电子商务个性化推荐对消费者的影响——基于推荐时机与推荐集合的视角

郑春东，卢奎宇

(天津大学管理与经济学部，天津 300072)



电子商务个性化推荐对消费者的影响
——基于推荐时机与推荐集合的视角

郑春东，卢奎宇

(天津大学管理与经济学部，天津 300072)

将个性化推荐的不同推荐时机与不同推荐数目相结合，研究电子商务个性化推荐对消费者的影响。研究结果显示，在购买行为开始阶段，进行大集合推荐可以增加消费者浏览意愿，提高满意度；在决定购买进行付款阶段，进行大集合推荐会降低消费者购买意愿并增加消费者的选择困难度，降低满意度。

电子商务；个性化推荐；推荐时机；推荐集合；两阶段决策；偏好不一致悖论

在个性化推荐系统使用已经非常普遍的今天，对于个性化推荐的研究也逐步从技术层面转向消费者行为层面，其中包括对推荐集合和推荐时机的研究。由于个性化推荐的独特性，其与传统意义上的选择数量集合有着不同，不能简单借鉴传统商业模式下推荐集合的研究结论。而对于推荐时机来说，虽然已经有学者对个性化推荐时机对购买行为的影响进行了解答，但是并没有将推荐时机和推荐集合结合起来进行研究。所以，本文将个性化推荐的不同推荐时机与不同推荐数目相结合，研究其对消费者行为的影响。

一、研究现状

(1)在线推荐。在线产品推荐通常是由推荐系统提供，这个在线决策支持工具可以帮助消费者在网购的环境中更好地作出决策。已有研究证明，推荐系统所提供的帮助，在减少消费者认知时所付出努力的同时，还可以提高消费者的决策质量。[1]然而，在实践中，电商网站提供的产品推荐并不总能使消费者满意，达到良好效果。因此，推荐系统的研究们开始关注，如何才能让所推荐的产品更好地被消费者所接受，达到推荐目的。

(2)推荐时机。一般来说，消费者购买产品的行为并不是瞬间的事件，而是持续一段时间的过程。目前，在宏观层面上与时间相关的研究较多，包括消费者对时间的整体态度，以及营销策略随着时间流逝其影响的变化等。在相关研究中，时机的选择被认为是一个较少研究的层面，有学者曾经号召鼓励研究个性化推荐中时机选择的问题。Ho等人(2011)从消费者搜索的观点进行研究，发现在自适应推荐系统中，当消费者搜索产品时，推荐越早的产品越有可能被消费者考虑，越有可能被最终购买。[2]

(3)个性化推荐方法及手段。随着信息技术与计算机技术的不断发展，个性化推荐的方法也不断得到完善，发展至今已经形成了三大类推荐方法，分别是协同过滤、基于内容的过滤[3]以及混合方法过滤[4,5]。

二、模型与假设

(一)理论基础

1.两阶段决策

消费者在进行决策时，通常会无意识地采取两阶段决策策略。具体来讲，在决策的第一阶段，消费者会在众多的产品中进行选择，并形成一个自己考虑购买的产品集合，随后，在决策的第二阶段，消费者对考虑集合中的产品进行再次筛选、评估、权衡，最终作出购买决策。[6]消费者通过这样的决策过程，将选择减少到一个易于操纵的数量来简化购买决策。

考虑集合的构建都是有目的的，在决策时消费者通常只考虑可选项中的一个小部分，此时可供选择的选项，一类是被选入考虑集合的，[6]这些产品就组成了消费者的考虑集合，一类是从考虑集合中去除的。接着，当考虑集合形成后，消费者就要从考虑集合中选择购买的产品，进入第二个阶段。此时消费者的任务就是评估被选中的产品集合，权衡之后作出最后的购买决策。因为消费者的信息处理能力是有限的，特别是在信息量很大的网络环境下，所以选择使用分阶段决策可以简化这一过程。在实践中，电子商务网站利用消费者分阶段决策的习惯，通过提供虚拟考虑集合的方法(如收藏夹、购物车等)来引导消费者进行产品选择，为消费者决策提供便利。

