鄭春東，盧奎宇

(天津大學(xué)管理與經(jīng)濟(jì)學(xué)部，天津 300072)

?

電子商務(wù)個(gè)性化推薦對(duì)消費(fèi)者的影響
——基于推薦時(shí)機(jī)與推薦集合的視角

鄭春東，盧奎宇

(天津大學(xué)管理與經(jīng)濟(jì)學(xué)部，天津 300072)

將個(gè)性化推薦的不同推薦時(shí)機(jī)與不同推薦數(shù)目相結(jié)合，研究電子商務(wù)個(gè)性化推薦對(duì)消費(fèi)者的影響。研究結(jié)果顯示，在購(gòu)買行為開始階段，進(jìn)行大集合推薦可以增加消費(fèi)者瀏覽意愿，提高滿意度；在決定購(gòu)買進(jìn)行付款階段，進(jìn)行大集合推薦會(huì)降低消費(fèi)者購(gòu)買意愿并增加消費(fèi)者的選擇困難度，降低滿意度。

電子商務(wù)；個(gè)性化推薦；推薦時(shí)機(jī)；推薦集合；兩階段決策；偏好不一致悖論

在個(gè)性化推薦系統(tǒng)使用已經(jīng)非常普遍的今天，對(duì)于個(gè)性化推薦的研究也逐步從技術(shù)層面轉(zhuǎn)向消費(fèi)者行為層面，其中包括對(duì)推薦集合和推薦時(shí)機(jī)的研究。由于個(gè)性化推薦的獨(dú)特性，其與傳統(tǒng)意義上的選擇數(shù)量集合有著不同，不能簡(jiǎn)單借鑒傳統(tǒng)商業(yè)模式下推薦集合的研究結(jié)論。而對(duì)于推薦時(shí)機(jī)來(lái)說(shuō)，雖然已經(jīng)有學(xué)者對(duì)個(gè)性化推薦時(shí)機(jī)對(duì)購(gòu)買行為的影響進(jìn)行了解答，但是并沒(méi)有將推薦時(shí)機(jī)和推薦集合結(jié)合起來(lái)進(jìn)行研究。所以，本文將個(gè)性化推薦的不同推薦時(shí)機(jī)與不同推薦數(shù)目相結(jié)合，研究其對(duì)消費(fèi)者行為的影響。

一、研究現(xiàn)狀

(1)在線推薦。在線產(chǎn)品推薦通常是由推薦系統(tǒng)提供，這個(gè)在線決策支持工具可以幫助消費(fèi)者在網(wǎng)購(gòu)的環(huán)境中更好地作出決策。已有研究證明，推薦系統(tǒng)所提供的幫助，在減少消費(fèi)者認(rèn)知時(shí)所付出努力的同時(shí)，還可以提高消費(fèi)者的決策質(zhì)量。[1]然而，在實(shí)踐中，電商網(wǎng)站提供的產(chǎn)品推薦并不總能使消費(fèi)者滿意，達(dá)到良好效果。因此，推薦系統(tǒng)的研究們開始關(guān)注，如何才能讓所推薦的產(chǎn)品更好地被消費(fèi)者所接受，達(dá)到推薦目的。

(2)推薦時(shí)機(jī)。一般來(lái)說(shuō)，消費(fèi)者購(gòu)買產(chǎn)品的行為并不是瞬間的事件，而是持續(xù)一段時(shí)間的過(guò)程。目前，在宏觀層面上與時(shí)間相關(guān)的研究較多，包括消費(fèi)者對(duì)時(shí)間的整體態(tài)度，以及營(yíng)銷策略隨著時(shí)間流逝其影響的變化等。在相關(guān)研究中，時(shí)機(jī)的選擇被認(rèn)為是一個(gè)較少研究的層面，有學(xué)者曾經(jīng)號(hào)召鼓勵(lì)研究個(gè)性化推薦中時(shí)機(jī)選擇的問(wèn)題。Ho等人(2011)從消費(fèi)者搜索的觀點(diǎn)進(jìn)行研究，發(fā)現(xiàn)在自適應(yīng)推薦系統(tǒng)中，當(dāng)消費(fèi)者搜索產(chǎn)品時(shí)，推薦越早的產(chǎn)品越有可能被消費(fèi)者考慮，越有可能被最終購(gòu)買。[2]

