อิทธิพลของปัจจัยที่ขับเคลื่อนด้วย AI ต่อความพึงพอใจและความภักดีของลูกค้าในอีคอมเมิร์ซ: กรณีศึกษาของผู้ใช้ Taobao ในประเทศจีน
คำสำคัญ:
การปรับแต่งเฉพาะบุคคลด้วย AI, ความพึงพอใจของลูกค้า, ความภักดีของลูกค้า, ความไว้วางใจใน AI, อีคอมเมิร์ซบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาถึงปัจจัยขับเคลื่อนด้วยปัญญาประดิษฐ์(AI)แต่ละประเภทที่ส่งผลร่วมกันอย่างไรต่อความพึงพอใจและความภักดีของลูกค้าในธุรกิจอีคอมเมิร์ซ B2C โดยงานนี้แตกต่างจากแนวคิดเดิมที่มักมองการทำงานของ AI แบบแยกส่วน (AI Silos) ผู้วิจัยเก็บรวบรวมข้อมูลด้วยการสำรวจออนไลน์แบบภาคตัดขวางผ่านแพลตฟอร์ม Wenjuanxing จากกลุ่มตัวอย่างที่เป็นผู้ใช้ Taobao ในจีนที่มีการใช้งานต่อเนื่อง จำนวน 405 ราย เครื่องมือที่ใช้คือแบบสอบถามมาตรวัดลิเคิร์ท 5 ระดับ ซึ่งผ่านการตรวจสอบคุณภาพแล้ว โดยมีค่าดัชนีความสอดคล้อง (IOC) อยู่ระหว่าง 0.67–1.00 และค่าสัมประสิทธิ์แอลฟาของครอนบาค (Cronbach’s Alpha) สูงกว่า 0.83 ในทุกด้าน แสดงให้เห็นถึงความตรงและความเชื่อมั่นที่ดี สถิติที่ใช้ทดสอบสมมติฐาน ได้แก่ ค่าสหสัมพันธ์แบบเพียร์สัน และการวิเคราะห์การถดถอยเชิงเส้นพหุคูณ
ผลการวิจัย ปัจจัยที่มีอิทธิพลเชิงบวกต่อความพึงพอใจของลูกค้าอย่างมีนัยสำคัญ ได้แก่ การรับรู้การปรับแต่งเฉพาะบุคคลด้วย AI (PSAP), การรับรู้ความอบอุ่น (PW), การรับรู้คุณค่าเชิงกระบวนการ (PPV), ความสามารถของ AI (AIC) และคุณภาพของข้อมูล (IQ) โดยตัวแปรที่มีอิทธิพลสูงสุดคือ PSAP (β = 0.170, p < .001) รองลงมาคือ PW (β = 0.147), IQ (β = 0.145), PPV (β = 0.144) และ AIC (β = 0.119) ตามลำดับ ส่วนปัจจัยที่สามารถทำนายความภักดีของลูกค้าได้อย่างมีนัยสำคัญมีเพียง 2 ตัวแปร คือ PSAP (β = 0.263, p < .001) และความไว้วางใจใน AI หรือ TAI (β = 0.240, p < .001)
เอกสารอ้างอิง
Alibaba Group. (2024). Annual report 2024. Alibaba Group Holding Limited. https://www.alibabagroup.com/
iResearch. (2025). China online shopping market data report 2025. iResearch Consulting Group. https://www.iresearchchina.com/
Adam, M., Wessel, M., & Benlian, A. (2021). AI-based chatbots in customer service and their effects on user compliance. Electronic Markets, 31(2), 427–445. https://doi.org/10.1007/s12525-020-00414-7
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734–749. https://doi.org/10.1109/TKDE.2005.99
DeLone, W. H., & McLean, E. R. (2016). Information systems success measurement. Foundations and Trends in Information Systems, 2(1), 1–116. https://doi.org/10.1561/2900000005
Edelman, D. C., & Abraham, M. (2022). Customer experience in the age of AI. Harvard Business Review, 100(3–4), 116–125.
