企业创造内容型网络口碑传播效果的影响因素研究——基于新浪微博的网络口碑传播实证分析,本文主要内容关键词为:口碑论文,网络论文,实证论文,新浪论文,因素论文,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。
中图分类号:F713.50 文献标识码:A 文章编号:1001-6260(2014)05-0107-13 一、问题的提出 过去十年中,以互联网技术为基础的数字化媒介逐渐成为主流媒体的重要组成部分,改变着消费者获取、处理信息的方式。这其中,以微博、社交网站为代表的新媒体,成为一股不可忽视的力量,为整个商业世界带来剧烈变革。越来越多的企业都开始将新媒体纳入自己的营销策略,不断加大投入。新媒体的广泛普及,使消费者对信息传播的控制力逐步增强(Henning-Thurau,et al,2010),企业开始逐渐淡化营销信息传播者的角色,转而以口碑为载体,激励消费者主动为其传播信息。 已有研究表明,消费者之间的网络口碑传播,对企业的经营业绩、营销效率、顾客资产等方面具有显著的提升作用(Villanueva,et al.,2008)。然而,为什么有些网络口碑可以获得广泛传播,而有些却乏人问津?网络口碑的传播效果是随机的,还是具有其内在规律?之前的研究并没有给出明确答案。网络口碑根据信息源可以分为用户创造内容(User-generated Content,UGC)和企业创造内容(Firm-generated Content,FGC)(Godes and Mayzline,2009)。现有研究大多将前者作为研究对象,或者不加区分地统称为消费者口碑,而以企业创造内容型网络口碑为研究对象的文献较少。企业可以通过策划网络口碑获得消费者关注,影响消费者态度和偏好,进而促进消费者的购买行为。但是,上述作用链成立的前提是,企业可以激励足够多的消费者主动参与传播,而目前对这一前提的合理性、内在的行为模式,均缺乏足够的实证研究支持。 鉴于上述分析,本文以企业创造内容型网络口碑为研究对象,系统考察影响其传播效果的因素和作用强度,并通过对新浪微博上大样本数据的实证分析,就以下问题给出解答:第一,企业创造内容型网络口碑的内容差异是如何增强或弱化传播效果的;第二,口碑传播的参与者特征是如何影响其传播效果的;第三,新媒体平台上,口碑的内容、传播参与者,哪个因素对信息传播效果的贡献度更高。 二、文献综述 (一)口碑传播效果的影响因素 依据口碑的传播空间,可以将传播效果的影响因素研究分为传统的线下口碑以及基于互联网技术的线上口碑两大类。 传统口碑传播的研究中,Alden等(2000)发现,趣味性强的广告可以显著增加消费者对广告信息的接受度、回忆度和喜好度,进而激发再传播行为。Chen和Rodgers(2006)进一步将趣味性分为引人入胜的、令人兴奋的和充满活力的三个维度,认为只要包含其中一个维度就可以获得出色的传播效果。Wojnicki和Godes(2008)基于自我展示动机,认为消费者参与口碑传播不仅是出于信息沟通的需要,也通过传播特定内容的口碑,展现出乐观幽默的形象。East等(2007)发现,相比于中性评价,满意和不满意的消费经历对口碑数量的影响力更大。Alexandrov等(2013)分析了满意度与口碑传播的调解机制,认为满意的消费者传播口碑出于自我强化(Self-enhancement)的动机,不满意的则出于自我肯定(Self-affirmation)的动机。 互联网口碑传播的研究中,Hughes(2005)认为,只有不同寻常、令人吃惊、让人过目难忘的网络信息,才会引发消费者广泛传播。Sernovitz(2006)也提出了类似的观点,认为趣味性是影响网络口碑传播成败的重要因素。