2.偏好不一致悖论

消费者在构建考虑集合阶段，总是倾向于选择更多的产品，然而考虑集合并非越大越好，集合较大，会在一定程度上增加消费者选择的困难度。[7]这样，第二阶段选择困难度的增加就会与第一阶段消费者构建较大的考虑集合相悖，[8]偏好不一致困境就会产生。消费者对产品进行筛选需要具有一定的认知能力，产品集合越大，消费者面临的筛选难度越高，对消费者认知能力的要求就越高。当消费者从考虑集合中作出最后选择时，一方面，较大的考虑集合会增加决策的难度，需要消费者付出额外的认知努力；[9]另一方面，较大的考虑集合会增加消费者的困惑感，使得消费者的产品偏好模糊，甚至可能会终止决策。[7]

(二)概念模型

本次实验将个性化推荐的推荐时机和推荐数目进行了组合，研究其对消费者的影响。通过情景假设的方式，模拟了本次实验的背景。被试者需要从情境假设的网上商店选择、购买产品。根据上述理论基础，构建出如图1所示的概念模型。

图1 概念模型

实验操作了两个变量之间的四种组合，即在两个不同的推荐时机，结合两种不同的推荐数量集合。将消费者网络购物的过程定义为，开始于登录一个电子商务网站进行搜索，结束于作出购买决策。所以关于个性化推荐时机的选择，根据当前电商个性化推荐系统的现状，实验操作中将这两个时间节点总结如下：第一，当消费者进入网站，开始搜索并浏览检索到的商品时；第二，当消费者从待选商品(比如购物车中的商品)中，决定自己要购买哪个，但是还没有确定购买哪个的时候。实验将在不同的推荐时机，分别结合较大的推荐集合和较小的推荐集合，来测量对消费者的影响。

(三)研究假设

1.考虑集合阶段

已有研究表明，消费者在决策第一阶段时，更倾向于选择更多的产品，增大考虑集合的产品数量。[6]Chernev(2006)在其对两阶段决策的研究中，也发现消费者在第一阶段的决策中，更偏好将选择项的数量最大化。在考虑集合形成的阶段，消费者希望自己有选择权，当其在不同选项中进行选择时，他们更偏爱较大的组合而不是较小的组合。[8]在此，笔者认为在个性化推荐的背景下，消费者面临考虑集合阶段的选择，也具有这样的性质，所以本文作出如下假设。

H1a：当消费者处于考虑集合阶段，在推荐数目上，较大的推荐集合比较小的推荐集合更能刺激消费者的浏览意愿。

H1b：当消费者处于考虑集合阶段，在推荐数目上，较大的推荐集合比较小的推荐集合更能让消费者感到满意。

然而个性化推荐又有着自己的不同之处，在考虑集合阶段，个性化推荐系统推荐精度较低，[4]而较低的推荐精度可能会影响消费者对于商品的价值判断[10]，当集合较多时，推荐的不精确性会被放大，消费者的整体满意度可能会受此影响而降低。[11]所以本文作出如下假设。

H1c：当消费者处于考虑集合阶段，在整体感知上，较小的推荐集合比较大的推荐集合更能让消费者感到满意。

2.决策集合阶段

在目标是最小化决策困难度的决策集合阶段，此时，较大的个性化推荐集合虽然可以使得消费者拥有较多的选择，但这并不代表消费者可以因此获益。消费者需要通过额外的认知努力，来评估各个选择，造成认知能力的超负荷。[9]另一方面，较大的考虑集合会增加消费者的困惑感，使得消费者的产品偏好模糊，甚至可能会终止决策。[7]所以，本文作出以下假设：

H2a：在消费者决策第一阶段，推荐的产品数量越多，消费者的购买意愿可能会越低。

处于决策集合这个时机下的个性化推荐，此时较大的集合会复杂化决策过程，使得决策变得更加困难。在决策阶段如果再给消费者一个较大的推荐集合，会出现更后悔和不满意的情况。[8]因此，这可能会影响消费者对于整体推荐满意度的感知。所以，本文作出如下假设：

