action (4P/4C) : IA mécanique pour standardiser (par exemple, paiement automatique), IA pensante pour personnaliser (par exemple, recommandations Netflix), IA sensible pour relationnaliser (par exemple, chatbots empathiques).

  2. Applications pratiques : Le cadre est illustré par des exemples comme l’utilisation de l’IA mécanique pour la logistique (drones Amazon), de l’IA pensante pour les recommandations (Netflix), et de l’IA sensible pour l’engagement émotionnel (Affectiva).

  3. Lacunes de recherche : Peu d’études explorent l’IA sensible pour le positionnement, et les applications actuelles de l’IA sensible s’appuient souvent sur l’IA pensante en raison de son immaturité.

Limites

  1. Absence de validation empirique : Le cadre est théorique et nécessite des tests empiriques pour confirmer son efficacité (Huang & Rust, 2021).

  2. Immaturité de l’IA sensible : Les applications de l’IA sensible sont limitées par son développement technologique actuel.

  3. Généralisation : Le cadre ne tient pas compte des variations sectorielles ou culturelles dans l’adoption de l’IA.

Implications managériales

  • Recherche marketing : Utiliser l’IA mécanique pour automatiser la collecte de données à grande échelle, l’IA pensante pour analyser les tendances du marché, et l’IA sensible pour comprendre les émotions des clients.

  • Stratégie STP : Exploiter l’IA mécanique pour identifier les segments, l’IA pensante pour cibler les segments optimaux, et l’IA sensible pour créer des positionnements émotionnels.

  • Actions marketing : Adopter l’IA mécanique pour standardiser les processus, l’IA pensante pour personnaliser les offres, et l’IA sensible pour renforcer les relations client.

Références

Agarwal, R., Dugas, M., Gao, G., & Kannan, P. K. (2020). Emerging technologies and analytics for a new era of value-centered marketing in healthcare. Journal of the Academy of Marketing Science, 48(1), 9–23. https://doi.org/10.1007/s11747-019-00692-4

Antons, D., & Breidbach, C. F. (2018). Big data, big insights? Advancing service innovation and design with machine learning. Journal of Service Research, 21(1), 17–39. https://doi.org/10.1177/1094670517738373

Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80–98. https://doi.org/10.1509/jmr.16.0015

Autor, D. H., & Dorn, D. (2013). The growth of low-skill service jobs and the polarization of the US labor market. American Economic Review, 103(5), 1553–1597. https://doi.org/10.1257/aer.103.5.1553

Avery, J. (2018). Artificial intelligence and branding: A snapshot into the future. The National Technology Readiness Survey. https://rockresearch.com/artificial-intelligence-snapshot-future

Avery, J., & Steenburgh, T. (2018). HubSpot and Motion AI: Chatbot-enabled CRM. Harvard Business School Case 518-067.

Balducci, B., & Marinova, D. (2018). Unstructured data in marketing. Journal of the Academy of Marketing Science, 46(4), 557–590. https://doi.org/10.1007/s11747-018-0581-x

Bauer, J., & Jannach, D. (2018). Optimal pricing in e-commerce based on sparse and noisy data. Decision Support Systems, 106, 53–63. https://doi.org/10.1016/j.dss.2017.12.002

Berger, J., Humphreys, A., Ludwig, S., Moe, W. W., Netzer, O., & Schweidel, D. A. (2020). Uniting the tribes: Using text for marketing insight. Journal of Marketing, 84(1), 1–25. https://doi.org/10.1177/0022242919873106

Blattberg, R. C., & Deighton, J. (1996). Manage marketing by the customer equity test. Harvard Business Review, 74(4), 136–144.

Chen, Y., Lee, J. Y., Sridhar, S., Mittal, V., McCallister, K., & Singal, A. G. (2020). Improving cancer outreach effectiveness through targeting and economic assessments: Insights from a randomized field experiment. Journal of Marketing, 84(3), 1–27. https://doi.org/10.1177/0022242920913026

Chintagunta, P., Hanssens, D. M., & Hauser, J. R. (2016). Editorial—Marketing science and big data. Marketing Science, 35(3), 341–342. https://doi.org/10.1287/mksc.2016.0993

Chung, T. S., Rust, R. T., & Wedel, M. (2009). My mobile music: An adaptive personalization system for digital audio players. Marketing Science, 28(1), 52–68. https://doi.org/10.1287/mksc.1080.0370

Chung, T. S., Wedel, M., & Rust, R. T. (2016). Adaptive personalization using social networks. Journal of the Academy of Marketing Science, 44(1), 66–87. https://doi.org/10.1007/s11747-015-0441-x

Colgate, E., Wannasuphoprasit, W., & Peshkin, M. (1996). Cobots: Robots for collaboration with human operators. In Proceedings of the 1996 ASME International Mechanical Engineering Congress and Exposition (Vol. 58, pp. 433–439). New York, NY: ASME.

Cooke, A. D. J., & Zubcsek, P. P. (2017). The connected consumer: Connected devices and the evolution of customer intelligence. Journal of the Association for Consumer Research, 2(2), 164–178. https://doi.org/10.1086/690940

Daabes, A. S. A., & Kharbat, F. F. (2017). Customer-based perceptual map as a marketing intelligence source. International Journal of Economics and Business Research, 13(4), 360–379. https://doi.org/10.1504/IJEBR.2017.084299

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24–42. https://doi.org/10.1007/s11747-019-00696-0

Davis, E., & Marcus, G. (2015). Commonsense reasoning and commonsense knowledge in artificial intelligence. Communications of the ACM, 58(9), 92–103. https://doi.org/10.1145/2701413

Dekimpe, M. G. (2020). Retailing and retailing research in the age of big data analytics. International Journal of Research in Marketing, 37(1), 3–14. https://doi.org/10.1016/j.ijresmar.2019.09.001

Deming, W. E. (1986). Out of the crisis. Cambridge, MA: MIT Press.

Donthu, N., & Rust, R. T. (1989). Estimating geographic customer density using kernel density estimation. Marketing Science, 8(2), 191–203. https://doi.org/10.1287/mksc.8.2.191

Drew, J. H., Mani, D. R., Betz, A. L., & Datta, P. (2001). Targeting customers with statistical and data-mining techniques. Journal of Service Research, 3(3), 205–219. https://doi.org/10.1177/109467050133002

Dzyabura, D., & Hauser, J. R. (2011). Active machine learning for consideration heuristics. Marketing Science, 30(5), 801–819. https://doi.org/10.1287/mksc.1110.0660

Dzyabura, D., & Hauser, J. R. (2019). Recommending products when consumers learn their preference weights. Marketing Science, 38(3), 417–441. https://doi.org/10.1287/mksc.2018.1147

Espino, A. (2019). Artificial intelligence: A snapshot into the future. The National Technology Readiness Survey. https://rockresearch.com/artificial-intelligence-snapshot-future

Feng, J., Li, X., & Zhang, X. (2019). Online product reviews-triggered dynamic pricing: Theory and evidence. Information Systems Research, 30(4), 1107–1123. https://doi.org/10.1287/isre.2019.0850

Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-powered organization. Harvard Business Review, 97(4), 62–73.

Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019

Gabel, S., Guhl, D., & Klapper, D. (2019). P2V-MAP: Mapping market structures for large retail assortments. Journal of Marketing Research, 56(4), 557–580. https://doi.org/10.1177/0022243719833613

Gali, N., Camprubi, R., & Donaire, J. A. (2017). Analyzing tourism slogans in top tourism destinations. Journal of Destination Marketing & Management, 6(3), 243–251. https://doi.org/10.1016/j.jdmm.2016.04.004

Gopinath, D. (2019). Human + machine: How content analytics delivers unsurpassed value to advertisers. MSI Lunch Lecture, September 25.

