高鴻銘，陳 聰，朱 慧

（廣州大學(xué)管理學(xué)院，廣州 510006）

0 引言

搜索引擎重塑了用戶搜索旅游產(chǎn)品和篩選產(chǎn)品信息的方式。近年來，攜程、Expedia、trivago等第三方在線旅行社（OTA）搜索平臺已成為銷售產(chǎn)品及服務(wù)的重要渠道[1]。酒店預(yù)訂決策具有低發(fā)生頻率且高購買支出的特征，是典型的高介入度產(chǎn)品決策[2]。這意味著用戶需要高度參與搜索和比較產(chǎn)品信息[3]，以訂購滿足需求的客房。用戶通過搜索引擎結(jié)果比對備選項，價格、評價、與目的地的距離等因素是影響酒店預(yù)訂決策的關(guān)鍵因素[4]。點擊轉(zhuǎn)化是酒店預(yù)訂意愿的直觀度量，點擊轉(zhuǎn)化是指當用戶使用OTA 搜索引擎時，點擊跳轉(zhuǎn)到目標商務(wù)酒店網(wǎng)站的行為。系統(tǒng)性地理解移動端用戶酒店預(yù)訂決策意愿，提高點擊率，優(yōu)化搜索引擎和競價排位是OTA獲得酒店廣告主代理傭金的關(guān)鍵手段[5,6]。

根據(jù)法國在線廣告公司Criteo的調(diào)查報告，當前全球旅游用戶在移動設(shè)備上完成了高達60%的交易；在“最后一分鐘快速預(yù)訂酒店”業(yè)務(wù)中，移動端占據(jù)89%的流量。學(xué)者們發(fā)現(xiàn),當消費者進行高介入度的產(chǎn)品決策時，更傾向于使用移動設(shè)備而非PC端[7]。然而，移動設(shè)備的小尺寸屏幕增加了用戶導(dǎo)航任務(wù)的復(fù)雜性，降低了信息學(xué)習效率[8]。移動與普適計算改變了購買決策環(huán)境。

目前關(guān)于搜索引擎和用戶決策的研究有很多，但存在一定的局限：（1）現(xiàn)有文獻多以PC 端搜索引擎為研究對象[6,9]，經(jīng)驗證據(jù)難以直接泛化到移動搜索情境。（2）粗粒度數(shù)據(jù)設(shè)定的研究范式無法厘清點擊轉(zhuǎn)化決策的影響因素。用戶決策表現(xiàn)出個體異質(zhì)性，是一個興趣動態(tài)化的復(fù)雜系統(tǒng)過程[10]。學(xué)者們通常采取實驗室模擬[2,6]和問卷調(diào)查數(shù)據(jù)[11]進行分析，不夠貼近真實搜索決策過程。少數(shù)學(xué)者從交互行為出發(fā)展開研究，但他們傾向于以總體用戶聚合數(shù)據(jù)為研究單元[9]，忽略了個體序貫行為信息的實時特性。（3）酒店廣告主聚焦于競價預(yù)算和投資回報率[6]。例如，在搜索結(jié)果頁面中，中部排位的酒店表現(xiàn)是否一定優(yōu)于尾部排位？第一排位與第十排位的點擊轉(zhuǎn)化率差異如何？以上問題在移動搜索領(lǐng)域研究較少。

搜索引擎優(yōu)化策略是信息系統(tǒng)領(lǐng)域的前沿話題，針對移動搜索中高介入度產(chǎn)品決策機理的研究仍較為稀少。本文從人機交互的序貫行為信息證據(jù)入手，探究酒店預(yù)訂移動端平臺的點擊轉(zhuǎn)化決策機制，基于個體用戶的序貫行為決策鏈路，利用細粒度數(shù)據(jù)構(gòu)建一個動態(tài)貝葉斯推斷模型展開研究，以期深化對高介入度產(chǎn)品在移動搜索引擎中的排位效應(yīng)和價格偏好的理解，為優(yōu)化OTA 移動搜索引擎和競價排位提供理論支持。

