消费者如何感知电商AI营销？AIMA量表提供精准量化方案

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

在线购物平台的AI营销实践究竟效果如何？消费者对"AI营销品质"的感知并非单一维度，而是涵盖亲和力、个性化定制、信息传递、互动体验、问题解决、响应速度六大方面。 本研究通过严谨的量表开发方法，首次构建并验证了包含18道题项、6个维度的AIMA量表，证实其能够有效预测品牌体验和用户使用意愿。 若需评估AI营销成效，可先借助该量表诊断薄弱环节。

Amazon、Flipkart、Myntra等电商平台早已将AI应用于以下场景：

个性化推荐

智能客服聊天机器人

动态价格策略

需求预测分析

然而关键问题在于：消费者评判"AI表现优劣"究竟涵盖哪些要素？ 现有评估工具或聚焦AI服务品质（如对话机器人），或侧重AI可信度、人性化程度——尚缺乏综合衡量AI驱动企业营销活动的专业工具。

本研究填补这一研究空白：构建AIMA量表，系统捕捉消费者对电商AI营销活动的感知情况。

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

模型采用二阶反射-反射型结构：六个一阶维度共同构成"AIMA"这一高阶概念。

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

全部题项采用7点李克特量表（1=完全不同意，7=完全同意）。

全部样本均经过严格筛选：需每日使用AI功能（推荐、聊天机器人）、拥有2年以上电商账号、每两个月至少一次AI辅助购物经历。

EFA：提取6个因子，解释73.16%方差，全部载荷>0.66，无交叉载荷。

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

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

AVE：0.51–0.65，CR：0.76–0.85 → 收敛效度达标。

区分效度：√AVE > 构念间相关系数；AVE > MSV 且 > ASV → 六个维度确实存在差异。

作为二阶构念的AIMA，对品牌体验和品牌使用意愿均产生显著正向影响（β=0.21, p<0.01）。 → 表明AIMA水平越高，消费者对品牌的情感体验越深刻，持续使用的意愿也越强烈。

间隔2周的重测相关系数0.67–0.88，各维度均值无显著变化 → 量表具有稳定性。

定期运用18道题项测量消费者感知，识别薄弱维度

例如：若"响应速度"得分偏低，则优化聊天机器人反应时效；若"亲和力"不足，则增加情感化表达和个性化称呼

许多平台仅关注商品推荐，却忽视了问题解决能力（用户咨询"能否退货"时AI答非所问）和互动体验（机器人只会提供链接）

六个维度均衡发展方能全面提升整体AIMA水平

对主要竞争平台同样进行测量，明确自身相对优势与劣势

集中资源针对性改进最薄弱的1-2个维度

本研究已验证AIMA→品牌体验→使用意愿的作用路径

企业可构建AIMA监测面板，追踪六个维度得分与转化率、复购率、NPS的相关关系

样本局限：印度年轻、高学历、高AI使用频率群体，未涵盖中老年、低数字素养用户

文化局限：印度集体主义文化背景，欧美个人主义市场可能需要进行适应性调整

行业局限：仅涉及电商领域，未验证在金融、医疗、教育等服务行业的适用性

因果关系：采用横截面研究设计，无法确定AIMA"导致"品牌体验的因果关系，需要纵向追踪实验

未涵盖负面感知：如AI过度监控、隐私顾虑等因素，未来可加入"信任""隐私"等相关维度