Berger和Schwartz(2011)基于网络口碑涉及的产品,发现新奇的产品容易激发消费者短期的网络口碑行为,而那些铺货范围广、曝光率高的产品,更容易引起消费者长期的网络口碑行为。Chu和Kim(2011)以社交网站用户为研究对象,发现网站成员间的关系强度、信任程度、规范性和信息性影响是导致成员间产生口碑行为的主要因素。Berger和Milkman(2012)发现,那些可以唤起激烈情绪波动的信息(如愤怒、焦虑),比只能引起小幅情绪波动的信息(如伤感),更能触发消费者的传播行为。 (二)网络口碑传播效果的测量 传播效果的测量是分析网络口碑营销效率的关键,现有文献主要提出两类方法:第一类从网络口碑涉及的产品或服务角度测量。Katona等(2011)以欧洲社交网站为研究对象,测量了网络口碑对于特定网站注册率的影响。Hinz等(2011)从育种(Seeding)策略的有效性出发,研究了不同育种策略下网络口碑对于网站访问率、手机服务采纳率的影响。Goldenberg等(2009)以网络联结数大的节点为研究对象,考察了两种类型的关键传播者对于网络社区新服务的采纳比率和最终使用人数。Yoganarasimhan(2012)以Youtube视频为研究对象,选取视频点击率、评论数、评论情感等指标来测量网络口碑的传播效果,考察视频传播结构对于传播效果的影响机制。第二类是基于网络口碑本身建立的量化指标,文献数量较少。Sun等(2006)在研究意见领袖对音乐论坛帖子传播的影响时,选择论坛帖子的转发数来测量最终的效果。Berger和Schwartz(2011)加入了时间概念,以短期和长期网络口碑数量作为测量指标。综上,现有的文献大多选取企业绩效层面的指标作为传播效果的度量,将网络口碑本身作为中介变量纳入模型,这从侧面说明现有研究缺乏对网络口碑本身的关注。 从以上回顾可知,口碑的内容、传播者特征均会显著影响传播效果。但是,已有研究仅仅考察了两者的主效应,忽略了两者交互作用对传播效果的影响。由于网络口碑与传统口碑在性质、传播扩散机制等方面差异较大,以往的成果是否适用于新媒体环境,仍值得商榷。传统媒体时代,口碑是一种基于事实的说服型口碑,传播者大多拥有实际消费经验。而在新媒体上,大多数口碑传播者缺乏实际的产品或服务消费经验,口碑的事实性信息含量少,是一种扩散型网络口碑(Hogan,et al.,2004)。表1列示了传统媒体与新媒体上口碑传播特性的对比。 三、研究框架和假设 那么在复杂的信息环境中,企业如何提高网络营销信息传播效果?国外的代表性研究认为,影响网络口碑传播效果的因素可细分为三个:第一,网络口碑内容的吸引力,如趣味性、娱乐性、情感性,或贴近时政热点的内容,以激发用户主动传播意愿;第二,关键传播参与者,即通过优选参与传播者,实现营销信息在目标群体中快速、持续扩散;第三,网络口碑传播的群体交互环境,如通过微博平台设计,促进营销信息在消费者间快速传播。从企业的角度而言,网络口碑内容和关键传播参与者是仅有的两个可以被企业完全操控的因素,但是,鲜有文献对两者的相对重要性进行实证分析。营销传播领域中,学者大多以用户创造内容(UGC)为对象构建研究框架,而本文探索全新的研究思路和方法,以企业创造内容(FCG)为对象,对网络口碑内容重新进行归类与分析,并将网络口碑内容本身与参与传播者特征置于同一研究模型中,实证分析两者提升网络口碑传播效果的作用机制及其相对重要性。 (一)网络口碑内容的作用机制 营销信息传播理论认为,信息的传播效果取决于信息接受者的信息消费动机(Kim,et al.,2007),主要分为外在和内在两个方面:外在动机是指信息对于消费者是否有用,即信息的价值属性;内在动机是指信息能否为消费者带来愉悦和享受,即信息的情感属性。 信息的价值属性是消费者对信息的消费将在多大程度上提升自己的行为绩效。