基于信号理论的在线商店购买转化率研究

郑杰文 刘洪伟

摘  要：电子商务行业的蓬勃发展也伴随着激烈的竞争，在线商店如何在竞争激烈的大型电商平台具备竞争力是一个值得探讨的问题，而购买转化率是商店的一个非常重要的指标。文章基于信号理论，采用大型电商平台提供的点击流数据，用分层回归模型对在线商店购买转化率的影响因素进行了研究。结果表明，在线商店的综合评分、会员数及好评率等质量信号均对在线商店的购买转化率有积极影响。

关键词：电子商务;在线商店;信号理论;购买转化率

中图分类号：TP391;G206               文献标识码：A文章编号：2096-4706（2022）02-0086-05

Abstract： The vigorous development of the E-Commerce industry is also accompanied by fierce competition. How online stores stand out from the fiercely competitive large-scale E-Commerce platforms is a question worthy of discussion， and the purchase conversion rate is a very important indicator for stores. Based on the signal theory， this paper uses the click stream data provided by large E-Commerce platforms， and uses the hierarchical regression model to research the influencing factors of online store purchase conversion rate. The results show that quality signals such as comprehensive score， number of membership and favorable rate of the online stores all have a positive impact on purchase conversion rate of the online stores.

Keywords： E-Commerce; online store; signal theory; purchase conversion rate

0  引  言

據BIG COMMERCE报告，2017年亚马逊商城上有超过50%的销售量来自于第三方店铺;并且亚马逊在家装种类商品的市场份额的逐步提升预示着越来越多的销售传统品类的商家正在转型到电子商务中。而对于国内的大型电子商务平台来说，截至2019年12月31日，京东商城的第三方商店超过了27万家;而截至2020年3月31日，已有超过25万个商店入驻天猫。数量众多的在线商店意味着激烈的竞争。此前曾有报告指出，2016年间，单单亚马逊美国站点的注册卖家就多达70万，但是最终存活下来的商店不足十分之一，更有甚者，其商店竟没能持续经营超过6个月[1]，可见在线商店竞争之惨烈。因此，在线商店如何在激烈竞争的电子商务平台上体现竞争优势是一个有意义的管理实践问题。

早在2013年，淘宝网行业研究团队就指出，购买转化率是商店的一个非常重要的指标，这个指标是商品质量、服务能力、营销水平等各项在线商店运营能力的最终体现[2]。鉴于买方和卖方分离的特点，电子商务平台的不确定性很高。为了帮助消费者从平台上良莠不齐的在线商店和商品中识别出“好”的在线商店和商品，电子商务平台已经开发了质量信号机制来推动线上交易，而众多学者则对这些机制的实证检验做出了贡献。

回顾以往的论文发现：第一，过去关于在线商店的研究大多基于网站粒度，本文基于最新的电子商务实践，把研究对象定义为同一个大型电商平台上的不同在线商店，竞争范围也限制在了同一个平台上;第二，过去对于在线商店购买转化率的研究，较多流于表面上主观的分析，而本文的在线商店购买转化率，是基于电商平台提供的客观数据，且进行了定量分析;第三，本文新引入的好评率及在线商店会员数等质量信号，丰富了信号理论在电子商务领域的研究。

本文后续的章节中，首先将梳理与本文相关的研究，然后再基于质量信号理论进行假设推导，最后通过客观的数据分析得出结论与启示。

1  相关研究

鉴于买方和卖方分离的特点，电子商务平台的不确定性很高。为了帮助消费者从平台上良莠不齐的在线商店和商品中识别出“好”的在线商店和商品，电子商务平台已经开发了质量信号机制来推动线上交易，而众多学者则对这些机制的实证检验做出了贡献。需要注意到，经济学中的质量信号理论[3]，提供了一类在线拍卖质量和可信度的指标，已经被用于线上拍卖的研究[4]。具体来说，Michael[3]以及Kirmani和Rao[5]指出，在一种机制可以用作质量信号之前，需要满足两个条件。首先，该机制需要卖家付出成本才能采用。其次，信号传递成本必须符合单交叉条件，即不好的卖家需要付出的成本比好的卖家要高，这样才会出现分离均衡。