H2b：当消费者处于决策集合阶段，在推荐数目上，较小的推荐集合比较大的推荐集合更能让消费者感到满意。

H2c：当消费者处于决策集合阶段，在整体感知上，较小的推荐集合会增加消费者对于推荐的整体满意度。

H2d：当消费者处于决策集合阶段，推送较大的推荐集合会增加消费者在此决策的困难程度。

三、研究方法

(一)设计实验

为验证本研究的假设，实验通过调查问卷的方法收集所需要的数据。本实验通过一个2×2因子设计，来调查在不同给定背景下消费者的行为。本实验的自变量包括个性化推荐时机和推荐集合的组合，因变量包括决策满意度、决策困难度、浏览意愿以及购买意愿。

(二)推荐集合的大小检验

在开始设计正式试验前，本文对于个性化推荐数量的大小集合进行了前测，由此得出消费者心目中的大小集合。首先，对当前电子商务企业在不同推荐时机所提供的真实个性化推荐的数目进行了大致总结。本文选取了当前较为典型的4家B2C公司做统计，最终结果见表1。

表1 电商情况总结

Chernev(2003)在研究大小集合对于消费者选择意愿的影响时，在文中定义了大小集合。其将16个定为大集合，4个定为小集合。[7]综上，根据实际情况和理论的综合，本文设置16～20个为大集合，4～8个为小集合，供被试选择。

在对50名国内某大学在校生(男27人，女23人)进行问卷调查后，回收有效问卷48份。最终将18个作为较大的推荐数目集合，5个作为较小的推荐数目集合。

(三)实验品的选择

对于实验品的选择，本文最终选择为图书。选择图书有以下三点原因：第一，图书作为一件商品，是消费者常常接触且较容易在电子商务网站中出现的；第二，笔者对15名学生进行了预测试，请他们对8种产品类别进行排序(分别包括图书、MP3、手机、笔记本电脑、CD、衬衣、鞋、化妆品)，标准是对这些商品的认知水平和购买可能性，最终图书的购买可能性最高，且认知程度适中；第三，书的种类繁多，不同的人对于书的喜好相差较大，较容易订制个性化推荐，可制定个性化推荐的方式也较多。

(四)问卷发放与回收

调查问卷采用了纸质版的形式发送，被试接到问卷之后，问卷发放者向被试描述本次实验情景、背景，并解释个性化推荐，以及图片的含义。在问卷发放者做完展示示范之后，被试开始填写调查问卷。本次共邀请了108名被试，共回收有效问卷101份。被试者的年龄、性别、受教育程度等分布合理。

四、实验过程及结论

(一)实验一

问卷将推荐时机控制在消费者搜索并点击浏览两本图书之后，系统开始根据消费者的习惯进行个性化推荐。通过前期测算的大小集合，测试对消费者的影响。

1.情景控制

马上就要到假期了，您打算在假期购买一些读物，充实自己的假期，所以您现在打算在网上选购一些新出版的书，但是又没有明确的目标。电子商务购物的便捷性和种类的齐全性使得您打算在网上购买本次要买的书籍。

(1)推荐数目：集合一。您在一家电子商务网站，搜索最近“热卖新书”后，开始在网页中浏览。在您浏览了几本书之后，还是没有发现心仪的图书。此时，该网站根据您的记录，推算您的偏好，为您量身订制了相应的推荐图书，给您推送到网页下方，供您浏览、选择，情景图如图2所示。这样的推荐方式，称之为个性化推荐。请您在您有兴趣点击浏览的书籍下打“√”。

图2 大集合情景图

此后，笔者又设计了关于满意度的问题，进行了推荐满意度的测量。通过里克特7点法，向被试设置如下问题：我对这个时机推荐的推荐数目很满意；这个推荐情况的出现让我很高兴；我很乐意在这时使用个性化推荐；以我的经验，本次个性化推荐总体是令人满意的。

