1. الملخص
يُعد مقياس المنافع المدركة لمشاركة البيانات الشخصية (Perceived Benefits of Personal Data Sharing) أداة سيكومترية متقدمة طُوِّرت لقياس وتقييم إدراك المستهلك للمنافع الملموسة وغير الملموسة التي تعود عليه جراء السماح للمؤسسات والشركات بجمع بياناته الشخصية واستخدامها لأغراض تسويقية وتشغيلية. يستند المقياس نظرياً إلى دراسات رائدة في مجال التجارة الإلكترونية وسلوك المستهلك، ولا سيما نموذج المفاضلة بين الخصوصية والتخصيص الذي صاغه تشيلابا وسين (Chellappa & Sin, 2005)، ثم قام بتطويره واختباره تجريبياً كلٌّ من كيلي دي. مارتن، أبهيشيك بورا، وروبرت دبليو. بالماتير (Martin, Borah, & Palmatier, 2017) في دراستهم المنشورة في دورية التسويق (Journal of Marketing).
يقيس المقياس أبعاداً جوهرية تمثل حوافز الإفصاح عن البيانات، والتي تشمل: التوفير المالي (Financial Savings)، القيمة المتحققة من تخصيص المنتجات والخدمات (Service Customisation Value)، وتوفير الوقت والجهد الإدراكي (Time Savings). تم التحقق من البنية السيكومترية للمقياس باستخدام تجارب مضبوطة عبر منصة (Amazon Mechanical Turk – MTurk) شملت عينات واسعة من المستهلكين المهتمين بقضايا خصوصية البيانات. أظهر المقياس مؤشرات ثبات وصدق استثنائية؛ حيث بلغت درجة ثبات البناء (Construct Reliability – CR) قيمة 0.94، في حين بلغ متوسط التباين المستخلص (Average Variance Extracted – AVE) قيمة 0.80، مما يدل على صدق تقاربي متفوق واستقرار بنيوي قوي يجعله أداة بالغة الأهمية في بحوث حسابات الخصوصية (Privacy Calculus)، ونمذجة السلوك الرقمي، وتحليل قرارات الموافقة الصريحة للمستهلكين.
2. الكلمات المفتاحية
المنافع المدركة، مشاركة البيانات الشخصية، خصوصية البيانات، حسابات الخصوصية، تخصيص الخدمات، التوفير المالي، التبادل الاجتماعي، سلوك المستهلك الرقمي، القياس النفسي، الصدق البنائي.
3. المؤلفون
تم إعداد وتطوير المقياس ضمن الإطار التجريبي لدراسة خصوصية البيانات وتأثيرها على أداء المستهلك والشركات من قبل نخبة من الباحثين الأكاديميين في حقول التسويق والتحليلات السلوكية:
- كيلي دي. مارتن (Kelly D. Martin): أستاذة التسويق وزميلة دين في كلية إدارة الأعمال بجامعة ولاية كولورادو (Colorado State University)، الولايات المتحدة الأمريكية. خبيرة معترف بها دولياً في دراسات استراتيجيات خصوصية البيانات، وأخلاقيات التسويق، واستجابات المستهلك السيبرانية.
- أبهيشيك بورا (Abhishek Borah): أستاذ التسويق المشارك بكلية إنسياد (INSEAD)، فرنسا/سنغافورة، وأستاذ سابق في كلية مايكل جي فوستر للأعمال بجامعة واشنطن (University of Washington). تتركز اهتماماته في التحليلات الرقمية، ووسائل التواصل الاجتماعي، واستراتيجيات الاتصال المبنية على البيانات.
- روبرت دبليو. بالماتير (Robert W. Palmatier): أستاذ كرسي جون بي ومارغريت س. لوت في التسويق بكلية مايكل جي فوستر للأعمال بجامعة واشنطن (University of Washington). باحث رائد في مجال التسويق بالعلاقات، واستراتيجيات ولاء العملاء وحوكمة سلاسل القيمة.