与经济学中发现的质量信号理论相结合，信息系统领域的研究人员提出了建立基于制度的机制（例如声誉系统，代管服务，信用卡担保和中介保护）在建立消费者信任方面的有效性[6]。Ou等人认为，尽管这些制度机制可以有效地反映出整个卖方社区的质量，但与“好”卖方和“差”卖方的区别要比整个社区的制度机制更为重要。在这方面，基于社交的质量信号机制在消费者甄别电商平台中的在线商店方面起着重要作用[7]。

因此，本研究利用质量信号理论将电子商务平台中的质量信号机制分类为与在线商店特征有关的机制。此外，从基于制度和社交的质量信号机制的视角为来建立消费者信任为卖方提供了不同的质量指标，让他们能选择或披露更多质量信息。在质量信号理论和建立信任机制的结合中，我们从基于制度和社交的角度提出了一系列与卖方信誉和产品质量相关的指标（如表1所示）。在这项研究中，我们尝试检查它们对在线商店购买转化率方面影响的有效性。 在以下部分中，我们建立并证明与该类型质量信号指标相关的理论假设。

1.1  基于电子商务平台制度机制的质量信号

为了吸引买家与电子市场中的“未知”在线供应商进行交易，人们已经在研究如何设计有效的电子市场方面付出了很多努力。特别是，信任和建立信任的机制受到了极大的关注（通常，声誉机制、代管服务、信用卡担保和中介保护等制度结构被认为是有效的建立信任的机制[6，8]。这些制度机制已在电子商务平台（例如eBay和淘宝）中普遍采用。

许多电子商务平台为消费者评估在线商店提供了评级系统。在京东商城上，第三方的在线商店有一个由用户评价得分、物流履约得分和售后服务得分三个维度组成的在线商店综合评分。这些等级评分代表消费者对特定产品的评价、物流速度和售后服务的平均评分。在线商店需要证明自己可以提供消费者满意的产品、按时交付产品的能力和良好的售后服务的能力，才能赢得消费者较高的等级分数。这意味着卖方要承担额外的成本，也意味着如果管理不善，在线商店未来的收入会受到影响。对于较差的商家而言，由于要获得相同的较高评价分数更加困难，因此，质量信号成本也更高。在这方面，商店综合评分满足单交叉特性的要求，因此可以视为质量信号指标。综上所述，从未在一些在线商店购物的消费者，可能基于其他消费者对这些在线商店的评价，传递了对这些在线商店的信任，进而愿意在这些商店进行购买行为。因此，我们提出：

H1：综合评分对在线商店购买转化率有积极影响。

在店铺搜索列表中，我们点进去一些在线商店浏览，发现有的商店会有“上新”区域，而有的则没有。上新即代表有新产品上架，能获取到新产品，说明该店铺的运营能力具有一定的水平，而没有新产品上架的商店，若想要得到新产品上架，则需要在选取供应商，谈判议价，供应链管理等方面投入成本。因此，我们认为，“上新”能作为在线商店的质量信号。并且有：

H2：上架新产品对在线商店购买转化率有积极影响。

1.2  基于电商平台社交机制的质量信号

与制度机制相比，研究人员并未对电子商务平台的社交机制基于太多关注。Ou等人将受欢迎程度和线上客服归纳了基于社交机制的质量信号，并研究了它们对销售量的影响[7]。在刻画受欢迎程度上，他们以淘宝的店铺收藏数为例质量信号的指标。在本研究中，我们把京东商城的在线商店粉丝数作为基于社交机制的质量信号，在实证上检验了不同平台的质量信号，并研究其对购买转化率的影响。如今，粉丝数已成为衡量在線商店受欢迎程度的一个指标，消费者认为该指标高的商店更具吸引力，更值得信赖，更具亲和力[9]。这一指标不但可用来评判店铺的人气，发现拥有大量收藏人数的店铺销量越好，提供给顾客的产品质量越高[10];并且该指标加速了店铺信息的传播速度[11]，帮助店铺被更多的人所关注到。因此，我们提出：