(2)推荐数目：集合二。在该情景下，实验改变了推荐数目，改为5本图书，让消费者重新进行选择和回答，设置问题与集合一相同。

2.变量的测量

关于推荐满意度的测量，实验参考了Ho在2010年使用的修改过的经典量表。[4]对推荐数目满意度、推荐时机满意度、系统整体推荐满意度进行了测量。为了证实实验中变量度量指标的可靠性，笔者分析了相关指标的信度和效度。本次实验采用Cronbach的Alpha来检验量表的信度，结果如表2所示。从表2中可以看出，本实验的客观因变量的信度均在0.8以上，说明问卷的信度较好。效度是通过主成分因子分析评价的，具体结果见表2，这证明了本实验的度量指标具有较好的区别效度。

表2 信度效度检验

3.假设检验

实验的浏览意愿通过被试勾选的图书浏览个数来测量，被试勾选则代表其将该图书加入自己的考虑集合中。本实验将通过单因素方差分析(结果见表3)来检验该时机下，不同的推荐数目集合是否影响了消费者的浏览意愿。

表3 ANOVA表

由方差分析发现，在本次实验中，浏览意愿同不同数目的推荐集合有着显著性关系。接下来，将每组内的消费者在较大集合的浏览个数，同较小集合的浏览个数作差之后，其均值为2.07，标准差为1.168。

图3为不同推荐集合的浏览数目增长情况。从图3也可以看出，作差排序之后，相比于小集合，大集合推荐的浏览数目有着较为显著的提升。

图3 不同推荐集合的浏览数目增长情况

综上可知，在考虑集合阶段，当消费者刚开始进行搜索时，此时较大的推荐集合相比于较小的推荐集合，能提高消费者的浏览意愿，这个结论支持了本次实验的假设H1a。

对于消费者关于此时推荐数目的满意度，经过t检验发现，消费者对于此时的个性化推荐的数目感知来说，较大集合的满意度4.72要高于较小集合的满意度4.03(t=4.53，p<0.01)。这证明了当处于考虑集合阶段，在推荐数目上，较大的推荐集合比较小的推荐集合更能让消费者感到满意，H1b得到验证。

同样，对于整体满意度的感知，经过t检验发现，消费者对于此时的个性化推荐的整体感知来说，t=2.72，p=0.14>0.01，说明整体感知的满意度与大小集合的出现没有相关性，假设H1c没有得到验证。

4.结论

在消费者刚开始搜索时进行个性化推荐，当推送不同的大小集合时，消费者对其有着不同的态度。消费者在此时偏好较大集合的推荐，而较大的推荐集合也能增加消费者的浏览意愿。这与偏好不一致悖论的预测相一致。但是，在整体满意度上，假设并没有成立。笔者从中抽取了21位被试进行回访调查。在与他们的交谈中发现，被试在这个推荐时机下，对两种推荐集合的整体满意度感觉不明显，有两个原因。第一，被试认为大集合推荐的数目虽多，但是由于是一次性全部陈列出来，这种方式让被试感觉一般。第二，虽然被试喜欢较大的推荐集合，但是认为其推荐精度不是很好，有些书籍并不是自己喜欢的，所以认为其推荐的整体效果一般。当然，推荐精度的问题也和本实验采取问卷调查的方式有关。

所以，较大的推荐集合虽然可以在此时提升浏览意愿并且在数目上得到青睐，但还是需要在陈列方式上加以考虑。在这一点上，当前电商的做法比较符合消费者的心理，当遇到需要推送较大的推荐集合时，电商多采用几个一组、消费者自行换组的方式进行推荐。

(二)实验二

实验的目的是探索在决策集合阶段，当消费者进行网购的决策时(采取的是消费者从购物车进行购买操作)，向其进行个性化推荐，会对消费者的行为产生什么影响。问卷将推荐时机控制在购物车进行确认购买页面，此时系统根据消费者的浏览以及购物车里的商品进行个性化推荐，控制的自变量为推荐数目的大小集合，测试对消费者行为的影响。

