新浪企业微博口碑传播的实证研究
张晶1,2, 黄京华1,2, 黎波2, 严威2
1. 清华大学 现代管理研究中心,北京 100084
2. 清华大学 经济管理学院,北京 100084
黄京华,教授, E-mail:huangjh@sem.tsinghua.edu.cn

作者简介: 张晶, 女(汉), 辽宁,博士研究生。

摘要

该文针对企业微博的口碑传播,基于口碑营销理论和产品类型研究,对企业微博转发数的影响因素进行研究,建立了企业微博的口碑传播模型。企业微博的转发数受到粉丝数和产品类型的影响。通过抓取新浪企业微博的实际运营数据,运用面板数据模型对模型的系数进行了估计。研究结果表明: 企业微博的转发数受到粉丝数和新增粉丝数的影响; 并存在正的自相关,即前一天的转发数会正向影响后一天的转发数; 产品类型对企业微博的转发数有显著的影响,提供体验型产品的企业转发数高于提供搜索型产品企业的转发数。

关键词: 企业微博; 口碑传播; 转发; 产品类型
中图分类号:F270.7 文献标志码:A 文章编号:1000-0054(2014)05-0649-06
Empirical research on enterprise micro-blogs' word-of-mouth of Sina Weibo
Jing ZHANG1,2, Jinghua HUANG1,2, Bo LI2, Wei YAN2
1. Research Center for Contemporary Management, Tsinghua University, Beijing 100084, China
2. School of Economics and Management, Tsinghua University, Beijing 100084, China
Abstract

Information about a company' micro-blog is often spread by word-of-mouth. This paper uses a company micro-blog word-of-mouth model to analyze the factors affecting the number of retweets of a micro-blog, based on word-of-mouth marketing theory and a product type model. The number of retweets of a company micro-blog information is affected by the number of fans and the product type. This study uses crawled data of a company micro-blog to estimate the correlation coefficients using a panel data model. This study shows that not only do the number of fans and the increasing number of an enterprise micro-blogs influence the number of retweets, but they also have positive autocorrelation. The product type also influences the number of retweets, with greater influence for products the user has personally used than for products seen in searches.

Keyword: company micro-blog; word-of-mouth; retweets; product type

近年来随着社会化媒体的迅猛发展,微博作为企业与消费者沟通的新渠道,被越来越多的企业采纳。根据新浪发布的《2012年企业微博白皮书》的数据显示,截至2012年2月底,共有130 565家企业开通新浪微博。企业微博的商业价值在用户行为中得到体现: 六成新浪微博用户会因看到企业微博内容而产生实际的购买行为,九成用户会搜索企业的产品信息,而更多的搜索会激发其购买行为。企业如何通过微博宣传其品牌,进行营销推广是管理者面临的新问题。

关于如何利用企业微博进行口碑营销是一类热门的研究问题,消费者对企业产品和信息的口碑传播对企业的营销活动有着重要的意义。企业微博作为企业的自媒体平台,它的转发数(在本文中表示一个企业微博帐号的某天总体转发数)体现了企业信息被传播的次数,代表了企业微博口碑传播的次数,是表示企业微博营销效果的最重要指标。因此,对企业微博转发数的影响因素进行深入研究有着重要的实践价值。因此,本文试图借鉴口碑营销理论和企业产品类型的研究成果,对转发数的影响因素进行研究,构建企业微博的口碑传播模型。

目前国内外学者对企业微博转发数的影响因素研究还非常少。Burton 等的研究表明Twitter的企业微博转发数在不同的国家之间以及不同规模企业之间没有显著的差别[1]。Malhotra等以每条微博内容为研究对象,研究了企业如何提高微博被转发的次数[2]。金永生等针对企业微博的营销活动,提出了微博营销活动效果和粉丝数量的短期互动模型,该模型揭示了企业微博的转发数受到前一天转发数的影响[3]。本文在这些研究的基础上,借鉴下述以往口碑营销等研究,研究企业微博口碑传播,分析企业微博转发数的影响因素。