4. الغرض
يخدم مقياس المنافع المدركة لمشارة البيانات الشخصية غرضاً تشخيصياً وبحثياً مفصلياً في دراسات الاقتصاد السلوكي والتسويق الرقمي ونظم المعلومات الإدارية. في البيئة الرقمية المعاصرة، تواجه الشركات معضلة الحصول على موافقة العميل لاستخدام معطياته الشخصية من أجل تحسين استهداف الإعلانات وابتكار خوارزميات التوصية. من هنا، يهدف هذا المقياس إلى قياس الإدراك الذاتي للعميل لمجمل العوائد الإيجابية الملموسة وغير الملموسة التي يستقبلها في مقابل تنازله عن جزء من نطاق خصوصيته الفردية.
من الناحية البحثية، يُستخدم المقياس لاختبار النماذج التنبؤية القائمة على نظرية «حسابات الخصوصية» (Privacy Calculus)، حيث يتيح للباحثين تفكيك عملية اتخاذ القرار لدى المستهلك ومقارنة الوزن النسبي للمنافع مقابل المخاطر المدركة (Perceived Privacy Risks) ونقاط الضعف النفسية المرتبطة بانتهاك الخصوصية (Data Vulnerability). كما يُستخدم المقياس لتقييم حساسية العميل تجاه «تسييل البيانات» (Data Monetisation)، وتحديد العتبة الإدراكية التي يتحول عندها المستهلك من موقف الرفض والمقاومة إلى الموقف الإيجابي المؤيد للمشاركة والتعاون مع المنصة الرقمية.
أما على الصعيد التطبيقي والمؤسسي، يتيح المقياس للشركات الرقمية وواضعي السياسات قياس مدى جاذبية «عروض القيمة» (Value Propositions) المقترنة بسياسات الخصوصية؛ إذ يُمكن للمؤسسات استخدام المقياس لإجراء اختبارات مقارنة (A/B Testing) بين برامج ولاء مختلفة، وفحص ما إذا كانت المنافع المالية (مثل الكوبونات والخصومات النقدية) أكثر فعالية في تحفيز الرضا والقبول لدى المستخدمين مقارنة بالمنافع القائمة على التخصيص وفعالية استهلاك الوقت والجهد.
5. البناء النفسي
يمثل البناء النفسي لـ «المنافع المدركة لمشاركة البيانات الشخصية» مفهوماً متعدد الأبعاد يعكس التقييم المعرفي الإيجابي الذي يُجريه الفرد للتبادل القائم بين بياناته الذاتية والخدمات الرقمية. يتمحور البناء حول ثلاثة مقاييس فرعية مترابطة وظيفياً:
أ. التوفير المالي والاقتصادي (Financial Savings)
يقيس هذا البعد إدراك المستهلك للعوائد النقدية المباشرة والمكافآت السعرية التي يحصل عليها نتيجة السماح بتتبع سلوكه الاستهلاكي. يشمل ذلك الخصومات التفضيلية، واسترداد النقود (Cashback)، ونقاط برامج الولاء القابلة للتحويل، والوصول إلى صفقات حصرية لا تتاح لعموم المتصفحين دون تسجيل البيانات.
ب. قيمة تخصيص الخدمات والمنتجات (Service Customisation Value)
يعبر هذا البعد عن المنفعة الإدراكية الناتجة عن قدرة خوارزميات الذكاء الاصطناعي والمنصات على تفصيل وتكييف التجربة الشرائية والاستهلاكية وفقاً للاحتياجات الدقيقة للمستخدم. يشمل ذلك دقة التوصيات، والترشيحات للمحتوى الملائم، وعرض المنتجات الأكثر ملاءمة للأذواق الفردية، مما يقلل من تشوش الاختيار وفرط المعلومات (Information Overload).
