网购情景线索、情感特征与顾客契合行为——多阶段动态关联研究

张跃先,王家琛

(东北大学 工商管理学院,辽宁 沈阳 110167)

一、研究背景

数字经济新商业模式下,服务主导逻辑逐渐取代商品主导逻辑,顾客契合行为成为企业进行管理变革的重要理论,是新兴营销范式研究的重要主题。顾企关系由传统自上而下的联结方式转型为相辅相成的价值共创模式[1],同时顾客互动从局限于顾企之间的二元交互延伸到需考虑其他参与者的复杂社会经济网络[2],这使得电商平台轮番升级谋求以顾客为营销资源深化契合关系,通过顾客的社交互动与参与合作为企业引流和促活,加速其向个性化、社交化和国际化趋势转变。顾客是否愿意主动同他人推荐电商网站、分享购物信息、发表评论等成为新型电商营销的关键与企业发展的核心。因此,电商网购活动中顾客契合行为的动态形成机理亟待探究。

从顾客契合行为的现有研究来看,聚焦于驱动因素和效应[3]。Pansari et al.[4]在网络营销背景下,证实了客户的情感因子影响顾客契合。李慢等[5]以购物网站为研究背景,发现网络服务场景的功能布局、审美诉求等对顾客契合的形成存在正向影响。Thakur[6]分析得到顾客契合对网购者撰写在线评论意图有积极作用。由此可见,在线认知情景以海量评论信息为载体赋能顾客情绪和行为并共同构成顾客契合的动因[7]。然而,营销学者对网购商业模式下顾客契合行为的探讨聚焦于单阶段框架描述,鲜有研究动态考察网购情景线索如何影响顾客契合行为。在多阶段多主体的服务情境下,一项经营活动能否成功取决于用户的首次采购与持续使用,两者模型间无法通用[8]。面对购物网站呈现的超负荷刺激,新顾客和老顾客对商家的信任水平、情感依属、心理契约等[9]涉入程度不同,表现为在情境中搜索并提取不同的关注商品信息,继而进行不同的趋避。相比首次购买,重购的顾客对线索感知波动趋缓[9],对产品容错能力提高[10],这意味着不同消费主体的契合程度与契合路径存在差异。本文从动态视角出发多方位系统描绘顾客契合行为形成过程,探索顾客契合行为的演化规律。

依靠互联网平台,Kunz et al.[11]强调了顾客契合行为与大数据之间的联系。同时,大量可靠的在线用户评论数据保障了高级客户分析的丰富来源。此外,在行为学领域已有学者初步尝试通过文本采集与挖掘、复杂网络可视化等技术探索人类行为规律,这为顾客契合行为的研究提供范式。购物情景线索直接作用于顾客认知,引发特定情绪,是在线企业与顾客交互的前沿触点[5]。然而,网购行为的动态化、场景化、数据化和社交化等特征相互耦合,或会影响线索刺激程度,造成行为反应失序、延迟,用传统的研究手段难以对顾客契合行为进行预测研究。因此,采用关联规则挖掘方法全面刻画顾客契合行为形成机理势在必行。

在此背景下,本文基于刺激-机体-反应理论的基本逻辑,动态探索不同消费阶段下网购情景线索、情感特征与顾客契合行为间的关联关系,试图为商家优化购物场景、提升用户黏性与转化率,促成持续性顾客契合行为提供理论指导与参考价值。

二、理论基础与文献综述

(一)S-O-R 理论

1974 年,Mehrabian et al.[12]构建刺激-机体-反应理论,即S-O-R 理论。S 代表外部刺激,O 为机体认知、情感,R 为个体反应。该理论认为外界剌激会影响机体的认知和情感,进而影响其行为。由于这一理论能够很好地解释客户的心理变化和交易行为,在网络环境中,学者们对此开展了大量研究。贺爱忠等[13]基于S-O-R 理论视角,深入剖析了微博品牌页面特征通过用户体验感知、品牌页面态度对顾客契合行为的正向作用,为企业提高用户体验和态度提出对策;Kang et al.[14]基于刺激-机体-反应理论,通过文本挖掘开发使用实时数据的研究模型,发现交互性对顾客契合行为的动态影响;Fan et al.[15]运用S-O-R 理论构建实证评估模型,探讨社区电子商务平台的电子服务质量如何通过客户信任和感知风险影响顾客契合行为。