Grewal, D., Morys, S., & Levy, M. (2018). The evolution and future of retailing and retailing education. Journal of Marketing Education, 40(1), 85–93. https://doi.org/10.1177/0273475318755838

Grewal, D., Noble, S. M., Roggeveen, A. L., & Nordfält, J. (2020). The future of in-store technology. Journal of the Academy of Marketing Science, 48(1), 96–113. https://doi.org/10.1007/s11747-019-00697-z

Guo, J., Zhang, W., Fan, W., & Li, W. (2018). Combining geographical and social influences with deep learning for personalized point-of-interest recommendation. Journal of Management Information Systems, 35(4), 1121–1153. https://doi.org/10.1080/07421222.2018.1541413

Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7–18. https://doi.org/10.1509/jmkr.41.1.7.25084

Hartmann, J., Huppertz, J., Schamp, C., & Heitmann, M. (2019). Comparing automated text classification methods. International Journal of Research in Marketing, 36(1), 20–38. https://doi.org/10.1016/j.ijresmar.2018.09.009

Hewett, K., Rand, W., Rust, R. T., & van Heerde, H. J. (2016). Brand buzz in the echoverse. Journal of Marketing, 80(3), 1–24. https://doi.org/10.1509/jm.15.0033

Hoffman, D. L., & Novak, T. P. (2018). Consumer and object experience in the internet of things: An assemblage theory approach. Journal of Consumer Research, 44(6), 1178–1204. https://doi.org/10.1093/jcr/ucx105

Huang, M.-H., & Rust, R. T. (2017). Technology-driven service strategy. Journal of the Academy of Marketing Science, 45(6), 906–924. https://doi.org/10.1007/s11747-017-0545-6

Huang, M.-H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155–172. https://doi.org/10.1177/1094670517752459

Huang, M.-H., & Rust, R. T. (2020). A framework for collaborative artificial intelligence in marketing. Journal of Retailing. https://doi.org/10.1016/j.jretai.2020.03.001

Huang, M.-H., Rust, R. T., & Maksimovic, V. (2019). The feeling economy: Managing in the next generation of artificial intelligence (AI). California Management Review, 61(4), 43–65. https://doi.org/10.1177/0008125619863436

Humphreys, A., & Wang, R. J.-H. (2018). Automated text analysis for consumer research. Journal of Consumer Research, 44(6), 1274–1306. https://doi.org/10.1093/jcr/ucx104

Kelly, S. D. (2019). What computers can’t create. MIT Technology Review, 122(2), 68–75.

Kim, S. Y., Schmitt, B. H., & Thalmann, N. M. (2019). Eliza in the uncanny valley: Anthropomorphizing consumer robots increases their perceived warmth but decreases liking. Marketing Letters, 30(1), 1–12. https://doi.org/10.1007/s11002-019-09485-9

Kirkpatrick, K. (2020). Tracking shoppers. Communications of the ACM, 63(2), 19–21. https://doi.org/10.1145/3371427

Kotler, P., & Keller, K. L. (2006). Marketing management (12th ed.). Upper Saddle River, NJ: Pearson Prentice Hall.

Kumar, V., Rajan, B., Venkatesan, R., & Lecinski, J. (2019). Understanding the role of artificial intelligence in personalized engagement marketing. California Management Review, 61(4), 135–155. https://doi.org/10.1177/0008125619859317

Lambrecht, A., & Tucker, C. (2019). Algorithmic bias? An empirical study of apparent gender-based discrimination in the display of STEM career ads. Management Science, 65(7), 2966–2981. https://doi.org/10.1287/mnsc.2018.3093

Lauterborn, B. (1990). New marketing litany: Four Ps passé: C-words take over. Advertising Age, 61(41), 26.

Lee, D., Hosanagar, K., & Nair, H. S. (2018). Advertising content and consumer engagement on social media: Evidence from Facebook. Management Science, 64(11), 5105–5131. https://doi.org/10.1287/mnsc.2017.2902

Lehmann, D. R. (2020). The evolving world of research in marketing and the blending of theory and data. International Journal of Research in Marketing, 37(1), 27–42. https://doi.org/10.1016/j.ijresmar.2019.10.001

Leung, E., Paolacci, G., & Puntoni, S. (2018). Human versus machine: Resisting automation in identity-based consumer behavior. Journal of Marketing Research, 55(6), 818–831. https://doi.org/10.1177/0022243718818422

Lewis, T. G., & Denning, P. J. (2018). Learning machine learning. Communications of the ACM, 61(12), 24–27. https://doi.org/10.1145/3286868

Liebman, E., Saar-Tsechansky, M., & Stone, P. (2019). The right music at the right time: Adaptive personalized playlists based on sequence modeling. MIS Quarterly, 43(3), 765–786. https://doi.org/10.25300/MISQ/2019/14750

Liu, X. (2020). De-targeting to signal quality. International Journal of Research in Marketing, 37(2), 386–404. https://doi.org/10.1016/j.ijresmar.2019.11.006

Liu, X., Singh, P. V., & Srinivasan, K. (2016). A structured analysis of unstructured big data by leveraging cloud computing. Marketing Science, 35(3), 363–388. https://doi.org/10.1287/mksc.2015.0972

Longoni, C., Bonezzi, A., & Morewedge, C. K. (2019). Resistance to medical artificial intelligence. Journal of Consumer Research, 46(4), 629–650. https://doi.org/10.1093/jcr/ucz013

Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Frontiers: Machines versus humans: The impact of AI chatbot disclosure on customer purchases. Marketing Science, 38(6), 937–947. https://doi.org/10.1287/mksc.2019.1192

Ma, L., & Sun, B. (2020). Machine learning and AI in marketing—Connecting computing power to human insights. International Journal of Research in Marketing, 37(3), 481–504. https://doi.org/10.1016/j.ijresmar.2020.04.005

McDuff, D., & Czerwinski, M. (2018). Designing emotionally sentient agents. Communications of the ACM, 61(12), 74–83. https://doi.org/10.1145/3186591

Mende, M., Scott, M. L., van Doorn, J., Grewal, D., & Shanks, I. (2019). Service robots rising: How humanoid robots influence service experiences and elicit compensatory consumer responses. Journal of Marketing Research, 56(4), 535–556. https://doi.org/10.1177/0022243718822827

Netzer, O., Lemaire, A., & Herzenstein, M. (2019). When words sweat: Identifying signals for loan default in the text of loan applications. Journal of Marketing Research, 56(6), 960–980. https://doi.org/10.1177/0022243719852959

Neumann, N., Tucker, C. E., & Whitfield, T. (2019). Frontiers: How effective is third-party consumer profiling? Evidence from field studies. Marketing Science, 38(6), 918–926. https://doi.org/10.1287/mksc.2019.1188

Ng, I. C. L., & Wakenshaw, S. Y. L. (2017). The Internet-of-Things: Review and research directions. International Journal of Research in Marketing, 34(1), 3–21. https://doi.org/10.1016/j.ijresmar.2016.11.003

Ordenes, F. V., Ludwig, S., De Ruyter, K., Grewal, D., & Wetzels, M. (2017). Unveiling what is written in the stars: Analyzing explicit, implicit, and discourse patterns of sentiment in social media. Journal of Consumer Research, 43(6), 875–894. https://doi.org/10.1093/jcr/ucw070

Pitt, C., Mulvey, M., & Kietzmann, J. (2020). Quantitative insights from online qualitative data: An example from the health care sector. Psychology & Marketing, 37(9), 1246–1258. https://doi.org/10.1002/mar.21380

Power, B. (2017). How Harley-Davidson used artificial intelligence to increase New York sales leads by 2,930%. Harvard Business Review. https://hbr.org/2017/05/how-harley-davidson-used-predictive-analytics-to-increase-new-york-sales-leads-by-2930

Pulles, N. J., & Hartman, P. (2017). Likeability and its effect on outcomes of interpersonal interaction. Industrial Marketing Management, 66, 56–63. https://doi.org/10.1016/j.indmarman.2017.06.008

Rust, R. T. (2020). The future of marketing. International Journal of Research in Marketing, 37(1), 15–26. https://doi.org/10.1016/j.ijresmar.2019.08.002

Rust, R. T., Rand, W., Huang, M.-H., Stephen, A. T., Brooks, G., & Chabuk, T. (2020). Real-time brand reputation tracking using social media. Journal of Marketing, 85(2), 21–43. https://doi.org/10.1177/0022242920967913

Simester, D., Timoshenko, A., & Zoumpoulis, S. I. (2020). Targeting prospective customers: Robustness of machine-learning methods to typical data challenges. Management Science, 66(6), 2495–2522. https://doi.org/10.1287/mnsc.2019.3380

Soleymanian, M., Weinberg, C. B., & Zhu, T. (2019). Sensor data-driven dynamic pricing: Evidence from the auto insurance industry. Management Science, 65(8), 3433–3450. https://doi.org/10.1287/mnsc.2018.3118

Sutton, S. (2018). How AI helped one retailer find new customers. Harvard Business Review. https://hbr.org/2018/06/how-ai-helped-one-retailer-find-new-customers

Timoshenko, A., & Hauser, J. R. (2019). Identifying customer needs from user-generated content. Marketing Science, 38(1), 1–20. https://doi.org/10.1287/mksc.2018.1123

Tong, S., Luo, X., & Xu, B. (2020). Personalized mobile marketing strategies. Journal of the Academy of Marketing Science, 48(1), 64–78. https://doi.org/10.1007/s11747-019-00693-3

Valls, J.-F., Sureda, J., & Valls-Tuñon, G. (2018). Attracting British tourists in the Mediterranean: A data mining approach to segmenting satisfaction components. Information & Management, 55(2), 145–159. https://doi.org/10.1016/j.im.2017.05.008

van Doorn, J., Mende, M., Noble, S. M., Hulland, J., Ostrom, A. L., Grewal, D., & Petersen, J. A. (2017). Domo arigato Mr. Roboto: Emergence of automated social presence in organizational frontlines and customers’ service experiences. Journal of Service Research, 20(1), 43–58. https://doi.org/10.1177/1094670516679272

Varki, S., Cooil, B., & Rust, R. T. (2000). Modeling fuzzy data in qualitative marketing research. Journal of Marketing Research, 37(4), 480–489. https://doi.org/10.1509/jmkr.37.4.480.18792

Wang, Q., Li, B., & Singh, P. V. (2018). Copycats vs. original mobile apps: A machine learning copycat-detection method and empirical analysis. Information Systems Research, 29(2), 273–291. https://doi.org/10.1287/isre.2017.0735

Wang, Y., Mo, D. Y., Ramamurthy, D., & Hebert, M. (2017). Learning to model the tail. In 31st Conference on Neural Information Processing Systems (NIPS).

Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97–121. https://doi.org/10.1509/jm.15.0413

Wilson, H. J., & Daugherty, P. R. (2018). Collaborative intelligence: Humans and AI are joining forces. Harvard Business Review, 96(4), 114–123.

Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: Service robots in the frontline. Journal of Service Management, 29(5), 907–931. https://doi.org/10.1108/JOSM-04-2018-0119

Yadav, M. S., & Pavlou, P. A. (2020). Technology-enabled interactions in digital environments: A conceptual foundation for current and future research. Journal of the Academy of Marketing Science, 48(1), 132–136. https://doi.org/10.1007/s11747-019-00702-3

Consumer brand engagement in social media: Conceptualization, scale development and validation.

Posted on by

Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of Interactive Marketing, 28(2), 149–165. https://doi.org/10.1016/j.intmar.2013.12.002

Mots-clés : engagement des consommateurs, engagement envers la marque, médias sociaux, développement d’échelle, validation d’échelle, marketing relationnel, réseaux sociaux

Résumé

L’article de Hollebeek et al. (2014) propose une conceptualisation et une échelle de mesure pour l’engagement des consommateurs envers la marque (CBE) dans les contextes de médias sociaux. Les auteurs définissent le CBE comme une activité cognitive, émotionnelle et comportementale à valence positive lors d’interactions consommateur/marque. À travers quatre études, ils développent et valident une échelle CBE à 10 items, comprenant trois dimensions : traitement cognitif, affection, et activation. L’étude 1 utilise des entretiens qualitatifs pour explorer les conceptions des consommateurs. L’étude 2, avec 194 étudiants, affine l’échelle via une analyse factorielle exploratoire (EFA) sur Facebook.com. L’étude 3, avec 554 consommateurs, confirme l’échelle via une analyse factorielle confirmatoire (CFA) sur Twitter.com. L’étude 4, avec 556 consommateurs sur LinkedIn.com, valide l’échelle dans un réseau nomologique, identifiant l’implication comme antécédent et la connexion au soi-marque et l’intention d’utilisation comme conséquences. Les résultats soulignent l’importance de l’affection pour influencer la connexion au soi-marque et l’intention d’utilisation.

Analyse critique

Forces

  1. Conceptualisation robuste : La définition du CBE comme une activité multidimensionnelle (cognitive, émotionnelle, comportementale) s’aligne sur les cadres théoriques comme la logique service-dominante et le marketing relationnel (Hollebeek et al., 2014).

  2. Méthodologie rigoureuse : L’approche en quatre études, combinant méthodes qualitatives et quantitatives (EFA, CFA, validation nomologique), assure une validation approfondie de l’échelle.

  3. Pertinence contextuelle : L’accent sur les médias sociaux (Facebook, Twitter, LinkedIn) répond à l’intérêt croissant pour l’engagement dans les environnements interactifs Web 2.0.

Limites

  1. Contexte spécifique : L’échelle est validée uniquement dans des contextes de médias sociaux, limitant sa généralisation à d’autres environnements, comme les interactions hors ligne (Hollebeek et al., 2014).

  2. Validité statistique : Bien que l’échelle montre une bonne fiabilité, certains niveaux de validité convergente et discriminante sont modérés, nécessitant des validations supplémentaires.

  3. Nature transversale : L’approche transversale ne capture pas les dynamiques temporelles du CBE, qui pourraient varier sur le long terme.

Perspectives

Les recherches futures pourraient valider l’échelle dans des contextes hors ligne, adopter des designs longitudinaux pour explorer les dynamiques du CBE, et examiner des construits alternatifs (par exemple, amour de la marque) dans le réseau nomologique. Explorer les effets négatifs potentiels du CBE et les différences entre marques utilitaires et hédoniques serait également pertinent.

Implications managériales

Les gestionnaires peuvent utiliser l’échelle CBE pour :

  • Mesurer l’engagement : Évaluer les niveaux de CBE pour identifier les forces et faiblesses des marques sur les dimensions cognitives, émotionnelles et comportementales.

  • Renforcer l’affection : Développer des stratégies (par exemple, contenu émotionnel engageant) pour stimuler l’affection, qui influence fortement la connexion au soi-marque et l’intention d’utilisation.

  • Fidélisation : Cultiver le CBE pour améliorer la rétention et la fidélité des consommateurs, en particulier dans les environnements sociaux compétitifs.

Références

Aaker, J., Fournier, S., & Brasel, A. S. (2004). When good brands do bad. Journal of Consumer Research, 31(1), 1–16. https://doi.org/10.1086/383419

Aaker, D. A., Kumar, V., & Day, G. S. (2004). Marketing research. New York, NY: Wiley.

Abdul-Ghani, E., Hyde, K., & Marshall, R. (2010). Emic and etic interpretation of engagement with a consumer-to-consumer online auction site. Journal of Business Research, 64(10), 1060–1066. https://doi.org/10.1016/j.jbusres.2010.10.009

Algesheimer, R., Dholakia, U. M., & Herrmann, A. (2005). The social influence of brand community: Evidence from European car clubs. Journal of Marketing, 69(3), 19–34. https://doi.org/10.1509/jmkg.69.3.19.66363

Alwin, D. F., & Jackson, D. J. (1981). Applications of simultaneous factor analysis to issues of factorial invariance. In D. J. Jackson & E. F. Borgatta (Eds.), Factor analysis and measurement in sociological research: A multi-dimensional perspective (pp. 249–279). Beverly Hills, CA: Sage.

Arnould, E. J., & Thompson, C. J. (2005). Consumer culture theory: Twenty years of research. Journal of Consumer Research, 31(4), 868–882. https://doi.org/10.1086/426626

Avnet, T., & Higgins, E. T. (2006a). How regulatory fit affects value in consumer choices and opinions. Journal of Marketing Research, 43(1), 24–27. https://doi.org/10.1509/jmkr.43.1.24

Avnet, T., & Higgins, E. T. (2006b). Response to comments on “How regulatory fit affects value in consumer choices and opinions”. Journal of Marketing Research, 43(1), 24–27. https://doi.org/10.1509/jmkr.43.1.24

Bagozzi, R. P., & Phillips, L. W. (1982). Representing and testing organizational theories: A holistic construal. Administrative Science Quarterly, 27(3), 459–489. https://doi.org/10.2307/2392322

Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94. https://doi.org/10.1007/BF02723327

Bagozzi, R. P., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40(1), 8–34. https://doi.org/10.1007/s11747-011-0278-x

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238

Bezjian-Avery, A., Calder, B., & Iacobucci, D. (1998). New media interactive advertising vs. traditional advertising. Journal of Advertising Research, 38(4), 23–32.

Bijleveld, C. C. J. H., van der Kamp, L. J. T., Mooijaart, A., van der Kloot, W. A., van der Leeden, R., & van der Burg, E. (1998). Longitudinal data analysis: Designs, models, and methods. London, England: Sage.

Bijmolt, T. H. A., Leeflang, P. S. H., Block, F., Eisenbeiss, M., Hardie, B. G. S., Lemmens, A., & Saffert, P. (2010). Analytics for customer engagement. Journal of Service Research, 13(3), 341–356. https://doi.org/10.1177/1094670510375603

Bollen, K. A. (1989). Structural equations with latent variables. New York, NY: Wiley.

