基于機器學習算法的電商直播滿意度影響因素分析

周國福

(福建水利電力職業技術學院 經濟管理學院,福建 永安 366000)

近幾年電商直播營銷發展地如火如荼,直播真實的體驗感以及快速聚集人群為營銷注入新流量的能力[1-2],讓電商營銷行業看到了快速發展的契機。本研究旨在運用科學有效的方法來研究目前公眾對直播營銷的滿意度和直播營銷過程中影響公眾下單行為的因素,并從電商平臺、商家及消費者三個角度對電商直播營銷提出切實可行的建議,以期促進直播和電商行業的發展,也為后續的調查提供數據支持。

1 基于AIDA模型的調查數據分析

1.1 調查項目及內容

問卷的項目內容主要根據AIDA模型進行設計[3-4],該模型主要有以下幾個方面:引起注意(Attention)→產生興趣(Interest)→刺激欲望(Desire)→行動購買(Action)。根據該模型將問卷設計為以下五個部分:基本信息、對電商直播營銷的注意(Attention)、對電商直播營銷產生興趣(Interest)、刺激公眾參與直播營銷的欲望(Desire)、對電商直播營銷產品產生購買(Action)[5]。

1.2 樣本數據分析

問卷分析了影響電子商務現場營銷滿意度的因素,共發放問卷677份,回收有效問卷596份,問卷無效的原因主要是:群眾對問卷中的個別問題不理解、不愿意回答或明顯隨意填寫的。問卷回收統計數據如表1所示。

1.2.1 公眾對電商直播營銷的注意分析(Attention) 受訪者直播營銷參與程度如圖1所示。

圖1 受訪者直播營銷參與程度圖

從圖1中可以看出,有95.13%的受訪者表示參與過直播營銷,僅有4.87%的受訪者從未參與過直播營銷;其中有56.21%的受訪者觀看直播營銷的頻率較高。由此看來,市民對直播電商營銷的參與率高,反映出所得到的數據能夠代表大多數參與過直播營銷者的想法,有助于得出正確的結論并提出精確有效的建議。

從圖1中可以看出,有95.13%的受訪者表示參與過直播營銷,僅有4.87%的受訪者從未參與過直播營銷;其中有56.21%的受訪者觀看直播營銷的頻率較高。由此看來,市民對直播電商營銷的參與率高,反映出所得到的數據能夠代表大多數參與過直播營銷者的想法,有助于得出正確的結論并提出精確有效的建議。

1.2.2 公眾對電商直播營銷產生興趣分析(Interest) 受訪者認為直播營銷最重要的三個優勢分別是“激發好奇心,利于宣傳”“聚焦同類用戶,增強營銷效果”和“全面了解商品”[6-7]。傳統網頁模式已經無法滿足人們的好奇心,直播視頻對消費者來說更新穎。同一直播間內聚集著具有相同興趣的人群,這會讓消費者擁有歸屬感,能增強消費者對商品的信任度,從而促使消費者下單。直播營銷平臺優勢圖如圖2所示。

圖2 直播營銷平臺優勢圖 圖3 通過直播下單的情況圖

1.2.3 刺激公眾參與直播營銷的欲望分析(Desire) 通過調查顯示:49.16%的受訪者表示平均每月通過直播營銷下單的數量為1～4單,17.79%的受訪者平均每月通過直播營銷下單數量為5～8單,另外還有3.86%的受訪者平均每月通過直播營銷下單數量達到9～15單,但是也有29.03%的受訪者幾乎不通過直播營銷下單,這說明電商直播營銷的參與率雖然很高,但下單率卻未達預期,表明直播營銷的銷售轉化率還有待提高,通過直播下單的情況如圖3所示。

1.2.4 公眾對電商直播營銷產品產生購買分析(Action) 促進公眾選擇電商直播營銷最主要因素有“與檢驗機構合作,現場檢驗直播產品質量”[8],“增加直播中不同人對商品的試用”及“增加產品的制作包裝等流程直播”等,表明公眾網購時比較在意商品的質量。故直播營銷在未來的發展中應更加注重產品的質量,且通過較為可信的方式適當地展現給消費者,讓消費者買得更安心。促進選擇電商直播營銷購物影響因素分析如表2所示。

表2 促進選擇電商直播營銷購物影響因素分析表

2 電商直播營銷滿意度影響因素分析

2.1 電商直播營銷的人工神經網絡分析

人工神經網絡,是所有神經網絡的最基本原型,通過節點數量,節點之間的連接權重,還有激活函數的調整可以得到不同的運算結果[9]。神經網絡是一種模擬人的神經元記憶的方式設計的模型。模型的結果則取決于網絡的結構、網絡的連接方式、權重的設置以及激活函數的選擇。

利用BP(Back Propagation)神經網絡來分析性別、年齡、文化程度、月收入、職業、平均每個月網購次數等因素與消費者對電商直播營銷的總體滿意度的關系。首先把數據進行劃分訓練集和測試集,在各大城區收集到的數據中的500份數據作為訓練集,作為模型的輸入訓練,另外96組作為測試集,用于測試模型的擬合效果,神經網絡路徑圖如圖4所示。

圖4 神經網絡路徑圖

需要注意的是,這里沒有使用過多分類的變量,大多使用的是數值變量,一是神經網絡適合數值型變量,二是由于分類變量過多會大大增加模型的復雜性,導致過擬合的風險。從BP神經網絡的擬合結構圖中可以看到,輸入層為9個節點而隱含層為3個節點,每個鏈接之間的權重為邊值上的數值,可以看到,不同組合對應的權重不同,最后組合輸出節點為因變量總體滿意度。神經網絡結構比較清晰,而MSE(均方誤差)為5.615,RMSE(均方誤差根)為2.370,但是可能由于節點過多導致過擬合使得誤差較高。