通过梳理S-O-R 理论在顾客契合行为研究中运用的相关文献,发现较缺乏以网购情景线索作为刺激因素的研究,且大多都把信任、满意、认同、体验感知等认知状态作为机体反应,以具体情感为中介的研究较少。基于此,本文以S-O-R 理论为支撑进行变量选取,将网购情景线索作为刺激因素、消费者情感作为机体、顾客契合行为作为反应,研究并发现其关联关系。

(二)顾客契合行为

顾客契合行为是顾客契合的行为维度上的概念。部分学者把顾客契合行为定义为非交易行为。Van Doorn et al.[16]从行为角度测量研究顾客契合,将系列非交易性行为归纳为顾客积极参与互动、分享转发评论、口碑推荐宣传等。也有部分学者认为顾客契合行为既包括交易性行为,也包括非交易性行为。Cambra-Fierro et al.[17]将顾客契合行为划分为两个维度进行测量,分别是交易行为、非交易行为;王高山等[8]指出顾客契合行为除交易行为 (如重复购买和推荐) 外还强调超越交易的在线互动行为。由于本文以电商平台用户评论为研究对象,网购时消费者购买交易与交流互动等行为均对商家起到至关重要的作用。因此,本文根据国内外文献整理,把顾客契合行为定义为一系列交易性行为(如购买行为)和非交易性行为(如客户反馈、推荐意图)[13]。为了与研究对象的特点切合,研究借鉴宁连举等[18]的观点,将顾客契合行为分为:发现搜索、参与互动、购买使用、分享推荐、重复消费五个具体维度。

已有许多学者探讨了顾客契合行为的驱动因素,主要涉及顾客、企业和环境3 个维度。在顾客层面,一些研究分析了顾客认知和情感对其契合行为的作用,如信任、满意、品牌依恋[16]以及感知价值[19]、心流体验[20]等。在企业层面,企业服务质量[21]、品牌页面特征[13]、企业管理层响应[22]等对顾客契合行为存在影响。在环境层面,经济、社会、技术和竞争等因素均会影响顾客契合[16]。此外,现有研究还探寻了顾客契合行为的效应,发现顾客契合行为能够积极影响顾客信任、口碑、卷入和情感承诺等[23],并促进品牌忠诚度[20]。

总体而言,顾客契合行为是一个动态迭代的连续变量,现有研究多数在静态阶段徘徊,面向不同消费阶段的顾客契合行为动态形成和启动要素考虑不足。此外,有关顾客契合行为的研究大多受单一学科制约,亟待采用多学科交叉方式揭示顾客契合行为的演化规律和激励机制。因此,本文结合数据挖掘、仿真实验等方法,进一步探讨网购情景线索、顾客情感和顾客契合行为间的关联关系,深入挖掘不同消费阶段下顾客契合行为的动态形成过程。

三、研究设计

(一)数据采集与处理

淘宝是国内业务量最大的电商平台,其中零食拥有庞大交易数据。本文寻找销量排序靠前的零食,采用火车浏览器编写采集脚本,根据食品种类、店铺信息等全面爬取产品评论,反复测试数据集效果。

为确保数据的连续性、完整性和科学性,在采集过程中遵循样本信息多源分布、随机选取的原则,避免对样本数据主观选择、加工和重复抓取。另外,为防止刷单、恶意评价等干扰,保证样本真实性,研究根据虚假评价短时间内大量出现、内容相似、不描述商品属性与体验只情感宣泄、评价模糊且通用等特征[24],从采集中与采集后两个层面进行控制。在采集时,本文爬取2021 年12 月1 日—12月15 日销量靠前、评论过万的零食产品数据,之后又对相同产品抓取2022 年2 月1 日—2022 年2 月15 日评论,对比两个时间段15 天内评论数量,剔除各时间段内和时间段间评论或差评数量异常变化的零食产品。在采集后,则对雷同评价、恶意评价与好评模板等做删除处理。经过以上步骤及去除四字以下评论、无明确意义评论等进一步的数据清洗,共采集有效数据评论2 343 条。