Bolton, R. N. (2011). Customer engagement: Opportunities and challenges for organizations. Journal of Service Research, 14(3), 272–274. https://doi.org/10.1177/1094670511414582

Bolton, R. N., & Saxena-Iyer, S. (2009). Interactive services: A framework, synthesis and research directions. Journal of Interactive Marketing, 23(1), 91–104. https://doi.org/10.1016/j.intmar.2008.11.002

Bowden, J. L. (2009). The process of customer engagement: A conceptual framework. Journal of Marketing Theory and Practice, 17(1), 63–74. https://doi.org/10.2753/MTP1069-6679170105

Boyd, D. M., & Ellison, N. B. (2008). Social network sites: Definition, history, and scholarship. Journal of Computer-Mediated Communication, 13(1), 210–230. https://doi.org/10.1111/j.1083-6101.2007.00393.x

Brakus, J. J., Schmitt, B. H., & Zarantonello, L. (2009). Brand experience: What is it? How is it measured? Does it affect loyalty? Journal of Marketing, 73(3), 52–68. https://doi.org/10.1509/jmkg.73.3.052

Briggs, T. (2010). Social media’s second act: Toward sustainable brand engagement. Design Management Review, 21(1), 46–53. https://doi.org/10.1111/j.1948-7169.2010.00051.x

Brown, T. J., Dacin, P. A., Pratt, M. G., & Whetten, D. A. (2006). Identity, intended image, construed image, and reputation: An interdisciplinary framework and suggested terminology. Journal of the Academy of Marketing Science, 34(2), 99–106. https://doi.org/10.1177/0092070305284969

Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming (2nd ed.). New York, NY: Routledge.

Calder, B. J., Malthouse, E. C., & Schaedel, U. (2009). An experimental study of the relationship between online engagement and advertising effectiveness. Journal of Interactive Marketing, 23(4), 321–331. https://doi.org/10.1016/j.intmar.2009.07.002

Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1(2), 245–276. https://doi.org/10.1207/s15327906mbr0102_10

Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73. https://doi.org/10.2307/3150876

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates.

Conway, J. M., & Huffcutt, A. I. (2003). A review and evaluation of exploratory factor analysis practices in organizational research. Organizational Research Methods, 6(2), 147–168. https://doi.org/10.1177/1094428103251541

Coulter, R. A., Price, L. L., & Feick, L. (2003). Rethinking the origins of involvement and brand commitment: Insights from postsocialist Central Europe. Journal of Consumer Research, 30(2), 151–169. https://doi.org/10.1086/376809

de Valck, K., van Bruggen, G. H., & Wierenga, B. (2009). Virtual communities: A marketing perspective. Decision Support Systems, 47(3), 185–203. https://doi.org/10.1016/j.dss.2009.02.008

Escalas, J. E. (2004). Narrative processing: Building consumer connections to brands. Journal of Consumer Psychology, 14(1–2), 168–180. https://doi.org/10.1207/s15327663jcp1401&2_19

Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention and behavior: An introduction to theory and research. Reading, MA: Addison-Wesley.

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312

Fournier, S. (1998). Consumers and their brands: Developing relationship theory in consumer research. Journal of Consumer Research, 24(4), 343–373. https://doi.org/10.1086/209515

Fournier, S., & Avery, J. (2011). The uninvited brand. Business Horizons, 54(3), 193–207. https://doi.org/10.1016/j.bushor.2011.01.001

Grönroos, C. (2006). Adopting a service logic for marketing. Marketing Theory, 6(3), 317–333. https://doi.org/10.1177/1470593106066794

Grönroos, C., & Voima, P. (2013). Critical service logic: Making sense of value creation and co-creation. Journal of the Academy of Marketing Science, 41(2), 133–150. https://doi.org/10.1007/s11747-012-0308-3

Gustafsson, A., Johnson, M. D., & Roos, I. (2005). The effects of customer satisfaction, relationship commitment dimensions, and triggers on customer retention. Journal of Marketing, 69(4), 210–218. https://doi.org/10.1509/jmkg.2005.69.4.210

Hair, J. F., Jr., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Upper Saddle River, NJ: Prentice Hall.

Hennig-Thurau, T., Malthouse, E. C., Friege, C., Gensler, S., Lobschat, L., Rangaswamy, A., & Skiera, B. (2010). The impact of new media on customer relationships. Journal of Service Research, 13(3), 311–330. https://doi.org/10.1177/1094670510375460

Hildebrandt, L. (1987). Consumer retail satisfaction in rural areas: A reanalysis of survey data. Journal of Economic Psychology, 8(1), 19–42. https://doi.org/10.1016/0167-4870(87)90004-0

Hoffman, D. L., & Novak, T. P. (1996). Marketing in hypermedia computer-mediated environments: Conceptual foundations. Journal of Marketing, 60(3), 50–68. https://doi.org/10.2307/1251841

Hoffman, D. L., & Novak, T. P. (2012). Toward a deeper understanding of social media. Journal of Interactive Marketing, 26(2), 69–70. https://doi.org/10.1016/j.intmar.2012.03.001

Hollebeek, L. D. (2011a). Demystifying customer brand engagement: Exploring the loyalty nexus. Journal of Marketing Management, 27(7–8), 785–807. https://doi.org/10.1080/0267257X.2010.500132

Hollebeek, L. D. (2011b). Exploring customer brand engagement: Definition and themes. Journal of Strategic Marketing, 19(7), 555–573. https://doi.org/10.1080/0965254X.2011.599493

Hollebeek, L. D. (2012). The customer engagement/value interface: An exploratory investigation. Australasian Marketing Journal, 20(1), 17–24. https://doi.org/10.1016/j.ausmj.2011.08.006

Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003

Johnson, M. D., & Fornell, C. (1991). A framework for comparing customer satisfaction across individuals and product categories. Journal of Economic Psychology, 12(2), 267–286. https://doi.org/10.1016/0167-4870(91)90016-M

Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of social media. Business Horizons, 53(1), 59–68. https://doi.org/10.1016/j.bushor.2009.09.003

Karpen, I. O., Bove, L. L., & Lukas, B. A. (2012). Linking service-dominant logic and strategic business practice: A conceptual model of a service-dominant orientation. Journal of Service Research, 15(1), 21–38. https://doi.org/10.1177/1094670511425697

Keller, K. L. (1993). Conceptualizing, measuring, and managing customer-based brand equity. Journal of Marketing, 57(1), 1–22. https://doi.org/10.2307/1252054

Kumar, V., Aksoy, L., Donkers, B., Venkatesan, R., Wiesel, T., & Tillmanns, S. (2010). Undervalued or overvalued customers: Capturing total customer engagement value. Journal of Service Research, 13(3), 297–310. https://doi.org/10.1177/1094670510375602

Leeflang, P. S. H. (2011). Paving the way for “distinguished marketing”. International Journal of Research in Marketing, 28(2), 76–88. https://doi.org/10.1016/j.ijresmar.2011.02.004

Leeflang, P. S. H., Verhoef, P. C., Dahlström, P., & Freundt, T. (2009). Challenges and solutions for marketing in a digital era. European Management Journal, 27(1), 1–13. https://doi.org/10.1016/j.emj.2008.08.001

Lemke, F., Clark, M., & Wilson, H. (2011). Customer experience quality: An exploration in business and consumer contexts using repertory grid technique. Journal of the Academy of Marketing Science, 39(6), 846–869. https://doi.org/10.1007/s11747-010-0219-0

Libai, B. (2011). Comment: The perils of focusing on highly engaged customers. Journal of Service Research, 14(3), 275–276. https://doi.org/10.1177/1094670511414583

Malthouse, E. C., & Hofacker, C. (2010). Looking back and looking forward with interactive marketing. Journal of Interactive Marketing, 24(2), 181–184. https://doi.org/10.1016/j.intmar.2010.02.005

Mittal, B. (1995). A comparative analysis of four scales of consumer involvement. Psychology & Marketing, 12(7), 663–682. https://doi.org/10.1002/mar.4220120708

Mittal, V., Kumar, P., & Tsiros, M. (1999). Attribute-level performance, satisfaction, and behavioral intentions over time: A consumption-system approach. Journal of Marketing, 63(2), 88–101. https://doi.org/10.2307/1251947

Mollen, A., & Wilson, H. (2010). Engagement, telepresence and interactivity in online consumer experience: Reconciling scholastic and managerial perspectives. Journal of Business Research, 63(9–10), 919–925. https://doi.org/10.1016/j.jbusres.2009.05.014

MSI-Marketing Science Institute (2010). 2010–2012 research priorities. Cambridge, MA: Marketing Science Institute.