(3)個(gè)性化推薦方法及手段。隨著信息技術(shù)與計(jì)算機(jī)技術(shù)的不斷發(fā)展，個(gè)性化推薦的方法也不斷得到完善，發(fā)展至今已經(jīng)形成了三大類推薦方法，分別是協(xié)同過(guò)濾、基于內(nèi)容的過(guò)濾[3]以及混合方法過(guò)濾[4,5]。

二、模型與假設(shè)

(一)理論基礎(chǔ)

1.兩階段決策

消費(fèi)者在進(jìn)行決策時(shí)，通常會(huì)無(wú)意識(shí)地采取兩階段決策策略。具體來(lái)講，在決策的第一階段，消費(fèi)者會(huì)在眾多的產(chǎn)品中進(jìn)行選擇，并形成一個(gè)自己考慮購(gòu)買的產(chǎn)品集合，隨后，在決策的第二階段，消費(fèi)者對(duì)考慮集合中的產(chǎn)品進(jìn)行再次篩選、評(píng)估、權(quán)衡，最終作出購(gòu)買決策。[6]消費(fèi)者通過(guò)這樣的決策過(guò)程，將選擇減少到一個(gè)易于操縱的數(shù)量來(lái)簡(jiǎn)化購(gòu)買決策。

考慮集合的構(gòu)建都是有目的的，在決策時(shí)消費(fèi)者通常只考慮可選項(xiàng)中的一個(gè)小部分，此時(shí)可供選擇的選項(xiàng)，一類是被選入考慮集合的，[6]這些產(chǎn)品就組成了消費(fèi)者的考慮集合，一類是從考慮集合中去除的。接著，當(dāng)考慮集合形成后，消費(fèi)者就要從考慮集合中選擇購(gòu)買的產(chǎn)品，進(jìn)入第二個(gè)階段。此時(shí)消費(fèi)者的任務(wù)就是評(píng)估被選中的產(chǎn)品集合，權(quán)衡之后作出最后的購(gòu)買決策。因?yàn)橄M(fèi)者的信息處理能力是有限的，特別是在信息量很大的網(wǎng)絡(luò)環(huán)境下，所以選擇使用分階段決策可以簡(jiǎn)化這一過(guò)程。在實(shí)踐中，電子商務(wù)網(wǎng)站利用消費(fèi)者分階段決策的習(xí)慣，通過(guò)提供虛擬考慮集合的方法(如收藏夾、購(gòu)物車等)來(lái)引導(dǎo)消費(fèi)者進(jìn)行產(chǎn)品選擇，為消費(fèi)者決策提供便利。

2.偏好不一致悖論

消費(fèi)者在構(gòu)建考慮集合階段，總是傾向于選擇更多的產(chǎn)品，然而考慮集合并非越大越好，集合較大，會(huì)在一定程度上增加消費(fèi)者選擇的困難度。[7]這樣，第二階段選擇困難度的增加就會(huì)與第一階段消費(fèi)者構(gòu)建較大的考慮集合相悖，[8]偏好不一致困境就會(huì)產(chǎn)生。消費(fèi)者對(duì)產(chǎn)品進(jìn)行篩選需要具有一定的認(rèn)知能力，產(chǎn)品集合越大，消費(fèi)者面臨的篩選難度越高，對(duì)消費(fèi)者認(rèn)知能力的要求就越高。當(dāng)消費(fèi)者從考慮集合中作出最后選擇時(shí)，一方面，較大的考慮集合會(huì)增加決策的難度，需要消費(fèi)者付出額外的認(rèn)知努力；[9]另一方面，較大的考慮集合會(huì)增加消費(fèi)者的困惑感，使得消費(fèi)者的產(chǎn)品偏好模糊，甚至可能會(huì)終止決策。[7]

(二)概念模型

本次實(shí)驗(yàn)將個(gè)性化推薦的推薦時(shí)機(jī)和推薦數(shù)目進(jìn)行了組合，研究其對(duì)消費(fèi)者的影響。通過(guò)情景假設(shè)的方式，模擬了本次實(shí)驗(yàn)的背景。被試者需要從情境假設(shè)的網(wǎng)上商店選擇、購(gòu)買產(chǎn)品。根據(jù)上述理論基礎(chǔ)，構(gòu)建出如圖1所示的概念模型。

