电商直播效果与影响因素的关系分析

张宝明，夏 悦，杨晨宇

（上海理工大学管理学院，上海 200093）

新冠疫情给社会带来许多灾难的同时，也带来了不少商机。例如，带火了网络直播行业。作为直播带货的一种形式，电商直播秉承了网络直播互动性强的特点，在与客户互动和产品介绍的过程中，电商主播与达人不仅“无意中”勾起了客户的好奇心，营造了更好的购物氛围，而且激发了更多的购物欲望和消费冲动，给企业和相关店铺带来了不少生意。

然而也应看到，电商直播的历史毕竟很短，商业模式也未完全成熟，电商直播繁荣的背后，确实也隐藏着不少问题。例如，一些平台和达人，为了吸引更多的客户，不顾商业道德，不讲诚信，虚报销售额和销售人数，对数据进行造假，等等。所有这些，不仅影响了客户的消费意愿和客户价值，而且影响了企业形象和收益。为了弄清这些因素对电商直播的影响及相关的影响机制，本文有针对性地选取了电商直播平台与主播的影响力和专业度、商品质量与售后服务这两个关键因素，通过分析电商直播的交易过程、博弈过程和信息传播机制，建立电商直播效果与这些因素之间的关系模型，利用Netlogo平台编写仿真程序，通过仿真来探讨它们之间的关系，很有必要。

1 电商直播研究现状

目前，学者对于电商直播领域的相关研究成果较多，本文主要从电商直播营销模式、电商直播发展模式、电商直播应用场景、直播信息的传播机制等理论进行评述。

1.1 电商直播营销模式

电商直播的客户购物意愿，受许多因素的影响，如诚信、商品品类与商品质量、平台与主播的影响力与声誉、平台属性等，注重以人带货、以内容带货、以社交生态带货和以平台带货。基于SOR 理论、IIR 或信号模型理论，文献［1-2］进行了讨论。但是应该看到，基于客户价值的营销机制固然有其价值，能吸引到更多的客户参与直播并进行购物，但如果未做好售后服务或质量把控，对商家来说未必就能盈利。就此来说，文献成果存在一定的局限。

1.2 电商直播发展模式

主要分为邀请网红或明星作为合作主播带货以及商家“店铺”自播两种。本质上它们是利用平台和明星的人气、商品影响力、优惠力度等，客户在观看直播的过程中，通过点击直播间链接来购买产品，接收主播的商品推荐，或发表自己的意见和看法。文献［2］进行了讨论，但对其模式创新机制未有讨论。

1.3 电商直播应用场景

文献［3-4］讨论了电商直播的应用场景，包括农产品、生鲜食品、饮料、美容护理、服装、鞋包、床上用品、旅游产品等品牌产品和生活必需品。尽管场景应用比较广泛，但鲜有文献对它们之间的差异做比较研究。

1.4 直播信息的传播机制

信息传播形式上虽然表现为信息的流动，但其本质是高度智能的人与网站、信息、环境相互作用的结果，受到多种非线性、随机性因素及异构实体交互过程的影响。在电商直播过程中，负面信息和正面信息会通过网络、直播平台以及其他各种类型的平台进行传播，进而会影响客户参与的人数。文献［5］对网络信息传播的动力学模型进行了分析，对传播效果进行了仿真研究。结果显示，网络信息传播有别于一般的基于SIR模型的疾病传播，其传播速率遵循S形曲线。

2 电商直播交易过程及相关模型分析

电商直播交易过程分为四个阶段，分别是初始阶段、博弈阶段、信息传播阶段和客户调整阶段。

在初始阶段，电商直播平台与主播的影响力和专业度，对吸引客户参与交易起到决定性的作用。影响力和专业度越大，往往吸引的交易客户就越多。因此，可以假设初始的交易客户量与影响力和专业度成正比。

在博弈阶段，卖方与买方处于竞争对立的环境下，为此需要依据各自所掌握的信息，在一定的规则约束下进行网络演化博弈，以尽可能取得最大的收益。博弈双方可采取合作（cooperation）、背叛（defection）、以牙还牙（tit-for-tat）、模仿（如模仿最优者、模仿优胜者、随机配对比较）等策略来更新自己的策略［6］。考虑到电商直播的本质还是电商，大家本意都是为了交易，并且为了降低仿真的难度，为此本文假设在直播的过程中，买卖双方都采取合作的策略进行博弈。

在售后服务与信息传播阶段，客户可能会提出各种各样的售后服务请求，卖家应尽力满足。但是，囿于资源和能力的制约，现实中卖家不可能完全满足所有客户的服务请求。得不到满足的客户会制造负面信息；当然，得到满足的客户相应地也会产生正面信息。这些信息会通过直播平台或其他网络媒介，甚至线下媒介进行快速传播，影响更多的人群。

