基于聚类方法的直播带货平台用户信息行为画像模型研究

王晰巍 刘婷艳 程 宇

(1.吉林大学商学与管理学院，吉林 长春 130012；2.吉林大学大数据管理研究中心，吉林 长春 130012；3.吉林大学网络空间治理研究中心，吉林 长春 130012)

通过2021年9月发布的《中国互联网络发展状况统计报告》中的数据显示，截至2021年6月国内网络直播平台用户已经超过6.38亿，所占比例约为整体网民的63.1%。其中电商直播用户数量为3.84亿，同比增加7 524万[1]。据报道，2021年全球最大的直播网站Twitch平均每月有880万的主播，280万的平均在线观众，较去年增长33%[2]。国内外直播市场飞速发展的同时也滋生了许多问题，包括直播主体责任缺失、直播内容生态不良、主播良莠不齐、充值打赏行为失范、商业营销混乱和青少年权益遭受侵害等。我国目前对于直播平台中用户在线直播信息行为方面的指导政策较为有限，因此直播带货中用户信息行为画像成为网络直播行业发展中学术界和产业界关注的新问题。

直播带货作为新兴热点，近年来在国内外引起了研究热潮。国外有学者对在直播平台打赏的用户交互行为作用进行了分析，发现弹幕的总字数、社会竞争、弹幕相似性与兴奋相关的单词数量都对付费打赏行为产生了积极影响[3]。阶层身份和关系身份对打赏行为也会产生不同影响[4]；在用户购买行为影响因素研究中，便利条件、用户习惯、对商家及主播的信任以及行为意向均对直播购买行为起到重要的作用[5]。在直播间中用户的行为表现出了大量的共享性[6]；同时通过S-O-R模型作为理论框架，有学者以关系强度作为理论支撑得出直播平台中互动性和用户参与行为呈曲线关系，关联强度在用户参与作为一个调节变量起了很大的作用[7]。国内学者发现，用户的信息处理过程对用户态度及直播购买意愿也存在影响[8]。有学者通过构建用户购买意愿机理模型，分析出感知价值和顾客契合都对用户在直播平台的消费行为具有一定的影响[9]。在网络直播引导下，有学者发现直播平台中用户信息交互行为特征包括信息交互动因性、信息交互孤岛化和信息交互偏向性[10]。从现有国内外学者针对网络直播中的用户行为研究现状来看，现有研究成果主要针对网络直播领域中用户的购买行为以及参与行为的影响因素，而针对直播带货中用户的信息行为进行画像的研究相对欠缺。

通过本次的研究，有望解决以下3个问题：①如何构建直播带货平台中用户信息行为的画像评价指标；②如何基于聚类方法对直播平台用户信息行为进行画像和对用户的特征进行分析；③如何通过本文构建的用户信息行为画像模型对实际的直播平台运作产生一定的指导。为解决上述研究问题，本研究选取直播带货平台的用户为研究对象，通过调查问卷获取数据，运用因子分析和K-Means聚类分析法对数据进行分析处理，构建直播带货平台用户信息行为画像模型，并通过调查问卷展开实证分析。本文的研究可为直播平台用户信息行为的画像研究提供新的理论和分析方法，在实践层面可为直播平台建设产生一定的指导。

1 相关概念

1.1 直播带货概念及特点

直播带货是近年来随着短视频应用的快速发展和社会信息消费环境的变化而产生的一种新型营销模式[11]。用户通过平台在观看主播对于商品的线上展示的同时，可以提出产品相关问题，与主播进行互动交流，并结合自身的购买需求产生购买欲望[12]。直播带货这种新型的营销模式，用户不仅能直观感受到商品，向商家咨询相关商品的信息，还能及时在直播平台通过信息互动反馈自己对产品的使用感受。因此，直播带货大幅增加了产品的曝光度，使用户的消费选择更加多样化和针对化。与传统线下营销模式不同，用户在直播带货下可以掌握信息搜寻、产品选择和制定购买决策的主导地位[13]。直播购物之所以成功，是因为流媒体平台完美地满足了消费者对信息、参与和互动的需求，从而增强了客户在网购中的店内购物体验[14]。国内主流的直播带货平台有淘宝和京东等电商网站，以及快手和抖音等短视频平台，均为本次研究的主要研究平台[15]。

