考虑产品体验性和渠道整合的实物型产品O2O演化仿真研究

， ，

(1.东华大学 旭日工商管理学院，上海 200051; 2.中国邮政集团公司 常州市分公司，江苏 常州 213002)

1 引言

随着互联网以及移动智能终端的普及，O2O(online to offline)在国内得以迅猛发展，其运营模式的多样性使得学术界很难形成关于O2O的统一定义[1]。此处借用李克强总理在十二届全国人大三次会议中政府工作报告里的一句话，即“以互联网为载体、线上线下互动的新兴消费[2]”来定义O2O。王长军等[3]指出其基本特质是“企业通过有形店铺和无形店铺的组合，满足消费者任何时候、任何地点、任何方式购物、娱乐和社交的综合体验需求”。近年来，伴随O2O快速发展的同时，也出现大量O2O企业运营难以为继，相继倒闭的现象[4]。因此，对其运营规律进行研究有着重要的现实意义。

现有研究中相当一部分关注O2O渠道特征或是产品属性对于需求产生的影响。在渠道特征方面，Brynjolfsson等[5]基于实际的数据，研究门店地理位置和数目对于顾客在线消费的影响，并仔细探讨了这种影响是如何因不同的渠道而异的。Gao和Su[6]等关注了线下展示和线上虚拟展示对于需求以及退货率的影响。Brynjolfsson和Simester[7]深入研究了线上和线下渠道的不同特征，指出即便在线上和线下有着相同的产品可获得性和价格时，线上渠道销售的产品要更为分散，并将这一现象归于线上推荐工具具有的产品搜索能力。类似地，Oestreicher-Singer和Sundararajan[8]研究了基于点击的产品推荐系统对于线上需求的影响，构建了以众多因素为自变量的一般需求函数，以Amazon数据为基础进行了应用。另外，产品属性，特别是产品体验性直接影响O2O需求。考虑到消费者本身具有渠道倾向性[9]，显然，产品体验性的存在使得O2O中的消费行为变得更加复杂。Liu[10]将产品分为体验性产品和信用性产品，研究了不同情况下的消费者渠道选择规律。Narayanan和Nandagopal[11]说明线上产品信息或质量的不确定性直接影响消费者渠道选择和需求产生。Overby和Jap[12]以汽车为例，研究了体验性产品的渠道适用性问题。此外，渠道整合是O2O运营模式中另一个特殊的问题。Gallino和Moreno[13]基于“线上购买，线下取货”这一模式，研究了线上线下渠道整合及共享库存信息对销量所带来的影响。Zhao等[14]则考虑需求不确定性，研究线上客户订单转发线下门店完成这一模式应对库存风险的有效性。但现有此类研究明显偏少。

O2O的特殊性在于其同时拥有线上和线下渠道，两个渠道起着各自的作用。有研究表明，线上渠道引流效果明显，产品搜索成本低[7]。获得信息的消费者却受制于产品信息的不确定性，如Narayanan和Nandagopal[11]，Kim和Krishnan[15]所指出。此时，就需借助于线下渠道和声誉机制。互联网环境下，声誉对于产品销售的推动起着重要的作用，互联网本身所具有的去中心化特点使得分散在消费者中的声誉显得更为重要，而声誉的传播需要依赖于消费者的社会网络。而Lu和Chen[9]指出，O2O面对的消费者更广，类型也更为复杂。有些消费者的社交基本在线下，而有些则偏重于微信等线上工具。简言之，消费者会以不同的方式传播产品声誉，产生需求。然而，现有研究基于的需求模型多为静态和整合，即忽略了消费者之间的交互，也无法顾及单个消费者。He等[16]是为数不多的考虑了消费者交互的O2O研究，但针对的是服务型产品，没有涉及实物型产品O2O以及与之相关的物流成本，更没有考虑渠道整合会给运营带来怎样的影响。

为此，本文基于消费者线上-线下社会网络的产品声誉扩散，采用多代理仿真构建相应模型，研究消费者和卖家微观行为对于实物型产品O2O市场演化结果的影响。研究中考虑了产品体验性、消费者渠道偏好等O2O市场中的要素。对于渠道整合，本文选择京东到家、唯品会等诸多企业所广泛使用的“线上订单由线下门店配送”这一方式。

本文与现有研究不同之处在于，一是利用相依网络(interdependent network)描述O2O面对的消费者线上-线下社会网络，利用影响最大化模型中的线性阈值模型[17]刻画消费者相互影响和需求产生过程；二是构建了考虑产品体验性和消费者渠道偏好的消费者行为决策模型；三是针对实物型产品O2O特征，在模型构建和结果观察中均考虑了线下渠道中的库存、运输等物流因素。