(二)指标选取与标注

数据爬取后,需构建网购情景线索、情感特征与顾客契合行为3 个变量的指标。参考王林等[25]、宁连举等[18]的研究成果,确定让利价值、客户价值、客户资产、知觉感知、情感体验、时空信息、支付信息、质量标准、细节展示度、服务驱动、认同线索、安全线索、依赖线索13 个标注字段为网购情景线索指标;抱怨、紧张、愉悦感、焦虑、恐惧感、情绪起伏、成就感、自豪感、期待9 个标注字段为顾客情感特征指标;发现搜索、参与互动、购买使用、分享推荐、重复消费5 个标注字段为顾客契合行为指标。

对收集到的2 343 条评论信息根据确立的27 个指标进行标注。每条评论信息中,若含有符合指标含义的内容则在对应指标下标注T,不符合的则标注F;对每条评论重复上述操作,从而形成评论信息表。

(三)数据加工与分类

利用IBM SPSS Modeler 软件导入标注好的评论信息表,构建可视化线索-情感-行为三个变量不同指标间共现频率大小的网络。其中,变量指标构成网络节点,节点间连线越粗,相应指标间共现频率越大。对2 343 条标注数据进行网络分析,如图1所示。分析发现购物情景线索、情感特征以及顾客契合行为指标之间存在明显关联,且顾客契合行为指标中的购买使用和重复消费对应形成的强关联关系有明显不同。结果表明并初步验证了在不同消费阶段顾客契合行为及其关注情景线索存在差异。因此,本文以顾客接受企业服务次数为标准[10],依据第一次、第二次、多次、首次等原始评论语句对应的新/老顾客、首购/重购阶段,分类顾客评论信息形成新顾客、老顾客评论信息表,分别进行关联研究。其中,顾客首购评论1 183 条,重购评论1 160 条。

图1 购物情景线索、情感特征及顾客契合行为指标间关联关系网络

(四)研究方法

本文采用仿真实验的方法,运用网络整体且直观地分析已标注的用户评论数据,得出变量间关联关系的初步结论。另外,本文采用关联规则挖掘的研究方法,利用 IBM SPSS Modeler 数据挖掘软件对网购情景线索、情感特征、顾客契合行为特征进行关联挖掘。通过Apriori 算法得到关联指标之间的规则支持度和置信度,从而筛选得到变量间的主要关联规则。

四、算法流程

关联规则(形如X→Y)反映某一事物和其他事物间的相关关系和相互依赖性。若事物间存在某些关联关系,那么就可以通过其他事物来预测其中一个事物。Apriori 算法是一种挖掘关联规则频繁项集的算法。该算法使用频繁项集性质的先验知识推导得到,并利用k项集逐层搜索的迭代方法探索(k+1)项集。算法流程如下:

1.找出所有频繁项集,主要包括两个步骤:连接和剪枝。数据库记录数为N,第a次扫描得到a-频繁项集合为La,候选b项集为Cb。X→Y的规则支持度计算公式为:support(X→Y)=|X∩Y|/N。

连接步:本文设置最小支持度阈值为0.3,计算得到候选集C1中项的支持度,删除支持度小于最小支持度阈值的项,得到1-频繁项集L1;从这些频繁1 项集中连接各个元素产生候选2 项集C2,去除支持度小于最小支持度阈值的项,得到2-频繁项集L2,以此类推,最后得到最大频繁项集Lk。

剪枝步:检查所有频繁项集,若筛选出其存在非空子集不是频繁的项集将在Ck中删除,即剪枝。

2.根据X→Y的规则置信度计算公式:confidence(X→Y)=|X∩Y|/ |X|,计算剩余规则的置信度。若大于本文设置的最小置信度阈值0.8,则为强关联规则。