ج. كفاءة وتوفير الوقت (Time Savings)
يركز هذا البعد على المنفعة الإجرائية المتمثلة في تسريع وتبسيط مسارات التفاعل الرقمي؛ مثل الإكمال التلقائي لبيانات الشحن والدفع، وتسهيل عمليات البحث المتكرر، وتفادي ملء الاستمارات الطويلة، مما يترجم إلى تقليل الجهد الإدراكي والمادي المستغرق في إتمام المعاملات اليومية على الشبكة.
6. الإطار النظري
ينبثق المقياس من التزاوج النظري بين مدرستين رائدتين في علم النفس والعلوم السلوكية: نظرية التبادل الاجتماعي (Social Exchange Theory) ونظرية حسابات الخصوصية (Privacy Calculus Theory)، مع الاستناد المباشر إلى الإطار التأسيسي الذي وضعه كلٌّ من تشيلابا وسين (Chellappa & Sin, 2005).
تفترض نظرية التبادل الاجتماعي، التي تعود جذورها لأعمال جورج هومانز وبيتر بلاو (APA)، أن التفاعلات البشرية تستمر وتتعزز طالما أن الأطراف الفاعلة تشعر بأن المكاسب والمنافع الناتجة عن العلاقة تفوق التكاليف والأعباء المترتبة عليها. في السياق الرقمي، طور كولنان وأرمسترونغ (Culnan & Armstrong, 1999) نموذج حسابات الخصوصية، والذي يرى أن مشاركة البيانات ليست رد فعل عاطفي غير محسوب، بل هي نتاج عملية معرفية يوازن فيها المستخدم بين المخاطر المحتملة (مثل تسرب البيانات أو سوء الاستخدام) والمنافع المكتسبة.
بنى مارتن وزملاؤه (2017) مقياسهم استناداً إلى هذا الأساس النظري لإثبات أن المنافع المدركة تعمل كـ «عامل تخفيف» (Buffering Factor) يقلل من حدة مشاعر التعرض للخطر (Data Vulnerability) ويحد من التداعيات السلبية لانتهاكات الخصوصية على سلوك الشراء وولاء العميل. ساهمت هذه الخلفية النظرية في توجيه بناء الفقرات بطريقة تستبعد التقييم العاطفي العام، وتركز بدقة على تقييم المنافع الوظيفية والمادية المحسوسة.
7. الصدق
خضع المقياس لسلسلة صارمة من اختبارات الصدق التجريبي ضمن تصميمات بحثية تجريبية وميدانية مفصلة في دراسة مارتن وبورا وبالماتير (2017)، وأظهر خصائص قياس متقدمة:
- صدق البناء (Construct Validity): تم تأكيد الصدق البنائي للمقياس من خلال تطابق المؤشرات التجريبية مع الفرضيات النظرية المشتقة من أدبيات التسويق وإدارة الخصوصية، حيث ارتبطت أبعاد المقياس إيجابياً بنوايا الشراء، والرضا الرقمي، والموافقة على سياسات التتبع، وسلبياً بآليات الدفاع الرقمي ومشاعر الاستغلال.
- الصدق التقاربي (Convergent Validity): حقق المقياس مؤشر متوسط تباين مستخلص بلغ AVE = 0.80، وهو رقم يتجاوز بكثير العتبة القياسية الموصى بها في القياس النفسي والإحصائي (0.50)، مما يبرهن على أن أكثر من 80% من التباين في الفقرات يعود مباشرة للبناء النفسي الكامن المشترك.
- الصدق التمايزي (Discriminant Validity): أثبتت نتائج التحليل الإحصائي تمايز المقياس بوضوح عن متغيرات ذات صلة وثيقة؛ مثل مخاطر الخصوصية المدركة (Perceived Privacy Risks)، وقابلية العميل للتأثر (Customer Vulnerability)، والرقابة المدركة على البيانات (Perceived Control). تجاوز الجذر التربيعي لمتوسط التباين المستخلص لكل بعد معاملات الارتباط بينه وبين جميع البناءات الأخرى، محققاً معيار فورنيل-لاركر (Fornell-Larcker criterion) ومعيار نسبة مصفوفة الارتباط المتغاير للمؤشرات (HTMT).