2 模型构建

考虑某产品通过某卖家包含线上平台和线下多个门店的两个渠道同价销售，此外，还包含一个给线下门店和线上订单供货的配送中心(distribution center, DC)。销售面对由消费者线上和线下社交关系分别构成的线上和线下消费者社会网络。网络中每一个节点对应一个消费者，则该网络是一个两层一对一的相依网络(one-to-one interdependent network)，即线上网络与线下网络节点数相同，且线上网络中的一个节点唯一地依赖于线下网络中的一个节点，反之亦然[18]。

本文研究产品声誉在这样一个相依网络中扩散、引发消费者购买和卖家运营的动态过程，通过分析演化结果，给出相应的管理建议。下文首先从消费者影响传播、消费者以及卖家行为决策三个方面对模型构建进行详述。

2.1 消费者影响传播模型

2.2 消费者购买行为决策模型

此处给出消费者渠道选择和购买决策的定量描述。显然，渠道价格和渠道便利性会影响消费者行为。本文假设线上、线下同价，均为P。以线上购买的到货时效和消费者距最近线下门店距离来分别衡量线上和线下的购买便利性。为此，记消费者i至卖家DC和最近门店的距离为Di和di。考虑到线上购买由DC送货，为此，用Di反映线上购买的到货时效。先将其做归一化处理

(1)

(2)

(3)

图1 消费者i购买决策行为模型示意

对于区域Ⅲ和Ⅳ中，允许体验后不满意而不购买的情况存在。此类消费者在落入相应区域的消费者总人数中占比记为γ(∈(0,1))。

2.3 卖家DC和各线下门店物流运营模型

考虑到消费者需求随机，本文假设，DC和各门店采用经典的持续库存检查策略。为此，记DC和门店a面临的随机需求的均值和标准差分别为AVGDC、AVGa、σDC、σa，两者的补货提前期为LTDC和LTa，且各门店补货提前期相同，则LTa可简化为LT。DC与门店的库存服务水平均为SL(∈(0,1))，对应安全库存公式中的安全系数为z。则DC和门店a的订货点(re-order point, ROP)分别为

(4)

(5)

当库存量降至各自ROP时，门店a向DC，DC向上游供应商发出订单，数量为Qa、QDC，由经济订货批量决定，即

(6)

(7)

其中KDC(K)和hDC(h)分别为DC(各门店)的订货成本和单位库存持有成本。这里，假设上游供应商供应量无限，所以QDC总能得到满足，而Qa则可能因DC缺货而无法满足，此处假设已订未交订货量不再补货。记DC和门店a的单位缺货成本为shDC和sha。

订单交付采用按订单运输的方式。单位运输费率记为c。基于此和相应的运输量(即订货量)，可以计算出由DC到门店和到消费者的运输成本。

3 演化仿真实验与结果分析

线下人际关系满足“六度分离”，具有典型的小世界特征，为此，本文采用WS小世界模型[19]模拟消费者线下社会网络。刘志明和刘鲁[20]说明诸如微博的线上网络是以一个服从幂律分布的复杂网络，与无标度网络结构性质相似，为此，本文采用BA无标度模型[21]模拟消费者线上社会网络。

表1 仿真数据取值

3.1 基于产品体验值β的仿真与结果分析

考虑到产品体验性的重要性，本节对比分析不同β(0.2、0.5和0.7)下的仿真结果。

观察市场覆盖率(图2)，需求呈现先缓慢，再快速，继而到达顶峰的增长趋势。这种增长模式可通过行业现实观察到，由缓慢增长到快速增长的转折点也被称为引爆点[23]。另外，可以发现，β值小(即产品体验性强)的产品需求增长速度慢，市场覆盖率小。究其原因，是因为强体验性抬高了销售门槛，致使更多消费者至线下门店进行体验，其中部分就会有体验后不满意而不购买的情况。

表2给出了仿真结束时，各类消费者(分类见图1)的占比。不难发现，随着β值增加，需求结构发生明显变化，体现在区域Ⅱ、Ⅴ所占比重增加，而在区域Ⅲ、Ⅳ大幅下降。这是由于产品体验性变弱，消费者则依据其自身对渠道的偏好，选择在线上或线下直接购买。

