Antécédents de l’intention d’achat de vêtements en ligne des consommateurs via la technologie d’essayage virtuel — Modèle

1. Résumé / Abstract

Le modèle des Antécédents de l’intention d’achat de vêtements en ligne des consommateurs via la technologie d’essayage virtuel (en anglais, Antecedents of Consumer Online Apparel Purchase Intention via Virtual Try On Technology–Model), développé par Vijayabanu Chidambaram, Nripendra P. Rana et Satyanarayana Parayitam en 2024, est un instrument psychométrique et structurel conçu pour analyser les mécanismes cognitifs, affectifs et comportementaux qui régissent l’adoption des technologies immersives dans le commerce électronique de prêt-à-porter. Face aux freins persistants inhérents à l’achat de vêtements en ligne — notamment l’incertitude quant à la taille, à la coupe et au rendu esthétique —, la technologie d’essayage virtuel (Virtual Try-On ou VTO), appuyée sur la réalité augmentée et la modélisation tridimensionnelle, offre une interface médiatrice inédite. L’échelle opérationnalise un modèle conceptuel ancré dans les théories classiques de l’adoption technologique, tout particulièrement la théorie unifiée de l’acceptation et de l’utilisation de la technologie (UTAUT) et le modèle d’acceptation de la technologie (TAM), en intégrant des adaptations d’instruments validés (notamment Adams et al., 1992 ; Kim, 2011 ; Zhang et al., 2019).

L’instrument se compose de 21 items répartis en cinq dimensions fondamentales : l’utilité perçue (Perceived Usefulness), le plaisir perçu (Perceived Enjoyment), le risque perçu (Perceived Risk), l’attitude envers la technologie d’essayage virtuel (Attitude Towards Virtual Try-On Technology) et l’intention comportementale d’achat de vêtements en ligne (Behavioral Intention / Purchase Intention). Les participants évaluent chaque énoncé selon une échelle de Likert en cinq points, allant de 1 (« fortement en désaccord ») à 5 (« fortement d’accord »). Administré auprès d’un échantillon ciblé de consommateurs issus de la génération des milléniaux (18 à 39 ans), l’outil fait preuve de qualités métrologiques robustes. La cohérence interne est attestée par des coefficients alpha de Cronbach compris entre 0,70 et 0,95 pour l’ensemble des facteurs, et une fiabilité composite (CR) oscillant entre 0,85 et 0,89. La validité convergente est confirmée par des variances moyennes extraites (AVE) supérieures au seuil conventionnel de 0,50, tandis que la validité discriminante est établie selon les critères HTMT (Heterotrait-Monotrait Ratio) strictement inférieurs à 0,90. L’analyse factorielle confirmatoire démontre l’adéquation d’une structure pentafactorielle cohérente, confirmant la pertinence de l’échelle pour appréhender l’expérience utilisateur et les prédicteurs d’achat dans le commerce de détail numérique.

2. Mots-clés / Keywords

Technologie d’essayage virtuel, réalité augmentée, intention d’achat en ligne, commerce électronique de vêtements, utilité perçue, plaisir perçu, risque perçu, attitude envers la technologie, UTAUT, modélisation par équations structurelles, psychométrie du consommateur, comportement du consommateur, expérience utilisateur.

3. Auteurs / Authors

L’instrument et le modèle théorique associé ont été conçus et validés par un collectif international de chercheurs spécialisés en systèmes d’information, en sciences de gestion et en comportement organisationnel :

• Vijayabanu Chidambaram : Chercheuse en sciences de gestion et comportement du consommateur, affiliée à des institutions universitaires de premier plan en Inde, spécialiste de l’analytique managériale et de l’adoption des technologies de distribution.
• Nripendra P. Rana : Professeur de marketing numérique et de systèmes d’information, chercheur internationalement reconnu pour ses travaux quantitatifs sur l’adoption des technologies émergentes, l’e-gouvernance et le commerce mobile, affilié notamment au College of Business and Economics de l’Université du Qatar.
• Satyanarayana Parayitam : Professeur de gestion stratégique et de prise de décision organisationnelle à la Charlton College of Business, University of Massachusetts Dartmouth (États-Unis), détenteur d’un identifiant ORCID certifié pour ses contributions méthodologiques et psychométriques en modélisation structurelle.