圖1 概念模型

實(shí)驗(yàn)操作了兩個(gè)變量之間的四種組合，即在兩個(gè)不同的推薦時(shí)機(jī)，結(jié)合兩種不同的推薦數(shù)量集合。將消費(fèi)者網(wǎng)絡(luò)購(gòu)物的過(guò)程定義為，開始于登錄一個(gè)電子商務(wù)網(wǎng)站進(jìn)行搜索，結(jié)束于作出購(gòu)買決策。所以關(guān)于個(gè)性化推薦時(shí)機(jī)的選擇，根據(jù)當(dāng)前電商個(gè)性化推薦系統(tǒng)的現(xiàn)狀，實(shí)驗(yàn)操作中將這兩個(gè)時(shí)間節(jié)點(diǎn)總結(jié)如下：第一，當(dāng)消費(fèi)者進(jìn)入網(wǎng)站，開始搜索并瀏覽檢索到的商品時(shí)；第二，當(dāng)消費(fèi)者從待選商品(比如購(gòu)物車中的商品)中，決定自己要購(gòu)買哪個(gè)，但是還沒(méi)有確定購(gòu)買哪個(gè)的時(shí)候。實(shí)驗(yàn)將在不同的推薦時(shí)機(jī)，分別結(jié)合較大的推薦集合和較小的推薦集合，來(lái)測(cè)量對(duì)消費(fèi)者的影響。

(三)研究假設(shè)

1.考慮集合階段

已有研究表明，消費(fèi)者在決策第一階段時(shí)，更傾向于選擇更多的產(chǎn)品，增大考慮集合的產(chǎn)品數(shù)量。[6]Chernev(2006)在其對(duì)兩階段決策的研究中，也發(fā)現(xiàn)消費(fèi)者在第一階段的決策中，更偏好將選擇項(xiàng)的數(shù)量最大化。在考慮集合形成的階段，消費(fèi)者希望自己有選擇權(quán)，當(dāng)其在不同選項(xiàng)中進(jìn)行選擇時(shí)，他們更偏愛較大的組合而不是較小的組合。[8]在此，筆者認(rèn)為在個(gè)性化推薦的背景下，消費(fèi)者面臨考慮集合階段的選擇，也具有這樣的性質(zhì)，所以本文作出如下假設(shè)。

H1a：當(dāng)消費(fèi)者處于考慮集合階段，在推薦數(shù)目上，較大的推薦集合比較小的推薦集合更能刺激消費(fèi)者的瀏覽意愿。

H1b：當(dāng)消費(fèi)者處于考慮集合階段，在推薦數(shù)目上，較大的推薦集合比較小的推薦集合更能讓消費(fèi)者感到滿意。

然而個(gè)性化推薦又有著自己的不同之處，在考慮集合階段，個(gè)性化推薦系統(tǒng)推薦精度較低，[4]而較低的推薦精度可能會(huì)影響消費(fèi)者對(duì)于商品的價(jià)值判斷[10]，當(dāng)集合較多時(shí)，推薦的不精確性會(huì)被放大，消費(fèi)者的整體滿意度可能會(huì)受此影響而降低。[11]所以本文作出如下假設(shè)。

H1c：當(dāng)消費(fèi)者處于考慮集合階段，在整體感知上，較小的推薦集合比較大的推薦集合更能讓消費(fèi)者感到滿意。

2.決策集合階段

在目標(biāo)是最小化決策困難度的決策集合階段，此時(shí)，較大的個(gè)性化推薦集合雖然可以使得消費(fèi)者擁有較多的選擇，但這并不代表消費(fèi)者可以因此獲益。消費(fèi)者需要通過(guò)額外的認(rèn)知努力，來(lái)評(píng)估各個(gè)選擇，造成認(rèn)知能力的超負(fù)荷。[9]另一方面，較大的考慮集合會(huì)增加消費(fèi)者的困惑感，使得消費(fèi)者的產(chǎn)品偏好模糊，甚至可能會(huì)終止決策。[7]所以，本文作出以下假設(shè)：

H2a：在消費(fèi)者決策第一階段，推薦的產(chǎn)品數(shù)量越多，消費(fèi)者的購(gòu)買意愿可能會(huì)越低。

處于決策集合這個(gè)時(shí)機(jī)下的個(gè)性化推薦，此時(shí)較大的集合會(huì)復(fù)雜化決策過(guò)程，使得決策變得更加困難。在決策階段如果再給消費(fèi)者一個(gè)較大的推薦集合，會(huì)出現(xiàn)更后悔和不滿意的情況。[8]因此，這可能會(huì)影響消費(fèi)者對(duì)于整體推薦滿意度的感知。所以，本文作出如下假設(shè)：

