基于綜合排序視角的在線商品銷量的影響因素

李 清，張 波，段習(xí)賢

（天津職業(yè)技術(shù)師范大學(xué)經(jīng)濟(jì)與管理學(xué)院，天津 300222）

網(wǎng)購中，影響商品銷量的因素是商家和平臺(tái)都很關(guān)注的內(nèi)容。從銷量的影響因素的分析結(jié)論看，趙占波等[1]通過貝葉斯泊松回歸模型，得到了產(chǎn)品負(fù)向影響銷量的結(jié)論。徐敏[2]將地理位置因素引入模型，對比了地理因素和信譽(yù)因素對賣家銷量的影響作用，采用泊松回歸、負(fù)二項(xiàng)回歸和零膨脹負(fù)二項(xiàng)回歸這3 類計(jì)數(shù)數(shù)據(jù)分析模型，分析了信譽(yù)對銷量的作用。郭功星[3]分析了商品的收藏量、評分次數(shù)和好評數(shù)對消費(fèi)者的購買決策存在顯著的正向作用；商品的定價(jià)和分享量對銷售量存在顯著的負(fù)向影響；而網(wǎng)購頁面中呈現(xiàn)的瀏覽量、評價(jià)分?jǐn)?shù)、中評數(shù)、差評數(shù)和優(yōu)惠情況方面的信息并不會(huì)對消費(fèi)者的購買決策產(chǎn)生顯著影響。許啟發(fā)等[4]采用門限分位數(shù)回歸的方法，建立了門限分位數(shù)回歸模型，揭示商品價(jià)格、商家信譽(yù)評分、商家信譽(yù)等級、保障標(biāo)記數(shù)量、商品收藏人氣、口碑?dāng)?shù)量和口碑分?jǐn)?shù)等對銷量的非線性異質(zhì)影響，得出了商家的信譽(yù)等級、口碑?dāng)?shù)量、收藏人氣和一定價(jià)格范圍內(nèi)的提價(jià)對低銷量商家的銷量有促進(jìn)作用的結(jié)論。胡林楓等[5]用眼動(dòng)實(shí)驗(yàn)的方法，得出了綜合排序減弱了由歷史銷量所引起的羊群行為的產(chǎn)生，描述了綜合排序的重要性，但并未對銷量和位置間的關(guān)系做進(jìn)一步的定量分析。外文文獻(xiàn)中，Ren 等[6]采用格蘭杰因果檢驗(yàn)方法，跟蹤研究亞馬遜網(wǎng)站的商品銷售數(shù)據(jù)，得到了在線消費(fèi)者評論量與銷售額之間存在因果關(guān)系的結(jié)論。Aidilia等[7]采用多元線性回歸的方法，研究了印度尼西亞的消費(fèi)者在線購物行為，得到了網(wǎng)絡(luò)營銷和價(jià)格感知共同影響購買決策的結(jié)論。

綜上所述，現(xiàn)有文獻(xiàn)中，學(xué)者的研究大多集中在銷量與商品的價(jià)格、店鋪的信用、收藏、口碑以及以往的銷量與現(xiàn)有銷量的關(guān)系上，有關(guān)價(jià)格與銷量關(guān)系的研究中，得到的結(jié)論都是價(jià)格和銷量負(fù)相關(guān)的結(jié)論，缺乏網(wǎng)站綜合排序?qū)︿N量影響的定量研究。本文把綜合排序納入研究，并重點(diǎn)考察價(jià)格對銷量的影響，以及同頁商品的上下位置對銷量的影響。

1 研究方法及變量選取

研究采用了加權(quán)線性回歸的方法。作為應(yīng)變量的當(dāng)月銷量數(shù)據(jù)變動(dòng)范圍較大，全距892 個(gè)，因此將其作為連續(xù)變量，用多元線性回歸比較合適。把價(jià)格、商品排序、價(jià)格乘以商品排序、商品外觀描述、商品所處頁數(shù)、商品在本頁中的位置等變量納入其中，得出回歸模型并做初步線性回歸，擬合度較好；計(jì)算殘差，做殘差和應(yīng)變量的散點(diǎn)圖為漏斗形，測定為非定方差。因此，采用加權(quán)線性回歸消除非定方差的影響，得到最終回歸方程。