4. Objectif / Purpose

Le développement de ce modèle de mesure répond à une problématique critique de l’économie numérique : le goulet d’étranglement structurel rencontré par les détaillants de vêtements en ligne. Alors que les ventes sur Internet connaissent une croissance continue, le secteur du prêt-à-porter fait face à des taux de retour de marchandises exceptionnellement élevés, oscillant fréquemment entre 25 % et 40 %. La cause fondamentale réside dans l’asymétrie d’information sensorielle : l’impossibilité physique pour l’acheteur d’essayer les vêtements, d’évaluer le tombé du tissu, d’apprécier la précision des tailles et de visualiser l’harmonie du vêtement avec sa propre morphologie. La technologie d’essayage virtuel (VTO), qu’elle prenne la forme d’avatars personnalisés en 3D ou d’incrustations par réalité augmentée en direct via smartphone ou webcam, promet d’atténuer ces incertitudes en fournissant un retour visuel individualisé.

L’objectif fondamental de l’échelle élaborée par Chidambaram, Rana et Parayitam (2024) est de mesurer empiriquement et de décomposer de manière explicative les déterminants psychologiques qui orientent l’intention d’achat en ligne d’un individu exposé à cette technologie de simulation vestimentaire. L’outil ne se limite pas à évaluer l’attrait superficiel de la technologie ; il déploie un dispositif diagnostique qui capture simultanément l’évaluation cognitive rationnelle (l’utilité fonctionnelle perçue), l’expérience affective et immersive (le plaisir intrinsèque ou la valeur hédonique), et les résistances psychologiques (le risque perçu multidimensionnel lié à la technologie et à la transaction).

Sur le plan de la recherche scientifique, cet instrument permet de tester des chaînes de causalité complexes dans le cadre d’études quantitatives s’appuyant sur les équations structurelles (SEM-PLS ou CB-SEM). Il permet de vérifier si l’attitude favorable développée envers l’outil d’essayage virtuel se traduit effectivement par une conversion transactionnelle concrète, et comment la perception du risque peut agir comme un modérateur ou un médiateur défavorable. Pour les praticiens, concepteurs d’interfaces (UI/UX) et directeurs de plateformes marchandes, l’utilisation de cette échelle fournit des indicateurs précis pour identifier les points de friction dans l’adoption du VTO, optimiser la valeur ludique de l’expérience d’essayage et concevoir des garanties ergonomiques de nature à réduire le sentiment de vulnérabilité de l’usager.

5. Construit psychologique / Construct

Le modèle repose sur l’opérationnalisation de cinq construits psychologiques interdépendants, articulant des variables cognitives, affectives et conatives. Chaque dimension cible un état psychologique spécifique du consommateur interagissant avec des dispositifs d’essayage virtuel :

1. Utilité perçue (Perceived Usefulness)

Inspirée originellement des travaux de Fred Davis (1989) et réadaptée aux technologies de vente immersive (Adams et al., 1992), cette dimension mesure le degré auquel le consommateur estime que l’usage de la technologie d’essayage virtuel améliore l’efficacité, la précision et la rapidité de son processus d’achat. L’utilité perçue capture la valeur fonctionnelle et instrumentale : la capacité de l’outil à aider l’utilisateur à sélectionner la bonne taille, à comparer plusieurs tenues plus efficacement qu’avec de simples photographies statiques et à prendre des décisions d’achat mieux informées.

