電子商務個性化推薦對消費者的影響
——基于推薦時機與推薦集合的視角

鄭春東，盧奎宇

(天津大學管理與經濟學部，天津 300072)

?

電子商務個性化推薦對消費者的影響
——基于推薦時機與推薦集合的視角

鄭春東，盧奎宇

(天津大學管理與經濟學部，天津 300072)

將個性化推薦的不同推薦時機與不同推薦數目相結合，研究電子商務個性化推薦對消費者的影響。研究結果顯示，在購買行為開始階段，進行大集合推薦可以增加消費者瀏覽意愿，提高滿意度；在決定購買進行付款階段，進行大集合推薦會降低消費者購買意愿并增加消費者的選擇困難度，降低滿意度。

電子商務；個性化推薦；推薦時機；推薦集合；兩階段決策；偏好不一致悖論

在個性化推薦系統使用已經非常普遍的今天，對于個性化推薦的研究也逐步從技術層面轉向消費者行為層面，其中包括對推薦集合和推薦時機的研究。由于個性化推薦的獨特性，其與傳統意義上的選擇數量集合有著不同，不能簡單借鑒傳統商業模式下推薦集合的研究結論。而對于推薦時機來說，雖然已經有學者對個性化推薦時機對購買行為的影響進行了解答，但是并沒有將推薦時機和推薦集合結合起來進行研究。所以，本文將個性化推薦的不同推薦時機與不同推薦數目相結合，研究其對消費者行為的影響。

一、研究現狀

(1)在線推薦。在線產品推薦通常是由推薦系統提供，這個在線決策支持工具可以幫助消費者在網購的環境中更好地作出決策。已有研究證明，推薦系統所提供的幫助，在減少消費者認知時所付出努力的同時，還可以提高消費者的決策質量。[1]然而，在實踐中，電商網站提供的產品推薦并不總能使消費者滿意，達到良好效果。因此，推薦系統的研究們開始關注，如何才能讓所推薦的產品更好地被消費者所接受，達到推薦目的。

(2)推薦時機。一般來說，消費者購買產品的行為并不是瞬間的事件，而是持續一段時間的過程。目前，在宏觀層面上與時間相關的研究較多，包括消費者對時間的整體態度，以及營銷策略隨著時間流逝其影響的變化等。在相關研究中，時機的選擇被認為是一個較少研究的層面，有學者曾經號召鼓勵研究個性化推薦中時機選擇的問題。Ho等人(2011)從消費者搜索的觀點進行研究，發現在自適應推薦系統中，當消費者搜索產品時，推薦越早的產品越有可能被消費者考慮，越有可能被最終購買。[2]

(3)個性化推薦方法及手段。隨著信息技術與計算機技術的不斷發展，個性化推薦的方法也不斷得到完善，發展至今已經形成了三大類推薦方法，分別是協同過濾、基于內容的過濾[3]以及混合方法過濾[4,5]。

二、模型與假設

(一)理論基礎

1.兩階段決策

消費者在進行決策時，通常會無意識地采取兩階段決策策略。具體來講，在決策的第一階段，消費者會在眾多的產品中進行選擇，并形成一個自己考慮購買的產品集合，隨后，在決策的第二階段，消費者對考慮集合中的產品進行再次篩選、評估、權衡，最終作出購買決策。[6]消費者通過這樣的決策過程，將選擇減少到一個易于操縱的數量來簡化購買決策。

考慮集合的構建都是有目的的，在決策時消費者通常只考慮可選項中的一個小部分，此時可供選擇的選項，一類是被選入考慮集合的，[6]這些產品就組成了消費者的考慮集合，一類是從考慮集合中去除的。接著，當考慮集合形成后，消費者就要從考慮集合中選擇購買的產品，進入第二個階段。此時消費者的任務就是評估被選中的產品集合，權衡之后作出最后的購買決策。因為消費者的信息處理能力是有限的，特別是在信息量很大的網絡環境下，所以選擇使用分階段決策可以簡化這一過程。在實踐中，電子商務網站利用消費者分階段決策的習慣，通過提供虛擬考慮集合的方法(如收藏夾、購物車等)來引導消費者進行產品選擇，為消費者決策提供便利。

