Raziskovalno vprašanje: Kateri elementi spletnega oblikovanja in uporabniške izkušnje najbolj vplivajo na zadovoljstvo uporabnikov, zaupanje in zvestobo pri uporabi e-trgovske spletne strani?

Za to raziskovalno vprašanje bomo uporabili Faktorsko analizo, s katero bomo lahko določili faktorje, ki vplivajo na zadovoljstvo uporabnikov, zaupanje in zvestobo pri uporabi e-trgovske spletne strani.

Vir podatkov

Podatki so bili pridobljeni na spletni strani Kaggle:

Website Satisfaction Survey - https://www.kaggle.com/datasets/hayriyigit/website-satisfaction-survey

Opis podatkov

user_id: Identifikacijska številka uporabnika

Language: Jezik

Platform: Platforma (Namizni računalnik, telefon)

Gender: Spol (Moški, Ženksa)

Age: Starost

Vsi naslednji podatki so merjeni po likertovi lestvici od 1 - 10 (1 - sploh se ne strinjam, 10 - popolnoma se strinjam)

Tipografija

q1: Besedilo na tej spletni strani je enostavno brati z uporabljeno vrsto in velikostjo pisave.

q2: Barva pisave je privlačna na tej spletni strani.

q3: Poravnava besedila in razmik na tem spletnem mestu omogočata enostavno branje besedila.

Barva

q4: Barvna shema te spletne strani je privlačna.

q5: Uporaba barv ali grafike izboljša navigacijo.

Kakovost vsebine/informacije

q6: Vsebina informacij pomaga pri odločitvah o nakupu s primerjavo informacij o izdelkih ali storitvah.

q7: Informacijska vsebina, ki jo ponuja to spletno mesto, ustreza mojim potrebam.

q8: Vsebina in informacijska podpora za branje in spoznavanje nakupnega procesa.

Interaktivnost

q9: To spletno mesto ponuja ustrezne povratne informacije za oceno mojega napredovanja, ko opravim nalogo.

q10: To spletno mesto ponuja prilagajanje.

q11: To spletno mesto ponuja vsestranskost postopka naročanja.

q12: To spletno mesto ponuja vsebino, prilagojeno posamezniku.

q13: Na tej spletni strani je vse skladno.

Navigacija

q14: Navigacijski pripomočki služijo kot logičen načrt za nakup.

q15: Očitnost gumba za nakup in povezav na tem spletnem mestu.

q16: Preprosto je personalizirati ali zožiti nakupni proces.

q17: Spletno mesto se je enostavno naučiti uporabljati.

q18: To spletno mesto podpira reverzibilnost dejanja.

Zadovoljstvo

q19: Na splošno sem zadovoljen z vmesnikom te spletne strani.

q20: Moja trenutna izkušnja s to spletno stranjo je zadovoljiva.

q21: Na splošno. Zadovoljen sem s časom, ki je bil potreben za dokončanje nalog za nakup izdelkov.

q22: Na splošno. Zadovoljen sem s točnostjo tega spletnega mesta v zvezi z nakupnim postopkom.

Zaupanje

q23: Zaupam informacijam na tej spletni strani.

q24: To spletno mesto je zame verodostojno.

Zvestoba

q25: Ponovno bi obiskal to spletno stran.

q26: To spletno mesto bi priporočil svojemu prijatelju.

Izvedemo opisno statistiko.