- الصدق التنبؤي (Predictive Validity): برهنت النتائج أن الدرجات المرتفعة على مقياس المنافع المدركة تتنبأ بدقة باستعداد العميل للتنازل عن بيانات شخصية دقيقة (مثل بيانات الموقع الجغرافي وسجل الشراء)، وتقلل من احتمالية اللجوء إلى تقنيات حجب الإعلانات أو تقديم معلومات مزيفة للمنصات.
8. الثبات
أظهر المقياس مستويات ثبات داخلي فائقة القوة تفي بأعلى المعايير الأكاديمية الصارمة، وذلك عبر عينات مختلفة تم استقطابها وتطبيق الاختبارات عليها ضمن دراسات مارتن وآخرين (2017):
- ثبات البناء / الموثوقية المركبة (Construct / Composite Reliability – CR): بلغت قيمة المؤشر 0.94، وهي قيمة استثنائية تعكس اتساقاً داخلياً متكاملاً بين مختلف المؤشرات المقاسة، وتتجاوز بدرجة كبيرة المعيار الأكاديمي المقبول عموماً (0.70).
- معامل ألفا كرونباخ (Cronbach’s Alpha): أظهرت التحليلات الإحصائية للمقياس معاملات اتساق داخلي تراوحت بين 0.91 و0.94 عبر الدراسات الفرعية والتجارب المتعددة، مما يؤكد أن فقرات المقياس تقيس نفس المجال المفهومي دون تشويش أو تشتت عشوائي.
- استقرار القياس عبر المجموعات (Measurement Invariance): أظهرت المقارنات عبر مجموعات تجريبية متباينة الخصائص الديموغرافية استقراراً وموثوقية عالية في معاملات التحميل، مما يضمن كفاءة المقياس وقابليته للتعميم في سياقات استهلاكية وتقنية متعددة.
9. التحليل العاملي
أُخضع المقياس لتقنيات التحليل العاملي الاستكشافي (EFA) والتحليل العاملي التأكيدي (CFA) عبر برمجيات النمذجة بالمعادلات الهيكلية (Structural Equation Modeling – SEM):
أ. التحليل العاملي الاستكشافي (EFA)
أسفر التحليل العاملي الاستكشافي باستخدام طريقة المحاور الرئيسية مع التدوير المتعامد (Varimax) والمائل (Promax) عن استخلاص بنية عاملية متماسكة تفسر نسبة مرتفعة جداً من التباين الكلي. تشبعت الفقرات بقوة على عاملها المستهدف، حيث تراوحت تشبعات الفقرات (Factor Loadings) ما بين 0.84 و0.93، مع خلو مصفوفة الأنماط من أي تشبعات متقاطعة دالة (Cross-loadings) مع مفاهيم الخطر أو التعرض النفسي.
ب. التحليل العاملي التأكيدي (CFA)
أكدت نتائج التحليل العاملي التأكيدي التطابق الممتاز لبيانات العينة مع النموذج النظري المفترض؛ حيث جاءت مؤشرات حسن المطابقة (Goodness-of-Fit Indices) ضمن الحدود المثالية المعترف بها عالمياً:
- مؤشر المطابقة المقارن (Comparative Fit Index – CFI) > 0.96
- مؤشر تاكر-لويس (Tucker-Lewis Index – TLI) > 0.95
- جذر متوسط مربعات الخطأ للتقريب (Root Mean Square Error of Approximation – RMSEA) < 0.05
- جذر متوسط مربع المتبقي المعياري (Standardized Root Mean Square Residual – SRMR) < 0.04
دعمت هذه النتائج الإحصائية الدقيقة البنية الأحادية المركبة أو النموذج متعدد الأبعاد من الدرجة الثانية (Higher-Order Factor)، الذي يجمع المنافع المالية، والتخصيص، وتوفير الوقت تحت المفهوم المظلي الشامل للمنافع المدركة.