五、数据分析与结果

(一)首购阶段顾客契合行为形成分析

1.指标间网络分析。对于首购阶段的新顾客,本文通过 IBM SPSS Modeler 软件导入新顾客评论信息,构建网购情景线索、情感特征和顾客契合行为间指标的网络。控制网络中的节点个数,分别显示各个指标间连接的强弱关系,如图2。由此可得到新顾客首购阶段各个指标间关联关系的初步结论,并筛选出构成较强关联的主要指标。

图2 首购阶段基于指标数变化的变量关联演化网络

当网络节点较少时,可以发现部分指标构成的节点及其之间的连线,形成了节点数量较小时指标间关联关系的基础框架,如图2(a)所示。知觉感知线索和细节展示度是网络情景线索节点,愉悦感为情感特征节点,而购买使用为顾客契合行为网络节点。知觉感知线索、愉悦感和购买使用行为之间形成强连接,说明新顾客更关注知觉感知线索从而产生愉悦感引发消费;网购细节展示度和购买使用行为之间形成弱连接,这表明顾客对商品细节展示的获知有助于购买使用行为发生。

随着网络节点增加,所有变量指标出现,如图2(b)所示。可以发现网购细节展示度、知觉感知线索、愉悦感和购买使用行为四个节点之间均形成强连接,而其他节点间则为弱连接。这四个节点及其之间的连线仍然构成网络的中心结构。因此,研究表明无论首购阶段变量指标间的网络结构如何演化,其核心框架趋于稳定。

2.挖掘关联规则。首购阶段变量指标间关联核心架构趋于稳定,即网络核心节点及其联系趋于稳定。因此,本文根据网络中显现的主要指标过滤新顾客评论信息,运用Apriori 算法进一步对首购阶段新顾客评论数据进行关联分析。遍历新顾客评论信息的1 183 条数据,根据设定的支持度和置信度阈值最终筛选得到17 条主要关联规则,如表1 所示。

表1 首购阶段关联挖掘主要规则

从表1 可以看出:(1)前项知觉感知=T,后项购买使用=T 时,支持度为81.488%,置信度为98.872%。即知觉感知线索和购买使用同时为T 的概率为0.815,在知觉感知为T 的数据中购买使用为T 的概率为0.989。(2)前项愉悦感=T,后项购买使用=T 时,支持度为82.333%,置信度为98.783%。即愉悦感和购买使用同时为T 的概率为0.823,在愉悦感为=T 的数据中购买使用为T 的概率为0.988。(3)前项细节展示度=T,后项购买使用=T 时,支持度为48.098%,置信度为99.302%。即细节展示度和购买使用同时为T 的概率为0.481,在细节展示度为T 的数据中购买使用为T 的概率为0.988。此结果也验证了图2 所展示的关联结果。

(二)重购阶段顾客契合行为形成分析

1.指标间网络分析。对于重购阶段的老顾客,本文导入老顾客评论信息,构建网络,如图3。由此可得到老顾客重购阶段变量指标间关联关系的初步结论,筛选构成较强关联的主要指标。

图3 重购阶段基于指标数变化的变量关联演化网络

当网络节点较少时,部分指标及其之间连线组成了节点量较小时指标间关联关系的基本构架,如图3(a)所示。认同线索和知觉感知线索是网络情景线索节点,愉悦感为情感特征节点,重复消费为顾客契合行为节点。重复消费行为作为中心节点与认同线索和愉悦感之间均形成强连接,这表明在老顾客产生认同感或愉悦感的情况下,会进行重复消费;知觉感知线索与重复消费行为之间形成弱连接,说明顾客良好的知觉感知有利于老顾客重复购买商品。

随着网络节点增加,所有变量指标出现,如图3(b)所示。可以发现网购认同线索、知觉感知线索、愉悦感和顾客契合重复消费行为四个节点间均形成强连接,同时其中一些节点与依赖线索和参与互动也形成较强连接。因此,这六个节点是网络剩余节点的中心节点,和它们之间的连线共同构成网络的中心骨架。随着节点量的变化能够发现虽然部分弱连接随网络规模增大转变为强连接,但重购阶段指标间网络的核心结构仍趋于稳定。