信息的价值属性越高,被采纳、消费的可能性也越大(Pontiggia and Virili,2010)。在新媒体平台上,消费者感受到的信息价值越高,网络口碑的消费数量就不断增加,新媒体使用的黏性也越大。Rieh(2002)从网络社群信息的分析看,消费者对网络口碑感知质量的评价取决于内容的实用性、实时性、可靠性、准确性和适用性五个维度,只有在这五个维度上都有较高评价,才会被消费者认为是具有较高价值的网络口碑,并会被再一次向周围环境传播。新媒体在很大程度上可以看作是一个线上的虚拟社会,出于对自我价值满足的需要,如希望成为众人瞩目的焦点、体现自己的消费品位、表现出更加渊博的知识、成为某一领域的意见领袖等,消费者倾向于消费、传播感知价值高的网络口碑(Sundaram,et al.,1998)。所以,只有网络口碑的价值属性确实被消费者感知到,才会被主动传播。由此,提出: 假设:新媒体平台上,具有较高信息价值属性的网络口碑会获得更佳的传播效果。 网络口碑的情感因素,如幽默、恐惧、悲伤等,也是影响传播效果的重要因素。网络口碑的传播主要依赖于消费者的涉入程度,后者又取决于口碑中所包含的情感属性。Brown等(2010)发现,具有较多暴力元素、暴力活动后果严重的广告视频更易引发传播行为,原因在于这类视频具有高刺激性、高冲击力特性的内容。Eckler和Bolls(2011)利用调节信息处理的有限能力模型,将信息包含的情感元素分成愉悦的、消极的和混合的三类,发现给消费者带来愉悦感的那些信息获得了最佳传播效果,其后依次是混合的、负面的信息。这与Lin和Lu(2011)的结论类似。因此,网络口碑满足消费者愉悦、趣味的程度越高,消费者消费网络口碑的数量也就越多。基于此,提出: 假设:新媒体平台上,具有较强情感共鸣的网络口碑会获得更佳的传播效果。 假设:新媒体平台上,具有高娱乐性、趣味性的网络口碑会获得更佳的传播效果。 平衡理论认为,当外界力量打破个体内在的平衡状态时,人们会自发寻求新的平衡。Henning-Thurau等(2004)提出了达到平衡的两种方式:积极情感的表达和负面情绪的发泄。Gunawardena等(1997)认为,任何互动都起源于对某些问题或观点的分享和比较,也伴随着降低潜在认知失衡的动机。当人们面对与自己原有经验相悖的信息时,会通过适当的情感流露,减少心理失衡的程度。那些争议较大的网络口碑、话题等更易引起某些群体的情感失衡,进而引发交流互动、信息传播行为。因此,提出: 假设:新媒体平台上,具有较大争议性的网络口碑会获得更佳的传播效果。 (二)关键影响者的作用机制 传播的关键影响者(Key Influencer)也是一个不可忽视的因素。虽然所有的消费者都是企业信息的目标受众,但在传播过程中,每个参与者对于信息扩散的影响力是不同的(Clark and Goldsmith,2005)。不同学科对该影响力的内涵有不同的表述。 社会网络学认为,信息传播参与者的重要性由其在网络中的位置决定。Barabasi和Albert(1999)在研究无标度网络模型时发现,由于存在一些拥有大量网络联结的节点,使得信息更容易被网络上的任一节点获取。社会网络文献中,网络联结被定义为“节点的度(Degree)”。一个节点拥有的度数越大,受其直接影响的节点数量也越多(Goldenberg,et al.,2009)。Goldenberg等(2004)将口碑融入Bass扩散模型,认为网络中节点i采纳新产品的概率为: 其中,为该节点采纳新产品的概率,p(p>0)为外部环境的影响,q(q>0)为口碑因素的影响,di为节点i的度。显然,节点i采纳新产品的概率与其度数成正比。借鉴有向图理论,节点i的度又被进一步区分为入度(In-degree)和出度(Out-degree),而那些出度数大的节点,对新产品的采纳比率和扩散速度均有显著的促进作用。