# Preberemo csv in ga zapišemo v objekt "data"
library(readr)
data <- read.csv("C:/Users/JBVIDIC/Desktop/mtrd/naloga 1/survey.csv", header = TRUE, sep = ",")
library(pastecs)
round(stat.desc(data[-1:-5], basic=FALSE), 2)
##                q1   q2   q3   q4   q5   q6   q7   q8   q9  q10  q11  q12  q13
## median       9.00 8.00 9.00 8.00 8.00 8.00 8.00 8.00 7.00 6.00 7.00 7.00 8.00
## mean         8.01 7.86 7.82 7.41 7.51 7.64 7.63 7.60 7.07 6.44 7.05 6.86 7.53
## SE.mean      0.26 0.23 0.26 0.24 0.21 0.23 0.23 0.22 0.27 0.27 0.24 0.28 0.23
## CI.mean.0.95 0.51 0.46 0.52 0.48 0.41 0.47 0.46 0.44 0.53 0.54 0.48 0.56 0.46
## var          4.82 3.81 4.98 4.16 3.11 4.01 3.85 3.63 5.20 5.39 4.30 5.70 3.81
## std.dev      2.20 1.95 2.23 2.04 1.76 2.00 1.96 1.91 2.28 2.32 2.07 2.39 1.95
## coef.var     0.27 0.25 0.29 0.28 0.24 0.26 0.26 0.25 0.32 0.36 0.29 0.35 0.26
##               q14  q15  q16  q17  q18  q19  q20  q21  q22  q23  q24  q25  q26
## median       8.00 8.00 7.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00
## mean         7.68 7.58 7.04 8.07 7.45 7.47 7.41 7.59 7.81 7.56 7.48 7.56 7.33
## SE.mean      0.22 0.25 0.25 0.24 0.24 0.27 0.25 0.28 0.26 0.29 0.27 0.27 0.27
## CI.mean.0.95 0.43 0.50 0.50 0.48 0.48 0.54 0.51 0.56 0.51 0.58 0.54 0.53 0.54
## var          3.47 4.64 4.60 4.29 4.17 5.28 4.75 5.80 4.80 6.11 5.28 5.19 5.45
## std.dev      1.86 2.15 2.14 2.07 2.04 2.30 2.18 2.41 2.19 2.47 2.30 2.28 2.33
## coef.var     0.24 0.28 0.30 0.26 0.27 0.31 0.29 0.32 0.28 0.33 0.31 0.30 0.32

Preverimo morebitne napake pri vnosu. MIN je lahko najmanj 1 in MAX je lahko največ 10. Odstranimo prvih 5 stolpcev.

sapply(data[-1:-5], FUN = min) #Ocena izbranega parametra za vse spremenljivke hkrat
##  q1  q2  q3  q4  q5  q6  q7  q8  q9 q10 q11 q12 q13 q14 q15 q16 q17 q18 q19 q20 
##   1   1   1   2   2   2   1   2   1   1   1   1   1   1   1   1   1   1   1   1 
## q21 q22 q23 q24 q25 q26 
##   1   1   1   1   1   1
sapply(data[-1:-5], FUN = max)
##  q1  q2  q3  q4  q5  q6  q7  q8  q9 q10 q11 q12 q13 q14 q15 q16 q17 q18 q19 q20 
##  10  10  10  10  10  10  10  10  10  10  10  10  10  10  10  10  10  10  10  10 
## q21 q22 q23 q24 q25 q26 
##  10  10  10  10  10  10

Prikažemo korelacijsko matriko.

podatki_FA <- data[,c(-1:-5)] #Ustvarimo novo tabelo s podatki brez stolpcev od 1-5
R <- cor(podatki_FA) #V objekt R shranimo korelacijsko matriko
library(psych) 
corPlot(R) #Grafično prikažemo korelacijsko matriko

Vidimo, da ni problem singularnosti.Tam kjer je barva bolj temna, je večja korelacija. Iz slike vidimo, da vprašanja od 1-4 slabše korelirajo z ostalimi, kot vsa druga.

Preverimo, če so indikatorji med seboj preveč povezani (p>0.00001).

det(R) #Izračunamo determinanto korelacijske matrike
## [1] 7.52179e-12

Vidimo, da je rezultat OK.

Izvedemo Bartlettov preizkus sferičnosti.

library(psych)
cortest.bartlett(R, n=74)
## $chisq
## [1] 1626.439
## 
## $p.value
## [1] 8.571282e-172
## 
## $df
## [1] 325

H0: P = 1 H1: P != 1

Zavrnemo H0 pri p < 0.001.