Nambisan, S., & Baron, R. A. (2007). Interactions in virtual customer environments: Implications for product support and customer relationship management. Journal of Interactive Marketing, 21(2), 42–62. https://doi.org/10.1002/dir.20077

Pagani, M., Hofacker, C. F., & Goldsmith, R. E. (2011). The influence of personality on active and passive social networking. Journal of Interactive Marketing, 25(2), 102–112. https://doi.org/10.1016/j.intmar.2010.10.004

Patterson, P., Ting, Y., & de Ruyter, K. (2006). Understanding customer engagement in services. In Advancing theory, maintaining relevance: Proceedings of ANZMAC 2006 Conference (pp. 4–6). Brisbane, Australia: Queensland University of Technology.

Pham, M. T., & Avnet, T. (2009). Contingent reliance on the affect heuristic as a function of regulatory focus. Organizational Behavior and Human Decision Processes, 108(2), 267–278. https://doi.org/10.1016/j.obhdp.2008.10.001

Phillips, B. J., & McQuarrie, E. F. (2010). Narrative and persuasion in fashion advertising. Journal of Consumer Research, 37(3), 368–392. https://doi.org/10.1086/653087

Prahalad, C. K. (2004). The cocreation of value. Journal of Marketing, 68(1), 23. https://doi.org/10.1509/jmkg.68.1.23.24014

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879

Ramani, G., & Kumar, V. (2008). Interaction orientation and firm performance. Journal of Marketing, 72(1), 27–45. https://doi.org/10.1509/jmkg.72.1.027

Russell, M. G. (2011). Mining the social web: Analyzing data from Facebook, Twitter, LinkedIn, and other social media sites. Journal of Product Innovation Management, 28(5), 801–802. https://doi.org/10.1111/j.1540-5885.2011.00837.x

Sawhney, M., Verona, G., & Prandelli, E. (2005). Collaborating to create: The internet as a platform for customer engagement in product innovation. Journal of Interactive Marketing, 19(4), 4–17. https://doi.org/10.1002/dir.20046

Scarpi, D. (2012). Work and fun on the internet: The effects of utilitarianism and hedonism online. Journal of Interactive Marketing, 26(1), 53–67. https://doi.org/10.1016/j.intmar.2011.08.001

Schau, H. J., Muñiz, A. M., Jr., & Arnould, E. J. (2009). How brand community practices create value. Journal of Marketing, 73(5), 30–51. https://doi.org/10.1509/jmkg.73.5.30

Shankar, V., & Batra, R. (2009). The growing influence of online marketing communications. Journal of Interactive Marketing, 23(4), 285–287. https://doi.org/10.1016/j.intmar.2009.07.006

Singh, S., & Sonnenburg, S. (2012). Brand performances in social media. Journal of Interactive Marketing, 26(4), 189–197. https://doi.org/10.1016/j.intmar.2012.04.001

Sprott, D., Czellar, S., & Spangenberg, E. (2009). The importance of a general measure of brand engagement on market behavior: Development and validation of a scale. Journal of Marketing Research, 46(1), 92–104. https://doi.org/10.1509/jmkr.46.1.92

Steenkamp, J.-B. E. M., & van Trijp, H. C. M. (1991). The use of LISREL in validating marketing constructs. International Journal of Research in Marketing, 8(4), 283–299. https://doi.org/10.1016/0167-8116(91)90027-5

Steiger, J. H. (1990). Structural model evaluation and modification: An interval estimation approach. Multivariate Behavioral Research, 25(2), 173–180. https://doi.org/10.1207/s15327906mbr2502_4

Stern, B. B. (2006). What does brand mean? Historical-analysis method and construct definition. Journal of the Academy of Marketing Science, 34(2), 216–223. https://doi.org/10.1177/0092070305284991

van Doorn, J., Lemon, K. E., Mittal, V., Nass, S., Pick, D., Pirner, P., & Verhoef, P. C. (2010). Customer engagement behavior: Theoretical foundations and research directions. Journal of Service Research, 13(3), 253–266. https://doi.org/10.1177/1094670510375599

Van Laer, T., De Ruyter, K., & Cox, D. (2013). A walk in customers’ shoes: How attentional bias modification affects ownership of integrity-violating social media posts. Journal of Interactive Marketing, 27(1), 14–27. https://doi.org/10.1016/j.intmar.2012.08.002

Vargo, S. L., & Lusch, R. F. (2004). Evolving to a new dominant logic for marketing. Journal of Marketing, 68(1), 1–17. https://doi.org/10.1509/jmkg.68.1.1.24036

Vargo, S. L., & Lusch, R. F. (2008). Service-dominant logic: Continuing the evolution. Journal of the Academy of Marketing Science, 36(1), 1–10. https://doi.org/10.1007/s11747-007-0069-6

Verhoef, P. C., Reinartz, W. J., & Krafft, M. (2010). Customer engagement as a new perspective in customer management. Journal of Service Research, 13(3), 247–252. https://doi.org/10.1177/1094670510375461

Vivek, S. D., Beatty, S. E., & Morgan, R. M. (2012). Customer engagement: Exploring customer relationships beyond purchase. Journal of Marketing Theory and Practice, 20(2), 122–146. https://doi.org/10.2753/MTP1069-6679200201

Voss, K. E., Spangenberg, E. R., & Grohmann, B. (2003). Measuring the hedonic and utilitarian dimensions of consumer attitude. Journal of Marketing Research, 40(3), 310–320. https://doi.org/10.1509/jmkr.40.3.310.19238

Yoo, B., & Donthu, N. (2001). Developing and validating a multidimensional consumer-based brand equity scale. Journal of Business Research, 52(1), 1–14. https://doi.org/10.1016/S0148-2963(99)00098-3

Zaichkowsky, J. L. (1985). Measuring the involvement construct. Journal of Consumer Research, 12(3), 341–352. https://doi.org/10.1086/208520

Zaichkowsky, J. L. (1994). The personal involvement inventory: Reduction, revision, and application to advertising. Journal of Advertising, 23(4), 59–70. https://doi.org/10.1080/00913367.1943.10673459

Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257

Electronic word-of-mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the internet?

Posted on by

Hennig-Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004). Electronic word-of-mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the internet? Journal of Interactive Marketing, 18(1), 38–52. https://doi.org/10.1002/dir.10073


Mots-clés : bouche-à-oreille électronique, eWOM, motivations des consommateurs, plateformes d’opinions en ligne, communautés virtuelles, segmentation des consommateurs, marketing interactif

Résumé

L’article de Hennig-Thurau et al. (2004) examine les motivations des consommateurs à s’engager dans le bouche-à-oreille électronique (eWOM) sur des plateformes d’opinions en ligne telles qu’epinions.com. En s’appuyant sur la littérature du bouche-à-oreille traditionnel (WOM) et des communautés virtuelles, les auteurs développent une typologie des motivations et testent leur importance via une enquête auprès de 2 063 utilisateurs allemands. En utilisant le cadre de Balasubramanian et Mahajan (2001), enrichi de deux nouvelles utilités (modérateur et homéostasie), ils identifient 11 motivations, regroupées en huit facteurs via une analyse en composantes principales (PCA). Les résultats montrent que les bénéfices sociaux, les incitations économiques, le souci des autres et l’auto-valorisation sont les principaux moteurs de l’eWOM. Une segmentation identifie quatre groupes de consommateurs : aides intéressées, consommateurs à motivations multiples, défenseurs des consommateurs et vrais altruistes. Les implications suggèrent des stratégies ciblées pour les opérateurs de plateformes.

Analyse critique

Forces

  1. Cadre théorique solide : L’intégration du cadre de Balasubramanian et Mahajan (2001) avec des concepts de WOM et de nouvelles utilités enrichit la compréhension des motivations (Hennig-Thurau et al., 2004).

  2. Méthodologie rigoureuse : L’échantillon de 2 063 utilisateurs, combiné à des analyses PCA, factorielle confirmatoire et de régression, renforce la validité des résultats.

  3. Segmentation pratique : Les quatre segments offrent des insights pour des stratégies marketing différenciées.

Limites

  1. Portée géographique : L’échantillon allemand limite la généralisation à d’autres contextes culturels (Hennig-Thurau et al., 2004).

  2. Validité des échelles : L’absence d’échelles préexistantes pour l’eWOM peut affecter la fiabilité des mesures.

  3. Focus restreint : L’étude se concentre sur l’écriture de commentaires, négligeant les motivations pour lire l’eWOM.

Perspectives

Les recherches futures pourraient affiner les échelles, explorer les différences entre biens/services, analyser les motivations pour lire l’eWOM et reproduire l’étude dans divers contextes culturels.

Implications managériales

Les opérateurs de plateformes doivent adapter leurs stratégies aux motivations des utilisateurs :

  • Bénéfices sociaux : Créer des forums ou profils pour renforcer la communauté, ciblant les consommateurs à motivations multiples.