因此,可以认为,拥有高出度的参与者有助于提高网络口碑的传播效果。 Dodds和Watts(2005)将创新扩散门槛模型(Threshold Models)纳入社会影响力分析,提出用户是否采纳某一信息取决于已采纳用户的数量。在门槛值以下,采纳人数增加缓慢;一旦采纳率超过某个特定的门槛值,采纳人数的递增速率会陡然增加。基于该理论,可以认为,若给定关键影响者传播的网络口碑数量和性质不变,随着出度数的不断增加,当参与传播的人数超过某一特定临界值后,网络口碑的传播速度和广度会迅速增加。因此,关键影响者的出度数及其对信息传播的影响力间是非线性的关系: 其中,为第i个关键影响者的传播影响力,是第i个关键影响者的出度。影响力函数的二阶导数大于零,即影响力增加的比例大于出度数增加的比例。综上,提出: 假设:信息传播参与者的出度数越高,其对网络口碑传播效果的影响力越大;且出度数每增加一单位,影响力的增加大于一单位。 营销学认为,参与者的重要性与传播者已有的知识领域相关。经典的两级传播规律强调“意见领袖”在信息传播过程中的重要作用。依据其特质差异,可以将“意见领袖”细分为单一型(Monomorphic)和多面型(Polymorphic)两大类。后续研究更加明确地将单一型的“意见领袖”定义为意见领袖(Opinion Leaders),而将多面型的“意见领袖”定义为市场行家(Market Maven)。前者是指对某一特定的产品或产品品类提供非正式消费建议或信息的人(Schiffman and Leslie,2010)。相比于其他群体,意见领袖更善于社交、性格外向、创新能力较高,是重度信息搜索者(Clark and Goldsmith,2005)。新媒体环境下,意见领袖获取信息的成本大幅降低,外向的性格和社交动机会促使其将信息再次传播出去(Sun,et al.,2006)。市场行家是指掌握多个产品品类、市场知识和信息的人。相比于意见领袖,市场行家涉及的产品知识范围更广,信息类型更加多样(Brancaleone and Gountas,2007)。市场行家更加倾向于通过口碑或者病毒营销的方式传播市场信息,而这些信息很少来源于市场行家自身的消费体验(Clark and Goldsmith,2005;Walsh,et al.,2004),传播的信息具有明显的扩散型口碑特性。相比于意见领袖,市场行家的信息传播行为更加适合新媒体环境。综上分析,可以认为,相对于普通参与者,意见领袖和市场行家对于网络口碑传播效果的促进作用更大,也更加愿意传播有关产品和市场的信息。因此,提出: 假设:参与传播的意见领袖人数越多,网络口碑的传播效果越好。 假设:参与传播的市场行家人数越多,网络口碑的传播效果越好。 四、研究方法 (一)研究设计 本文数据来源于中国最大的微博运营平台——新浪微博(weibo.com)。为保证研究的有效性和信度,本文采用以下标准对研究时间段内的企业账户进行抽样:(1)拥有充足的微博讨论量;(2)与消费者的日常生活紧密相关;(3)所选样本具有一定的横截面性质;(4)其微博账户必须是新浪官方认证账户。采用上述标准,我们通过新浪微博API,共收集15个行业,49个企业和品牌账户的微博数据,总计101108条微博样本,812789位独立传播参与者。样本抓取时间段为2011年7月1日至2012年6月30日。 借鉴相关文献的处理方法(Berger and Milkman,2012;Goldenberg,et al.,2009),我们以单个账户为一层(共49层),对101108条微博进行分层抽样,得到10000条研究样本。各个账户样本量比例与总体保持一致,同时对单个账户的随机抽样又保证了代表性。 (二)变量的测量 1.微博内容的测量 微博内容是指微博主体信息的主题。本文用人工编码的方式,确定每条微博的内容类别。