ABSTRACT

In the E-market environment, consumers have more options and more free when they choose something. It is particularly important for the business to improve consumer loyalty. Therefore, the business should know how to recognize their own customers so as to improve customers’ loyalty and gain more profits when they are in the B2C market. In this paper, a non-parametric test—run test, is adopted to test the gender differences of consumers, and analyze whether the gender will impact consumers’ loyalty, so that business can take gender into account when launching appropriate sales strategies to attract customers and achieve greater profits.

Keywords:E-Commerce, Loyalty, Run Test, Difference Analysis

基于网购忠诚度的性别差异分析

林国顺，张丽，王野

大连海事大学，辽宁 大连

收稿日期：2020年1月23日；录用日期：2020年2月17日；发布日期：2020年2月24日

摘 要

在网络市场环境下，消费者选择种类多，选择自由度加大，提高消费者的忠诚度对于商家来说显得尤为重要，因此，B2C商家应当区分自己的客户，这样才能有针对性地提高顾客忠诚，获得更大利润。本文采用非参数检验法——游程检验，对消费者的性别做差异性检验，分析性别对忠诚度是否存在差异，以便商家在推出销售策略时，考虑到性别的差异，有针对性的吸引客户，获取更大盈利。

关键词 :电子商务，忠诚度，游程检验，差异性分析

Copyright © 2020 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

随着智能网络的快速发展，各类行业都相继进入“互联网+”的发展时代，我国网民规模继续保持平稳增长，电商时代到来，网络经济产生巨大的网络数据，大数据时代到来。

消费者对商家的购买行为促成商家的盈利，而如何更有效地吸引消费者，降低消费者流失，提高消费者对商品质量、物流运输、性价比的满意程度，才能提高回头率，进而提高消费者对于商家的忠诚度。不同的消费者有不同的属性，例如性别、年龄、职业、收入等，属性的差异可能会影响忠诚度，进而影响商家实施销售策略。本文主要分析消费者的性别差异，旨在判断性别在忠诚度方面是否产生差异。

2. 研究现状

国内学者韩经纶和韦福祥从影响顾客忠诚度要素的角度出发，指出顾客忠诚度是由价格、产品、服务特性等各种要素影响下，顾客长期购买某一品牌产品或服务的行为 [1]。陆娟指出服务忠诚由情感忠诚和行为忠诚两维度构成；服务质量不仅对服务忠诚存在着显著的直接正向影响，而且通过顾客满意对服务忠诚存在着显著的间接正向影响 [2]。美国资深营销专家Jill Griffin认为，顾客忠诚度是指顾客出于对企业或品牌的偏好而经常性重复购买的程度 [3]。

国内众多研究者对影响B2C顾客忠诚度的各种相关因素进行了深入的研究，如狄佩佩探讨了B2C模式下顾客忠诚度的定义以及影响B2C电子商务的各种影响因素，构建了B2C顾客忠诚度的驱动模型 [4]；唐胡鑫提出一种采用回归预测的支持向量机的算法，旨在应用回归预测机更好的利用用户历史购买行为记录，并分析用户购买行为记录的背景，从而提高电子商务用户忠诚度评估的准确度 [5]。邓爱民等构建了以信任、在线网站特性、线下物流服务质量、顾客满意度、转换成本为外因潜在变量，以顾客忠诚度为内因潜在变量的假设模型，并采用因子分析和结构方程模型揭示网络环境下顾客忠诚度的影响因素和作用机制 [6]。李敏等对电子商务顾客忠诚度影响因素进行了全面的分析，以经典RFM客户忠诚度模型为基础，建立RFMSA电子商务客户忠诚度划分模型。通过聚类分析算法对顾客忠诚度进行划分，以经典聚类分析算法K-means为基础，提出分段确定初始聚类中心的改进算法对顾客忠诚度进行划分，提高了聚类的准确率 [7]。

本文所指的忠诚度，是指顾客出于对企业或品牌的偏好而经常性重复购买的程度。主要根据消费者的行为数据建立定量化模型，进行差异性分析，通过游程检验法判断性别是否为影响忠诚度差异的因素。以便商家在推出销售策略时，考虑到性别的差异，有针对性的吸引客户，获取更大盈利。

3. 模型构建

3.1. 忠诚度量化模型构建

为进行忠诚度差异性分析，需要建立忠诚度量化模型，即顾客对店铺的重复浏览，加购、收藏、购买行为的综合量化的指标。

忠诚度Fi = (Browse i., Add to basket i., Collect i., Purchase i.)(1)

