服装网购消费者销售评价比的影响因素

刘小红

(惠州学院服装系，广东 惠州 516007)

随着网络科技迅速应用于传统零售领域，网络营销正在改变人们的生活方式。董涛［1］在分析网络购物对消费行为5个阶段的影响时发现，网购正在潜移默化地影响着顾客的消费习惯、消费观念以及生活模式。根据中国电子商务研究中心发布的《2013年度中国服装电子商务运行报告》，2013年中国服装网购市场交易规模达4349亿元，增长了42.6%，占整个网购市场的23.1%。服装鞋帽市场因其网购需求量大，复购率高，成为电商企业争夺最为激烈的品类市场。在激烈的市场竞争中大型服装品牌公司凭借其已建立的品牌优势成为发展最快的赢家，如七匹狼、美特斯邦威、海澜之家、雅戈尔、九牧王、真维斯等品牌进入网购市场后迅速成为销量排名前列的强势服装品牌，而在淘宝平台上一些中小网店却很难成为网购市场快速发展的受益者。为消除消费者对网络交易安全性、商品质量风险、售后服务水平等方面的疑虑，天猫、淘宝、京东等大型网购平台通过在线评价机制，为服装网店不断积累商业兴誉，净化网购生态环境，因此网购消费者的在线评价正在成为网络营销的重要变量，受到研究人员的关注。Godes等［2］认为顾客在线评论作为一种新的口碑方式，对辅助顾客做出有效决策具有重要作用，但Trusov［3］认为相对传统口碑，在线评论因其商业利益关系使其可信度大大降低。张辉等［4］的研究结论支持用户评价对其他消费者的购买决策产生重要影响。管荣伟［5］认为在网络环境下，消费者的决策更多的是依赖信息交互或者从第三方获得对网店、卖家以及交易环境等信息。贺和平等［6］将消费者购物前浏览其他消费者购物评价称为关系体验，而且这种关系体验显著正向影响消费者对经济性价值、社会性价值及利他性价值的在线体验。宋光兴等［7］应用交易时间、价值因素改进了在线信用分的集结方法。杨波威等［8］提出了基于用户投票质量的用户投票激励算法。George［9］提出了使用负分的评价尺度来惩罚声誉不高的商家和提高买家满意度。蒋艳梅［10］提出顾客首次网购时参照群体传达的购物经历及价值表达对消费者的网站选择、产品选择、购买意向和实际购买行为有着显著地正向影响。张耕等［11］研究在线评论时提出负面在线评论数量、评论者专业度以及产品价格3方面对产品销售量有显著的负面影响。江文钰等［12］认为，在线评论是消费者从其他消费者的购买经历中了解商品信息及购物风险程度的重要途径，因此激励消费者积极地参与购买评价是商家营销的重要手段。从以上文献分析可发现，对网购在线评价的研究主要集中在对消费者决策的正面影响、负面影响、数据采集与评价方法、评价监督、提高好评率等方面，但网购企业面临的实际问题是如何提高网购消费者参与在线评价的比例，以此吸引更多的流量来提升业绩。本文针对这一问题，结合网购企业案例，研究影响在线评价比例的因素。

1 理论模型及分析变量

在电子商务实践中，大多数商家更加关注好评率，并通过一些技术手段来提高好评率，营销行为过于短期化。事实上，电商的好评率与传统渠道的商誉或口碑的形成与作用机制是相同的，是企业可持续发展之本，也是企业重要的无形资产。要提高好评率，关键是通过可持续的营销策略来提高消费者参与网购在线评价的比例，从而将消费者的正面或负面的购物体验显示出来，既可引导消费者购物，也可指导企业改善营销策略。为此，本文建立了用来评估网购消费者参与在线评价程度的评估模型。该模型的因变量为服装销售评价比，指服装网店消费者在线评价数量与商家要求的在线评价数量的比值，用来测量网购在线评价的参与比例。该值越高，表明消费者参与在线评价的积极性越高，对网店商誉的积累具有重要意义。该模型的解释变量(自变量)以营销4Ps(指营销组合中的产品、价格、渠道、促销四大要素)理论为依据，选择了产品库存量(stock keeping unit，SKU)深度、产品畅销程度、产品价格3个变量;另外，依据产品属性与消费者属性，选择了服装档次、产品性别属性2个调节变量，以观察调节变量是否会加强或减弱产品SKU深度、产品畅销程度对销售评价比的影响程度。

