網(wǎng)購情景線索、情感特征與顧客契合行為
——多階段動態(tài)關(guān)聯(lián)研究

張躍先,王家琛

(東北大學(xué) 工商管理學(xué)院,遼寧 沈陽 110167)

一、研究背景

數(shù)字經(jīng)濟新商業(yè)模式下,服務(wù)主導(dǎo)邏輯逐漸取代商品主導(dǎo)邏輯,顧客契合行為成為企業(yè)進行管理變革的重要理論,是新興營銷范式研究的重要主題。顧企關(guān)系由傳統(tǒng)自上而下的聯(lián)結(jié)方式轉(zhuǎn)型為相輔相成的價值共創(chuàng)模式[1],同時顧客互動從局限于顧企之間的二元交互延伸到需考慮其他參與者的復(fù)雜社會經(jīng)濟網(wǎng)絡(luò)[2],這使得電商平臺輪番升級謀求以顧客為營銷資源深化契合關(guān)系,通過顧客的社交互動與參與合作為企業(yè)引流和促活,加速其向個性化、社交化和國際化趨勢轉(zhuǎn)變。顧客是否愿意主動同他人推薦電商網(wǎng)站、分享購物信息、發(fā)表評論等成為新型電商營銷的關(guān)鍵與企業(yè)發(fā)展的核心。因此,電商網(wǎng)購活動中顧客契合行為的動態(tài)形成機理亟待探究。

從顧客契合行為的現(xiàn)有研究來看,聚焦于驅(qū)動因素和效應(yīng)[3]。Pansari et al.[4]在網(wǎng)絡(luò)營銷背景下,證實了客戶的情感因子影響顧客契合。李慢等[5]以購物網(wǎng)站為研究背景,發(fā)現(xiàn)網(wǎng)絡(luò)服務(wù)場景的功能布局、審美訴求等對顧客契合的形成存在正向影響。Thakur[6]分析得到顧客契合對網(wǎng)購者撰寫在線評論意圖有積極作用。由此可見,在線認知情景以海量評論信息為載體賦能顧客情緒和行為并共同構(gòu)成顧客契合的動因[7]。然而,營銷學(xué)者對網(wǎng)購商業(yè)模式下顧客契合行為的探討聚焦于單階段框架描述,鮮有研究動態(tài)考察網(wǎng)購情景線索如何影響顧客契合行為。在多階段多主體的服務(wù)情境下,一項經(jīng)營活動能否成功取決于用戶的首次采購與持續(xù)使用,兩者模型間無法通用[8]。面對購物網(wǎng)站呈現(xiàn)的超負荷刺激,新顧客和老顧客對商家的信任水平、情感依屬、心理契約等[9]涉入程度不同,表現(xiàn)為在情境中搜索并提取不同的關(guān)注商品信息,繼而進行不同的趨避。相比首次購買,重購的顧客對線索感知波動趨緩[9],對產(chǎn)品容錯能力提高[10],這意味著不同消費主體的契合程度與契合路徑存在差異。本文從動態(tài)視角出發(fā)多方位系統(tǒng)描繪顧客契合行為形成過程,探索顧客契合行為的演化規(guī)律。

依靠互聯(lián)網(wǎng)平臺,Kunz et al.[11]強調(diào)了顧客契合行為與大數(shù)據(jù)之間的聯(lián)系。同時,大量可靠的在線用戶評論數(shù)據(jù)保障了高級客戶分析的豐富來源。此外,在行為學(xué)領(lǐng)域已有學(xué)者初步嘗試通過文本采集與挖掘、復(fù)雜網(wǎng)絡(luò)可視化等技術(shù)探索人類行為規(guī)律,這為顧客契合行為的研究提供范式。購物情景線索直接作用于顧客認知,引發(fā)特定情緒,是在線企業(yè)與顧客交互的前沿觸點[5]。然而,網(wǎng)購行為的動態(tài)化、場景化、數(shù)據(jù)化和社交化等特征相互耦合,或會影響線索刺激程度,造成行為反應(yīng)失序、延遲,用傳統(tǒng)的研究手段難以對顧客契合行為進行預(yù)測研究。因此,采用關(guān)聯(lián)規(guī)則挖掘方法全面刻畫顧客契合行為形成機理勢在必行。