2.偏好不一致悖論

消費者在構建考慮集合階段，總是傾向于選擇更多的產品，然而考慮集合并非越大越好，集合較大，會在一定程度上增加消費者選擇的困難度。[7]這樣，第二階段選擇困難度的增加就會與第一階段消費者構建較大的考慮集合相悖，[8]偏好不一致困境就會產生。消費者對產品進行篩選需要具有一定的認知能力，產品集合越大，消費者面臨的篩選難度越高，對消費者認知能力的要求就越高。當消費者從考慮集合中作出最后選擇時，一方面，較大的考慮集合會增加決策的難度，需要消費者付出額外的認知努力；[9]另一方面，較大的考慮集合會增加消費者的困惑感，使得消費者的產品偏好模糊，甚至可能會終止決策。[7]

(二)概念模型

本次實驗將個性化推薦的推薦時機和推薦數目進行了組合，研究其對消費者的影響。通過情景假設的方式，模擬了本次實驗的背景。被試者需要從情境假設的網上商店選擇、購買產品。根據上述理論基礎，構建出如圖1所示的概念模型。

圖1 概念模型

實驗操作了兩個變量之間的四種組合，即在兩個不同的推薦時機，結合兩種不同的推薦數量集合。將消費者網絡購物的過程定義為，開始于登錄一個電子商務網站進行搜索，結束于作出購買決策。所以關于個性化推薦時機的選擇，根據當前電商個性化推薦系統的現狀，實驗操作中將這兩個時間節點總結如下：第一，當消費者進入網站，開始搜索并瀏覽檢索到的商品時；第二，當消費者從待選商品(比如購物車中的商品)中，決定自己要購買哪個，但是還沒有確定購買哪個的時候。實驗將在不同的推薦時機，分別結合較大的推薦集合和較小的推薦集合，來測量對消費者的影響。

(三)研究假設

1.考慮集合階段

已有研究表明，消費者在決策第一階段時，更傾向于選擇更多的產品，增大考慮集合的產品數量。[6]Chernev(2006)在其對兩階段決策的研究中，也發現消費者在第一階段的決策中，更偏好將選擇項的數量最大化。在考慮集合形成的階段，消費者希望自己有選擇權，當其在不同選項中進行選擇時，他們更偏愛較大的組合而不是較小的組合。[8]在此，筆者認為在個性化推薦的背景下，消費者面臨考慮集合階段的選擇，也具有這樣的性質，所以本文作出如下假設。

H1a：當消費者處于考慮集合階段，在推薦數目上，較大的推薦集合比較小的推薦集合更能刺激消費者的瀏覽意愿。

H1b：當消費者處于考慮集合階段，在推薦數目上，較大的推薦集合比較小的推薦集合更能讓消費者感到滿意。

然而個性化推薦又有著自己的不同之處，在考慮集合階段，個性化推薦系統推薦精度較低，[4]而較低的推薦精度可能會影響消費者對于商品的價值判斷[10]，當集合較多時，推薦的不精確性會被放大，消費者的整體滿意度可能會受此影響而降低。[11]所以本文作出如下假設。

H1c：當消費者處于考慮集合階段，在整體感知上，較小的推薦集合比較大的推薦集合更能讓消費者感到滿意。

2.決策集合階段

在目標是最小化決策困難度的決策集合階段，此時，較大的個性化推薦集合雖然可以使得消費者擁有較多的選擇，但這并不代表消費者可以因此獲益。消費者需要通過額外的認知努力，來評估各個選擇，造成認知能力的超負荷。[9]另一方面，較大的考慮集合會增加消費者的困惑感，使得消費者的產品偏好模糊，甚至可能會終止決策。[7]所以，本文作出以下假設：

H2a：在消費者決策第一階段，推薦的產品數量越多，消費者的購買意愿可能會越低。

處于決策集合這個時機下的個性化推薦，此時較大的集合會復雜化決策過程，使得決策變得更加困難。在決策階段如果再給消費者一個較大的推薦集合，會出現更后悔和不滿意的情況。[8]因此，這可能會影響消費者對于整體推薦滿意度的感知。所以，本文作出如下假設：

