1、在线评论对空调销量的影响基于天猫平台数据的实证研究在线评论对空调销量的影响基于天猫平台数据的实证研究作者：张晓锋来源：中国市场营销研究方向 2017年第10期 张晓锋 （三江学院，江苏南京210012） 摘要国内外相关学者针对线上消费者购物行为做了大量的研究，但是针对白色家电家用空调领域的研究目前较少。根据相关数据统计，线上家用空调的零售额占比已经从2012年的2%达到了2016年的20%，并逐步呈现上升的趋势。家电制造企业、零售商开始重视线上渠道的作用，并不断对企业的营销战略和策略做出调整。文章在结合国内外相关学者理论研究的基础上，以家用空调为研究对象，通过对天猫平台在线评论信息的挖掘，运用
2、多元回归的方法，分析在线评论与空调销量之间的相互关系。研究结果表明，评论时效性、追加评论、晒图数量显著影响空调销售，好评、差评、客户信用等、评论字数、商品价格等并不显著影响空调销售。 关键词空调；在线评论；商品销量；多元回归 DOI10.13939/ki.zgsc.2017.28.121 根据中国互联网络信息中心数据，截至2016年12月，中国网民规模达7.31亿人，全年共计新增网民4299万人。互联网普及率为53.2%，较2015年底提升了2.9个百分点。另外，20012010年中国空调行业的销量、销售额呈现出了井喷式的增长。但是进入2011年以后，随着空调市场产能的饱和，尤其是国家对房地产
3、市场调控力度的加强，中国空调行业的销售和销量呈现出上涨缓慢的迹象，市场进入了相对成熟的阶段。对于空调制造、零售企业而言，如何有效地提升企业的产品销售，加快库存消化显得格外重要。同时，根据相关统计数据显示，线上销售在整体市场上涨乏力的情况下，呈现出了上升的趋势。2016年，空调产品线上销售占到了整体市场份额的20%左右，并有进一步上升的态势。 在此背景下，网络消费群体的挖掘显得格外重要。根据国内外相关学者的研究成果以及消费者购买空调的决策发现，通常消费者购买空调所考虑的要素通常包括产品品牌、物流、售后服务、价格、产品质量、折扣信息等常见因素，而由于网络产品无法直接感知，因此已购买者的在线评论信息
4、会直接影响空调产品的销售。就空调企业而言，分析、了解网络购物消费群体的购买动机、购买行为是挖掘目标客户的有效举措。 影响网络消费者购物决策的因素有多种形式，目前国内学者针对在线评论研究的要素主要包括评论内容、评论的时效性、评论者类型、评论数量、商品价格、好评、差评方面展开。与已有研究不同的是，现有的研究大多以体验型产品展开研究，搜索型产品研究的内容相对较少。由于空调具有耐用性强、更新频次慢，金额相对较强等特点，消费者购物会相对理性。同时，空调品牌已经相对成熟，并在各自的细分市场取得了较好的业绩。天猫作为国内最大的B2C电商平台，成为中国众多消费者网络购物首选平台，因此基于天猫开展空调产品的在线
5、评论影响因素研究具有较好的研究价值。 1文献综述 闫强等1通过对易迅网手机商品的实证研究证明在线评论与商品销售间具有明显的相关性，研究结果表明已有评论数量越多、销量排名越高越会增进产品的销量。李健2通过对亚马逊手机商品为研究对象，认为品牌得分、评论有用率、商品的关注度对产品的销售具有较为明显的正相关关系，而产品价格、评论者等级对产品的销售相关性较低。郭功星3通过对淘宝网销售排名前50的电热水壶产品开展了研究，研究结果表明商品的浏览量、评分等相关信息不会显著提升商品的销售，而评分次数、好评度会显著提升商品的销量。郝媛媛等4相关学者通过对电影评论的研究发现，在线影评中正向情感、较高正负情感混杂度、
6、较长句子对评论的有用性具有显著的正面影响。 现有的研究更多地以体验型产品或更新速度较快的3C产品、小家电为研究对象，而针对白色家电的研究比较少。由于空调产品具有重复购买频次低、更新换代周期长的特点，消费者在购买前，会对产品的功能、规格等相关信息进行收集，属于典型的搜索型产品。消费者在网络购物决策过程中，会对已购买者给出的评论进行甄别、分析，进而重新审视或坚定自己的购买决策。因此，以家用空调产品的线评论作为研究对象，具有较好的研究价值。 2研究假设 本文以天猫在售的家用空调为研究对象，结合国内外学者研究的成果，从客户的信用等级、在线评论数量、评论效用（正面评价、负面评价两个方面）、评论字数、在线