1.情景控制

(1)推荐数目：集合一。经过一番选择和思考后，您将一些书籍加入了购物车，打算从中进行购买的决策(您可以选择都购买，但是您不一定需要都购买)。此时，系统为您量身推荐了相应的图书，给您推送到结算栏下方(如图4所示)。

图4 大集合情景图

当被试浏览完毕后，向被试询问是否打算购买购物车中的商品，然后向被试测量其对于推荐的满意度。除此之外，在时机二，还测量了被试的决策困难度，同样采用里克特7点法，向被试询问如下问题：对我来说，这时出现的个性化推荐数量让我很难决定是否购买；这时出现的个性化推荐数量，打乱了我原有的购买计划。

(2)推荐数目：集合二。在更换推荐数量后，进行了相同的测试和询问，情景图如图5所示。

图5 小集合情景图

2.变量的测量

对于推荐满意度的测量，同实验一相同，采用了相同的量表。而在实验二中，还将要测量决策困难度，决策困难度的量表参考了Bottomley等人在2000年的研究，[12]结合本实验特点进行调整。

根据检验可以看出，本实验的客观因变量的信度均在0.8以上(结果见表4)，说明问卷的信度较好。对于推荐满意度的测量，在小集合和大集合这样的推荐集合下，KMO和Bartlett检验分别为0.835和0.852；对于决策困难度，则分别是0.736和0.782。通过主成分因子分析(结果见表5、表6)，分别提取了两个公因子。

表4 各变量的α系数

表5 效度检验1

表6 效度检验2

3.假设检验

本实验部分，关于购买意愿的测量，将消费者打算购买购物车中选择的商品记为“1”，反之记为“0”。对于这个客观变量，将采用Logistic回归来进行接下来的检验。根据Logistic回归发现，在决策集合时机的推荐，相对较大的集合会降低消费者的购买意愿，其他情况不变的前提下，小集合的购买意愿是大集合的2.39倍。这一结果验证了本实验的假设H2a(χ2(1)=4.00，p<0.05)。

在这里，经过t检验发现，消费者对于此时的个性化推荐的数目感知来说，较小集合的满意度4.49要高于较大集合的满意度3.05(t=7.42，p<0.01)。这证明当处于决策集合阶段，在推荐数目上，较小的推荐集合比较大的推荐集合更能让消费者感到满意，即H2b得到验证。

同时发现，消费者对于此时的个性化推荐的整体感知来说，较小集合的满意度4.31要高于较大集合的满意度3.27(t=6.06，p<0.01)。这证明当处于决策集合阶段，在整体感知上，较小的推荐集合比较大的推荐集合更能让消费者感到满意，即H2c得到验证。

最后，当消费者面对此时的个性化推荐时，其面对较小集合的决策困难度3.21要小于较大集合的困难度3.66(t=2.02，p<0.05)，但是相比于满意度的差距，在困难度上的差距要显得小一些。不过这同样证明当处于决策集合阶段，消费者面对较大的推荐集合时的决策难度要比面对较小集合时的决策难度大，即H2d得到了验证。

4.结论

当消费者处于决策阶段时，较大集合的个性化推荐会降低消费者此刻的购买意愿。虽然不是很明显，但是消费者面对大集合时，还是感觉要比小集合更难决策。在最小化决策复杂程度的目标下，较大的考虑集合虽然带来更多的选择，但是也同样对消费者的决策产生反向作用。对于此时的满意度，不论从数目上还是从整体感知上，被试对较小集合的满意度都要高于较大的集合，此时消费者比较乐意接受较小的个性化推荐。