1 影響搜索引擎優(yōu)化的信息因素

搜索引擎優(yōu)化已在不同學(xué)科和領(lǐng)域引起廣泛關(guān)注，其旨在為緩解信息過載提供過濾和排序建議。信息系統(tǒng)多從設(shè)計科學(xué)視角探討搜索引擎營銷成功的決定因素[9]。搜索引擎按其服務(wù)對象可分為兩類：信息檢索型（如百度、谷歌等）和產(chǎn)品搜索型（如淘寶、攜程和Expedia）。在信息檢索方面，Pan等（2007）[12]通過眼動追蹤實驗發(fā)現(xiàn)，用戶更傾向于點擊谷歌搜索結(jié)果中排位靠前的鏈接。Rutz 和Trusov（2011）[13]研究發(fā)現(xiàn)，搜索結(jié)果中的頭部排位廣告能引發(fā)較高的點擊轉(zhuǎn)化率，并為中小企業(yè)帶來利潤增長。針對旅游搜索引擎的研究與開發(fā)已成為旅游學(xué)科和信息系統(tǒng)學(xué)科的一個重要交叉研究領(lǐng)域。Law和Huang（2006）[11]通過問卷調(diào)查發(fā)現(xiàn)，近50%的用戶最多查看搜索結(jié)果前三屏的內(nèi)容。Pan（2015）[1]研究指出，無論是PC 端還是移動端，不同目的的營銷組織在搜索引擎平臺的點擊率都呈現(xiàn)冪律分布，即大部分關(guān)注集中在排位靠前的位置。

在旅行產(chǎn)品搜索引擎方面，Van de Rest 等（2016）[6]通過模擬實驗發(fā)現(xiàn)，屏幕排位與酒店預(yù)訂決策之間存在負相關(guān)關(guān)系，即排位越靠后，轉(zhuǎn)化率越低。Ert 和Fleischer（2016）[2]在PC 端進行實驗，結(jié)果顯示，排位靠近尾部的酒店比中間位置的酒店具有更高的點擊轉(zhuǎn)化率。

價格因素在搜索引擎優(yōu)化中同樣占據(jù)重要地位。Baye等（2009）[14]研究發(fā)現(xiàn)，擁有較低價格的電商產(chǎn)品平臺能提高點擊轉(zhuǎn)化率。后續(xù)研究發(fā)現(xiàn)，在其他條件不變的情況下，產(chǎn)品價格上升會降低PC 端用戶的購買意愿[9]。然而，在旅游信息搜索平臺上，消費者介入程度相對較低，而預(yù)訂酒店決策卻要求用戶付出更高的認知參與和搜索成本[2]。Holmes 等（2014）[7]研究發(fā)現(xiàn)，當用戶進行高介入度產(chǎn)品決策時，更傾向于使用移動設(shè)備。

篩選器是一種輔助用戶在搜索過程中形成產(chǎn)品考慮集的工具，包括篩選、排序等功能，旨在降低搜索成本[15]。關(guān)于篩選器的效果，現(xiàn)有研究的結(jié)論并不一致，PC端證據(jù)表明，篩選器對低介入度產(chǎn)品購買決策（如圖書）沒有影響[16]；而對于高介入度產(chǎn)品購買決策（如酒店預(yù)訂），Ghose等（2014）[9]認為篩選器的使用降低了購買意愿，Chen 和Yao（2017）[15]則認為篩選器的使用誘發(fā)了更多的搜索、提高了購買意愿。

