服飾類網上店鋪新產品預告對首周銷量的影響關系研究

李亞東，李 靜，張炎亮

(鄭州大學 管理工程學院，鄭州 450001)

當前，互聯網技術的高速發展與普及，信息傳播的速度與范圍得到空前擴張，為網絡購物融入國民生活奠定了基礎。純網上店鋪不像傳統實體服飾類企業擁有各種營銷渠道發布新產品預告[1]。新產品預告(new product preannouncement, NPP)作為一種有效的營銷手段，可以提前知曉消費者對產品的接受程度及購買意愿，降低店鋪新產品開發失敗的風險[2]?，F下淘寶網客戶端設置微淘版塊，網上店鋪可在其上發布新產品預告信息，在上架之前進行預熱。

產品上架首周消費者獲取的新產品信息有限，消費者會盡可能依據現有信息做出購物決策，所以新產品預告在產品研發中占據重要作用?；诖?，本文構建新產品預告數據挖掘框架，利用從網上收集的2018年7—10月服飾類新產品預告數據訓練神經網絡模型，研究店鋪發布的新產品預告相關信息對產品上架首周銷量的影響路徑，可以幫助店鋪調整新產品發布策略，增加新產品首周銷量。

1 文獻回顧與研究假設

1.1 新產品預告瀏覽數量

網上店鋪發布新產品預告的目的是讓消費者提前知曉新產品的信息，搶占消費者的購買選擇集[3]。知曉效應是指傳遞產品信息使更多的潛在消費者知曉，吸引消費者的興趣，進而提升產品的銷量[4]。新產品預告瀏覽量越多代表越多的消費者對新產品感興趣。在Meng Su等[1]的研究中，發布新產品預告可以提前了解客戶、競爭對手、投資者和分銷商的態度，新產品預告關注數量越多代表產品相關利益者對其興趣越大。發布新產品雖然可以贏得消費者的關注，但是也存在一些弊端，Thorbj?rnsen等[5]在研究中發現消費者過多地關注新產品會影響企業現有產品的銷售。據此本文提出以下假設：

H1：新產品預告瀏覽數量可以顯著影響產品上架首周銷量。

1.2 店鋪優惠活動

隨著網絡系統和技術的進步，消費者更多地依賴網絡渠道來獲取信息[6]。消費者容易獲取更多的產品信息，則消費者制定購買決策時的影響因素也會增多[7]。特別是在電子商務平臺上同類店鋪之間的競爭加劇，當店鋪發布產品預告時輔助以價格折扣，免費配送及幸運抽獎等方式來吸引更多的消費者了解新產品[8]。根據Lichtenstein等[9]的交易效用理論，折扣越高的商品越能引起消費者的購買興趣。Gendall等[10]的一項研究顯示，商品利用價格折扣進行促銷能夠普及的原因是其能夠在短期內迅速提升商品銷量。Yip等[11]認為提供免費配送及降價促銷的網上店鋪可以吸引更多的潛在消費者。Doern等[12]在對俄羅斯電子商務進行的一項研究中發現，免費配送服務與客戶的忠誠度呈現正相關關系。由此提出假設：

H2：店鋪優惠可以顯著影響產品上架首周銷量。

1.3 線上評論

隨著網絡媒體的不斷發展，用戶更加樂意通過互聯網平臺分享自己對于服務和產品的看法[13]。Bakos等[14]在研究中指出，由于許多電子商務網站支持消費者上傳視頻和圖片，消費者更容易獲得消費者評論相關信息，所以潛在消費者可了解更多詳細的產品信息。在電子商務網站上，店鋪發布的新產品預告下用戶也可公開發布關于商品的評論。

Cui等[15]研究發現，在線評論數量預測體驗型產品銷量的效果較搜索型產品更好，因為對于體驗型產品商品在線評論數量可以側面反映其受歡迎程度。積極的線上評論可以推動消費者的購買行為，而負面的評價可以減弱消費者的購買積極性[16]。Lu等[17]對負面評價進一步研究發現，與積極評價相比，負面評價傳播速度更快，對消費者購買決策的影響更顯著，因為積極的評論可以側面反映產品的品質和品牌形象等積極的一面，而負面評論可以看出消費者對產品的信心不足。所以，應該研究商品預告下評論對于商品正式上架后銷量的影響。由此可以提出以下假設：