建立忠诚度模型F

F的四个分量应满足以下条件：

1) 非负性

2) 分量越大，忠诚度越高

本文引出忠诚度模型旨在将忠诚度量化，后引出忠诚度指数模型，文章主要将忠诚度指数模型作为依据判断性别差异是否引起忠诚度的差异。

忠诚度F取决于四个忠诚度指数：

Browse_ij表示i顾客对j店铺的浏览量(简写B_ij)

Add to basket_ij表示i顾客对j店铺的加购量(简写A_ij)

Collect_ij表示i顾客对j店铺的收藏量(简写C_ij)

Purchase_ij表示i顾客对j店铺的购买量(简写P_ij)

i顾客浏览忠诚度指数Browse_i = ${\displaystyle \sum _{\text{j}}{\text{B}}_{\text{ij}}^2}$ (2)

i顾客加购忠诚度指数Add to basket_i = ${\displaystyle \sum _{\text{j}}{\text{A}}_{\text{ij}}^2}$ (3)

i顾客收藏忠诚度指数Collect_i = ${\displaystyle \sum _{\text{j}}{\text{C}}_{\text{ij}}^2}$ (4)

i顾客购买忠诚度指数Purchase_i = ${\displaystyle \sum _{\text{j}}{\text{P}}_{\text{ij}}^2}$ (5)

通过构建这样的模型，将忠诚度定量化，忠诚度越高，函数值越大。而四个忠诚度之间的关系如下图1所示：

图1. 四个指标相互关系示意图

发生加购或购买或收藏行为以浏览行为为前提，所以浏览忠诚度包含加购忠诚度，收藏忠诚度和购买忠诚度，而加购、收藏、购买之间可能相关可能独立，这之间的忠诚度为相交关系。忠诚度指数是根据忠诚度得到的，所以浏览忠诚度指数影响加购、收藏和购买的忠诚度指数，加购、收藏、购买这三个忠诚度指数之间相互影响，具体关系示意图如图2所示：

图2. 忠诚度指数相互关系示意图

3.2. 数据介绍以及模型分析

本文数据采用阿里巴巴天池大赛的数据。

数据集包含匿名用户在2017年5月到11月总共6个月内的购物日志。

数据集字段描述表如下表1：

表1. 字段描述表

现从中抽取8个消费者对不同商家的浏览次数，以及计算得到的这8个消费者的浏览忠诚度指数。

通过分析浏览的集中程度判断忠诚指模型构建的准确性，如表2所示：

表2. 消费者对不同商家的浏览次数及浏览忠诚度指数示例表

抽取8位消费者对不同商家的浏览量进行统计，其中这八位消费者总浏览数量均为80~90，将消费者对不同商家的浏览量放在不同的圆上，浏览量高的放在最中间的圆，向外依次递减，如图3所示。

得到以下示意图，根据浏览总量大致相同，不同忠诚度的消费者对商家浏览的分布情况判断次此消费者是否具有较高的浏览集中程度，以此可判断忠诚度指数模型有效。

图3. 消费者对商家浏览量集中程度示意图

结论：由图可知，ID为157073的消费者忠诚度指数为685，大致均匀分布；ID为159731的消费者忠诚度指数为896，相对上一个消费者浏览程度较集中；可得在总浏览量大致相同的情况下，忠诚度指数越高，示意图中心的点越集中，忠诚度指数越低，点会越分散，会均匀分布在圆环上，可知，忠诚度指数模型有效。

4. 性别差异性分析

4.1. 游程检验的方法介绍

游程检验法通常用于检验随机样本的独立性。

假定有一个容量n = 10的样本，对于它的每一个观测值，按照一定的标准区分为两种符号，设这两种符号分别为A和B，如果我们把这些符号按照抽样时的先后顺序排序，就可能出现以下情况：

第一种情况：BBBBBAAAAA

第二种情况：ABABABABAB

第三种情况：BBAAABAABB

等等。下面，我们给游程(RUN)的定义：一个游程就是指某序列中位于一种之前或者之后的另一种符号持续的最大子序列，或者说，一个游程是指某序列中同类元素的一个最大持续子集 [8]。