已有研究主要采用問卷調(diào)查獲取數(shù)據(jù)，可能會受到樣本抽樣偏差和用戶回憶偏差的影響；也有研究采用聚合總體用戶進行數(shù)據(jù)建模，但未考慮用戶的異質(zhì)性。這些研究在很大程度上忽略了決策過程的動態(tài)性。鑒于此，本文首先基于個體用戶的序貫行為決策鏈路進行建模分析，并考慮移動搜索界面中動態(tài)信息線索的影響程度；其次，由于移動端酒店預(yù)訂決策具有高介入度產(chǎn)品的特性，因此需要進一步探究價格和篩選器使用對移動點擊轉(zhuǎn)化決策的影響；最后，與PC端的研究不同，本文還將考慮感知價格（用戶在搜索過程中對產(chǎn)品價格的感知比較）的影響。

2 研究框架與模型構(gòu)建

2.1 移動用戶序貫行為決策鏈路的理論框架

鑒于個體活動的異質(zhì)性，本文以“消費者-產(chǎn)品”的微觀決策單元為基礎(chǔ)，將其拓展到“消費者-產(chǎn)品-時間”三元對交互，重點考慮移動用戶序貫行為決策鏈路中的異質(zhì)性與時間特性，從而更準確地刻畫和預(yù)測用戶搜索行為和點擊轉(zhuǎn)化決策。

以用戶i的一次瀏覽會話為例，用戶i進入某OTA移動搜索平臺，輸入關(guān)鍵詞檢索，開始了會話。在本文中，解釋變量為移動點擊轉(zhuǎn)化決策Dijt。當t=1 時，用戶i瀏覽酒店j的信息，可對酒店圖片、評論、價格、銷量等信息進行交互。若無點擊轉(zhuǎn)化發(fā)生，則Dijt=0；若點擊跳轉(zhuǎn)到酒店h的官方網(wǎng)站，則Dijt=1，表明發(fā)生了轉(zhuǎn)化。在后續(xù)交互中，用戶i可在搜索結(jié)果中對任一酒店j進行點擊轉(zhuǎn)化，也可使用篩選器自定義搜索結(jié)果。循環(huán)往復(fù)，直至滿足需求或超過愿意支出的搜索成本，會話結(jié)束。一次搜索過程被定義為一條序貫行為決策鏈路Dijt={Dij(t=1)，Dij(t=2)，…，Dij(t=T)}。

研究問題：定義i∈{1，2，…，K}為移動用戶集合，j∈{1，2，…，J}為交互的酒店產(chǎn)品集合，用戶i與對象j的交互時刻為t，則本文的目標是優(yōu)化移動搜索引擎，基于序貫行為信息的時間特性，最大化鏈路Dijt={Dij(t=1)，Dij(t=2)，…，Dij(t=T)}的點擊轉(zhuǎn)化率，同時探討影響點擊轉(zhuǎn)化決策的因素。

2.2 融合個體序貫行為信息的動態(tài)貝葉斯推斷建模

假設(shè)在移動搜索會話中，用戶潛在效用向量Z由可觀察的信息因素向量F所決定。那么，如式（1）所示，可用離散選擇模型刻畫點擊轉(zhuǎn)化的決策概率。

其中，ψ(·) 是標準正態(tài)分布的累積分布函數(shù)，表示隨著Fijt中各因素的變化，用戶i在時刻t面向酒店j發(fā)生點擊轉(zhuǎn)化的概率。這等價于Pr(Dijt=1) ，即用戶i在時刻t在OTA中點擊酒店j鏈接并成功跳轉(zhuǎn)到酒店j的商業(yè)預(yù)訂網(wǎng)頁的概率。

由于存在異質(zhì)性，貝葉斯推斷的數(shù)據(jù)增強方法是對待估參數(shù)向量δ給定一個正態(tài)先驗分布p(δ)[16]。在給定觀察數(shù)據(jù)矩陣(Fijt，Dijt)的情況下，在觀察窗口內(nèi)，可從單次決策事件推導(dǎo)出整個序貫決策鏈路的似然函數(shù)，如式（2）所示。