H2b：當消費者處于決策集合階段，在推薦數目上，較小的推薦集合比較大的推薦集合更能讓消費者感到滿意。

H2c：當消費者處于決策集合階段，在整體感知上，較小的推薦集合會增加消費者對于推薦的整體滿意度。

H2d：當消費者處于決策集合階段，推送較大的推薦集合會增加消費者在此決策的困難程度。

三、研究方法

(一)設計實驗

為驗證本研究的假設，實驗通過調查問卷的方法收集所需要的數據。本實驗通過一個2×2因子設計，來調查在不同給定背景下消費者的行為。本實驗的自變量包括個性化推薦時機和推薦集合的組合，因變量包括決策滿意度、決策困難度、瀏覽意愿以及購買意愿。

(二)推薦集合的大小檢驗

在開始設計正式試驗前，本文對于個性化推薦數量的大小集合進行了前測，由此得出消費者心目中的大小集合。首先，對當前電子商務企業在不同推薦時機所提供的真實個性化推薦的數目進行了大致總結。本文選取了當前較為典型的4家B2C公司做統計，最終結果見表1。

表1 電商情況總結

Chernev(2003)在研究大小集合對于消費者選擇意愿的影響時，在文中定義了大小集合。其將16個定為大集合，4個定為小集合。[7]綜上，根據實際情況和理論的綜合，本文設置16～20個為大集合，4～8個為小集合，供被試選擇。

在對50名國內某大學在校生(男27人，女23人)進行問卷調查后，回收有效問卷48份。最終將18個作為較大的推薦數目集合，5個作為較小的推薦數目集合。

(三)實驗品的選擇

對于實驗品的選擇，本文最終選擇為圖書。選擇圖書有以下三點原因：第一，圖書作為一件商品，是消費者常常接觸且較容易在電子商務網站中出現的；第二，筆者對15名學生進行了預測試，請他們對8種產品類別進行排序(分別包括圖書、MP3、手機、筆記本電腦、CD、襯衣、鞋、化妝品)，標準是對這些商品的認知水平和購買可能性，最終圖書的購買可能性最高，且認知程度適中；第三，書的種類繁多，不同的人對于書的喜好相差較大，較容易訂制個性化推薦，可制定個性化推薦的方式也較多。

(四)問卷發放與回收

調查問卷采用了紙質版的形式發送，被試接到問卷之后，問卷發放者向被試描述本次實驗情景、背景，并解釋個性化推薦，以及圖片的含義。在問卷發放者做完展示示范之后，被試開始填寫調查問卷。本次共邀請了108名被試，共回收有效問卷101份。被試者的年齡、性別、受教育程度等分布合理。

四、實驗過程及結論

(一)實驗一

問卷將推薦時機控制在消費者搜索并點擊瀏覽兩本圖書之后，系統開始根據消費者的習慣進行個性化推薦。通過前期測算的大小集合，測試對消費者的影響。

1.情景控制

馬上就要到假期了，您打算在假期購買一些讀物，充實自己的假期，所以您現在打算在網上選購一些新出版的書，但是又沒有明確的目標。電子商務購物的便捷性和種類的齊全性使得您打算在網上購買本次要買的書籍。

(1)推薦數目：集合一。您在一家電子商務網站，搜索最近“熱賣新書”后，開始在網頁中瀏覽。在您瀏覽了幾本書之后，還是沒有發現心儀的圖書。此時，該網站根據您的記錄，推算您的偏好，為您量身訂制了相應的推薦圖書，給您推送到網頁下方，供您瀏覽、選擇，情景圖如圖2所示。這樣的推薦方式，稱之為個性化推薦。請您在您有興趣點擊瀏覽的書籍下打“√”。

圖2 大集合情景圖

此后，筆者又設計了關于滿意度的問題，進行了推薦滿意度的測量。通過里克特7點法，向被試設置如下問題：我對這個時機推薦的推薦數目很滿意；這個推薦情況的出現讓我很高興；我很樂意在這時使用個性化推薦；以我的經驗，本次個性化推薦總體是令人滿意的。