H2b：當(dāng)消費(fèi)者處于決策集合階段，在推薦數(shù)目上，較小的推薦集合比較大的推薦集合更能讓消費(fèi)者感到滿意。

H2c：當(dāng)消費(fèi)者處于決策集合階段，在整體感知上，較小的推薦集合會(huì)增加消費(fèi)者對(duì)于推薦的整體滿意度。

H2d：當(dāng)消費(fèi)者處于決策集合階段，推送較大的推薦集合會(huì)增加消費(fèi)者在此決策的困難程度。

三、研究方法

(一)設(shè)計(jì)實(shí)驗(yàn)

為驗(yàn)證本研究的假設(shè)，實(shí)驗(yàn)通過(guò)調(diào)查問(wèn)卷的方法收集所需要的數(shù)據(jù)。本實(shí)驗(yàn)通過(guò)一個(gè)2×2因子設(shè)計(jì)，來(lái)調(diào)查在不同給定背景下消費(fèi)者的行為。本實(shí)驗(yàn)的自變量包括個(gè)性化推薦時(shí)機(jī)和推薦集合的組合，因變量包括決策滿意度、決策困難度、瀏覽意愿以及購(gòu)買意愿。

(二)推薦集合的大小檢驗(yàn)

在開始設(shè)計(jì)正式試驗(yàn)前，本文對(duì)于個(gè)性化推薦數(shù)量的大小集合進(jìn)行了前測(cè)，由此得出消費(fèi)者心目中的大小集合。首先，對(duì)當(dāng)前電子商務(wù)企業(yè)在不同推薦時(shí)機(jī)所提供的真實(shí)個(gè)性化推薦的數(shù)目進(jìn)行了大致總結(jié)。本文選取了當(dāng)前較為典型的4家B2C公司做統(tǒng)計(jì)，最終結(jié)果見表1。

表1 電商情況總結(jié)

Chernev(2003)在研究大小集合對(duì)于消費(fèi)者選擇意愿的影響時(shí)，在文中定義了大小集合。其將16個(gè)定為大集合，4個(gè)定為小集合。[7]綜上，根據(jù)實(shí)際情況和理論的綜合，本文設(shè)置16～20個(gè)為大集合，4～8個(gè)為小集合，供被試選擇。

在對(duì)50名國(guó)內(nèi)某大學(xué)在校生(男27人，女23人)進(jìn)行問(wèn)卷調(diào)查后，回收有效問(wèn)卷48份。最終將18個(gè)作為較大的推薦數(shù)目集合，5個(gè)作為較小的推薦數(shù)目集合。

(三)實(shí)驗(yàn)品的選擇

對(duì)于實(shí)驗(yàn)品的選擇，本文最終選擇為圖書。選擇圖書有以下三點(diǎn)原因：第一，圖書作為一件商品，是消費(fèi)者常常接觸且較容易在電子商務(wù)網(wǎng)站中出現(xiàn)的；第二，筆者對(duì)15名學(xué)生進(jìn)行了預(yù)測(cè)試，請(qǐng)他們對(duì)8種產(chǎn)品類別進(jìn)行排序(分別包括圖書、MP3、手機(jī)、筆記本電腦、CD、襯衣、鞋、化妝品)，標(biāo)準(zhǔn)是對(duì)這些商品的認(rèn)知水平和購(gòu)買可能性，最終圖書的購(gòu)買可能性最高，且認(rèn)知程度適中；第三，書的種類繁多，不同的人對(duì)于書的喜好相差較大，較容易訂制個(gè)性化推薦，可制定個(gè)性化推薦的方式也較多。

(四)問(wèn)卷發(fā)放與回收

調(diào)查問(wèn)卷采用了紙質(zhì)版的形式發(fā)送，被試接到問(wèn)卷之后，問(wèn)卷發(fā)放者向被試描述本次實(shí)驗(yàn)情景、背景，并解釋個(gè)性化推薦，以及圖片的含義。在問(wèn)卷發(fā)放者做完展示示范之后，被試開始填寫調(diào)查問(wèn)卷。本次共邀請(qǐng)了108名被試，共回收有效問(wèn)卷101份。被試者的年齡、性別、受教育程度等分布合理。

四、實(shí)驗(yàn)過(guò)程及結(jié)論

(一)實(shí)驗(yàn)一

問(wèn)卷將推薦時(shí)機(jī)控制在消費(fèi)者搜索并點(diǎn)擊瀏覽兩本圖書之后，系統(tǒng)開始根據(jù)消費(fèi)者的習(xí)慣進(jìn)行個(gè)性化推薦。通過(guò)前期測(cè)算的大小集合，測(cè)試對(duì)消費(fèi)者的影響。