在此背景下,本文基于刺激-機體-反應(yīng)理論的基本邏輯,動態(tài)探索不同消費階段下網(wǎng)購情景線索、情感特征與顧客契合行為間的關(guān)聯(lián)關(guān)系,試圖為商家優(yōu)化購物場景、提升用戶黏性與轉(zhuǎn)化率,促成持續(xù)性顧客契合行為提供理論指導(dǎo)與參考價值。

二、理論基礎(chǔ)與文獻綜述

(一)S-O-R 理論

1974 年,Mehrabian et al.[12]構(gòu)建刺激-機體-反應(yīng)理論,即S-O-R 理論。S 代表外部刺激,O 為機體認知、情感,R 為個體反應(yīng)。該理論認為外界剌激會影響機體的認知和情感,進而影響其行為。由于這一理論能夠很好地解釋客戶的心理變化和交易行為,在網(wǎng)絡(luò)環(huán)境中,學(xué)者們對此開展了大量研究。賀愛忠等[13]基于S-O-R 理論視角,深入剖析了微博品牌頁面特征通過用戶體驗感知、品牌頁面態(tài)度對顧客契合行為的正向作用,為企業(yè)提高用戶體驗和態(tài)度提出對策;Kang et al.[14]基于刺激-機體-反應(yīng)理論,通過文本挖掘開發(fā)使用實時數(shù)據(jù)的研究模型,發(fā)現(xiàn)交互性對顧客契合行為的動態(tài)影響;Fan et al.[15]運用S-O-R 理論構(gòu)建實證評估模型,探討社區(qū)電子商務(wù)平臺的電子服務(wù)質(zhì)量如何通過客戶信任和感知風(fēng)險影響顧客契合行為。

通過梳理S-O-R 理論在顧客契合行為研究中運用的相關(guān)文獻,發(fā)現(xiàn)較缺乏以網(wǎng)購情景線索作為刺激因素的研究,且大多都把信任、滿意、認同、體驗感知等認知狀態(tài)作為機體反應(yīng),以具體情感為中介的研究較少?；诖?本文以S-O-R 理論為支撐進行變量選取,將網(wǎng)購情景線索作為刺激因素、消費者情感作為機體、顧客契合行為作為反應(yīng),研究并發(fā)現(xiàn)其關(guān)聯(lián)關(guān)系。

(二)顧客契合行為

顧客契合行為是顧客契合的行為維度上的概念。部分學(xué)者把顧客契合行為定義為非交易行為。Van Doorn et al.[16]從行為角度測量研究顧客契合,將系列非交易性行為歸納為顧客積極參與互動、分享轉(zhuǎn)發(fā)評論、口碑推薦宣傳等。也有部分學(xué)者認為顧客契合行為既包括交易性行為,也包括非交易性行為。Cambra-Fierro et al.[17]將顧客契合行為劃分為兩個維度進行測量,分別是交易行為、非交易行為;王高山等[8]指出顧客契合行為除交易行為 (如重復(fù)購買和推薦) 外還強調(diào)超越交易的在線互動行為。由于本文以電商平臺用戶評論為研究對象,網(wǎng)購時消費者購買交易與交流互動等行為均對商家起到至關(guān)重要的作用。因此,本文根據(jù)國內(nèi)外文獻整理,把顧客契合行為定義為一系列交易性行為(如購買行為)和非交易性行為(如客戶反饋、推薦意圖)[13]。為了與研究對象的特點切合,研究借鑒寧連舉等[18]的觀點,將顧客契合行為分為:發(fā)現(xiàn)搜索、參與互動、購買使用、分享推薦、重復(fù)消費五個具體維度。

已有許多學(xué)者探討了顧客契合行為的驅(qū)動因素,主要涉及顧客、企業(yè)和環(huán)境3 個維度。在顧客層面,一些研究分析了顧客認知和情感對其契合行為的作用,如信任、滿意、品牌依戀[16]以及感知價值[19]、心流體驗[20]等。在企業(yè)層面,企業(yè)服務(wù)質(zhì)量[21]、品牌頁面特征[13]、企業(yè)管理層響應(yīng)[22]等對顧客契合行為存在影響。在環(huán)境層面,經(jīng)濟、社會、技術(shù)和競爭等因素均會影響顧客契合[16]。此外,現(xiàn)有研究還探尋了顧客契合行為的效應(yīng),發(fā)現(xiàn)顧客契合行為能夠積極影響顧客信任、口碑、卷入和情感承諾等[23],并促進品牌忠誠度[20]。