對于網(wǎng)購中價(jià)格是否是最重要的因素，本文持懷疑態(tài)度，在研究中有必要做重點(diǎn)考察。因?yàn)殡娮由虅?wù)中的銷量受到諸多因素的影響，如商家綜合運(yùn)用宣傳促銷等手段，可以誘導(dǎo)消費(fèi)者購買商品，價(jià)格只是眾多因素之一。從常識可知，即便價(jià)格更低，但考慮到極端情況，排序過于靠后，可能沒有展示的機(jī)會(huì)，價(jià)格也就失去了對消費(fèi)者有效的購買激勵(lì)，銷量也不會(huì)樂觀。

1.1 選取的變量

綜合考察了文獻(xiàn)[1-14]中所選取的變量，結(jié)合主要研究的主題，本研究選取如下變量作為模型的解釋變量。

（1）商品的綜合排序。商品的綜合排序即購物網(wǎng)站默認(rèn)的商品排序序號，也是用戶進(jìn)入搜索到的商品頁面后，第一次看到的頁面里的商品，好比商店中擺在最顯要位置上的商品。雖然沒有學(xué)者對該變量進(jìn)行推斷統(tǒng)計(jì)研究，但根據(jù)直覺判斷，猜測對商品的銷量應(yīng)該會(huì)有影響，于是選取這個(gè)指標(biāo)，以考察其和應(yīng)變量的關(guān)系以及其和價(jià)格的交互作用。

（2）商品價(jià)格。經(jīng)濟(jì)學(xué)認(rèn)為，在完全競爭市場中，商品的價(jià)格和商品的銷量是反向的關(guān)系。因?yàn)樾畔⒌耐该餍?，電子商?wù)比以往任何經(jīng)濟(jì)形態(tài)更接近于完全競爭狀態(tài)，理論分析中，價(jià)格應(yīng)該比較明顯地和銷量存在負(fù)相關(guān)，因此納入模型中。

（3）商品所在頁的序號。因?yàn)椴⒉皇敲總€(gè)瀏覽者都會(huì)點(diǎn)擊下一頁，因此猜測前頁的商品比后頁的商品有更多的曝光率，進(jìn)而猜測商品所在頁越靠前，銷量也會(huì)越好，因此納入模型中。

（4）商品外觀的圖片展示效果。網(wǎng)購商品的外觀以及圖片展示的效果，對商品的銷量應(yīng)該有促進(jìn)作用，因此納入模型。操作上，通過從事電子商務(wù)10 年以上的3名專家對商品圖片打分，取平均值后并取整，取值為1～3分。分?jǐn)?shù)越高，代表商品外觀的圖片展示越好。

（5）商品在本頁中的位置。胡林楓等[5]通過眼動(dòng)實(shí)驗(yàn)的結(jié)果，證明了瀏覽者綜合排序下，消費(fèi)者在處理產(chǎn)品搜索結(jié)果頁面時(shí)，主要采取自上而下的瀏覽方式。把商品在本頁中的位置納入模型，能以不同的方法驗(yàn)證這一結(jié)論。操作上，把每頁的商品分成上、下兩部分，上部分取值為0，下部分取值為1。

1.2 未選取的變量

（1）好評率。好評率有2 種體系，一類是對于淘寶的一般店鋪，可以通過計(jì)算得到客戶給出的好評數(shù)量占所有顧客評論總數(shù)的百分比；另一類是針對天貓店鋪的商品，考核商品描述相符的程度，5 分為滿分。這2 種體系都存在一個(gè)共同的弊端，只有購買成功的客戶，才有權(quán)對商品做出評價(jià)。這樣把對商品最不滿意，而選擇退貨的客戶拒之門外，他們沒權(quán)限對商品做出評價(jià)。使得好評率難以反映商品的真實(shí)得分，這從調(diào)研的數(shù)據(jù)中也可以看到，大多數(shù)的商品得分在4.8～4.9，數(shù)據(jù)分析很難顯著。于是沒有采納好評率的數(shù)據(jù)。

（2）店鋪信用。店鋪信用是淘寶平臺(tái)為第三方銷售者建立的一個(gè)信用體系。本質(zhì)上，是店鋪從開店以來，所有出售商品的累計(jì)銷量減去所有差評的數(shù)量。這個(gè)指標(biāo)可以反映店鋪的銷售能力。理論上，因?yàn)樯唐纺J(rèn)好評等規(guī)則的影響，只要銷售數(shù)量足夠多，店鋪的信用值就會(huì)越來越大，這樣就難以反映店鋪在消費(fèi)者心中的真實(shí)信用。