1.情景控制

馬上就要到假期了，您打算在假期購(gòu)買一些讀物，充實(shí)自己的假期，所以您現(xiàn)在打算在網(wǎng)上選購(gòu)一些新出版的書，但是又沒(méi)有明確的目標(biāo)。電子商務(wù)購(gòu)物的便捷性和種類的齊全性使得您打算在網(wǎng)上購(gòu)買本次要買的書籍。

(1)推薦數(shù)目：集合一。您在一家電子商務(wù)網(wǎng)站，搜索最近“熱賣新書”后，開始在網(wǎng)頁(yè)中瀏覽。在您瀏覽了幾本書之后，還是沒(méi)有發(fā)現(xiàn)心儀的圖書。此時(shí)，該網(wǎng)站根據(jù)您的記錄，推算您的偏好，為您量身訂制了相應(yīng)的推薦圖書，給您推送到網(wǎng)頁(yè)下方，供您瀏覽、選擇，情景圖如圖2所示。這樣的推薦方式，稱之為個(gè)性化推薦。請(qǐng)您在您有興趣點(diǎn)擊瀏覽的書籍下打“√”。

圖2 大集合情景圖

此后，筆者又設(shè)計(jì)了關(guān)于滿意度的問(wèn)題，進(jìn)行了推薦滿意度的測(cè)量。通過(guò)里克特7點(diǎn)法，向被試設(shè)置如下問(wèn)題：我對(duì)這個(gè)時(shí)機(jī)推薦的推薦數(shù)目很滿意；這個(gè)推薦情況的出現(xiàn)讓我很高興；我很樂(lè)意在這時(shí)使用個(gè)性化推薦；以我的經(jīng)驗(yàn)，本次個(gè)性化推薦總體是令人滿意的。

(2)推薦數(shù)目：集合二。在該情景下，實(shí)驗(yàn)改變了推薦數(shù)目，改為5本圖書，讓消費(fèi)者重新進(jìn)行選擇和回答，設(shè)置問(wèn)題與集合一相同。

2.變量的測(cè)量

關(guān)于推薦滿意度的測(cè)量，實(shí)驗(yàn)參考了Ho在2010年使用的修改過(guò)的經(jīng)典量表。[4]對(duì)推薦數(shù)目滿意度、推薦時(shí)機(jī)滿意度、系統(tǒng)整體推薦滿意度進(jìn)行了測(cè)量。為了證實(shí)實(shí)驗(yàn)中變量度量指標(biāo)的可靠性，筆者分析了相關(guān)指標(biāo)的信度和效度。本次實(shí)驗(yàn)采用Cronbach的Alpha來(lái)檢驗(yàn)量表的信度，結(jié)果如表2所示。從表2中可以看出，本實(shí)驗(yàn)的客觀因變量的信度均在0.8以上，說(shuō)明問(wèn)卷的信度較好。效度是通過(guò)主成分因子分析評(píng)價(jià)的，具體結(jié)果見表2，這證明了本實(shí)驗(yàn)的度量指標(biāo)具有較好的區(qū)別效度。

表2 信度效度檢驗(yàn)

3.假設(shè)檢驗(yàn)

實(shí)驗(yàn)的瀏覽意愿通過(guò)被試勾選的圖書瀏覽個(gè)數(shù)來(lái)測(cè)量，被試勾選則代表其將該圖書加入自己的考慮集合中。本實(shí)驗(yàn)將通過(guò)單因素方差分析(結(jié)果見表3)來(lái)檢驗(yàn)該時(shí)機(jī)下，不同的推薦數(shù)目集合是否影響了消費(fèi)者的瀏覽意愿。

表3 ANOVA表

由方差分析發(fā)現(xiàn)，在本次實(shí)驗(yàn)中，瀏覽意愿同不同數(shù)目的推薦集合有著顯著性關(guān)系。接下來(lái)，將每組內(nèi)的消費(fèi)者在較大集合的瀏覽個(gè)數(shù)，同較小集合的瀏覽個(gè)數(shù)作差之后，其均值為2.07，標(biāo)準(zhǔn)差為1.168。