總體而言,顧客契合行為是一個動態(tài)迭代的連續(xù)變量,現(xiàn)有研究多數(shù)在靜態(tài)階段徘徊,面向不同消費階段的顧客契合行為動態(tài)形成和啟動要素考慮不足。此外,有關(guān)顧客契合行為的研究大多受單一學(xué)科制約,亟待采用多學(xué)科交叉方式揭示顧客契合行為的演化規(guī)律和激勵機制。因此,本文結(jié)合數(shù)據(jù)挖掘、仿真實驗等方法,進一步探討網(wǎng)購情景線索、顧客情感和顧客契合行為間的關(guān)聯(lián)關(guān)系,深入挖掘不同消費階段下顧客契合行為的動態(tài)形成過程。

三、研究設(shè)計

(一)數(shù)據(jù)采集與處理

淘寶是國內(nèi)業(yè)務(wù)量最大的電商平臺,其中零食擁有龐大交易數(shù)據(jù)。本文尋找銷量排序靠前的零食,采用火車瀏覽器編寫采集腳本,根據(jù)食品種類、店鋪信息等全面爬取產(chǎn)品評論,反復(fù)測試數(shù)據(jù)集效果。

為確保數(shù)據(jù)的連續(xù)性、完整性和科學(xué)性,在采集過程中遵循樣本信息多源分布、隨機選取的原則,避免對樣本數(shù)據(jù)主觀選擇、加工和重復(fù)抓取。另外,為防止刷單、惡意評價等干擾,保證樣本真實性,研究根據(jù)虛假評價短時間內(nèi)大量出現(xiàn)、內(nèi)容相似、不描述商品屬性與體驗只情感宣泄、評價模糊且通用等特征[24],從采集中與采集后兩個層面進行控制。在采集時,本文爬取2021 年12 月1 日—12月15 日銷量靠前、評論過萬的零食產(chǎn)品數(shù)據(jù),之后又對相同產(chǎn)品抓取2022 年2 月1 日—2022 年2 月15 日評論,對比兩個時間段15 天內(nèi)評論數(shù)量,剔除各時間段內(nèi)和時間段間評論或差評數(shù)量異常變化的零食產(chǎn)品。在采集后,則對雷同評價、惡意評價與好評模板等做刪除處理。經(jīng)過以上步驟及去除四字以下評論、無明確意義評論等進一步的數(shù)據(jù)清洗,共采集有效數(shù)據(jù)評論2 343 條。

(二)指標選取與標注

數(shù)據(jù)爬取后,需構(gòu)建網(wǎng)購情景線索、情感特征與顧客契合行為3 個變量的指標。參考王林等[25]、寧連舉等[18]的研究成果,確定讓利價值、客戶價值、客戶資產(chǎn)、知覺感知、情感體驗、時空信息、支付信息、質(zhì)量標準、細節(jié)展示度、服務(wù)驅(qū)動、認同線索、安全線索、依賴線索13 個標注字段為網(wǎng)購情景線索指標;抱怨、緊張、愉悅感、焦慮、恐懼感、情緒起伏、成就感、自豪感、期待9 個標注字段為顧客情感特征指標;發(fā)現(xiàn)搜索、參與互動、購買使用、分享推薦、重復(fù)消費5 個標注字段為顧客契合行為指標。

對收集到的2 343 條評論信息根據(jù)確立的27 個指標進行標注。每條評論信息中,若含有符合指標含義的內(nèi)容則在對應(yīng)指標下標注T,不符合的則標注F;對每條評論重復(fù)上述操作,從而形成評論信息表。

