推荐系统性能与顾客网上购物体验相关性实证研究
2020-06-29钱黎春邱聪聪刘蓓蕾
钱黎春,邱聪聪,刘蓓蕾
(安徽工业大学 商学院,安徽 马鞍山 243002)
网络经济带来产品和信息极大丰富的同时也引起了信息过载问题,顾客需要付出更多的搜寻努力才能找到相关或是感兴趣的信息,有时甚至觉得无从选择[1]。帮助消费者克服选择过剩的困难且找到满足其个性化需求的商品,同时能给消费者带来良好的网上购物体验,成为亟待解决的问题。鉴于此,推荐系统应运而生。如何利用推荐系统为顾客创造良好的间接体验,成为众商家以及学者们关注的焦点。
推荐系统整合了网站商品的购买情况、顾客的浏览历史和个性特点,模拟销售人员,向用户推荐其感兴趣或相关的信息和商品,帮助顾客决定应该购买什么[2]。其本质是在获取消费者偏好和商品信息的基础上为消费者做出推荐建议的软件。值得研究的问题是,推荐系统的性能受哪些因素影响,且这些因素又是如何影响顾客网上购物体验的?
一、理论与假设
(一)推荐系统性能
Sinha等学者在2001年提出,评价推荐系统的指标包括推荐效用和推荐信任度,即消费者觉得该推荐是否有用以及是否值得信任[3]。Bharati和Chaudhury研究发现系统质量和信息质量直接正向影响顾客决策满意,但推荐系统的外观质量没有直接影响[4]。Aljukhadar M等学者于2011年提出了影响推荐系统成功的四个因素,即网购者需要且更乐意使用一个具有人性化、智能性、可信赖性及资源丰富性四大特点的系统。同时还发现该结论几乎不受年龄的影响[5]。
这些研究涉及到推荐系统性能的影响因素,Sinha等的研究着重于推荐信息的有用和可信赖性,Bharati等的研究着重于系统质量和信息质量,而Aljukhadar M等学者的研究相比较而言更全面、更具有综合性。
(二) 顾客体验维度
对于以互联网形式与顾客进行交流互动的网上商店来说,良好的顾客网上购物体验至关重要[6]。Bernd等认为,体验是顾客对一些刺激所产生的感知和情感反映,这些刺激包括商家与顾客整个互动过程的营销努力,涉及人的感官、直觉、情绪等感性因素及智力、思考等理性因素。相比于真实环境,网上购物体验以人机界面的形式代替了直接作用于感官的实体环境体验[7]。
关于顾客体验维度的研究已较为成熟,如Holbrook等学者将体验划分为功利体验和享乐体验[8]。Efthymios Constantinides等将网站体验因素分为功利、心理和内容等因素,包括网站的易用性、互动性、信任、审美性和营销组合[9]。贺爱忠等将在线购物体验分为感官体验、情感体验、思考体验、行动体验和关联体验[10]。朱洪军等将体验分为功利体验、社会体验和情感体验[11]。本文根据以上学者对顾客网上购物体验的维度划分并结合本文的实际研究情况,将顾客网上购物体验划分为功利体验、情感体验和关联体验。
功利体验是指顾客在购物过程中对质量、性能、价格、服务等的实际感受和认知,包括对提供的花色、品种、价格以及服务的总体评价。Menon,Kalyani 和Laurette Dube认为情感体验是顾客对产品和服务的属性与顾客对自己最终获得的消费价值的情感反应[12]。可以用高兴、舒适、生气等词汇来描述顾客的情感体验。关联体验是通过特定的顾客体验解决方案,使之成为特定的体验消费群体,满足顾客自我改造、个人渴望和社会认同,营销者可以通过增强顾客的关联体验来保持与客户的长期关系[13]。
(三)理论模型
Aljukhadar M等研究得出推荐系统性能的4个方面,同时指出当推荐系统具备这4个性能时能够对顾客体验产生重要影响。但是推荐系统的4个性能与顾客体验各维度之间的关系尚未得到实证的检验。本文将顾客网上购物体验分为功利体验、情感体验、关联体验3个模块,应用Aljukhadar M等学者的理论,用人性化、智能性、可信赖性及资源丰富性来衡量推荐系统的性能,研究推荐系统的这些性能对顾客网上购物体验产生的影响。研究的理论模型如图1。