被觀察到的點擊轉(zhuǎn)化次數(shù)服從伯努利分布。在式（2）中，c被視為點擊轉(zhuǎn)化的比例常數(shù)；φ(·;u，s2)是標準正態(tài)分布的概率密度函數(shù)；而I(X∈A) 是指示函數(shù)，當滿足特定條件時，隨機變量X包含于集合A中，其值為1,否則為0。

由貝葉斯理論可知，后驗概率正比于先驗概率與似然函數(shù)的乘積。通過將式（2）中的潛在效用Zijt積分除去，式（3）得到δ的邊際后驗概率密度Pr(δ|Fijt，Dijt)，用以分析不同特征對點擊轉(zhuǎn)化決策的影響效應(yīng)。

2.3 影響移動用戶點擊轉(zhuǎn)化決策的隨機效用框架

相比傳統(tǒng)的點估計模型，針對總體用戶，貝葉斯推斷允許從微觀角度探討個體的異質(zhì)性決策過程，用戶i在時刻t面向酒店j的潛在效用Zijt被構(gòu)造為：

其中，δ=[δi0，δi1，δi2，δi3，δi4，δi5，δi6]-1是待估參數(shù)向量，F(xiàn)ijt中的因素包括屏幕排位rankijt、第一排位rankFirstijt、排位二次項（以解釋非線性效應(yīng)）、價格priceijt、局部相對價格priceSortijt和篩選器使用toolijt。為了探討使用篩選器的自定義列表和屏幕排位的交叉效應(yīng)，納入交互項：

式（5）中，待估參數(shù)向量δ拓展為一個10 維列向量。式（4）和式（5）中，隨機擾動項εijt獨立同分布于標準正態(tài)分布。

因此，用戶i在時刻t面向酒店j的點擊轉(zhuǎn)化決策為Dijt由其潛在效用決定：

2.4 MCMC方法的Gibbs抽樣算法估計后驗概率

針對式（3）所建立的動態(tài)貝葉斯推斷模型，本文采用MCMC方法的Gibbs抽樣算法[16]進行估計。潛在效用向量Zijt條件依賴于參數(shù)δ和觀測數(shù)據(jù)矩陣()Fijt，Dijt；δ的邊際后驗概率密度可由依賴于Zijt和Fijt的條件概率Pr(δ|Fijt，Dijt)獲得。故δ和Zijt的后驗分布分別為：

Gibbs抽樣先根據(jù)總體先驗分布p(δ)初始化δ0，再開始迭代抽樣：第一步，式（7）和δ0抽取，也就是其抽樣依賴于給定觀測到的數(shù)據(jù)(Fijt，Dijt)和δ0的截斷單變量正態(tài)分布；第二步，基于第一步的抽樣結(jié)果，g根據(jù)式（8）從相應(yīng)的條件概率分布抽取δ1；第三步，重復(fù)前兩步迭代，直至馬爾科夫鏈參數(shù)收斂，最終得到δ的邊際后驗概率密度Pr(δ|Fijt，Dijt)。

3 數(shù)據(jù)來源及特征測度

本文的研究數(shù)據(jù)集來自德國一家大型OTA移動端的會話日志數(shù)據(jù)①該OTA的商業(yè)設(shè)定與攜程、trivago等OTA移動端搜索引擎結(jié)果列表每頁25個產(chǎn)品的通用設(shè)置一致。。該OTA為旅行者提供了酒店預(yù)訂服務(wù)，覆蓋超過190 個國家和地區(qū)。觀察周期為2018 年11 月1日至2018年11 月7 日，記錄了用戶點擊流數(shù)據(jù)。由于存在緩沖數(shù)據(jù)，即因為系統(tǒng)加載等原因會生成重復(fù)數(shù)據(jù)條目，其持續(xù)時間為零，這些記錄無法真實地反映消費者的決策性質(zhì)，因此需要過濾掉冗余數(shù)據(jù)。最終的數(shù)據(jù)集為2295 個移動用戶面向7264 家酒店的2596 個在線瀏覽會話，包含15638條交互記錄。