H3：線上評論數量可以有效正向調節產品首周銷量。

H3a：積極評論比例對產品首周銷量影響不顯著。

H3b：消極評論比例顯著影響產品首周銷量。

1.4 新產品預告發布時機

公司使用新產品預告向目標群體發送新產品信息[18]，時間間隔會因產品類型不同從幾天到幾個月不等。服裝類產品受季節差異影響較大，店鋪在產品上架前幾天進行預告，而電子產品、汽車類商品因研發周期較長會較早發布新產品預告[19]。

有研究發現，新產品預告發布時機不同對產品銷量產生不同的影響。例如，Su等[20]在研究中發現，當企業規模和市場份額較大時，過早發布新產品預告會影響企業現有產品銷售，相比之下市場份額占有較少的企業發布新產品預告，會抑制競爭對手產品銷售為其本身帶來收益。企業早于競爭對手發布新產品預告可以搶占消費者得到一部分潛在收益，但是可能導致提前泄露較多產品信息，給競爭對手可乘之機。張琴等[21]在研究中發現，時間間隔長短會影響消費者對產品的感知，時間較長時消費者更多關注已上架產品質量，時間較短時消費者關注新舊產品之間的聯系。新產品預告發布時機對消費者及企業都有一定的影響，這些最終都會以產品銷量的形式展現出來。據此提出以下假設：

H4：新產品發布時機可以顯著影響產品首周銷量。

基于以上假設，本文構建如圖1所示模型。

圖1 新產品預告與產品首周銷量研究邏輯模型Fig.1 Logic diagram of new product preannouncement and first week sales volume

2 研究設計

2.1 數據來源

本文從淘寶客戶端的微淘版塊抽取2018年7—10月網上店鋪新產品預告信息。服裝作為體驗型產品生命周期較短，消費者購買不確定性較大，適合作為大樣本研究網上店鋪新產品預告投放策略對首周銷量的影響。信息內容包括預告片瀏覽數量、點贊數量、文本內容是否包含優惠及消費者評論相關信息，這些信息代表消費者對產品預告的關注程度及對新產品的態度可以間接影響產品銷量。本文從淘寶網站眾多原創品牌店中根據熱度大小選擇70家店鋪作為研究樣本，共搜集新產品預告信息792條，其中產品預告評論8 427條。樣本店鋪新產品預告數量及預告評論規模利用SPSS19.0做描述性統計，如表1所示。

表1 樣本描述Tab.1 Description of samples

2.2 評論文本情感分析

評論文本情感分析即通過對帶有感情色彩的消費者評論進行分詞、歸納，以及情感詞分析的過程中確定發布評論的消費者對上架的新產品的態度。文本情感分析的步驟如下：

1)評論文本分詞。本文對從淘寶網收集到的8 427條評論文本信息進行初步處理，人工去除無效評論、表情評論及數字評論，然后使用NLPIR-ICTCLAS漢語分詞系統對每條消費者評論進行分詞和詞性標注。然后根據詞性標注結果，提取評論中可表示情感的形容詞、名詞和動詞，并人工剔除不符合情感邏輯的詞語。同時對于形容詞前帶有表示否定意義的副詞同時提取，作為一個表感情的短語。

2)情感詞分類。本文參考大連理工大學的情感詞匯本體研究中對情感的分類情況，結合評論文本實際選擇適合本文的情感詞分類方式。大連理工大學的研究中情感詞一共分為“樂”“好”“怒”“哀”“俱”“惡”和“驚”7大類，每個大類下又包含若干小類，總計20類情感詞[22]。本文對評論情感詞歸納總結中發現，表示“樂”“哀”和“惡”三類的情感詞占比顯著，所以本文根據上述三類對評論文本中的感情詞進行分類統計。商品預告下評論文本情感詞分類結果及詞匯示例如表2所示。

表2 評論情感詞示例Tab.2 Examples of emotional comments

3)情感值計算。消費者評論中可能包含多個情感詞，表達的消極或者積極的態度也不一樣，所以本文對每一條評論進行分詞處理，并統計屬于每個情感大類的詞頻數。本文把每條評論屬于“樂”“哀”“惡”大類的詞頻數計為a、b、c，把每一條評論的總情感分數記為TotalVal，則有公式TotalVal=a-b-c。當評論計算結果TotalVal大于0時，情感值為正，把此條評論記為積極評論，情感值計為1；當評論計算值TotalVal小于0時，情感值為負，把此條評論記為負面評論，情感值計為-1；當評論計算結果TotalVal等于0時，此評論記為中性評論，情感值計為0。本文計算商品預告下消費者評論中積極評論和負面評論的占比，研究其對產品上架首周銷量的影響。