H3：粉丝数对在线商店购买转化率有积极影响。

线上店铺VIP人数的概念从线下会员制度演变而来，指在电子商务平台中购买东西时，授权个人的手机号等信息，成为该店铺的会员，允许成为会员的顾客在购买时对其商品进行积分，并在众多的商品页面中，根据这类顾客以往的购买喜好，提供更精准的服务;会员计划是对公司有利营销手段，通过提供更大力度的价格折扣和更贴心的服务来鼓励顾客的再购买意愿[12];对于企业来说，会员制度为客户从满意度到忠诚度提供了一个跳板，顾客重复购买率是利润增长的重要来源，提高5%的顾客忠诚度可带来75%的利润，因为吸引新顾客的成本远比诱导老顾客回购的成本要高的多[13]。因此，会员数越高，说明客户的再购买意愿更高，我们提出：

H4：会员数对在线商店购买转化率有积极影响。

在淘宝上，我们点击一家在线商店的详情页，能看到店铺好评率，而在京东商城上则没有店铺好评率。因此，我们将数据集中的数据进行处理，把同一在线商店的所有产品的评论累计起来计算京东商城上某家在线商店的店铺好评率，探究它对购买转化率的影响。评价系统实际上就是电子商务平台对商家设计的声誉体系。在淘宝上，购买者可以对每笔交易进行评分。然后，电子商务平台会通过所有买家对该商家的个人评分的比例构成，算出在线商店的好评率。卖家需要花费时间喝经理来获取每笔交易中单个买家的正面评价，以便使在线商店的好评率维持在一个较高的级别。好评率的信号成本是未来的收益，而低质量的在线商店从长远来看，获得一个高的店铺好评率要比质量好的在线商店更困难。因此，我们提出：

H5：好评率对在线商店购买转化率有积极影响。

2  模型构建

2.1  变量定义

定义1：在线商店综合评分（shop_scores）：

我们依靠国内某大型电商平台提供的客观消费者点击流数据来验证我们的假设。在基于制度机制的质量信号方面，我们研究的变量首先包含单个在线商店的综合评分，综合评分代表该在线商店在用户评价、物流履约、售后服务等方面的得分平均值。该评分的取值范围是0到10。该数据直接来源于电商页面上展示的在线商店综合评分。

定义2：在线商店是否上新（have_new_product）：

其次，我们研究了在线商店是否上架新产品对其购买转化率的影响，上新的定义是，研究的时间的前一个月，如果商店上架了新产品，我们则将“上新”编码为1;如果商店未在研究期间的前一个月上架新产品，我们则将“上新”编码为0。

在基于社交的质量信号方面，首先，我们研究的变量包含了关注该在线商店的消费者数量，即粉丝数。

定义3：在线商店粉丝数（fans_num）：

该变量直接来源于电商平台页面上关注该商店的用户数。为了统一量纲，我们对该数值进行了对数化的处理。

定义4：在线商店好评率（positive_rate）：

其次，我们研究了在线商店的好评率对其购买转化率的影响，这个变量是我们通过数据集提供的该商店的好评数除以它的总评论数构造出来的。

定义5：在线商店会员数（vip_num）：

我们新颖地研究了在线商店的会员数这一质量信号，我们的数据来源于电商平台提供的点击流数据，可以得到每个商店的会员数，我们将研究这一变量，看是否能将该变量暴露给消费者，以提高商店的购买转化率，同样地，我们也对该数值进行了对数化处理以统一量纲。

定义6：在线商店购买转化率（purchase_conversion_rate）：

最后，本研究的因变量是在线商店的购买转化率。这个变量是我们通过数据集提供的该商店的单位时间内的交易量除以它的单位时间内的访问量构造出来的。

2.2  控制变量

定义7：在线商店成立时间（set_up_days）：

set_up_days=the date of the period we study-the set up date of the online store

除了上述变量外，我们根据数据集中的在线商店成立时间，该数据直接来源于电商平台页面中的商店详情页。将我们选取的数据集的日期日期范围与其成立时间作差得到，单位为天数，视作本文分析的控制变量。由于在市场上具有较长历史的卖方，其吸引顾客并留存老顾客的能力经过了实践的检验，因此，我们认为开店时间对在线商店的购买转化率有积极影响。

