任開嬌 王虎 梁天寶



摘 要:現實消費者對問題的解答作為第三方觀點和意見,與商家回復相比,具有更高的客觀性和可信度。基于互動理論,利用回歸分析探索了評論交互如何影響消費者購買決策,研究結果表明評論交互提問者特征和內容特征對消費者購買決策具有重要影響,商家應從改善交互環境、提升評論交互回復率等幾方面采取措施鼓勵更多消費者參與互動,為消費者營造一個良性互動環境,提升消費者之間的互動效率,進而提升消費者轉化率。
關鍵詞:評論交互;消費者買決策;回歸分析
中圖分類號:F27 ? ? 文獻標識碼:A ? ? ?doi:10.19311/j.cnki.1672-3198.2020.04.024
0 引言
近年來,在線評論越來越受到商家重視,一些學者從在線評論有用性、在線評論和消費者購買決策及銷量之間的關系等維度進行了豐富的研究。潛在消費者亦通過在線評論感知產品相關信息,但在產品上市初期,現實消費者體驗往往不全面,評論內容碎片化且不完備,所以,評論信息并不一定能觸及潛在消費者信息痛點。另外,在產品上市中后期,積累了大量的購物評論,潛在消費者處于信息超負荷狀態,且信息形式以半結構化和非結構化為主,他們需要耗費大量的時間和精力才能提取有用信息。對于購物而言,困惑是天然存在的,問答是一種很好的解決方式,問答空間為消費者提供了交流場所,擬購買者向已購買者提出自己對商品迫切關心的問題,利用已購買者的回復來支撐決策,本文將這種互動過程稱為評論交互。利用評論交互,潛在消費者可以快速找到所關注的產品信息和消費痛點,從廣義來說,評論交互仍屬于線評論的范疇,它們都是消費者在消費后對產品的認知和感受,并主動把其體驗分享給其他消費者。
1 文獻綜述
在線評論分為正/負面在線評論、追加評論、商家回復等。Michael Siering研究表明在線評論與消費者購買行為之間存在因果關系,對消費者選擇產品有影響。在線評論通過兩種途徑對消費者購買決策產生影響,一方面在線評論自由特征獨立作用于消費者——信息特征和人員特征。石文華研究表明不同類型的矛盾性評論對消費者矛盾態度和購買意愿的影響存在差異;朱麗葉指出評論質量和評論者等級對消費者購買決策存在正向影響;孫銳利用實驗法驗證了追評的順序對消費者購買意愿有顯著影響。另一方面,在線評論與其他因素共同作用于消費者,李宗偉研究表明在線評論長度、商品銷量、賣家信用等級、物流服務評分及開店時長對消費者在線購買決策具有正向影響;Ewa Maslowska認為評論曝光度和產品價格相互作用影響消費者購買概率,Bettina von Helversen指出產品屬性、評論等級、單一正/負面評論對年輕人和老年人的影響不同,年輕人更偏愛產品性能佳和評論等級高的產品,老年人更容易受到單一正/負面評論的影響。
2 假設提出
評論交互涉及四個主體,即提問者、回答者、內容審核者、其他觀望者。本文擬將影響消費者購買決策的影響因素分為評論交互回答者特征和評論交互內容特征。
2.1 電商在線問答回答者特征
2.1.1 回答者情感傾向
回答者情感傾向即回答者在評論交互過程中所表現出的正面或負面的情緒。Mohammad Salehan實驗結果表明消費者認為包含積極情感的在線評論有用性更高,他們會更加購買該產品。Hu N也驗證了評論者情感傾向對產品銷量具有顯著正向影響。為了進一步探索情感因素對產品銷量的作用機制,孟園以護膚品銷量為例,利用ARMA模型構建情感指數模型,研究發現加入情感變量的銷售預測結果更加準確。這些研究表明情感傾向對產品銷量確實存在重要影響,據此,提出假設H1。
H1:回答者情感傾向對產品銷量具有正向的影響作用。
2.1.2 回答者專業性特征
回答者專業性是指回答者是用行業專業知識來解決消費者問題,能夠有效降低消費者感知風險,提高購買意愿。學者也從多方面研究了評論者專業性對消費者購買決策和產品銷量之間的關系,尚光輝提出評論者作為產品服務的第三方,其專業性、權威性、獨立性與規范性會直接影響消費者認知信任和情感信任。周莎莎專業性更高的消費者在發表在線評論是基于自身消費體驗對產品做出相對客觀的評價。由此可見,回答主體利用行業專業知識提供相對客觀的解釋,消除信息不對稱所帶來的不確定性,增強消費者購買信心。據此,本文提出假設H2。
H2:回答者專業性對產品銷量具有正向影響作用。
2.1.3 回答者可信度特征
回答者可信度是指回答者是否真正購買了產品,是消費者在線購物的標簽。石朝輝研究表明評論者信譽對產品銷量具有重要意義,評論者可信度與網絡消費群體購買意愿呈顯著正相關關系,而黃秋萍研究發現在追加評論中,評論者可靠性能夠顯著提高在線評論感知有用性,進而對消費者購買決策產生影響。據此,本文提出假設H3。
H3:回答者可靠性對產品銷量具有正向影響作用。
2.2 評論交互內容特征
2.2.1 評論交互回答數量