Izračunamo KMO in MSA statistike.

library(psych)
KMO(R)
## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = R)
## Overall MSA =  0.87
## MSA for each item = 
##   q1   q2   q3   q4   q5   q6   q7   q8   q9  q10  q11  q12  q13  q14  q15  q16 
## 0.75 0.82 0.70 0.77 0.83 0.80 0.87 0.92 0.80 0.88 0.92 0.83 0.91 0.85 0.88 0.85 
##  q17  q18  q19  q20  q21  q22  q23  q24  q25  q26 
## 0.86 0.87 0.88 0.87 0.89 0.92 0.92 0.90 0.93 0.91

MSA = 0.87, kar pomeni da so podatki dobri. Pri vrednosti recimo 0.4, bi morali ta podatek odstraniti. Opazimo tudi (kot smo lahko tudi iz korelacijske matrike videli), da so podatki q1-q5 slabši od ostalih, ampak jih lahko z ostalimi obdržimo.

Nadaljujemo s paralelno analizo.

library(psych)
fa.parallel(podatki_FA, #Izvedemo paralelno analizo
 sim = FALSE, #Izključimo simulacijo
 fa = "fa") #FA (fa = factor analysis)

## Parallel analysis suggests that the number of factors =  2  and the number of components =  NA

Analiza predlaga, da obrdžimo 2 faktorja. Opazimo, da se zlom zgodi pri 2.

Pripravimo faktorsko analizo.

library(psych) #Aktiviramo knjižnico
library(GPArotation) #Aktiviramo knjižnico
## 
## Attaching package: 'GPArotation'
## The following objects are masked from 'package:psych':
## 
##     equamax, varimin
faktorska <- fa(podatki_FA, #Tabela s podatki
 covar = FALSE, #Standardizacija (izvedba na korelacijski matriki)
 nfactors = 2, #Število faktorjev, na podlagi paralelne analize
 fm = "minres", #Metoda (privzeta faktorska metoda je minres (minimum residual method))
 rotate = "oblimin", #Faktorska rotacija - poševna rotacija
 impute = "mean") #V primeru manjkajočih vrednosti so te nadomeščene s povprečjem

Naredimo faktorsko analizo.

print.psych(faktorska, 
 cut = 0.3, #Skrijemo faktorske uteži, nižje od 0,3
 sort = TRUE) #Faktorske uteži razporedimo po velikosti
## Factor Analysis using method =  minres
## Call: fa(r = podatki_FA, nfactors = 2, rotate = "oblimin", covar = FALSE, 
##     impute = "mean", fm = "minres")
## Standardized loadings (pattern matrix) based upon correlation matrix
##     item   MR1   MR2   h2   u2 com
## q23   23  0.83       0.62 0.38 1.0
## q22   22  0.83       0.78 0.22 1.0
## q16   16  0.82       0.58 0.42 1.1
## q26   26  0.82       0.62 0.38 1.0
## q11   11  0.77       0.65 0.35 1.0
## q24   24  0.77       0.55 0.45 1.0
## q10   10  0.77       0.50 0.50 1.1
## q25   25  0.77       0.62 0.38 1.0
## q13   13  0.76       0.57 0.43 1.0
## q20   20  0.76       0.77 0.23 1.2
## q19   19  0.76       0.64 0.36 1.0
## q12   12  0.73       0.46 0.54 1.1
## q17   17  0.73       0.65 0.35 1.1
## q9     9  0.71       0.43 0.57 1.1
## q14   14  0.67       0.54 0.46 1.1
## q6     6  0.61       0.43 0.57 1.0
## q15   15  0.61       0.52 0.48 1.2
## q8     8  0.59       0.53 0.47 1.3
## q7     7  0.59       0.49 0.51 1.2
## q18   18  0.57       0.39 0.61 1.1
## q21   21  0.52  0.39 0.60 0.40 1.9
## q1     1        0.84 0.68 0.32 1.0
## q2     2        0.79 0.69 0.31 1.0
## q4     4        0.78 0.61 0.39 1.0
## q3     3        0.75 0.56 0.44 1.0
## q5     5        0.60 0.59 0.41 1.4
## 
##                         MR1  MR2
## SS loadings           11.30 3.76
## Proportion Var         0.43 0.14
## Cumulative Var         0.43 0.58
## Proportion Explained   0.75 0.25
## Cumulative Proportion  0.75 1.00
## 
##  With factor correlations of 
##      MR1  MR2
## MR1 1.00 0.44
## MR2 0.44 1.00
## 
## Mean item complexity =  1.1
## Test of the hypothesis that 2 factors are sufficient.
## 
## df null model =  325  with the objective function =  25.61 with Chi Square =  1600.83
## df of  the model are 274  and the objective function was  7.83 
## 
## The root mean square of the residuals (RMSR) is  0.06 
## The df corrected root mean square of the residuals is  0.07 
## 
## The harmonic n.obs is  73 with the empirical chi square  194.8  with prob <  1 
## The total n.obs was  73  with Likelihood Chi Square =  479.07  with prob <  2.3e-13 
## 
## Tucker Lewis Index of factoring reliability =  0.804
## RMSEA index =  0.1  and the 90 % confidence intervals are  0.087 0.117
## BIC =  -696.52
## Fit based upon off diagonal values = 0.98
## Measures of factor score adequacy             
##                                                    MR1  MR2
## Correlation of (regression) scores with factors   0.98 0.95
## Multiple R square of scores with factors          0.97 0.91
## Minimum correlation of possible factor scores     0.93 0.81