同时,还将企业在实践中广泛应用的内容类别纳入模型,增强对现实数据的解释力。如表2所示。 采用偏差回归元处理方法,对微博内容变量进行处理。具体的,定义回归系数,第j个变量的处理规则为: 其中,j为表2列出的内容类别(除“简单的问候”)。 2.关键影响者的测量 微博平台上,用户通过“关注”成为某个账户的“粉丝”。当该账户发布微博时,信息沿账户向其粉丝方向传播。因此,传播参与者的粉丝数量是微博用户出度数的合理度量。借鉴Goldenberg等(2009)提出的识别方法,本文定义出度数量(粉丝量)超过均值三个标准差以上的参与者为关键影响者。为验证H[,K1]的合理性,对关键影响者再次分类:第一步,计算关键影响者的平均粉丝量和标准差,定义超过三个标准差以上的为层次一关键影响者;第二步,剔除层次一关键影响者,计算其余关键影响者的平均粉丝量和标准差,定义超过此均值三个标准差以上的为层次二关键影响者。其余的为层次三关键影响者。表3为以粉丝量为依据的关键影响者分层。 此外,在对15位新媒体研究专家进行深度访谈之后,确定了关键影响者的具体分类标准。使用人工编码的方法对关键影响者分类,并计算每条微博传播过程中,各类账户的参与人数。实践中,企业还会使用一些商业用户、社会名人等账户帮助其传播信息,本文也将这几类账户纳入研究范围。表4为基于类型的关键影响者分类。 3.微博转发量 本文针对企业创造内容型网络口碑本身,采用单条微博的转发数测量信息传播效果。微博的转发数衡量了网络口碑传播的涟漪效应,传播者的传播意愿越强烈,传播实现的可能性越大,单条微博传播的涟漪效应也越大。微博转发数量通过新浪API接口直接获取。 4.控制变量的测量 控制变量含微博的内容特征、发布时间、微博发展趋势、行业等,均通过新浪API接口获得数据,辅以人工编码完成。表5列示了控制变量的定义及其度量方法。 微博内容特征主要包括微博字符数、是否包含话题标识、是否包含短链接、是否包含图片和是否原创。单条微博字符数量越多,包含高价值属性信息的可能性越大。但是,当字符数超过用户信息处理能力的极限后,就会产生信息过载,降低用户的传播意愿(陈明亮,2009)。因此,微博字符数对传播效果的作用方向有待严格的实证检验。人类处理信息的机制,决定了拥有图片的微博更容易获得关注,增加了传播的可能性。话题标识或短链接,采用与微博主体不同的颜色,其作用机制与图片相仿。最后,企业在微博内容、发布形式上精心设计,能提高微博的信息质量,增强传播效果。 新浪微博上线初期,用户人数经历了爆发式增长,直到2011年下半年增速才有所放缓。依据产品周期理论,可以认为新浪微博的发展对微博传播效果具有非线性的系统性影响,呈倒“U”型曲线。因此,本文引入微博发展趋势及其二次项,以控制由微博自身发展带来的讨论量。微博发展趋势变量的具体处理方法为:以新浪微博正式上线时间(2009年8月)为基准,计算样本中微博的发布时间与其相差的整数月份①。此外,引入时间虚拟变量,以控制不同时间发布的微博对用户关注度的稀释作用;引入行业虚拟变量,以控制行业特性带来的自发性讨论量。 五、实证分析及结果 (一)估计模型的选取 本文研究对象为微博转发数,属于非负整数,适合使用计数模型进行拟合。因此,对数据分别采用标准的泊松回归模型、负二项回归模型、零膨胀回归模型和零膨胀负二项回归模型进行估计。通过比较拟合指标,最终选择AIC和BIC均最小的负二项回归建立计量模型。表6为估计模型的拟合情况。 (二)微博传播效果的影响因素分析 根据前文的计量模型和变量设定,采用极大似然估计法对模型进行估计。结果见表7和表8。 微博内容和关键影响者模型(表7模型1、表8模型1)的实证结果显示,“知识分享”类微博的传播效果最好,其次是“品牌/产品信息推介”类,两者均为信息类微博,满足了消费者对高价值属性信息的需求,成立。