网络购物情境下的顾客行为黏性、消费动机与顾客价值的关系研究——基于随机概率模型的实证研究，本文主要内容关键词为：顾客论文,黏性论文,情境论文,概率论文,动机论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
0 引言 在网络购物蓬勃发展的今天，电商企业间的竞争日渐白热化。顾客满意对于顾客流失以及从企业视角出发的顾客价值的解释力正变得越来越小。中国互联网信息中心发布的数据显示，2011年与2012年的顾客网络购物满意度一直维系在90％的高位，但是主流网站的顾客流失率却高居不下。因此很多国内外的学者(Zott et al.，2000；Sugumaran，2002；Horn，2003；Guenther，2004；Lin，2007；王海萍，2009；刘子龙和徐健，2011)包括企业在顾客满意之外开辟了一条新的、以顾客黏性为导向的研究道路。至今已经有不少学术性的研究对顾客黏性进行了定义，并且实证了其对于顾客忠诚以及顾客价值的贡献。不过还是存在如下不足之处。首先，这些研究几乎都是集中在顾客的态度与意向层面，缺少对于顾客行为层面的探索与实证，但是顾客行为层面的研究对于电商企业策划以及开展其顾客黏性计划有着重要的实践指导意义。其次，因为以往在研究顾客价值的时候，我们一般都是从交易数据出发来研究顾客过往的交易行为对于顾客价值的影响，但随着企业越来越多地拥有一些非交易数据(比如：顾客黏性数据)，我们能否结合顾客的交易以及非交易数据从而进一步丰富与深化我们对于顾客价值及其影响因素的理解？最后，虽然已经有不少实证研究证明了网购顾客的意向黏性可以显著影响其态度忠诚，进而影响顾客对于电商企业的经济贡献。但是这一因果关系从态度层面转移到顾客的行为层面后是否还能成立？至今为止的学术论文没有给出一个确切的答案。基于上述现有研究中的不足，本研究将结合网络购物顾客的交易、非交易与态度数据，通过实证的方法来研究顾客的行为黏性是否可以显著影响其顾客价值，同时还会检验顾客的消费动机是否会对这种影响起到调节作用。由于本研究中的自变量(顾客行为黏性)与因变量(从企业视角出发的顾客价值)都是行为变量，考虑到行为变量历史值的预测性比较低以及可能包含了某些突发性的异常值，本研究将会先使用随机概率模型来计算行为变量的期望值，然后将期望值作为输入变量来进行下一步的分析与研究。本研究的研究结果对于电商企业制订其顾客黏性计划、建设其会员管理体系等实践管理活动都有比较大的参考与借鉴意义，同时还可以对相关理论以及实证文献进行丰富。 1 理论基础及研究假设 1.1 顾客价值 顾客价值(customer value)一般可以分为从顾客视角出发的顾客价值以及从企业视角出发的顾客价值。科特勒将从顾客视角出发的顾客价值称为顾客感知价值(customer perceived value)，顾客感知价值是指顾客评估一个供应品的所有感知收益与所有感知成本之差(ofler，kevin，2006)。本研究聚焦的顾客价值则是从企业视角出发的顾客价值，其反映了顾客对于企业的价值。因此，在接下来的研究中所涉及的“顾客价值”也都为企业视角的顾客价值。从企业视角出发的顾客价值管理将顾客看作是企业的一种资产，侧重研究不同类型的顾客给企业带来的经济价值，这种顾客价值是构筑顾客终生价值(customer lifetime value)与顾客资产(customerequity)的基础。Kotler(2000)认为在进行顾客价值与关系管理的时候，应该把重点放在如何识别以及如何与最有价值的顾客建立长期稳定的利益关系。因此，企业首先需要考虑如何识别与测量顾客价值，接着就是需要知道哪些因素会影响顾客价值。 在顾客价值测量与识别领域最常用的一种方法是Hughes(1994)所提出的RFM顾客价值分析模型。此模型利用三个指标：即最后一次购买至今的时间(R)、单位时间内的购物次数(F)和单笔交易的金额(M)来判断与识别顾客价值。在这个网络购物蓬勃发展的时代，比起传统零售企业电商企业可以更便利以及更廉价地获得消费者在其网站上的购物数据，因此这种方法对电商企业来说拥有更大的吸引力与价值。但是在使用RFM模型的时候，其中R、F、M这三个指标如果直接使用历史数据，那么根据其计算出的顾客价值可能不具有很好的预测性，并且无法对顾客的活跃度进行直接的观察与判别。所以在学术界比较普遍的做法是利用随机概率模型来进行F与M期望值的计算，同时求出顾客的活跃概率(Schmittlein et al.，1987；Colombo and Jiang，1999；Fader et al.，2005；王高等，2007；孙瑛等，2011；马宝龙等，2011；王谢宁，2011)。这样做的好处有如下三点：(1)期望值比起历史值具有更好的预测性；(2)期望值可以减轻某些极端值的影响；(3)可以得到顾客的活跃概率，从而对其是否流失进行判别。 