APP下载

服装线上零售渠道消费者决策机制

2016-05-17杨以雄

纺织学报 2016年12期
关键词:意愿店铺零售

高 融, 王 玲, 杨以雄

(东华大学 服装·艺术设计学院, 上海 200051)

服装线上零售渠道消费者决策机制

高 融, 王 玲, 杨以雄

(东华大学 服装·艺术设计学院, 上海 200051)

为探析服装消费者线上购买决策模式,为服装线上零售店铺提供针对性的优化方案,参考已有文献构建出消费者决策指标,通过专家访谈确定重点指标。案例以品牌天猫旗舰店为研究载体,基于五段量表对消费者进行指标满意度和购买意愿问卷调查。通过因子分析提取了5个决策因子,经最优尺度回归建立消费者购买意愿回归方程。计算结果表明消费者在案例店铺购物意愿一般,店铺存在优化空间。分析结果发现:5个决策因子对消费者的购买意愿均产生正相关影响;其中售后、选货等因子对消费者购买意愿影响显著,而案例店铺在安全方面的表现需要重点提升。

服装; 线上零售; 消费者决策; 因子分析; 回归分析

渠道选择作为影响品牌盈利的关键因素,已成为管理学和经济学领域的重要课题[1]。互联网对零售业经营策略、消费者行为等方面都产生了深远影响[2]。传统实体店的零售渠道变革,使行业由最初的单渠道向多渠道、跨渠道及全渠道模式发展[3],也在一定程度上反映了消费者意识和行为的改变。

20世纪90年代末,因特网使得线上零售渠道加速扩张[4],大量零售商主导的线下实体店开始向线上零售渠道拓展[5]。由于消费者无法线上试穿及体验,这类局限使得服装的线上零售曾不被认可[6-7],但随着服装零售业的快速发展,该类商品已逐渐成为电子商务领域的重要组成部分[8]。21世纪初期,在消费者需求多样化、生产信息化和市场竞争日益激烈的驱动下,服装线上零售渠道成为电商主流趋势[9-10]。基于此,本文量化了评价服装消费者线上购买决策的形成要素及各要素间的关系,即服装线上消费决策机制,为服装品牌零售渠道拓展提供有益参考。

1 基于4Cs营销理论的决策指标构建

4Cs营销理论(the marketing theory of 4Cs)是以消费者需求为导向[11],该理论于1990年由美国营销专家劳特朋教授提出。4Cs重新设定了市场营销组合的4个基本要素:consumer(消费者需求)、cost to the customer(成本)、convenience(便利)和communication(沟通),强调企业首先应该把追求顾客满意放在首位,其次是努力降低顾客的购买成本,然后要充分注意到顾客购买过程中的便利性,而不是从企业的角度来决定销售渠道策略,最后强调应以消费者为中心实施有效的营销沟通。本文以4Cs营销理论为理念与标准,结合服装线上零售渠道对消费者购买决策的形成要素展开研究。

由此梳理出基于4Cs的服装线上零售渠道消费者决策要素及34项影响指标,如表1所示。其中:1)需求。讨论渠道满足消费者个人需求的情况。亚伯拉罕·马斯洛博士提出了一个被广泛接受的需求层次理论(hierarchy of needs),研究了以层次概念为基础的人类需求动机,将需求分为5个层次,从低层次到高层次依次为生理需要、安全需要、归属和爱的需要、自尊需要、自我实现的需要[12];2)成本。顾客购买商品的过程,实质上也是一种投入产出的过程,除投入金钱以外,还包括情感、时间、体力和精力等方面的付出,这些投入和付出构成了顾客的购买成本[13];3)便利。零售渠道在给消费者提供轻松、便利的交易环境时,还应充分考虑到消费者接受售后服务的便利性;4)沟通。线上零售模式在与消费者沟通时,包括客服交流与环境信息沟通2部分。

2 专家访谈与指标修正

本文研究将针对案例店铺消费者开展问卷调查。通常,针对普通消费者的调查问卷,问项数量应控制在20个以内,最多不宜超过30个[14]。若34项指标全部设置为问卷问项,可能由于题量较大而导致无法获得准确有效的消费者数据。为此,通过专家访谈,对文献研究梳理出的指标体系进行修正,并筛选出较为重要的指标项作为消费者问卷问项。

表1 基于4Cs服装线上零售渠道消费者决策指标

2.1 访谈方案

访谈服装行业专家共21人,均拥有3 a及以上相关行业从业经历,具体特征统计见表2。访谈过程中,专家依据自身的从业经历与行业认知,完成2部分内容:1)通过五段量表答题形式,对各项指标的重要程度打分;2)对模型中的各项影响维度及影响因子进行确认或修正,提出增加、删除或保留等意见。