在市场营销领域,很多学者关注口碑营销的作用,这方面的研究证明了消费者自发的或者经由企业市场营销人员引导的口碑传播行为能够给企业带来价值[4,5,6,7]。Lin等研究发现,市场营销人员创造的内容可以驱动消费者的购买行为,提升企业的销售收入[7]。Duan等的研究发现,口碑传播的数量存在自相关,并在短时间内会迅速增长[5]。Trusov等研究发现,企业网站的新增注册用户数与用户推荐给朋友该网站的次数存在相互影响的关系[6]。产品类型对口碑传播也存在显著影响,其中应用最为广泛的是搜索型/体验型产品的分类[8,9,10]。如果消费者可以通过搜索来得到某种产品的信息(特别是质量信息), 那么这种产品就是搜索型产品,例如服装、鞋帽。如果消费者必须通过购买体验来获得某种产品的质量信息,该产品就是体验型产品,例如食品、烟酒[8]。以往的研究表明,一方面广告信息对消费者购买搜索型产品的影响更大,体验型产品往往广告花费更高,边际收益却更低[8,9]。另一方面,其他消费者或者第三方的评论信息对消费者购买体验型产品的影响更大,因为其他人对产品的评论可以帮助消费者做出购买决策[10]

然而,以上研究对于企业微博的转发数是否存在自相关,转发数是否会受粉丝数或新增粉丝数的影响以及产品类型是否会影响企业微博的转发数却缺乏相应的研究。因此,本文基于上述研究,提出影响企业微博转发数的影响因素假设和模型,并利用企业微博实际运营数据对假设进行检验。

1 研究假设

企业微博的转发数有可能受粉丝数(包括前一天的企业微博粉丝数和当天新增粉丝数)的影响。

1) 如果企业微博本身具有的粉丝数较多,那么企业所发布的内容会被更多的人看到,而其中感兴趣的人会转发微博,导致转发数较多。

2) 借鉴实证研究结果,当网站的新增注册用户数越多时,这些新增用户推荐该网站的次数就越多[6],对于企业微博来说,如果新增粉丝数越多,那么粉丝转发微博的总数也会相应地提高。因此,转发数受到粉丝数的影响,也会受到新增粉丝数的影响。由此,有

假设1(H1) 企业微博的前一天粉丝数和当天新增粉丝数越多,企业微博的当天转发数就越多。

企业微博转发数可能存在正向的自相关,即前一天的转发数越多则后一天的转发数也越多。

1) 在社会网络中,口碑传播往往会在短时间内达到非常惊人的数量[4],这说明之前的口碑传播会引发更多的口碑,也就是说口碑传播的数量存在正向的自相关[5]。对于企业微博来说,转发是一种粉丝自发的口碑传播行为,当前一天的微博引起了大量的转发后,这种口碑不会立刻消失,而会延续一段时间,因此后一天的转发数与前一天的转发数是密切相关的。

2) 营销领域的研究表明,意见领袖在在线社区中发挥着重要的作用[11]。研究报告也表明,在社区中,少数的活跃用户贡献了大部分的内容。对于企业微博来说,也会有一些粉丝相对更活跃,他们经常转发企业的微博并积极地参与企业微博的活动。因此,如果企业微博前一天的转发数较高,说明企业微博可能拥有一些较为活跃的粉丝群体,那么企业微博后一天的转发数也会较高。

3) 根据AISAS(attenion-interest-search-action-share)模型理论,当天的转发数和前一天的转发数存在自相关,前一天活动的影响力越大,后一天活动的影响力也越大。因而当天的转发数和前一天的转发数存在正向的自相关[3]。由此,有

假设2(H2) 企业微博的转发数存在正向的自相关。

企业微博的转发数可能受到产品类型的影响。在微博这种社会化媒体上,体验型产品可能更容易引发用户的口碑传播行为。

1) 对于体验型产品来说,相关的产品使用体验和产品参与活动对消费者的效用更高,因而这些活动的信息更容易引起粉丝的转发。

2) 体验型产品由于其产品特性很难从信息搜索中获得,他人的推荐对体验型产品显得尤为重要[8,10]。转发企业微博意味着对企业产品的认同和肯定,这种转发有着推荐的意味,消费者基于对转发者的信任会相信企业的宣传和推荐,进而也会转发企业的微博。

3) 新浪微博设置了转发并同时评论的功能,企业的粉丝在转发企业微博时通常会加上自己对产品的评论和推荐,其他人在看到粉丝对产品的评论信息后,如果觉得该信息有助于帮助甄别产品的质量,就会继续转发该微博和评论。由此,有