Razvrstili smo podatke po faktorskih utežeh, MR so za nas faktorji. Faktorske uteži razlagamo kot tip korelacije, npr. q23 in F1 sta povezana pozitivno in močno.

S pomočjo analize lahko preverimo ali imamo kakšnega kandidata za odstranitev iz analize. Preverimo podatek com - hoffmanov indeks kompleksnosti. Mora biti čimbližje 1, če je več ko 2, ga odstranimo. Preverimo tudi komunaliteto, če ima kakšen podatek nizko, ga odstranimo.

V našem primeru nismo potrebovali odstraniti nobenega podatka, kar je super za nas.

Opazimo tudi, da je povprečen indeks kompleksnosti 1.1. Tukaj želimo, da je povprečje čimbližje 1.

Vidimo, da so podatki q23 “Zaupam informacijam, predstavljenim na tej spletni strani.”, q22 “Zadovoljen sem s točnostjo tega spletnega mesta v zvezi z nakupnim postopkom.”, q16 “Preprosto je personalizirati ali zožiti nakupni proces.”, q26 “To spletno mesto bi priporočil svojemu prijatelju.” najbolj pomembni.

Naredimo še grafičen prikaz modela.

library(psych)
fa.diagram(faktorska) #Grafičen prikaz faktorskega modela

Sedaj pa preverimo, kako dobro se faktorski model prilega podatkom.

Ostanki <- faktorska$residual #V objekt shranimo ostanke modela
Ostanki <- as.matrix(Ostanki[upper.tri(Ostanki)]) #Shranimo samo zgornji del matrike z ostanki (nad glavno diagonalo), saj bi drugače vsak ostanek šteli dvakrat (simetričnost matrike)
VisokiOstanki <- abs(Ostanki) > 0.05 #Logični test za preverbo visokih ostankov
sum(VisokiOstanki)/nrow(Ostanki) #Izračun deleža visokih ostankov
## [1] 0.3969231

61% ostankov je nižjih od 0.05 po absolutni vrednosti, kar ni najboljše. Najboljše bi bilo, če bi bili vsi ostanki nižji od 0.05.

Prikažemo faktorske vrednosti za prvih 6 oseb.

head(faktorska$scores, 6)
##             MR1        MR2
## [1,] -1.4453462 -0.2473052
## [2,]  1.4415051  1.1201105
## [3,]  1.0610253  1.2621002
## [4,]  0.2583948 -1.1985466
## [5,]  0.5088819  0.6603107
## [6,] -0.4311888  0.4171352

Podatke lahko tudi opisno interpretiramo.

