电子商务视角下团购销售影响因素分析

李 政

（武汉大学 经济与管理学院，武汉430072）

0 引言

随着IT技术的飞速发展，互联网商业呈现出了蓬勃的生机，富有极其广阔的发展前景，电子商务也严重影响着人们生活和国家经济运行。对于在线网络营销的研究中，Z.Chen和Lurie在2013年就对Yelp.com网站上的餐饮评论进行了研究，发现评论的数量和评论的文本长度以及评分之间有着密不可分的关联[1]。也有研究Amazon.com和Barnesandnoble.com上书评的文献，检验了消费者在线评论对于书籍销售量的影响[2]。对于TripAdvisor.com上酒店数据的研究表明，用户的评价对于酒店的订购率也有着极为重要的影响[3]。这些在线点评还可能会影响其他消费者的购买决定，促进商品的销售数量[4,5]。除此之外，对于在线评论的研究领域中还有诸如在企业决策制定方面[6]、信息系统建设(Dellarocas,2003)[7]以及经济发展、折扣的力度，等等。

为规避样本问卷调查易出现的很多虚拟假设情况，文中直接从团购网站上获取数据，采用最真实、最贴切现实生活的研究样本，运用模型分析影响武汉地区餐饮类团购销售量的因素，判断一款团购产品的打折力度、评分高低以及评论数量的多少是否会影响该产品的销售情况，并将品牌的影响因素考虑在内，判断一款团购产品的销量是否会因为品牌的知名与否而不尽相同。

1 模型假设

正如之前的文献中所提及的，一件商品的折扣力度会影响到顾客的购买行为。当一件商品的价格下降时，对于该商品的需求就会加大，销量也就同时开始上升。然而即便是同一种商品打了同样的折扣，在不同的消费者看来，其意义是不一样的。举例来说，一件原价2元的商品，如果现在进行促销活动，只卖1元钱。那么对于一部分消费者来说，这个折扣力度非常之大，竟然打了对折，而对于另一部分消费者来说，仅仅是便宜了1元钱而已。两者所带来的心理感受是有着巨大的区别的，因而消费者们也会有着自己的偏好。所以对于餐饮类团购的经营者来说，团购券的销量是衡量团购券是否成功发行的标杆，因此设置一个合理的折扣力度就显得尤为重要。曾经有一个调查结果显示，只有大约17%的消费者是只关注折扣的下降百分比的，也就是说无论商品原来的价位有多高，只要商品价格下降的百分比足够高，这类用户就会选择购买。因而本文认为绝大部分消费者还是比较理性的，会考虑商品价格下降的绝对量。因此，本文的第一个假设如下：

H1：团购券价格下降的绝对量相对于团购券价格下降的百分比更能提升其销售数量。

消费者在选择购买团购券时，往往会浏览该项团购获得的来自于其他用户的一个综合评分，尤其是在此之前也没有类似经验的消费者，通常会将他人的评分作为一个参考和借鉴，来进一步做出自己是否参与团购的决定。曾有调查结果显示，综合评分在4.1～5之间的团购券最受消费者欢迎。这表明人们在做团购决定的时候，更倾向于那些已经获得较高评分的团购券，因而本文的第二个假设如下：

H2：评分越高的团购券，其销售量也就越高。

与之前一个假设相同，如果消费者在先前并没有对一家商铺的团购券有过购买消费的经验，就需要借助参考已经有过消费经验的消费者的评论来做出自己的购买决定。消费者会通过观察该团购所获得综合评分来进行判断，同样也会浏览和阅读他人做出的评论文本，如果一项团购的评论量足够多，就说明该团购的消费群体就较大，也表明该团购的质量还是相对而言较高的。所以本文的第三个假设如下：

H3：评价数量越多的团购券，其销售数量也就越多。

参与团购的商家的品牌也是一个重要的影响因素，一些知名的强势品牌，由于已经声名在外，有着忠诚度较高的固定消费者群体，因而如果他们的团购折扣力度较大，虽然在短期内会起到提升团购券数量的效果，但是从长期来看，反而会使得自身的品牌受到损害，同时也降低了消费者的忠诚度。而那些不知名的小品牌，为了打开市场，不得不通过让利促销等方式来抢占市场份额。因此本文的第四个假设如下：

H4：知名品牌不需要通过加大折扣程度的方式来提升团购券的销售数量。

2 数据选取及模型的统计分析

2.1 数据收集及变量设定

数据取自武汉地区的大众点评网餐饮类团购券，据有关统计数据显示，截止到2014年第四季度为止，大众点评网上每个月的活跃用户数约为1.9亿，每月的综合浏览量，包括网站及各类移动设备，超过120亿，发出的点评数量超过6000万条，商家的登记数量超过1200万。这就提供了一个极为丰富的数据资料库，如此大量而又完整的信息，为研究提供了切实的保证。使用的数据包括每项团购券的店名名称、商品原价、商品团购价格、销售数量、评论数量以及评分。并将团购券的销售数量用Sales表示，团购券的评论数量则用ReviewNum表示，团购券获得的评分用Rating表示。将商品的原价减去团购价格作为团购券价格下降的绝对量，用PriceChange(absolute)来表示，将商品原价减去团购券价格之差再除以商品原价作为团购券价格下降的百分比，用PriceChange（%）表示。将知名的强势品牌赋值为1，不知名的品牌赋值为0，用Brand表示，见表1所示。

