【直播互动】直播间活跃度和产品信息诉求的匹配效应研究—推文分享

本文链接：https://blog.csdn.net/C1525007047/article/details/140122876

今天的推文主题是【直播互动】，电商直播和传统直播很大的区别在于互动的形式发生变化，让我们走进今天的推文，来感受直播情境下的各种互动。

一、直播商业中聊天社交影响的实证分析：主题建模方法

1、研究背景

随着移动互联网的发展，直播流媒体迅速增长，消费者在智能手机上花费的时间越来越多，直播电商（Live Streaming Commerce, LSC）作为一种新兴的商业模式在零售行业中蓬勃发展。直播聊天服务是LSC节目中观众参与度的关键指标，与传统电商有显著区别。

2、研究问题

1）LSC节目中存在哪些类型的直播聊天社交互动？

2）这些直播聊天社交互动如何异质性地影响观众的购买行为？

3、研究思路

研究采用主题建模方法和计量经济模型相结合的方式，首先通过主题建模技术识别直播聊天中的社交互动类型，然后利用计量模型分析这些社交互动对观众购买行为的影响。

4、理论基础

研究基于社会互动理论，该理论是理解社会行为的解释框架，涵盖了个体之间的复杂互动过程，这些互动直接影响消费者决策。文章将社会互动分为交易导向和关系导向两种类型，并探讨这两种互动在LSC中的独特应用。

5、研究假设

相比交易导向社交互动，关系导向社交互动会导致观众在LSC节目中更高的购买金额。
社交互动对观众购买金额的影响呈现倒U型模式，随着关系导向社交互动概率的增加。
社交互动的影响在不同主播间存在异质性，相比大型主播，小型主播应更多地引导关系导向社交互动以获得更多的观众购买金额。

6、研究对象与数据收集

研究数据收集自中国的抖音（TikTok）平台，具体收集的信息包括：

主播信息：包括每位主播的唯一ID、性别以及他们各自LSC（直播电商）节目中的观众数量。
LSC节目信息：包括每个节目的开始和结束时间、每个节目的观众数量、观众在直播聊天中的所有内容，以及观众的购买金额。

数据收集的方法和过程如下：

时间范围：数据收集从2021年5月1日开始，到2021年10月31日结束。
数据清洗：为了确保数据质量，进行了异常值剔除，包括去除单次会话异常长的时长（超过12小时）、异常短的时长（少于5分钟）以及没有直播聊天消息的实例。
数据量：原始数据集包含了大量的直播节目观察实例，总计133,165次。经过数据清洗后，保留了117,538次观察用于后续分析。
主播性别和观众数量：在数据集中，有697名男性和1,297名女性主播，分别占34.95%和65.05%。
观众参与度：数据集涵盖了观众的访问次数、购买行为等参与度指标。
直播聊天内容：包括直播期间观众发送的所有文本消息，这些消息用于后续的主题建模分析。
购买金额：记录了每个LSC节目中的总销售额（Gross Merchandise Volume, GMV）。
其他变量：包括直播节目的持续时间、累积流量、主播的性别和每个LSC节目中的追随者数量等。
主题建模技术：使用LDA（Latent Dirichlet Allocation）模型来分析直播聊天文本内容，以识别和分类直播聊天中的社交互动类型。

7、检验过程

在识别出两种社交互动类型——交易导向（transaction-oriented）和关系导向（relationship-oriented）之后，研究者使用固定效应模型来分析这两种社交互动对观众购买行为的影响。以下是具体步骤和方法：

定义因变量：固定效应模型的因变量是观众的购买金额，通常对数转换以满足正态分布和方差齐性的假设。
定义自变量：自变量是直播聊天中社交互动的类型，特别是关系导向社交互动的概率。研究者可能还考虑了社交互动的平方项来探索潜在的非线性关系（倒U形关系）。
控制变量：模型中包括了控制变量，如直播节目的持续时间、累计访问量、主播的追随者数量等，以控制这些因素对观众购买行为的潜在影响。
固定效应的引入：固定效应模型能够控制不随时间变化的不可观测的个体特定效应，例如主播固定效应，以及时间固定效应（如一周中的星期几、一天中的时间）。
模型设定：模型可能设定为以下形式：
\[ y_{is} = \beta_0 + \beta_1 \times \text{ROriented}_{is} + \beta_2 \times \text{ROriented_Sqr}_{is} + \gamma \times X_{is} + \alpha_i + \lambda_t + \epsilon_{is} \] 其中，\( y_{is} \)是因变量（观众购买金额），\( \text{ROriented}_{is} \)是关系导向社交互动的概率，\( \text{ROriented_Sqr}_{is} \)是其平方项，\( X_{is} \)是控制变量向量，\( \alpha_i \)是主播固定效应，\( \lambda_t \)是时间固定效应，\( \epsilon_{is} \)是误差项。
估计和检验：使用固定效应模型估计参数，并对模型进行统计检验，包括系数的显著性检验和模型拟合优度检验。
分析结果：通过模型估计结果，研究者可以了解关系导向社交互动对观众购买行为的直接影响，以及是否存在非线性关系。此外，通过比较不同主播的社交互动策略，研究者可以探讨社交互动对销售影响的异质性。
稳健性检验：为了验证模型结果的稳健性，研究者可能还会进行一系列稳健性检验，例如使用不同的分类方法来定义社交互动类型，或者基于不同的数据分割重新估计模型。