(三)數(shù)據(jù)加工與分類

利用IBM SPSS Modeler 軟件導(dǎo)入標注好的評論信息表,構(gòu)建可視化線索-情感-行為三個變量不同指標間共現(xiàn)頻率大小的網(wǎng)絡(luò)。其中,變量指標構(gòu)成網(wǎng)絡(luò)節(jié)點,節(jié)點間連線越粗,相應(yīng)指標間共現(xiàn)頻率越大。對2 343 條標注數(shù)據(jù)進行網(wǎng)絡(luò)分析,如圖1所示。分析發(fā)現(xiàn)購物情景線索、情感特征以及顧客契合行為指標之間存在明顯關(guān)聯(lián),且顧客契合行為指標中的購買使用和重復(fù)消費對應(yīng)形成的強關(guān)聯(lián)關(guān)系有明顯不同。結(jié)果表明并初步驗證了在不同消費階段顧客契合行為及其關(guān)注情景線索存在差異。因此,本文以顧客接受企業(yè)服務(wù)次數(shù)為標準[10],依據(jù)第一次、第二次、多次、首次等原始評論語句對應(yīng)的新/老顧客、首購/重購階段,分類顧客評論信息形成新顧客、老顧客評論信息表,分別進行關(guān)聯(lián)研究。其中,顧客首購評論1 183 條,重購評論1 160 條。

圖1 購物情景線索、情感特征及顧客契合行為指標間關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)

(四)研究方法

本文采用仿真實驗的方法,運用網(wǎng)絡(luò)整體且直觀地分析已標注的用戶評論數(shù)據(jù),得出變量間關(guān)聯(lián)關(guān)系的初步結(jié)論。另外,本文采用關(guān)聯(lián)規(guī)則挖掘的研究方法,利用 IBM SPSS Modeler 數(shù)據(jù)挖掘軟件對網(wǎng)購情景線索、情感特征、顧客契合行為特征進行關(guān)聯(lián)挖掘。通過Apriori 算法得到關(guān)聯(lián)指標之間的規(guī)則支持度和置信度,從而篩選得到變量間的主要關(guān)聯(lián)規(guī)則。

四、算法流程

關(guān)聯(lián)規(guī)則(形如X→Y)反映某一事物和其他事物間的相關(guān)關(guān)系和相互依賴性。若事物間存在某些關(guān)聯(lián)關(guān)系,那么就可以通過其他事物來預(yù)測其中一個事物。Apriori 算法是一種挖掘關(guān)聯(lián)規(guī)則頻繁項集的算法。該算法使用頻繁項集性質(zhì)的先驗知識推導(dǎo)得到,并利用k項集逐層搜索的迭代方法探索(k+1)項集。算法流程如下:

1.找出所有頻繁項集,主要包括兩個步驟:連接和剪枝。數(shù)據(jù)庫記錄數(shù)為N,第a次掃描得到a-頻繁項集合為La,候選b項集為Cb。X→Y的規(guī)則支持度計算公式為:support(X→Y)=|X∩Y|/N。

連接步:本文設(shè)置最小支持度閾值為0.3,計算得到候選集C1中項的支持度,刪除支持度小于最小支持度閾值的項,得到1-頻繁項集L1;從這些頻繁1 項集中連接各個元素產(chǎn)生候選2 項集C2,去除支持度小于最小支持度閾值的項,得到2-頻繁項集L2,以此類推,最后得到最大頻繁項集Lk。

剪枝步:檢查所有頻繁項集,若篩選出其存在非空子集不是頻繁的項集將在Ck中刪除,即剪枝。

2.根據(jù)X→Y的規(guī)則置信度計算公式:confidence(X→Y)=|X∩Y|/ |X|,計算剩余規(guī)則的置信度。若大于本文設(shè)置的最小置信度閾值0.8,則為強關(guān)聯(lián)規(guī)則。

五、數(shù)據(jù)分析與結(jié)果

(一)首購階段顧客契合行為形成分析

1.指標間網(wǎng)絡(luò)分析。對于首購階段的新顧客,本文通過 IBM SPSS Modeler 軟件導(dǎo)入新顧客評論信息,構(gòu)建網(wǎng)購情景線索、情感特征和顧客契合行為間指標的網(wǎng)絡(luò)?？刂凭W(wǎng)絡(luò)中的節(jié)點個數(shù),分別顯示各個指標間連接的強弱關(guān)系,如圖2。由此可得到新顧客首購階段各個指標間關(guān)聯(lián)關(guān)系的初步結(jié)論,并篩選出構(gòu)成較強關(guān)聯(lián)的主要指標。