在顾客价值的前因变量研究中，顾客感知价值→关系质量→顾客忠诚是最为主流的一条研究路线，其中的关系质量主要由满意、信任与承诺来进行构建(Smith，1998；Garbarino and Johnson，1999；Wulf et al.，2001)，而顾客忠诚是产生顾客价值的直接驱动力。但是在网络购物顾客的高满意与高流失并存的情况下，也有一些学者开始研究顾客黏性(Horn，2003；Lin，2007；王海萍，2009)对于顾客的网络购物意愿与忠诚的影响。本研究在接下来的实证研究中会重点考察顾客黏性与顾客价值间的关系。 1.2 顾客黏性的含义、测量与作用 Reichheld和Schefter(2000)认为相比传统渠道，在网络环境中顾客仅需点击一下鼠标就能从一家网站切换至另一家网站，因此互联网时代的顾客忠诚会变得比较脆弱。与此同时，电商企业为了获得一个新顾客所要花费的营销成本非常高，所以维系顾客关系的能力就变得尤为重要(Srinivasan et al.，2002)。Rosen(2001)的研究表明电子商务网站必须维系其顾客至少2～3年后才有可能盈利。根据中国互联网信息中心发布的数据显示，随着近几年中国电商数量的增多，网民只在一个购物网站上进行网购的比率不断下降，单一网站购物率从2009年的80％一直降低到2012年的51.1％。图1为2012年主要购物网站用户流失率，可以得知一些主流电商企业的顾客流失率高居不下。现如今对于各家电商来说，如何维系其顾客关系已经成为了需要首要解决的问题。
图1 2012年主要购物网站用户流失率 注：数据来源为中国互联网信息中心2012年中国网络购物市场研究报告，2012. Sugumaran(2002)认为提升顾客黏性可以建立高水平的顾客忠诚，而顾客忠诚的提高对长期绩效有着正向影响。与顾客对于传统购物渠道的光顾相类似，网络渠道的顾客忠诚与顾客价值是首先建立在其对于某个购物网站的访问黏性之上。在学术界，Zott等(2000)认为顾客黏性是网站维系保留顾客的一种能力，顾客黏性表现为其不断地访问该网站，并最后转化成电商企业的销售额。Kim等(2004)与McCloskey(2004)的研究都表明黏性越高的顾客其在购物网站上停留的时间会越长，因此更容易受到广告等营销宣传的刺激从而提高其对于该网站的经济贡献。Guenther(2004)认为顾客黏性可以用顾客对于网站的访问频率与访问时长进行体现。Lin(2007)也认为顾客黏性是网站保留顾客并延长其每次访问停留时间的能力，她的实证研究结果表明顾客黏性显著影响顾客的重复购买意向。Horn(2003)在这方面的实证研究则表明顾客黏性显著影响其忠诚。在中国，也有一些学者通过实证研究验证了网购顾客的黏性显著影响其重复购买意愿以及忠诚(王海萍，2009；刘子龙和徐健，2011)。不过他们研究的顾客黏性主要是针对顾客的意向黏性，意向黏性是指顾客坚持在未来将重复访问和使用所偏好网站的意愿(吕洪兵，2012)。而在实务界，则是更偏向于关注顾客行为层面的黏性，电商企业一般用单位时间内顾客的访问次数、单次访问的时间长短来反映顾客的行为黏性，顾客访问次数越多、停留时间越长，那么他在单位时间内在该网站访问过程中所产生的通信流量就会越大，所以在某些情况下电商企业也会直接用“通信流量”这个指标来对顾客的行为黏性进行测算。但是，无论在学术界还是在实务界，对于顾客黏性作用的理解以及定义还是比较统一的，即网购环境下的顾客黏性是电商投资的结果，其主要作用是为了形成顾客忠诚从而提升顾客价值。本研究从顾客行为层面的黏性出发，定量地研究其对于顾客价值的影响与贡献，同时提出如下2个假设： H1：顾客单位时间内的网站访问次数会显著正向影响顾客价值。 H2：顾客每次访问网站的平均时长会显著正向影响顾客价值。 在本研究中不直接使用黏性变量的历史数据，而是通过随机概率模型计算出其数学期望值，然后将顾客行为黏性变量的期望值作为自变量与顾客价值的期望值一同进行分析研究。这么做的原因是因为数学期望值比历史值具有更好的稳健性，因此使用顾客黏性与顾客价值的期望值进行研究可以增强研究结果的可靠性。 1.3 顾客消费动机 顾客一般会基于两个基本动机来进行商品与服务的购买，即(1)享乐动机：追求感官刺激与情感的满足；(2)功利动机：追求功能、效用的满足(Triandis，1977；Holbrook and Hirschman，1982；Millar and Tesser，1986)。持功利动机的顾客在进行购物的时候往往会关注购物过程以及商品的功能、效果等客观特征(Clement et al.，2006)，而持享乐动机的顾客则追求情感、象征特征等主观感受(Kahnx et al.，1997)。同时这两种动机在大多数情况下都不是相互排斥的(Batra and Ahtola，1991)。