不同来源信息对患者购买转化率的影响研究

刘颖馨，吴红，卢乃吉

（华中科技大学医药卫生管理学院，湖北 武汉 430030）

不同来源信息对患者购买转化率的影响研究

刘颖馨，吴红，卢乃吉*

（华中科技大学医药卫生管理学院，湖北 武汉 430030）

目的/意义医疗服务风险较高，关乎患者生命。在服务过程中，医患间要建立信任关系。然而，医疗服务专业性高，医生掌握医疗知识，而大部分患者缺乏医疗知识，在接受服务前，无法判断医生的服务质量。随着互联网的发展，在线医疗社区（online health communities）为接受服务的患者提供评价医生的平台，也为尚未接受服务的患者提供获取服务质量信息的渠道。目前部分研究探索了不同类型信息对销量或用户行为的影响，但服务领域的研究较少。并且已有研究仅将信息来源划分为买方提供信息及系统提供信息，而在商品和服务领域中，卖方提供的信息同等重要，尤其是针对具有专家服务特征的医疗领域，相关研究较少。方法/过程从好大夫在线网站收集1 414名医生的相关数据，建立多重线性回归模型进行分析。结果/结论患者生成信息与医生生成信息对患者购买转化率产生积极影响，而系统生成信息对转化率未产生影响。研究建议，网站设计者要为患者和医生创造更多机会、方式，供其上传信息，这些信息对患者做决策有重要作用，如合理评估医生的服务水平。医生要积极管理在线信息，及时更新数据、尽快回复咨询、积极发表文章，通过努力吸引患者。

在线医疗社区；转化率；患者生成信息；系统生成信息；医生生成信息

0 引言

医疗服务具有较高风险，关乎患者生命。在服务过程中，医患间需要建立信任关系。然而，由于医疗服务具有专家服务特征[1]，因此患者无法判断医生的服务质量，即医患间存在信息不对称现象。服务提供方与接受方之间的信息不对称则导致机会主义行为出现，使接受方对提供方产生不信任[2,3]。不同于商品，服务是无形、不可分且异质的[4]，患者在接受医生服务前，无法判断其服务质量。传统上，患者往往通过亲属朋友的推荐选择医生，大部分患者甚至在不知道该选择哪个医生的前提下直接去医院寻求诊疗，而在既不了解病情及医疗知识又盲目选择医生的情况下，容易导致医患双方沟通出现问题，因此医患矛盾日益激化。随着互联网的发展，在线医疗社区的出现为患者提供评价医生的平台。

近年来，随着在线医疗服务的发展，使用在线医疗社区咨询健康问题的人数激增[5]。在线医疗社区为接受服务的患者提供了写反馈的平台，同时为尚未接受服务的患者提供了获取服务质量信息的渠道。相比线下医院，在线医疗社区具有一定优势，如直接获取医院及医生信息，合理选择医生；打破时空限制，医患随时沟通，增加信任，减少矛盾；患者间提供信息支持和情感支持。因此，在线医疗社区已成为患者获得医生服务质量的重要渠道之一[6，7]。通常，医生的服务质量可由线上信息评估得出。

根据信息来源的差异，可以将线上信息划分为用户生成信息和系统生成信息。近年来，研究用户生成信息和系统生成信息对销量及消费者决策影响的文献日益增加[8-10]。然而，大部分研究只集中于书籍[11]，电影[12]和游戏[13]等产品，针对服务领域的研究较少，尤其是在线医疗社区的研究。

转化率也是电子商务领域广泛探讨的问题。电商领域研究转化率的文献层出不穷[14-16]。大部分聚焦于关键流程的转化率[17]，也有部分研究探讨微转化率的作用。

本研究以信息分类的思想，将信息分为用户生成信息（即患者生成信息）、系统生成信息和医生生成信息，借助好大夫在线的数据，探究这三类信息对患者购买转化率的影响。已有研究往往未考虑服务提供者生成信息的作用，但是由于在线医疗社区服务是特殊的产品，具有无形性和高度信息不对称性，因此，服务提供者的行为对判断服务质量具有重要作用，医生可以通过努力，及时回复咨询、更新信息，积极发表医疗科普性文章，提升服务效率，吸引更多患者，所以创新性的加入医生生成信息。