圖2 首購階段基于指標數(shù)變化的變量關(guān)聯(lián)演化網(wǎng)絡(luò)

當(dāng)網(wǎng)絡(luò)節(jié)點較少時,可以發(fā)現(xiàn)部分指標構(gòu)成的節(jié)點及其之間的連線,形成了節(jié)點數(shù)量較小時指標間關(guān)聯(lián)關(guān)系的基礎(chǔ)框架,如圖2(a)所示。知覺感知線索和細節(jié)展示度是網(wǎng)絡(luò)情景線索節(jié)點,愉悅感為情感特征節(jié)點,而購買使用為顧客契合行為網(wǎng)絡(luò)節(jié)點。知覺感知線索、愉悅感和購買使用行為之間形成強連接,說明新顧客更關(guān)注知覺感知線索從而產(chǎn)生愉悅感引發(fā)消費;網(wǎng)購細節(jié)展示度和購買使用行為之間形成弱連接,這表明顧客對商品細節(jié)展示的獲知有助于購買使用行為發(fā)生。

隨著網(wǎng)絡(luò)節(jié)點增加,所有變量指標出現(xiàn),如圖2(b)所示?？梢园l(fā)現(xiàn)網(wǎng)購細節(jié)展示度、知覺感知線索、愉悅感和購買使用行為四個節(jié)點之間均形成強連接,而其他節(jié)點間則為弱連接。這四個節(jié)點及其之間的連線仍然構(gòu)成網(wǎng)絡(luò)的中心結(jié)構(gòu)。因此,研究表明無論首購階段變量指標間的網(wǎng)絡(luò)結(jié)構(gòu)如何演化,其核心框架趨于穩(wěn)定。

2.挖掘關(guān)聯(lián)規(guī)則。首購階段變量指標間關(guān)聯(lián)核心架構(gòu)趨于穩(wěn)定,即網(wǎng)絡(luò)核心節(jié)點及其聯(lián)系趨于穩(wěn)定。因此,本文根據(jù)網(wǎng)絡(luò)中顯現(xiàn)的主要指標過濾新顧客評論信息,運用Apriori 算法進一步對首購階段新顧客評論數(shù)據(jù)進行關(guān)聯(lián)分析。遍歷新顧客評論信息的1 183 條數(shù)據(jù),根據(jù)設(shè)定的支持度和置信度閾值最終篩選得到17 條主要關(guān)聯(lián)規(guī)則,如表1 所示。

表1 首購階段關(guān)聯(lián)挖掘主要規(guī)則

從表1 可以看出:(1)前項知覺感知=T,后項購買使用=T 時,支持度為81.488%,置信度為98.872%。即知覺感知線索和購買使用同時為T 的概率為0.815,在知覺感知為T 的數(shù)據(jù)中購買使用為T 的概率為0.989。(2)前項愉悅感=T,后項購買使用=T 時,支持度為82.333%,置信度為98.783%。即愉悅感和購買使用同時為T 的概率為0.823,在愉悅感為=T 的數(shù)據(jù)中購買使用為T 的概率為0.988。(3)前項細節(jié)展示度=T,后項購買使用=T 時,支持度為48.098%,置信度為99.302%。即細節(jié)展示度和購買使用同時為T 的概率為0.481,在細節(jié)展示度為T 的數(shù)據(jù)中購買使用為T 的概率為0.988。此結(jié)果也驗證了圖2 所展示的關(guān)聯(lián)結(jié)果。

(二)重購階段顧客契合行為形成分析

1.指標間網(wǎng)絡(luò)分析。對于重購階段的老顧客,本文導(dǎo)入老顧客評論信息,構(gòu)建網(wǎng)絡(luò),如圖3。由此可得到老顧客重購階段變量指標間關(guān)聯(lián)關(guān)系的初步結(jié)論,篩選構(gòu)成較強關(guān)聯(lián)的主要指標。

圖3 重購階段基于指標數(shù)變化的變量關(guān)聯(lián)演化網(wǎng)絡(luò)