顾客持不同的消费动机会直接影响到其购买行为与决策，网络购物可以同时向顾客提供功利价值与享乐价值(Childers et al.，2002)。To等(2007)的研究表明网络购物产生的功利价值以及享乐价值可以显著影响顾客对于网络购物的态度以及意愿。此外，也有学者通过研究发现顾客在进行网络购物的时候，如果持有高享乐性的消费动机会显著提升其冲动购买的可能性(Lee et al.，2010；Park et al.，2012)，而顾客在购物网站上的冲动性购买会增加其对于电商企业的经济贡献。持有高享乐性消费动机的顾客随着网站访问时长的增加其产生冲动购买行为的可能性也会比拥有低享乐性消费动机的顾客来得高，从而使得其网站访问时长对于顾客价值的影响也更大。即顾客的享乐性消费动机对于顾客网站访问时长→顾客价值的路径具有显著的正向调节作用。拥有高享乐性消费动机的顾客由于不仅仅将网络购物视为其完成产品购买任务的途径与手段，他们每次对于购物网站的访问并不是一定要完成相应产品的购买，所以相比持有低享乐性消费动机的顾客，其网站访问次数对于顾客价值的贡献也会相对较小。即顾客的享乐性消费动机对于顾客网站访问次数→顾客价值的路径具有显著的负向调节作用。与此同时，相比享乐性消费动机功利性消费动机是一个基础性动机(Hirschman and Holbrook，1982)，所以我们认为功利性消费动机是不会影响顾客网站访问次数以及访问时长对于电商企业的经济贡献。因此我们可以假设拥有不同程度功利性消费动机的顾客，其平均访问时长、单位时间内的访问次数对于顾客价值的影响是相同的，即顾客的功利性消费动机对于顾客行为黏性→顾客价值的路径不具有调节作用。综上所述，我们可以提出如下4个假设： H3a：功利性消费动机对于顾客单位时间内的网站访问次数影响顾客价值的路径不具有调节作用。 H3b：功利性消费动机对于顾客每次访问网站的平均时长影响顾客价值的路径不具有调节作用。 H4a：享乐性消费动机对于顾客单位时间内的网站访问次数影响顾客价值的路径具有负向调节作用。 H4b：享乐性消费动机对于顾客每次访问网站的平均时长影响顾客价值的路径具有正向调节作用。 本研究的研究假设示意图如图2所示。
图2 研究假设示意图 2 研究设计 2.1 样本数据描述 我们先通过网络问卷的形式收集了400名淘宝顾客的数据，数据包括三个模块，第一个模块为网络购物行为数据(考虑到不同购物网站间的差异，我们只针对淘宝网顾客进行调查)，其中包含了顾客3个月内的网络购物次数(次)、网络购物的单笔平均金额(元)、最后一次网络购物至今的时间(天)、购物网站访问次数(次)、购物网站的单次平均访问时长(分钟)、最后一次访问该网站至今的时间(天)；第二个模块为顾客消费动机，包含了4个享乐性消费动机题项与4个功利性消费动机题项；第三个模块为人口统计以及上网习惯信息。网络问卷的发放与回收依靠专业的网络调查公司进行，我们通过如下措施来保证网络问卷的调查质量。(1)同一IP与电脑的重复答题检测；(2)异常答题时间的检测；(3)通过题目间的逻辑检测来判断调查对象是否存在胡乱答题的现象，对不满足如下情况的样本进行剔除：网站访问次数需要大于等于网购次数、最后一次网站访问至今的时间需要小于等于最后一次网站购物至今的时间、接触因特网至今的时间需要大于等于接触网络购物至今的时间；(4)剔除三个月内没有进行网站访问以及购物的调查样本。最后400份样本中符合要求的有373份，一共删除了27份问卷。在这27份问卷中有24份是调查对象胡乱作答而被判为无效的，剩下的3份是由于对目标网站的访问以及购物次数为0而被剔除。考虑到对于网站无访问、无购买的问卷数量还不到总体样本的1％，所以我们认为这种对样本的剔除行为应该不会引起严重的样本选择偏误从而影响我们的研究结果。373名调查样本的特征如表1与表2所示。
2.2 研究方法与工具 本研究主要包含如下3个步骤：(1)我们先利用问卷中顾客网购的行为数据进行随机概率模型的建立与估参，随后计算出顾客行为黏性以及顾客价值的期望值，最后利用3个月后对100名调查对象(373名对象中随机抽取)的重测数据来对模型预测值进行检验。两次问卷调查总共花费5个月，并特意避开“十一”与“双十一”这两个网购促销时段；(2)对问卷中的消费动机量表数据进行信度、效度检验与验证性因子分析，并计算出两个消费动机维度(享乐性消费动机与功利性消费动机)的因子得分；(3)利用回归分析研究顾客行为黏性、顾客消费动机与顾客价值间的关系。本研究所用到的软件为Eviews 6.0、SPSS 18.0与AMOS 19.0。 3 针对顾客行为黏性与顾客价值的随机概率模型建模、参数估计与检验 3.1 网络购物频率与网站访问频率的随机概率模型 在对购物频率进行随机概率建模的时候，最常用的模型是Ehrenberg(1959)提出的负二项分布模型(NBD)。此模型先假设单个顾客在单位时间内的购物次数X服从一个泊松分布，即公式(1)：