假设3(H3) 产品类型对企业微博的转发数有显著影响,提供体验型产品的企业的转发数会高于提供搜索型产品的企业的转发数。

为了研究上述因素对转发数的影响,还必须控制其他可能会对转发数产生影响的因素。

1) 发微博的日期是否为节假日,由于企业很少在节假日举办活动,因此发文当天是否为节假日可能影响到转发数。

2) 企业微博当天的发文数,发文数越多,转发数越多。

3) 企业微博从运营开始到目前为止的发微博总数,反映了企业运营微博的时间长短和经验的积累程度,发文总数越多转发数也会越多。

根据前面的分析和假设,得到了企业微博转发数的影响因素模型(也称口碑传播模型)如图1所示。

2 研究方法
2.1 模型设计

为了验证假设H1和H2, 构建模型1。该模型是以企业微博的日转发数作为因变量,并考虑了企业的个体效应( ηi), 用以控制内生性的问题。为了检验假设3, 考虑产品类型因素,构建模型2。为了检验产品类型的影响,模型2中用产品类型替代了模型1的个体效应,即认为产品类型是影响因变量的主要个体因素。这样既考虑了企业的个体差异又不会损失太多的自由度。模型1和2中各变量的含义如表1所示,其中, i=1,…, N表示第i家企业微博。模型1和2也称为企业微博口碑传播模型。

REPOSTi,t=ηi+β1REPOSTi,t-1+β2FANS_INCi,t+β3FANSi,t-1+β4HOLIDAYt+β5POSTi,t+β6SUM_POSTi,t+εi,t, (1)REPOSTi,t=η+β1REPOSTi,t-1+β2FANS_INCi,t+β3FANSi,t-1+β4HOLIDAYt+β5POSTi,t+β6SUM_POSTi,t+ρEXPERIENCEi+εi,t. (2)

表1 变量及其含义

在模型1和2中,因变量是当天的转发数REPOST i, t。对于假设1, 粉丝数越多,转发数越多,在模型中表示为,当天的转发数REPOST i, t, 受到当天新增粉丝数FANS_INC i, t和前一天的粉丝数FANS i, t-1的正向影响,即假设 β2>0和 β3>0显著。对于假设2, 转发数是正的自相关,即前一天的转发数正向影响当天的转发数,在模型中表示为,当天的转发数REPOST i, t, 受到前一天转发数REPOST i, t-1的正向影响,即假设 β1>0显著。对于假设3, 转发数受产品类型的影响,体验型产品的转发数会高于搜索型产品的转发数,在模型中表示为,体验型产品EXPERIENCE i的当天的转发数REPOST i, t高,即假设 ρ>0显著。其余的变量是模型的控制变量,控制了第 t天是否为节假日HOLIDAY t, i企业微博当天的发文数POST i, t, 以及 i企业微博截至到第 t天总共的发微博总数SUM_POST i, t

2.2 数据收集

为了验证上述模型,本文拟选取新浪微博平台上若干代表性的企业微博运营数据。根据新浪微博平台上企业微博的普遍特点,设计了拟选择的样本企业微博应满足的条件:

1) 粉丝数>5 000;

2) 开设微博时间>4个月;

3) 每日发文次数>2;

4) 到收集数据时间为止仍在运营,即最后一条微博是抓取数据当天发布的。

从2011-11—2012-03间,按照上述标准,跟踪并抓取了麦考林、携程旅行网、德芙悦时刻、 Northface、Coach等62家企业连续70 d的微博运营数据。

为了研究产品类型对转发数的影响,本文参照Nelson的标准对62家企业的产品划分成搜索型产品和体验型产品2大类[9],结果如表2所示。

表2 行业和产品类型分布
3 实证分析和结果
3.1 描述性统计分析

本文使用统计软件Stata9.0来进行数据处理和分析。对模型中的主要变量进行了描述性统计分析和相关系数分析。结果显示新增粉丝数、转发数等变量的均值较高,方差较大,说明所选企业样本有一定的代表性和区分度。而转发数和粉丝数的相关系数为0.387 6, 转发数和新增粉丝数的相关系数为0.297 1, 属于中度相关。由于篇幅所限,这里就不报告详细的结果表格了。

3.2 模型估计和检验方法

在模型估计和检验方法的选择过程中,主要遵循以下原则和步骤:

1) 根据数据的特点选择模型。由于搜集的数据是面板数据,在检验假设1和2时采用变截距的面板数据模型进行系数估计,即模型1。其原因是不同的企业在运营微博的过程中存在一些差异,而这些差异往往是观测不到的,无法列出这些因素作为控制变量。而变截距面板数据模型假定每家企业都具有个体效应,并将个体效应放入模型,从而控制不可观测到的个体效应对因变量的影响,以解决模型可能存在的内生性问题。