當(dāng)網(wǎng)絡(luò)節(jié)點較少時,部分指標及其之間連線組成了節(jié)點量較小時指標間關(guān)聯(lián)關(guān)系的基本構(gòu)架,如圖3(a)所示。認同線索和知覺感知線索是網(wǎng)絡(luò)情景線索節(jié)點,愉悅感為情感特征節(jié)點,重復(fù)消費為顧客契合行為節(jié)點。重復(fù)消費行為作為中心節(jié)點與認同線索和愉悅感之間均形成強連接,這表明在老顧客產(chǎn)生認同感或愉悅感的情況下,會進行重復(fù)消費;知覺感知線索與重復(fù)消費行為之間形成弱連接,說明顧客良好的知覺感知有利于老顧客重復(fù)購買商品。

隨著網(wǎng)絡(luò)節(jié)點增加,所有變量指標出現(xiàn),如圖3(b)所示?？梢园l(fā)現(xiàn)網(wǎng)購認同線索、知覺感知線索、愉悅感和顧客契合重復(fù)消費行為四個節(jié)點間均形成強連接,同時其中一些節(jié)點與依賴線索和參與互動也形成較強連接。因此,這六個節(jié)點是網(wǎng)絡(luò)剩余節(jié)點的中心節(jié)點,和它們之間的連線共同構(gòu)成網(wǎng)絡(luò)的中心骨架。隨著節(jié)點量的變化能夠發(fā)現(xiàn)雖然部分弱連接隨網(wǎng)絡(luò)規(guī)模增大轉(zhuǎn)變?yōu)閺娺B接,但重購階段指標間網(wǎng)絡(luò)的核心結(jié)構(gòu)仍趨于穩(wěn)定。

2.挖掘關(guān)聯(lián)規(guī)則。由于網(wǎng)絡(luò)研究中重購階段變量指標核心關(guān)聯(lián)框架的穩(wěn)健性,本文根據(jù)網(wǎng)絡(luò)中顯現(xiàn)的主要指標過濾老顧客評論信息進一步對重購階段顧客評論進行關(guān)聯(lián)分析。運用Apriori 算法遍歷1 160 條評論數(shù)據(jù)最終篩選得到43 條主要關(guān)聯(lián)規(guī)則,如表2 所示。

表2 重購階段關(guān)聯(lián)挖掘主要規(guī)則

由表2 可以看出:(1)前項認同線索=T,后項重復(fù)消費=T 時,支持度為85.591%,置信度為99.899%。即認同線索和重復(fù)消費同時為T 的概率為0.856,在認同線索為T 的標注數(shù)據(jù)中重復(fù)消費為T 的概率為0.999。(2)前項愉悅感=T,后項重復(fù)消費=T 時,支持度為86.713%,置信度為99.901%。即愉悅感和重復(fù)消費同時為T 的概率為0.867,在愉悅感為T 的標注數(shù)據(jù)中重復(fù)消費=T 的概率為0.999。(3)前項依賴線索=T,后項重復(fù)消費=T 時,支持度為57.636%,置信度為100.000%。即愉悅感和重復(fù)消費同時為T 的概率為0.576,在愉悅感為T 的數(shù)據(jù)中重復(fù)消費均為T。(4)前項知覺感知=T,后項重復(fù)消費=T 時,支持度為70.923%,置信度為99.878%。即知覺感知線索和重復(fù)消費同時為T 的概率為0.709,在知覺感知為T 的數(shù)據(jù)中重復(fù)消費為T 的概率為0.999。(5)前項參與互動=T,后項重復(fù)消費=T 時,支持度為42.709%,置信度為100.000%。即參與互動和重復(fù)消費同時為T 的概率為0.427,在知覺感知為T 的數(shù)據(jù)中重復(fù)消費均為T。此結(jié)果可與圖3 所展示的關(guān)聯(lián)結(jié)果相互驗證。

(三)顧客契合行為動態(tài)形成關(guān)聯(lián)模型

通過對新、老顧客變量指標關(guān)聯(lián)規(guī)則挖掘結(jié)果分析,構(gòu)建其中涉及的關(guān)鍵指標與購買使用、重復(fù)消費的共現(xiàn)頻率趨勢圖,如圖4 所示。