公式(1)中的X表示顾客在单位时间内的购物次数，λ表示单个顾客的平均购物率。再进一步考虑到顾客间的异质性(即顾客间的平均购物率因人而异)，从而假设顾客的平均购物率λ在顾客群体中服从一个Gamma分布：
公式(2)中的Γ()为Gamma函数，γ为形状参数、α为尺度参数。通过公式(1)与公式(2)我们就可以推导出顾客在单位时间内的购物次数服从一个负二项分布，即公式(3)：
在得到了顾客单位时间内购物次数的随机概率模型后，可以通过贝叶斯定理进一步推导出顾客单位时间内购物次数的数学期望值，即公式(4)：
公式(4)中的
为顾客单位时间内购物次数的历史值；
为单位观察时间的长度。利用公式(4)我们可以从顾客购物频率的历史数据计算出其数学期望值。顾客购物频率的期望值具有向前看的性质，在环境没有很大变化的情况下期望值被证明可以有效地预测未来(王高等，2007)，同时其还具有很好的回归平滑性质，可以烫平一些极端值所带来的影响。 网站访问频率与网络购物频率有着密切的关系，网络购物频率是以网站访问频率为基础的。图3和图4分别是本研究收集的373名调查对象在单位时间内的网站访问次数以及购物次数的直方图，两者的概率分布除了高频率区域外还是比较近似的，两者间的相关系数为0.54(p＜0.05)。本研究先假设网站访问频率也服从一个负二项分布(NBD)，随后我们会对这一假设的合理性做进一步的统计检验。网站访问频率的随机概率模型推导与购物频率相同，其公式也完全等同于公式(1)、公式(2)、公式(3)、公式(4)，只是公式中的变量X与参数λ的含义变为了顾客在单位时间内的网站访问次数与单个顾客的网站平均访问率。
图3 网站访问次数直方图
图4 网站购物次数直方图 3.2 平均购物金额与平均网站访问时间的随机概率模型 本文使用Colombo和Jiang(1999)提出的Gamma-Gamma模型来对平均购物金额进行建模。Colombo和Jiang(1999)指出对平均购物金额进行捕捉的时候，Gamma分布有几个非常优良的性质：(1)正如平均购物金额不会出现负数一样，Gamma分布不包含负数；(2)Gamma分布的形状十分多变并且具有弹性，可以比较好地拟合多样化的数据。同时，近几年在国内有不少学者(王高等，2007；孙瑛等，2011；马宝龙等，2011)利用此模型进行了平均购物金额的建模与预测，也都得到了比较理想的结果。这里我们先假设顾客的平均购物金额服从一个Gamma分布：
公式(5)中的m为顾客的平均购物金额，μ为形状参数，θ为尺度参数。Gamma分布的均值等于μ/θ。Colombo和Jiang(1999)进一步提出这个均值(μ/θ)在顾客群中是变化的，这种变化可以通过尺度参数θ的变化来进行描述，从而进一步假设θ服从另一个Gamma分布：
我们结合公式(5)与公式(6)就可以推导出单个顾客的平均购物金额m服从一个Gamma-Gamma分布，即公式(7)：
基于公式(7)，Fader等(2005)再进一步假设购物金额与购物频率之间存在相关性，从而对模型进行了修正，修正后的模型为：
接下来可以通过贝叶斯定理进一步推导出单个顾客平均购物金额的数学期望值公式：
公式(9)中的
为顾客i在
次购物过程中的平均消费金额。 图5和图6分别是本研究收集的373名调查对象的平均网站访问时间以及平均购物金额的直方图，通过这两个图我们可以得知平均网站访问时间与平均购物金额在概率分布上存在较大的近似性。因此本研究先暂时假设网站平均访问时间也服从一个Gamma-Gamma分布，随后我们会对这一假设的合理性做进一步的统计检验。
图5 平均网站访问时间直方图
图6 平均购物金额直方图 我们利用公式(8)与公式(9)进行网站平均访问时间的建模，公式中的
为顾客i在
次的网站访问过程中的平均访问时间。 3.3 随机概率模型的参数估计 我们先利用公式(3)与公式(8)建立对数似然函数，然后再用373名淘宝网络购物顾客的问卷调查数据(最近三个月的网站访问次数、平均访问时间、网购次数、平均网购金额)配合极大似然估计法(maximum likelihood estimation method)进行模型的参数估计，随机概率模型的参数估计结果如表3所示。
