通过3D身体扫描赋能的个性化服务提升实体零售店客户决策：人工支持和技术侵入性的调节作用

《Journal of Retailing and Consumer Services》：Enhancing customer decision-making through 3D body-scan-enabled personalization in brick-and-mortar stores: The moderating roles of human support and technology intrusiveness

　　

•我们考察了技术赋能个性化（TEP）如何影响顾客。
•当存在人类赋能个性化（HEP）时，TEP并未为顾客带来额外收益。
•当HEP缺位时，TEP提升了顾客的购物便利性和口碑意愿。
•技术侵入感调节了TEP对决策便利性的影响。
•在低侵入感下，TEP具有正面效应；在高侵入感下，效应反转。

引言

如今的消费者在购物时面临越来越多的选择，时尚零售领域尤为明显。对于更复杂的产品类别，如牛仔裤或内衣，情况更是如此——消费者必须在尺寸、版型、款式、面料、品牌和价格等多个维度上存在差异的众多替代品中做出选择。这使得决策过程认知负荷沉重，可能导致消费者经历选择过载，进而降低购物便利性（Park & Jang, 2013; Ketron et al., 2016）。为缓解选择过载，消费者可能从个性化辅助中获益。

传统上，实体零售中的个性化服务由员工通过与客户直接互动来提供，这一做法被称为人类赋能个性化（HEP）。HEP涉及销售人员与客户直接互动，运用其知识、直觉和人际交往技能来收集并解读客户信息——如需求、偏好和购物历史——从而提供个性化推荐（Scholdra et al., 2023）。除了提供定制化推荐之外，员工还可以通过人际互动创造额外价值，提供社交和情感支持（Liu, 2021; Scholdra et al., 2023）。在本研究中，我们特别关注HEP的功能性个性化机制，即员工根据客户个人需求和偏好来定制推荐。然而，HEP本质上受到员工可用性、专业知识差异以及实时访问深度数据能力有限等制约，这可能导致个性化质量不一致（Scholdra et al., 2023; Canhoto et al., 2024）。

相比之下，线上零售商长期以来一直利用信息技术，通过数据收集、分析和自动化来个性化线上体验，实现一致且可扩展的个性化服务（Scholdra et al., 2023）。我们将这些技术称为技术赋能个性化（TEP）。大量针对线上零售环境的研究表明，TEP是一种有效的决策辅助工具，能够简化替代品的评估过程，从而减少认知努力并缓解选择过载（Tam & Ho, 2006）。除促进决策之外，线上环境中的TEP还有助于建立更可持续的客户关系（Kim et al., 2016）。然而，当线上TEP被视为具有侵入性时，也可能引发消费者的负面反应（van Doorn & Hoekstra, 2013），触发隐私担忧（Bleier & Eisenbeiss, 2015）、诡异感（Moore et al., 2015; Guo et al., 2025）以及逆反心理（Bleier & Eisenbeiss, 2015）。近期的技术进步为零售商在实体店中实施TEP创造了机会——既可与人工作业并行，也可独立运作——从而有望提升店内个性化顾客体验（Scholdra et al., 2023）。然而，TEP在线上环境中的研究结论不能假设同样适用于实体商店，因为实体店的顾客动机、互动形式和隐私边界存在根本差异（Canhoto et al., 2024）。因此，消费者对实体店中TEP的反应仍不明确，尤其当HEP也可用并简化选择时。

为弥补这一空白，本研究聚焦于一个具体的新兴店内TEP系统，应用于购买前的早期阶段：3D体测技术。该技术收集精确的身体测量数据，以提供个性化的合身推荐，从而支持产品评估和选择过程（Alexander & Kent, 2022; Merfeld et al., 2025）。尽管先前关于3D体测技术的研究主要集中在网络零售环境（如Youn et al., 2023; Idrees et al., 2024），但其在实体店中的潜在作用仍未被充分探索。

为考察消费者在有无HEP的实体店中对TEP的反应，我们采用四种实验条件。除基线条件（无TEP且无HEP）外，我们区分了：（1）仅TEP条件，即推荐由技术提供；（2）仅HEP条件，即推荐完全基于人工互动；（3）混合条件（TEP + HEP），即员工在3D体测仪基础上提供额外辅助。为确保实验对比的纯净性，HEP和TEP采用相同的核 功能 个性化机制——即根据客户的个人需求和偏好定制推荐——不同条件之间的区别在于个性化的来源（HEP中为人类员工，TEP中为技术）。考察上述四种条件对于理解实体店环境中数据驱动的个性化与员工驱动的个性化如何相互作用具有重要意义，因为在实体零售环境中，社会互动、投入努力以及隐私担忧塑造着客户应对复杂选择的方式。