五、结 语

1.结论

本文研究的重点是不同时机下，推荐集合的大小对消费者的影响。根据两阶段决策理论，将消费者网络购物看成两个阶段，即考虑集合阶段和决策集合阶段。对于时机的控制，选择在考虑集合阶段时在消费者开始搜索商品之后，进行个性化推荐；在决策集合阶段时，在消费者通过购物车进行购买决策时，进行个性化推荐。通过前期的测量，向被试在两个不同的时机分别推荐较大和较小的推荐集合。通过对浏览意愿、购买意愿、推荐满意度、决策困难度的测量，发现在考虑集合阶段，较大的集合会增加消费者的浏览意愿，但是在大小集合不同对推荐的整体满意度上，则没有显著性影响。在决策集合阶段，较大的推荐集合会降低消费者的购买意愿，并且相对于较大的集合，较小的集合会让消费者感到更容易决策，不像较大的集合的出现，让其感到困惑。消费者在此时对这样的推荐，在整体感知上虽然有影响，但是差别不是很大。

2.管理启示

(1)个性化推荐系统可以在消费者刚开始购买时，进行较大集合的个性化推荐，但是要注意，此时较大的集合要避免一次性出现，可采取分组出现的方式。通过这样的方式，可以增加消费者的浏览意愿，并提高消费者对于系统推荐的满意度。

(2)当消费者在购物车的界面时，此时他们将要进行购买决策，个性化推荐系统在此时要避免向消费者进行大数目集合的同类别个性化推荐，尽量使用小集合推荐，以此来降低消费者的选择困难度，避免消费者感到后悔，提高消费者的购买意愿。

3.局限性

实验在个性化推荐的种类上，只选取了同类别推荐，而并没有考虑周边产品的推荐。可是周边产品推荐在当前电子商务企业的个性化推荐实例中却不难见到，尤其是在购物车阶段的推送中。对于同类别的推荐，如果数目过多，会让消费者感到选择上的困难，但是周边产品却没有这样的特点，所以，消费者对于周边产品推荐是否会和同类别推荐有不同的反应，这也是今后可加入研究中的方向。

[1]XIAO Bo, BENBASAT I. E-commerce product recommendation agents: Use, characteristics, and impact[J]. MIS Quarterly, 2007, 31(1): 137-209.

[2]HO S Y, BODOFF D, KAR Y T. Timing of adaptive web personalization and its effects on online consumer behavior[J]. Information Systems Research, 2011, 22(3): 660-679.

[3]HANNON J, BENNETT M, SMYTH B. Recommending twitter users to follow using content and collaborative filtering approaches[M]. New York: ACM Conference on Recommender Systems, 2010: 199-206.

[4]KOREN Y. Collaborative filtering with temporal dynamics[J]. Communications of the ACM, 2010, 53(4): 89-97.

[5]KARDAN A A, EBRAHIMI M. A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups[J]. Information Sciences, 2013, 219(10): 93-110.

[6]KAHN B E, LEHMANN D R. Modeling choice among assortments[J]. Journal of Retailing, 1991, 67(3): 274-299.

[7]CHERNEV A. When more is less and less is more: The role of ideal point availability and assortment in consumer choice[J]. Journal of Consumer Research, 2003, 30(2): 170-183.

[8]CHERNEV A. Decision focus and consumer choice among assortments[J]. Journal of Consumer Research, 2006, 33(1): 50-59.

[9]MALHOTRA N K. Information load and consumer decision making[J]. Journal of Consumer Research, 1982, 8(4): 419-430.

[10]LIU Lijun. Research on real-time personalized recommendation algorithm[J]. Science and Technology, 2014, 7(5): 359-368.

[11]RAFEH R, BAHREHMAND A. An adaptive approach to dealing with unstable behavior of users in collaborative filtering systems[J]. Journal of Information Science, 2012, 38 (3): 205-221.

[12]BOTTOMLEY P A, DOYLE J R, GREEN R H. Testing the reliability of weight elicitation methods: Direct rating versus point allocation[J]. Journal of Marketing Research, 2000, 37(4): 508-513.

2016-06-27

郑春东(1973-)，男，博士，副教授;E-mail:zcd@tju.edu.cn

1671-7031(2016)06-0072-07

F713.36

A