根据表3我们可以得知不仅是网络购物频率与平均购物金额这两个模型，连网站访问频率与平均网站访问时间这两个模型的估参结果都十分理想。购物频率与平均购物金额的模型假设已经有大量的文献来对其进行证明与支撑，因此本文也不再做进一步的检验。但是，利用NBD与Gamma-Gamma模型对网站访问频率与平均网站访问时间数据进行拟合这一做法是本研究首次提出的，所以我们认为有必要在统计层面上对其分布假设的合理性做进一步的检验。我们检验的过程如下，首先利用常用的8种分布函数对网站访问频率与平均网站访问时间数据进行拟合，然后根据Anderson-Darling指标对每个分布的拟合度进行排序并从中挑选出最优分布。表4为分布函数对于数据的拟合结果，我们可以得知对于网站访问频率与平均网站访问时间数据拟合度最高的分布为对数正态分布。随后，我们利用对数似然值来分别比较：(1)NBD与对数正态分布(对数似然值：-1730.39)；(2)Gamma-Gamma模型与对数正态分布(对数似然值：-1632.03)对于数据的拟合效果。结果表明我们提出的假设模型(NBD与Gamma-Gamma模型)与最优分布模型(对数正态分布)在数据拟合度上没有显著的差异，因此我们认为利用NBD与Gamma-Gamma模型来对网站访问频率与平均网站访问时间数据进行拟合有其统计上的合理性。此外，NBD与Gamma-Gamma模型相较对数正态分布，其与网站购物频率与金额模型的相互呼应性更强，而且也更具理论内涵，可以有效地反映顾客个体间的异质性。
在得到各个模型的参数后，我们可以利用这些参数值以及公式(4)、公式(9)来计算网站访问频率的期望值、网络购物频率的期望值、平均网站访问时间的期望值、平均购物金额的期望值。其中平均购物金额的期望值×网络购物频率的期望值=一个单位时期内顾客价值的期望值(Schmittlein et al.，1994；王高等，2007)。 3.4 随机概率模型预测值的检验 我们利用三个月后对于100名调查对象(373名中随机选出)的重测数据与模型预测值进行比较。网站访问次数、网站单次访问时间以及顾客价值的比较结果如图7、图8、图9所示，顾客的访问次数、单次访问时间以及顾客价值的预测值与实际值还是比较接近的，相关系数全部显著并且大于0.5。同时，我们还采用王高等(2007)使用的方法来计算预测值与实际值的平均绝对值百分比误差(MAPE)，其表达式为：
图7 网站访问次数的比较结果
图8 网站单次访问时间的比较结果
图9 顾客价值的比较结果 公式(10)中的
为3个月中实际顾客i的网站访问以及购买数据，
为模型预测值。计算的结果表明在一期内(三个月)模型对于顾客整体的网站访问次数、单次平均访问时间以及顾客价值的预测总体误差分别为4％、6.67％与9.29％。虽然顾客个体的误差比这个要大，但是考虑到预测值是数学期望值，仅一次观测的数值可能会由于很多因素而包含较大的波动，与期望值之间的误差往往是无法避免的。此外，我们也参考与比较了同类研究的结果，平均绝对值百分比误差(MAPE)一般控制在10％之内是比较理想的数值(王高等，2007；马宝龙等，2011)。综上所述，我们通过顾客个体层面的相关性分析以及整体层面的平均绝对值百分比误差的计算可以确定模型计算出的期望值还是比较可靠并且具有较强预测力的。 4 消费动机量表的检验 4.1 量表的信度与效度检验 针对网购顾客的消费动机量表在参考Voss等(2003)以及Overby和Lee(2006)所设计量表的基础上，再结合10名网购顾客的访谈结果，最终确定了8个题项，其中享乐性消费动机有4个题项，功利性消费动机有4个题项。通过问卷调查来对淘宝373名网购顾客的消费动机进行测量，消费动机包含了2个维度，分别为享乐性动机与功利性动机。消费动机量表整体的Cronbach's α值为0.8。每个维度的Cronbach's α值全部大于0.7，每个维度中的题项删除后Cronbach's α值全部小于该维度的Cronbach'α值，表明本研究中使用的消费动机量表具有良好的信度。消费动机量表的信度检验结果如表5所示。
消费动机量表的效度检验分为结构效度、收敛效度与区分效度3个部分，消费动机量表的效度检验结果如表6所示。2个维度中8个题项的标准化因子负荷都大于0.5，并且全部显著(p＜0.001)。同时，KMO检验值大于0.7表明量表具有很好的结构效度。2个维度的AVE(平均方差萃取率)分别为功利性动机0.47与享乐性动机0.66，这2个数值都接近或者大于0.5。每个维度的CR(复合信度)全部大于0.7，表明量表具有良好的收敛效度。在区分效度方面，2个维度的相关系数显著小于其AVE的平方根(表6中带下划线的数字)，说明消费动机量表具有很好的区分效度。
4.2 量表的验证性因子分析 我们对量表进行验证性因子分析，模型整体的适配性检验结果表明模型对数据的拟合度情况良好，验证性因子分析的结果如表7所示。