8、研究结论

研究发现关系导向的社交互动显著增加了观众的购买行为，并且存在一个最优的关系导向社交互动比例，以达到最高的销售效果。对于不同规模的主播，这个最优比例是不同的。小型主播更应侧重于关系导向的社交互动，而大型主播则能从平衡的社交互动策略中获益。

二、转向参与的车轮：来自娱乐直播的证据（高分top）

1、研究背景

本文探讨了在“参与经济”下，影响者（如直播主播）如何通过与观众的互动来实现参与度变现。现有研究往往将客户参与视为静态状态，忽略了其作为动态过程的本质。在竞争激烈的市场中，影响者需要理解客户参与的双向转变，即从低到高和从高到低的参与度变化，以便更好地促进观众参与并维持高参与度。

2、研究问题

研究问题集中在如何概念化和量化客户参与作为一个紧急过程，包括参与状态和参与转变，以及影响者如何通过调度策略影响客户参与转变和获得的打赏。

3、研究思路

研究采用了马尔可夫链模型来模拟和量化客户参与转变的紧急过程。通过对娱乐直播行业的实证研究，展示了客户参与转变如何被建模和分析。

4、理论基础

客户参与的紧急过程观点：将客户参与视为包含多个可能重复的状态和不可预测转变的动态过程。
信息处理理论：考虑观众在直播过程中的信息处理能力和动机，如何影响他们的参与转变。

5、理论模型

参与状态：根据观众的投资行为，定义了三种参与状态：评论（低参与度）、非货币打赏（中等参与度）、货币打赏（高参与度）。
参与转变：观众从一个参与状态转移到另一个状态，分为升级（escalation）和降级（de-escalation）。
变量关系：研究了影响者调度策略（时间间隔、会话时长、开始时间）对参与转变的影响，以及参与转变对打赏金额的影响。

6、研究假设

假设时间间隔、会话时长和开始时间与参与转变之间的U形和倒U形关系。
假设参与转变与打赏金额之间的正相关关系。

7、研究方法

采用了多级线性模型（MLM），考虑到数据的嵌套性质，同时控制了观众、会话和影响者级别的变量。

8、研究对象与数据收集

研究对象

研究的主要对象是中国一个领先的基于娱乐内容的娱乐直播（ELS）平台上的影响者（streamers）和观众（viewers）。这些影响者通过直播与观众互动，并能够通过观众的参与行为获得打赏。研究关注的是观众在直播会话中的参与行为以及这些行为如何转化为影响者的收入。

数据收集

数据收集的时间跨度为2019年10月1日至12月31日，共三个月。收集的数据包括：

观众的参与记录：记录了观众在ELS会话中的点击流数据，包括评论、非货币打赏和货币打赏等行为。
影响者的特征信息：包括性别、直播类别、粉丝数量和公会成员身份等。
会话特征：包括会话的开始时间、持续时间等。

具体的数据收集方法如下：

物理访问和硬盘交付：通过直接访问直播平台和硬盘交付的方式获取数据。
实时记录：所有观众的参与行为都是在实时中被记录和观察的，这有助于获取详细的个人层面的参与信息。
数据筛选：为了使用马尔可夫链模型分析参与转变，研究中移除了只涉及一种参与行为或参与行为计数少于三次的记录。
最终样本：最终的样本包含了91,148条观众的参与记录，涵盖了18,965名观众的数据，并收集了9,995名被抽样影响者的信息。

9、研究结论

时间间隔与参与降级转变之间存在倒U形关系，而与参与升级转变的关系不显著。
会话时长与参与升级转变之间存在U形关系，与参与降级转变之间存在倒U形关系。
开始时间与参与升级转变之间存在U形关系，与参与降级转变的关系混合。
参与升级转变与打赏金额之间存在正相关，而参与降级转变与打赏金额的关系则更为复杂。

三、社交机器人：家中的伴侣或闯入者?自我构念、社会支持和关系侵入在消费者偏好中的作用

1、研究背景

随着人工智能和社会机器人学的发展，社会机器人（Social Robots, SHRs）如Cozmo在家庭中的普及程度越来越高。社会机器人的拟人化外观可能会引发消费者的不同反应，但调节这些反应的因素尚不清楚。本文提出自我构念（self-construal）作为一个调节因素，探讨消费者与社会机器人之间的长期、频繁和私密互动可能导致基于收益和心理成本的权衡而形成的关系。