  • Incitations économiques : Offrir des récompenses pour attirer les aides intéressées.

  • Altruisme : Mettre en avant l’impact des commentaires pour motiver les défenseurs des consommateurs et les vrais altruistes.

Références

Alicke, M. D., Braun, J. C., Glor, J. E., Klotz, K. L., Magee, J., Sederholm, H., & Siegel, R. (1992). Complaining behavior in social interactions. Personality and Social Psychology Bulletin, 18(3), 286–295. https://doi.org/10.1177/0146167292183004

Anderson, E. W. (1998). Customer satisfaction and word-of-mouth. Journal of Service Research, 1(1), 1–14. https://doi.org/10.1177/109467059800100102

Armstrong, A., & Hagel, J., III. (1996). The real value of on-line communities. Harvard Business Review, 74(3), 134–141.

Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94. https://doi.org/10.1007/BF02723327

Balasubramanian, S., & Mahajan, V. (2001). The economic leverage of the virtual community. International Journal of Electronic Commerce, 5(3), 103–138. https://doi.org/10.1080/10864415.2001.11044241

Berkowitz, L. (1970). Experimental investigations of hostility catharsis. Journal of Consulting and Clinical Psychology, 35(1), 1–7. https://doi.org/10.1037/h0029619

Carman, J. M. (1992). Theories of altruism and behavior modification campaigns. Journal of Macromarketing, 12(1), 5–18. https://doi.org/10.1177/027614679201200103

Dichter, E. (1966). How word-of-mouth advertising works. Harvard Business Review, 44(6), 147–166.

Engel, J. F., Blackwell, R. D., & Miniard, P. W. (1993). Consumer behavior (8th ed.). Fort Worth, TX: Dryden Press.

Fischer, E., Bristor, J., & Gainer, B. (1996). Creating or escaping community? An exploratory study of internet consumers’ behaviors. Advances in Consumer Research, 23, 178–182.

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312

Granitz, N. A., & Ward, J. C. (1996). Virtual community: A sociocognitive analysis. Advances in Consumer Research, 23, 161–166.

Harrison-Walker, L. J. (2001). E-complaining: A content analysis of an internet complaint forum. Journal of Services Marketing, 15(5), 397–412. https://doi.org/10.1108/EUM0000000005906

Heider, F. (1946). Attitudes and cognitive organization. Journal of Psychology, 21(1), 107–112. https://doi.org/10.1080/00223980.1946.9917275

Heider, F. (1958). The psychology of interpersonal relations. New York, NY: Wiley.

Hennig-Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004). Electronic word-of-mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the internet? Journal of Interactive Marketing, 18(1), 38–52. https://doi.org/10.1002/dir.10073

Lawler, E. E., III. (1984). The strategic design of reward systems. In C. Fombrun, N. Tichy, & M. Devanna (Eds.), Strategic human resource management (pp. 127–147). New York, NY: Wiley.

Malhotra, N. K. (1993). Marketing research: An applied orientation. Englewood Cliffs, NJ: Prentice Hall.

McWilliam, G. (2000). Building stronger brands through online communities. Sloan Management Review, 41(3), 43–54.

Nagel, T. (1970). The possibility of altruism. Oxford, England: Clarendon.

Newcomb, T. M. (1953). An approach to the study of communicative acts. Psychological Review, 60(6), 393–404. https://doi.org/10.1037/h0063098

Oliver, R. L. (1999). Whence customer loyalty? Journal of Marketing, 63(4_suppl1), 33–44. https://doi.org/10.2307/1252099

Oliver, R. L., & Swan, J. E. (1989). Consumer perceptions of interpersonal equity and satisfaction in transactions: A field survey approach. Journal of Marketing, 53(2), 21–35. https://doi.org/10.2307/1251411

Paul, E. F., Miller, F. D., Jr., & Paul, J. (1993). Altruism. Cambridge, UK: Cambridge University Press.

Price, L. L., Feick, L. F., & Guskey, A. (1995). Everyday market helping behavior. Journal of Public Policy & Marketing, 14(2), 255–266. https://doi.org/10.2307/30000392

Richins, M. L., & Root-Shaffer, T. (1988). The role of involvement and opinion leadership in consumer word-of-mouth: An implicit model made explicit. Advances in Consumer Research, 15, 32–36.

Stauss, B. (1997). Global word of mouth: Service bashing on the internet is a thorny issue. Marketing Management, 6(3), 28–30.

Stauss, B. (2000). Using new media for customer interaction: A challenge for relationship marketing. In T. Hennig-Thurau & U. Hansen (Eds.), Relationship marketing (pp. 233–253). Berlin, Germany: Springer.

Sundaram, D. S., Mitra, K., & Webster, C. (1998). Word-of-mouth communications: A motivational analysis. Advances in Consumer Research, 25, 527–531.

Zajonc, R. B. (1971). The concepts of balance, congruity, and dissonance. In P. Suedfeld (Ed.), Attitude change (pp. 63–85). Chicago, IL: Aldine-Atherton.

Popularity of brand posts on brand fan pages: An investigation of the effects of social media marketing

Posted on by

de Vries, L., Gensler, S., & Leeflang, P. S. H. (2012). Popularity of brand posts on brand fan pages: An investigation of the effects of social media marketing. Journal of Interactive Marketing, 26(2), 83–91. https://doi.org/10.1016/j.intmar.2012.01.003

Mots-clés : Médias sociaux, pages de fans de marque, popularité des publications, marketing interactif, vivacité, interactivité, valence des commentaires

Avec l’essor des réseaux sociaux, les entreprises investissent massivement dans des pages de fans de marque pour renforcer leurs relations avec les clients, comme en témoigne une dépense mondiale en marketing social de 4,3 milliards de dollars en 2011. Cet article examine les facteurs qui influencent la popularité des publications de marque (brand posts) sur ces pages, mesurée par le nombre de « likes » et de commentaires. Basée sur une analyse de 355 publications de 11 marques internationales (cosmétiques, boissons alcoolisées, téléphones mobiles, vêtements de loisir, accessoires, alimentation) sur un réseau social entre mai 2010 et février 2011, l’étude propose un cadre conceptuel inspiré de la littérature sur la publicité en ligne (bannières) et le bouche-à-oreille (WOM). Les facteurs étudiés incluent la vivacité (richesse sensorielle), l’interactivité, le contenu (informatif ou divertissant), la position de la publication, et la valence des commentaires (positifs, négatifs, neutres).

Les hypothèses testées postulent que : (1) une vivacité élevée (ex. vidéos vs images) augmente la popularité ; (2) une interactivité accrue (ex. questions vs liens) stimule les réactions ; (3) les publications informatives sont plus populaires ; (4) les publications divertissantes attirent plus d’engagement ; (5) une position en haut de la page accroît la visibilité et la popularité ; (6a) les commentaires positifs favorisent la popularité ; (6b) les commentaires négatifs réduisent les likes ; (6c) les commentaires négatifs augmentent les commentaires. Les données, collectées sur une plateforme sociale, montrent une moyenne de 337 500 fans par marque, 189 likes et 42 commentaires par publication, avec une forte variation entre catégories. Environ 50 % des publications sont vivaces (34,4 % picturales, 16,9 % vidéos) et 75 % interactives (51,5 % liens, 35,5 % questions). Les publications informatives représentent 38,6 %, les divertissantes 34,4 %, avec 48 % de commentaires positifs, 11 % négatifs et 30 % neutres.

L’analyse utilise des régressions OLS sur des données logarithmiques, adaptées à la distribution Poisson des variables de comptage (likes, commentaires). Les résultats révèlent des différences marquées entre les facteurs influençant les likes et les commentaires. Pour les likes, une vivacité élevée (vidéos, β = 0,304, p < 0,05) et une interactivité moyenne (concours, β = 0,393, p < 0,01) augmentent la popularité, mais une interactivité élevée (questions, β = -0,193, p < 0,05) la réduit, car répondre exige un commentaire, non un like. Les publications divertissantes ont un effet marginalement négatif (β = -0,188, p < 0,10), peut-être car elles s’éloignent de la marque. Une position en haut de page (β = 0,022, p < 0,05) et une forte proportion de commentaires positifs (β = 0,708, p < 0,01) favorisent les likes, mais les commentaires négatifs n’ont pas d’effet. Pour les commentaires, seule une interactivité élevée (questions, β = 0,968, p < 0,01) et une position en haut de page (β = 0,063, p < 0,05) sont bénéfiques. Les liens (β = -0,640, p < 0,10) réduisent les commentaires, car ils détournent les fans de la page. Les commentaires positifs (β = 2,671, p < 0,01) et négatifs (β = 3,082, p < 0,01) stimulent les commentaires, suggérant que la controverse ou la diversité des opinions encourage l’engagement.