5 研究分析及讨论 5.1 研究假设检验与讨论 我们利用反映顾客过往行为黏性(网站平均访问次数、网站平均访问时间)、顾客价值(平均购物次数、平均购物金额)的问卷调查数据配合随机概率模型可以计算出如下3个关键变量：(1)网站平均访问次数的期望值；(2)网站平均访问时间的期望值(VTE)；(3)单期顾客价值的期望值(CEVE)。VFE与VTE用来对顾客的行为黏性进行测量，由于是期望值所以这两个指标有向前看的特征，在环境不发生大变化的情况下这两个指标可以比较稳定地反映并且预测顾客的行为黏性。而CEVE这个指标则可以用来测量顾客在某一期中(在本研究中一期为3个月)顾客价值的数学期望。我们通过回归分析来研究顾客行为黏性(VFE与VTE)对于顾客价值(CEVE)的影响，在回归模型中将VFE与VTE作为自变量，因为考虑到CEVE分布呈现正偏特征，所以我们将取对数后的CEVE作为因变量。考虑到人口统计特征中的学历与收入(Rosen and Howard，2000)等因素会显著影响顾客的网购频率与金额，同时还可能会与网站访问次数与时间具有相关性，所以我们把学历与收入作为控制变量放入模型之中。最后我们再计算出消费动机量表中2个消费动机维度的因子得分：功利性动机因子得分的变量名为UF，享乐性动机因子得分的变量名为HF。然后将这2个因子得分作为调节变量放入顾客行为黏性→顾客价值的回归模型之中，顾客行为黏性对于顾客价值的回归分析结果如表8所示。由于VFE、VTE与CEVE这3个主要变量都不服从正态分布，所以我们很难假设误差项服从正态分布，同时样本的数量也不是很大。为了保证估计的可靠性，我们在分析的时候除了使用OLS进行参数估计外还会使用bootstrap法(不假设任何的先验概率分布，通过对样本数据进行N次的放回随机抽样来估计相关参数的标准误，是一种数据驱动型的非参数统计方法)来进行标准误以及显著性的再估计，放回随机抽样的次数我们设定为3000次。
通过表8我们可以得知OLS与bootstrap在参数标准误以及显著性水平上的估计结果还是比较一致的，因此我们可以认为其系数值以及显著性水平的估计是可靠的。每个变量的VIF(方差膨胀因子)全部小于10并且接近于1，表明模型不存在严重的多重共线性。同时，White检验结果表明模型也不存在异方差问题。模型的调整后R[2]为0.289，考虑到模型中的因变量是基于顾客购物行为的变量，这个拟合度还是比较理想的。在2个顾客行为黏性变量中平均网站访问次数的期望值(VFE)与平均网站访问时间的期望值(VTE)对顾客价值有显著影响。同时，我们通过观察标准化系数值可以得知，比起平均网站访问时间的期望值(VTE)，平均网站访问次数的期望值(VFE)对于顾客价值的影响更大，两者之间的影响力比值大约为2.86∶1(0.368/0.128)。 通过观察交叉项的显著性水平，我们可以得知功利性消费动机对于顾客行为黏性→顾客价值的影响路径没有调节作用，这验证了我们的研究假设即功利性动机是网络购物顾客所共有的一个基本动机。而享乐性消费动机对于顾客行为黏性→顾客价值的影响路径具有很显著的调节作用，当顾客的享乐性消费动机越高时其平均网站访问时间(VTE)对顾客价值(CEVE)的影响也会变得越大。与此同时，当顾客的享乐性消费动机越高时其平均网站访问次数(VFE)对于顾客价值的影响会变得越小。从这一现象我们可以得知拥有高享乐性消费动机的顾客其顾客价值主要是由访问时间所驱动，而低享乐性消费动机的顾客其顾客价值是主要由单位时间内的访问次数所驱动。为了更清楚地观察与解释此种现象，我们通过如下步骤来进行更细致地分析。 (1)首先对享乐性动机的因子得分进行聚类分析，将其离散分组。聚类的算法使用两步聚类，最优的聚类类别个数通过BIC值、AIC值与类间最短距离变化量来确定。最终我们一共聚了三个类别，享乐性消费动机的聚类结果如表9所示。
(2)随后在每个类别组中我们单独进行回归分析，从而观察平均网站访问次数(VFE)与平均网站访问时间(VTE)对于顾客价值(CEVE)的影响。表10为每个享乐动机类别的分组回归结果，从这个结果我们可以再一次证实先前的假设，即持有高享乐性消费动机的顾客其顾客价值主要是由访问时间所驱动，而低(中)享乐性消费动机的顾客其顾客价值主要由单位时间内的访问次数所驱动。根据调节定向理论(Higgins，1997；Aaker and Lee；2001)拥有享乐主义的人更多地会设定促进定向(promotion focused)的自我调节目标，即尽可能地寻求享乐与获得。通过对于购物网站淘宝内的各个品类页面的广告进行观察可以很快发现除了护肤药品类以及母婴用品类以外的产品品类，其广告大部分都是促进定向性质的。网站广告信息内容与拥有高享乐性消费动机顾客的自我调节目标一致性很高，对于高享乐性顾客来说广告更具说服力，因此拥有高享乐性消费动机的顾客在线时间越长越容易受到营销广告的影响从而增加其对于需求计划内商品的购买概率与数量。此外，Lee等(2010)以及Park等(2012)等的研究表明拥有高享乐动机的顾客在网络购物时也更可能发生冲动性购买。随着顾客在线访问时间的增加，其产生计划外购物需求的可能性也会随之变大。另外，持有高享乐性动机的顾客更多时候是把购物看成一种休闲与娱乐而非任务(Holbrook and Hirschman，1982)，因此，其每次对于网站的访问并不是一定要完成一次商品的购买任务，所以相比访问时间其访问次数对于顾客价值的贡献相对较小。