2、研究问题

研究主要探讨了社会机器人的拟人化程度如何影响消费者的偏好，以及自我构念、社会支持和关系侵入等因素如何调节这种影响。

3、研究思路

研究通过三个实验和一个文本分析来检验假设，探讨独立和相互依赖自我构念的消费者对社会机器人的偏好差异。

4、理论基础

自我构念理论：自我构念是指个体将自己视为与他人区分开来的程度，独立自我构念的个体强调自主性、独特性，而相互依赖自我构念的个体则强调与他人的联系和群体的和谐。
社会交换理论：描述了个体如何基于主观的成本-收益分析形成和维持人际关系。
社会认同理论：关注群体成员身份如何影响个体的自我概念和群体内外成员的关系。

5、理论模型

研究模型基于自我构念理论，提出独立自我构念的消费者更倾向于选择拟人化的社会机器人，而相互依赖自我构念的消费者则更倾向于选择机械化的社会机器人。模型中考虑了社会支持收益和关系侵入成本作为中介变量。

6、研究假设

H1：消费者的偏好对社会机器人的拟人化程度受到自我构念的调节，即相互依赖自我构念的消费者更倾向于选择机械化机器人，而独立自我构念的消费者更倾向于选择拟人化机器人。
H2a和H2b：预期的净互动收益（社会支持收益与关系侵入风险之差）在自我构念和对拟人化与机械化社会机器人的偏好之间起中介作用。

7、研究方法

实验法：通过三个实验来测试假设，采用不同的实验设计和刺激材料。
文本分析：通过社交媒体挖掘方法收集和分析数据，使用内容分析来探究不同自我构念的消费者对拟人化或机械化社会机器人的购买意向。

8、研究对象与数据收集

研究对象为不同文化背景的消费者，包括中国和美国的参与者。数据收集通过在线调查平台（如Wenjuanxing、Credamo、Prolific）和社交媒体平台（如Youtube、Bilibili）的评论和弹幕。

9、实验过程

实验1和2通过预实验选择适当的刺激材料，并在主体实验中测试自我构念对消费者偏好的影响。实验3在国家层面上测试自我构念的影响。实验4通过内容分析社交媒体上的用户生成内容来验证研究假设。

10、研究结论

研究结果表明，独立自我构念的消费者更倾向于接受拟人化的社会机器人，因为他们期望从这些机器人那里获得更大的非互惠性社会支持收益。相反，相互依赖自我构念的消费者更倾向于接受机械化的社会机器人，因为他们担心社会机器人可能带来的关系侵入风险，并期望从机械化机器人那里获得更多的净互动收益。

四、在人工智能驱动的网站中，破解可视性和交互性对网站氛围和客户粘性的技术贡献：在线流状态的关键作用

1、研究背景

随着机器学习技术的快速发展，人工智能（AI）已经广泛应用于日常生活，为信息传播和交互沟通提供了前所未有的途径。尽管已有大量研究探讨了AI驱动网站的交互性，但关于提升网站氛围和客户粘性的技术贡献要素的研究相对较少。

2、研究问题

本文旨在探究在AI驱动的网站环境中，交互性、定制化、连接性和可见性如何通过在线流状态影响用户，进而影响网站氛围和客户粘性。

3、研究思路

研究通过构建理论框架，提出假设，并通过网络调查收集数据，使用结构方程模型（SEM）进行实证分析，以验证假设并揭示变量间的关系。

4、理论基础

在线流状态理论：描述个体在进行特定活动时深度沉浸和专注的心理状态，与愉悦和满足感相关。

5、理论模型

模型提出交互性、定制化、连接性和可见性通过在线流状态间接影响网站氛围和客户粘性。这些变量通过以下假设建立关系：

H1-H4：交互性、定制化、连接性和可见性正向影响在线流状态。
H5-H6：在线流状态正向影响网站氛围和客户粘性。
H7：网站氛围正向影响客户粘性。

6、研究对象与数据收集

研究对象为AI驱动网站的用户，通过Sojump平台进行在线调查，共收集了758份有效问卷。

7、研究结论

研究结果支持了所有提出的假设，表明交互性、定制化、连接性和可见性通过在线流状态正向影响网站氛围和客户粘性，且网站氛围在客户粘性形成中起到了显著的促进作用。

8、局限性

自我报告的数据可能存在偏差。
研究对象限定在中国用户，可能影响结果的普遍性。
研究聚焦于AI驱动网站的特定维度，未能涵盖所有可能影响在线流状态和客户粘性的因素。

五、基于解释水平理论的直播间活跃度和产品信息诉求的匹配效应研究

1、研究背景

直播电商作为一种新兴的线上销售模式，通过主播在直播平台上描述、展示、试用产品的方式向消费者推荐产品，与传统电商不同，它具有实现消费者共同购物和实时社交互动的特点。这些特点使得消费者购物决策更容易受到直播间其他消费者的数量、观点和行为的影响，同时也使得主播可以根据直播间活跃度实时调整营销沟通策略。