2.挖掘关联规则。由于网络研究中重购阶段变量指标核心关联框架的稳健性,本文根据网络中显现的主要指标过滤老顾客评论信息进一步对重购阶段顾客评论进行关联分析。运用Apriori 算法遍历1 160 条评论数据最终筛选得到43 条主要关联规则,如表2 所示。

表2 重购阶段关联挖掘主要规则

由表2 可以看出:(1)前项认同线索=T,后项重复消费=T 时,支持度为85.591%,置信度为99.899%。即认同线索和重复消费同时为T 的概率为0.856,在认同线索为T 的标注数据中重复消费为T 的概率为0.999。(2)前项愉悦感=T,后项重复消费=T 时,支持度为86.713%,置信度为99.901%。即愉悦感和重复消费同时为T 的概率为0.867,在愉悦感为T 的标注数据中重复消费=T 的概率为0.999。(3)前项依赖线索=T,后项重复消费=T 时,支持度为57.636%,置信度为100.000%。即愉悦感和重复消费同时为T 的概率为0.576,在愉悦感为T 的数据中重复消费均为T。(4)前项知觉感知=T,后项重复消费=T 时,支持度为70.923%,置信度为99.878%。即知觉感知线索和重复消费同时为T 的概率为0.709,在知觉感知为T 的数据中重复消费为T 的概率为0.999。(5)前项参与互动=T,后项重复消费=T 时,支持度为42.709%,置信度为100.000%。即参与互动和重复消费同时为T 的概率为0.427,在知觉感知为T 的数据中重复消费均为T。此结果可与图3 所展示的关联结果相互验证。

(三)顾客契合行为动态形成关联模型

通过对新、老顾客变量指标关联规则挖掘结果分析,构建其中涉及的关键指标与购买使用、重复消费的共现频率趋势图,如图4 所示。

图4 不同消费阶段各关键指标共现频率趋势

对比图4 不同消费阶段变量间的关联关系,发现:知觉感知线索、细节展示度等在顾客契合形成过程中与顾客契合行为的关联强度逐渐降低,知觉感知线索与首购阶段购买使用行为和重购阶段重复消费行为虽均构成强连接,但共现概率由0.815 缓慢下降到0.709,而细节展示度在交易阶段变化中下降速度较快,转为弱连接;认同线索和依赖线索对新顾客购买使用的支持度小于0.300,而对重复消费的支持度高达0.856和0.576,这表明认同线索和依赖线索在不同交易阶段间与顾客契合行为由弱连接转为强连接,关联程度迅速升高;参与互动出现频率随消费阶段变化平稳增长到0.430,转为强连接,契合程度不断深化。

因此,研究提取构成强关联关系的指标并将其对应连接,形成首购、重购阶段网购情景线索、情感特征和顾客契合行为变量间的动态关联模型,如图5 所示。在顾客首购阶段,消费者比较关注知觉感知、细节展示度等线索,他们与愉悦感和购买使用行为具有较高关联关系。在顾客重购阶段,消费者比较关心认同线索、知觉感知线索、依赖线索,与愉悦感、重复消费、参与互动行为具有高度关联;网购知觉感知线索、依赖线索并未与参与互动契合行为产生直接关联,而是通过认同线索和愉悦感,进而作用于参与互动行为。在首购、重购消费阶段内,随着网络规模呈几何级数增长,关键节点具有鲁棒性,顾客潜在感知与消费行为趋于稳定。关联结构中强连接维系高凝聚性互动关联,大量具有社会资源效应的弱连接虽不稳定却连接范围广泛,首购到重购的过程中强弱连接转换进一步加剧,加速网购情景、顾客情感与顾客契合行为间关联结构的重组和演化。