与此同时，享乐性动机低(中)的顾客主要是计划型购物为主，他们在访问网站前一般就有了比较明确的购物目标，所以每次访问网站都会完成一些商品的购买，这可能也是其访问次数显著影响其顾客价值的主要原因。同时相比高享乐性顾客，享乐性动机低(中)的顾客会更多地设定预防定向(prevention focused)的自我调节目标，即尽可能地回避风险与损失。所以，他们不易受包含大量促进定向要素的网站广告影响。同时由于他们在网络购物前就有了一定的计划与打算，相比高享乐性顾客比较难在购物过程中产生新的购物需求或发生冲动性购买。因此，这类顾客即使在线访问时间变长也不会显著增加其对于购物网站的经济贡献，而且有时候他们在线时间越长反而代表了其对相关产品的比较做得越仔细，旨在想买到最便宜、最放心、性价比最高的产品。此时访问时间越长甚至可能会降低其对于网站的经济贡献。表10中低享乐类别的回归结果表明，网站访问时长(VTE)前的系数为负值，虽然不显著但是对于说明这一现象也具有一定的启示意义。
5.2 稳健性检验 本研究使用的研究模型所涉及的自变量(顾客黏性)与因变量(顾客价值)都是通过历史数据计算出来的期望值，虽然最后的结论是描述未来顾客黏性(期望值)与未来顾客价值(期望值)之间的关系，不过这一关系应该是以历史顾客黏性与历史顾客价值之间的关系为基础的，两者间应该具有很强的一致性。为了进一步检验变量间关系的一致性与稳健性，接下来我们利用2个新的模型来与本研究中的研究模型进行比较。这两个模型分别取名为模型A与模型B，模型A的设定为：自变量采用顾客黏性的历史值，因变量采用顾客价值的历史值，此模型描述了变量间现存的历史关系。模型B的设定为：自变量采用顾客黏性的历史值，因变量采用顾客价值的期望值。模型A与模型B的回归结果如表11所示。
通过比较我们的研究模型与模型A、模型B的区别，可以得知模型A与本研究的研究模型在系数值、系数显著性以及模型整体的拟合度方面没有显著的差异。这表明了本研究得出的顾客黏性、顾客消费动机以及顾客价值间的关系在历史(历史值)与未来(期望值)间具有很高的一致性与稳健性。不过考虑到本研究中顾客黏性以及顾客价值变量是一次性采集的历史数据，采集时间窗的长短可能会影响数据的信息特征，同时数据中也可能包含了突发性的顾客行为，为了更有效地对变量间的关系进行分析与预测，我们认为相比历史值还是应该选择稳健性更高的期望值来作为研究变量。此外，我们通过比较模型B与本研究的研究模型可以发现，如果利用顾客黏性的历史值来解释顾客价值的期望值，则模型拟合度会显著变差，这也可以间接地验证了我们的假设，即顾客黏性的历史数据中包含了突发性的成分，而顾客价值期望值中的突发极端值已经被烫平，所以直接使用顾客黏性的历史数据来对顾客价值的期望值进行预测，其解释力会大大低于本研究的研究模型(顾客黏性期望值→顾客价值期望值)。 最后，我们考虑到由于本研究是采用NBD模型来计算网站访问频率与购买频率的期望值，在NBD模型的假设中并没有设定顾客的流失。为了进一步对研究结果的稳健性进行检验，我们继续采用假设存在顾客流失的BG/NBD模型再一次计算顾客访问频率与购买频率的期望值。我们使用“http://brucehardie.com/notes/”下载的Excel工具包来进行BG/NBD模型的参数估计与期望值计算。通过BG/NBD模型计算出访问频率以及购买频率的期望值后，再对顾客价值的期望值进行计算。然后针对顾客黏性与顾客价值的期望值(BG/NBD模型)进行了回归分析，结果表明BG/NBD模型与本研究模型的回归结果在系数显著性以及符号方向上都具有一致性，说明本研究的研究结论具有很强的稳健性。不过BG/NBD模型的拟合度明显比本研究的研究模型要略差一点(BG/NBD模型：调整后
=0.21；F值=13.56)。除此之外，BG/NBD模型计算出的顾客价值期望值与实际值的MAPE为13.57％，大于本研究中的模型(NBD模型)计算出的期望值与实际值间的误差(9.29％)。我们认为主要的原因可能是数据与模型不匹配造成的，BG/NBD模型中三个输入变量(X，Tx，T)中的T为数据采集截止时间减去第一次购买(访问)时间，但是我们在问卷数据中无法获得顾客第一次购买的具体时间(只有最后一次购买时间)，因此对于所有的顾客都只能设相同的T值(即90天)，这可能也是使用BG/NBD模型产生误差大的主要原因。虽然使用二手数据配合BG/NBD模型是最有效的研究手段，但是在使用一手问卷数据的时候，NBD模型会比使用BG/NBD模型来得更合理些，因为NBD模型不需要Tx(最后一次购买时间)与T数据的参与。所以我们认为就本研究采用的数据而言，在不存在大量完全流失顾客的条件下，相比BG/NBD模型采用NBD模型进行期望值的计算应该更为合理与有效。 