data$F1 <- faktorska$scores[ , 1] #V tabelo s podatki shranimo faktorske vrednosti
data$F2 <- faktorska$scores[ , 2]

head(data[, c("user_id", "F1", "F2")], 10) #Prikažemo podatke za prvih 10 oseb
##                                 user_id         F1         F2
## 1  080c468b-27c0-455c-aa63-b8f807f2e3d7 -1.4453462 -0.2473052
## 2  0b0379c7-04db-4c85-84bd-a2bd55329e29  1.4415051  1.1201105
## 3  0e623280-b28b-4d4a-8eea-0732f09ed497  1.0610253  1.2621002
## 4  045dc0f3-a730-4d03-a615-f51814e5b04f  0.2583948 -1.1985466
## 5  092f2ee7-5281-4a09-9bce-e5523b95b53b  0.5088819  0.6603107
## 6  19c0851c-cbb1-45b5-9e78-884b761802ac -0.4311888  0.4171352
## 7  1a386158-d08c-40b1-9365-e758927d3352 -0.5902132 -0.3988590
## 8  78e234a7-c15a-49e5-b38c-7fb47b294ca8  0.7241640  0.2761273
## 9  1331586c-ee72-4fc1-b622-812f54a49f6c  0.5641506  0.6162078
## 10 35913db6-2e1e-4028-a631-473241be215c -0.1260960 -0.4679488

Za uporabnika 1 je bolj pomembno F1. Za uporabnika 5 pa F2. Uporabniku 1 je pa pomembna F1. Potrebno je preveriti predznake (pozitivno, negativno) in prebrat trditve.

Lahko preverimo uporabnika 1 in vidimo njegove odgovore. V F1 so odgovori od q1 - q5, v F2 pa ostali.

data[1, -1:-5]
##   q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q13 q14 q15 q16 q17 q18 q19 q20 q21
## 1  9  7  6  6  7  7  6  6  5   5   5   3   6   4   5   4   8   4   6   5   6
##   q22 q23 q24 q25 q26        F1         F2
## 1   6   5   2   5   3 -1.445346 -0.2473052

Vidimo, da je F1 boljše ocenjen, kot F2.

TipoBarva <- data[, c("q1", "q2", "q3", "q4", "q5")] #Izberemo samo tiste indikatorje, ki merijo faktor Blagovna znamke
library(psych)
alpha(TipoBarva, #Tabela s podatki z ustreznimi indikatorji
 check.keys = TRUE) #Obrnjene indikatorje avtomatično obrne
## 
## Reliability analysis   
## Call: alpha(x = TipoBarva, check.keys = TRUE)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N  ase mean  sd median_r
##       0.89      0.89    0.88      0.63 8.4 0.02  7.7 1.7      0.6
## 
##     95% confidence boundaries 
##          lower alpha upper
## Feldt     0.85  0.89  0.93
## Duhachek  0.85  0.89  0.93
## 
##  Reliability if an item is dropped:
##    raw_alpha std.alpha G6(smc) average_r S/N alpha se  var.r med.r
## q1      0.87      0.87    0.84      0.63 6.7    0.025 0.0042  0.61
## q2      0.85      0.85    0.82      0.59 5.9    0.028 0.0011  0.60
## q3      0.88      0.88    0.86      0.64 7.3    0.023 0.0054  0.62
## q4      0.86      0.87    0.84      0.62 6.5    0.026 0.0037  0.60
## q5      0.88      0.88    0.86      0.65 7.3    0.024 0.0055  0.62
## 
##  Item statistics 
##     n raw.r std.r r.cor r.drop mean  sd
## q1 73  0.84  0.84  0.79   0.74  8.0 2.2
## q2 73  0.88  0.88  0.86   0.81  7.9 2.0
## q3 73  0.82  0.81  0.74   0.70  7.8 2.2
## q4 73  0.85  0.85  0.81   0.75  7.4 2.0
## q5 73  0.79  0.81  0.73   0.69  7.5 1.8
## 
## Non missing response frequency for each item
##       1    2    3    4    5    6    7    8    9   10 miss
## q1 0.04 0.00 0.01 0.03 0.03 0.07 0.10 0.21 0.25 0.27    0
## q2 0.01 0.01 0.01 0.03 0.04 0.08 0.12 0.25 0.25 0.19    0
## q3 0.01 0.03 0.01 0.04 0.07 0.08 0.08 0.15 0.27 0.25    0
## q4 0.00 0.01 0.04 0.05 0.04 0.18 0.14 0.15 0.23 0.15    0
## q5 0.00 0.03 0.00 0.01 0.08 0.12 0.19 0.29 0.14 0.14    0

Merski model je zanesljiv, ker je std_alpha (0.89) > 0.7

Če podatek q1 odstranimo bi bila alfa 0.87.