2.3  研究模型

根据以上变量定义及第一节的假设，我们构建了以下基于信号理论的在线商店影响因素研究模型，如图1所示。

3  数据分析

我们使用的数据集包含2018年2月1日至4月15日共1 608 707名消费者在国内某大型电商平台上的10 399家在线商店浏览的37 214 269条记录的点击流数据。由于2月份中包含春节这段特殊时期，4月只有半个月的数据，所以我们最终选择以2018年3月的数据来进行数据分析。

3月份的数据集中共有9 458家在线商店，我们在删除了销售量为0的商店后，剩余6 904家在线商店。再删除掉粉丝数、会员数、综合评分、评论数、开店时间为空的在线商店后，我们最终的研究对象为3 565间在线商店。

3.1  共线性检验

在进行回归分析前，我们首先检查了潜在的多重共线性问题，本文使用的一种检验方法是方差膨胀因子（Variance Inflation Factor， VIF），VIF是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比。该方法通过检查指定的解释变量能被其他全部解释变量所解释的程度来检测多重共线性，VIF具体步骤如下：

设原方程为：

y=β0+β1x1+β2x2+β3x4+β4x4+β5x5+β6x6+u

首先，xi（i=1，2，3，4，5，6）对上述方程中其他全部解释变量进行最小二乘法（Ordinary Least Square， OLS）回归，例如i=1，回归方程为：

x1=α1+α2x2+α3x3+α4x4+α5x5+α6x6+v

其次，計算VIF，公式为：

其中是第i个自变量xi对其余i-1个自变量回归中的判定系数，方差膨胀因子VIF越高，多重共线性的影响越严重。若VIF大于10，则认为具有严重的多重共线性。

如表2所示，发现所有自变量的VIF值均小于2，表明各自变量之间没有共线性的问题。随后我们进行对在线商店的购买转化率进行了分层回归，从基于制度机制的质量信号开始，以检验我们的理论假设。这种分层回归能使我们确定R2和F值增量的变化，从而显示每组自变量如何在本文的研究中对在线商店的购买转化率做出贡献。

3.2  结果分析

表3显示，第一个回归步骤在p<0.05的水平上是显著的，后续的回归步骤在p<0.005的水平上都是显著的，包括基于电商平台制度的机制（模型2），基于电商平台社交的机制（模型3）。尽管每种特定的电商平台制度机制和社交机制不会发挥相同的影响，但是模型2和模型3的R2显著性的总体变化在原则上验证了H1，H4和H5。这三种质量信号（在线商店综合评分、在线商店会员数、在线商店好评率）对在线商店的购买转化率具有积极的正向影响。而H2和H3则未得到验证，不能表明在线商店的粉丝数及上架新品的动作能对其购买转化率产生积极影响。总的来说，这两套质量信号机制对因变量，即在线商店的购买转化率的解释为22.6%，表明整体的研究模型具有足够的拟合优度。下面我们将讨论在分层回归中对特定相关因素的主要发现。

尽管并非每个因素都像预期的那样重要，但是三步分层回归也得到了有趣的发现。尤其是，我们的数据表明，在线商店开店时间越长（b=-0.026 7，p<0.001），并不能表明会对它的购买转化率产生积极影响。但是前人的研究却发现，开店时长会对在线商店的销量产生积极影响。同样是刻画在线商店竞争力的指标，同一个质量信号却对销售量和购买转化率有不同程度的影响，这也值得我们进一步探究。于此相对的是，前人发现在线商店综合评分对销售量有着积极影响，而在本研究中，我们也发现在线商店综合评分（b=0.045 9，p<0.001）对其购买转化率产生积极影响。因此，电商平台把综合评分放在搜索商店的结果页充当质量信号，可以作为在线商店吸引潜在买家的有效起点。而本文创新性地研究了“上新”（b=-0.019 6）这一电商平台制度机制的质量信号，研究结果未表明其会对在线商店的购买转化率产生积极影响。这可能与目前电商平台实践中，“上新”通常更侧重于推荐新产品，而较少在新品页呈现在线商店的名称有关。因此“上新”并未作为一个吸引用户访问在线商店的信号。我们在电商平台社交机制方面的发现更有趣，回归的结果不能表明，在线商店的粉丝数（b=-0.015 2，p<0.001）会对其购买转化率产生积极影响。这也是与前人关于粉丝数对在线商店的销售量有积极影响有所不同的。但是，这个可以从购买转化率的定义上尝试解释，很简单的道理，粉丝的基数越大，就越难达到高的转化率。这也可以给我们不同的在线商店运营策略，比如粉丝数少的时候，我们要更注重提高购买转化率，当粉丝数达到一定数量级后，更加专注于提高产品的销量。好评率（b=0.038 4，p<0.005）也会对在线商店的购买转化率产生积极影响，因此，为了提高购买转化率，运营者要好好经营商店的口碑。最后，是本文新颖地研究了的电商平台社交机制的质量信号——会员数（b=0.033 6，p<0.001）也能对在线商店购买转化率产生积极的影响。这启示运营者们在实践中也可以好好搭建自己在线商店的会员体系。