表1 变量说明表

2.2 数据统计及回归分析

研究的样本来源自大众点评网上武汉地区的餐饮类团购数据，共有2000余条数据，具体的统计量表如表2所示。

表2 变量统计表

由表2我们可以发现，各变量的最大值和最小值之间的差值是非常惊人的。

使用R软件做各变量之间的相关性分析，结果如表3所示。

表3 相关系数表

由表3可知，各变量间的相关系数值都没有超过0.75，所以它们之间并没有很明显的线性相关，因而可以继续做下一步的回归分析。

根据上文的H1、H2以及H3，建立如下方程：

Sales=α0+α1ReviewNum+α2Rating+α3priceChange(absolute)+α4PriceChange(%)

使用R软件来计算方程结果如表4所示。

表4 运行结果一

由表4可知，除了PriceChange（%）这个变量是不显著的，其余各变量对于团购券的销量都呈现出显著正相关，这个结果验证了H1、H2以及H3。说明如果一款团购所获得的评分越高，那么消费者对与该团购也就更信赖，购买的倾向也就相对较高。同样，如果一款团购券的评论数量越高，那么说明已经有数量可观的消费者对于该商品有过了体验，也从另一个角度说明了该商品为大多数人所接受，因而值得购买，从而提升了该团购券的销售数量。团购券价格下降的百分比对销售量并没有影响，这说明大部分的消费者还是偏向于理性的，并不会因为价格大跳水而进行不理性消费。

使用Step{}命令对上述方程进行分布回归，在剔除变量PriceChange（%）后，整个方程的AIC值得到了改善，由-85.37变成了-87.96。进一步把品牌因素放入到模型中，将那些知名的强势品牌设定为1，不知名品牌设定为0作为基准组，把品牌因素作为调节变量放入到方程中进行计算，具体结果如表5所示。

表5 运行结果二

由表5可知，一款团购所获得的评分和评论数依旧与其的销售量成正相关关系，这与之前的运算结果相一致。以非知名品牌作为基准组，知名品牌与降价绝对量的交叉项与销售量为显著负相关，也就是对于知名品牌来说，降价还会减少其团购券的销售数量。因而H4也成立。再运行R软件中的glmrob{}命令来做鲁棒性检验，计算结果表明该模型是稳定的，见表6所示。

表6 鲁棒性检验

3 结论与建议

依据研究结论，销售团购券的商家可以通过折扣促销的手段提高团购券的销售数量，但是折扣的力度最好不要过大，而且最好在团购券上标明具体的降价金额，这比标明降价的百分比更有效。

用户评论的数量以及消费者给出的评分也会给团购券的销售量带来极大的影响，由于是显著的正相关关系，这表明消费者对于这两者是非常关注的，因而用户评论数量的上升以及评分的提高都会给商家带来切实的利益。因此武汉地区的餐饮类网络团购商家应当设置一定的激励措施，使得用户在消费完团购券后积极发表评论，这一点可以向京东网上商城学习，在京东商城上发表一条商品评论可以获得20个京东豆，京东豆又可以直接抵现消费，这就大大提升了用户发表评论的可能性。同样，武汉地区的餐饮类网络团购商家也需要通过一定的方式引导消费者在打出评分的时候给出一个尽可能高的分数，让消费者尽量给出正面的评价。而对于那些有着给出负面评价的消费者，则应当采取措施进行安抚，以此来提升商家的信誉和口碑。而这一点的话，可以向淘宝网上的店家学习，有不少的店家会在顾客给出5分好评后进行适当的奖励，例如返现或者赠送小礼品。这些都是值得大众点评网上餐饮类网络团购商家思考和借鉴的。

对于比较知名的强势品牌，降价虽然可以提升团购券的销售量，但是也会由于损害了品牌价值而带来负效应，所以这些知名的强势品牌就需要设置一个合理的降价幅度，既可以最大限度的增加团购券销量，又不至于严重损害品牌荣誉。而对于那些不知名的小品牌，则可以通过大打价格战来促进团购券的销售数量，并进一步抢占市场份额。

作为一家致力于从事本地餐饮类网络团购的网站来说，大众点评网有着比那些全国性团购网站更高的可信度和影响力，本文的研究结果显示，餐饮类团购的用户评论以及营销策略的制定仍然有着巨大的提升空间。大众点评网武汉地区的餐饮类团购商家应该发挥更大的主观能动性，充分挖掘潜在的巨大的消费者群体，开拓市场，借鉴其他网站已有的经验，丰富自身的网络营销手段，达到消费者、团购网站以及团购券商家三方共赢的最佳局面。

[1]Chen Z,Lurie N H.Temporal Contiguity and Negativity Bias in the Impact of Online Word of Mouth[J].Journal of Marketing Research,2013,50(4).

[2]Chevalier J A.Mayzlin D.The Effect of Word of Mouth on Sales:Online Book Reviews[J].Journal of Marketing Research,2006,43(3).

[3]Sia C L,Lim K H,Leung K,et al.Web Strategies to Promote Internet Shopping:Is Cultural-Customization Needed?[J].MIS Quarterly,2009,33(3).

[4]Clemons E K,Gao G G,Hitt L M.When Online Reviews Meet Hyper Differentiation:A Study of The Craft Beer Industry[J].Journal of Management Information Systems,2006,23(2).

[5]Zhu F,and Zhang X.Impact of Online Consumer Reviews on Sales:The Moderating Role of Product and Consumer Characteristics[J].Journal of Marketing,2010,74(2).

[6]Chen Y,Xie J.Online Consumer Review:Word-of-Mouth As A New Element of Marketing Communication Mix[J].Management Science,2008,54(3).

[7]Dellarocas C.The Digitization of Word of Mouth:Promise and Challenges of Online Feedback Mechanisms[J].Management Science,2003,49(10).