Les implications managériales soulignent que pour maximiser les likes, les gestionnaires doivent privilégier les vidéos, les concours, et maintenir les publications en haut de page, tout en favorisant des commentaires positifs. Pour augmenter les commentaires, poser des questions est efficace, et les commentaires négatifs ne sont pas nuisibles, car ils stimulent les discussions. Les limites incluent le petit échantillon (11 marques, 355 publications), l’exclusion de certaines caractéristiques peu fréquentes (quiz, événements), et la focalisation sur un seul réseau social. Des recherches futures pourraient explorer d’autres plateformes, les effets de la contagion sociale, ou la dynamique temporelle des interactions.

Références :

  • Aral, S., & Walker, D. (2011). Creating social contagion through viral product design: A randomized trial of peer influence in networks. Management Science, 57(9), 1623–1639.
  • Bagozzi, R. P., & Dholakia, U. M. (2002). Intentional social action in virtual communities. Journal of Interactive Marketing, 16(2), 2–21.
  • Bagozzi, R. P., & Dholakia, U. M. (2006). Antecedents and purchase consequences of customer participation in small group brand communities. International Journal of Research in Marketing, 23(1), 45–61.
  • Baltas, G. (2003). Determinants of internet advertising effectiveness: An empirical study. International Journal of Market Research, 45(4), 505–513.
  • Bickart, B., & Schindler, R. M. (2001). Internet forums as influential sources of consumer information. Journal of Interactive Marketing, 15(3), 31–40.
  • Bronner, F., & de Hoog, R. (2010). Consumer-generated versus marketer-generated websites in consumer decision making. International Journal of Market Research, 52(2), 231–248.
  • Brookes, E. J. (2010). The anatomy of a Facebook post: Study on post performance by type, day of week, and time of day. Virtue. Retrieved from [URL not provided in original document].
  • Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and applications. Cambridge: Cambridge University Press.
  • Chatterjee, P., Hoffman, D. L., & Novak, T. P. (2003). Modeling the clickstream: Implications for web-based advertising efforts. Marketing Science, 22(4), 520–541.
  • Chevalier, J. A., & Mayzlin, D. (2006). The effect of word of mouth on sales: Online book reviews. Journal of Marketing Research, 43(3), 345–354.
  • Cheung, C. M. K., Chiu, P.-Y., & Lee, M. K. O. (2011). Online social networks: Why do students use Facebook? Computers in Human Behavior, 27(4), 1337–1343.
  • Chintagunta, P. K., Gopinath, S., & Venkataraman, S. (2010). The effects of online user reviews on movie box office performance: Accounting for sequential rollout and aggregation across local markets. Marketing Science, 29(5), 944–957.
  • Cho, C.-H. (1999). How advertising works on the WWW: Modified elaboration likelihood model. Journal of Current Issues & Research in Advertising, 21(1), 33–50.
  • Coyle, J. R., & Thorson, E. (2001). The effects of progressive levels of interactivity and vividness in web marketing sites. Journal of Advertising, 30(3), 65–77.
  • Dellarocas, C., Zhang, X., & Awad, N. F. (2007). Exploring the value of online product reviews in forecasting sales: The case of motion pictures. Journal of Interactive Marketing, 21(4), 23–45.
  • Dholakia, U. M., Bagozzi, R. P., & Pearo, L. K. (2004). A social influence model of consumer participation in network- and small-group-based virtual communities. International Journal of Research in Marketing, 21(3), 241–263.
  • Dholakia, U. M., & Durham, E. (2010). One café chain’s Facebook experiment. Harvard Business Review, 88(3), 26.
  • Drèze, X., & Hussherr, F.-X. (2003). Internet advertising: Is anybody watching? Journal of Interactive Marketing, 17(4), 8–23.
  • Eisend, M. (2006). Two-sided advertising: A meta-analysis. International Journal of Research in Marketing, 23(2), 187–198.
  • Fennis, B. M., & Stroebe, W. (2010). The psychology of advertising. Hove: Psychology Press.
  • Fortin, D. R., & Dholakia, R. R. (2005). Interactivity and vividness effects on social presence and involvement with a web-based advertisement. Journal of Business Research, 58(3), 387–396.
  • Godes, D., & Mayzlin, D. (2004). Using online conversations to study word-of-mouth communication. Marketing Science, 23(4), 545–560.
  • Goldfarb, A., & Tucker, C. (2011). Online display advertising: Targeting and obtrusiveness. Marketing Science, 30(3), 389–404.
  • Goodrich, K. (2011). Anarchy of effects? Exploring attention to online advertising and multiple outcomes. Psychology & Marketing, 28(4), 417–440.
  • Gruen, T. W., Osmonbekov, T., & Czaplewski, A. J. (2006). eWOM: The impact of customer-to-customer online know-how exchange on customer value and loyalty. Journal of Business Research, 59(4), 449–456.
  • Hill, R. C., Griffiths, W. E., & Judge, G. G. (2001). Undergraduate econometrics. USA: John Wiley & Sons, Inc.
  • Hoffman, D. L., & Novak, T. P. (1996). Marketing in hypermedia computer-mediated environments: Conceptual foundations. Journal of Marketing, 60(3), 50–68.
  • Keath, J., Kistner, J., Mirman, E., & Levey, J. (2011). Facebook page marketing. HubSpot. Retrieved from http://www.hubspot.com/Portals/53/docs/ebooks/facebook%20page%20ebook2011.pdf
  • Kozinets, R. V. (1999). E-tribalized marketing?: The strategic implications of virtual communities of consumption. European Management Journal, 17(3), 252–264.
  • Lin, K.-Y., & Lu, H.-P. (2011). Why people use social networking sites: An empirical study integrating network externalities and motivation theory. Computers in Human Behavior, 27(3), 1152–1161.
  • Liu, Y., & Shrum, L. J. (2002). What is interactivity and is it always such a good thing? Implications of definition, person, and situation for the influence of interactivity on advertising effectiveness. Journal of Advertising, 31(4), 53–64.
  • Lohtia, R., Donthu, N., & Hershberger, E. K. (2003). The impact of content and design elements on banner advertising click-through rates. Journal of Advertising Research, 43(4), 410–418.
  • McAlexander, J. H., Schouten, J. W., & Koenig, H. F. (2002). Building brand community. Journal of Marketing, 66(1), 38–54.
  • Moe, W. W., & Trusov, M. (2011). The value of social dynamics in online product ratings forums. Journal of Marketing Research, 48(3), 444–456.
  • Muñiz, A. M., Jr., & O’Guinn, T. C. (2001). Brand community. Journal of Consumer Research, 27(4), 412–432.
  • Muntinga, D. G., Moorman, M., & Smit, E. G. (2011). Introducing COBRAs: Exploring motivations for brand-related social media use. International Journal of Advertising, 30(1), 13–46.
  • Park, N., Kee, K. F., & Valenzuela, S. (2009). Being immersed in social networking environment: Facebook groups, uses and gratifications, and social outcomes. Cyberpsychology & Behavior, 12(6), 729–733.
  • Raney, A. A., Arpan, L. M., Pashupati, K., & Brill, D. A. (2003). At the movies, on the web: An investigation of the effects of entertaining and interactive web content on site and brand evaluations. Journal of Interactive Marketing, 17(4), 38–53.
  • Robinson, H., Wysocka, A., & Hand, C. (2007). Internet advertising effectiveness: The effect of design on click-through rates for banner ads. International Journal of Advertising, 26(4), 527–541.
  • Rutz, O. J., & Bucklin, R. E. (2011). From generic to branded: A model of spillover in paid search advertising. Journal of Marketing Research, 48(1), 87–102.
  • Rutz, O. J., & Trusov, M. (2011). Zooming in on paid search ads: A consumer-level model calibrated on aggregated data. Marketing Science, 30(5), 789–800.
  • Ryan, K. S., & Zabin, J. (2010). Gleansight: Social media marketing. Gleanster LLC, 1–21.
  • SAS HBR. (2010). The new conversation: Taking social media from talk to action. Harvard Business Review Analytic Services, 1–24.
  • Schlosser, A. E. (2005). Posting versus lurking: Communicating in a multiple audience context. Journal of Consumer Research, 32(2), 260–265.
  • Shankar, V., & Batra, R. (2009). The growing influence of online marketing communications. Journal of Interactive Marketing, 23(4), 285–287.
  • Smith, R. E., & Vogt, C. A. (1995). The effects of integrating advertising and negative word-of-mouth communications on message processing and response. Journal of Consumer Psychology, 4(2), 133–151.
  • Steuer, J. (1992). Defining virtual reality: Dimensions determining telepresence. Journal of Communication, 42(4), 73–93.
  • Taylor, D. G., Lewin, J. E., & Strutton, D. (2011). Friends, fans, and followers: Do ads work on social networks? Journal of Advertising Research, 51(1), 258–275.
  • Trusov, M., Bucklin, R. E., & Pauwels, K. (2009). Effects of word-of-mouth versus traditional marketing: Findings from an internet social networking site. Journal of Marketing, 73(5), 90–102.