7、商品、评论时效性、商品价格、收藏数量8个维度展开研究，分析在线评论对商品销售的影响。 2.1客户信用等级 1902年穆迪开始将信用等级评定进行应用，经过100多年的发展，当今信用等级已经延伸到各种金融产品及各种评估对象。尤其是随着网络销售的发展，互联网的虚拟、无法感知的特征，政府、企业网络日益重视网络信用问题。孙俊学5认为其信用体系会影响消费者的购物兴趣，郭国庆等6学者通过研究证明，评论者资信度越高，在线评论内容越可信。因此，本文提出假设H1。 假设H1：客户信用等级越高，越会显著提高商品销量。 2.2评论数量 累计评论数量是购物者完成购物行为后给出评论信息的累加，一般而言，针对商品的评论数量
8、越多，越能够加强潜在购买者对商品的深入感知。尤其是天猫取消累计销量显示后，累计评论数量成为消费者感知商品实际销量的重要因素，一般认为，评论数量越多，空调的实际销量越大。闫强、Chen等 1,7学者的研究表明在线评论总的数量对产量的销量有显著的影响，评论数量越多，商品销售越多，本文提出假设H2a。同时，基于对天猫空调商品评论的观察，评论首页显示置顶的回复主要以追回评论和晒图为主，这一类评论更容易影响消费者的购买决策。据此本文提出H2b、H2c。 假设H2a：累计评论数量越多，越会显著提高商品销量。 假设H2b：追加评论数量越多，越会显著提高商品销量。 假设H2c：晒图数量越多，越会显著提高商品销
9、量。 2.3评论效用 在购物决策过程中，评论内容的好坏会显著影响消费者的购物决策。根据对15名经常有网络购物行为的消费者调研，商品的好评、差评会对其购物决策产生重要影响。郝媛媛等4学者认为客户的在线评论情感对产品销量有着显著的影响，消费者购物时会参考先前已购买商品的评论，尤其是负面评论会更加影响消费者的决策，张耕等8学者通过对淘宝网的实证研究认为负面的在线评论对产品的网络销售量有显著的负面影响。本文在总结现有研究成果的基础上，认为评论的好坏与否会显著影响消费者的购物决策。因此本文提出假设H3。 假设H3a：正面评论比例越高，越会显著提高商品销量。 假设H3b：负面评论比例越高，越会显著降低商品
10、销量。 2.4评论字数 评论字数是对消费者发表评论的字数统计。在去除无效评价信息后，信息的长度会显著影响消费者的购物决策。Chevalier Ja等9学者认为，网络评论中字数较长的评论更易受到消费者的关注，通过阅读较长的评论会加深对不确定事物的感知，减少心理决策的不确定性要素。因此本文提出假设H4。 假设H4：评论字数越长，越会显著提高商品销量。 2.5商品价格 根据国内外学者研究的结果发现，商品价格不会显著影响销售。同时，考虑到空调耐用性较长，更新换代的频次低等特点。尤其是国内空调行业处于成熟的市场，消费者购买空调的过程中会更注重商品的品牌、功能、质量、售后等要素，价格不会对消费者的购物行为
11、产生决定性的影响作用。因此本文提出假设H5。 假设H5：空调价格与销量间没有显著关系。 2.6评论时效性 评论的时效性反映的是评论的时间跨度，根据对研究产品上市时间的分析，部分产品上市销售超过两年，部分商品上市仅3个月，新上市产品的任意增加的一条评论都有可能会对消费者购物决策带来深刻的影响。李健、王文君2，10分别以亚马逊和京东商城手机产品为研究对象，李健研究结论认为评论的时效性会显著影响产品的销量，王文君研究结论表明评论时效性与销量不存在显著的影响。因此本文提出假设H6。 假设H6：评论的时效性对商品销量有显著影响。 2.7宝贝收藏 宝贝收藏用户对所浏览商品感兴趣而收藏宝贝的一个功能，有助于
12、增加单个宝贝的人气，给店铺带来流量。天猫提供了宝贝收藏的功能，并且对收藏数做了结果显示。本文认为收藏商品的数量越多，越会显著提高商品的销量。据此，本文提出假设H7。 假设H7：宝贝收藏数量越多，越会显著提高商品销量。 3研究对象及数据采集 3.1数据采集 本文以天猫空调产品为研究对象，天猫针对每款空调商品做了详细介绍，包括产品型号、款式、颜色、重量等特征的描述，运输、库存、价格、服务等营销手段的描述，以及评论内容、晒图、评等购买者发表评论的相关信息的描述。研究数据采集分为两个时间节点开展，第一时间节点是2017年2月8日，通过对天猫呈现的信息分析，入驻天猫的空调品牌共计35个品牌，在售空调型号
