From Online to Mobile: Linking Consumers’ Online Purchase Behaviors with Mobile Commerce Adoption
Notice bibliographique
Résumé
With the growing popularity of mobile commerce (m-commerce), it becomes vital for both researchers and practitioners to understand consumers’ mobile commerce adoption behavior. In this study, we empirically investigate the drivers of consumers’ mobile commerce adoption behavior based on a cost and benefit framework. Based on consumers' browsing and purchase behaviors at the e-commerce site before the addition of mobile commerce channel, we constructed behavioral proxy variables which capture the underlying cost and benefit of mobile commerce channel relative to the pre-existing e-commerce channel. We collected two large datasets from of a large e-marketplace in South Korea that introduced mcommerce to its existing e-commerce offering in 2011. Based on the analysis of browsing and purchase behaviors of 29,283 subjects over a period of 28 months, we find that the need for ubiquity plays a significant role in the m-commerce adoption decision. The two proxies for ubiquity need— Purchase frequency and Purchase time irregularity—were found to have a positive impact on mcommerce adoption. The results also suggest that search cost influences the decision to adopt mcommerce. Specifically, we find that the consumers who search multi-item or categories at a time, engage in active search, and conduct thorough search, are less likely to adopt m-commerce. Finally, the results show that the risk preference of the consumer is related to the adoption decision. Risk aversion, as measured by the two proxies—Reliance on secure log-in system, and Need for receiving confirmations—lowers the likelihood of m-commerce adoption. These results highlight the importance of the unique features of mobile platform in influencing the consumers’ adoption of m-commerce. We discuss the implications of our findings for academics and practitioners.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».