1 文献综述

1.1 在线医疗网站

在线医疗社区为医生和患者提供了线上沟通的平台[18]。社区用户可以进行医患沟通、获取健康知识，也可以浏览评价，评估医生服务质量[19]。

目前，已有文献研究了不同类型信息（用户生成信息、系统生成信息）对销量或用户行为的影响。如Chevalier和Mayzlin 研究用户评论对Amazon.com和Barnesandnoble.com网站上图书销售的影响；Dellarocas等人发现用户喜好评论票房高、评分高的电影，也喜好评论评分低、票房差的电影；然而这些研究主要针对商品领域，服务领域的研究较少。

1.2 信息来源划分及作用

口碑对消费者的购买决策具有重要作用[19-21]。传统口碑通过朋友或家人传播，涉及范围较小。随着网络技术的发展，出现了提供用户评论的在线平台，口碑有了其他传播方式。用户生成信息及系统生成信息都会以电子口碑的形式呈现给消费者。消费者仅付出搜索成本就能获得商品或服务的电子口碑并评估决策。因此，用户生成信息及系统生成信息都会对消费者的决策过程产生影响[22-24]。多数研究用户生成信息和系统生成信息的文献集中于传统的电子商务环境，而在线专家服务方面的研究有限，如在线医疗社区[19]。已有研究仅将信息来源划分为买方提供信息及系统提供信息，但在商品和服务领域中，卖方提供的信息同等重要，尤其对具有专家服务特征的医疗领域，医生提供的信息尤为重要。本文将填补这一空白。

1.3 转化率概念及其影响因素

目前转化率的研究集中在电商领域，医疗领域涉及较少。转化率是指将互联网流量转化为企业网站的流量；将企业网站的流量转化为第一次购买量；将第一次购买量转化为重复购买量。

国外研究起步较早，研究角度和模型更新颖。如使用与销售相关的数据开发在线购买模型，预测购买转化率[14，15]。部分研究使用转化率评估电子商务网站的可用性[16]。在国内，转化率的研究集中于理论及定性研究，定量研究较少。多数理论研究分析转化率影响因素，如顾客行为因素[25]和网站品牌[26]。

基于以上研究现状，本文从信息分类的角度研究在线用户反馈、系统生成信息和医生努力对患者购买转化率的影响。

2 研究模型与假设

患者在在线医疗社区中购买医生服务的过程分为两步，即搜索过程及评估决策过程。

在搜索阶段，患者根据自身健康需求，进行搜索以获得医生列表，然后参考某些信息，如医生职称、评分及所属医院，决定是否浏览医生主页。医生列表中有客观信息，如所在医院、职称，也有患者生成信息和系统生成信息。同时，服务作为特殊商品与一般商品不同，是无形且异质的[4]，而医疗服务具有专家服务中信息不对称的特征[4,27]，患者在购买前无法了解医生的服务质量。因此，列表中的患者生成信息与系统生成信息对患者的行为产生重要影响。

搜索后，患者会访问部分医生的主页，查看详细信息以决定是否购买服务。医生主页也有患者生成信息和系统生成信息。这两类信息对患者的决策会产生影响。

本研究的因变量是将企业网站的流量转化成第一次购买量的转化率，与用户行为过程有关。患者生成信息及系统生成信息均对患者的行为过程产生影响，因此会对因变量产生影响。根据上文所述，做出假设：

假设1：患者生成信息会对患者购买转化率产生影响。

假设2：系统生成信息会对患者购买转化率产生影响。

同时，本研究将医生生成信息作为一类新变量。医生列表中没有医生生成信息，但在患者决策过程中，医生主页的贡献值，发表文章数等能够反映医生的努力程度，因此此类信息也会影响患者的决策。所以医生生成信息也会影响患者的行为过程，进而影响转化率。故此假设：

假设3：医生生成信息会对患者购买转化率产生影响。

图1为本文研究框架。

图1 研究框架

3 方法

3.1 网站介绍

研究数据来自好大夫在线网站（www.haodf.com）。“好大夫在线”网站创建于2006年，旨在为广大患者提供信息作为就医参考。至今，该网站已成立11年，其数据和信息较丰富，运营模式也较成熟。作为我国最大的医疗网站之一，好大夫在线目前已收录全国7 713家医院、约49万名医生，可以反映我国在线医疗社区现状及用户特征，因此本研究选择好大夫在线的数据。图2为好大夫在线网站首页。