圖3為不同推薦集合的瀏覽數(shù)目增長(zhǎng)情況。從圖3也可以看出，作差排序之后，相比于小集合，大集合推薦的瀏覽數(shù)目有著較為顯著的提升。

圖3 不同推薦集合的瀏覽數(shù)目增長(zhǎng)情況

綜上可知，在考慮集合階段，當(dāng)消費(fèi)者剛開始進(jìn)行搜索時(shí)，此時(shí)較大的推薦集合相比于較小的推薦集合，能提高消費(fèi)者的瀏覽意愿，這個(gè)結(jié)論支持了本次實(shí)驗(yàn)的假設(shè)H1a。

對(duì)于消費(fèi)者關(guān)于此時(shí)推薦數(shù)目的滿意度，經(jīng)過(guò)t檢驗(yàn)發(fā)現(xiàn)，消費(fèi)者對(duì)于此時(shí)的個(gè)性化推薦的數(shù)目感知來(lái)說(shuō)，較大集合的滿意度4.72要高于較小集合的滿意度4.03(t=4.53，p<0.01)。這證明了當(dāng)處于考慮集合階段，在推薦數(shù)目上，較大的推薦集合比較小的推薦集合更能讓消費(fèi)者感到滿意，H1b得到驗(yàn)證。

同樣，對(duì)于整體滿意度的感知，經(jīng)過(guò)t檢驗(yàn)發(fā)現(xiàn)，消費(fèi)者對(duì)于此時(shí)的個(gè)性化推薦的整體感知來(lái)說(shuō)，t=2.72，p=0.14>0.01，說(shuō)明整體感知的滿意度與大小集合的出現(xiàn)沒(méi)有相關(guān)性，假設(shè)H1c沒(méi)有得到驗(yàn)證。

4.結(jié)論

在消費(fèi)者剛開始搜索時(shí)進(jìn)行個(gè)性化推薦，當(dāng)推送不同的大小集合時(shí)，消費(fèi)者對(duì)其有著不同的態(tài)度。消費(fèi)者在此時(shí)偏好較大集合的推薦，而較大的推薦集合也能增加消費(fèi)者的瀏覽意愿。這與偏好不一致悖論的預(yù)測(cè)相一致。但是，在整體滿意度上，假設(shè)并沒(méi)有成立。筆者從中抽取了21位被試進(jìn)行回訪調(diào)查。在與他們的交談中發(fā)現(xiàn)，被試在這個(gè)推薦時(shí)機(jī)下，對(duì)兩種推薦集合的整體滿意度感覺不明顯，有兩個(gè)原因。第一，被試認(rèn)為大集合推薦的數(shù)目雖多，但是由于是一次性全部陳列出來(lái)，這種方式讓被試感覺一般。第二，雖然被試喜歡較大的推薦集合，但是認(rèn)為其推薦精度不是很好，有些書籍并不是自己喜歡的，所以認(rèn)為其推薦的整體效果一般。當(dāng)然，推薦精度的問(wèn)題也和本實(shí)驗(yàn)采取問(wèn)卷調(diào)查的方式有關(guān)。

所以，較大的推薦集合雖然可以在此時(shí)提升瀏覽意愿并且在數(shù)目上得到青睞，但還是需要在陳列方式上加以考慮。在這一點(diǎn)上，當(dāng)前電商的做法比較符合消費(fèi)者的心理，當(dāng)遇到需要推送較大的推薦集合時(shí)，電商多采用幾個(gè)一組、消費(fèi)者自行換組的方式進(jìn)行推薦。

(二)實(shí)驗(yàn)二

實(shí)驗(yàn)的目的是探索在決策集合階段，當(dāng)消費(fèi)者進(jìn)行網(wǎng)購(gòu)的決策時(shí)(采取的是消費(fèi)者從購(gòu)物車進(jìn)行購(gòu)買操作)，向其進(jìn)行個(gè)性化推薦，會(huì)對(duì)消費(fèi)者的行為產(chǎn)生什么影響。問(wèn)卷將推薦時(shí)機(jī)控制在購(gòu)物車進(jìn)行確認(rèn)購(gòu)買頁(yè)面，此時(shí)系統(tǒng)根據(jù)消費(fèi)者的瀏覽以及購(gòu)物車?yán)锏纳唐愤M(jìn)行個(gè)性化推薦，控制的自變量為推薦數(shù)目的大小集合，測(cè)試對(duì)消費(fèi)者行為的影響。

1.情景控制

(1)推薦數(shù)目：集合一。經(jīng)過(guò)一番選擇和思考后，您將一些書籍加入了購(gòu)物車，打算從中進(jìn)行購(gòu)買的決策(您可以選擇都購(gòu)買，但是您不一定需要都購(gòu)買)。此時(shí)，系統(tǒng)為您量身推薦了相應(yīng)的圖書，給您推送到結(jié)算欄下方(如圖4所示)。