本文以可觀測的屏幕排位、價格與篩選器使用的多維度特征構(gòu)造信息因素向量F。

（1）屏幕排位：本文采用三個變量來表征。在搜索結(jié)果中，用戶i查看酒店h在時刻t的排位定義為排位變量rankijt：

該變量為整數(shù)型變量，其取值范圍為1～25。在搜索結(jié)果中，排位越高，rank的值越接近于1，即越靠近頭部排位。

為了解釋屏幕排位潛在的非線性效應(yīng)，排位變量的二次項也被考慮在模型當中。

由于受到移動設(shè)備小尺寸屏幕的限制，用戶注意力可能存在衰減規(guī)律，即用戶對第一排位付出最高的關(guān)注[1]，因此設(shè)定屏幕第一排位變量為：

其中，rankFirstijt為二分類變量，當用戶i在時刻t交互的酒店j居屏幕第一排位時，其值為1；否則為0。

（2）價格偏好：預(yù)訂酒店決策是典型的高介入度的產(chǎn)品決策，以往研究多關(guān)注酒店價格，類似地，本文定義用戶i在時刻t交互的j酒店的價格為priceijt。

與全局價格偏好不同，移動用戶在每次重新檢索或使用篩選器后，可能會對單次搜索結(jié)果頁面中的產(chǎn)品價格進行比對。本文定義priceSortijt表示酒店j在時刻t的搜索結(jié)果頁面中25個酒店以價格降序的排位：

其中，priceSortijt是用戶對酒店價格的一種局部價格比對偏好，與排位變量rankijt相似，為整數(shù)型變量。priceSort的值越接近于25，表示價格排位越靠后，即酒店h在時刻t在搜索結(jié)果頁面中的相對價格越低。本文以此來量化用戶面向一次搜索結(jié)果列表中對25 個酒店價格的敏感程度。

（3）篩選器使用：當用戶使用移動搜索引擎時，篩選器可輔助他們滿足個性化的定制需求，包括過濾篩選和排序改變功能。本文用一個二分類變量toolijt來捕捉用戶i在時刻t的搜索結(jié)果列表是否來自使用篩選器后的自定義篩選結(jié)果。當其值為1時，表示當前列表為用戶自定義列表；當其值為0 時，表示當前列表為搜索引擎給出的默認列表。

信息因素向量F中變量的描述性統(tǒng)計見表1。用戶瀏覽交互過的酒店中，平均排位為第7（6.98），其中1/4 的交互產(chǎn)品是居于第1排位。酒店價格的均值為97.99美元/晚。23%的酒店產(chǎn)品是來自使用篩選器后的用戶自定義列表。

表1 “消費者-產(chǎn)品-時間”三元對的信息因素向量F 的描述性統(tǒng)計

4 模型估計與結(jié)果分析

4.1 模型抽樣與性能檢驗

在R 語言中，本文運行了40000 次MCMC 迭代。前30000 次迭代是為確保模型收斂，保留最后的10000 次迭代結(jié)果作為Pr(δ|Fijt，Dijt)后驗參數(shù)的分布估計。圖1 是對δ前6個參數(shù)的后驗分布密度圖。與點估計P值判斷統(tǒng)計顯著性的思想相似，貝葉斯推斷通過判斷0值是否位于95%后驗分布的置信區(qū)間內(nèi)進行檢驗。當某個參數(shù)的95%后驗分布的貝葉斯置信區(qū)間內(nèi)含有0時，表示該參數(shù)統(tǒng)計上與0沒有顯著差異；若0不在區(qū)間內(nèi)，則說明該參數(shù)具有統(tǒng)計意義，代表變量對點擊轉(zhuǎn)化決策的存在顯著影響。以排位變量rankijt為例，圖1 顯示，δ1的95%置信區(qū)間內(nèi)不含0，這表明δ1與0值存在顯著差異，說明移動搜索中屏幕排位對點擊轉(zhuǎn)化決策存在顯著影響。