图2 不同β值下的市场覆盖率

购买行为β=0.2β=0.5β=0.7Ⅰ2.5%4.1%4.7%Ⅱ1.5%6.7%11.5%Ⅲ13.1%9.4%5.3%Ⅳ51.3%35.0%21.4%Ⅴ6.0%26.5%44.1%未激活25.6%18.3%13.0%

本文考虑的总物流成本包括第2节模型中所述的库存、运输、订货和缺货成本。仿真发现缺货成本和订货成本总量较小。图3和图4给出库存成本和运输成本变化情况。不难发现，β值越小，总需求越小，故其库存成本更小，同时，消费者更易选择线下直接购买，卖家因此而节省了运输费用。总物流成本主要由这两部分构成，变化趋势与之类似。

图3 不同β值下库存成本

图4 不同β值下运输成本

以上现象与分析启示管理者：在O2O中，产品体验性越强，越需要尽可能因产品信息不确定而产生销售门槛，同时，提升其线下门店的体验功能。反之，则需加强物流功能，以应对快速增长的需求和由此而引发的更大库存量和运输量。

3.2 基于渠道整合的仿真与结果分析

原先由DC配送的线上订单，现由离消费者更近的门店库存满足，这是近年来国内企业广泛采用的O2O渠道整合模式。本节以这一模式为背景。其中整合后，线上需求由距离消费者最近的门店配送，若最近门店缺货，则由次近门店配送，依次直至最终由DC配送。本节β取0.5。

表3 渠道整合前后消费者行为决策分布

由图5，渠道整合后，在仿真初期，物流总成本差异不大，但随着仿真的进行，改善明显。究其原因，因整合导致配送距离减短，继而导致运输成本减少是主因。同时，整合改善了产品可获得性，导致缺货成本大幅削减。

与直觉相反，结果表明，渠道整合后库存成本不降反升(见图6)。对门店而言，在整合后，原先线上直接由DC满足的需求转至线下，导致各门店面临的需求增加，相应的安全库存和最大库存随之增加。而DC作为所有需求的供应源，虽然所面临的总需求变化不大，但在整合后，渠道吸引力增加(主要是线上，见表3)，影响扩散更快，导致仿真周期缩短，继而使得DC面临的需求波动性增加，从而导致其库存量增加。由此，推高了整体库存成本。

图5 物流总成本

图6 库存成本

关于渠道整合的仿真结果与分析启示相关企业：

(1)管理者不能期望渠道整合带来更多的需求，渠道整合的目的更多在于优化需求结构和自身运营效率。就需求结构而言，渠道整合可以有效地将消费者引导至线上购买，特别是当消费者格外重视时效时。就运营效率而言，渠道整合可以有效优化物流总费用，特别是运输和缺货成本。

(2)直觉上会认为渠道整合将有助于优化系统总库存量，但实际情况是渠道整合后的需求波动更大，反而使得总体安全库存有所增加，导致库存量增加。加之整合后线下门店备货量更大，而其单位库存费用就远高于DC，导致整体库存费用恶化。由此，建议明确O2O中DC和门店各自备货重点：将消费者时效性要求高、运输费用高且缺货损失大的产品增加门店备货比重，实现O2O渠道整合，而对于时效性要求不高、运输费用低且缺货损失小的产品，则仍由DC备货并发货。

4 结论与启示

卖家存在线上-线下渠道，并规划其DC和各门店库存；消费者会根据其线上-线下社会网络了解到产品信息，并做出相应的购买选择。本文对这一常见的O2O模式进行了研究，利用相依网络描述消费者网络，并构建基于线性阈值的影响传播模型，继而，构建考虑了产品体验性和消费者渠道偏好的消费者行为决策模型，以及卖家物流模型，由此展开演化仿真研究。结果表明，本文模型能够比较好拟合现实情景，并得到如下发现与启示：

(1)对于体验性弱的产品，O2O管理重点在于构建高效物流功能；而对于体验性强的产品，重点是降低消费者因为体验性高而产生的购买门槛。该结论可以由相关企业的做法得到印证：以H&M为例，其销售时装大多体验性强。为此，在其O2O运营中，线下门店开设于城市中心位置并强调提供消费者试穿体验的便利；线上则允许消费者在30天内退货并退款，以此打消消费者对于产品信息不确定而产生的购买疑虑。

(2)“线上订单由线下门店来满足”这一O2O整合模式并不能显著增加总需求，但却改变了需求结构，带来的好处更多来自于物流成本，特别是运输和缺货成本的降低。注意到，许多O2O中，线上和线下隶属不同部门，甚至是不同企业。该结论提示管理者不能指望销量的增加来补偿O2O整合所付出的努力，重点应放在如何平衡线上和线下的利益关系，促使合作以实现物流费用下降带来的好处，以保证整合模式的长久运行。