圖4 大集合情景圖

當(dāng)被試瀏覽完畢后，向被試詢問(wèn)是否打算購(gòu)買購(gòu)物車中的商品，然后向被試測(cè)量其對(duì)于推薦的滿意度。除此之外，在時(shí)機(jī)二，還測(cè)量了被試的決策困難度，同樣采用里克特7點(diǎn)法，向被試詢問(wèn)如下問(wèn)題：對(duì)我來(lái)說(shuō)，這時(shí)出現(xiàn)的個(gè)性化推薦數(shù)量讓我很難決定是否購(gòu)買；這時(shí)出現(xiàn)的個(gè)性化推薦數(shù)量，打亂了我原有的購(gòu)買計(jì)劃。

(2)推薦數(shù)目：集合二。在更換推薦數(shù)量后，進(jìn)行了相同的測(cè)試和詢問(wèn)，情景圖如圖5所示。

圖5 小集合情景圖

2.變量的測(cè)量

對(duì)于推薦滿意度的測(cè)量，同實(shí)驗(yàn)一相同，采用了相同的量表。而在實(shí)驗(yàn)二中，還將要測(cè)量決策困難度，決策困難度的量表參考了Bottomley等人在2000年的研究，[12]結(jié)合本實(shí)驗(yàn)特點(diǎn)進(jìn)行調(diào)整。

根據(jù)檢驗(yàn)可以看出，本實(shí)驗(yàn)的客觀因變量的信度均在0.8以上(結(jié)果見表4)，說(shuō)明問(wèn)卷的信度較好。對(duì)于推薦滿意度的測(cè)量，在小集合和大集合這樣的推薦集合下，KMO和Bartlett檢驗(yàn)分別為0.835和0.852；對(duì)于決策困難度，則分別是0.736和0.782。通過(guò)主成分因子分析(結(jié)果見表5、表6)，分別提取了兩個(gè)公因子。

表4 各變量的α系數(shù)

表5 效度檢驗(yàn)1

表6 效度檢驗(yàn)2

3.假設(shè)檢驗(yàn)

本實(shí)驗(yàn)部分，關(guān)于購(gòu)買意愿的測(cè)量，將消費(fèi)者打算購(gòu)買購(gòu)物車中選擇的商品記為“1”，反之記為“0”。對(duì)于這個(gè)客觀變量，將采用Logistic回歸來(lái)進(jìn)行接下來(lái)的檢驗(yàn)。根據(jù)Logistic回歸發(fā)現(xiàn)，在決策集合時(shí)機(jī)的推薦，相對(duì)較大的集合會(huì)降低消費(fèi)者的購(gòu)買意愿，其他情況不變的前提下，小集合的購(gòu)買意愿是大集合的2.39倍。這一結(jié)果驗(yàn)證了本實(shí)驗(yàn)的假設(shè)H2a(χ2(1)=4.00，p<0.05)。

在這里，經(jīng)過(guò)t檢驗(yàn)發(fā)現(xiàn)，消費(fèi)者對(duì)于此時(shí)的個(gè)性化推薦的數(shù)目感知來(lái)說(shuō)，較小集合的滿意度4.49要高于較大集合的滿意度3.05(t=7.42，p<0.01)。這證明當(dāng)處于決策集合階段，在推薦數(shù)目上，較小的推薦集合比較大的推薦集合更能讓消費(fèi)者感到滿意，即H2b得到驗(yàn)證。

同時(shí)發(fā)現(xiàn)，消費(fèi)者對(duì)于此時(shí)的個(gè)性化推薦的整體感知來(lái)說(shuō)，較小集合的滿意度4.31要高于較大集合的滿意度3.27(t=6.06，p<0.01)。這證明當(dāng)處于決策集合階段，在整體感知上，較小的推薦集合比較大的推薦集合更能讓消費(fèi)者感到滿意，即H2c得到驗(yàn)證。

最后，當(dāng)消費(fèi)者面對(duì)此時(shí)的個(gè)性化推薦時(shí)，其面對(duì)較小集合的決策困難度3.21要小于較大集合的困難度3.66(t=2.02，p<0.05)，但是相比于滿意度的差距，在困難度上的差距要顯得小一些。不過(guò)這同樣證明當(dāng)處于決策集合階段，消費(fèi)者面對(duì)較大的推薦集合時(shí)的決策難度要比面對(duì)較小集合時(shí)的決策難度大，即H2d得到了驗(yàn)證。