1.2 用户信息行为

信息行为的基本含义是指用户在各个语境中的需求、探询、管理、给出和运用信息的行为[16]。传统上图情领域的学者对于用户的信息行为的研究主要集中在信息搜寻行为、搜索行为、检索与交互行为等[17]。近年来受互联网和社会环境的影响，用户信息行为概念、类型更加多样和复杂[18]。国内学者将信息行为归纳为4点，分别为信息的关注行为、获取行为、认知行为和发布行为[19]。国外学者早期提出通过创建信息行为模型，讨论了伴随信息寻求阶段的情感感受[20]。

1.3 用户画像构建方法及画像指标

国外学者Hopkins C C在1923年提出用户画像是建立在用户细分的概念基础上[21]，后来用户画像被定义为用户信息的集合[22]。“用户画像”可以指代用户，也可以指代数据收集和分析技术，还可以指由这种技术产生的真实虚构人物[23]。本文所说的用户画像包含真实用户的海量信息，归纳了用户的属性和行为特征，显示了用户的特定化需求[24]。用户画像的构建方法可分为3类：第一类是基于用户行为的画像方法，如通过移动终端日志追踪软件获取用户使用日志数据[25]；第二类是基于主题的画像方法，如通过构建信息处理的启发式系统模型将用户按喜爱的主题进行画像，作为聚类分析，主题建模基于主题相似性对相似文档进行分组。[26]；第三类是基于用户兴趣偏好的画像方法[27]，如在电影推荐系统中使用协同过滤算法来预测用户的电影评分，从而识别用户对电影的偏好，并根据用户偏好构建用户画像[28]。用户画像指标，主要来源于一些静态数据和动态数据，静态数据如年龄、性别、地域、婚姻状况、资产特征等人口社会属性；动态数据如浏览、搜索、点击、购买、频率、时段等行为特征[26]。

1.4 直播带货中用户信息行为画像

用户在使用直播平台时，不仅能在线即时咨询商品相关信息，也能通过信息互动反馈自己的使用感受。有学者认为，内心需求、意愿驱使、主观因素及获取途径等方面都会影响用户在直播平台上的信息行为[29]。国外学者认为，用户的参与度受到象征价值、功利价值及享乐价值的影响[30]。

直播带货中用户信息行为画像，是指以用户画像概念为基础构建的网络直播平台，在用户购买直播带货商品过程中所发生的用户信息行为特征集合，并将此类特定用户的基本特征和信息行为特征以可视化的方式呈现出来。本文所研究的直播带货平台的用户信息行为画像，是将直播平台中具有共同显著特征的用户信息行为进行聚类，同时进行群体画像的划分。结合直播带货平台运营的特点，用户的信息行为画像可包括用户的信息使用行为，如搜索、点击和观看；信息交互行为，如评论、点赞、打赏、分享和反馈；以及线上支付，即购买行为。

2 指标体系及分析过程模型

2.1 指标体系

直播带货平台用户画像指标体系的构建，是在综合考虑直播带货平台的特点以及充分挖掘用户的信息行为特征后为用户的具体行为制定的定量指标。依据前文对直播带货中用户信息行为画像的定义，本文从信息使用特征、信息交互行为特征和购买行为特征3个维度构建直播带货平台用户画像指标体系，如表1所示。

表1 直播带货中用户信息行为画像评价指标体系

直播带货中用户信息使用行为特征。该信息使用行为特征主要从搜索属性、点击属性和观看属性3个方面进行构建。其中，参考相关文献将用户搜索属性作为直播带货平台用户使用行为B1二级指标，搜索频率C1作为三级指标；用户点击属性作为B2二级指标，提取点击频率C2作为三级指标[31]。根据直播带货平台的自身特性将用户对平台观看属性B3纳入使用行为特征[32]，提取观看频率C3、观看时长C4以及观看时间段C5作为三级指标。

