周國福

(福建水利電力職業(yè)技術(shù)學院 經(jīng)濟管理學院,福建 永安 366000)

近幾年電商直播營銷發(fā)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(yè)看到了快速發(fā)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(yè)的發(fā)展,也為后續(xù)的調(diào)查提供數(shù)據(jù)支持。

1 基于AIDA模型的調(diào)查數(shù)據(jù)分析

1.1 調(diào)查項目及內(nèi)容

問卷的項目內(nèi)容主要根據(jù)AIDA模型進行設(shè)計[3-4],該模型主要有以下幾個方面:引起注意(Attention)→產(chǎn)生興趣(Interest)→刺激欲望(Desire)→行動購買(Action)。根據(jù)該模型將問卷設(shè)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(chǎn)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(chǎn)品產(chǎn)生購買(Action)[5]。

1.2 樣本數(shù)據(jù)分析

問卷分析了影響電子商務現(xiàn)場營銷滿意度的因素,共發(fā)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(tǒng)計數(shù)據(jù)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(shù)據(jù)能夠代表大多數(shù)參與過直播營銷者的想法,有助于得出正確的結(jié)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(shù)據(jù)能夠代表大多數(shù)參與過直播營銷者的想法,有助于得出正確的結(jié)論并提出精確有效的建議。

1.2.2 公眾對電商直播營銷產(chǎn)生興趣分析(Interest) 受訪者認為直播營銷最重要的三個優(yōu)勢分別是“激發(fā)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(tǒng)網(wǎng)頁模式已經(jīng)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(nèi)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(yōu)勢圖如圖2所示。

圖2 直播營銷平臺優(yōu)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(diào)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(shù)量為1～4單,17.79%的受訪者平均每月通過直播營銷下單數(shù)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(shù)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(zhuǎn)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(chǎn)品產(chǎn)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(gòu)合作,現(xiàn)場檢驗直播產(chǎn)品質(zhì)量”[8],“增加直播中不同人對商品的試用”及“增加產(chǎn)品的制作包裝等流程直播”等,表明公眾網(wǎng)購時比較在意商品的質(zhì)量。故直播營銷在未來的發(fā)展中應更加注重產(chǎn)品的質(zhì)量,且通過較為可信的方式適當?shù)卣宫F(xiàn)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(jīng)網(wǎng)絡(luò)分析

人工神經(jīng)網(wǎng)絡(luò),是所有神經(jīng)網(wǎng)絡(luò)的最基本原型,通過節(jié)點數(shù)量,節(jié)點之間的連接權(quán)重,還有激活函數(shù)的調(diào)整可以得到不同的運算結(jié)果[9]。神經(jīng)網(wǎng)絡(luò)是一種模擬人的神經(jīng)元記憶的方式設(shè)計的模型。模型的結(jié)果則取決于網(wǎng)絡(luò)的結(jié)構(gòu)、網(wǎng)絡(luò)的連接方式、權(quán)重的設(shè)置以及激活函數(shù)的選擇。

利用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)來分析性別、年齡、文化程度、月收入、職業(yè)、平均每個月網(wǎng)購次數(shù)等因素與消費者對電商直播營銷的總體滿意度的關(guān)系。首先把數(shù)據(jù)進行劃分訓練集和測試集,在各大城區(qū)收集到的數(shù)據(jù)中的500份數(shù)據(jù)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(jīng)網(wǎng)絡(luò)路徑圖如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)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(shù)值變量,一是神經(jīng)網(wǎng)絡(luò)適合數(shù)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(jīng)網(wǎng)絡(luò)的擬合結(jié)構(gòu)圖中可以看到,輸入層為9個節(jié)點而隱含層為3個節(jié)點,每個鏈接之間的權(quán)重為邊值上的數(shù)值,可以看到,不同組合對應的權(quán)重不同,最后組合輸出節(jié)點為因變量總體滿意度。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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(jié)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(yè)、平均每個月網(wǎng)購次數(shù)等因素與消費者對電商直播銷的總體滿意度的關(guān)系[10]。首先把數(shù)據(jù)進行劃分訓練集和測試集,為方便比較人工神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)集的劃分方式與前面人工神經(jīng)網(wǎng)絡(luò)相同,程序運行結(jié)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(shù)為radial核函數(shù),該核函數(shù)比線性核函數(shù)在本例中更穩(wěn)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(shù)為455個,可以說比較多了,這是因為數(shù)據(jù)集相對較大,數(shù)據(jù)維度相對較高,而模型的精度在0.1,這個精度已經(jīng)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(jīng)嘗試后,和0.1相差不大,由于模型的誤差不大,模型已經(jīng)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(jié)果如表3所示。