13、数量3138款。本文以“空调”为关键词对搜索结果页默认排名前10页的商品进行抓取，删除掉评论信息为0以及重复数据，共抓取到37个天猫店铺，88款在售空调信息。通过对采集数据的分析，品牌包括TCL、奥克斯、格兰仕、格力、海尔、海信、科龙、美的、松下、志高10个空调品牌。1.5匹功率空调样本34个，1匹功率空调样本24个，2匹和3匹空调样本各15个。抓取空调品牌样本分布如表1所示。 表1抓取空调品牌型号数量 空调品牌 数量 TCL 5 奥克斯 9 格兰仕 5 格力 19 海尔 8 海信 9 科龙 5 美的 14 松下 2 志高 12 运用八爪鱼数据采集工具分别针对抽样的88款空调的在线评论信息进行
14、采集，共采集到189754条用户在线评论信息。然后以3月10日第二时间节点，抓取每个样月销量数据，并再次采集所有的在线评论数据。 3.2变量选取 本文研究的主要内容在线评论信息与商品销售之间的关系。结合上述国内外学者研究的文献和提出的假设检验，本文通过客户信用等级、评论数量、晒图数、追加评论、好评率、差评率、评论字数、商品价格、评论的时效性和宝贝收藏数等变量进行分析，研究空调销量与10个变量之间的相互关系。 结合实际采集的数据，本文首先将2017年2月8日的采集数据进行处理加工。首先，根据型号进行分类，运用Excel表Len函数得到每位评论者具体给出的评论字数，通过算术平均得到评论字数对应的数
15、据。使用相同的原理得到信用等级、商品价格对应数据。根据天猫的评价体系，评分给出5星和4星是好评，1星和2星是消费者对购买过程不满意，因此本文基于消费者给出的评论星级作为评判好评、差评的指标。通过对第二次数据采集的处理，将2月8日3月10日时间周期内的评论数据予以保留，作为评论时效性参数指标。变量具体指标说明如表2所示。 表2观察变量描述 变量 指标说明 客户信用等级 截至2017年2月8日所有评论者等级的均值 评论数量 截至2017年2月8日商品评论的数量 晒图数量 截至2017年2月8日商品晒图的数量 追加评论 截至2017年2月8日用户追加评论的数量 好评率 截至2017年2月8日4星、5
16、星用户打分的比率 差评率 截至2017年2月8日1星、2星用户打分的比率 评论字数 截至2017年2月8日前用户在线评论字数的均值 商品价格 截至2017年2月8日-3月10日每日价格的均值 评论时效性 截至2017年2月8日-3月10日增加的评论数量 宝贝收藏 截至2017年2月8日商品收藏的数量 3.3结果分析 相关性分析是检验变量是否存在相关性的有效方法。本文运用SPSS 21对88款空调产品的相关数据进行相关性检验，各变量的相关性结果如表3所示。 表3相关性分析结果 1 2 3 4 5 6 7 8 9 10 11 1.月销量 1 0.683* -0.324* 0.610* 0.667*
17、 0.525* 0.771* -0.081 -0.073 -0.280* 0.269* 2.评论数量 0.683* 1 -0.338* 0.918* 0.992* 0.929* 0.516* -0.038 0.136 -0.246* 0.272* 3.商品价格 -0.324* -0.338* 1 -0.239* -0.318* -0.250* -0.217* 0.066 0.197 0.088 -0.083 4.宝贝收藏 0.610* 0.918* -0.239* 1 0.917* 0.888* 0.471* -0.054 0.142 -0.228* 0.242* 5.追加评论 0.667*