圖1 參數(shù)δ0 至δ5 的后驗估計分布密度圖

為進行魯棒性檢驗，本文設(shè)計了兩個動態(tài)貝葉斯模型，以對數(shù)邊際密度（Log marginal density）驗證本文模型的優(yōu)劣，其值越大表示模型擬合程度越高。本文先對模型1（即考慮式（4）中的因素）進行估計；接下來，在模型1 的基礎(chǔ)上，在式（5）中引入交叉項，構(gòu)建模型2，再次進行估計。為方便表示，根據(jù)δ的后驗估計分布（見圖1）計算每個參數(shù)的均值和方差。對數(shù)邊際密度的計算結(jié)果表明，模型2 優(yōu)于模型1，即篩選器的使用和屏幕排位的交叉項能有效提高模型擬合程度。

為了進一步檢驗?zāi)Ｐ偷念A(yù)測性能，本文將總體數(shù)據(jù)集中的2295名用戶隨機劃分為訓(xùn)練集和測試集。訓(xùn)練集包含1203 名用戶，共8298 條記錄，用于模型訓(xùn)練和參數(shù)估計；測試集包含1092 名用戶，共7340 條記錄，用于評估模型的預(yù)測性能。在比較性能時，本文將廣義線性模型中的二項logit 模型作為基準模型，將統(tǒng)計學(xué)習中的支持向量機、樹形機器學(xué)習中的隨機森林作為對照模型。同時，將精度召回曲線下的面積（PR-AUC）和ROC 曲線下的面積（ROC-AUC）作為評價指標。其中，PR-AUC 衡量了模型在不同召回率下的精度表現(xiàn)，而ROC-AUC則衡量模型對正、負樣本分類的準確性。二者的值越大，表明模型的預(yù)測結(jié)果越好。

由表2可知，動態(tài)貝葉斯推斷模型在預(yù)測性能上明顯優(yōu)于其他三個模型，而二項logit 模型的效果最差。二項logit模型主要從計量模型角度解釋變量間的線性關(guān)系，而支持向量機和隨機森林則從聚合數(shù)據(jù)層級上考慮了變量間的非線性關(guān)系，這可能是導(dǎo)致他們的預(yù)測性能優(yōu)于二項logit 模型的原因。動態(tài)貝葉斯推斷模型融合了個體用戶決策的時序依賴性信息，能更好地對用戶異質(zhì)性進行解構(gòu)和建模，從而在PR-AUC 和ROC-AUC 方面比二項logit 模型分別高出19.01%和15.42%的預(yù)測精度?？傮w而言，動態(tài)貝葉斯推斷模型在預(yù)測點擊轉(zhuǎn)化決策方面是穩(wěn)健且最優(yōu)的擬合模型。