鉴于我们关注TEP作为决策支持技术在客户购买过程早期阶段的功能性角色（即消费者可能经历选择过载的阶段），我们考察决策便利性作为TEP影响行为意向的核心机制。具体而言，TEP预计将通过减少实体店环境中评估替代品所需的时间和认知努力来促进消费者决策（即减少选择过载）。此外，受员工在场缺位悖论的启发，我们考察HEP的可用性是否削弱了TEP的价值，因为员工已经可用以支持顾客的选择。最后，我们将技术的感知侵入性视为一个可能通过负面影响决策便利性来减少TEP收益的额外情境因素。为回答这些研究问题，我们进行了四项研究。研究1通过考察顾客对仅基于实时数据的TEP的反应（有HEP和 无HEP两种情况）建立基线。在此基础上，研究2通过整合实时和历史客户数据来增强个性化程度，使我们能够评估更加丰富的个性化是否强化了顾客反应。研究3在真实零售环境中重新检验TEP在HEP存在时的效应，提供其实证影响证据。最后，研究4将研究扩展到不同产品类别，并引入感知技术侵入性作为调节变量，考察当顾客感知技术具有侵入性时，TEP的收益是否趋平甚至下降。这些研究共同揭示了TEP在实体店环境中的潜力与边界。

选择过载

零售环境中的顾客经常面临选择过剩的问题（Ketron et al., 2016）。这一现象被称为选择过载，指的是"消费者面对大量相似替代品或选项，导致决策复杂化和困难化的情形"（Kim et al., 2023, 第2页）。结果是，消费者可能感到不堪重负并经历决策疲劳，从而导致选择延迟或回避（Park & Jang, 2013）。

在线上零售场景中，
选定TEP系统

我们聚焦于试衣间中使用的一种特定TEP系统：一种内建3D体测扫描仪的平板电脑，能够捕捉身体测量数据并自主推荐个性化产品和尺寸（Merfeld et al., 2025）。作为一种在实体店中仍属罕见的新兴技术（Alexander & Kent, 2022），并实现了一种尚未被广泛研究的店内个性化形式（见附录A），3D体测仪为研究顾客反应提供了有价值的背景，并且参与者与 设计

参与者通过多渠道招募，利用当地一家专业零售商的社会媒体渠道和店内宣传单页，并辅以大学范围内工作人员电子邮件。招募过程遵循预定义的纳入标准和抽样说明。研究人员被指示招募18岁或以上的 女性参与者，同时力求获得在年龄、职业状态和就业状态方面具有异质性的样本。共有697名比利时女性参与者参与。参与者与 设计

研究2采用独立的招募渠道，以确保研究结果不依赖于特定参与者来源。参与者通过研究团队的个人社交媒体账号以及扩展的研究助理网络电子邮件进行招募。与研究1相同，招募过程遵循预定义的纳入标准和抽样说明。研究人员被指示招募18岁或以上的 女性参与者，同时力求获得异质性参与者与 设计

研究3进行了一项实地实验。参与者通过一家真实的内衣店招募。设计为2（TEP vs. 无TEP）× 1（HEP）组间实验，其中人工辅助为标准配置。招募过程遵循预定义的纳入标准。18岁或以上、正在选购内衣并计划在试衣间试穿文胸的女性参与者被纳入。共招募110名荷兰女性，其中109名参与者完成了感知侵入性的调节作用

个性化是一把双刃剑：虽然我们之前的研究表明，在HEP缺位的情况下，TEP通过帮助顾客应对复杂选择来提升决策便利性，但这些收益需要获取个人信息的权限，而这也可能触发隐私担忧（Bleier & Eisenbeiss, 2015; Zobair et al., 2026）。这种张力体现为个性化-隐私悖论，这是一个在线上零售领域已确立的悖论，即消费者重视个性化内容但又感到犹豫，理论意涵

本研究通过考察一种特定的TEP应用——配备3D体测技术的平板电脑——为关于实体店TEP的有限文献（Riegger et al., 2021）做出贡献。尽管该技术在很大程度上是在网络零售环境中研究的（如Youn et al., 2023），我们的发现表明，TEP在实体店中作为一种有条件的决策支持机制发挥作用。而非无条件地驱动正面顾客结果，CRediT作者贡献声明

Louise-Marie Kuijpers：初稿撰写、可视化、资源、项目管理、方法论、调查、形式分析、数据管理、概念化。Lieve Doucé：审校与编辑、初稿撰写、监督、方法论、经费获取、形式分析、概念化。Carmen Adams：审校与编辑、初稿撰写、监督、形式分析。生成式AI及AI辅助技术在论文准备过程中的使用声明

在本文准备过程中，作者使用了ChatGPT和Grammarly以提升写作过程并改善稿件的可读性和语言质量。在使用ChatGPT和Grammarly之后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。资助

本研究得到了哈塞尔特大学特别研究基金（BOF）的支持[BOF24OWB04]。利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些关系可能影响到本文所报告的工作。致谢

我们感谢所有为本研究做出贡献的人。我们感谢Gitte Nijssen和Laura Drijkoningen在研究2数据收集方面的协助，感谢DOBIT、Van de Velde和Lincherie在研究3实地实验的搭建和实施中的合作。我们还感谢Janno Kuijpers在研究4视觉素材方面的协助，以及Kim Willems对稿件的校对。最后，我们感谢匿名审稿人提出的建设性意见。Louise-Marie Kuijpers | Lieve Doucé | Carmen Adams