18、0.992* -0.318* 0.917* 1 0.935* 0.490* -0.026 0.174 -0.237* 0.270* 6.晒图数量 0.525* 0.929* -0.250* 0.888* 0.935* 1 0.518* -0.019 0.226* -0.142 0.2 7.评论时效性 0.771* 0.516* -0.217* 0.471* 0.490* 0.518* 1 -0.133 -0.021 -0.188 0.193 8.信用等级 -0.081 -0.038 0.066 -0.054 -0.026 -0.019 -0.133 1 -0.227* 0.183 -0.401
19、* 9.评论字数 -0.073 0.136 0.197 0.142 0.174 0.226* -0.021 -0.227* 1 0.012 0.222* 10.好评率 -0.280* -0.246* 0.088 -0.228* -0.237* -0.142 -0.188 0.183 0.012 1 -0.887* 11.差评率 0.269* 0.272* -0.083 0.242* 0.270* 0.2 0.193 -0.401* 0.222* -0.887* 1注： *表示在0.01 水平（双侧）上显著相关。*表示在 0.05 水平（双侧）上显著相关。 从表3相关性分析的结果可以发现，在显著
20、性水平为0.05时，月销量与评论数量、商品价格、宝贝收藏、追加评论、晒图数量、评论时效性、好评率、差评率存在着相关性。进一步观察发现，评论数量、宝贝收藏、追加评论、晒图数量的相关性特别高。可能存在多重共线性问题，通过共线性检验发现评论数量、追加评论的VIF大于10，达到73.504和75.118，容差小于0.1，晒图数量的容差为0.1，VIF为10.011，三个变量极有可能存在共线性问题。 为进一步研究变量间的相互关系，同时考虑到可能存在的共线性问题。本文采取逐步多元回归的方法来研究变量间的线性关系，回归模型如下： Yi=a0+a1X1i+a2X2i+a3X3i+a4X4i+a5X5i+a6X
21、6i+a7X7i+a8X8i+ei 其中X1代表评论数量，X2代表商品价格，X3代表宝贝收藏，X4代表追加评论，X5代表晒图数量，X6代表评论时效性，X7代表好评率，X8代表差评率，ei 为误差项。逐步回归结果如表4所示。 表4回归分析结果 模型 R R 方 调整 R 方 标准估计的误差 Sig.F 更改 1 0.771a 0.594 0.589 648.8969 0.000 2 0.840b 0.705 0.698 556.1793 0.000 3 0.913c 0.834 0.828 420.2741 0.000 4 0.923d 0.853 0.845 397.9630 0.002 5
22、0.923e 0.852 0.846 396.6520 0.005 a.预测变量:(常量),评论时效性。be逐步加入评论数量,晒图数量,追加评论。 根据表4给出的结果，将评论数量、商品价格、宝贝收藏、代表好评率、差评率等不显著的变量删除，并依次将评论时效性、评论数量、 晒图数量、追加评论逐步引入回归模型，发现评论数量与晒图数量共线性，因此排除变量评论数量。最后得到回归分析结果，结果如表5所示。 表5逐步回归结果 项目非标准化系数 B 标准误差 标准系数 F值 t Sig. 共线性统计量 容差 VIF X4 4.705 0.407 1.373 X5 -1.763 0.193 -1.107 X6
23、3.969 0.291 0.671 160.850 11.570 0.000 0.125 7.978 -9.149 0.000 0.121 8.289 13.661 0.000 0.731 1.368 从表5可以看出，X4、X5、X6三者间的共线性问题不显著。并且F值为160.850，P值均为0，说明回归方程非常显著。X4、X6对空调销量有显著的正向影响，支持假H2b和假设H6。X5对空调销量有显著的负向影响。通过对抽样商品评论的查看，部分商品晒图主要以商品质量、客户服务、售后安装等方面的投诉抱怨为主，最终会显著地负向影响商品销量。实证研究结果如表6所示。 表6实证研究结果 研究假设 假设检验