好大夫在线拥有大量信息，如医生个人信息（职称、所属医院等），患者生成信息（医生主页访问量、评分、感谢信等）、系统生成信息（年度医生奖杯）及医生的努力程度。因此，好大夫在线有足够的指标和用户量支持本研究。

3.2 变量的选取与描述

图2 好大夫在线网站首页

本研究使用火车采集器V9.4.1采集数据，样本为好大夫在线网站治疗糖尿病的医生。选取该样本的原因如下：首先，糖尿病可以作为慢性病的代表。相比急性病，慢性病患者患病时间长，日常健康管理对慢性病患者的疾病控制至关重要，因此，他们更容易在线获取健康信息及咨询。而糖尿病作为一种典型的慢性病，具有代表性。其次，糖尿病患者人数众多，具有代表性。我国已步入老龄化社会，老年人基数大，而糖尿病是一种典型慢性病，其患者具有代表性。搜索治疗糖尿病医生，网站根据患者推荐热度排序返回医生列表。为了获取一段时间内的购买转化率，共采集两次数据，时间分别为2017年4月4日和2017年4月13日，每次数据采集历时两天。将两次采集中均在列表中的医生作为本文的研究对象，删除重要变量缺失的样本，最终得到1414名医生的数据。本文的所有变量数据均来自医生个人主页，如图3所示。

本研究的因变量是指将企业网站的流量转化为第一次购买量的转化率，属于关键流程的转化率。图3是对所有变量的展示。

自变量根据信息来源划分为患者生成信息、系统生成信息及医生生成信息。

患者生成信息包括患者推荐热度和医生获得礼物数。在接受服务后，如果患者对医生的服务质量满意，就可以通过投票或赠送礼物表示感谢，而医生在列表中的排列顺序就是以推荐热度（由投票数得出）为标准降序排列的。所以，礼物和推荐热度均为积极反馈，可以反应医生的服务质量。因此，将礼物及推荐热度纳入患者生成信息。

系统生成信息为医生是否为年度好大夫。年度好大夫徽章是好大夫在线专业委员会每年年末根据医生的有效咨询量、电话咨询数量和患者满意度等多个指标评选出排名前100的医生，获得此荣誉的医生会在其主页显示一枚电子徽章。所以，年度好大夫作为系统生成评价，可以客观反映医生的服务质量，故归为系统生成信息。

医生生成信息为贡献值和发表文章数量。贡献值能够表示医生的努力程度。医生可以通过以下方式提高贡献值：第一，及时更新个人信息及出诊信息；第二，提高文章质量，使其被网站引用；第三，及时回复患者咨询。虽然贡献值由系统计算生成，但具体数值只与医生行为有关，因此将其纳入医生生成信息。此外，发表文章数量也能反映医生的擅长领域和专业水平。所以贡献值和发表文章数量均为医生生成信息。

为了控制其他变量对患者购买转化率的影响，模型中引入医生职称及医院等级作为控制变量。医生在医院有行政职称，等级从高到低依次为主任医师、副主任医师、主治医师和医师。行政职称是政府相关部门评定的，反映医生的医疗水平和从业经验。在本研究中，使用三个虚拟变量衡量医生职称。与医生职称类似，政府相关部门根据医院的医疗能力、技术水平等维度评定等级，分别为一级、二级、三级。每个级别又划分为甲、乙、丙三个等级。本研究纳入两个虚拟变量衡量三个等级。具体衡量方法见表1。

图3 医生列表及个人主页

表1 变量描述和衡量方法

3.3 模型建立

为了检验前文的假设是否成立，模型以转化率为因变量，以三类不同信息为自变量，建立多重线性回归模型。对模型中不符合正态分布的变量做对数变换。转换率计算公式及患者购买转化率回归方程如下：

本方程中要估计的参数为β1至β10，i表示每个医生。

4 结果

表2为变量的描述性分析，表3为变量相关性矩阵。由表3可得，医生贡献和文章数量与转化率（变量1）呈负相关，β值分别为-0.101和-0.079。

表4中模型一为控制变量对转化率影响的结果，模型二为引入自变量的结果。表中调整后的R2和F值均较合理。

假设1研究患者生成信息对转化率的影响。表4中礼物的结果可以支持此假设。因为礼物的回归系数为正且有统计学意义（β=0.474，T=0.117，P＜0.001）。因此，患者生成信息对转化率产生影响成立。