2.2 访谈结果

表3示出服装线上零售渠道消费者决策重点指标。由于本文针对线上零售渠道展开研究,根据专家意见关于“商品售价及运费”“上网费用”和“产品偏好”,在本文研究中不应作重点讨论。专家们对表1各项指标打分,均值范围从2.90~4.52,其中大于4.00的共有16项,这些可被视为服装线上零售渠道消费者决策重点指标。这些指标排序越靠前,极大值与极小值间的差值相对越小,标准差也越小,说明专家们对重点指标的认可程度随重要性增加而趋于集中。有部分专家表示:1)消费者会因嫌麻烦而不愿多涉及网购的售后服务,因而对“售后服务”的重要性产生分歧;2)许多消费者将网购过程视为娱乐消遣,对于价格间和货品间的比较速度并不关注,因而对“产品挑选耗时”和“价格判断难易度”的重要性产生分歧。由于整体样本对这些存在观点差异的指标打分均值仍较高,因此予以保留并待问卷调查研究验证。

表2 受访专家特征统计Tab.2 Characteristic statistics of interviewed experts

表3 服装线上零售渠道消费者决策重点指标Tab.3 Key customer decision index of apparel online retail

3 消费者问卷调查

3.1 案例品牌

本文研究以产品定位年轻休闲时装,目标消费群体为18~40岁女性,已在天猫开设品牌旗舰店的L品牌天猫旗舰店为案例店铺,由被调查者在充分浏览该店铺后填写问卷。

3.2 研究方法

量表用于衡量个体的内在感受、知觉或情感反应[15],包含若干关于研究对象特点的问项,评分一定程度上反映了研究对象的性质[16-17],被广泛应用于消费者行为研究,因此,实证研究采用问卷调查和多元统计分析的方法。

针对16项重点指标设计问项,以五段量表答题形式,获取被调查者对案例店铺各项指标表现满意度,以及在该店铺进行购物行为的意愿。

3.3 样本选择

选取案例品牌目标客户群中的女性消费者开展问卷调查,调查时间为2015年4月28日至5月29日,共获取有效问卷196份,人口统计特征见表4。被调查者年龄多集中在21~25岁(80.6%),学历水平全部为本科及以上,其中大部分为学生(88.8%),整体样本符合实验预期。

表4 受试者人口统计特征Tab.4 Demographic characteristics of subjects

4 结果分析

有效样本整体克朗巴哈系数为0.817,说明信度良好。KMO值为0.784大于0.6,巴特利球形检验的显著性差异(Sig.)为0,小于0.05,说明量表效度系数良好,适合开展因子分析。

4.1 描述性分析

表5示出整体样本对各项重点指标表现情况的满意度均值。

表5 重点指标问项描述统计量Tab.5 Descriptive statistics of key index items

对于案例店铺,64%的被调查者表示比较愿意在该店铺中进行购买行为,24%的被调查者表示购买意愿一般,如图1所示。整体样本数据转换为百分制得分为63.80分,购买意愿为比较愿意。

4.2 因子分析

通过4Cs营销理论构建的决策指标,可依据消费者问卷调查数据进行因子分析,基于消费者决策行为探索服装线上零售渠道消费者决策因子。

采用主成分分析法提取反映被调查者对各项指标表现满意度因子。前5个因子的累积贡献率为61.5%,大于60%,满足因子个数对累积贡献率的要求,因此选择提取5个因子。如表6所示旋转方差矩阵,得出因子结构并对因子进行命名。

表6 因子分析旋转方差矩阵Tab.6 Rotation matrix of factor analysis

因子1选货:消费者在零售渠道中,针对货品信息分析与挑选所涉及的指标,如货品品类、货品信息分析、价格判断难易度等。

因子2服务:零售渠道通过店员和顾客交流系统提供给消费者的相关服务,涉及指标客服服务水准、服务态度、顾客交流平台等。

因子3安全:零售渠道确保消费者在购物过程中的货币、隐私、提货等方面的安全,涉及指标货币安全、个人隐私保护和付款、收货难易度。

因子4消耗:消费者在零售渠道中所产生的时间、精力等方面的消耗,涉及指标产品挑选难易度和产品挑选耗时。

因子5售后:在购买行为发生之后,消费者将与品牌商产生的接触,包括售后服务以及经由产品所展示与传达的品牌理念对消费者产生的长期影响。

4.3 最优尺度回归分析

最优尺度回归分析(optimal scaling)允许因/自变量为各种类型的分类变量,分析时采用一定的非线性变换方法对原始分类变量进行转换,然后反复迭代以找到最佳方程式[18]。