24、 假设H1：客户信用等级越高，越会显著提高商品销量 拒绝 假设H2a：累计评论数量越多，越会显著提高商品销量 拒绝 假设H2b：追加评论数量越多，越会显著提高商品销量 接受 假设H2c：晒图数量越多，越会显著提高商品销量 拒绝 假设H3a：正面评论比例越高，越会显著提高商品销量 拒绝 假设H3b：负面评论比例越高，越会显著降低商品销量 拒绝 假设H4：具有实际价值的评论字数越长，越会显著提高商品销量 拒绝 假设H5：空调价格与销量间没有显著关系 拒绝 假设H6：评论的时效性对商品销量有显著影响 接受 假设H7：宝贝收藏数量越多对会显著提高商品销量 拒绝 4结论与建议 本文以家庭日用电器空调作为
25、研究对象展开实证分析，通过对天猫88款空调产品的在线数据挖掘分析。得出商品的评论数量与追回评论数量、晒图数、评论的时效性三个变量间存在着显著的线性关系。而客户信用等级、评论数量、好评率、差评率、评论字数、商品价格和宝贝收藏数不能显著影响商品的销量。据此，本文结论提出我国在线空调销售商家改进在线评论管理的相关启示。 4.1吸引用户及时发表评论 由于消费者无法直接感知商品的性能、质量，已有购买者的评论信息会对意向客户的购买决策带来极大的影响。通过实证研究发现，评论给出的时间越接近，越容易对消费者的购买决策产生重要影响。在线空调零售企业应积极吸引用户完成购买后及时地给出评价，然而现实问题是许多消费者
26、不愿意或者忘记及时地评价。企业应通过积极有效的激励措施促使消费者愿意在线发表评论，企业可通过采取返券、返现金、送积分等举措促使用户参与针对在线购物体验的评论。 4.2多项举措促使用户追加评论 在注重用户评论时效性的同时，要完善追加评论措施的构建。用户在收货、安装完成后，鼓励用户进行追评，对于给出二次以及多次评价的消费者推行终身免费移机一次，空调五年免费保养等举措。鼓励的方式多样，这就要求空调企业能够结合企业实际，有针对性地开展系统的鼓励措施。 4.3完善服务体系，提升消费者满意 已有的研究表明，晒图会显著地降低商品的销售，究其原因主要还是消费者购买体验过程的不满足。这就需要在线空调零售企业不能
27、一味地重视广告投放宣传，还应强化自身建设，贯彻以客户为第一要素的理念。尤其是针对在线用户给出的抱怨、投诉进行及时梳理，并予以有效解决。能够定期针对用户关注或投诉的核心问题，开展有效整改。进而提高用户的满意度，降低用户晒出购物体验不好的图片评论信息。 参考文献: 1闫强,孟跃.在线评论的感知有用性影响因素基于在线影评的实证研究J.中国管理科学,2013(S1):126-131. 2李健.在线商品评论对产品销量影响研究J.现代情报,2012(1):164-167. 3郭功星.消费者网购决策的影响因素分析基于电热水壶网络销售信息的实证研究J.消费经济,2013(4):52-57. 4郝媛媛,叶强,李
28、一军.基于影评数据的在线评论有用性影响因素研究J.管理科学学报,2010,13(8):78-89. 5孙俊学.电子商务中信用炒作行为的法律规制研究J.商业时代,2014(36):114-116. 6郭国庆,陈凯,何飞.消费者在线评论可信度的影响因素研究J.当代经济管理，2010（10）：17-23. 7Yubo Chen,Jinhong Xie.Online Consumer Review :Word-of-Mouth as a New Element of Marketing Communication Mix J.management science,2008,54(3):477-491. 8张耕,郭宁.负面在线评论对产品销量的影响:基于淘宝网的实证研究J.消费经济,2012(6):86-89. 9Chevalier,JA,Mayzlin,D.The effect of Word of Mouth on Sales:Online Book ReviewsJ.Journal of Marketing,2006,43(3):345-354. 10王文君,张静中.电子商务网站在线评论对手机销量影响的实证研究J.河北工业科技,2016(3):188-193. 作者简介张晓锋（1977)，男，三江学院商学院，讲师，研究方向：市场营销。