直播带货中用户信息交互行为特征。评论作为用户交互行为特征的一个属性[33]，直播带货平台中的评论属性B4可通过评论频率C6和评论长度C7作为三级指标进行测度。直播中的评论信息情感对指标平台中用户的购买行为也会有一定的影响，因此评论情感C8也纳入评论属性的三级指标[34]。用户对于一个直播间的喜爱，可以通过点赞属性B5反映，点赞频率C9也可以作为测量的三级指标。打赏是直播平台的一个用户信息行为特点，因此直播带货中用户对于直播带货的打赏属性B6也可提取出打赏金额C10和打赏频率C11两个三级指标[35]。用户在分享直播链接时存在分享属性B7，分享频率C12可作为三级指标进行测度[36]。用户在与客服及后台进行直播反馈时[37]会有反馈属性B8，可提取出反馈频率C13作为三级指标进行测度。

直播带货中用户购买行为特征。直播带货的目的是通过直播平台中直播信息的使用和直播信息互动，最终产生直播的用户购买行为。在推动用户最终购买行为的特征中，用户的购买属性B9和商品属性B10应作为相应的二级指标[38]。其中，购买属性B9可以采用购买参照C14[39]和购买渠道[40]C15进行测度。直播的商品属性B10可以通过商品金额C16、购买金额C17和消费金额C18测度。

2.2 因子分析和K-Means算法

因子分析可以被应用在直播带货中的用户信息行为画像，在以往的研究中因子分析被主要用于绩效评价、综合评价和影响因素探究等多个领域。K-Means算法被广泛应用于数据挖掘和数据集处理以及图像分割等领域，也是目前构建用户画像的主流聚类算法，常与因子分析联用实现群体画像的划分。K-Means算法可将用户的相关数据结果进行两两聚类，最终将各个簇集聚类为适宜数目的点簇[41]。

在用户画像构建中，因子分析和K-Means算法也有着广泛的应用，国外学者在建立用户画像研究用户在线内容兴趣时，推荐了使用如因子分析和聚类分析的分析方法来进行同类的研究分析[25]。国内有学者通过因子分析法进行降维，构建突发公共卫生事件下在线健康社区的用户画像[42]等。本研究采用因子分析，是为了在多个直播带货平台用户信息行为画像指标标量中提取出具有相同特征的公因子，便于实现对直播带货平台用户类型的划分，并通过采用K-Means以更好地提取出直播带货中的用户信息使用行为、信息交互行为和用户购买行为特征，从而分析和总结出直播带货平台用户信息行为的特点和规律。

2.3 分析过程模型

本文通过采用因子分析和K-Means算法，构建直播带货中用户信息行为画像分析过程模型，如图2所示。该模型将直播平台用户扁平化的信息行为数据进行数据收集、处理和分析的概念化。第一阶段，数据收集。通过调查问卷收集直播带货平台用户的信息使用行为特征、信息交互特征和购买特征的数据。第二阶段，数据处理。通过对直播带货中用户信息行为的指标体系进行因子分析，并提取具有相同特征的K1、K2…Kn作为公因子，使用K-Means算法将直播带货中的用户群体进行聚类。第三阶段，数据结果。聚类后得到A、B、C、D…N不同类型的聚类用户，通过聚类分析呈现直播带货中用户信息使用行为、信息交互行为和购买行为的画像特征。

图1 直播带货中用户信息行为画像分析过程模型

3 实证分析

3.1 数据获取

本研究通过问卷调查的方式来获取数据，采用李克特五级量表，并将问卷在小样本中进行预调研，修正问卷中语义不明、表述不清的问题，最后将调查问卷在问卷星平台向目标人群进行发放。本次问卷设置了27个包括单选、多选以及陈述的问题。问卷分别从直播带货中用户的信息使用行为、信息交互行为和购买行为3个维度进行问题设置。根据《中国互联网络发展状况统计报告》显示，我国的互联网使用人群年龄主要集中在20～49岁，青年和中年人占据主要目标人群。因此，访问目标人群年龄主要集中在18～45岁的青年及中年人，以及部分45～60岁的中老年直播带货平台用户。参与此次调查的用户群体拥有不同的基础属性，如年龄、性别、受教育程度和直播带货平台的使用习惯等。问卷于2021年8月9日—14日发放，共回收516份，其中有效问卷数量为412份，有效率达到79.84%。