Etikan, I., Musa, S. A., & Alkassim, R. S. (2016). Comparison of convenience sampling and purposive sampling. American Journal of Theoretical and Applied Statistics, 5(1), 1–4. https://doi.org/10.11648/j.ajtas.20160501.11
Fiske, S. T., Cuddy, A. J. C., & Glick, P. (2007). Universal dimensions of social cognition: Warmth and competence. Trends in Cognitive Sciences, 11(2), 77–83. https://doi.org/10.1016/j.tics.2006.11.005
Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in online shopping: An integrated model. MIS Quarterly, 27(1), 51–90. https://doi.org/10.2307/30036519
Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
Hollebeek, L. D., Sprott, D. E., & Brady, M. K. (2021). Rise of the machines? Customer engagement in automated service interactions. Journal of Service Research, 24(1), 3–8. https://doi.org/10.1177/1094670520975110
Huang, M. H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30–41. https://doi.org/10.1177/1094670520902266
Kim, J., Merrill, K., Xu, K., & Sellnow, D. D. (2022). My teacher is a machine: Understanding students' perceptions of AI teaching assistants in online education. International Journal of Human–Computer Interaction, 38(15), 1432–1444. https://doi.org/10.1080/10447318.2021.2018339
Lankton, N. K., McKnight, D. H., & Tripp, J. (2015). Technology, humanness, and trust: Rethinking trust in technology. Journal of the Association for Information Systems, 16(10), 880–918. https://doi.org/10.17705/1jais.00411
Lee, M. K. (2018). Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic management. Big Data & Society, 5(1), 1–16. https://doi.org/10.1177/2053951718756684
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Oliver, R. L. (1999). Whence consumer loyalty? Journal of Marketing, 63(Special Issue), 33–44. https://doi.org/10.1177/00222429990634s105
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. https://doi.org/10.1177/1094670504271156
Pillai, R., Sivathanu, B., & Dwivedi, Y. K. (2020). Shopping intention at AI-powered automated retail stores (AIPARS). Journal of Retailing and Consumer Services, 57, 102207. https://doi.org/10.1016/j.jretconser.2020.102207
Riemer, K., & Peter, S. (2021). Algorithmic audiencing: Why we need to rethink free speech on social media. Journal of Information Technology, 36(4), 409–426. https://doi.org/10.1177/02683962211013358
Roy, R., & Naidoo, V. (2021). Enhancing chatbot effectiveness: The value of warm communication. Journal of Business Research, 126, 23–34. https://doi.org/10.1016/j.jbusres.2020.12.051
Rovinelli, R. J., & Hambleton, R. K. (1977). On the use of content specialists in the assessment of criterion-referenced test item validity. Dutch Journal of Educational Research, 2, 49–60.
Shin, D. (2021). The effects of explainability and causability on perception, trust, and acceptance: Implications for explainable AI. International Journal of Human–Computer Studies, 146, 102551. https://doi.org/10.1016/j.ijhcs.2020.102551
Statista. (2024). Retail e-commerce sales worldwide from 2014 to 2027. Statista. https://www.statista.com/statistics/379046/worldwide-retail-e-commerce-sales/
eMarketer. (2024). Worldwide retail e-commerce forecast 2024. Insider Intelligence. https://www.emarketer.com/
Vargo, S. L., & Lusch, R. F. (2016). Institutions and axioms: An extension and update of service-dominant logic. Journal of the Academy of Marketing Science, 44(1), 5–23. https://doi.org/10.1007/s11747-015-0456-3
Verma, S., Sharma, R., Deb, S., & Maitra, D. (2021). Artificial intelligence in marketing: Systematic review and future research direction. International Journal of Information Management Data Insights, 1(1), 100002. https://doi.org/10.1016/j.jjimei.2020.100002
Wang, L., & Prompanyo, M. (2020). Modeling the relationship between perceived values, e-satisfaction, and e-loyalty. Management Science Letters, 10(11), 2609–2616. https://doi.org/10.5267/j.msl.2020.3.039
Yamane, T. (1973). Statistics: An Introductory Analysis. 3rd Edition, Harper and Row, New York.