(2)推薦數目：集合二。在該情景下，實驗改變了推薦數目，改為5本圖書，讓消費者重新進行選擇和回答，設置問題與集合一相同。

2.變量的測量

關于推薦滿意度的測量，實驗參考了Ho在2010年使用的修改過的經典量表。[4]對推薦數目滿意度、推薦時機滿意度、系統整體推薦滿意度進行了測量。為了證實實驗中變量度量指標的可靠性，筆者分析了相關指標的信度和效度。本次實驗采用Cronbach的Alpha來檢驗量表的信度，結果如表2所示。從表2中可以看出，本實驗的客觀因變量的信度均在0.8以上，說明問卷的信度較好。效度是通過主成分因子分析評價的，具體結果見表2，這證明了本實驗的度量指標具有較好的區別效度。

表2 信度效度檢驗

3.假設檢驗

實驗的瀏覽意愿通過被試勾選的圖書瀏覽個數來測量，被試勾選則代表其將該圖書加入自己的考慮集合中。本實驗將通過單因素方差分析(結果見表3)來檢驗該時機下，不同的推薦數目集合是否影響了消費者的瀏覽意愿。

表3 ANOVA表

由方差分析發現，在本次實驗中，瀏覽意愿同不同數目的推薦集合有著顯著性關系。接下來，將每組內的消費者在較大集合的瀏覽個數，同較小集合的瀏覽個數作差之后，其均值為2.07，標準差為1.168。

圖3為不同推薦集合的瀏覽數目增長情況。從圖3也可以看出，作差排序之后，相比于小集合，大集合推薦的瀏覽數目有著較為顯著的提升。

圖3 不同推薦集合的瀏覽數目增長情況

綜上可知，在考慮集合階段，當消費者剛開始進行搜索時，此時較大的推薦集合相比于較小的推薦集合，能提高消費者的瀏覽意愿，這個結論支持了本次實驗的假設H1a。

對于消費者關于此時推薦數目的滿意度，經過t檢驗發現，消費者對于此時的個性化推薦的數目感知來說，較大集合的滿意度4.72要高于較小集合的滿意度4.03(t=4.53，p<0.01)。這證明了當處于考慮集合階段，在推薦數目上，較大的推薦集合比較小的推薦集合更能讓消費者感到滿意，H1b得到驗證。

同樣，對于整體滿意度的感知，經過t檢驗發現，消費者對于此時的個性化推薦的整體感知來說，t=2.72，p=0.14>0.01，說明整體感知的滿意度與大小集合的出現沒有相關性，假設H1c沒有得到驗證。

4.結論

在消費者剛開始搜索時進行個性化推薦，當推送不同的大小集合時，消費者對其有著不同的態度。消費者在此時偏好較大集合的推薦，而較大的推薦集合也能增加消費者的瀏覽意愿。這與偏好不一致悖論的預測相一致。但是，在整體滿意度上，假設并沒有成立。筆者從中抽取了21位被試進行回訪調查。在與他們的交談中發現，被試在這個推薦時機下，對兩種推薦集合的整體滿意度感覺不明顯，有兩個原因。第一，被試認為大集合推薦的數目雖多，但是由于是一次性全部陳列出來，這種方式讓被試感覺一般。第二，雖然被試喜歡較大的推薦集合，但是認為其推薦精度不是很好，有些書籍并不是自己喜歡的，所以認為其推薦的整體效果一般。當然，推薦精度的問題也和本實驗采取問卷調查的方式有關。

所以，較大的推薦集合雖然可以在此時提升瀏覽意愿并且在數目上得到青睞，但還是需要在陳列方式上加以考慮。在這一點上，當前電商的做法比較符合消費者的心理，當遇到需要推送較大的推薦集合時，電商多采用幾個一組、消費者自行換組的方式進行推薦。

(二)實驗二

實驗的目的是探索在決策集合階段，當消費者進行網購的決策時(采取的是消費者從購物車進行購買操作)，向其進行個性化推薦，會對消費者的行為產生什么影響。問卷將推薦時機控制在購物車進行確認購買頁面，此時系統根據消費者的瀏覽以及購物車里的商品進行個性化推薦，控制的自變量為推薦數目的大小集合，測試對消費者行為的影響。