3.2 描述性统计结果

本次信息采集的用户基础信息如表2所示。数据结果显示，参与调研的女性用户群体相对较多，男女比例接近1∶2，也符合目前女性用户更倾向于观看直播带货的行业发展特征[43]。直播带货平台中用户整体年龄结构呈现年轻化趋势，其中18～25岁用户占比最大，占总样本约70%，说明年轻人对于直播带货这种不同于传统的购物方式的接受度更高。从地区上看，西南地区与华东地区的直播带货用户更多。本次调查中有70.46%的直播带货用户是学生群体，体现出学生更愿意通过直播带货平台来“种草”。调查用户的学历近70%为本科，每月可支配收入在1 001～2 000元的用户居多。从常用直播平台的选择来看，用户更倾向于选择淘宝平台，这也符合目前淘宝在购物平台中一家独大的特点[40]。

表2 样本用户的基础信息描述统计表

3.3 信度及效度

直播带货平台中用户信息行为画像评价指标体系中适合赋值的直播带货平台用户行为变量包括评论频率、评论长度、正面评论倾向、负面评论倾向、点赞频率、打赏频率、打赏金额、分享频率、反馈频率、观看频率、观看时长、点击频率、搜索频率、购买金额、购买频率共15个变量。余下3个变量，购买参照、购买渠道以及购买方式为定性变量，不适合赋值。因此，本研究总共选用13个变量，通过SPSS软件进行信度和效度的分析，同时作出评价。本文使用SPSS软件通过Cronbach’s α系数检验对问卷中15个行为变量进行内部一致性信度分析，α系数值超过0.8表示信度较好[44]，5项行为变量α系数达到0.873。勾选“项删除后的标度”，结果显示若删除负面评论倾向Cronbach’s α系数可增加到0.880，而删除正面评论倾向Cronbach’s α系数为0.881。说明这两项变量使本研究的信度降低，故删除。对余下的13个行为变量做信度分析，Cronbach’s α系数为0.891，信度增高。

本研究使用SPSS软件对数据做效度分析，其中KMO值达到0.906大于0.6，因此所得数据可以做因子分析。Bartlett球形度检验的近似卡方值为2 223.488，自由度为78，P值在0.001以下，达到显著性要求。表明本研究数据效度符合做因子分析法的条件。

3.4 提取行为变量因子

本研究利用探索性因子分析法，检验与分析抽取的直播带货平台用户的行为变量，从中选取适合数据聚类的公因子。根据分析结果对预先设定的直播带货平台用户信息行为画像特征指标体系进行修正，最终建立合理的直播带货平台用户画像行为特征指标体系。首先，主成分分析法对信息使用行为特征和信息交互行为特征的13个变量进行降维。选择“最大方差法”和“旋转解”提取因子，抽取原则以初始特征值大于1且因子系数小于0.5为标准。前2个因子主成分特征值大于1，累计方差贡献率达到53.797%。因此，提取2个公因子用2个主成分代替13个行动变量。

经最大方差法旋转得到的成分矩阵，一般认为因子系数大于0.5，则为显著变量[42]。第一次因子分析结果中，评论频率的因子系数都小于0.5，说明评论频率对于直播带货平台用户行为没有显著的影响，因此删除这个变量。调整后的12个变量分别属于2个公因子[46]，说明预设的行为特征分类标准已经不再适用，因此需要对预设的直播带货平台用户信息画像特征指标体系进行修正，重新配置用户行为特征，进而得到一个更准确和更合理的直播带货平台的用户画像信息行为特征指标体系，再根据每个公因子所包含的行为变量来进行重新命名。

公因子1包含打赏频率、打赏金额、反馈频率、分享频率、评论长度、观看频率、点赞频率7个行为变量。这些行为变量主要体现了用户在直播带货平台中与主播、直播间和用户之间的交互活跃度、信息需求度以及情感表达程度。因此，公因子1被命名为“交互活跃因子”。公因子2包含观看时长、购买金额、点击频率、搜索频率和购买频率5个行为变量。这些行为变量主要体现在用户在观看直播带货时的购买金额和购买频率，以及对直播带货观看的需求度。因此，公因子2被命名为“购买活跃因子”。对调整后的用户行为变量进行信度效度的检验，其中Cronbach’s α系数为0.884，KMO值达到0.899，P值小于0.001。信度和效度都较好，证明了调整后的直播带货平台用户行为特征的划分的有效性。