2.3 變量描述及統計分析

2.3.1 新產品預告投放相關變量

網上店鋪前期新產品宣傳渠道有限，店鋪在網上平臺上發布產品預告信息可有效解決宣傳問題，并且增加新產品曝光度影響產品銷量。新產品預告投放形式相關變量描述如下：1)新產品預告投放時機。本文以天為計量單位，搜集發布新產品預告與產品上架之間的時間間隔信息。2)圖片數量。3)產品優惠。店鋪在發布新產品預告時加入產品優惠相關信息，如價格折扣、優惠券、包郵等。設優惠值基礎值為0，每增加一種優惠形式優惠值加1。

2.3.2 消費者反應相關變量

網上店鋪發布新產品預告為了引起潛在消費者的關注，消費者的積極參與可增加新產品的熱度。消費者反應相關變量描述如下：1)新產品預告瀏覽數量。2)點贊數量。3)評論數量。4)評論情緒比例。

2.3.3 產品首周銷量

在電子商務網站上顯示產品銷量數據信息。服飾類產品由于受季節限制，其生命周期在兩個月左右，前期宣傳方式較少，所以商品在上架首周可供消費者參考的信息有限，因此多數顧客依靠產品預告相關信息預估產品的價值。鑒于網上店鋪進行營銷策劃的最終目的是提升產品的銷量，因而本文選取新產品首周銷量研究商品預告在新產品生命周期中的作用。

2.3.4 其他相關變量

消費者購買決策的影響因素有多種，除與新產品預告投放相關信息外與一些產品的外在環境密切相關，具體變量描述如下：1)店鋪關注數量。2)模特關注數量。本文用模特微博粉絲數量來替代模特關注數量。

本文利用SPSS19.0對上述研究變量進行描述性統計，如表3所示。

表3 研究變量描述性統計Tab.3 Descriptive statistics of variables

3 實驗驗證

3.1 神經網絡設計

如前文所述，新產品預告信息、消費者反應等變量都可能與商品上架首周銷量有線性或者非線性的復雜關系，針對數據及變量較多的特點，本文使用統計回歸方法研究輸入與輸出變量之間的關系。傳統統計回歸方法如邏輯回歸、多元回歸和判別回歸分析等，雖然可以解決線性與非線性問題，但缺乏靈活性。Chong等[23]在研究消費者網上購物影響因素的實驗中發現，神經網絡技術不僅可以代替傳統回歸分析方法，而且具有更低的標準誤差。所以本文借助多層感知器BP神經網絡模型，研究產品預告、消費者反應變量與商品上架首周銷量之間的影響關系。

BP神經網絡在對數據進行訓練前需要初始化，根據本文變量設置，首先確定輸出節點數為10，輸出節點數為1；其次利用試湊法確定隱含層節點數量，利用公式m=log2n(m為隱含層節點初始值，n為輸入層節點數)得初始節點數為3；然后逐漸增加1個節點，用同一組數據進行訓練，結果表明當隱含層節點數為4時神經網絡足夠復雜，且實驗數據集不會對網絡模型造成額外的誤差；最后本文初始權值設為(0,1)之間的隨機非0值，使用δ學習規則調整節點連接權值并逐漸減少誤差，同時選取Log-Sigmoid傳輸函數作為隱含層和輸出層的激活函數。

本文構建的BP神經網絡模型如圖2所示。

圖2 多層感知器的BP神經網絡結構示意Fig.2 BP neural network structure of multilayer perceptron

3.2 神經網絡分析

為了避免模型過度擬合，本文利用90%的數據訓練神經網絡，剩下10%的數據用來驗證訓練完成的神經網絡的預測精度，分別對兩組數據進行10次交叉驗證，每次交叉實驗神經網絡設置訓練500次。神經網絡仿真誤差統計結果如表4所示。

表4 神經網絡訓練誤差統計Tab.4 Statistical table of training errors for neural networks

由表4可以看出，仿真訓練組平均仿真誤差為0.805 6，精度驗證組平均仿真誤差為0.816 0，實驗組和驗證組平均誤差相差較小。針對兩組的仿真誤差進行t檢驗發現兩組實驗的仿真誤差之間沒有影響，因此本文確定建立的神經網絡模型預測輸入變量與輸出變量之間的關系是可靠的。