評論交互回答數量是指潛在消費者提出問題后,所有回答者產生的答案總數。杜學美研究表明評論數量對消費者購買意愿具有顯著正向影響,評論數量會影響消費者對產品的態度,進而影響消費者購買意愿,Yang J研究證明在網絡購物中,評論數量是影響消費者感知風險的重要因素之一,Minnema通過搜集某個店鋪多年的銷售數據來研究在線評論特征對購買可能性的影響,表明評論數量對購買決策具有重要影響。據此,本文提出假設H4。
H4:評論交互回答數量對商品銷量具有正向影響作用。
2.2.2 評論交互回答長度
評論交互回答長度是一個具體回答的字數或單詞數量。Ghose、王智生驗證了評論字數的多少對評論有用性具有顯著影響,吳曄指出短評無法承載較高的信息量,長評論能反映消費者真實感受,增加閱讀者的真實性感受,殷國鵬指出評論長度對潛在消費者對商品信息的感知產生較大的影響。因此,本文認為評論交互長度越長,表明消費者之間的交流越充分,對消費者購買決策影響也越大,并提出假設H5。
H5:評論交互回答長度對產品銷量具有正向影響作用。
2.2.3 評論交互回答及時性
評論交互回答及時性是指在潛在消費者提出問題后,是否能夠得到及時響應,劉憲立研究發現評論及時性是影響在線評論有用性的關鍵因素之一。彭媛媛在電影評論研究中將評論發布天數作為自變量,結果表明評論發布天數會降低評論的有用性,王君珺的研究也證明評論及時性對搜索型和體驗型中的熱門產品銷量具有顯著正向影響,吳江指出評論信息的相關性、客觀性和及時性會顯著提升消費者感知有用性,在越短的時間內解決他們的問題,越能激發消費者購買潛力。據此,本文提出假設H6。
H6:評論交互回答及時性對產品銷量具有正向影響作用。
2.2.4 評論交互問題和答案匹配度
評論交互匹配度是指回答者回復的內容與提問者提出問題之間的相關程度,即回答者在回答時是否針對問題進行針對性回復和解釋。徐琬月研究結論表明商家回復匹配度對消費者購買意愿具有正向影響;Wei將消費者與酒店經營管理者間的互動具體化,用酒店回復與在線評論的匹配度來衡量管理者的回復是否有效解決消費者的疑問或抱怨等。據此,本文提出以下假設H7。
H7:回答匹配度對產品銷量具有正向影響作用。
2.3 評論交互對消費者購買決策影響的理論模型
本文以評論交互內容特征和回答者特征為自變量,消費者購買決策為因變量,理論模型如圖1所示。
3 數據收集和分析
3.1 數據收集和預處理
本文主要通過線上方式收集數據,共收集了290份問卷,有效問卷數量為274份,有效率為94%。使用評論交互功能群體以女性為主,占比54.5%,年齡段主要集中在18到26歲,占比為76.3%,網購年限主要集中為6-10年,占比54%。
3.2 數據分析
3.2.1 信度和效度檢驗
本文問卷主要借鑒國內外成熟量表,具體情況如表1所示。
這些量表設計較為科學合理,并廣泛應用于消費者行為研究領域。首先對問卷的信度和效度進行檢驗,其中問卷整體Cronbach'sα值為0.845,單項維度的Cronbach's α值均大于0.7,表明問卷具有良好的穩定性和一致性。KMO值為0.881(sig=0.000),說明問卷具有良好的信度和效度。
3.2.2 相關性分析
從表2可以看出變量間的關系。首先評論交互回答者特征和購買決的關系,評論交互數量(X1)、評論交互長度(X2)、評論交互回答時間差(X3)、評論交互回答匹配度(X4)和消費者購買決策在0.05水平下顯著,相關性系數分為別0.875、0.796和0.902。其次回答者特征與購買決策之間的關系,可以看出回答者情感傾向(X5)、回答者專業性(X6)、回答者可靠性(X7)和購買決策在0.05水平下顯著,相關系數分別為0.836、0.775和0.812。
3.2.3 回歸分析與結果討論
本文使用SPSS構建多元線性回歸模型,以評論交互回答者情感強度、專業性、可靠性、評論交互數量、長度、及時性、回復匹配度為自變量,消費者購買決策作為因變量進行多元線性回歸,具體結果如表3所示。
從表3可以看出,容差和方差擴大因子(VIF)是衡量變量間共線性關系的重要指標,在該模型中,容差值均大于0.1,且VIF均小于10,表明模型中各變量間不存在多重線性關系。此模型的調整R2為0.426,且在0.001顯著性水平下顯著,表明回歸方程擬合情況較好該模型表達式為:y=4.450+0.270X1+0.264X2+0.070X3+0.676X4+1.098X5-0.921X6+0.743X7。結合相關性分析和整體回歸分析結果,可以得出以下結論:
(1)評論交互回答者情感傾向顯著正向影響購買決策,Sig值為0.001,假設H1成立。情感是促進銷量轉化的關鍵因素之一,表明了消費者對產品的態度與喜愛程度,如果評論交互中呈現出的負面表達較多,會使消費者購買時猶豫不決,轉向其他產品。
(2)評論交互回答者專業性與購買決策顯著正相關,Sig值為0.000,假設H2成立。從專業層面解決消費者購物疑惑往往能增強消費者購買信心,從不同角度判斷產品是否真正能夠滿足自身需求。