圖4 不同消費階段各關(guān)鍵指標共現(xiàn)頻率趨勢

對比圖4 不同消費階段變量間的關(guān)聯(lián)關(guān)系,發(fā)現(xiàn):知覺感知線索、細節(jié)展示度等在顧客契合形成過程中與顧客契合行為的關(guān)聯(lián)強度逐漸降低,知覺感知線索與首購階段購買使用行為和重購階段重復(fù)消費行為雖均構(gòu)成強連接,但共現(xiàn)概率由0.815 緩慢下降到0.709,而細節(jié)展示度在交易階段變化中下降速度較快,轉(zhuǎn)為弱連接;認同線索和依賴線索對新顧客購買使用的支持度小于0.300,而對重復(fù)消費的支持度高達0.856和0.576,這表明認同線索和依賴線索在不同交易階段間與顧客契合行為由弱連接轉(zhuǎn)為強連接,關(guān)聯(lián)程度迅速升高;參與互動出現(xiàn)頻率隨消費階段變化平穩(wěn)增長到0.430,轉(zhuǎn)為強連接,契合程度不斷深化。

因此,研究提取構(gòu)成強關(guān)聯(lián)關(guān)系的指標并將其對應(yīng)連接,形成首購、重購階段網(wǎng)購情景線索、情感特征和顧客契合行為變量間的動態(tài)關(guān)聯(lián)模型,如圖5 所示。在顧客首購階段,消費者比較關(guān)注知覺感知、細節(jié)展示度等線索,他們與愉悅感和購買使用行為具有較高關(guān)聯(lián)關(guān)系。在顧客重購階段,消費者比較關(guān)心認同線索、知覺感知線索、依賴線索,與愉悅感、重復(fù)消費、參與互動行為具有高度關(guān)聯(lián);網(wǎng)購知覺感知線索、依賴線索并未與參與互動契合行為產(chǎn)生直接關(guān)聯(lián),而是通過認同線索和愉悅感,進而作用于參與互動行為。在首購、重購消費階段內(nèi),隨著網(wǎng)絡(luò)規(guī)模呈幾何級數(shù)增長,關(guān)鍵節(jié)點具有魯棒性,顧客潛在感知與消費行為趨于穩(wěn)定。關(guān)聯(lián)結(jié)構(gòu)中強連接維系高凝聚性互動關(guān)聯(lián),大量具有社會資源效應(yīng)的弱連接雖不穩(wěn)定卻連接范圍廣泛,首購到重購的過程中強弱連接轉(zhuǎn)換進一步加劇,加速網(wǎng)購情景、顧客情感與顧客契合行為間關(guān)聯(lián)結(jié)構(gòu)的重組和演化。

圖5 網(wǎng)購情景線索、情感特征與顧客契合行為動態(tài)關(guān)聯(lián)模型

六、結(jié)論與展望

(一)研究結(jié)論

本文通過非結(jié)構(gòu)化評論信息文本數(shù)據(jù)挖掘和結(jié)構(gòu)化商家與網(wǎng)購者屬性數(shù)據(jù)挖掘,動態(tài)地構(gòu)建了網(wǎng)購情景線索、顧客情感和顧客契合行為間的關(guān)聯(lián)模型,提供了一個清晰的顧客契合行為形成圖譜。研究結(jié)論如下:

1.新顧客首購時,網(wǎng)購情景線索中知覺感知線索和細節(jié)展示度、消費者情感特征中的愉悅感、顧客契合行為中購買使用行為四個指標之間關(guān)聯(lián)關(guān)系較強。消費者在首次購買時尤其注重個人感知以及商品自身細節(jié)的呈現(xiàn),精美的包裝、優(yōu)良的性能以及對商品參數(shù)、配置、加工過程的展示更可以吸引新顧客,驅(qū)動購買行為。

2.重購階段時,老顧客關(guān)注的網(wǎng)購情景線索和契合行為與首購階段相比發(fā)生變化,網(wǎng)購認同線索、依賴線索、知覺感知線索、愉悅感與顧客契合行為中參與互動和重復(fù)消費行為共六個指標之間具有較強的關(guān)聯(lián)關(guān)系。老顧客在重復(fù)購買時對商家的認同、依賴以及對商品的感知達成動機內(nèi)化,從而增強重購意愿,進一步激勵利益相關(guān)者間交流互動、分享信息,并對價值共創(chuàng)產(chǎn)生積極影響。