表7 变量标准回归系数及显著性检验Tab.7 Standard regression coefficient and significant test

最优尺度回归模型的方程如式(1)所示:

(1)

式中:S为消费者购买意愿;F1为因子选货的得分;F2为因子服务的得分;F3为因子安全的得分;F4为因子消耗的得分;F5为因子售后的得分。由式可知,5个决策因子对消费者的购买意愿均产生正相关影响,按标准回归系数数值从大到小排列依次为售后、选货、服务、安全及消耗,即这几项因子对消费者购买意愿的影响由大到小。

消费者在线上选购时常担心产品不符合预期,因而对售后较看重,若有无条件退货等条款,会很大程度激发购买意愿;界面设计等因素对选购过程有直接影响,选货的重要性排第二较为合理;虽然相比实体店,网购过程中店员介入较少,但当消费者对产品尺码、工艺等产生疑虑时,客服服务仍具有重要意义;安全方面,消费者通过浏览正规网站和提升网银、支付宝等账户安全主动规避相关风险,网店需承担的安全责任相对较低;消费者浏览网店不受时间、地理位置等因素影响,相比实体店,消费者无需花费到店离店的时间和精力,因此消耗对消费者购买意愿的影响力最低。

4.4 购买意愿回归分析

4.4.1 因子得分计算

因子分析采用主成分分析法,由下式可计算fij(第i个指标的第j个主成分系数),其中i=1,2,…,16,j=1,2,…,5。表8示出因子分析解释总方差。表9示出分析成分矩阵。

(2)

式中:λj为初始特征值(见表8);tij为初始因子载荷(见表9)。

表8 因子分析解释总方差Tab.8 Total variance of factor analysis

表9 因子分析成分矩阵Tab.9 Component matrix of factor analysis

(3)

则F1=14.643。同理可得:F2=0.434,F3=-0.449;F4=1.461;F5=0.834。

4.4.2 购买意愿回归模型及评价

各问项的打分范围为1~5分,因此F1~F5的范围分别为[3.905, 19.525],[-6.873, 7.153],[-6.181, 6.694],[-5.599, 8.380],[-6.182, 7.568]。进而得出最优尺度回归模型方程式S的取值范围为[-4.570, 12.505],-4.570≤S<-1.155时,结果为极不愿意购买; -1.155≤S<2.260为不太愿意购买;2.260≤S<5.675为一般;5.675≤S<9.090为比较愿意购买;9.090≤S≤12.505为非常愿意购买。将因子得分带入式(1),可知,此次问卷调查S得分为4.857,表明被调查者对于在案例店铺进行购买行为的意愿属一般。

从各项因子得分在所属分值范围内的水平表现来看,案例店铺在安全、消耗、售后和服务方面存在较大优化空间,如图2所示。

5 结 论

考虑消费者决策对零售渠道发展的重要性,本文在建立线上零售渠道消费者决策指标的基础之上,通过消费者问卷实验,建立购买意愿最优回归模型,这一消费者购买决策的量化评价方法具有实用性和参考意义。本文以案例品牌天猫店铺为例,分析该评价方法的应用,后续将针对更多类型的线上零售渠道,如手机移动终端开展研究,为服装企业零售渠道的拓展与建设提供借鉴。

FZXB

[1] XIAO Tiaojun,CHOI Tsanming. Purchasing choices and channel structure strategies for a two-echelon system with risk-averse players[J]. International Journal of Production Economics, 2009, 120(1): 54-65.

[2] BERMAN B R. Competing in Tough Times: Business Lessons from L L Bean, Trader Joe′s, Costco, and Other World-Class Retailers[M]. New Jersey: FT Press, 2010: 27-38.

[3] BELL David, GALLINO Santiago, MORENO Antonio. Showrooms and information provision in omni-channel Retail[J]. Production and Operations Management, 2015, 24(3): 360-362.

[4] MULLER-LANKENAU Claas, WEHMEYER Kai, KLEIN Stefan. Multi-channel strategies: capturing and exploring diversity in the European retail grocery industry[J]. International Journal of Electronic Commerce, 2005, 10(2): 85-122.

[5] BOCK Geewoo,LEE Jumin,KUAN Hueihuang, et al. The progression of online trust in the multi-channel retailer context and the role of product uncertainty[J]. Decision Support Systems, 2012, 53(1): 97-107.

[6] FRANKE Nikolaus, SCHREIER Martin,KAISER Ulrike. The ″I designed it myself″ effect in mass customization[J]. Management Science, 2010, 56(1): 125-140.