图5 网购情景线索、情感特征与顾客契合行为动态关联模型

六、结论与展望

(一)研究结论

本文通过非结构化评论信息文本数据挖掘和结构化商家与网购者属性数据挖掘,动态地构建了网购情景线索、顾客情感和顾客契合行为间的关联模型,提供了一个清晰的顾客契合行为形成图谱。研究结论如下:

1.新顾客首购时,网购情景线索中知觉感知线索和细节展示度、消费者情感特征中的愉悦感、顾客契合行为中购买使用行为四个指标之间关联关系较强。消费者在首次购买时尤其注重个人感知以及商品自身细节的呈现,精美的包装、优良的性能以及对商品参数、配置、加工过程的展示更可以吸引新顾客,驱动购买行为。

2.重购阶段时,老顾客关注的网购情景线索和契合行为与首购阶段相比发生变化,网购认同线索、依赖线索、知觉感知线索、愉悦感与顾客契合行为中参与互动和重复消费行为共六个指标之间具有较强的关联关系。老顾客在重复购买时对商家的认同、依赖以及对商品的感知达成动机内化,从而增强重购意愿,进一步激励利益相关者间交流互动、分享信息,并对价值共创产生积极影响。

3.情景线索、情感特征与顾客契合行为核心关联结构在各消费阶段内基本稳定,消费阶段间酝酿质变。模型显示知觉感知线索在整体消费进程中均占有重要地位,但在重购阶段与重复消费指标同时出现的概率明显小于首购阶段与购买使用指标同时出现的概率。细节展示度与愉悦感、新顾客购买使用行为具有较高关联反应,但在重购阶段转为弱连接。同时,认同线索、依赖线索、参与互动则与重复消费转为强连接。由此可知,在重复消费阶段,随着顾客契合程度提升,消费者对商品细节、质地、性能等属性的关注度降低,对价格波动的敏感度下降,对商家信任与依赖水平上升。

(二)理论贡献

第一,本文基于S-O-R 理论,揭示了在线购物时情景线索-情感-顾客契合行为的内在联系,厘清了三者之间的作用机制,透析了顾客契合行为的动态形成过程,进一步拓展了顾客契合行为理论。

第二,本文弥补了过去静态研究的不足,基于不同消费阶段考察不同消费主体网购时的关注场景和契合行为,不仅使得顾客契合行为的动态形成机理和激励机制更加完善,还为网络服务的量化研究提供了新的思路与解决方案。

第三,本文创新性地运用自然语言处理、仿真实验与数据挖掘方法,丰富了网购行为大数据与行为科学的融合研究,揭示了顾客契合行为的动态演化机制,这对于多学科渗透联合研究提供了一种范式。

(三)管理启示

首先,本文有助于电商平台与商家利用可控制、低成本的网购情景因素强化顾客购买与契合行为。鉴于消费者愈加追求产品信息的公开透明和轻松愉悦的消费体验,商家需进一步重视网站布局,精细化商品信息展示页面,利用视频、图片、文字说明等方式更加直观地全方面展示商品生产过程、参数、功能、效果等细节信息,同时可以通过改善色彩搭配、精致程度与风格设计等美学体验来赢得消费者青睐。

其次,动态效应分析进一步发现不同消费阶段客户对不同情景线索的感知以及实施的顾客契合行为存在差异。商家应融合精准营销策略定制服务推荐和购物体验,对新老顾客群体分别施以不同激励措施。对于新顾客要注重商品自身竞争优势的展现,并适当采取广告活动、促销策略等升级客户购物体验,促进品牌互动;而对于老顾客则要注重关系维护,通过定期回访、简化程序、个性化推荐等方法进一步增强其与品牌或商家的契合水平。

最后,随着顾客契合程度加深,消费者不仅对商品属性和价格的解释度、包容度有明显提升,与企业及其他消费者交流互动、分享推荐的意愿也更加强烈。因此,商家要积极建立发展与顾客间的“契合”关系,提升客户服务质量,获得顾客资源与顾客转化。契合程度越深,服务消费的不确定性越低,越能为企业派生价值。同时,商家要正确认识客户评价的重要性,积极构建顾客信任、管理顾客契合、发展社交电商是十分重要的营销手段。