4  结  论

本研究在先前将质量信号理论应用到电子商务领域时，把质量信号分为基于制度机制的质量信号和基于社交机制的质量信号的研究框架的基础上，通过扩展质量信号理论并结合大型电商平台的后台数据，进一步研究了近年来电子商务实践中出现的一些可以纳入质量信号范畴讨论的因素，研究它们对在线商店购买转化率这一重要指标的影响。并得出了相应的结果。结果表明，综合评分、会员数、好评率等质量信号对在线商店的购买转化率有积极影响。

本研究对实践中如何提高购买转化率，以提高在线商店在大型电商平台的竞争力，有一定的启发。但是尚未对经营不同种类商品的在线商店展开讨论，今后的研究可以从这方面展开。

参考文献：

[1] 陈凯毅.跨境电商第三方交易平台商品转化率及其影响研究 [D].杭州：浙江大学，2018.

[2]蒋荣华，陈娜，胡琼.提升购买转化：玩转成交漏斗 [J].销售与市场（评论版），2013（2）：79-81.

[3] MICHAEL S . Job Market Signaling [J].Quarterly Journal of Economics，1973（3）：355-374.

[4] LI S B，KANNAN S，SUN B H. Internet Auction Features as Quality Signals [J].Journal of Marketing，2009，73：75-92.

[5] KIRMANI A ，RAO A R . No Pain，No Gain：A Critical Review of the Literature on Signaling Unobservable Product Quality [J].Journal of Marketing，2000，64（2）：66-79.

[6] PAVLOU P A，GEFEN D. Building effective online marketplaces with institution-based trust [J].Information systems research，2004，15（1）：37-59.

[7] OU C X J，CHAN K C C. Developing a competitive edge in electronic markets via institutional and social based quality signaling mechanisms [J].Information & Management，2014，51（5）：532—540.

[8] PAVLOU P A ，DIMOKA A . The Nature and Role of Feedback Text Comments in Online Marketplaces：Implications for Trust Building，Price Premiums，and Seller Differentiation [J].Information Systems Research，2006，17（4）：392-414.

[9] VEIRMAN M，CAUBERGHE V，HUDDERS L. Marketing through Instagram influencers：the impact of number of followers and product divergence on brand attitude [J].International journal of advertising，2017，36（5）：798-828.

[10] JIN S A，PHUA J. Following celebrities’ tweets about brands：The impact of twitter-based electronic word-of-mouth on consumers’ source credibility perception，buying intention，and social identification with celebrities [J].Journal of advertising，2014，43（2）：181-95.

[11] YOGANARASIMHAN H .Impact of social network structure on content propagation：A study using YouTube data [J].Quantitative Marketing and Economics，2012，10（1）：111-150.

[12] SINGH R ，KHAN I A . An Approach to Increase Customer Retention and Loyalty in B2C World [J].International Journal of Scientific and Research Publications，2012，2（11）：1-5.

[13] CHEN J V，CHENG H K，HSIAO H J. Loyalty and profitability of VIP and non-VIP customers in the banking service industry [J].Service Science. 2016，8（1）：19-36.

作者簡介：郑杰文（1997—），男，汉族，广东阳江人，硕士研究生在读，研究方向：管理科学与工程;刘洪伟（1962—），男，汉族，广东广州人，博士生导师，博士，研究方向：信息系统，商务智能，移动商务。