2) 由于变截距面板数据模型分为固定效应模型和随机效应模型,为了判断哪种模型更合适,对模型1进行了Hausman检验[12]。该检验的结果显示 P<0.000 1, 强烈拒绝了随机效应较好的假设,因而选择固定效应模型估计模型1的系数。

3) 考虑到数据可能存在异方差,在对模型1进行估计之前,对样本数据进行了异方差的检验。模型1中White检验的结果,卡方值为529.73, P=0.000 0, 强烈拒绝同方差的原假设,认为存在异方差。各种形式的BP检验显示 P=0.000 0, 也显示出模型存在异方差。因此,在对模型估计时采用了稳健标准差,可以保证在异方差存在的情况下有效地估计系数的显著性。

4) 由于固定效应的面板数据模型无法估计不随时间变化的个体因素变量,如产品类型。因而模型2用产品类型替代模型1中的个体效应( ηi)。这样就简化了固定效应模型对每个企业都含有不同的个体变量的假设,认为产品类型是最重要的个体因素。在这种情况下用混合回归模型估计模型2的系数,同时检验假设H1、 假设H2和假设H3。

5) 比较模型1和模型2的结果,如果大部分假设的结论是一致的,说明假设检验较为稳健。

3.3 模型估计结果

1) 模型1估计结果

使用固定效应模型对模型1进行了初步估计,结果如表3。模型解释了转发数47.66%的方差。其中,新增粉丝数显著影响当天的转发数( P<0.01)。前一天粉丝数对当天转发数的影响负的显著。只是部分支持假设1。微博转发数存在自相关,前一天的转发数会显著正向影响后一天的转发数( P<0.01), 支持了假设2。在各控制变量中,节假日、发文数会显著影响微博的转发数,其中节假日的影响系数为负( P<0.01), 而发文数的影响为正( P<0.01)。说明节假日时企业发文可能会少,粉丝转发数就会少。同时微博运营人员发文数越高,举办活动的次数越多,粉丝会感觉微博更加活跃,因而会影响到微博的转发数。控制量企业微博累计总发文数对当天转发数没有显著影响,说明微博运营的历史对转发数没有影响。

表3 模型1估计结果

模型1是在控制了更多的不随时间变化的因素,即企业特征( ηi)的情况下,检验出前一天粉丝数对转发数的影响显著为负,与假设相反。出现这种结果的原因可能是,每个企业的前一天粉丝数在70 d的变化率不是很大,即它随时间变化不明显。为了证明这一猜想,计算了每家企业前一天粉丝数的日均变化率,结果是0.4%,也就是说变量“前一天粉丝数”基本上是一个不随时间变化的变量。在模型中,不随时间变化的因素,都体现在企业特征( ηi)里,可以理解为不同企业的粉丝数是不同的。在这种情况下,模型1应做适当修改,去掉变量“前一天粉丝数”后重新估计其它变量对转发数的影响是否显著。模型1修改后的估计结果如表4。结果说明,假设1和假设2均得到了支持。修改后的模型的方差解释度为47.44%。

表4 修改后的模型1的估计结果

2) 模型2估计结果

对模型2进行估计的结果如表5。模型解释了转发数35%的方差。从结果中看出,加入产品类型后,新增粉丝数显著影响当天的转发数( P<0.01), 前一天粉丝数显著影响当天转发数( P<0.01), 支持假设1。微博转发数存在自相关,前一天的转发数会显著正向影响后一天的转发数( P<0.01), 支持假设2。体验型产品对当天转发数的影响显著为正( P<0.01), 支持假设3。

表5 模型2估计结果

对模型自变量的多重共线性检验结果表明,方差膨胀因子VIF值均远小于10, 可以认为多重共线性并不显著。从修正的模型1和模型2估计的结果显示,对相同变量的估计结果是完全一致的, 2个模型的验证结果一致都支持假设1和2。在模型2中加入“前一天粉丝数”这个变量是合理的,因为模型2可以估计不随时间变化的自变量对因变量的影响。

4 结果讨论

本文基于企业微博口碑传播模型的实证数据分析,得到以下主要结果:

1) 企业微博的转发数受到新增粉丝数和前一天粉丝数的影响,说明微博的关注度会正向影响口碑传播的数量。对企业微博来说,粉丝在企业微博上进行的转发是一种低成本、自发的营销活动,不仅帮助企业扩大了品牌效应,还可以促进企业产品的销售,为企业带来价值。