2. Plaisir perçu (Perceived Enjoyment)

Cette dimension évalue la valeur intrinsèquement hédonique et ludique tirée de l’interaction avec le dispositif d’essayage virtuel, indépendamment des conséquences fonctionnelles anticipées sur l’achat. Ancré dans la théorie du flux (Flow Theory) de Csíkszentmihályi et les travaux sur le magasinage hédonique (Babin et al., 1994), le plaisir perçu mesure le sentiment d’amusement, de divertissement, de curiosité et d’engagement émotionnel positif suscité par la manipulation de l’avatar ou de la caméra de réalité augmentée.

3. Risque perçu (Perceived Risk)

Le risque perçu représente l’anticipation d’incertitudes négatives et de conséquences préjudiciables associées à l’utilisation de la technologie VTO et à l’achat ultérieur. Dans ce modèle, le construit englobe plusieurs facettes psychologiques : le risque de performance (l’avatar ou le miroir virtuel ne reflète pas fidèlement la réalité physique du vêtement une fois reçu), le risque financier (perte d’argent consécutive à une erreur d’appréciation morphologique), le risque de perte de temps et le risque lié à la confidentialité des données (capture de photos corporelles, scan biométrique). Ce facteur agit historiquement comme un inhibiteur majeur de l’adoption technologique.

4. Attitude envers la technologie d’essayage virtuel (Attitude Towards Virtual Try-On Technology)

L’attitude est conceptualisée comme la prédisposition psychologique globale, favorable ou défavorable, développée par l’individu à l’égard de la technologie d’essayage virtuel après ou pendant son expérimentation. Reposant sur la composante affective de la théorie de l’action raisonnée (Fishbein & Ajzen), l’attitude intègre le résultat net des évaluations cognitives (utilité, risque) et affectives (plaisir), représentant le jugement évaluatif synthétique du consommateur envers l’intégration du VTO dans son parcours client.

5. Intention comportementale d’achat de vêtements en ligne (Behavioral Intention)

Cette variable conative constitue le critère ultime du modèle. Elle quantifie la probabilité subjective et la détermination délibérée du consommateur d’effectuer un achat de vêtements sur la plateforme marchande après avoir utilisé la technologie d’essayage virtuel. Ce construit mesure à la fois l’intention de finaliser le panier d’achat à court terme et la volonté de réutiliser les canaux numériques de vente de vêtements assistés par le VTO lors de futures sessions de consommation.

6. Cadre théorique / Theoretical Framework

L’architecture conceptuelle développée par Chidambaram, Rana et Parayitam (2024) s’inscrit au carrefour de plusieurs grands paradigmes de la psychologie cognitive, des systèmes d’information et du comportement du consommateur :

La Théorie Unifiée de l’Acceptation et de l’Utilisation de la Technologie (UTAUT) et le TAM

Le socle structural du modèle puise ses fondements directs dans le Modèle d’Acceptation de la Technologie formulé par Davis (1989), lui-même prolongé par Venkatesh et al. (2003) dans le cadre de la théorie UTAUT. Selon cette lignée théorique, les croyances cognitives primaires déterminent l’attitude, qui active à son tour l’intention comportementale, prédicteur proximal le plus direct de l’adoption réelle. Dans le cadre de l’essayage virtuel, l’espérance de performance (assimilée ici à l’utilité perçue) constitue le déterminant utilitaire central : le consommateur évalue la technologie à travers le prisme du gain d’efficacité décisionnelle.

La Théorie de l’Évaluation Cognitive (Cognitive Appraisal Theory)

Afin de dépasser le déterminisme strictement rationaliste du modèle TAM original, les auteurs intègrent des éléments de la théorie de l’évaluation cognitive développée par Lazarus et Folkman (1984). Face à un stimulus technologique interactif tel que le VTO, l’individu opère une double évaluation : une évaluation primaire de la signification de la situation pour son bien-être personnel (générant des affects positifs comme le plaisir ou négatifs comme l’anxiété face au risque) et une évaluation secondaire de ses ressources d’adaptation et des bénéfices tangibles. L’introduction simultanée du plaisir perçu et du risque perçu permet ainsi d’équilibrer les composantes de valence positive et de valence négative de l’expérience sensorielle médiatisée.