依据网络信息传播动力学原理，网络信息传播具有S 形函数的非线性演化特征（图1）。信息价值与信息传播的范围之间存在非线性正相关，即信息传播的速率其中，v0为信息在网站上初始时刻的时效性价值，λ为信息在网站中的时效性衰减系数，σ(t) 为在网站影响力、信息传播方式（包括读、写、评、传）共同作用下的人数加权平均系数，这里分别为信息阅读人数、信息评论人数和信息写作人数。

图1 信息传播的S形曲线特征Fig.1 S-curve characteristics of information dissemination

最后，当客户提出售后服务请求后，势必会产生两种结果：满意或不满意。不满意就有可能产生退货行为，退货人数显然与售后服务（包括商品质量）的不满意率有关。所以，在客户调整阶段，可能产生的退货人数为：退货人数=售后服务不满意率×购买人数。这是正常状态下因服务不到位或商品质量原因而导致的退货情况。

另外，考虑到网络信息传播效应，由退货而带来的负面信息经过传播之后，因信息扭曲与失真、口碑效应等原因，势必会带来更多的外溢的退货人群，流失更多的已有客户。与此相对应，由顺利购买而带来的正面信息经过传播之后也会带来更多的外溢的购买人群，吸引更多的新客户。因此有：外溢的退货人数=退货人数×负面的信息传播速率；外溢的购买人数=（购买人数-退货人数-外溢的退货人数）×正面的信息传播的速率。

若以q_users 代表购买人数，q_ret 代表退货人数，q_over_ret代表外溢的退货人数，r=v0.σ0.Sigmoid(-ω(t-t0)) 代表负面信息传播的速率（这里用Sigmoid曲线来模拟r（t）曲线），q_over_attract 代表外溢的购买人数，r′=*v′0.σ′0.Sigmoid(-ω′(t′-t′0)) 代表正面信息传播的速率，则有：q_over_ret = q_ret ×v0.σ0.Sigmoid(-ω(t-t0))，q_over_attract =(q_users - q_ret - q_over_ret)× v′0.σ′0.Sigmoid(-ω′(t′-t′0))。这里需要指出的是，r′曲线比r曲线更平缓，更接近线性关系（图2）。

图2 信息传播速率Fig.2 Information propagation rate

3 算例模拟分析

本文基于Netlogo 平台，依据前述的流程和模型，编写相关的Netlogo仿真程序，对实验环境进行初始化设置，对参与电商直播的交易主体进行建模。程序中初始参数设置及相关算法流程图如表1 和图3 所示。通过仿真，得出了以下的结论。

图3 算法流程图Fig.3 Algorithm flow chart

表1 初始参数设置Tab.1 Initial parameter setting

（1）服务不满意率决定了电商直播的带货持续时间，影响到参与交易的人数。在直播平台和主播影响力一定的情况下，商品质量及相关服务（如物流服务、信息服务等）的不满意率存在一个“临界值”（本文为2. 5% 左右）。当低于这个临界值时，直播会持续不断地吸引到客户参与交易，尽管人数不多，交易会持续不断地进行下去；当高于这个临界值时，参与交易的人群和带货量会快速降为0，交易过程很快就会结束；而在接近临界值时，交易过程可以持续一段时间（可以进行多轮博弈，轮次不一，平均6 轮左右），尽管时间长短不一，但最终会归于结束，交易人群和带货量也会归零。相关增长曲线如图4所示。

图4 服务不满意率接近临界值(2.5%)时带货持续时间及交易人数增长曲线示例Fig.4 Example of the growth curve of goods carrying duration and number of transactions when the service dissatisfaction rate is close to RV(2.5%)

（2）直播平台和主播的影响力也会对带货持续时间产生影响。直播网站的影响力越大，带货持续时间反而会越短，反之带货持续时间会越长。但是，交易人数却呈现出随机性、非线性的关系：在影响力很大时，尽管带货持续时间较短，可最终得到的交易人数却很多；在影响力不是很大时，得到的交易人数具有不确定性。

随机进行10 次仿真结果显示，当直播网站的影响力很大（达到50%）时，带货持续时间（博弈轮次）只有3. 7 轮，最终交易人数平均可达10064 人；而当直播网站的影响力为5% 和1% 时，带货持续时间分别为6 次和6. 3，成反比关系，但最终得到的交易人数前者平均为2701 人，后者平均为4276 人，并没有呈现反比的关系，具有一定的随机性、非线性性。

4 不足与建议

在仿真分析的过程中，通过模拟虽然得出了一些结论，但也存在不足，主要在于分析不够全面，未对其他的影响因素进行分析。同时，对相关参数的取值带有一定的经验主义（譬如对溢出的退货人数），不够精确。另外，对网络信息产生、传播和利用效应未做更加深入细致的研究，一定程度上影响了模型的精确性和仿真结果。这需在今后继续加入分析。