Ostalo <- data[, c("q6","q7","q8","q9","q10","q11","q12","q13","q14","q15" ,"q16","q17","q18","q19","q20","q21","q22","q23","q24","q25","q26")]
library(psych)
alpha(Ostalo,
 check.keys=TRUE)
## 
## Reliability analysis   
## Call: alpha(x = Ostalo, check.keys = TRUE)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N    ase mean  sd median_r
##       0.96      0.96    0.98      0.54  25 0.0066  7.4 1.6     0.54
## 
##     95% confidence boundaries 
##          lower alpha upper
## Feldt     0.95  0.96  0.97
## Duhachek  0.95  0.96  0.97
## 
##  Reliability if an item is dropped:
##     raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## q6       0.96      0.96    0.98      0.55  24   0.0068 0.011  0.54
## q7       0.96      0.96    0.98      0.55  24   0.0068 0.011  0.54
## q8       0.96      0.96    0.98      0.54  24   0.0069 0.012  0.54
## q9       0.96      0.96    0.98      0.55  25   0.0067 0.011  0.55
## q10      0.96      0.96    0.98      0.55  24   0.0068 0.011  0.54
## q11      0.96      0.96    0.98      0.54  23   0.0071 0.011  0.53
## q12      0.96      0.96    0.98      0.55  24   0.0067 0.011  0.55
## q13      0.96      0.96    0.98      0.54  24   0.0070 0.011  0.54
## q14      0.96      0.96    0.98      0.54  24   0.0069 0.012  0.54
## q15      0.96      0.96    0.98      0.54  24   0.0069 0.012  0.54
## q16      0.96      0.96    0.98      0.54  24   0.0069 0.011  0.54
## q17      0.96      0.96    0.98      0.54  23   0.0071 0.011  0.53
## q18      0.96      0.96    0.98      0.55  25   0.0068 0.011  0.55
## q19      0.96      0.96    0.97      0.54  23   0.0071 0.011  0.53
## q20      0.96      0.96    0.97      0.53  23   0.0072 0.010  0.53
## q21      0.96      0.96    0.98      0.54  24   0.0069 0.011  0.54
## q22      0.96      0.96    0.97      0.53  23   0.0072 0.010  0.53
## q23      0.96      0.96    0.98      0.54  24   0.0070 0.011  0.54
## q24      0.96      0.96    0.98      0.54  24   0.0069 0.011  0.54
## q25      0.96      0.96    0.98      0.54  23   0.0070 0.011  0.53
## q26      0.96      0.96    0.98      0.54  23   0.0070 0.011  0.54
## 
##  Item statistics 
##      n raw.r std.r r.cor r.drop mean  sd
## q6  73  0.68  0.68  0.67   0.64  7.6 2.0
## q7  73  0.70  0.71  0.70   0.67  7.6 2.0
## q8  73  0.73  0.73  0.72   0.70  7.6 1.9
## q9  73  0.66  0.66  0.64   0.62  7.1 2.3
## q10 73  0.70  0.69  0.68   0.66  6.4 2.3
## q11 73  0.81  0.81  0.80   0.79  7.1 2.1
## q12 73  0.68  0.67  0.66   0.64  6.9 2.4
## q13 73  0.76  0.76  0.75   0.73  7.5 2.0
## q14 73  0.74  0.75  0.74   0.72  7.7 1.9
## q15 73  0.73  0.73  0.72   0.69  7.6 2.2
## q16 73  0.74  0.74  0.73   0.71  7.0 2.1
## q17 73  0.81  0.81  0.80   0.78  8.1 2.1
## q18 73  0.65  0.65  0.63   0.61  7.5 2.0
## q19 73  0.81  0.81  0.80   0.78  7.5 2.3
## q20 73  0.87  0.86  0.87   0.85  7.4 2.2
## q21 73  0.73  0.73  0.72   0.69  7.6 2.4
## q22 73  0.88  0.88  0.89   0.87  7.8 2.2
## q23 73  0.78  0.77  0.77   0.75  7.6 2.5
## q24 73  0.75  0.74  0.74   0.72  7.5 2.3
## q25 73  0.80  0.79  0.78   0.77  7.6 2.3
## q26 73  0.79  0.79  0.78   0.76  7.3 2.3
## 
## Non missing response frequency for each item
##        1    2    3    4    5    6    7    8    9   10 miss
## q6  0.00 0.01 0.07 0.01 0.03 0.10 0.16 0.21 0.26 0.15    0
## q7  0.03 0.01 0.01 0.00 0.03 0.14 0.16 0.27 0.19 0.15    0
## q8  0.00 0.03 0.03 0.00 0.08 0.08 0.19 0.23 0.21 0.15    0
## q9  0.01 0.03 0.07 0.03 0.10 0.08 0.23 0.14 0.16 0.15    0
## q10 0.01 0.03 0.10 0.05 0.16 0.15 0.15 0.12 0.10 0.12    0
## q11 0.03 0.00 0.01 0.07 0.11 0.12 0.21 0.23 0.07 0.15    0
## q12 0.04 0.00 0.07 0.04 0.14 0.11 0.14 0.19 0.12 0.15    0
## q13 0.03 0.00 0.00 0.01 0.07 0.18 0.18 0.21 0.14 0.19    0
## q14 0.01 0.00 0.00 0.04 0.08 0.08 0.22 0.15 0.25 0.16    0
## q15 0.03 0.03 0.00 0.01 0.10 0.07 0.12 0.32 0.12 0.21    0
## q16 0.03 0.01 0.01 0.04 0.12 0.18 0.15 0.14 0.21 0.11    0
## q17 0.03 0.01 0.01 0.00 0.04 0.04 0.16 0.21 0.21 0.29    0
## q18 0.01 0.00 0.01 0.07 0.12 0.04 0.18 0.21 0.19 0.16    0
## q19 0.04 0.01 0.03 0.01 0.05 0.11 0.16 0.21 0.16 0.21    0
## q20 0.03 0.01 0.03 0.04 0.07 0.08 0.15 0.21 0.26 0.12    0
## q21 0.05 0.01 0.03 0.03 0.04 0.04 0.10 0.27 0.25 0.18    0
## q22 0.05 0.00 0.01 0.00 0.03 0.08 0.12 0.27 0.22 0.21    0
## q23 0.04 0.03 0.01 0.01 0.10 0.08 0.15 0.12 0.16 0.29    0
## q24 0.03 0.04 0.01 0.03 0.03 0.11 0.16 0.26 0.10 0.23    0
## q25 0.03 0.00 0.07 0.03 0.04 0.08 0.10 0.29 0.15 0.22    0
## q26 0.04 0.00 0.07 0.01 0.07 0.08 0.11 0.29 0.16 0.16    0

