电商直播软硬信息对消费者响应的影响

彭宇泓,郝辽钢

(西南交通大学 经济管理学院,四川 成都 610031)

一、引言

作为流量货币化的主要方式,电商直播拓宽了原有消费场景中核心元素的概念边界,构建出以平台+主播+品牌+用户为主要参与者的生态闭环,为更多的传统企业提供了流量入口。2021 年中国电商直播用户规模为6.72 亿人,交易规模达到10 500 亿元,预计2022 年将扩大至3 万亿元。直播间产品销量是企业盈利情况的直观反映,影响了企业参与直播营销的积极性,口碑推荐水平也是影响消费者购买决策的关键因素,但是已有关于直播营销的研究较少从消费者实际响应行为视角展开。

在直播营销相关研究中,学者主要探讨了消费者参与直播购物的动机和影响因素。例如,技术可视性、消费者偏好、主播身份属性、信息源特性等。值得注意的是,直播界面中各类观众参与信息如观看数量、评论数量、收藏数量、粉丝数量能够让消费者直观了解产品关注度与主播声誉,降低消费者的信息不对称,帮助其作出购买与评价决策。例如,Park et al.研究发现主播受欢迎程度和直播观看数量对消费者信任具有直接影响,游戏直播中弹幕评论的数量正向影响观众的打赏意愿。但遗憾的是,目前在电商直播领域研究中,直播界面动态数据对消费者购买和口碑推荐的影响尚未得到充分检验。此外,主播的产品描述文本是主播与消费者积极互动的重要载体,主播通常向消费者传递产品特征、使用体验、促销优惠等重要信息,进而说服消费者购买产品,但主播的产品描述性文本如何影响消费者购买和口碑推荐意愿仍缺乏实证检验。依据软硬信息融合理论,个体对外界信息的处理需要融合多个信息源,其中,模糊、随机、主观且难以量化的非结构化数据被称为软信息,如音频、文本、社会资本、人格特征、工作能力等;而定量、程序性的结构化数据被称为硬信息,如财务数据、资产抵押和信用评估数据等。由于Chen et al.认为电商直播的消费者说服是实时可观看数据和口头语言的双重作用过程,故本研究以软硬信息融合模型为研究框架,将电商直播消费者响应的影响因素分为硬信息和软信息两类。其中,硬信息是指消费者在直播界面可以直观获取的量化信息,包括直播平台实时的观看数量、评论数量、收藏数量、粉丝数量等非语言线索信息;软信息是主播产品描述性文本的语言情感、文本语义和文本可读性,需要消费者采取主动识别和语义推理等加工方式。

综上,本研究以国内典型电商直播平台为实证对象,结合多元回归、深度学习和文本分析方法,探究电商直播界面硬信息与主播产品描述性文本软信息对直播消费者购买和推荐行为的影响,研究结论有助于揭示电商直播信息的动态传递过程,并为电商直播行业针对性的市场拓展提供启发。

二、研究假设

(一)硬信息

1.观看数量。电商直播消费者观看作为最直接的参与方式使观众的注意力和社交互动“商品化”。其中,电商主播通过分享、展示、聊天等互动方式与用户建立交换关系,并在此基础上向消费者传递商业信息。Brettel et al.发现,用户对公司Facebook 页面的高参与度显著影响短期和长期的销售额。Kilger et al.的研究表明,网络参与度的社会特征与产品购买的可能性呈正相关。从消费者有限关注视角来看,消费者无法对市场上的全部公开信息做出及时反应,因此消费者往往将目光投射到市场密切关注或积极看好的商家,体现出情绪驱动的特征。此时,较高的直播观看数量和关注度会吸引更多消费者的注意,处在信息不确定困境的消费者表现出行动趋同的羊群行为,进而产生购买和口碑推荐行为。

H:电商直播的在线观看数量对产品销量存在显著正向影响。

H:电商直播的在线观看数量对口碑推荐数量存在显著正向影响。

2.评论数量。在线评论作为一种典型的减少信息不对称的方式,从第三方角度为潜在客户提供了额外的信息(如使用产品的体验、产品评价等)。实时的弹幕评论传递了有关产品属性、主播知识水平、网络口碑等信息,弹幕评论数量越多,表明消费者与主播互动和产品特征讨论越激烈,口碑信息的传播面越广,直播间观众的心流体验和趣味性感知越明显,因此更有可能产生购买和口碑推荐的社群行为。然而,根据最佳唤醒水平理论,当唤醒强度处于中等水平时,消费者更容易产生正面态度。反之,直播间过多的弹幕评论容易使消费者产生视觉混乱和注意力冲突,进而损害其认知过程。例如,Valt et al.研究表明,当环境提供的信息超出了个体控制能力的范围时,个体会产生心理阻抗和负面情绪体验。Sreejesh et al.的研究也发现,游戏直播间过于密集的弹幕评论会挤占观众的视觉范围,不利于吸引观众注意高质量的视频内容。基于上述分析,本文提出以下研究假设:

H:电商直播的评论数量与产品销量呈倒U形关系。

H:电商直播的评论数量与口碑推荐数量呈倒U 形关系。

3.收藏数量。在企业社交媒体上,人们可以通过点赞、分享的方式与传播者互动,产生相互的认同感,进而促进个体对企业品牌的忠诚。在直播情境中,Yu et al.研究表明观众的点赞和视频收藏数量对虚拟礼物销售具有积极影响。直播间收藏点赞数量越高,观众对视频或产品内容的认可程度越高,这也间接增强了消费者对产品品质的信任程度,使其更容易产生购买和推荐行为。此外,直播间收藏数量是直播间受欢迎程度的重要信号,高收藏量会吸引旁观者进入直播间,使消费者产生群体的虚拟情感和消费认同。因此,收藏数量作为流行度和质量信号能够提高客户的购买意愿和口碑推荐意愿。由此,本文提出以下研究假设:

H:电商直播的收藏数量对产品销量存在显著正向影响。

H:电商直播的收藏数量对口碑推荐数量存在显著正向影响。

4.粉丝数量。随着直播电商行业的稳步发展,直播市场出现明显的马太效应,相比腰部主播和尾部主播,头部主播的粉丝数量较多,粉丝对主播和品牌的忠诚度更高,直播间的观看购买转化率更高,这也意味着粉丝量较多的主播拥有更强的议价权和更大的选品空间,由此高粉丝量直播间形成了观看-购买的良性循环。对普通直播消费者而言,高粉丝数量的主播推荐产品会传递高品质、高流行度的积极信号,并且庞大的粉丝规模有助于形成产品市场号召力,通过社交媒体等信息反馈渠道传递产品信息。因此,粉丝数量对于激发消费者产品购买、提高口碑传播意愿具有重要作用。综上,本文提出如下研究假设:

H:电商直播的粉丝数量对产品销量存在显著正向影响。

H:电商直播的粉丝数量对口碑推荐数量存在显著正向影响。

(二)产品描述性文本软信息

1.文本情感。言语有效理论指出,语言情感传递了个体主观态度和立场,是个体信息传递真实性的反馈,对有效沟通具有重要影响。Chen et al.研究已经证明,相比文字信息,主播语言中的积极情绪对观众的评论、点赞、金币打赏行为具有更显著的作用。Rachele et al.对分析师研究报告进行文本分析后发现,管理层使用大量的乐观词汇使文本呈现乐观语调会传递企业健康发展的积极信号,从而增强投资者的信心。Howard et al.同样认为,信息接收者可以模仿发送者的微笑并体验到快乐的情绪,这进一步导致他们对产品有积极的态度偏向。在直播电商情境中,主播产品描述过程的情感越积极,消费群体的情绪感染越明显,消费者更容易产生良好的产品体验预期,因此更有可能产生购买和口碑推荐行为。基于上述分析,本文提出以下研究假设:

H:主播产品描述性文本的情感积极程度对产品销量存在显著正向影响。

H:主播产品描述性文本的情感积极程度对口碑推荐数量存在显著正向影响。

2.文本语义。亚里士多德修辞理论指出,说服者传递信息的方式可以改变受众态度和行为,使受众趋向说服者的预定方向。在直播过程中,主播策略性选择有助于构建正面产品形象的信息,如质量保障、口碑评价、自我测评、产品延伸等,能够弥合消费者的需求异质性和多样性,满足观众对内(产品特征)外(第三方评价)信息的综合考量。此外,Liang et al.研究也表明,P2P 借贷申请文本语义的丰富性对融资绩效有显著的正向作用,能够提高受众对产品内容的认可度。对于直播观众而言,主播全面、详细的产品介绍是增强产品信任的重要基础,有趣的互动交流也会缩短观众的心理距离,促使消费者完成交易。由此,本文提出如下假设:

H:主播产品描述性文本包含的语义丰富性对产品销量存在显著正向影响。

H:主播产品描述性文本包含的语义丰富性对口碑推荐数量存在显著正向影响。

3.文本可读性。产品描述性文本可读性是指消费者理解产品相关描述文本的难易程度,是衡量主播产品描述信息质量的重要变量。产品描述性文本可读性对消费者响应产生作用主要基于以下两方面原因:第一,清晰准确、简洁易懂的产品描述提供了更多关于产品内在价值相关的重要信息,有助于提高顾客的信息可获得性。高可读性的产品描述性文本减少了信息噪音,使得产品描述逻辑更加清晰,意味着消费者处理产品信息的难度和解读成本均降低,进而增强消费者的交易意愿和口碑推荐可能性。第二,较高的文本可读性能够增强顾客的信息可信度。可读性较高的产品描述作为消费者判断产品质量的重要参考依据,向消费者传递了关于直播电商、主播选品实力、产品质量等方面的积极信号,降低了消费者对产品质量的不确定性,改善了双方的信息不对称程度,增强了消费者对电商平台和主播的信任程度,并最终转化为消费者的购买意愿和口碑推荐意愿。

H:主播产品描述性文本的可读性对产品销量存在显著正向影响。

H:主播产品描述性文本的可读性对口碑推荐数量存在显著正向影响。

上述分析,构成本文的直播营销软硬信息融合模型(如图1 所示)。

图1 直播营销软硬信息融合模型

三、研究设计

(一)样本筛选

1.数据来源。考虑到研究样本的代表性,本文参考2019—2020 年中国直播电商用户常用直播平台榜单,选择淘宝直播为研究对象。相关数据如观看数量、评论数量、收藏数量、产品销量等均来源于专业的电商直播监测数据库“知瓜数据”,该数据库能够提供淘宝直播网站各主播在直播周期内的详细监测数据。与此同时,本研究运用Internet Download Manager 软件下载研究样本的直播视频,再使用Any Video Converter Ultimate 视频转换工具将直播视频转换成MP3 音频文件,最后通过Python 程序调用百度AI 开放平台语音识别将MP3 音频文件转换成文本格式,得到该场直播最终的主播产品描述性文本。

2.数据预处理。本文以2020 年11 月至2021年4 月的直播数据为样本,并对初始样本进行了预处理:(1)删除主播等级较低的直播数据;(2)删除直播时间低于1 小时,直播间流量低于100 人的数据;(3)删除30 天内没有直播记录的主播数据;(4)剔除无效产品描述信息的样本,即存在描述时长过短,文字转译后乱码等问题;(5)删除直播数据不完整,缺失值较多的样本,最终获得来自302 场直播的1 208 条硬信息样本观测值。

(二)变量定义和测量方法

1.被解释变量:为了探究直播界面硬信息和软信息对消费者响应的影响,产品销量值(

Sales

)通过直播间在直播期间所有上架商品的销量变化总和来测量;口碑推荐值(

Recommend

)通过直播间在直播期间转发数量来测量。2.解释变量:硬信息方面,采用直播期间进入直播间人数值衡量观看数量(

Watch

);直播期间取样弹幕数总和值衡量评论数量(

Review

);直播期间点赞数总和值衡量收藏数量(

Like

);直播间粉丝数量衡量粉丝数量(

Fans

)。主播产品描述性文本软信息方面:(1)文本语义(

Semantic

)。鉴于每个直播文本较长,本文先将文本分段,并把所有段落组合成语料库,再根据主题相似度和困惑度来确定所有直播文本的主题数,最后采用基于TF-IDF 方法的LDA 模型得到每个直播文本属于每个主题的概率,作为文本语义软信息的变量值。(2)文本情感(

Sentiment

)。本文采用PaddleHub 的深度学习模型作为预训练模型,选择Adam Weight Decay Strategy作为Fine-Tune 优化策略,最后利用训练完成的模型预测得到每个产品描述性文本的语言情感得分。(3)文本可读性(

Readability

)。本文参考已有文献,运用可读性公式从句子平均长度、汉字难度以及词汇难度三个维度来综合评价主播产品描述性文本的可读性。为了尽量控制其他潜在因素对被解释变量的影响,提高研究精度,本文在模型中增加了以下几个控制变量,包括直播时长(

Duration

)、主播经验(

Experience

)、主播类型(

Type

)、平均价格(

Price

)、商品数(

Number

)、文本长度(

Length

),并对所有连续变量进行了对数化处理。

(三)模型构建

在计量模型选择上,为了有效识别电商直播硬信息、描述性文本软信息对消费者响应的影响,同时避免部分概念重合和高度相关增大估计误差,本文拟构建分层回归模型(Hierarchical Regressions),分别以产品销量和口碑推荐数量为被解释变量建立多元回归模型(1)和(2)。

检验电商直播硬信息、描述性文本软信息对产品销量的影响:

检验电商直播硬信息、描述性文本软信息对口碑推荐数量的影响:

四、实证分析

(一)特征值计算

1.主播产品描述性文本语义得分。本文采用主题相似度结合困惑度的方法(Perplexity-Var)来确定最佳主题,模型结果显示,当主题数为5 时,Perplexity-Var 指标最小,因此本文确定最佳主题数为5。接下来采用基于TF-IDF 方法的LDA 模型从主播产品描述文本中提取主题,主题词汇按出现的后验概率降序排序。电商直播产品描述性文本5 个主题侧重不同的方面,其中

Topic

1 包含“直播间”“优惠券”“链接”“价格”等词汇,突出直播间的促销优惠。

Topic

2 包含“推荐”“喜欢”“关注”“谢谢”等词汇,突出主播与观众的情感互动。

Topic

3 包含“品牌”“颜色”“衣服”“热门”等词汇,突出产品属性。

Topic

4 包含“运费”“客服”“回复”“评论”等词汇,突出售后服务。

Topic

5 包含“搭配”“建议”“讲解”“详情页” 等词汇,突出主播的专业知识水平。与此同时,根据5 个主题在全部产品描述性文本中出现的平均概率,主播产品描述最关注产品属性(0.31)、促销优惠(0.27)、情感互动(0.22)、专业知识(0.14)、售后服务(0.11)。2.主播产品描述性文本情感得分。本文采用5种深度学习模型训练并预测得到主播产品描述性文本的情感得分。考虑到主播产品描述性文本的长文本特征和上下文相关性,本文引入双向的长短期记忆网络(

Bi

-

directional

Long

Short

-

Term

Memory

,

BiLSTM

)。模型训练结果显示,

SENTA

-

BiLSTM

模型的精确度、召回率、准确率都较高,因此更适用于预训练模型。

3.可读性得分。产品描述性文本可读性指标参考已有研究,考虑平均句长、汉字难度和词汇难度进行综合指标衡量。根据《汉语水平词汇与汉字等级大纲》中的汉字等级大纲,利用 Python 进行编程,计算4 个等级的汉字和词汇的次数、种数及其各自比例,并最终计算得到文本汉字难度和词汇难度。

(二)模型回归结果

模型各变量的Pearson 相关系数大多未超过0.5 的门槛值,方差膨胀系数(VIF)估计结果最大值为2.48,表明模型不存在显著的多重共线性问题。

为全面揭示多变量对结果变量的影响,本文采用嵌套模型设计进一步考察电商直播硬信息和产品描述性文本软信息对消费者响应的影响。为避免横截面数据进行线性回归可能出现的异方差问题,本文采用怀特(White)检验方法,最终检验结果显示不存在显著的异方差情况,因此采用OLS 回归。回归结果如表1 所示,其中Model1、Model2 和Model3 因变量均为产品销量,Model4 至Model6 因变量为消费者口碑推荐行为。

表1 多元回归模型参数估计结果

硬信息方面,电商直播观看数量、收藏数量均正向影响消费者响应,假设H、H和假设H、H得到验证。其中,电商直播在线观看数量越多(

β

=0.052,

P

＜0.1;

β

=0.052,

P

＜0.05),消费者购买和口碑推荐意愿越强烈。观众点赞收藏行为越 多(

β

=0.075,

P

＜0.05;

β

=0.065,

P

＜0.05),消费者越信任直播商家。粉丝数量越多,产品销量越高,但粉丝数量对口碑推荐行为的影响不显 著(

β

=0.129,

P

＜0.01;

β

=-0.047,

NS

),可能的解释是:粉丝作为主播和直播间的忠诚客户,在接受产品信号后更倾向采取即刻购买行为,因此对产品销量的正向促进作用更加明显。评论数量对产品销量影响系数显著为负(

β

=-0.797,

P

＜0.05),在加入两项乘积的交互项后,评论数量二次项(

Review

)对产品销量的影响系数显著为正(

β

=0.072,

P

＜0.01),表明评论数量与产品销量存在显著的U 形关系,因此假设H不成立。评论数量对口碑推荐的影响系数显著为正(

β

=1.111,

P

＜0.01),在加入两项乘积的交互项后,评论数量二次项(

Review

)对口碑推荐行为的影响系数显著为负(

β

=-0.056,

P

＜0.01),表明评论数量与消费者口碑推荐存在显著的倒U 形关系,假设H成立。主播产品描述性文本软信息方面,文本情感积极程度显著正向影响消费者响应,产品描述性文本的情感越积极(

β

=0.448,

P

＜0.01;