4 数据结果

4.1 用户信息行为的聚类结果

本文采用K-Means算法，利用SPSS软件对因子分析之后调整的12个信息行为变量进行聚类。依据相关文献设置了4组聚类[45]，当聚类数为3～6时各变量的显著性均小于0.001，说明聚类数为3～6时聚类结果均有效。当聚类数为6时存在极小个案数目，聚类数为3时最大个案数目与最小个案数目之差过大，说明聚类数目不宜设定为3和6。因此，采用判别式分析比较聚类数为4和5的正确性。聚类数为4和聚类数为5的威尔克Lambda显著性都小于0.001，说明聚类结果均有效，但聚类数为4时正确分类率为95.6%，高于聚类数为5的93.9%。因此，聚类数宜设定为4，具体分析如表3所示。

表3 聚类数3～6的ANOVA表与个案数目

聚类数设置为4在迭代次数达到9时，聚类中心实现了收敛。本研究直播带货用户信息行为画像的最终聚类中心和各类型的个案数目如表4所示。

表4 最终聚类中心与个案数目

本研究通过计算聚类组各行为变量的平均值来获取直播带货用户信息行为的用户聚类画像特征[45]，并通过各聚类组行为变量的平均值来分析直播带货平台各类用户的信息行为特点，各聚类组信息行为变量的平均值如表5所示。

表5的数据结果表明，第一类用户在信息交互方面比较活跃，尤其是用户与主播的信息互动，如直播平台中的评论、点赞和反馈等，但此类用户的购买活跃度相对较低，将此类用户归纳为“交互型用户”。第二类用户在信息交互和商品购买方面活跃度都很高，是4类用户中活跃度最高的，他们不仅乐于在直播带货平台中与主播、平台和用户之间进行信息交互，也更容易在直播间购买商品，因此将这类用户定义为“狂热型用户”。第三类用户在信息交互方面的表现低于“交互型用户”[47]，但购买活跃度很高，尤其是购买金额，甚至超过了狂热型用户的购买金额。由此这类用户可被称作“消费型用户”。第四类用户的信息交互和购买活跃度都很低，是4类用户中最低的。他们没有明确的信息交互需求，也没有突出的购买需求。所以，“沉默型用户”将成为其相对标签。在本次研究的样本中4类用户的人数占比分别为18.7%、9.2%、17.2%和54.9%。购买活跃度最高的“狂热型用户”和“消费型用户”仅占到样本的26.4%；而“交互型用户”和“沉默型用户”占到了样本的73.6%。计算个案交互活跃因子平均值和购买活跃因子平均值，分别作为散点图y轴和x轴最终聚类结果，可视化呈现如图2所示。

表5 各聚类组行为变量平均值

图2 直播带货平台用户信息行为的聚类分组散点图

4.2 交互型用户信息行为画像

本文通过图3来展示“交互型用户”信息行为画像标签。这类用户多为女性，本科学生，年龄在18～25岁，每月的可支配收入在1 000～2 000元，最常使用的直播带货平台为淘宝，其次是拼多多、微博和小红书，最常使用的支付方式是支付宝，其次是微信支付。

图3 交互型用户信息行为画像标签云

“交互型用户”的交互行为活跃度相对较高，会主动参与到直播带货的信息互动中，评论条数一般1～3条的较多，长度大多在5～10个字。发表评论时情感倾向为中立和比较积极的居多，点赞频率在1～3次的占大多数。与主播互动时多数会选择打赏，且打赏1～2次的较多但金额较少，通常选择免费礼物。与平台的互动也较为活跃，分享、反馈和观看次数大多在1～2次左右。用户观看直播带货的时间段常在晚上6点以后。