而且,前者多为实际消费经验的分享,可以帮助消费者降低决策风险,因而比后者更容易获得传播(金立印,2007)。上述结论意味着,消费者在新媒体上的信息传播行为,主要来源于搜索、获取高价值信息的需求。显然,这与现有文献普遍强调新媒体的“社交属性”存在差异。我们认为,新媒体的开放性使虚拟活动公开化、透明化。在中国,人际关系具有“差序格局”的特点(阎云翔,2006;费孝通,1947),属于内层“圈子”(吴娅丹、赖素莹,2006)的社交行为,具有明显的排他性、封闭性和私密性。在公开空间中发生的社交行为,多属于外层“圈子”的范畴,互动频率低,连接强度弱。消费者容易受“内圈人”的影响改变态度或行为;并倾向从“外圈人”那里获取信息、想法(Granovetter,1983)。新媒体上,消费者会积极关注在线下无法建立关系的“外圈人”,目的是为了快速、及时地获取从“内圈”无法获取的信息,而不是期望对方将自己纳入其人际关系的内层“圈子”。因此,消费者在新媒体上的“社交行为”,更多的应归属于外层“圈子”的范畴,本质是通过搜索、传播信息来满足对价值属性的需求,而不是满足社交需求。这也就解释了信息类内容的传播效果要远高于其他内容的原因。 “社会热点问题”类微博位列第三,内容多为时事热点、民生焦点,涉及多方利益,容易产生“一石激起千层浪”的社会舆论效应,因此成立。“心灵鸡汤”和“有趣图片/故事分享”类内容对传播效果的促进作用显著。前者多为一些生活感悟、名言警句,与信息接受者的生活经验较为符合,容易产生情感共鸣;后者能够满足用户愉悦心情、释放压力的需求,和成立。值得注意的是,基于企业实践纳入模型的内容类别,对传播效果无显著提升作用。我们认为,消费者逐渐掌握了信息传播的控制权,企业的角色应定位于信息发布者,而不是传播参与者。“网上活动”类似于线下抽奖、样品赠送的活动,企业仍是信息传播的参与者,角色越位,传播效果不佳。另外,企业缺乏对新媒体“信息属性”的重视,过分强调其“社交属性”,导致“与用户互动”类内容的传播效果显著地低于平均水平。 根据粉丝量度量模型(表7模型1),关键影响者对传播效果的促进作用与粉丝量成正比。其中,层次一的影响力是层次二的3.23倍。前者平均拥有11623347位粉丝,后者为7697581位,粉丝量之比为1.51,由此可知,粉丝量(出度)的增加导致影响力的非线性递增,得到验证。从账户类型分析(表8模型1):网站官方账户的贡献度最大,行业专家次之,商业账户和品牌账户位列第三、四位。这说明,相比于其他商业信息源,意见领袖、市场行家对传播效果的贡献度更大,和成立。由于商业账户、社会名人和品牌账户拥有大量直接受众,虽然可信度、权威性不如前两者,但曝光度高弥补了信息质量的不足②。上述结论表明,网络口碑在新媒体上的传播扩散机制,本质上依然遵循从信息源(企业和品牌),到关键影响者(意见领袖、市场行家),再到一般受众的两级传播规律。 进一步,加入微博内容特征后(表7、表8模型2),内容、关键影响者的相关结论依然成立。实证结果显示,拥有图片的微博转发数显著大于没有图片的微博。这说明,图片的视觉效果(Davis and Khazanchi,2008)降低了用户信息处理强度,在减少阅读成本的同时,更容易为用户带来高价值。微博字符数对微博的传播效果无显著作用,与之前推论相符。为了进一步分析两者的关系,我们将样本按字符数分为三组:0~50、51~100、101~140,计算组内平均转发数。Friedman秩和检验结果(Friedman =3.023,p=0.223)显示,微博内容对字符数与传播效果之间的关系并不产生调节作用。 加入其余控制变量(表7、表8模型3~5)后,结果显示,平台的发展趋势变量显著为正,其二次项显著为负,与前文假设的倒“U”型曲线吻合。