6 结论 6.1 研究结论与理论贡献 顾客的行为黏性显著影响其顾客价值，其中顾客在三个月内对于购物网站的访问次数每提高1次，在其他变量不变化的情况下，平均而言在三个月内的顾客价值会增加1％。顾客对于购物网站的平均访问时长每提高1分钟，在其他变量不变化的情况下，平均而言在三个月内的顾客价值会增加0.5％。相对于顾客的平均访问时长，访问次数对于顾客价值的影响更大，它们之间的标准化系数比为2.86∶1。此外，我们还发现顾客的享乐性消费动机对于顾客行为黏性→顾客价值的影响路径具有显著的调节作用。当顾客对网购持有高享乐性消费动机的时候，其对于电商企业的经济贡献主要取决于平均访问时长，这类人的平均在线访问时长每提高一分钟他们三个月内的顾客价值会增加1.6％，而当顾客对网购持有中或低享乐性消费动机的时候，其对于电商企业的经济贡献主要取决于访问次数。 本文对于理论、方法的贡献在于：(1)在行为层面证明并且量化了顾客行为黏性对于顾客价值的影响；(2)证明了顾客的消费动机对于顾客行为黏性→顾客价值路径的调节作用，并且明确了高享乐性动机是网站平均访问时长显著影响顾客价值的必要条件；(3)尝试探索了使用随机概率模型对顾客行为黏性变量进行拟合、计算其数学期望值的方法，从模型拟合结果、分布检验以及实际值与预测值的比较来看，其效果也还是比较理想的。 6.2 对于营销实践的意义 (1)使得电商企业可以定量地制订其顾客黏性计划，并预测其投资回报率(ROI)；(2)指出顾客消费动机对于制订顾客黏性计划的重要性，并且建议电商企业在掌握顾客消费动机的前提下(可以利用本研究的消费动机量表通过网络有奖问卷的形式来获得顾客的消费动机)，根据其享乐性动机水平的高低开展差异化的顾客黏性计划。针对持有高享乐性动机的顾客，主要对其开展以延长平均访问时间为主的顾客黏性策略，而针对持有低(中)享乐性动机的顾客，对其开展以增多访问次数为主的顾客黏性策略。Horn(2003)在总结了大量电商企业的顾客黏性提升计划后将它们分为3大类，即嘉奖激励、互动以及娱乐。我们基于这一类别标准设计了一个半结构化的访问提纲，对10名网购顾客进行访谈，从而总结提炼出6项顾客黏性提升计划的具体方案，最后让参与第二次问卷调查的100名对象对每个方案是否可以促进其访问次数以及单次访问时长进行打分，顾客黏性提升方案的分析结果如表12所示。
通过表12，我们可以得知S1、S3与S4这三个黏性提升方案可以同时提升网站访问次数与单次访问时长，而S2偏向于延长单次访问时长，S5则偏向于增多访问次数，S6由于得分低于4所以对于访问时长与访问次数的提升效果都不理想。希望上述这些具体的顾客黏性提升方案可以给电商企业带来一定的实践启示与借鉴；(3)电商企业的管理者可以基于调节定向理论，对拥有不同消费动机的顾客开展差异化的页面弹出广告。特别是对于高享乐性顾客，他们往往倾向于设定促进调节目标，电商企业应该多采用诸如“买到即赚到”的广宣策略来突出产品的优点与收益点。并将拥有高享乐性消费动机顾客的访问时长视为一种无形资源对其进行有效的管理，从而设法将其转化为企业的销售收入；(4)电商企业可以利用顾客行为黏性变量以及其与消费动机组成的交叉项来识别顾客价值的类别，然后针对不同顾客价值类别对其进行差异化营销。我们尝试过将访问次数、访问时长这两个变量及其与消费动机组成的交叉项作为预测变量，顾客价值类别(从高到低一共分为4个类别)作为被预测变量来建立预测模型。基于本研究中373名网购顾客的数据，模型选用Mlogit，识别准确率为73％。在这个基础上电商企业还可以添加进其他有识别预测能力的自变量(比如：页面点击数据、点评、购物车数据等)，从而提升模型整体的预测精度。 6.3 局限性与未来研究展望 (1)本文使用的顾客行为数据是通过问卷调查得来的，可能存在一定的填写误差。最理想的数据采集方法应该是先从购物网站的后台数据库中获得顾客黏性与顾客价值的客观数据；然后再向调查对象发放问卷从而进一步收集其态度数据。但是本研究由于条件方面的限制无法做到这一步，所以有待今后进行改善。但是，由于本研究不是纯数据驱动型的研究，而且在结果讨论部分中也通过冲动购买理论以及调节定向理论来对我们的研究结果进行解释与支撑，这在一定程度上也弥补了因为数据误差造成的研究结果不可靠；(2)如今中国C2C购物网站是淘宝一家独大，而B2C购物网站则竞争者众多、行业集中度低，因此顾客对于B2C网站的可选择范围也更大。顾客有可能会同时对几个B2C网站进行频繁地访问，但却不在其中的某些网站上发生产品购买行为。由于本研究只针对C2C网站(淘宝)的顾客进行了相关的研究，这些研究结论在B2C网站顾客身上是否还会成立，有待进一步地研究与检验；(3)本研究没有对顾客行为黏性的前因变量做进一步的探讨与研究。 非常感谢两位匿名评审专家所提的宝贵修改意见和建议。
标签：顾客价值论文; 访问量论文; 网络购物论文; 概率计算论文; 动机理论论文; 网络模型论文; 消费购物论文;