[7] MERLE Aurlie,CHANDON J L,ROUX Elyette, et al. Perceived value of the mass-customized product and mass customization experience for individual consumers[J]. Production and Operations Management Science, 2010, 19(5): 503-514.

[8] APEAGYEI P R, OTIENO Rose. Usability of pattern customising technology in the achievement and testing of fit for mass customisation[J]. Journal of Fashion Marketing and Management, 2007, 11(3): 349-365.[9] MENDELSON Haim,PARLAKTURK A K. Competitive customization[J]. Manufacturing and Service Operations Management, 2008, 10(3): 377-390.

[10] TAKAGOSHI Noritsugu,MATSUBAYASHI Nobuo. Customization competition between branded firms: continuous extension of product line from core product[J]. European Journal of Operational Research, 2013, 225(2): 337-352.

[11] LIN T L, LEE C C, LIN H C. Analysis of customer profit contribution for banks with the concept of marketing mix strategy between 4Cs and 5Ps[J]. Service Business, 2013, 7(1): 37-59.

[12] TAORMINA R J,GAO J H. Maslow and the motivation hierarchy: measuring satisfaction of the needs[J]. American Journal of Psychology, 2013, 126(2): 155-177.[13] 郑燕燕. 零售企业经营成本与顾客购买成本的博弈分析[J]. 北方经济, 2010(9): 83-84. ZHENG Yanyan. The game analysis between operation cost and customer purchase cost of the retail business[J]. North China Journal of Economics, 2010(9): 83-84.

[14] 岳欣.市场调研、分析与预测[M]. 北京: 北京邮电大学出版社, 2010:124-140. YUE Xin.Market Research, Analysis and Forecast [M].Beijing:Beijing University of Posts and Telecommunications Press,2010:124-140.

[15] DEVELLIS Robert F. Scale Development: Theory and Applications[M].US: Sage Publications, 1991:39.

[16] PILLAI K G. Range of confidence scale and consumer knowledge calibration[J]. Psychological Reports, 2014, 114(1): 149-155.

[17] CHANG Huacheng, LAI Hsinhsi,CHANG Yuming. A measurement scale for evaluating the attractiveness of a passenger car form aimed at young consumers[J]. International Journal of Industrial Ergonomics, 2007, 37(1): 21-30.

[18] 张文彤. 世界优秀统计工具SPSS11统计分析教程高级篇[M]. 北京: 希望电子出版社, 2002: 139. ZHANG Wentong. World Excellent Statistical Tools: Advanced Tutorial of SPSS11 Statistical Analysis [M]. Beijing: Beijing Hope Electronic Press, 2002: 139.

Consumers decision mechanisms on apparel online retail channels

GAO Rong, WANG Ling, YANG Yixiong

(Fashion·ArtDesignInstitute,DonghuaUniversity,Shanghai200051,China)

In order to provide the apparel online stores with targeted optimization schemes, customers′ decision strategy on apparel online retail channels were studied. Consumer decision-making indicators were built from the perspective of 4Cs marketing theory, determining the final index by expert interviews. Five sections scale questionnaires were used for collecting consumers′ satisfactions on each index and the purchase intention of the case brand′s Tmall store. 5 decision factors were extracted by factor analysis and the regression equations of consumer purchase intention were obtained by optimal scaling regression. Results showed the purchase willingness of consumers in the case store were modest and the store could be improved. 5 decisions factors had positive effects on the purchase intention of consumers, in which the after-sale service and the product selection had significant effects, while the performance of the case store in safety could be improved.

apparel; online retail; consumer decision; factor analysis; regression analysis

10.13475/j.fzxb.20151203707

2015-12-31

2016-07-04

中央高校基本科研业务费专项资金资助项目(CUSF-DH-D—2015036); 上海市教委海派时尚设计及价值创造知识服务中心资助项目(13S1070241)

高融(1986—),女,博士生。主要研究方向为服装消费心理。杨以雄,通信作者,E-mail:yyx@dhu.edu.cn。

F 768.3; TS 941.12

A

猜你喜欢

意愿店铺零售
健全机制增强农产品合格证开证意愿
老店铺杂事
门店零售与定制集成,孰重孰轻
上淘宝咯
汪涛:购房意愿走弱是否会拖累房地产销售大跌
苏轼的店铺
“新零售咖啡”前景几何?
美妆零售新玩法! 化妆品市场现新零售模式
今年春节新兴消费亮点纷呈——2018年新零售走向
An Analysis on Deep—structure Language Problems in Chinese