1.1 产品SKU深度

在网购业务中，SKU指在线服装产品的销售属性集合，包括品种、颜色、尺码等，是产品存货计量的最小单位;产品SKU深度是指网店某个品种上架时全部可售件数，包括该品种的全部颜色、尺码的上架陈列件数。该值越高，消费者选购的自由度越大，表明单一品种上架售卖的数量越多，潜在的顾客数量会越多，在线评论数量也会越多。而在线评价数量越多，又可能会引发更多的网购顾客购买或参与在线评价，进而影响销售评价比。

1.2 产品价格

产品价格指网店销售产品的吊牌价格。价格对消费者购买行为会产生双重影响，一方面，价格高会在消费者心目中形成产品档次高以及质量好的心理效应;另一方面，通过各种形式的优惠形成较低价格会令消费者感觉购买实惠，这也是电商平台重要营销手段，如天猫光棍节，要求所有商家在当天销售的货品必须是最近30 d的最低价(2013年光棍节将该期限延长到50 d)。此外价格的高低会影响消费者购物决策介入深度，价格越高，风险感知越高，购买决策介入程度也会越高，因此价格是影响消费者购物决策的一个重要变量。

1.3 产品畅销程度

产品畅销程度是一个相对指标，通常需要根据产品一定时期内(服装零售企业通常会在产品上市后的半个月到1个月内进行评估)销售数量或售罄率(指已销售数量占全部可销售数量的比值)进行主观的评价，因此产品畅销程度反映了消费者在产品上市特定时期内被消费者的接受程度，直接影响消费者参与在线评价的数量及比例。

1.4 产品性别属性

产品性别属性是指产品适用对象的性别，以此为依据，将服装划分为男装、女装。在消费者网购过程中，由于不能直接收集消费者的性别信息，而购买者与实际消费者也会出现分离，因此用产品性别属性类型替代消费者性别类型，以此分析网购消费者在线评价的性别差异，但存在局限性。

1.5 产品价格档次

价格档次是一个主观指标，通常与产品的类型、品牌、价格水平等有关。为便于分析产品价格档次对销售评价比的调节作用，本文将样本按照价格高低分为高、中、低3档，并用数字作代码:1低档、2中档、3高档。

2 数据采集与整理

本文研究的样本取自于某大型休闲服装品牌天猫网店销售系统，从其营业数据中按性别进行分类随机抽样，抽取销售周期在1个月以上服装产品的销售数据及在线评价数据，共有99个SKU值。依据模型分析需要，对所采集的数据进行相关计算整理，对因变量用减平均值法进行中心化处理。中心化处理的计算公式为

式中:Xi为原变量;X—为原变量的平均值;X'i为中心化处理后的新变量。

2.1 销售评价比的计算

销售评价比的计算公式为

式中:qi为网购消费者对i产品在线评价数量;Qi为商家要求对i产品在线评价数量;Ri为网购消费者对i产品销售评价比。

在网购平台上，商家要求网购者对每件产品都要给出在线评价，因此，理论上商家要求的在线评价数量就是在线销售数量。实际上，在收集整理交易数据时需要考虑以下3个问题:一是消费者单品单件购买时，商家要求的在线评价数量与产品销售数量、订单数量是相同的;二是消费者多品单件购买时，商家要求的在线评价数量与产品销售数量相同，但会大于订单数量;三是单品多件购买时，商家要求的在线评价数量与订单数量相同，但会小于销售数量。根据交易情况分析，前2种情况的比例最高，达到80%左右，为简化数据，用销售数量代替商家要求的在线评价数量，计算销售评价比，能较好反映消费者参与在线评价程度，但存在一定局限性。

2.2 产品SKU深度统计

在电商平台上，消费者能看到的产品SKU深度是某一款式的可供销售的数量，包括了该款式所有的尺码及颜色的产品数量，因此，消费者进入购买平台后，可能会因为断色断码而放弃购买，影响消费者对其他产品的评价。