Merski model je zanesljiv, ker je std_alpha (0.96) > 0.7

Pridemo do zaključka, da sta oba merska modela zanesljiva.

Zaključek

S Faktorsko analizo smo uspeli identificirati dva ključna faktorja, ki vpivata na zadovoljstvo uporabnikov, zaupanje in zvestobo.

Prvi faktor je močno povezan z zaupanjem v informacije in zadovoljstvom z nakupnim procesom. Prikazuje, da so uporabniki zadovoljni s točnostjo informacij na spletni strani. Hkrati prikazuje tudi pomen personalizacije in uporabnikove pripravljenosti za priporočanje spletnega mesta.

q23 “Zaupam informacijam, predstavljenim na tej spletni strani.”, q22 “Zadovoljen sem s točnostjo tega spletnega mesta v zvezi z nakupnim postopkom.”, q16 “Preprosto je personalizirati ali zožiti nakupni proces.”, q26 “To spletno mesto bi priporočil svojemu prijatelju.” najbolj pomembni.

Drugi faktor je identificiral podatke, povezane z vizualno privlačnostjo in uporabnostjo spletnega mesta, kot so tipografija in barva, ki so bistveni za prijetno uporabniško izkušnjo.

Dva faktorja odražata kompleksnost spletnega zadovoljstva in kažeta, da mora spletno mesto za e-trgovino posvetiti pozornost vsebinskim in vizualnim vidikom, da bi izboljšala uporabniško izkušnjo ter spodbudila zvestobo strank.