β

=1.472,

P

＜0.01),产品销量和口碑推荐数量越高,接受假设H、H。描述性文本主题方面,

Topic

1～5 对产品销量影响系数不显著,拒绝假设H,但对消费者口碑推荐行为的影响系数大部分显著为正,表明产品描述性文本包含的语义越丰富,消费者越容易被说服,从而产生推荐行为,因此接受假设H。产品描述性文本的可读性越高(

β

=0.275,

P

＜0.05;

β

=0.219,

P

＜0.05),消费者越容易判断产品质量,产生理性决策后的购买行为,假设H、H得到验证。综上所述,本文H、H、H3 个假设没有得到支持,其余假设均成立。

(三)稳健性检验

为验证估计结果的可靠性,本文进一步从考虑极端值、指标变换两个方面展开稳健性检验。

1.排除购物节、周末等特殊日期影响。由于在重大购物节如“双11”“3·18”购物节等,消费者容易受到从众心理和仪式感消费心理的影响产生冲动消费行为,周末节假日也为消费者提供了较为充裕的直播购物时间,因此购物日期可能影响电商直播产品销量和消费者口碑推荐行为。因此,本文删除2020 年“双11”“双12”、2021 年“3·18”以及各周末节假日期的样本数据,最终得到187 条样本,并重新进行回归分析。在排除购物节、周末、节假日影响后,所得结论与前文论证结果基本一致。

2.替换个别变量的衡量方式。为进一步提升电商直播可传递信息的精度,保证核心检验结果的可靠性,本文采用观看次数衡量观看数量,观看次数是观众进入直播间观看的次数(非去重数据),同样能代表直播间观看数量。采用直播期间产品销售额变化衡量产品销量。采用直播间30 日内取样弹幕数平均值衡量评论数量,直播间30 日内点赞数量平均值衡量收藏点赞数量。主播经验采用平台提供的主播综合价值指数(衡量该主播在周期时间内带货水平、互动水平表现)。回归结果与表1 中的主要发现没有显著差异,表明本文实证结果具有稳健性。

五、研究结论与启示

(一)结论

本文以软硬信息融合模型为研究框架,将电商直播消费者响应的影响因素分为硬信息(观看数量、评论数量、收藏数量、粉丝数量)和软信息(主播产品描述性文本语言情感、文本语义、文本可读性),探究多维因素对直播消费者响应的影响。

在硬信息方面,在线观看数量对消费者响应存在正向影响。随着评论数量的增加,产品销量呈现先减后增的趋势,即评论数量对消费者口碑推荐存在显著的倒U 形作用,说明丰富的评论信息有助于消费者进行决策,但消费者的记忆容量有限,信息处理需求超过上限会导致消费者的认知超载,进而弱化评论对消费者口碑推荐的积极作用。此外,收藏数量越多,消费者响应效果越积极。粉丝数量对消费者购买行为具有显著的正向影响,但对口碑推荐行为影响不显著,由于粉丝具有强大的社群号召能力和流量吸引能力,未来可以考虑深入探究直播粉丝社群内部特征对消费者行为的影响机理。

在软信息方面,主播产品描述性文本的情感积极程度对消费者响应存在正向影响,这是因为情感说服会通过影响个体情绪进而影响个体态度。此外,描述性文本语义越丰富,消费者口碑推荐越积极,但描述性文本语义丰富性对产品销量购买的影响不显著,表明直播消费者购买行为并非仅关注主播产品描述的丰富程度,而是对产品属性、产品及直播间流行度、主播描述风格等综合信息的加工结果。最后,主播产品描述性文本的可读性对直播消费者响应存在积极影响。

(二)管理启示

1.对电商直播平台的建议。首先,需要健全信息安全管理和营销行为规范,保证信息披露的准确性和服务的真实性,为消费者购买提供制度保障。其次,在信息真实有效的基础上,对涉嫌违法违规的高风险营销行为采取弹窗提示、违规警示、限制流量、暂停直播等措施,杜绝危害电商直播秩序的行为发生。

2.对电商直播商家的建议。第一,提高直播间宣传及促销优惠力度。借助网红达人、限时抽奖等方式提高直播间内观看、评论、点赞等关注度水平。第二,完善直播间产品销售管理。优化产品选择、促销流程和售后服务,为消费者提供多元的服务条款与灵活的交易渠道,全方位提高电商直播消费者购物体验。

3.对电商主播的建议。首先,细化产品描述内容,加强专业信息推送。主播应围绕消费者需求,对产品或服务进行真实、全面、准确的讲解,说服过程做到逻辑清晰、思路明确,准确传递产品信息并解答消费者疑问,为消费者购买决策提供信息基础。其次,丰富语言情感,强化互动内容管理。主播可以根据购买群体的心理诉求,采用热情积极的劝说性语言,提高消费者的购买积极性。