La Théorie du Risque Perçu dans le Commerce Électronique

Conceptualisée initialement par Raymond Bauer en 1960 et enrichie par Jacoby et Kaplan (1972), la théorie du risque perçu postule que le comportement du consommateur est guidé par une stratégie de minimisation des pertes potentielles plutôt que par la seule maximisation de l’utilité. Dans le contexte de l’achat de vêtements sur Internet, l’intangibilité des produits crée un risque cognitif élevé. Le modèle postule que la technologie d’essayage virtuel agit comme un mécanisme de réduction d’incertitude (uncertainty reduction theory), mais que si l’interface elle-même est jugée imprécise, instable ou intrusive, elle peut générer un risque perçu technologique qui bloque la formation d’une attitude favorable et entrave l’intention d’achat.

7. Validité / Validity

Le processus d’évaluation psychométrique entrepris par Chidambaram et ses collaborateurs (2024) documente rigoureusement la validité sous plusieurs de ses manifestations essentielles :

Validité de contenu et validité d’apparence

La validité de contenu a été établie en adaptant des items provenant d’échelles préalablement validées dans la littérature scientifique de premier plan sur l’interaction humain-machine et le marketing numérique (notamment Adams et al., 1992 ; Kim, 2011 ; Zhang et al., 2019). Les formulations ont été contextuellement révisées afin de cibler explicitement les fonctionnalités de l’essayage virtuel et les décisions d’achat vestimentaire, garantissant que chaque facette des domaines conceptuels soit convenablement représentée.

Validité convergente

La validité convergente vérifie que les items mesurant un même construit partagent une proportion élevée de variance commune. Dans l’étude de validation, ce critère a été examiné par le calcul de la variance moyenne extraite (Average Variance Extracted ou AVE) pour chacun des cinq facteurs latents. Toutes les valeurs d’AVE obtenues dépassent largement le seuil standard de 0,50 recommandé par Fornell et Larcker (1981), ce qui atteste que plus de la moitié de la variance des indicateurs observables est attribuable au construit théorique sous-jacent plutôt qu’à l’erreur de mesure.

Validité discriminante

La validité discriminante garantit que chaque construit du modèle reflète un phénomène empiriquement distinct des autres variables. Les auteurs ont employé la méthode moderne du ratio hétérotrait-monotrait (HTMT), considérée comme supérieure au critère traditionnel de Fornell-Larcker dans la détection des chevauchements conceptuels. L’ensemble des ratios HTMT mesurés entre les paires de construits s’est établi en deçà du seuil critique conservateur de 0,90 (et même du seuil strict de 0,85 pour la majorité des associations), confirmant la distinction statistique et empirique sans équivoque entre l’utilité, le plaisir, le risque, l’attitude et l’intention comportementale.

Validité de construit et validité prédictive

La validité de construit globale est confortée par les équations structurelles, qui mettent en évidence des trajectoires de régression théoriquement cohérentes et statistiquement significatives : l’utilité perçue et le plaisir perçu exercent des effets positifs notables sur l’attitude envers le VTO, tandis que le risque perçu exerce une influence inhibitrice statistiquement robuste. L’attitude prédit de façon majeure et positive l’intention d’achat de vêtements en ligne, démontrant une excellente validité nomologique et prédictive au sein du réseau conceptuel.

8. Fidélité / Reliability

La précision de la mesure et l’homogénéité des énoncés ont fait l’objet d’analyses approfondies de cohérence interne :