1.情景控制

(1)推薦數目：集合一。經過一番選擇和思考后，您將一些書籍加入了購物車，打算從中進行購買的決策(您可以選擇都購買，但是您不一定需要都購買)。此時，系統為您量身推薦了相應的圖書，給您推送到結算欄下方(如圖4所示)。

圖4 大集合情景圖

當被試瀏覽完畢后，向被試詢問是否打算購買購物車中的商品，然后向被試測量其對于推薦的滿意度。除此之外，在時機二，還測量了被試的決策困難度，同樣采用里克特7點法，向被試詢問如下問題：對我來說，這時出現的個性化推薦數量讓我很難決定是否購買；這時出現的個性化推薦數量，打亂了我原有的購買計劃。

(2)推薦數目：集合二。在更換推薦數量后，進行了相同的測試和詢問，情景圖如圖5所示。

圖5 小集合情景圖

2.變量的測量

對于推薦滿意度的測量，同實驗一相同，采用了相同的量表。而在實驗二中，還將要測量決策困難度，決策困難度的量表參考了Bottomley等人在2000年的研究，[12]結合本實驗特點進行調整。

根據檢驗可以看出，本實驗的客觀因變量的信度均在0.8以上(結果見表4)，說明問卷的信度較好。對于推薦滿意度的測量，在小集合和大集合這樣的推薦集合下，KMO和Bartlett檢驗分別為0.835和0.852；對于決策困難度，則分別是0.736和0.782。通過主成分因子分析(結果見表5、表6)，分別提取了兩個公因子。

表4 各變量的α系數

表5 效度檢驗1

表6 效度檢驗2

3.假設檢驗

本實驗部分，關于購買意愿的測量，將消費者打算購買購物車中選擇的商品記為“1”，反之記為“0”。對于這個客觀變量，將采用Logistic回歸來進行接下來的檢驗。根據Logistic回歸發現，在決策集合時機的推薦，相對較大的集合會降低消費者的購買意愿，其他情況不變的前提下，小集合的購買意愿是大集合的2.39倍。這一結果驗證了本實驗的假設H2a(χ2(1)=4.00，p<0.05)。

在這里，經過t檢驗發現，消費者對于此時的個性化推薦的數目感知來說，較小集合的滿意度4.49要高于較大集合的滿意度3.05(t=7.42，p<0.01)。這證明當處于決策集合階段，在推薦數目上，較小的推薦集合比較大的推薦集合更能讓消費者感到滿意，即H2b得到驗證。

同時發現，消費者對于此時的個性化推薦的整體感知來說，較小集合的滿意度4.31要高于較大集合的滿意度3.27(t=6.06，p<0.01)。這證明當處于決策集合階段，在整體感知上，較小的推薦集合比較大的推薦集合更能讓消費者感到滿意，即H2c得到驗證。

最后，當消費者面對此時的個性化推薦時，其面對較小集合的決策困難度3.21要小于較大集合的困難度3.66(t=2.02，p<0.05)，但是相比于滿意度的差距，在困難度上的差距要顯得小一些。不過這同樣證明當處于決策集合階段，消費者面對較大的推薦集合時的決策難度要比面對較小集合時的決策難度大，即H2d得到了驗證。

4.結論

當消費者處于決策階段時，較大集合的個性化推薦會降低消費者此刻的購買意愿。雖然不是很明顯，但是消費者面對大集合時，還是感覺要比小集合更難決策。在最小化決策復雜程度的目標下，較大的考慮集合雖然帶來更多的選擇，但是也同樣對消費者的決策產生反向作用。對于此時的滿意度，不論從數目上還是從整體感知上，被試對較小集合的滿意度都要高于較大的集合，此時消費者比較樂意接受較小的個性化推薦。