10. أداة القياس
تتميز أداة القياس بصياغة منهجية واضحة ومباشرة لتجنب إجهاد المستجيبين وتسهيل قياس المتغيرات في الدراسات الاستقصائية والتجريبية:
- نوع الاختبار: تقرير ذاتي (Self-report Survey Instrument).
- طريقة التطبيق: رقمي عبر منصات الاستبيان الإلكترونية، أو ورقي في البيئات المعملية والميدانية.
- تنسيق الاستجابة: مقياس ليكرت السباعي (7-Point Likert Scale)، تتراوح خياراته من: (1 = أعارض بشدة / Strongly Disagree) إلى (7 = أوافق بشدة / Strongly Agree).
- عدد الفقرات: مقياس موجز ومركّز (يتراوح عادة بين 3 إلى 5 فقرات في الدراسات التطبيقية لقياس إجمالي المنفعة المدركة بمختلف مكوناتها).
- الفقرات المعكوسة: لا توجد فقرات معكوسة الصياغة، إذ صُممت جميع الفقرات باتجاه إيجابي مباشر لتفادي الإرباك اللغوي، مع الاعتماد على فحص جودة استجابات العينة (Attention Checks).
- آلية التصحيح وحساب الدرجات: يتم احتساب الدرجة الإجمالية للمشارك عن طريق حساب المتوسط الحسابي (Mean) أو مجموع درجات الفقرات؛ حيث تشير الدرجات المرتفعة إلى ارتفاع إدراك المستهلك للقيمة والمنافع المكتسبة من منح بياناته، بينما تعبر الدرجات المنخفضة عن ضعف الحافز القيمي لمشاركة المعطيات الشخصية.
11. الأذونات والرسوم وسنة الاختبار
- سنة النشر الأساسية: 2017م.
- حقوق النشر والملكية الفكرية: تعود حقوق النشر الأصلية للمجلة العلمية المرموقة (Journal of Marketing) ولجمعية التسويق الأمريكية (American Marketing Association – AMA) والمؤلفين المشاركين.
- إتاحة الاستخدام الأكاديمي: يُتاح استخدام المقياس للأغراض التعليمية والبحثية الأكاديمية غير الربحية بموجب الاستخدام العادل (Fair Use)، شريطة الإشارة المرجعية الكاملة للدراسة الأصلية (Martin et al., 2017).
- الرسوم: لا يتطلب استخدام المقياس في البحوث العلمية والجامعية سداد أية رسوم مالية. أما للاستخدامات التجارية الاستشارية أو دمج الأداة في منصات تقنية ربحية مغلقة، فيجب مراجعة شروط الترخيص من جمعية التسويق الأمريكية أو التواصل مع المؤلفين الرئيسيين.
12. المراجع
- Chellappa, R. K., & Sin, R. G. (2005). Personalization versus privacy: An empirical examination of the online consumer’s dilemma. Information Technology and Management, 6(2–3), 181–202. https://doi.org/10.1007/s10799-005-5879-y
- Culnan, M. J., & Armstrong, P. K. (1999). Information privacy concerns, procedural fairness, and impersonal trust: An empirical investigation. Organization Science, 10(1), 104–115. https://doi.org/10.1287/orsc.10.1.104
- Laufer, R. S., & Wolfe, M. (1977). Privacy as a concept and a social issue: A multidimensional developmental theory. Journal of Social Issues, 33(3), 22–42. https://doi.org/10.1111/j.1540-4560.1977.tb01880.x
- Martin, K. D., Borah, A., & Palmatier, R. W. (2017). Data privacy: Effects on customer and firm performance. Journal of Marketing, 81(1), 36–58. https://doi.org/10.1509/jm.15.0497