A multi-stage model of word-of-mouth influence through viral marketing

Posted on by

De Bruyn, A., & Lilien, G. L. (2008). A multi-stage model of word-of-mouth influence through viral marketing. International Journal of Research in Marketing, 25(3), 151–163. https://doi.org/10.1016/j.ijresmar.2008.03.004

Mots-clés : Marketing viral, bouche-à-oreille, recommandations électroniques, processus décisionnel multi-étapes, influence interpersonnelle, marketing en ligne

Avec l’essor d’Internet, les recommandations électroniques peer-to-peer, exploitées par le marketing viral, sont devenues un phénomène clé, mais leur efficacité reste peu comprise, surtout dans un environnement saturé par le spam et les virus électroniques. Cet article propose un modèle multi-étapes pour analyser l’influence du bouche-à-oreille (WOM) électronique non sollicité sur le processus décisionnel des consommateurs, en examinant comment il génère la prise de conscience, suscite l’intérêt et conduit à une décision finale (adoption ou achat). Les auteurs développent une méthodologie innovante pour collecter des données de manière non intrusive dans un contexte réel, en suivant les réactions des destinataires à chaque étape. L’étude repose sur une expérience de terrain impliquant une campagne de marketing viral pour promouvoir une enquête en ligne, avec 1116 participants initialement contactés par e-mail par des connaissances (amis, famille, collègues, etc.). Les résultats révèlent que les caractéristiques de la relation entre l’émetteur et le destinataire modulent l’influence du WOM à différentes étapes.

Le modèle théorique s’appuie sur un cadre décisionnel en trois étapes : prise de conscience (le consommateur sait que l’alternative existe, mesurée par l’ouverture de l’e-mail), intérêt (le consommateur développe un intérêt et cherche plus d’informations, mesuré par la visite du site web), et décision finale (le consommateur agit, mesuré par la complétion de l’enquête). Chaque étape est conditionnée par le succès de la précédente, et l’influence du WOM est modérée par quatre facteurs : la force des liens (intimité de la relation, mesurée par une échelle de Frenzen & Davis, 1990), l’affinité perceptive (similarité des valeurs et goûts, mesurée par une adaptation de Gilly et al., 1998), la similarité démographique (sexe, âge, éducation, occupation), et l’expertise perçue de la source (compétence de l’émetteur dans le domaine concerné, ici Internet). Les hypothèses testées postulent que : (1) des liens forts favorisent la prise de conscience, (2) une forte affinité perceptive suscite l’intérêt, (3) une dissimilarité démographique augmente la prise de conscience, l’intérêt et la décision finale, et (4) l’expertise de la source n’a pas d’impact dans ce contexte à faible implication.

L’expérience a suivi les actions des destinataires en temps réel via un système de suivi Internet, évitant les biais des données rétrospectives. Les données ont été analysées à l’aide de modèles logit séquentiels, adaptés à chaque étape, et comparées à un modèle à une seule étape (de la réception de l’e-mail à la décision finale). Les résultats confirment que : (1) la force des liens (p < 0,05) influence significativement la prise de conscience (ouverture de l’e-mail), mais pas les étapes suivantes, car les relations étroites (amis proches, conjoints) incitent à prêter attention au message ; (2) l’affinité perceptive (p < 0,05) stimule l’intérêt (visite du site), car les destinataires partageant des valeurs similaires sont plus enclins à explorer l’offre ; (3) la dissimilarité démographique (p < 0,05) favorise la prise de conscience, l’intérêt et la décision finale, probablement car elle reflète un pouvoir social ou une nouveauté informationnelle ; (4) l’expertise de la source n’a aucun effet, en raison du faible besoin d’expertise pour évaluer une enquête simple. Le modèle à une seule étape, en revanche, ne détecte que l’effet de la dissimilarité démographique, masquant les influences spécifiques de la force des liens et de l’affinité perceptive, ce qui souligne l’avantage du modèle multi-étapes.

Les implications managériales suggèrent que les campagnes virales doivent cibler des réseaux d’amis proches pour maximiser la prise de conscience, mais que l’intérêt et l’adoption dépendent de l’affinité perceptive et de la dissimilarité démographique. Les limites incluent l’absence de variables côté destinataire (par exemple, intérêt préalable), le contexte spécifique (enquête à faible implication), et la nécessité d’affiner la mesure de la similarité démographique. Les auteurs appellent à des recherches futures pour tester le modèle dans d’autres contextes (produits complexes, communications face-à-face) et affiner les échelles de mesure.

Références :

  • Amemiya, T. (1975). Qualitative response models. Annals of Economic and Social Measurement, 4(3), 363–372.
  • Anderson, E. W. (1998). Customer satisfaction and word of mouth. Journal of Service Research, 1(1), 5–17.
  • Anderson, E. W., & Salisbury, L. C. (2003). The formation of market-level expectations and its covariates. Journal of Consumer Research, 30(1), 115–124.
  • Bansal, H. S., & Voyer, P. A. (2000). Word-of-mouth processes within a services purchase decision context. Journal of Service Research, 3(2), 166–177.
  • Bettman, J. R. (1979). An information processing theory of consumer choice. Reading, MA: Addison-Wesley.
  • Bishop, Y. M. M., Fienberg, S. E., & Holland, P. W. (1975). Discrete multivariate analysis: Theory and practice. Cambridge, MA: MIT Press.
  • Brown, T. J., & Reingen, P. H. (1987). Social ties and word-of-mouth referral behavior. Journal of Consumer Research, 14(3), 350–362.
  • Diorio, S. (2001, April 2). How to make a viral success: Marketers use the web to get consumers to spread the word. ClickZ Network. Retrieved from [URL not provided in original document].
  • Frenzen, J. K., & Davis, H. L. (1990). Purchasing behavior in embedded markets. Journal of Consumer Research, 17(1), 1–12.
  • Gilly, M. C., Graham, J. L., Wolfinbarger, M. F., & Yale, L. J. (1998). A dyadic study of interpersonal information search. Journal of the Academy of Marketing Science, 26(2), 83–100.
  • Hansen, T., & Helgeson, J. G. (1996). Modeling survey response processes: Differences between mail and phone respondents. In T. A. Swartz, D. E. Bowen, & S. W. Brown (Eds.), Advances in services marketing and management (Vol. 5, pp. 123–148). Greenwich, CT: JAI Press.
  • Hauser, J. R., & Urban, G. L. (1977). A normative methodology for modeling consumer response to innovation. Operations Research, 25(4), 579–619.
  • Helgeson, J. G., Voss, K. E., & Terpening, W. D. (2002). Determinants of mail-survey response: Survey design factors and respondent factors. Psychology & Marketing, 19(3), 303–328.
  • Maddala, G. S. (1983). Limited-dependent and qualitative variables in econometrics. Cambridge: Cambridge University Press.
  • Mare, R. D. (1980). Social background and school continuation decisions. Journal of the American Statistical Association, 75(370), 295–305.
  • Reingen, P. H., Foster, B. L., Brown, J. J., & Seidman, S. B. (1984). Brand congruence in interpersonal relations: A social network analysis. Journal of Consumer Research, 11(3), 771–783.
  • Rogers, E. M. (1962). Diffusion of innovations. New York: The Free Press.
  • Rogers, E. M. (1995). Diffusion of innovations (4th ed.). New York: The Free Press.
  • Van den Bulte, C., & Lilien, G. L. (2003). Two-stage partial observability models of innovation adoption (Working paper). Philadelphia: Wharton School, University of Pennsylvania.
  • Wangenheim, F. V., & Bayón, T. (2004). The effect of word of mouth on services switching: Measurement and moderating variables. European Journal of Marketing, 38(9/10), 1173–1185.
  • Wolfinbarger, M. F., & Gilly, M. C. (1993). The effect of time pressure on consumer information search: An exploration of on-line behavior. In L. McAlister & M. Rothschild (Eds.), Advances in consumer research (Vol. 20, pp. 366–371). Provo, UT: Association for Consumer Research.