示例游程分析如下表3所示：

表3. 流程检验分析

浏览忠诚度指数是按照从高到低排列，不同消费者有性别差异，可以得到游程数。

其中0代表女性，1代表男性，前4个人都是女性第5个人性别改变，加一个游程。

以此类推，此样本的游程数为5。

4.2. 性别差异性计算过程

4.2.1. 选取全部数据进行性别差异性分析

选择全部数据，女性2158，男性1130，一共3288人。

在本文中N = 3288，其中N1 = 2158，N2 = 1130，游程数r = 1479，取置信度水平α = 0.05，查正态分布表得Zα/2 = 1.96

$\text{Er}=\frac{2\text{n}1\text{n}2}{\text{n}1+\text{n}2}+\frac{1}{2}=\frac{2\times 2158\times 1130}{2158+1130}+\frac{1}{2}=1483.8$ (6)

$\begin{array}{c}\text{Dr}=\frac{2\text{n}1\text{n}2\left(2\text{n}1\text{n}2-\text{n}1-\text{n}2\right)}{\text{n}1+\text{n}{2}^2\left(\text{n}1+\text{n}2-1\right)}\\ =\frac{2\times 2158\times 1130\left(2\times 2158\times 1130-2158-1130\right)}{2158+{1130}^2\left(2158+1130-1\right)}=668.9\end{array}$ (7)

$\text{Zr}=\frac{\left|\text{r}-{\text{μ}}_{\text{r}}\right|}{{\text{σ}}_{\text{r}}}=\frac{\left|1479-1483.8\right|}{\sqrt{668.9}}=0.18<1.96$ (8)

说明浏览忠诚度对性别是无差异的。

同样对加购，收藏，购买做差异性分析，得到如下统计结果，如表4所示。

表4. 全部数据差异性分析统计结果

根据结果显示，购买忠诚度对性别有明显差异，浏览，加购，收藏的忠诚度对性别没有差异。

4.2.2. 抽取50%的数据做性别差异性分析

剔除浏览量低的数据，本文抽取浏览量大的50%的数据，即浏览量大于36次的样本，共计2313人，其中女性1592人，男性721人。

计算过程如4.2.1。

得到以下汇总表，如表5所示。

根据结果显示，购买忠诚度对性别有明显差异，加购忠诚度对性别存在差异，浏览与收藏忠诚度对性别没有差异。

4.2.3. 抽取30%的数据做性别差异性分析

继续剔除浏览量低的数据，选择浏览量大于60次的数据，其中女性836人，男性328人。

计算过程同4.2.1。

表5. 50%数据差异性分析统计结果

得到如下汇总表，如表6所示。

表6. 30%数据差异性分析统计结果

通过剔除低浏览量的数据，得到以上结果，由结果分析可知，加购，收藏，购买忠诚度对性别存在显著差异，浏览忠诚度对性别没有差异。

通过筛选高浏览量数据，剔除一些异常数据，可使得结果更具有准确性。

4.3. 结论

方案A代表用全部数据做差异性分析，方案B抽取50%的数据做差异性分析，方案C抽取30%的数据做差异性分析，得到如下汇总表，如表7所示。

表7. 方案汇总结果

根据表格可知，方案C有3个指标出现显著差异，方案A只有一个指标出现差异性，而方案B有2个指标存在差异，所以选取高浏览量的数据进行分析，得到的结果更加明显。由结论可知，性别在影响忠诚度方面，是有差异性的。

全部数据存在异常数据，而选择高浏览量的数据作为样本，可以减少异常数据，使得分析的结果更为合理。

数据显示在差异性显著的条件下，女性的忠诚度普遍大于男性。

例如，在A方案购买忠诚度下Z_r为34.09，性别差异性显著，其中男性购买忠诚度指数的平均值为20.53，女性购买忠诚度指数的平均值为28.29，女性购买忠诚度高出男性购买忠诚度38%，所以商家在推出销售策略时，应考虑到性别的差异，有针对性地吸引客户，以获取更大盈利。

利用游程检验法同样可以对年龄进行差异性分析，作因素的相关性分析，可以应用于时间序列、股票市场、流行性疾病等方面。同时，随着电商时代到来，应利用好网络经济产生的网络数据，进行分析研究，谋取更大效益。

文章引用

林国顺,张 丽,王 野. 基于网购忠诚度的性别差异分析
Analysis of Gender Based on Online Shopping Loyalty[J]. 电子商务评论, 2020, 09(01): 26-35. https://doi.org/10.12677/ECL.2020.91004

参考文献