进一步通过计算发现,曲线的拐点出现在Trend为28.73时③,即2011年12月到次年1月期间。这意味着,新浪微博作为一个新产品,在2012年之前历经导入期和成长期,现在已经进入成熟期。2012年之后,新浪微博已无法仅仅依赖新增用户实现发展,企业需要通过提供更多高价值属性的信息,来提高现有用户的渗透率和活跃度。 (三)网络口碑内容和关键影响者因素的相对作用强度 本研究拟通过分析变量的边际效应,来测量内容和关键影响者对于传播效果的相对作用强度。在完整模型(表7、8的模型5)中,分别剔除内容和关键影响者变量,考察拟合优度的变化比率。 表9和表10分别给出了两类关键影响者度量模型的比较结果。当剔除内容变量后,模型的拟合优度分别降低了14.27%和15.01%;剔除关键影响者变量后,分别降低了18.03%和19.55%。显然,后者对模型的解释能力损耗更大。这说明,相比于网络口碑的内容,关键影响者对传播效果贡献度更大。原因在于:首先,消费者对于企业营销信息的消费行为发生了变化。新媒体平台的信息传播机制比传统媒体更加复杂,呈现出网络化、碎片化的特点,信息消费速度远高于传统媒体。现代生活节奏不断加快,消费者在单条信息上花费时间较少。类似于服务的有形展示,信息源本身成为了消费者判断网络口碑质量的重要依据,可信性、权威性高的信息源提升了消费者对网络口碑的感知价值。其次,新浪微博平台的迅速增长,增加了用户间互动的难度,新浪微博的“社交属性”逐渐消失。Westerman等(2012)也发现,随着Twitter用户的增长,用户之间的互动频率日趋减少,去社交化趋势明显。综上分析,在新媒体环境下,消费者改变了对企业营销信息的消费行为,以及新媒体的“社交属性”逐渐弱化,使得关键影响者成为网络口碑传播效果的决定性因素。因此,企业应当将更多的营销资源投入到对传播参与者的管理上。 六、结论与建议 (一)主要研究结论 由于新媒体的快速发展,网络口碑传播对企业经营业绩的促进作用愈来愈明显。如何激励消费者主动传播企业创造内容型网络口碑,提升网络营销效果,是企业迫切需要解决的问题。本文基于新浪微博的大样本数据,通过构建实证模型,模拟企业创造内容型网络口碑(微博)传播的影响因素,从企业传播的视角,研究了如何优化企业创造内容型网络口碑传播效果,得到以下结论: 第一,在新媒体时代,信息碎片化改变了消费者的信息消费行为;同时,新媒体平台的“社交属性”不断弱化。在这两者的共同作用下,参与传播的关键影响者对企业创造内容型(FCG)网络口碑传播效果的促进作用愈来愈大。这表明,影响网络口碑传播效果的关键因素是营销信息源的可信度,而不是信息内容本身。 第二,关键影响者出度数越大,即直接受众群体基数越大,对企业创造内容型网络口碑的传播效果贡献度越大。由于存在扩散门槛,使其影响力随受众人数的增加而呈非线性递增。从类型分析,市场行家贡献度最大,其涉猎多领域知识,被消费者认为是权威信息的重要来源,是网络口碑传播效果的核心影响者。这表明,与传统媒体相比,新媒体上网络口碑的传播速度更快、范围更广、结构更复杂,但其传播扩散机制本质上依然遵循着两级传播规律。 第三,在网络口碑的内容中,高价值属性的信息传播效果最佳。得出这一结论的原因在于中国消费者人际关系中“差序格局”的特点。消费者与“内圈人”的社交行为排他性、私密性高。新媒体上形成的社交行为公开、透明,多属于外层“圈子”,建立、维护关系的目的是出于对高价值信息的需求,而不是社交需求。这一结论与其他研究存在差异。虽然具有较强情感共鸣的、趣味性的以及争议性的口碑内容也会影响传播效果,但程度要低于口碑的信息价值属性。 第四,“用户创造内容”借助信息内容本身,以用户自主传播为主;传播的信息中包含用户体验和情感,甚至是负面情绪。在传播过程中,企业被动式倾听消费者的声音,信息价值的变化具有不确定性。