3.情景線索、情感特征與顧客契合行為核心關(guān)聯(lián)結(jié)構(gòu)在各消費階段內(nèi)基本穩(wěn)定,消費階段間醞釀質(zhì)變。模型顯示知覺感知線索在整體消費進程中均占有重要地位,但在重購階段與重復(fù)消費指標同時出現(xiàn)的概率明顯小于首購階段與購買使用指標同時出現(xiàn)的概率。細節(jié)展示度與愉悅感、新顧客購買使用行為具有較高關(guān)聯(lián)反應(yīng),但在重購階段轉(zhuǎn)為弱連接。同時,認同線索、依賴線索、參與互動則與重復(fù)消費轉(zhuǎn)為強連接。由此可知,在重復(fù)消費階段,隨著顧客契合程度提升,消費者對商品細節(jié)、質(zhì)地、性能等屬性的關(guān)注度降低,對價格波動的敏感度下降,對商家信任與依賴水平上升。

(二)理論貢獻

第一,本文基于S-O-R 理論,揭示了在線購物時情景線索-情感-顧客契合行為的內(nèi)在聯(lián)系,厘清了三者之間的作用機制,透析了顧客契合行為的動態(tài)形成過程,進一步拓展了顧客契合行為理論。

第二,本文彌補了過去靜態(tài)研究的不足,基于不同消費階段考察不同消費主體網(wǎng)購時的關(guān)注場景和契合行為,不僅使得顧客契合行為的動態(tài)形成機理和激勵機制更加完善,還為網(wǎng)絡(luò)服務(wù)的量化研究提供了新的思路與解決方案。

第三,本文創(chuàng)新性地運用自然語言處理、仿真實驗與數(shù)據(jù)挖掘方法,豐富了網(wǎng)購行為大數(shù)據(jù)與行為科學(xué)的融合研究,揭示了顧客契合行為的動態(tài)演化機制,這對于多學(xué)科滲透聯(lián)合研究提供了一種范式。

(三)管理啟示

首先,本文有助于電商平臺與商家利用可控制、低成本的網(wǎng)購情景因素強化顧客購買與契合行為。鑒于消費者愈加追求產(chǎn)品信息的公開透明和輕松愉悅的消費體驗,商家需進一步重視網(wǎng)站布局,精細化商品信息展示頁面,利用視頻、圖片、文字說明等方式更加直觀地全方面展示商品生產(chǎn)過程、參數(shù)、功能、效果等細節(jié)信息,同時可以通過改善色彩搭配、精致程度與風(fēng)格設(shè)計等美學(xué)體驗來贏得消費者青睞。

其次,動態(tài)效應(yīng)分析進一步發(fā)現(xiàn)不同消費階段客戶對不同情景線索的感知以及實施的顧客契合行為存在差異。商家應(yīng)融合精準營銷策略定制服務(wù)推薦和購物體驗,對新老顧客群體分別施以不同激勵措施。對于新顧客要注重商品自身競爭優(yōu)勢的展現(xiàn),并適當(dāng)采取廣告活動、促銷策略等升級客戶購物體驗,促進品牌互動;而對于老顧客則要注重關(guān)系維護,通過定期回訪、簡化程序、個性化推薦等方法進一步增強其與品牌或商家的契合水平。

最后,隨著顧客契合程度加深,消費者不僅對商品屬性和價格的解釋度、包容度有明顯提升,與企業(yè)及其他消費者交流互動、分享推薦的意愿也更加強烈。因此,商家要積極建立發(fā)展與顧客間的“契合”關(guān)系,提升客戶服務(wù)質(zhì)量,獲得顧客資源與顧客轉(zhuǎn)化。契合程度越深,服務(wù)消費的不確定性越低,越能為企業(yè)派生價值。同時,商家要正確認識客戶評價的重要性,積極構(gòu)建顧客信任、管理顧客契合、發(fā)展社交電商是十分重要的營銷手段。