• Alpha de Cronbach (α) : Pour l’ensemble des cinq sous-échelles composant le modèle, les coefficients alpha de Cronbach sont compris dans une plage allant de plus de 0,70 à moins de 0,95. Cette fourchette est optimale : elle dépasse le seuil minimal de consistance interne fixé à 0,70 par Nunnally et Bernstein (1994) pour la recherche confirmatoire, tout en évitant le plafond de 0,95 qui dénoterait une redondance excessive ou un pléonasme entre les items au détriment de l’étendue du contenu mesuré.
• Fiabilité composite (CR – Composite Reliability) : Contrairement à l’alpha de Cronbach qui postule l’équivalence tau (poids factoriels identiques pour tous les items), la fiabilité composite prend en compte les saturations factorielles réelles des indicateurs. Dans l’échantillon d’étude, les coefficients de fiabilité composite se sont révélés particulièrement élevés, oscillant de 0,85 à 0,89 selon les dimensions, dépassant très largement la recommandation méthodologique conventionnelle de 0,70.
• Erreur de mesure et stabilité : L’absence d’items présentant des corrélations item-total faibles et les valeurs modérées des variances résiduelles démontrent un faible impact de l’erreur aléatoire sur les scores composites, conférant à l’instrument une très grande robustesse psychométrique pour l’administration auprès d’échantillons de jeunes adultes et d’adultes connectés.

9. Analyse factorielle / Factor Analysis

L’examen de la dimensionnalité et de l’architecture factorielle a été réalisé à l’aide de techniques de modélisation confirmatoire (CFA) fondées sur la matrice de covariance, complétées par un test rigoureux du biais de méthode commune :

Évaluation du biais de méthode commune (Common Method Bias)

Comme les données ont été collectées via une méthode d’auto-évaluation unique sur questionnaire papier, le risque d’inflation artificielle des relations entre variables par la variance de méthode commune (Common Method Variance) a été examiné via le test unifactoriel de Harman en modélisation confirmatoire. Un modèle à facteur unique (où l’ensemble des 21 items s’agrège sur un seul et unique facteur général) a présenté un ajustement très dégradé :

• Chi-deux : $\chi^2 = 3305,55$ avec degrés de liberté $df = 209$ ;
• Root Mean Square Error of Approximation : $\text{RMSEA} = 0,078$ ;
• Root Mean Residual : $\text{RMR} = 0,094$ ;
• Standardized RMR : $\text{SRMR} = 1,12$ (très largement au-dessus du plafond acceptable de 0,08) ;
• Indices d’ajustement incrémentaux et absolus : $\text{CFI} = 0,71$ ; $\text{TLI} = 0,68$ ; $\text{GFI} = 0,63$.

Ce résultat confirme qu’aucun facteur méthodologique unique ne rend compte de la majorité de la variance des réponses.

Analyse Factorielle Confirmatoire (AFC) du modèle pentafactoriel

En comparaison, la structure théorique à cinq facteurs démontre une amélioration statistique hautement significative ($\Delta\chi^2 = 1314,44$ pour $\Delta df = 10, p < 0,01$) et présente des indices d’adéquation très satisfaisants :

• Chi-deux de l’AFC : $\chi^2 = 1991,11$ avec degrés de liberté $df = 199$ ;
• $\text{RMSEA} = 0,076$ (inférieur au seuil de 0,08, indiquant une erreur d’approximation acceptable dans la population) ;
• $\text{RMR} = 0,049$ et $\text{SRMR} = 0,052$ (inférieurs à 0,08, attestant d’une excellente modélisation des résidus de covariance) ;
• Indice de comparaison de Bentler : $\text{CFI} = 0,89$ ;
• Indice de Tucker-Lewis : $\text{TLI} = 0,87$ ;
• Goodness of Fit Index : $\text{GFI} = 0,86$.

Les saturations factorielles standardisées ($lambda$) des 21 items sur leurs construits respectifs étaient toutes statistiquement significatives ($p < 0,001$) et d’une magnitude élevée (majoritairement supérieures à 0,70), confirmant la validité structurale de l’instrument.

