Effets du smart shopping sur les variables relationnelles pour des produits de consommation au Québec : achat de vêtements
Bibliographic record
Abstract
L’objectif de ce mémoire est de répondre à la question de recherche suivante : « Comment le comportement de smart shopping influence-t-il les variables relationnelles? ». Pour y répondre, nous avons cherché à identifier l’existence de relations positives entre les caractéristiques du smart shopping et la satisfaction. Ensuite, nous avons analysé, d’une part, le lien entre la satisfaction des smart shoppers et la fidélité et, d’autre part, le lien entre la satisfaction des smart shoppers et le BAO (bouche à oreille). À cet effet, nous avons une recherche quantitative, précisément par la réalisation d’un sondage. Pour ce faire, nous avons tout d’abord élaboré une revue de littérature dans laquelle nos concepts ont été présentés. Cette phase a été suivie d’un prétest, qui est une phase exploratoire de collecte de données, à l’aide d’un questionnaire qui s’appuie sur un instrument de mesure élaboré à cet effet. Ensuite, nous sommes passé à la collecte des données proprement dite. Pendant cette phase, les répondants ont été questionnés sur leurs habitudes de magasinage, sur leurs comportements pendant l’achat de vêtements et après l’achat. Ces données collectées ont fait l’objet d’analyses de fiabilité afin de prouver leur pertinence à tester nos hypothèses de recherche. Sur 309 personnes interrogées lors de notre étude, 257 répondants qualifiés ont été retenus. Il s’agit de personnes présentant des comportements de smart shopping et qui respectent les exigences de notre étude. Ensuite, nous avons eu recours à l’analyse factorielle en composantes principales (ACP) pour redimensionner l’ensemble de nos informations en 8 facteurs représentant les concepts de notre étude. Par la suite, les scores factoriels ont fait l’objet d’analyses de régressions linéaires multiples pour, dans un premier temps, identifier les relations entre les caractéristiques du smart shopping et la satisfaction. Dans un second temps, nous avons vérifié, d’une part, l’existence d’une relation entre l’attribution de l’achat et la satisfaction et, d’autre part, le lien entre la satisfaction des smart shoppers et la fidélité, puis le lien entre la satisfaction des smart shoppers et le BAO (bouche à oreille). À la lumière des résultats découlant de ces analyses, nous avons identifié, l’existence de relations positives, c’est-à-dire qui contribuent à la satisfaction du consommateur, entre les trois variables suivantes : gain d’effort (H1), gain d’argent (H2) et gain de temps (H3) et la variable satisfaction. Ainsi les hypothèses H1, H2, H3 n’ont pas été rejetées. L’existence d’une relation de la variable achat approprié (H4) avec la satisfaction n’a pas pu être décelée. L’hypothèse H4 a donc été rejetée. Ensuite, nous avons établi l’existence d’une relation positive entre 1’attribution de l’achat et la satisfaction des smart shoppers. Ainsi, l’hypothèse H5 relative à l’existence de relation positive entre l’attribution et la satisfaction n’a pas été rejetée. L’hypothèse H6 ou l’existence d’une relation positive entre la satisfaction et la fidélité n’a pas été rejetée de même que l’hypothèse H7 ou l’existence d’une relation positive entre la satisfaction et le phénomène de BAO, car les résultants issus des analyses de régression linéaire multiple ont prouvé l’existence de ces relations. On peut déduire de ce qui précède que le smart shopper est à la recherche de bénéfices utilitaires, c’est dire d’un gain d’effort, d’un gain d’argent et d’un gain de temps dans son processus d’achat afin de maximiser les bénéfices qu’il en tire, soit sa satisfaction. Nos résultats montrent également que lorsque le consommateur est satisfait, cela influence sa fidélité et il est plus disposé à faire du BAO (bouche à oreille). _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : smart shopping, gain d’effort, gain de temps, gain d’argent, satisfaction, fidélité, BAO (bouche à oreille)
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".