图1 研究理论模型
(四)研究假设
Bharati 和Chaudhury认为决策支持系统的信息质量和系统性能能够直接对顾客的满意体验产生积极的影响[4]。而推荐系统作为信息决策系统的一种,也同样对顾客体验有着重要作用。
人性化的推荐系统被认为能提供更优质的服务,从而使消费者获得更多的满意体验。网店的资源丰富性与消费者对网上商店的态度正相关[14]。Francisco等学者的研究表明智能化的推荐系统能带来精确的推荐,从而为顾客创造满意的购物体验[15]。推荐系统能帮助消费者减少决策努力并改善决策质量,大大提高了顾客的满意度[16]。而顾客的功利体验在推荐系统的使用过程中可体现为:花费更少的时间、用更低的价格购买更称心的商品,由此认为推荐系统对顾客的功利体验产生正向影响。个性化推荐系统能够为顾客创造个性化的社会联系,进而增强顾客的关联体验[17]。McKnight认为个性化的推荐系统能够使顾客感受到被理解的相似偏好以及亲密感,从而能够使顾客在人机交互情境下获得不一样的情感体验[18]。
由此可以看出推荐系统的人性化、资源丰富性、可信赖性以及智能性都会对顾客体验产生积极的影响,同时,推荐系统的存在使得顾客能够获得更好的功利体验、情感体验以及关联体验。但是推荐系统的4个性能与顾客体验的3个维度之间的关系尚未得到实证的检验。基于以上分析,提出如下假设:
假设1:推荐系统的人性化程度与顾客体验呈正相关。并延伸出以下假设:H1a:推荐系统的人性化程度与功利体验呈正相关;H1b:推荐系统的人性化程度与情感体验呈正相关;H1c:推荐系统的人性化程度与关联体验呈正相关。
假设2:推荐系统的资源丰富性与顾客体验呈正相关。并延伸出以下假设:H2a:推荐系统的资源丰富性与功利体验呈正相关;H2b:推荐系统的资源丰富性与情感体验呈正相关;H2c:推荐系统的资源丰富性与关联体验呈正相关。
假设3:推荐系统的可信赖程度与顾客体验呈正相关。并延伸出以下假设: H3a:推荐系统的可信赖程度与功利体验呈正相关;H3b:推荐系统的可信赖程度与情感体验呈正相关;H3c:推荐系统的可信赖程度与关联体验呈正相关。
假设4:推荐系统的智能性与顾客体验呈正相关。并延伸出以下假设:H4a:推荐系统的智能性与功利体验呈正相关;H4b:推荐系统的智能性与情感体验呈正相关;H4c:推荐系统的智能性与关联体验呈正相关。
二、数据收集与样本描述
(一)问卷设计与数据收集
通过实证数据验证衡量推荐系统性能4个指标的合理性。问卷的主要题项是基于Aljukhadar M等研究得出的量表所提出。顾客体验的测量及量表设计是在Suresh、Schmitt、杨晓东等学者的相关研究基础上进行修改而成。
(二)样本描述
本次调研共发放问卷300份,回收率100%,有效问卷278份,有效率达92.7%。问卷对象多为大学生、公司白领等网购频率较高并对新鲜事物有较高敏感度的人群。
根据统计结果,样本基本符合实际情况且能满足本研究的要求。受访者中男女比例分别为49.3%和50.7%。20~29岁和30~39岁为问卷调查的主要人群,约占总数的80%,此年龄段的人群是网购的主力。在学历方面,初中及初中以下的人群所占比例较低,66%的受访者学历为本科和研究生,这部分人群参与网购较多且能对新事物产生正确判断及独到见解。受访人群大部分有丰富的网购经验,对网上购物的流程较为熟悉,且超半数受访者每月网购次数在1~3次,这是符合客观现实的。
三、数据分析