“企业创造内容”取决于信息内容的可信度,通过关键传播者的影响力,保持了企业形象在传播过程中的完整性,通过与消费者的互动,顺着消费者的习惯强化印象,不断提升企业营销信息的商业价值和社会价值。 综上所述,新媒体传播速度快、范围广、结构复杂的特点,改变了消费者口碑传播的特性。但是,这些改变只发生在信息传播的显性层面,这是由于传播媒介的属性或者说是由于互联网技术的发展带来的变化,真正影响口碑传播效果的因素及内在运动机制依然遵循大众媒体时代的传播规律。 (二)理论贡献和实践建议 本文的理论贡献主要表现在:第一,现有研究不加区分地将用户创造内容型(UGC)和企业创造内容型(FGC)网络口碑归为一类。同时,研究对象多为有关产品或服务与顾客购买、消费行为相关的事实型口碑,仍属传统口碑的范畴。现有文献缺乏对扩散型网络口碑传播效果影响因素的分析,尤其对企业创造内容(FGC)型网络口碑关注度较少。本文的实证分析成果,在一定程度上弥补了该领域研究的不足。第二,与先前学者的处理方法不同,本文首次将口碑内容和关键影响者两类因素同时纳入一个模型,分析两者对传播效果的影响。第三,以往研究大多采取问卷或实验法,容易产生实验者偏差和被试偏差,因而限制了研究结论的外部效度和实践价值。本文在分析新浪微博实际行为数据的基础上,建立实证模型,增强了对真实世界的解释力,有效减少了样本选择对于研究外部效度的影响。第四,本文对企业创造内容型网络口碑的内容、关键影响者进行了详尽分类,实证分析中将信息类定性因素作了合理、有效的定量处理,在技术上为社会学及其他相关领域研究提供了有价值的参考案例。 在营销传播实践上,本文为企业如何合理分配线上营销资源,有效激励消费者自发地传播网络口碑提供了实践性指导。首先,企业应将更多的资源投入到识别、管理和维护传播参与者的工作上。那些直接受众面广、具有跨行业、多品类消费知识的市场行家,是企业育种策略的最佳选择。企业可以依据自身产品的特点,参考本文提出的度量方法(表3和表4),建立“种子数据库”,积累“传播资本”。其次,企业应意识到微博类新媒体的“信息属性”高于“社交属性”,是一个信息发布、传播的平台。营销信息的设计重点应放在如何提高信息的价值属性上,注重对实际消费经验、行业知识的传播。比照建立“种子数据库”的方法,企业也可以参考本文提出的内容分类标准(表2),建立自己的“内容数据库”,在不同的时间、活动主题中加以运用。最后,出于一些特殊的营销目的,企业需要发布一些传播性较弱的内容(如利用网络流行文化推广新产品),以增强消费者知晓度和喜好度。这种情况下,企业应当将营销资源投入到传播参与者的选择上,从“种子数据库”中选取合适的关键影响者,同时添加一些主题相关图片、话题标识等视觉线索,增加此类内容的传播效果。 注释: ①例如,某条微博发布时间为2011年12月23日,与新浪微博上线时间相差27个月,则该微博的平台发展趋势变量取值为27,其二次项则为729。 ②即使转发商业账户和品牌账户微博的粉丝比例很小,其绝对数量也十分可观。样本中,商业账户的平均粉丝数为511335.2位,品牌账户为160894.3位,位列第一、三位(位列第二位的是社会名人,平均粉丝量达到173584.6位)。假设每条微博仅有1%的粉丝参与转发,转发量也分别达到了51134次和1809次。 ③粉丝量度量模型(表7模型5)中,在Trend等于28.39时达到二次曲线拐点。账户类型度量模型(表8模型5)中,在Trend等于29.06时达到二次曲线拐点。取两者的平均值,在Trend为28.73时达到二次曲线拐点。标签:口碑传播论文; 传播效果论文; 市场营销论文; 新媒体营销论文; 新媒体广告论文; 网络模型论文; 用户研究论文; 社交产品论文; 用户分析论文; 产品属性论文; 网络行为论文; 社交平台论文; 新媒体论文;