2.3 产品价格统计

由于服装具有时尚性和季节性，消费者需求变化快，为更好地体现供求关系，折扣成为电商营销的普遍手段，而且折扣水平也会因为平台促销活动而发生变化，同一商品的实际销售价格，从上市到退市，折扣水平从95%到50%，因存货下降速度而有不同，实际销售价格呈现下降趋势，平均折扣水平在60%至70%之间，以保证货品的最终盈利目标。某一商品在不同时段的实际交易价格会存在差异，但均以产品的吊牌价格为基础。由于吊牌价格是企业营销组合策略的重要因素之一，实际销售价格是根据市场需求变化而做出的调整，因此在分析模型中，采用产品吊牌价格而不是实际交易价格。

2.4 畅销程度划分

本文根据产品累计销售量的大小排序，将畅销程度划分为3个等级:销量小于等于200件为滞销;销量大于200件小于等于1000件为平销;销量大于1000件为畅销。代码分别为1滞销，2平销，3畅销。由于畅销程度与销售周期及售罄率有关，直接以累计销售量进行评价有一定局限性。

2.5 产品档次划分及调节变量积计算

本文根据产品价格的高低排序，分为3个等级:小于等于50元为低档;50～150元之间为中档;价格大于150元为高档。代码分别为1低档、2中档、3高档。产品档次划分完成后，计算与SKU深度、畅销程度的积，以此做调节分析。

2.6 产品性别属性数据提取及调节变量积

从销售数据库的款式代码数据中提取性别属性代码数据，代码分别为:1男装、2女服装。性别代码提取完成后，计算与SKU深度、畅销程度的积，以此做调节分析。

3 回归模型结果分析

调用SPSS的Explore功能，计算出样本库中全部产品的销售评价比平均值为55.6%。调用SPSS的Linear Regression功能，输入因变量:销售评价比;输入第1组自变量:SKU深度、产品价格、畅销程度，代表参加模型1的变量;输入第2组调节变量的积变量:产品性别属性×畅销程度、产品性别属性×SKU深度、产品档次×SKU深度、产品档次×畅销程度，与第1组变量一起，代表参加模型2的变量。执行此命令获得利用最小二乘法回归分析的结果，如表1、2所示。

表1 模型方差检验Tab.1 Model test of variance

从表1回归模型方差检验结果来看，模型2的R2较模型1有所提高，表明解释能力有增加，2个模型的F检验显著水平Sig.均小于0.05，通过了显著性水平检验，表明模型1回归分析结果具有显著性，且模型2的2个调节变量的调节效应也具有显著性。

从表2回归系数来看，模型1中，SKU深度、价格、畅销程度的系数值分别为0.004、0.065、3.386，均为正数，说明这3个变量与销售评价比正相关，且显著水平 Sig.均小于0.05，通过了显著性水平检验。从影响程度来看，畅销程度系数最大，其次是价格，SKU深度系数最小，表明越畅销的产品，销售评价比越高。这一结果表明畅销程度与销售评价比之间能形成良好的互动效应，而且较深的SKU深度与较高的价格对销售评价比具有提升作用。对电商企业来讲，通过定向促销形成畅销产品、提高产品SKU深度及制定合理的价格水平，能有效提升网购消费者在线评价的参与程度，从而提高在线流量及品牌商誉。

表2 回归模型系数Tab.2 Regression model coefficients

模型2为加入了调节变量积的分析结果，其中，产品性别属性×SKU深度、产品性别属性×畅销程度对应的显著性检验水平Sig.小与0.05，表明产品×产品性别属性对SKU深度和畅销程度的调节效应通过了显著性水平检验。其中，产品性别属性对SKU深度系数为 －0.002，对畅销程度系数为4.768，表明产品性别属性对SKU深度的调节效应是负的，对畅销程度的调节效应是正的，其统计意义为:女性产品受SKU深度的影响程度不如男性产品，但更容易受畅销程度影响。

产品档次×畅销程度的显著性检验水平Sig.为0.234，未通过显著性检验。产品档次×SKU深度的显著性检验水平Sig.小于0.05，通过了显著性水平检验。产品档次对SKU深度系数为0.001，表明产品档次对SKU深度具有正向调节效应，其统计意义为:高档产品的在线评价较低档产品对SKU深度的敏感性更强。