五、結 語

1.結論

本文研究的重點是不同時機下，推薦集合的大小對消費者的影響。根據兩階段決策理論，將消費者網絡購物看成兩個階段，即考慮集合階段和決策集合階段。對于時機的控制，選擇在考慮集合階段時在消費者開始搜索商品之后，進行個性化推薦；在決策集合階段時，在消費者通過購物車進行購買決策時，進行個性化推薦。通過前期的測量，向被試在兩個不同的時機分別推薦較大和較小的推薦集合。通過對瀏覽意愿、購買意愿、推薦滿意度、決策困難度的測量，發現在考慮集合階段，較大的集合會增加消費者的瀏覽意愿，但是在大小集合不同對推薦的整體滿意度上，則沒有顯著性影響。在決策集合階段，較大的推薦集合會降低消費者的購買意愿，并且相對于較大的集合，較小的集合會讓消費者感到更容易決策，不像較大的集合的出現，讓其感到困惑。消費者在此時對這樣的推薦，在整體感知上雖然有影響，但是差別不是很大。

2.管理啟示

(1)個性化推薦系統可以在消費者剛開始購買時，進行較大集合的個性化推薦，但是要注意，此時較大的集合要避免一次性出現，可采取分組出現的方式。通過這樣的方式，可以增加消費者的瀏覽意愿，并提高消費者對于系統推薦的滿意度。

(2)當消費者在購物車的界面時，此時他們將要進行購買決策，個性化推薦系統在此時要避免向消費者進行大數目集合的同類別個性化推薦，盡量使用小集合推薦，以此來降低消費者的選擇困難度，避免消費者感到后悔，提高消費者的購買意愿。

3.局限性

實驗在個性化推薦的種類上，只選取了同類別推薦，而并沒有考慮周邊產品的推薦。可是周邊產品推薦在當前電子商務企業的個性化推薦實例中卻不難見到，尤其是在購物車階段的推送中。對于同類別的推薦，如果數目過多，會讓消費者感到選擇上的困難，但是周邊產品卻沒有這樣的特點，所以，消費者對于周邊產品推薦是否會和同類別推薦有不同的反應，這也是今后可加入研究中的方向。

[1]XIAO Bo, BENBASAT I. E-commerce product recommendation agents: Use, characteristics, and impact[J]. MIS Quarterly, 2007, 31(1): 137-209.

[2]HO S Y, BODOFF D, KAR Y T. Timing of adaptive web personalization and its effects on online consumer behavior[J]. Information Systems Research, 2011, 22(3): 660-679.

[3]HANNON J, BENNETT M, SMYTH B. Recommending twitter users to follow using content and collaborative filtering approaches[M]. New York: ACM Conference on Recommender Systems, 2010: 199-206.

[4]KOREN Y. Collaborative filtering with temporal dynamics[J]. Communications of the ACM, 2010, 53(4): 89-97.

[5]KARDAN A A, EBRAHIMI M. A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups[J]. Information Sciences, 2013, 219(10): 93-110.

[6]KAHN B E, LEHMANN D R. Modeling choice among assortments[J]. Journal of Retailing, 1991, 67(3): 274-299.

[7]CHERNEV A. When more is less and less is more: The role of ideal point availability and assortment in consumer choice[J]. Journal of Consumer Research, 2003, 30(2): 170-183.

[8]CHERNEV A. Decision focus and consumer choice among assortments[J]. Journal of Consumer Research, 2006, 33(1): 50-59.

[9]MALHOTRA N K. Information load and consumer decision making[J]. Journal of Consumer Research, 1982, 8(4): 419-430.

[10]LIU Lijun. Research on real-time personalized recommendation algorithm[J]. Science and Technology, 2014, 7(5): 359-368.

[11]RAFEH R, BAHREHMAND A. An adaptive approach to dealing with unstable behavior of users in collaborative filtering systems[J]. Journal of Information Science, 2012, 38 (3): 205-221.

[12]BOTTOMLEY P A, DOYLE J R, GREEN R H. Testing the reliability of weight elicitation methods: Direct rating versus point allocation[J]. Journal of Marketing Research, 2000, 37(4): 508-513.

2016-06-27

鄭春東(1973-)，男，博士，副教授;E-mail:zcd@tju.edu.cn

1671-7031(2016)06-0072-07

F713.36

A