表2 模型預(yù)測性能比較

4.2 移動用戶點擊轉(zhuǎn)化決策的影響因素分析

下頁表3 是對全體2295 名用戶的β后驗分布計算的均值和標準差（括號內(nèi)）估計結(jié)果。從截距的系數(shù)顯著為負可知，移動用戶在會話中傾向于繼續(xù)搜索而不是進行點擊轉(zhuǎn)化。與在旅游信息搜索引擎[1,11]和PC端上的研究[6,9,15]結(jié)果一致，屏幕排位rankijt在移動搜索引擎中以首因效應(yīng)的形式存在。換言之，酒店產(chǎn)品在移動屏幕上排位越靠前，用戶的點擊轉(zhuǎn)化概率越大（δ1=-0.022）。盡管用戶可以搜索并滾動查看整個搜索結(jié)果頁面以建立考慮集合，但移動端因屏幕較小而形成的“信息組塊”可能阻斷了用戶獲取并學(xué)習全局信息的可能性。因此，移動用戶不得不逐塊地去搜索和比對產(chǎn)品信息。同時，由于認知注意力機制的限制，在會話初期搜索成本較低[15]，用戶更可能對輸入關(guān)鍵詞后首先出現(xiàn)的酒店產(chǎn)品給予更多關(guān)注，即存在首因效應(yīng)。第一排位rankFirstijt的影響沒有統(tǒng)計意義。值得注意的是，移動搜索引擎中的排位效應(yīng)并非單調(diào)變化，排位變量的二次項與移動點擊轉(zhuǎn)化決策之間存在顯著正相關(guān)關(guān)系，意味著排位效應(yīng)實際上可能是一種“U”型效應(yīng)，即移動用戶對搜索結(jié)果列表中頭部和尾部排位酒店的點擊轉(zhuǎn)化概率要大于中部排位選項?？赡艿慕忉屖?，在移動界面中，隨著用戶不斷滾動頁面持續(xù)瀏覽，搜索成本增加，認知注意力衰減，中部排位的酒店選項很難被用戶召回，因此更傾向于頭部排位和尾部排位的酒店。

表3 后驗估計結(jié)果（基于2295名用戶，共15638條搜索記錄）

此外，在移動搜索引擎中，價格偏好的實證結(jié)果與基于PC端的負相關(guān)關(guān)系不同[9,14]，這表明酒店價格priceijt可能是移動點擊轉(zhuǎn)化的一個有效的質(zhì)量信號。價格是酒店質(zhì)量的外顯因素，較高價格的酒店有可能緩解移動用戶的信息不對稱性，因此導(dǎo)致移動搜索中酒店價格正向影響用戶預(yù)訂酒店意愿。然而，移動用戶在酒店點擊轉(zhuǎn)化決策中表現(xiàn)出局部比對的價格敏感特征（priceSortijt影響顯著且系數(shù)為正，δ5=0.018），這意味著在會話的局部搜索中，用戶傾向于從單次搜索結(jié)果列表的25個選項中選擇價格排序較低的酒店。

當移動用戶開始搜索后，搜索平臺界面按照產(chǎn)品流行度、大眾評分排序等規(guī)則輸出默認列表。而當用戶使用篩選器后，界面輸出自定義列表。從表3 可知，使用篩選器toolijt將對點擊轉(zhuǎn)化決策產(chǎn)生負向影響。進一步觀察交叉效應(yīng)可以發(fā)現(xiàn)，篩選器并不會增強或減弱屏幕排位的首因效應(yīng)和“U”型效應(yīng)。但當出現(xiàn)自定義列表時，相比默認列表，它增強了用戶對第一排位的點擊轉(zhuǎn)化概率（toolijtrankFirstijt的系數(shù)顯著為正，δ8=0.197）。

4.3 屏幕排位與篩選器使用的交叉彈性分析

屏幕排位的效應(yīng)分析有益于量化競價排位的商業(yè)績效表現(xiàn)，幫助OTA 在競價排位拍賣時面向酒店廣告主進行合理定價。因此，本文利用已估計的動態(tài)貝葉斯推斷模型，在其他變量保持為均值的條件下，進行屏幕排位和篩選器使用的交叉彈性分析①在進行彈性分析時，采用控制變量法，與屏幕排位和篩選器無關(guān)的變量取值為均值，利用收斂后的10000次δ的后驗估計分布預(yù)測點擊轉(zhuǎn)化的后驗概率分布，而非依賴表3中匯總的統(tǒng)計量進行預(yù)測，以便更貼近個體用戶異質(zhì)性的決策過程。。為了方便理解，本文用均值和標準差這兩個參數(shù)描述搜索結(jié)果中第1 排位至第25 排位的點擊轉(zhuǎn)化預(yù)測的后驗概率分布，在圖2中以散點和誤差棒的形式繪制這些分布的可視化效果。