表3 預測結(jié)果比較

神經(jīng)網(wǎng)絡(luò)是一個“黑匣子”,無需了解其中機制,只需輸入數(shù)據(jù),調(diào)整好參數(shù),就能得出結(jié)果。但是如果在樣本量比較小的情況下,神經(jīng)網(wǎng)絡(luò)易造成過擬合問題。而支持向量機理論基礎(chǔ)扎實,相較于神經(jīng)網(wǎng)絡(luò)基于經(jīng)驗風險最小化,SVM是基于結(jié)構(gòu)風險最小化,泛化能力較好,具有全局最優(yōu)性,因此小樣本量使用SVM更合適。這里的500份多數(shù)據(jù),和平時數(shù)據(jù)挖掘工具常用樣本量相比,屬于相對小樣本,模型的訓練結(jié)果告訴我們BP神經(jīng)網(wǎng)絡(luò)的保值率MSE為5.615,RMSE為2.370, 而支持向量機對應的結(jié)果為為0.579和0.761,可以看到支持向量機的結(jié)果要明顯更優(yōu),誤差相對較小,可能的原因是神經(jīng)網(wǎng)絡(luò)出現(xiàn)了過擬合問題,不能達到全局最優(yōu),數(shù)據(jù)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(jié)果的部分展示如表4所示。

從表4中數(shù)據(jù)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(yè)、平均每個月網(wǎng)購次數(shù)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(gòu)建

根據(jù)爬蟲所得100家店鋪的每小時下單數(shù)量,發(fā)現(xiàn)下單數(shù)量大致集中在五個區(qū)域,所以將各直播間的每小時下單數(shù)量劃分為五個層次,轉(zhuǎn)化為定序變量,將其作為因變量,將網(wǎng)絡(luò)爬蟲所得的各項指標(粉絲數(shù)、累計獲贊數(shù)、在線人數(shù)、總銷量、動態(tài)數(shù)目、每小時彈幕量及每小時加入購物車數(shù)目)進行標準化,所得的數(shù)據(jù)作為自變量,分別設(shè)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(shù)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(tǒng)計學意義;從3個偽決定系數(shù)來看接近1,該模型在接受范圍之內(nèi),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(jié)果分析

定序logistic模型的結(jié)果分析由表6所示。

表6 定序logistic參數(shù)估計表

從表6中數(shù)據(jù)分析可得,粉絲數(shù)量、動態(tài)數(shù)目、每小時彈幕數(shù)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(shù)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(shù)、累計贊數(shù)、總銷量和每小時加入購物車數(shù)目對公眾下單行為不顯著,回歸系數(shù)甚至還出現(xiàn)了負值。對此提出了疑問,對調(diào)查的部分直播間進行了再一次調(diào)查,發(fā)現(xiàn)一些直播間示的在線人數(shù)與直播間中顯示的彈幕量、下單量、加入購物車數(shù)量嚴重不符,我們提出了一些直播間在線人數(shù)及其他一些指標具有嚴重虛假成分,這也解釋了回歸結(jié)果中在線人數(shù)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(shù)量、累計贊數(shù)、在線人數(shù)、總銷量、動態(tài)數(shù)目、每小時彈幕量等數(shù)據(jù)進行分析來判斷直播間顯示數(shù)據(jù)是否有造假。研究結(jié)果表明,網(wǎng)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(yè)”“彈幕評論數(shù)量”以及“平臺宣傳程度”。

4 總結(jié)

本文運用問卷調(diào)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(jīng)網(wǎng)絡(luò)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(shè)計問卷,對獲取到的數(shù)據(jù)首先運用描述統(tǒng)計和各類圖表分析法進行概括分析,然后運用神經(jīng)網(wǎng)絡(luò)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(xiàn)狀有了較為全面的認識。并結(jié)合計劃行為理論和行為經(jīng)濟學做進一步分析。