行为画像的结果表明，此类用户的购买活跃度不突出。在观看直播带货时最终购物的频率不超过两次且金额多在100元以内。主动搜索直播带货和点击商品查看详情的频率也较低。此类用户与直播带货平台联系比较密切，但有自己独立的购买想法，相对比较理性。

4.3 消费型用户信息行为画像

“消费型用户”的用户信息行为画像标签云如图4所示。此类用户大多数为女性，年龄在18～25岁之间，多为本科学生，小部分为硕士研究生。其每月可支配预算在1 000～2 000元之间，少部分在2 000～3 000元。此类用户最常使用的直播带货平台为购物平台淘宝，短视频平台抖音、快手和西瓜视频，以及社交平台微博、小红书等。常用的支付方式为支付宝，其次是微信和银行卡存款。

图4 消费型用户画像标签云

“消费型用户”的信息交互活跃度比较高。在观看直播时通常会选择发表评论，频率在1～3条的最多。大多此类用户的情感倾向为中立，在评论中的字数呈现中间水平。点赞频率在1～3次居多。此类用户与主播的互动较少，大部分人不会选择在观看直播时选择打赏，分享和反馈频率不高。1周内观看次数1～2次和3～4次的占到总数的一半以上，观看时间段通常在晚上6点以后。

“消费型用户”的购买活跃度不突出。他们通常会主动搜索直播带货，搜索频率1周内1～2次占比最多。此类用户往往会点击商品链接查看详情观看一次直播，点击频率在3～6次。购买频率较低但购买金额很高，分布在101～200元以及201～500元之间，观看时长多超过20分钟。此类用户的购买意愿和购买能力较强，同时目的性较强，他们通过直播带货平台的信息交互来判断自身是否需要购买商品。

4.4 狂热型用户信息行为画像

“狂热型用户”的信息行为画像标签云如图5所示。此类用户的男性多于女性，本科学历学生居多，小部分为公司职员，年龄主要在18～25岁。每月的可支配收入分布在2 000～3 000元和3 000～4 000元，较少部分群体达到5 000元以上。最常使用的直播带货平台为淘宝、拼多多和京东等。使用较多的支付方式为支付宝、花呗及微信。

图5 狂热型用户画像标签云

“狂热型用户”的信息交互活跃度很高。此类用户在直播带货平台会积极发表评论，频率在4条以上的占到该类样本个体总数的大部分，评论字数为10～50字，相对于其他群体评论字数较多。在评论情感中，中立的情感会占据大多数评论，但是部分存在着积极和消极的情感倾向。这类用户的点赞频率很高，通常在4～6次左右，还有部分可达到10次以上。绝大部分会选择打赏且会花费一定金额购买礼物。打赏频率可达到4～6次，金额在20～50元居多。在观看直播带货时，“狂热型用户”会积极对直播间进行分享和反馈普遍在3～4次。这一群体1周内观看直播带货的次数在5～6次左右，观看时间段普遍在上午9点到下午2点，一般为学生和公司职员的午休时间段。

“狂热型用户”的购买活跃度非常高，每次观看直播购买频率大多在3～6件，购买金额主要分布在51～100元和201～500元。此类用户1周内的搜索频率普遍在3～4次，商品链接的点击频率通常在5～6次左右。此类用户观看直播带货的时间也很长，半数以上会观看到20分钟。

4.5 沉默型用户信息行为画像

“沉默型用户”的用户信息行为画像标签云如图6所示。此类用户大多为女性，本科学生，小部分为公司职员。年龄在18～25岁居多，少数在26～35岁，月可支配收入在1 000～2 000元。最常使用的直播带货平台为淘宝，其次是微博以及抖音、快手等短视频平台。在支付方式上，此类用户更倾向于使用支付宝付款和微信支付两种支付方式。

图6 沉默型用户画像标签云

“沉默型用户”的信息交互活跃度很低，观看直播时一般不会发表评论，少部分发表评论的用户字数也都在10字以内，态度保持中立。这一类型的用户群体很少与主播进行互动，仅有一半的人会选择点赞，次数不超过3次。几乎不向主播打赏，也不向其他人分享直播间或对信息进行反馈。每周观看次数仅在1～2次，与主播、平台或其他用户之间的信息交互很少，观看时间段多在晚上6点以后。