假设2研究系统生成信息对转化率的影响。表4中医生是否为年度好大夫的结果与预期不同，且无统计学意义（P=0.348），因此系统生成信息对转化率产生影响不成立。

假设3研究医生生成信息对转化率的影响。表4中贡献值与总文章的结果与预期不同，虽然贡献值有统计学意义（P＜0.001），但其回归系数为负，因此贡献值增加，转化率却降低。为了探究贡献值回归系数为负的原因，建模分别研究同一时段内这三类信息对患者访问量及购买量的影响。模型的自变量均不变，因变量为同一时段的访问量和购买量，做对数转换处理。

表2 描述性分析

表3 变量相关性矩阵

表4 患者购买转化率的回归分析结果

表5 访问量及购买量回归分析结果

表5中，模型三为患者访问量的回归结果，模型四为购买量的回归结果。首先分析同一时段内三类不同信息对患者访问量的影响，患者生成信息、系统生成信息及医生生成信息均有统计学意义（P＜0.001），虽然礼物的显著性偏大，但接近0.05（P=0.066），故可粗略认为具有统计学意义。除礼物外的变量回归系数均为正，因此这些变量均可促进患者访问医生主页。礼物的回归系数为负，与预期相反。这可能与好大夫在线的特点有关，患者获得医生服务后，有两种方式表示感谢，即感谢信和礼物，如果患者选择了写感谢信，一般不会再赠送礼物。投票数是由感谢信计算得到。医生的列表排名是以推荐热度为准降序排列的，而推荐热度由投票数生成，所以排名越靠前，推荐热度越高，获得礼物越少，因此礼物的回归系数为负。但礼物对医生主页的访问量仍有促进作用。

然后，我们分析同一时段内三类不同类型信息对患者购买量的影响，患者生成信息、系统生成信息及医生生成信息的回归系数均为正且有统计学意义(P＜0.05)，因此这三类信息均可促进购买量。

转化率方程中贡献值回归系数为负的现象，也可以进一步解释。在访问量和购买量的方程中，贡献值的回归系数为0.634、0.0095，因此贡献值对患者访问量和购买量均有积极影响。但是当医生贡献值增加时，访问量的增加速度远超过购买量的增加速度，故购买转化率减小。但是贡献值对购买转化率仍有积极影响。

5 讨论及意义

5.1 讨论

本文探究三类信息（患者生成信息、系统生成信息、医生生成信息）对患者购买转化率的影响，并假设这三类信息对患者购买转化率均产生影响。为了验证假设，建立了多重线性回归模型。实证结果表明患者生成信息与医生生成信息对转化率产生了影响，而系统生成信息对转化率未产生影响。

系统生成信息对转化率未产生影响可能是由于用户对此类信息不信任，因为年度好大夫与销量及票房排名等不同，是好大夫在线专业委员会根据多项指标综合评价的结果，计算过程复杂、获得人数较少且网站没有公开说明评价标准，因此用户不了解该指标的真实性。而医疗服务关乎患者生命，在不了解指标的情况下，患者可能不会参考该因素。

针对该问题，网站设计者需加大宣传力度，详细说明年度好大夫徽章的评估标准和计算过程，取得患者信任。对服务提供者而言，尽管患者未关注系统生成信息，但仍会参考产品销量和服务满意度等，因此医生要通过增加咨询量、提升患者满意度以促进转化率。

5.2 创新性

本文的理论创新有两点。第一，本研究的领域为医学领域。虽然已有研究探究了用户生成信息与系统生成信息产生的影响，但是侧重于其他领域，如图书、游戏及电影[12，21，22]，医学领域研究较少。而且医疗服务是无形且异质的，具有特殊性，因此患者难以在接受服务前合理评估医生的服务质量[4]。为了弥补这一理论空缺，本文探究了患者生成信息、系统生成信息及医生生成信息对患者购买转化率的影响。第二，本研究加入了医生生成信息作为新变量。虽然已有研究从信息分类的角度进行研究，但是通常未加入卖方生成信息。而在线医疗社区服务是特殊的产品，服务提供者本身可以通过努力，及时回复疑问、更新出诊时间，积极发表文章，提升服务效率，吸引患者。因此，本研究加入医生生成信息作为新变量。