圖2 屏幕排位和篩選器使用對點擊轉(zhuǎn)化決策的彈性分析

圖2 中，虛線表示默認列表的平均點擊轉(zhuǎn)化概率為40.15%；而實線則表示自定義列表為34.21%。無論是瀏覽默認列表還是自定義列表，屏幕排位對移動用戶點擊轉(zhuǎn)化決策的效應(yīng)都呈現(xiàn)非線性的“U”型特性。本文的結(jié)果與已有研究關(guān)于PC 端的研究結(jié)果存在差異。在PC 端研究中，篩選器的使用對購買意愿產(chǎn)生了正向影響[15]或沒有明顯影響[17]。而移動端的證據(jù)表明，默認列表帶來的經(jīng)濟效益可能高于使用篩選器后的自定義列表。

通過誤差棒分析發(fā)現(xiàn)，使用篩選器后的點擊轉(zhuǎn)化平均概率的波動區(qū)間更大，放大了移動用戶點擊轉(zhuǎn)化決策的不確定性。換言之，相比默認列表，自定義列表使移動用戶投入更多搜索成本，但這有可能促使他們的產(chǎn)品考慮集范圍擴大，決策不確定性的提高使得最終點擊轉(zhuǎn)化概率降低，因而造成效益損失。

圖2還表明，在自定義列表中，第1排位的效應(yīng)影響程度要比第2排位高出1.45%；而在默認列表中，第1 和第2排位之間的效應(yīng)差距要小得多，僅為0.05%。可能的解釋是，當使用篩選器時，移動用戶根據(jù)個性化需求對產(chǎn)品進行篩選和排序，自定義列表搜索結(jié)果出來后，用戶感知第1 排位的酒店產(chǎn)品與他們需求的匹配程度更高（盡管實際上可能并非如此），從而提升了該排位的點擊轉(zhuǎn)化概率。

5 結(jié)束語

首先，本文建立了一個將動態(tài)消費者搜索過程轉(zhuǎn)化為序貫決策鏈路的點擊轉(zhuǎn)化決策的理論框架，借助MCMC方法，結(jié)合一家主流OTA 的移動端大數(shù)據(jù)開展研究。該模型考慮了個體決策點的時序依賴性，預(yù)測效果優(yōu)于二項logit 模型、支持向量機和隨機森林。其次，本文拓展了屏幕排位對高介入度產(chǎn)品決策的影響的研究，發(fā)現(xiàn)移動搜索中的屏幕排位以非線性“U”型特性存在，且首因效應(yīng)明顯。再次，價格是移動搜索過程中一個全局的正向質(zhì)量信號，但研究結(jié)果顯示，移動用戶在單個搜索結(jié)果列表中傾向于選擇價格排序較低的酒店。最后，研究顯示，相比默認列表，移動用戶使用篩選器得到的自定義列表很可能會降低點擊轉(zhuǎn)化概率且提高決策不確定性。

在管理實踐上，本文從投資回報角度提供了競價排位系統(tǒng)的定價策略，OTA可根據(jù)屏幕排位的績效差異給酒店廣告主進行差異化定價。同時，應(yīng)關(guān)注尾部排位的效果，并對其進行個性化調(diào)整以提升整體點擊轉(zhuǎn)化率。從搜索引擎的設(shè)計角度出發(fā)，OTA可根據(jù)移動用戶在會話中全局錨定其可能的預(yù)期價格這一特性，在后續(xù)的結(jié)果列表中，調(diào)整酒店選項的價格排序，以便更快地滿足用戶需求，降低搜索成本。相比模擬實驗和問卷數(shù)據(jù)，從真實個體用戶搜索數(shù)據(jù)構(gòu)建的動態(tài)貝葉斯推斷預(yù)測模型更有利于優(yōu)化搜索引擎推薦策略。在實際應(yīng)用中，應(yīng)兼顧用戶的動態(tài)偏好和篩選器使用情況，以提供更符合用戶需求的定制化產(chǎn)品列表。