4.結(jié)論

當(dāng)消費(fèi)者處于決策階段時(shí)，較大集合的個(gè)性化推薦會(huì)降低消費(fèi)者此刻的購(gòu)買意愿。雖然不是很明顯，但是消費(fèi)者面對(duì)大集合時(shí)，還是感覺要比小集合更難決策。在最小化決策復(fù)雜程度的目標(biāo)下，較大的考慮集合雖然帶來(lái)更多的選擇，但是也同樣對(duì)消費(fèi)者的決策產(chǎn)生反向作用。對(duì)于此時(shí)的滿意度，不論從數(shù)目上還是從整體感知上，被試對(duì)較小集合的滿意度都要高于較大的集合，此時(shí)消費(fèi)者比較樂(lè)意接受較小的個(gè)性化推薦。

五、結(jié) 語(yǔ)

1.結(jié)論

本文研究的重點(diǎn)是不同時(shí)機(jī)下，推薦集合的大小對(duì)消費(fèi)者的影響。根據(jù)兩階段決策理論，將消費(fèi)者網(wǎng)絡(luò)購(gòu)物看成兩個(gè)階段，即考慮集合階段和決策集合階段。對(duì)于時(shí)機(jī)的控制，選擇在考慮集合階段時(shí)在消費(fèi)者開始搜索商品之后，進(jìn)行個(gè)性化推薦；在決策集合階段時(shí)，在消費(fèi)者通過(guò)購(gòu)物車進(jìn)行購(gòu)買決策時(shí)，進(jìn)行個(gè)性化推薦。通過(guò)前期的測(cè)量，向被試在兩個(gè)不同的時(shí)機(jī)分別推薦較大和較小的推薦集合。通過(guò)對(duì)瀏覽意愿、購(gòu)買意愿、推薦滿意度、決策困難度的測(cè)量，發(fā)現(xiàn)在考慮集合階段，較大的集合會(huì)增加消費(fèi)者的瀏覽意愿，但是在大小集合不同對(duì)推薦的整體滿意度上，則沒(méi)有顯著性影響。在決策集合階段，較大的推薦集合會(huì)降低消費(fèi)者的購(gòu)買意愿，并且相對(duì)于較大的集合，較小的集合會(huì)讓消費(fèi)者感到更容易決策，不像較大的集合的出現(xiàn)，讓其感到困惑。消費(fèi)者在此時(shí)對(duì)這樣的推薦，在整體感知上雖然有影響，但是差別不是很大。

2.管理啟示

(1)個(gè)性化推薦系統(tǒng)可以在消費(fèi)者剛開始購(gòu)買時(shí)，進(jìn)行較大集合的個(gè)性化推薦，但是要注意，此時(shí)較大的集合要避免一次性出現(xiàn)，可采取分組出現(xiàn)的方式。通過(guò)這樣的方式，可以增加消費(fèi)者的瀏覽意愿，并提高消費(fèi)者對(duì)于系統(tǒng)推薦的滿意度。

(2)當(dāng)消費(fèi)者在購(gòu)物車的界面時(shí)，此時(shí)他們將要進(jìn)行購(gòu)買決策，個(gè)性化推薦系統(tǒng)在此時(shí)要避免向消費(fèi)者進(jìn)行大數(shù)目集合的同類別個(gè)性化推薦，盡量使用小集合推薦，以此來(lái)降低消費(fèi)者的選擇困難度，避免消費(fèi)者感到后悔，提高消費(fèi)者的購(gòu)買意愿。

3.局限性

實(shí)驗(yàn)在個(gè)性化推薦的種類上，只選取了同類別推薦，而并沒(méi)有考慮周邊產(chǎn)品的推薦?？墒侵苓叜a(chǎn)品推薦在當(dāng)前電子商務(wù)企業(yè)的個(gè)性化推薦實(shí)例中卻不難見到，尤其是在購(gòu)物車階段的推送中。對(duì)于同類別的推薦，如果數(shù)目過(guò)多，會(huì)讓消費(fèi)者感到選擇上的困難，但是周邊產(chǎn)品卻沒(méi)有這樣的特點(diǎn)，所以，消費(fèi)者對(duì)于周邊產(chǎn)品推薦是否會(huì)和同類別推薦有不同的反應(yīng)，這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

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

1671-7031(2016)06-0072-07

F713.36

A