运用SPSS 18.0统计软件,在因子分析过程中,推荐系统性能量表和顾客体验量表分别提取4个和3个公因子,累计解释方差率分别为59.960%和63.757%,能够较好地解释总体方差,如表1所示。2个量表的所有因子KMO值均在0.8以上,Bartlett球形检验的显著性概率都为0.000,说明该组数据有很高的相关性。总体来说,问卷设计达到了研究要求的结构效度。
表1 效度分析
(一)因子分析
1.推荐系统性能的因子分析。从表2可以看出,推荐系统性能因子分析的KMO值为0.843,大于0.8,非常适合使用因子分析法;量表的Bartlett球形检验的卡方统计值的显著性概率为0.000,小于0.01,说明应拒绝变量独立的假设,即变量间有较强的相关性,因子分析法适用。
表2 推荐系统性能因子分析的KMO 和 Bartlett’s Test
由表3可得出,用最大方差法旋转后得到4个公因子,方差解释量达到59.960%,与原量表构造的维度一致。根据因子载荷矩阵,以因子数值大于0.5为标准,删除题项“商品的可感知性”,其他所有题项与原量表基本保持一致。
2.顾客网上购物体验的因子分析。从表4可以看出,顾客体验因子分析的KMO值为0.845,且Bartlett球形检验的卡方统计值的显著性概率为0.000,由以上两个结果可以看出顾客网上购物体验量表非常适合使用因子分析法。
由表5可以看出,可将顾客网上购物体验划分为3个维度,结果涵盖了原量表的所有题项。该结果与原始变量构造的维度一致。
3.量表的信度分析。对推荐系统性能和顾客网上购物体验各自产生的公因子进行内部一致性检验,2个量表的每个公因子信度系数均大于0.7,说明提取的公因子具有较高的可靠性,内部结构良好。且推荐系统性能量表的总体Cronbach’s α值为0.921,顾客网上购物体验量表的总体Cronbach’s α值为0.837,表示该测验的信度甚佳,适合做研究分析。
表3 推荐系统性能因子分析表
(二)推荐系统性能因子与顾客网上购物体验因子之间的关系分析
1.相关分析。在各个推荐系统性能因子与顾客网上购物体验因子之间的相关关系方面,在0.05的显著水平上,资源丰富性、可信赖性、智能性、人性化与功利体验呈正相关关系;可信赖性、人性化、资源丰富性与情感体验呈正相关关系;可信赖性、人性化、智能性与关联体验呈正相关关系,这些均印证了本文的相关假设。但资源丰富性与关联体验没有显著的相关关系,这一点与本文的研究假设相反,在下一步的回归分析中将进一步分析论证。具体相关关系见表6。
注:*、**分别表示在5%和10%水平上显著(双尾)。
2.回归分析。使用SPSS对推荐系统性能的4个因子进行了逐步回归,自变量为人性化、资源丰富性、可信赖性和智能性,因变量为顾客网上购物体验的功利体验、情感体验和关联体验。
(1) 推荐系统性能与顾客网上购物功利体验的回归关系验证。逐步回归中推荐系统性能4个因子变量都在0.01的水平上显著,调整后的判定系数R2能够解释功利体验因子33.9%的变异量,每个模型的F统计值和T值的显著性概率均小于0.01,回归效果是明显的。推荐系统性能因子进入模型的顺序分别是:资源丰富性、可信赖性、智能性、人性化。这些反映了推荐系统性能因子对顾客功利体验贡献的大小。同时,我们可以看出,所有因子的容许度均为1,VIF值小于5,说明回归方程不存在多重共线问题(见表7)。从回归系数的分析得到如下回归方程:
功利体验=0.474资源丰富性+0.292可信赖性+0.152智能性+0.137人性化
表7 推荐系统性能各因子与顾客网上购物功利体验回归分析结果