2 數(shù)據(jù)采集與數(shù)據(jù)清洗

研究以淘寶網(wǎng)為數(shù)據(jù)采集來源，選取淘寶網(wǎng)上截止到2020 年12 月31 日的古琴樂器的銷量、交易等相關(guān)數(shù)據(jù)。選擇古琴的原因有：①古琴是近幾年來興起的樂器，各品牌在購買者中沒有形成有效的品牌和口碑影響力，這也導(dǎo)致了古琴品牌數(shù)量眾多，截止到2020 年12 月31 日，注冊的商標(biāo)有104 個(gè)[15]，各品牌之間還處在無序競爭中。②古琴本身差異化很小，琴體只有桐木或杉木2 種，產(chǎn)品本身差異能夠較好地控制。

為了避免材質(zhì)的不同而產(chǎn)生的差異化，數(shù)據(jù)的采集是在淘寶網(wǎng)上搜索杉木古琴。當(dāng)前的爬蟲程序只能獲得網(wǎng)頁上展示的數(shù)據(jù)，無法自動(dòng)計(jì)算商品的排序值，所以采用人工搜索的方式進(jìn)行數(shù)據(jù)采集，且人工搜索的好處是可以把展示頁中不準(zhǔn)確的商品剔除，以免影響數(shù)據(jù)分析。

采集的內(nèi)容為5 個(gè)變量：30 d 的銷量數(shù)據(jù)、過去180 d 的歷史銷量、商品的價(jià)格、排序以及商品的描述與外觀（古琴是個(gè)性化的商品，個(gè)人的喜好差異較大，外觀的評分僅代表專家組的評分，從統(tǒng)計(jì)學(xué)上講，不顯著不能證明外觀對商品的銷量無影響）。

共收集了前5 頁共223 份數(shù)據(jù)。這是由于：①后面頁的古琴銷售數(shù)量較小。②223 份的數(shù)據(jù)量已經(jīng)在變量個(gè)數(shù)10 倍以上，符合統(tǒng)計(jì)學(xué)的要求。在收集數(shù)據(jù)中，排除了自然排序不準(zhǔn)確的商品。此外，對奇異值做了剔除處理。共收集數(shù)據(jù)223 份，搜索的結(jié)果中，有6份數(shù)據(jù)不是古琴，而是做琴的材料，因此被排除在外。淘寶店鋪為了銷售，存在刷信用的現(xiàn)象，必須把這些非真實(shí)的交易盡量剔除。對于歷史銷量較少，而本月銷量突然增大的數(shù)據(jù)，視為奇異值。同時(shí)，本月銷量明顯低于累計(jì)平均銷量的個(gè)案，可能是由于商家自身供貨不足等原因?qū)е拢惨徊⑻蕹?，共剩余有效?shù)據(jù)137份，描述統(tǒng)計(jì)如表1 所示。

表1 去除奇異值后的描述統(tǒng)計(jì)

3 多元線性回歸分析

3.1 建立回歸模型

采用SPSS 軟件，把1 個(gè)月內(nèi)的銷量sales_now 作為因變量，選取逐步的方法做線性回歸，共得到3 個(gè)模型。各模型的相關(guān)參數(shù)、方差分析表、模型的R2匯總分別如表2、表3、表4 所示。

表2 各模型的相關(guān)參數(shù)

表3 方差分析表

表4 模型的R2 匯總

第3 個(gè)模型調(diào)整R2值最大，選第3 個(gè)模型。其R2為0.793，說明模型有較好的解釋度。在第3 個(gè)模型中，常量、前180 d 銷量、綜合排序以及本頁位置4 個(gè)系數(shù)在0.05 顯著水平下的顯著性分別為0.001、0.000、0.000、0.001，均小于0.05，系數(shù)有統(tǒng)計(jì)學(xué)意義。3個(gè)變量的共線性指標(biāo)VIF 分別為1.226、1.143、1.085，均小于10，變量間的共線性程度在可接受范圍內(nèi)。

3.2 方差齊性檢驗(yàn)

做殘差分析圖，考察方差齊性。殘差分析圖如圖1所示。由圖1 可知，殘差呈現(xiàn)漏斗形，說明方差是非齊性的，不符合線性回歸的前提假設(shè)，需要對模型進(jìn)行修正。