3.3 變量敏感度分析

基于多層感知器的BP神經網絡的神經元之間的連接強度用權值大小表示，這種權值根據訓練樣本的學習過程不斷變化。隨著訓練樣本的增加和學習次數的增多，這些神經元之間的連接強度會不斷增加，從而提升神經元對訓練樣本的靈敏程度。當神經網絡訓練完成時，輸入變量節點對應的權值表現為輸入變量相對于輸出變量的敏感度，也可表示為重要性程度。預測變量的重要性可以衡量預測變量不同值時神經網絡模型預測輸出值的變化程度。

通過平均10組訓練組神經網絡訓練完成時輸出的預測變量權值，本文最終計算得到新產品預告相關變量對于首周銷量的重要性程度，結果如表5所示。

表5 研究變量敏感度分析Tab.5 Sensitivity analysis of research variables

由表5可以看出，新產品預告相關變量相對于產品首周銷量的重要性均大于0，但其值相差較大，說明各個變量數值變化對產品首周銷量的影響各不相同。評論數量重要度為11.33%比重最大，對首周銷量影響最顯著，由此假設H3得以驗證。瀏覽數量重要度為10.11%比重次之，但其也可以顯著影響產品首周銷量，由此H1得以驗證。消極評論與積極評論比例雖然也可影響產品首周銷量，但不是顯著影響因素，所以H3b假設得到支持，而H3a假設不能得到充分支持。新產品預告投放時間的重要度為5.53%，比重較小，所以假設H4不能完全驗證。產品優惠重要度為3.89%，對產品首周銷量影響力偏小，所以H2假設不能得到驗證。

4 結論與啟示

4.1 研究結論

本文通過構建服飾類網上店鋪新產品預告與產品上架首周銷量影響關系理論框架，收集原創品牌網店新產品預告信息，進行實驗驗證，結果表明新產品預告相關變量與產品上架首周銷量有不同程度的影響。具體如下：1)評論數量與瀏覽數量對首周銷量有顯著的正向調節效應，因為這些變量會加深消費者與新產品之間的聯系，可以讓消費者更了解產品內容；2)消極評論比例、投放時間、點贊數量、積極評論比例、產品優惠等變量對新產品商家首周銷量有一般調節作用，因為新產品預告下評論并非消費者的體驗評論，而消費者購買時更關注產品質量；3)模特關注數量與圖片數量相對于其他變量對于首周銷量的調節作用最小，因為消費者購買產品的動機是款式與質量符合自己的預期，而模特僅僅作為一個展示的載體不能改變消費者對于衣服基本質量的要求，同時原創店鋪模特的知名度較低，不能產生“網紅效應”。

4.2 管理啟示

本文結論對于網上服飾類原創品牌店鋪經營具有現實的指導意義：1)評論數量、瀏覽數量和店鋪關注數量顯著影響產品上架首周銷量，因為消費者評論的前提是其仔細閱讀了新產品預告信息，由于消費者惰性的存在，消費者發布評論意味著其與產品產生了共鳴，此時購買的幾率是最大的。瀏覽數量越多意味著產品預告傳播的范圍越廣，可以吸引更多的潛在消費者。所以店鋪應該實施一些激勵政策增加產品預告的閱讀量、評論量和店鋪關注數量。2)消費者評論中積極和消極評論的比例對首周銷量的影響較小，因為大部分消費者是理性的，且評論中好評數量占絕對優勢，消費者更關注的是產品本身的款式和質量，其他人的非體驗性評價對潛在消費者的購買決策影響較小。雖然目前評價中差評比例較小對銷量的影響不大，但是網上店鋪也應注意控制評論中差評的數量。3)服飾類新產品預告發布時機不似電子、汽車類產品對產品上架前期銷量影響顯著，因為服飾類產品生命周期短，宣傳時間跨度較小，所以宣傳范圍有限，最終導致產品預告預先發布時間的長短對銷量的影響有限。但是店鋪也應該重視發布產品預告的作用，在新產品上架前進行預熱。4)產品優惠和圖片數量對產品上架首周銷量影響最小，因為產品優惠如包郵、優惠券等是店鋪普遍的宣傳手段，消費者已經默認店鋪應該達到這些標準，所以這些變量僅作為激勵消費購買的保健因素，不能真正快速提升首周銷量，但是店主應該維持現有優惠政策，以保持現有顧客數量。

盡管本文取得了一些有價值的結論，但是也存在一些局限性。首先只研究了產品預告相關變量對商品上架首周銷量的單獨影響，沒有考慮到變量之間的組合效應，如差評與數量的組合、店鋪關注數量與瀏覽量的組合等。其次僅考慮產品預告對銷量的影響，沒有考慮其他附加因素，如季節變化對服飾購買的影響等。