(2) 推荐系统性能与顾客网上购物情感体验的回归关系验证。逐步回归的过程中,推荐系统性能的可信赖性、人性化、资源丰富性、智能性四个因子先后进入模型。从表8的数据可以看出,调整后的判定系数为0.319,即回归方程可解释总体变异的31.9%。解释变差的F统计值为27.534,其显著性概率Sig=0.000<0.001。T值显著性概率均小于0.01。所有因子的容许度均为1,VIF值小于5,回归方程不存在多重共线问题。模型回归效果达到显著水平。得到回归方程如下:
情感体验=0.264可信赖性+0.243人性化+0.199资源丰富性+0.189智能性
表8 推荐系统性能各因子与顾客网上购物情感体验回归分析结果
(3) 推荐系统性能与顾客网上购物关联体验的回归关系验证。在逐步回归的过程中,推荐系统性能的人性化、可信赖性、智能性三个因子先后进入了模型,资源丰富性因子未进入。由表9的数据看出,调整后的判定系数为0.459,能够解释总体变异的45.9%,F统计值为42.241,显著性概率为0.000,T统计值的显著性概率也小于0.01。所有因子的容许度均为1,VIF值小于5,回归方程不存在多重共线问题。模型回归效果良好。得到回归方程如下:
关联体验=0.201人性化+0.196可信赖性+0.172智能性
由表10可看出,本研究假设基本得到支持,有一项假设不成立。假设检验结果如表12。资源丰富性因素对于顾客关联体验在本研究中没有表现出显著的影响关系,可能是因为资源丰富性与其他因素相比,不含有商家与顾客明显的互动性因素,也不含有任何社会性因素,更多的被视为推荐系统应该具有的基本功能,无法满足顾客的自我改造、个人渴望和社会认同感。
表9 推荐系统性能各因子与顾客网上购物关联体验回归分析结果
表10 推荐系统性能与顾客网上购物体验的关系描述
四、结论
基于以上分析,可以验证:顾客网上购物体验的维度可以用功利性体验、情感体验和关联体验来描述;推荐系统的性能可以分为人性化、智能性、可信赖性以及资源丰富性四个维度;推荐系统性能的4个维度对顾客网上购物的功利性体验均能产生积极影响,情感体验受到智能化、人性化、资源丰富性和可信赖性等因素的积极影响,而关联体验受到除资源丰富性以外的人性化、可信赖性以及智能性三个因素的显著影响。
表11 假设检验结果
推荐系统的人性化因素对顾客网上购物的功利体验、情感体验和关联体验均有显著影响,特别是情感体验和关联体验。推荐系统应突出与顾客进行交流,提高顾客对于购物环境的感知友好性;系统的导航路线应该本着简单合理、方便易用、一目了然的原则,突出系统的易用性。
推荐系统的资源丰富性因素对顾客网上购物的功利体验和情感体验能够产生积极的影响。营销者可以拓宽推荐渠道,使消费者能够轻松及时获取信息;可根据消费者的购买和浏览历史提高推荐的针对性,并适当增加推荐产品种类和信息的丰富性。
推荐系统的可信赖因素对顾客网上购物的功利体验、情感体验和关联体验都产生积极的显著影响。营销者必须对负面口碑进行有效管理,提升网站自身形象;必须提供真实客观的产品信息和有效的推荐链接,使顾客感到网站的可靠性;系统应该提供更加专业的购物指导或与专业人士交流的机会,提高顾客的决策质量和感知价值;并对买家评论进行总结归纳,提取真实有用的信息,提高顾客评价的参考价值。
推荐系统的智能性因素对顾客网上购物的功利体验、情感体验和关联体验有积极的影响。将“人”的推荐和基于某种算法的“系统”推荐相结合,并且能够设置搜索产品的相关信息,最大程度提高推荐的准确性和可靠性,尽可能满足顾客的偏好,促进顾客对商家形成关系承诺。
良好的推荐系统性能不仅能够提高顾客的决策质量,而且能够使顾客购物选择变得容易,从而为顾客带来良好的购物体验。因此,网络商家可以从人性化、资源丰富性、可信赖性以及智能性几个角度出发,从整体上把握推荐系统性能的构成维度,了解自己系统存在的缺陷以及可控的性能因子,将这些因子做为切入点进行推荐系统性能的管理。