(3)評論交互回答者可靠性對購買決策影響不顯著,Sig值為0.056,假設H3不成立。由于評論交互的回答者是由平臺利用算法根據購買記錄、評論記錄等邀請的現實消費者,且商家不易干預,因此可靠性有保障,所以對消費者影響不顯著。
(4)評論交互的數量與購買決策顯著正相關,Sig值為0.000,假設H4成立。根據網絡口碑知曉效應:評論交互數量越多,表明越多的消費者參與到對一個產品的討論中,反映了消費者對該產品的討論熱度。熱度越高,反映了已消費顧客傳播口碑的熱情越高,那么其他消費者知曉這個產品的可能性就越大,從而能夠產生更多的后續銷量。
(5)評論交互長度與購買決策顯著正相關,Sig值為0.01,假設H5成立。根據信息熵理論,評論交互信息長度能夠有效減少消費者理解困難,隨著消費者信息之間的傳播與溝通,消費者對產品的不確定性降低,從而影響消費者購買行為。
(6)評論交互及時性與購買決策顯著負相關,Sig值為0.001,說明評論交互回復的時間間隔越短,即問題響應速度越快,對消費者決策影響越大,假設H6負向成立。
(7)評論交互回復匹配度與購買決策顯著正相關,Sig值為0.000,假設H7成立。匹配度越高表明答案是針對問題所給出的,使消費者產生積極的情感,對產品的購買意愿起到積極的作用。
4 管理建議和展望
4.1 管理建議
消費者之間的互動往往比和商家之間的互動更能產生信任,從而帶動銷量轉化,為消費者提供一個良性互動環境,是企業與用戶雙方相互了解的前提,而通過了解構建起來的信任關系意味著加快交易轉換、加強粘度、減少流失。因此,本文提出以下建議。
(1)情感是銷量轉化的關鍵。當評論交互中的積極情感表達較多時,促使消費者搜索更多與產品相關的信息,從而對商家提供的產品和服務有更加全面的了解,會大大提升消費者購買信心。良好的在線互動可以激發消費者愉悅情緒,首先通過功能優化增強消費者和商家的互動,有利于快速解決消費者在購買過程中存在的困惑,其次建立完善的消費者溝通機制,增強用戶之間的經驗交流,進一步打造網站粉絲群體,增強用戶粘性。
(2)提升評論交互的回復率、及時性和匹配度,評論交互數量、長度、及時性和匹配度對購買決策有顯著正向影響。一方面采用激勵手段,通過發放獎勵來刺激用戶回答,根據回答質量回饋用戶積分或優惠券,圖文并茂的回答會得到更多積分,或者官方發放優惠力度更大對應品類的優惠券。
(3)加強推薦算法的準確率。評論交互回答者專業性和可信度對消費者具有顯著正向影響。提升算法對人群進行精準篩選,首先定位在一段時間內,分析購買這款商品的用戶行為,對人群進行標簽化,并去除用戶等級較低的一類人群。另一方面,通過判斷用戶在平臺內容生產情況以及內容質量來判斷。如評價數據、訂單評價率等,通過多種方式精選用戶,由這些用戶來活躍問答社區,給社區提供源源不斷的活力。
4.2 研究展望
隨著時間的推移,評論交互在消費者購買決策過程中扮演的角色越來越重要,未來的研究:(1)應該獲取更多面板數據來驗證評論交互對消費者購買行為的影響,這樣研究結論更具有普適性;(2)拓展研究角度,從更細致的維度著手研究評論交互的作用。
參考文獻
[1]Michael Siering,Jan Muntermann.Explaining and predicting online review helpfulness:The role of content and reviewer-related signals[J].Decision Support Systems,2018,(108).
[2]石文華,張綺,蔡嘉龍.在線評論矛盾性對消費者矛盾態度和購買意愿的影響研究[J].管理評論,2013,30(7):79-90.
[3]朱麗葉,袁登華,張靜宜.在線用戶評論質量與評論者等級對消費者購買意愿的影響——產品卷入度的調節作用[J].管理評論,2017,(2).
[4]李宗偉,張艷輝,欒東慶.哪些因素影響消費者的在線購買決策?——顧客感知價值的驅動作用[J].管理評論,2017,(8).
[5]Salehan M,Dan J K.Predicting the performance of online consumer reviews:A sentiment mining approach to big data analytics[J].Decision Support Systems,2016,81(C):30-40.
[6]Hu,Nan,Koh,Noi Sian,Reddy,Srinivas K.Ratings lead you to the product,reviews help you clinch it? The mediating role of online review sentiments on product sales[J].Decision Support Systems,2017,(57):42-53.