2) 企业微博的转发数存在自相关。具体来说,企业前一天的转发数越多,后一天的转发数也越多。因此企业微博口碑传播数与历史数据密切相关,说明企业(特别是中小企业)需要重视微博的长期运营,不能因为一时的效果不佳而放弃对微博的经营。

3) 企业的产品类型显著影响微博的转发数,提供体验型产品的企业的转发数显著地高于提供搜索型产品的企业的转发数。以Coach和德芙的微博为例,前者是典型的搜索型产品而后者是典型的体验型产品,它们分别是女包和糖果行业中的著名品牌,都拥有良好的消费者基础。到数据收集为止Coach的微博粉丝数有45万,而德芙的粉丝数有19万。尽管Coach的粉丝和新增粉丝都多,可是微博的转发数却并不高,而德芙尽管新增粉丝数只有Coach的1/10, 但转发数却比Coach还略高一些,而且与新增粉丝数的相关性也更高。也就是说对于体验型产品来说,微博能带来更为显著的口碑传播,因而该类企业更需注重事件营销,从而最大化地提高微博的转发量。

5 结 论

本文从口碑营销理论和产品类型研究出发,提出并检验了企业微博口碑传播模型。本文得到主要结论如下:

1) 将口碑营销研究拓展到社会化媒体平台上,扩充了口碑营销研究的成果。

2) 搜集了62家企业微博70 d的真实运营数据,无论是从数据量还是对微博整体转发数的分析都超越了之前的研究,并且进一步证实了企业微博的整体转发数也存在显著的自相关。

3) 说明了企业应该根据自己的产品特点来构建合适的微博运营策略,对于体验型产品要更加注重事件营销来引爆口碑传播的数量。

4) 使用多个企业的面板的数据,考虑到不同企业的个体效应,控制了模型的内生性,提高了结论的普适性。

The authors have declared that no competing interests exist.

参考文献
[1] Burton S, Soboleva A. Interactive or reactive? Marketing with Twitter[J]. Journal of Consumer Marketing, 2011, 28(7): 491-499. [本文引用:1]
[2] Malhotra A, Malhotra C K, See A. How to get your messages retweeted [J]. MIT Sloan Management Review, 2012, 53(2): 61-66. [本文引用:1]
[3] 金永生, 王睿, 陈祥兵. 企业微博营销效果和粉丝数量的短期互动模型[J]. 管理科学, 2011, 24(4): 71-83.
JIN Yongsheng, WANG Rui, CHEN Xiangbing. The short-term interaction model of enterprise micro-blog and the number of fans[J]. Management Science, 2011, 24(4): 71-83. (in Chinese) [本文引用:2] [JCR: 2.524]
[4] Godes D, Mayzlin D. Using online conversations to study word-of-mouth communication[J]. Marketing Science, 2004, 23(4): 545-560. [本文引用:2]
[5] Duan W, Gu B, Whinston A B. Do online reviews matter? An empirical investigation of panel data[J]. Decision Support Systems, 2008, 45(4): 1007-1016. [本文引用:2] [JCR: 2.036]
[6] Trusov M, BucklinR E, Pauwels K. Effects of word-of-mouth versus traditional marketing: Findings from an internet social networking site[J]. Journal of Marketing, 2009, 73(5): 90-102. [本文引用:2]
[7] Lin Z, Goh K Y. Measuring the business value of online social media content for marketers [C]// Proceedings of the Thirty Second International Conference on Information Systems. Shanghai: Association for Information Systems, 2011. [本文引用:2]
[8] Nelson P. Advertising as information[J]. Journal of Political Economy, 1974, 82(4): 729-754. [本文引用:4]
[9] Nelson P. Information and customer behavior[J]. Journal of Political Economy, 1970, 78(2): 311-329. [本文引用:2]
[10] Huang P, Lurie N H, Mitra S. Searching for experience on the web: An empirical examination of consumer behavior for search and experience goods[J]. Journal of Marketing, 2009, 73(2): 55-69. [本文引用:3]
[11] Nair H S, Manchanda P, Bhatia T. Asymmetric social interactions in physician prescription behavior: The role of opinion leaders[J]. Journal of Marketing Research, 2010, 47(5): 883-895. [本文引用:1]
[12] 陈强. 高级计量经济学及Stata应用 [M]. 北京: 高等教育出版社, 2010: 312-337.
CHEN Qiang. Advanced Econometrics and Stata Applications [M]. Beijing: Higher Education Press, 2010: 312-337. (in Chinese) [本文引用:1]