10. Instrument de mesure / Instrument

• Type d’instrument : Questionnaire standardisé d’auto-évaluation psychométrique / Inventaire d’attitudes et d’intentions comportementales.
• Format d’administration : Formulaire papier structuré (auto-administré en présentiel lors de l’étude de validation ; adaptable sur formats numériques d’enquêtes en ligne).
• Nombre total d’items : 21 items distribués à travers 5 construits théoriques distincts.
• Échelle de réponse : Échelle de Likert classique en 5 points :
  • 1 = Fortement en désaccord (Strongly disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Neutre / Ni en désaccord ni d’accord (Neutral)
  • 4 = D’accord (Agree)
  • 5 = Fortement d’accord (Strongly agree)
• Population cible : Consommateurs adultes effectuant ou envisageant des achats de prêt-à-porter en ligne, spécifiquement validé auprès de la population des milléniaux (tranches d’âge 18-29 ans et 30-39 ans) d’hommes et de femmes en contexte urbain/semi-urbain connecté.
• Cotation et calcul des scores :
  • Chaque sous-échelle fait l’objet d’un score moyen ou d’un score sommatif obtenu en agrégeant les réponses aux items correspondants.
  • Dans le cadre de modélisations structurelles (SEM), les scores ne sont pas moyennés de manière brute mais traités comme des indicateurs réflexifs à pondération factorielle continue.
  • Les scores de la sous-échelle « Risque perçu » doivent faire l’objet d’une analyse interprétative inversée par rapport aux autres dimensions (un score élevé traduisant une barrière psychologique accrue, tandis que des scores élevés sur les autres échelles traduisent une acceptation favorable).

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de publication : 2024.
• Statut commercial : Non commercial. L’échelle a été conçue à des fins exclusives de recherche académique et scientifique.
• Frais d’utilisation : Aucun (gratuit pour les chercheurs académiques sous réserve de citation appropriée des auteurs originaux).
• Conditions de licence et d’accès : L’utilisation des items originaux ou leur adaptation dans de nouvelles investigations empiriques nécessite de se référer à la publication princeps de Chidambaram, Rana et Parayitam (2024). Conformément aux règles d’éthique scientifique et du droit d’auteur des éditeurs universitaires, les chercheurs souhaitant reproduire intégralement le questionnaire doivent citer formellement le travail d’origine ou solliciter l’autorisation auprès des auteurs ou de la revue détentrice des droits de reproduction.

12. Références / References

Les sources conceptuelles et empiriques fondant la conception et la validation de cette échelle incluent les travaux suivants :

• Adams, D. A., Nelson, R. R., & Todd, P. A. (1992). Perceived usefulness, ease of use, and usage of information technology: A replication. MIS Quarterly, 16(2), 227–247. https://doi.org/10.2307/249577
• Babin, B. J., Darden, W. R., & Griffin, M. (1994). Work and/or fun: Measuring hedonic and utilitarian shopping value. Journal of Consumer Research, 20(4), 644–656. https://doi.org/10.1086/209376
• Bauer, R. A. (1960). Consumer behavior as risk taking. In R. S. Hancock (Ed.), Dynamic Marketing for a Changing World (pp. 389–398). American Marketing Association.
• Chidambaram, V., Rana, N. P., & Parayitam, S. (2024). Antecedents of consumer online apparel purchase intention via virtual try on technology–model. Journal of Consumer Behaviour / Publication de recherche avancée en modélisation du consommateur.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Jacoby, J., & Kaplan, L. B. (1972). The components of perceived risk. Advances in Consumer Research, 3(1), 382–393.
• Kim, J. (2011). The effect of 3D virtual reality retail store simulation on customer purchase behavior. Journal of Global Fashion Marketing, 2(3), 160–168. https://doi.org/10.1080/20932685.2011.10593095
• Lazarus, R. S., & Folkman, S. (1984). Stress, Appraisal, and Coping. Springer Publishing Company.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
• Zhang, T., Wang, W. Y., Cao, L., & Wang, Y. (2019). The role of virtual try-on technology in online apparel shopping: An extended technology acceptance model. Information Systems and e-Business Management, 17(1), 125–148. https://doi.org/10.1007/s10257-018-0382-7

13. Questions et items du questionnaire / Scale Items