(3)与直觉相反，渠道整合后库存费用不降反升。通过分析背后原因，提示管理者，O2O渠道整合应侧重于消费者时效性要求高、运输费用高且缺货损失大的产品。这一启示与京东到家主打生鲜等产品的做法是一致的。

在今后研究中，可将本文研究方法拓展到对于新零售模式的研究中；也可借助间接互惠的理念，研究多种消费者类型(恶意评价者、默认好评者和辨识者)所带来的影响；还可针对消费者的相依网络，研究选取精准营销中种子节点的高效算法等。

[1] Wang L Y. What is O2O[J]. IT Industry, 2013, 20(1): 15-18.

[2] 李克强.李克强作的政府工作报告[N].人民日报,2015- 03- 06(01).

[3] 王长军,邓欣蕾,蔡昱瑶.竞合视角下的O2O商业模式分类及其运营研究[A].第十九届世界管理论坛暨东方管理论坛论文集[C].北京:管理世界杂志社,2015.135-140.

[4] 艾瑞咨询.2016年中国O2O行业发展报告[EB/OL]. http://www.iresearch.com.cn/report/2612.html, 2016- 07- 05.

[5] Brynjolfsson E, Hu Y, Rahman M S. Battle of the retail channels: how product selection and geography drive cross-channel competition[J]. Management Science, 2009, 55(11): 1755-1765.

[6] Gao F, Su X M. Online and offline information for omnichannel retailing[J]. Manufacturing & Service Operations Management, 2017, 19(1): 84-98.

[7] Brynjolfsson E, Simester D. Goodbye pareto principle, hello long tail: the effect of search costs on the concentration of product sales[J]. Management Science, 2011, 57(8): 1373-1386.

[8] Oestreicher-Singer G, Sundararajan A. The visible hand? Demand effects of recommendation networks in electronic markets[J]. Management Science, 2011, 57(11): 1963-1981.

[9] Lu H, Chen Y. Strategic motive for introducing internet channels in a supply chain[J]. Production & Operations Management, 2014, 23(1): 36- 47.

[10] Liu Y. Customers’ choice between online or offline channel about search products, experience products and credence products[J]. International Business Research, 2016, 9(11): 38-56.

[11] Narayanan S, Nandagopal R. From multi-channel to omni-channel: determinants of channel choice[J]. Asian Journal of Research in Social Sciences and Humanities, 2016, 6(9): 1016-1035.

[12] Overby E, Jap S. Electronic and physical market channels: a multiyear investigation in a market for products of uncertain quality[J]. Management Science, 2009, 55(6): 940-957.

[13] Gallino S, Moreno A. Integration of online and offline channels in retail: the impact of sharing reliable inventory availability information[J]. Management Science, 2014, 60(6): 1434-1451.

[14] Zhao F, Wu D, Liang L, et al.. Lateral inventory transshipment problem in online-to-offline supply chain[J]. International Journal of Production Research, 2016, 54(7): 1951-1963.

[15] Kim Y, Krishnan R. On product-level uncertainty and online purchase behavior: an empirical analysis[J]. Management Science, 2015, 61(10): 2449-2467.

[16] He Z, Cheng T C E, Dong J, et al.. Evolutionary location and pricing strategies for service merchants in competitive O2O markets[J]. European Journal of Operational Research, 2016, 254(2): 595- 609.

[17] Kempe D, Kleinberg J. Maximizing the spread of influence through a social network[A]. In Getoor L, Senator T, eds. Proceeding of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. ACM Press, Washington, 2003. 137-146.

[18] Buldyrev S V, Parshani R, Paul G, et al.. Catastrophic cascade of failures in interdependent networks[J]. Nature, 2010, 464(7291): 1025-1028.

[19] Watts D J, Strogatz S H. Collective dynamics of “small-world” networks[J]. Nature, 1998, 393(6684): 440- 442.

[20] 刘志明,刘鲁.微博网络舆情中的意见领袖识别及分析[J].系统工程,2011,29(6):8-16.

[21] Barabási A, Albert R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439): 509-512.

[22] Li F F. Pinning control design for the stabilization of boolean network[J]. IEEE Transaction on Neural Networks and Learning Systems, 2017, 27(7): 1585-1590.

[23] 陈威如,余卓轩.平台战略[M].北京:中信出版社,2013.87-112.