本研究的实践意义为：第一，研究结果表明，患者生成信息与医生生成信息对转化率有积极影响。对网站设计者而言，要为患者提供更多机会和方式获得、显示这两类信息，既减少了医患间的信息不对称，也能从不同角度展现医生的服务质量。第二，对服务提供者而言，如果他们积极管理在线信息，及时更新信息、发表高质量文章、尽快回复咨询，就可以提高转化率。虽然医生不能改变患者生成信息的数量，但可以通过努力吸引患者。

5.3 研究的局限性

本文还有局限。首先，本文样本的选取导致研究结果的局限性。目前，结果只能代表好大夫在线部分医生的情况，但无法代表该网站乃至在线医疗社区的整体情况，未来的研究可以收集更多网站的数据，验证假设是否成立。其次，本研究的前提是患者在决策前对医生没有明确的选择倾向，但患者也可以不参考文中变量，直接购买某个医生的服务。由于少数患者未经历搜索、决策过程，所以研究结果可能存在偏差。最后，本研究只分析了总体购买转化率，而没有按照服务类型做对比分析。总体转化率与某个服务类型的转化率可能会有区别，因此接下来的研究可以分析不同服务类型的转化率是否有差别。

5.4 结论

本文探究了三类不同信息（患者生成信息、系统生成信息及医生生成信息）对患者购买转化率的影响。研究通过建立多重线性回归模型对三个假设进行验证，实证结果支持假设一和假设三，假设二不成立，即患者与医生生成的信息对购买转化率产生影响，而系统生成信息对转化率没有影响。

[1] Dranove, D. Demand inducement and the physician/patient relationship [J]. Economic Inquiry, 1988, 26(2):281-298.

[2] Akerlof, G.A.. The market for ‘lemons’: quality uncertainty and the market mechanism [J]. Quarterly Journal of Economics ,1970,84(3): 488-500.

[3] Ba, S., Pavlou, P.A.. Evidence of the effect of trust building technology in electronic markets: price premiums and buyer behavior [J]. MIS Quarterly, 2002, 26(3): 243-268.

[4] Parasuraman, A., Zeithaml, V.A., Berry, L.L.. A conceptual model of service quality and its implications for future research [J]. The Journal of Marketing , 1985,49(4):41-50.

[5] Xiao, N., Sharman, R., Rao, H., et al. Factors influencing online health information search: an empirical analysis of a national cancer-related survey [J]. Decision Support Systems , 2014,57:417-427.

[6] Ba, S., Wang, L.. Digital health communities: the effect of their motivation mechanisms [J]. Decision Support Systems,2013,55(4):941-947.

[7] Kucukyazici, B., Verter, V., Mayo, N.E.. An analytical framework for designing community-based care for chronic diseases [J].Production and Operations Management,2011,20(3):474-488.

[8] Chen, D.Q., Preston, D.S., Xia, W..2013. Enhancing hospital supply chain performance: a relational view and empirical test [J]. Journal of Operations Management,2013,31(6):391-408.

[9] Chen, Y., Xie, J.. Online consumer review: word-of-mouth as a new element of marketing communication mix [J]. Management Science,2008:54(3):477-491.

[10] Dellarocas, C.. The digitization of word of mouth: promise and challenges of online feedback mechanisms [J]. Management Science,2003,49(10):1407-1424.

[11] Chevalier, J.A., Mayzlin, D..The effect of word of mouth on sales: online book reviews [J].Journal of Marketing Research,2006,43(3):345–354.

[12] Duan, W., Gu, B., Whinston, A.B.. Do online reviews matter?—An empirical investigation of panel data [J]. Decision Support Systems,2008,45(4):1007-1016.

[13] Zhu, F., Zhang, X.. Impact of online consumer reviews on sales:the moderating role of product and consumer characteristics [J].Journal of Marketing, 2010,74(2):133-148.

[14] Catarina S.,Randolph E. Buckli. Modeling Purchase Behavior at an E-Commerce Web Site: A Task Completion Approach [J]. Journal of Marketing Research,2004, 4(3):306-323

[15] Wendy W. Moe, Peter S. Fader. Dynamic Conversion Behavior at E-Commerce Sites [J]. Management Science,2004,50(3):326-335.