此类用户的购买活跃度很低，在观看直播带货时最终选择购买商品的仅有六成，且件数不超过两件。但购买金额分布不均，在50元以下、51～100元的较多，101～200元的次之。“沉默型用户”很少主动搜索直播带货进行观看。主动点击商品链接的频率也很低，仅在1～2次左右，观看时间也普遍不超过10分钟。并且，此类用户对直播带货平台的依赖相对较低。

5 讨论分析

5.1 直播带货平台用户信息使用行为特征

直播带货平台用户的使用行为特征平均值如表6所示。4类用户中使用行为平均特征值最高的是“消费型用户”，信息使用行为特征下的三级指标中观看频率、观看时长、点击频率和搜索频率都是最高的，观看时长尤为突出。这主要由于该类用户年龄集中于18～25岁，多为学生群体，相对空余时间较为充足，而每月可支配生活费相对有限，在选购过程中倾向于多加观察、货比三家，在观看过程中不断对商品进行评定和筛选，以获得最大性价比。从性别角度看，“消费型用户”多为女性，相比男性对购物更有兴趣[48]，因此在购物直播间花费的时长与观看频率均高于“狂热型用户”。“狂热型用户”的使用行为平均特征值次之，点击频率与消费型用户的差距相对较少，此类用户也热衷于在直播间点击商品链接以了解详情。其次，是“交互型用户”和“沉默型用户”。“沉默型用户”在使用行为上仍然呈现出不活跃的状态，观看直播带货的时间和频率以及点击商品了解详情、主动搜索直播带货的频率都很低。此类用户尚未对直播带货平台形成依赖，在直播带货平台的信息使用上偏向于被动。本文结合直播带货平台的特点，发现4类用户在观看时长和观看频率上表现的差异最明显，而点击频率和搜索频率上的差异相对较小。

表6 4类用户使用行为特征平均值

调查结果中有部分直播用户反映观看直播浪费时间，希望提高直播商品的效率，有明确的商品列表，用户按需所取。因此，直播带货平台在展示商品时应提供相应的商品展示时间列表信息，便于用户在使用直播带货平台时合理安排时间，提高购物效率和购物的针对性。商家可以根据用户需求提供更完善的产品服务。对于平台的管理者及服务者，应完善直播带货平台的导航功能，提升用户观看直播带货的频率和时长。设置用户订阅主播或商品直播的信息推送提醒功能，提高用户的信息检索效率，增加用户的粘性[49]。政府和网络直播行业的监管，应进一步细化行业的制度体系，对于直播时长、单日直播场次、场次时间间隔等给出相应的指导意见，进一步规范和引导直播带货中的用户信息使用行为和使用效率。

5.2 直播带货平台用户信息交互行为特征

将4类用户的信息交互行为特征平均值整理后结果如表7所示。“交互型用户”“消费型用户”和“狂热型用户”在交互活跃因子下的三级指标评论长度和点赞频率的差异很小，但“消费型用户”更偏向于在直播间给主播打赏，打赏的频率和打赏的金额都高于“交互型用户”和“狂热型用户”。其原因是“消费型用户”对于直播的使用时长大于其他类型用户，更容易与主播建立情感连接。“消费型用户”对商品信息进行反馈的频率也高于“交互型用户”和“狂热型用户”，主要因为此类用户更追求于产品性价比，对于产品的使用感受花费更多心思，可以更多地进行商品信息反馈。“狂热型用户”热衷于在直播间与主播、用户之间进行信息交互，如评论、点赞、打赏、分享和反馈的特征均值都很高。原因主要与其观看时间段相关。“狂热型用户”偏向于在情绪状态比较放松的午休时段观看直播带货，更乐于与主播、其他用户以及平台进行信息交互。相反，“沉默型用户”则是4类用户中最不愿意进行信息交互的用户，信息交互的活跃度在4类用户中交互行为的特征平均值都相对最低。主要因为该类用户在直播间没有寻求到归属感，对商品或主播不够感兴趣，没有找到能激发其进行互动的机制，没有足够的业余时间观看直播或者更倾向于传统的购物方式。