4 结论

1)应用短期的促销措施使产品迅速进入畅销周期，提高产品的畅销程度，有利于提高网购消费者在线评价的参与程度。由于畅销程度不是企业可控制的，但企业可通过其营销策略引导消费者定向购买，快速提高销售量，从而缩短产品进入热销的周期。如天猫推出的定向单品促销活动受到消费者与网购企业的大力追捧，形成良好的互动效率，与这一结论吻合。

2)适度提高网销产品的SKU深度与价格水平，有利于提高网购消费者在线评价的参与程度，过低的产品SKU深度与价格水平会降低消费者网购决策的介入水平而影响在线评价的参与程度。理论上网购平台可以无限制集成消费者网购商机，提高产品SKU深度，不仅产生了规模效应，也能提升消费者在线评价参与程度。

3)女装的销售评价比受SKU深度的影响程度不如男装，但更易受畅销程度影响;高档产品的销售评价比较低档产品更易受SKU深度的影响，但受畅销程度的影响不显著。对于网购企业来讲，在制定营销组合策略时，女装SKU深度可低于男装，但要加强女装导入期的促销以尽快进入畅销周期;高档产品SKU深度要高于低档产品，以增加消费者的选购自由度。

［1］董涛.网络购物对主体消费行为影响研究［J］.广西民族大学学报，2013，35(5):156 －159.DONG Tao.On influence of online shopping on subject's consumer behavior［J］.Journal of Guangxi University for Nationalities，2013，35(5):156－159.

［2］WU CH J，LIANG R D.Effect of experiential value on customer satisfaction with service encounters in luxuryhotel restaurants［J］.International Journal of Hospitality Management，2009，28:586 －593.

［3］GODES D，MAYZLIN D.Using online conversations to study word of mouth communication［J］.Marketing Science，2004，23:545－560.

［4］张辉，白长虹，李储凤.消费者网络购物意向分析:理性行为理论与计划行为理论的比较［J］.软科学，2011，25(9):131－135.ZHANG Hui，BAI Changhong，LI Chufeng.Study on consumers'online purchasing intention:comparison between TRA and TPB［J］.Soft Science，2011，25(9):131－135.

［5］管荣伟.基于消费者感知的网店卖家信任影响因素分析［J］.企业经济，2013(10):89－95.GUAN Rongwei.On impacts of online sellers trust based on consumer perception［J］. Enterprise Economy，2013(10):89－95.

［6］贺和平，周志民.基于消费者体验的在线购物价值研究［J］.商业经济与管理，2013(3):63－72.HE Heping，ZHOU Zhimin.A study of online shopping value based on consumer experiences［J］.Journal of Business Economics，2013(3):63 －72.

［7］宋光兴，曹春方.电子商务中在线信用分的集结方法及个性化推荐研究［J］.预测，2009(5):55－64.SONG Guangxing，CAO Chunfang.Research on the online reputation aggregating approaches and the customized recommendation［J］.Forecasting，2009(5):55－64.

［8］杨波威，宋广华，郑耀.C2C电子商务平台下的用户投票激励算法［J］.电信科学，2010(10):141－145.YANG Bowei， SONG Guanghua，ZHENG Yao.An incentive strategy of voting in the C2C ecommerce environment ［J］. Telecommunications Science，2010(10):141－145.

［9］GEORGE G Slack.Resources and the performance of pr-ivately held firms［J］.Academy of Management Journal，2005，48:661 －676.

［10］蒋艳梅，赵文平.基于参照群体影响的消费者首次网购决策模型分析［J］.统计与决策，2011，24:85－88.JIANG Yanmei，ZHAO Wenping.First decision-making model of consumer online shopping based on reference group influences［J］.Statistics and Decision，2011，24:85－88.

［11］张耕，郭宁.负面在线评论对产品销量的影响:基于淘宝网的实证研究［J］.消费经济，2012，12:86－89.ZHANG Geng，GUO Ning.Influences of negative online comments on product sales:an empirical research based on taobao［J］.Consumer Economics，2012，12:86 －89.

［12］江文钰，糜仲春.电子商务信誉管理系统的多维评分模型［J］.管理学报，2007，4(3):302－305.JIANG Wenyu， MIZhongchun. Multi-dimensional graded model of reputation management system in ecommerc［J］.Chinese Journal of Management，2007，4(3):302－305.