[16] G Linden,B Smith,J York.Amazon.com Recommendations Item-to-Item Collaborative Filtering [J].IEEE Internet computing,2003,7(1):76-80.

[17] 马骋宇.在线医疗社区服务利用及转化研究——以好大夫在线为例[J]. 中国卫生政策研究,2016,9(11):70-73.

[18] Ziebland, S., Chapple, A., Dumelow, C., et al. How the internet affects patients’ experience of cancer: a qualitative study [J].British Medical Journal, 2004, 328(6):564-569.

[19] Gao, G.G.,Greenwood, B.N., McCullough, J., et al.A Digital Soapbox? The Information Value of Online Physician Ratings,Conference on Information Systems and Technology, 2011.

[20] Bass, F.M.. Comments on“a new product growth for model consumer durables the bass model”[J]. Management Science,2004,50(12):1833-1840.

[21] Dellarocas, C., Gao, G., Narayan, R.. Are consumers more likely to contribute online reviews for hit or niche products?[J]. Journal of Management Information Systems,2010, 27(2):127-158.

[22] Archak, N., Ghose, A., Ipeirotis, P.G.. Deriving the pricing power of product features by mining consumer reviews [J]. Management Science, 2011, 57(8): 1485-1509.

[23] Gu, B., Ye, Q.. First step in social media-measuring the influence of online management responses on customer satisfaction [J].Productions and Operations Management,2014,23(4):570–582.

[24] Ye, Q., Law, R., Gu, B., et al. The influence of user-generated content on traveler behavior: an empirical investigation on the effects of e-word-of-mouth to hotel online bookings [J]. Computers in Human Behavior,2011,27(2):634-639.

[25] 卞保武.企业电子商务网站转化率问题的研究[J].中国管理信息化,2010,13(2):97-99.

[26] 陶冶,牛西. 电子商务网站转化率影响因素及对策分析——以淘宝网为例[J].科技广场,2016,3:136-139.

[27] Arrow, K.J..Uncertainty and the welfare economics of medical care[J]. The American Economic Review,1963,53:941-973.

Exploring the Effects of Information from Different Sources on Patients’ Conversion Rate

LIU Ying-xin , WU Hong, LU Nai-ji*
（School of Medicine and Health Management, Tongji Medical College of Huazhong University of Science & Technology, Wuhan, Hubei,430030）

Purpose/SignificanceHealth care service is a high-risk service and it is related to the patient’s life. In the course of service, physicians and their patients should establish the relationship of trust. However, medical service is professional, physicians have enough medical knowledge, but most patients are short of medical knowledge. So before receiving the service, they could not judge the quality of physicians. With the development of the Internet, patients share their reviews through online health communities.And it is also a chance to know about the quality of physicians’ service quality. Existing studies have explored the impact of different types of information on sales or user behavior, but there are few studies in the service domain. And existing studies have only divided the information source into buyer-generated information and system-generated information. In the domains of commodity and service,seller-generated information is equally important, especially for medical. But the study about it is less.Methods/ProcessOne thousand four hundred fourteen physicians’ real data were collected from a Chinese online health community. The data were analyzed using multiple linear regression.Results/ConclusionThe study found that patient-generated and physician-generated information on physicians’ service quality positively impact patients’ conversion rate, but system-generated information do not impact patients’conversion rate. Our study recommends that the designers of the online healthcare websites should provide more opportunities for patients and physicians to upload their information. Because it plays an important role in patients’ decision. Physicians should manage online information and make efforts to attract patients, for example updating the information on time, replying as soon as possible,publishing more articles.

Online health communities; Conversion rate; Patient-generated information; System-generated information;Physician-generated information

10.19335/j.cnki.2096-1219.2017.22.07

华中科技大学自主创新研究基金资助项目“智能健康信息的管理、分析和评估”（项目编号：2016YXZD0329）。

刘颖馨，（1993-）女，天津，华中科技大学同济医学院，主要从事在线医疗社区研究；吴红，（1990-）女，黑龙江，华中科技大学同济医学院，主要从事在线医疗社区研究。

卢乃吉，（1980-）男，江苏，华中科技大学同济医学院，副教授，主要从事在线医疗社区研究。