2.2 電商直播營銷的SVM(支持向量機)分析

利用支持向量機(Support Vector Machine, SVM)模型來分析性別、年齡、文化程度、月收入、職業、平均每個月網購次數等因素與消費者對電商直播銷的總體滿意度的關系[10]。首先把數據進行劃分訓練集和測試集,為方便比較人工神經網絡和支持向量機模型的預測擬合性能,本次支持向量機模型采用的數據集的劃分方式與前面人工神經網絡相同,程序運行結果如圖5所示。

圖5 支持向量機模型圖

在支持向量機模型中,可以看到選擇的核函數為radial核函數,該核函數比線性核函數在本例中更穩健一些,模型的cost值為1,gamma值為0.045,所使用的支持向量個數為455個,可以說比較多了,這是因為數據集相對較大,數據維度相對較高,而模型的精度在0.1,這個精度已經夠用,是因為滿意度大概都在1～5到之間,當然也可以用更高的精度,比如0.01,但經嘗試后,和0.1相差不大,由于模型的誤差不大,模型已經擬合得比較好了。支持向量機模型MSE為0.579,RMSE為0.761,說明擬合程度較高,預測結果如表3所示。

表3 預測結果比較

神經網絡是一個“黑匣子”,無需了解其中機制,只需輸入數據,調整好參數,就能得出結果。但是如果在樣本量比較小的情況下,神經網絡易造成過擬合問題。而支持向量機理論基礎扎實,相較于神經網絡基于經驗風險最小化,SVM是基于結構風險最小化,泛化能力較好,具有全局最優性,因此小樣本量使用SVM更合適。這里的500份多數據,和平時數據挖掘工具常用樣本量相比,屬于相對小樣本,模型的訓練結果告訴我們BP神經網絡的保值率MSE為5.615,RMSE為2.370, 而支持向量機對應的結果為為0.579和0.761,可以看到支持向量機的結果要明顯更優,誤差相對較小,可能的原因是神經網絡出現了過擬合問題,不能達到全局最優,數據集一旦更換變動,誤差則較大了。對本例來說,更傾向使用支持向量機模型,支持向量機的預測結果的部分展示如表4所示。

從表4中數據可以看出神支持向量機預測值與實際值較接近,這說明以上性別、年齡、文化程度、月收入、職業、平均每個月網購次數等因素對滿意度確實有影響。

3 公眾下單行為影響因素研究

3.1 有序logistic模型構建

根據爬蟲所得100家店鋪的每小時下單數量,發現下單數量大致集中在五個區域,所以將各直播間的每小時下單數量劃分為五個層次,轉化為定序變量,將其作為因變量,將網絡爬蟲所得的各項指標(粉絲數、累計獲贊數、在線人數、總銷量、動態數目、每小時彈幕量及每小時加入購物車數目)進行標準化,所得的數據作為自變量,分別設為x1、x2、x3、x4、x5、x6、x7進行有序logistic回歸,β1、β2、β3、β4、β5、β6、β7為回歸系數建立模型,分別如公式(1)-(4)所示:

3.2 定序logistic模型的擬合檢驗

可行性定序logistic模型擬合信息表如表5所示:模型的全局性檢驗值小于0.05,表示該模型有統計學意義;從3個偽決定系數來看接近1,該模型在接受范圍之內,因此該模型擬合度較好。

表5 可行性定序logistic模型擬合信息表

3.3 定序logistic模型結果分析

定序logistic模型的結果分析由表6所示。

表6 定序logistic參數估計表

從表6中數據分析可得,粉絲數量、動態數目、每小時彈幕數的顯著性檢驗均小于0.05,表明顯著性較好,且這些因素的回歸系數為均大于零,exp(βi)大于1或接近1,即這些因素對公眾下單行為有正向影響,提高人們對這些因子的可行性評價,也能促進公眾下單行為。

對于在線人數、累計贊數、總銷量和每小時加入購物車數目對公眾下單行為不顯著,回歸系數甚至還出現了負值。對此提出了疑問,對調查的部分直播間進行了再一次調查,發現一些直播間示的在線人數與直播間中顯示的彈幕量、下單量、加入購物車數量嚴重不符,我們提出了一些直播間在線人數及其他一些指標具有嚴重虛假成分,這也解釋了回歸結果中在線人數等自變量對公眾下單不顯著。對此提出了可以運用對直播間的粉絲數量、累計贊數、在線人數、總銷量、動態數目、每小時彈幕量等數據進行分析來判斷直播間顯示數據是否有造假。研究結果表明,網民對電商直播營銷的總體滿意度較高,且影響公眾對直播營銷滿意度的主要因素為“職業”“彈幕評論數量”以及“平臺宣傳程度”。

4 總結

本文運用問卷調查方法探究社會公眾對電商直播營銷滿意度及用戶下單行為的影響因素。運用神經網絡和支持向量機對比分析影響電商直播營銷滿意度的因素;運用AIDA模型設計問卷,對獲取到的數據首先運用描述統計和各類圖表分析法進行概括分析,然后運用神經網絡和支持向量機對比分析影響電商直播營銷滿意度的因素,運用定序logistic模型對店鋪信息與下單量進行回歸分析,探究哪些店鋪信息會影響用戶下單行為,對直播電商營銷現狀有了較為全面的認識。并結合計劃行為理論和行為經濟學做進一步分析。