圖1 殘差分析圖

3.3 模型的修正

采用加權(quán)最小二乘法，經(jīng)過多次迭代，得到較為穩(wěn)定的模型。R2值為0.756，自變量對因變量有較高的解釋程度，模型有較好的效果。加權(quán)后模型3 的R2值、方差分析表、系數(shù)及共線性分別如表5、表6 和表7所示。

表5 加權(quán)后模型3 的R2 值

表6 加權(quán)后模型3 的方差分析表

表7 加權(quán)后模型三的系數(shù)及共線性

得到最終模型表示為

式中：Y 為當(dāng)月銷量；X1為前180 d 的銷量；X2為綜合排序；X3為商品在本頁中的位置。

從解釋程度上看，對當(dāng)月銷量影響最大的是X1，即前180 d 的銷量，這可以用消費(fèi)者的從眾心理解釋。個(gè)體在群體的影響或壓力下，放棄自己的意見或違背自己的觀點(diǎn)，使自己的言論、行為與群體保持一致的現(xiàn)象，即通常所說的“隨大流”。而從眾行為，一般指群體成員的跟從群體的傾向行為。當(dāng)網(wǎng)購者發(fā)現(xiàn)自己的意見與大多數(shù)人不一致時(shí)，會(huì)懷疑自己的判斷，促使其采取與其他網(wǎng)購者一致的行為。但這并不能解釋網(wǎng)購者所有的購買行為，購買行為還受到綜合排序的影響，因?yàn)槿说亩栊?，?dāng)網(wǎng)購者看到網(wǎng)站推薦給自己的商品滿足其意愿時(shí)，不愿意再點(diǎn)擊按銷量排序，從而抵消了銷量排序的影響力。

值得注意的是，綜合排序和商品的銷量呈負(fù)相關(guān)的關(guān)系，即綜合排序越靠后，銷量越低，該結(jié)論與常識一致。在綜合排序的同樣頁面中，對于同一個(gè)頁面的眾多商品，下面的商品比上面的商品更能吸引消費(fèi)者采取購買行為。而在同樣頁面中，頁面上半部分的商品比下半部分的銷量更高。此外，商品的展示圖外觀對商品銷量影響不顯著，商品的價(jià)格對銷量的影響不顯著。

4 結(jié)論及建議

本文采用回歸分析方法，證明了綜合排序?qū)徫镎叩馁徺I行為有正向的影響，而在同樣頁面中，頁面上半部分的商品比下半部分的銷量更高。學(xué)者胡林楓等在眼動(dòng)實(shí)驗(yàn)中得到的結(jié)論：在同頁的商品中，消費(fèi)者是自上而下瀏覽的，主要把注意力集中在位置靠前的高銷量產(chǎn)品上，而對排序靠后的低銷量產(chǎn)品的關(guān)注顯著減少。導(dǎo)致這個(gè)現(xiàn)象的原因是：淘寶平臺(tái)商品搜索得到的頁面第一排是廣告位，由于對網(wǎng)絡(luò)廣告的排斥，導(dǎo)致部分消費(fèi)者養(yǎng)成了更喜好跳過頂部的廣告商品，而直接看中下部商品的習(xí)慣，從而頁面下半部分的商品銷量反而高于頁面上半部分的銷量。

對于價(jià)格影響不顯著的原因的理論解釋為：雖然電子商務(wù)中，消費(fèi)者可以利用互聯(lián)網(wǎng)充分了解商品的價(jià)格等信息，但由于搜索成本的制約，消費(fèi)者不會(huì)為買一個(gè)商品而搜盡所有的商品信息，因此導(dǎo)致排序靠后的商品很難被搜索到，即便降價(jià)也很難被消費(fèi)者關(guān)注，這是導(dǎo)致在小樣本中，價(jià)格對銷量影響不顯著的一個(gè)重要因素。

研究表明，商品的歷史銷量對本月銷量起到了最主要的作用，網(wǎng)購中商品的價(jià)格對銷量的影響不顯著。因此，作為淘寶類平臺(tái)的網(wǎng)上店鋪，應(yīng)該把網(wǎng)絡(luò)營銷的重點(diǎn)放在綜合排序、歷史銷量以及在頁面中的位置上。