表7 4类用户交互行为特征平均值

调查中了解到，直播用户希望提高主播素质和专业技能，使介绍的商品信息更加清楚明了。同时，还提出直播间应减少水军，希望主播能客观评价商品和给出建议。针对直播带货群体用户的信息交互行为的研究结果，用户应在直播带货平台观看直播时认真辨别他人信息交互行为的真伪性，不应盲目从众。针对直播带货的平台，管理者和服务者应加强直播间用户信息交互行为的管控，打造良好的互动氛围。针对“沉默型用户”，平台及直播商可以建立分享直播链接的奖励机制，使直播带货平台的用户保持分享活跃的状态，提高用户的观看及售后体验。政府和直播平台的行业监管部门，针对直播间内恶意的信息交互行为应出台相应的引导政策和管理制度，并对恶意引导消费的行为予以处罚。

5.3 直播带货平台用户购买行为特征

直播带货中4类用户的购买行为特征均值如表8所示。研究中三级指标中的购买参照、购买渠道和购买方式属于定性指标，因而采用购买频率和购买金额去衡量直播带货平台中用户购买行为特征。数据研究结果发现，“交互型用户”和“沉默型用户”的购买金额相差不多。“消费型用户”的购买频率最高，购买金额略低于“狂热型用户”，其原因与两类用户的可支配收入有相对较高的关系。其中“消费型用户”虽购买金额低于“狂热型用户”，但购买频率相对更高，原因为前者在支配金额有限的情况下对优惠活动如“秒杀”和“9.9包邮”等促销活动更为感兴趣，虽然单品消费金额不高，但是消费频率更加密集。后者相比对产品数量、价格不敏感，更注重商品品质，倾向于购买商品时一步到位，而不会为了促销活动而降低选购标准。本研究从用户行为角度用每周平均购买频率和每场直播平均购买金额，来衡量用户的购买行为，以更加直观清晰地呈现出直播带货平台的用户购买行为特征。

表8 4类用户购买行为特征平均值

研究中发现，绝大部分购买直播带货商品的用户都提到了商品的质量和真伪问题，部分购买用户提到了商品的售后保障问题。因此，针对直播平台中的用户，应理性选择消费，拒绝从众消费和冲动消费，并注重通过相应的法律制度积极维护自身的合法权益。对于直播平台的管理者，严格把控商品的质量问题，提高直播团队的带货门槛，杜绝虚假宣传，并进一步完善和健全直播平台中的商品售后保障制度，提升用户对直播平台的信任感。政府和行业直播平台的监管部门，应严格管理直播带货平台的商品伪劣问题，明确直播主体的法律责任，坚决禁止贩卖假冒伪劣产品行为。

6 研究结论

本研究在理论层面，结合直播带货平台及直播用户信息行为特征，构建直播带货平台用户信息行为画像指标体系，从信息使用行为特征、信息交互行为特征和用户购买行为特征3个维度，构建了10个二级和18个三级指标，结合因子分析和K-Means算法构建了直播带货中用户信息行为画像分析过程模型。通过调查问卷获取数据，提取行为变量因子得到交互型用户、消费型用户、狂热型用户和沉默型用户，并分析了其信息行为画像特征。本文的研究为直播带货中的用户信息行为画像研究提供了评价指标和过程模型，为直播带货信息行为研究提供了新的理论视角和研究方法支撑。

在实践层面，本研究选取当下热门的直播带货平台用户为研究对象，同时针对4类用户的使用行为、交互行为以及购买行为的特点与画像特征，分别从用户、平台、政府和行业监管部门角度给出了建议和指导，包括用户提高信息辨别能力，拒绝从众消费和冲动消费；平台建立分享奖励机制，完善反馈机制，严格把控直播间商品质量问题；政府发布相应规范政策，对平台及用户的监管提出相应的法律法规。本文研究了直播带货平台用户信息行为特征，对更好地指导直播带货平台这种新型营销方式的建设及发展具有一定的指导意义。

但本文的研究仍存在一定的局限性，研究的调查对象主要来自东北和西南地区，年龄多为18～25岁的年轻人。未来研究中，本文将进一步扩大样本人群及地区，以进一步验证用户画像群体的特征及过程模型的普适性。