2018年1月4日下午两点，中国营销工程与创新研究中心(以下简称“MEI”)2018-2019年第一学期第16次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师、朱华伟老师及MEI各位成员。

　　本次Seminar由费卓颖研读文章《Device Switching in Online Purchasing: Examining the Strategic Contingencies》。

　　移动设备普及率的增加对客户在线购物行为产生了重大影响，在消费过程中客户经常喜欢切换移动设备和固定设备。通过考虑设备的属性和与每个产品类别相关的感知风险，本文提出当用户在购物过程中改变不同的设备(主要是移动性不同的设备，例如从手机换到电脑)对于转换率(conversion rate)影响的假设。通过对之前的文献总结归纳，发现鲜有文章同时关注顾客异质性和产品异质性，前人的研究主要关注购买过程中所使用的设备的变化，因此，本文关注这种跨设备的变化与产品以及消费者消费行为之间的关系。此外，本文认为购买风险(purchase risk)是消费者改变购物过程中所使用的设备的重要机制，通过分析来自大型在线零售商的点击数据和运用倾向得分匹配的方法来验证假设，本文的主要研究框架如图1所示。

　　图1 研究框架

　　本文的数据来自欧洲大型在线零售商的个人级点击流数据，数据期间为2011年12月20日至2012年10月31日，共317天。数据选择方面，仅限注册客户、参与至少两次会议的客户、仅对属于同一路径的会话感兴趣、在数据期间至少使用两个不同设备的客户。用这四个方面对数据进行过滤选择。选取网站的类型、设备是在每周的星期几使用、针对正在观看的产品和不同设备上的时间方面上连续两个会话的相关性、年龄和性别、时间作为控制变量。

　　文中使用了倾向得分的方法，即控制客户自我选择中的偏差，以便客户在设备之间切换的会话可以相互比较。同时，文中运用估计多项逻辑回归模型，该模型用以预测客户是否以及在何种方向(即更多或更少的移动设备)切换，预测的概率是倾向得分。在结果部分(TABLE7)用了三种不同的模型(without propensity scores，using propensity scores as covariates，the inverse of the propensity scores as weights)进行比较。第一种是没有处理过的一般的效应，后两种是把propensity scores作为控制变量。与第二种相比，第三种的区别在于计算propensity scores的方法不一样，第三种通过赋予变量以不同的权重计算得到propensity scores。

　　同时，文章在四个方面进行稳健性检验：将多设备用户与单设备用户进行比较并控制会话数量，发现多设备用户的转换率明显高于单设备用户;使用变量“SKU在购物篮中是否被替代”作为因变量来检查购买路径的早期阶段结果是否相似;文中包括一个调节变量，关于产品类别是实用的还是享乐的，以测试产品风险或产品类别是否真正驱动效果;检查拥有此类设备是否会影响其他设备的未来转换率，以调查客户购买新平板电脑时文中的结果是否成立。这些稳健性检查的结果均符合预期并支持主要结果。

　　研究结果验证了Xu et al.(2017)的结论，即拥有一个额外的设备会影响其他设备上的使用率和转化率。并且，当与产品相关的感知风险更高(功能风险、财务风险和安全风险)，以及消费者对于产品和在线零售商知之甚少时，效应会增强。

　　实践运用方面，本文给我们的启示是，首先，管理者不应过于关注移动设备的低转换率。在线零售商不仅应该关注转换设备，还应该关注导致转换的设备的组合和顺序。其次，移动设备提供有价值的信息，可以帮助在线零售商识别购买路径中转换率加倍或超过两倍的时刻，正如文中模拟所示;最后，建议在线零售商更好地整合客户的跨设备体验，以提供更好的服务体验。

　　至此，本次Seminar文章研读完毕。

　　图2 费卓颖讲解文章

　　之后，苏羽分享了自己近来的研究进展，黄老师提出了场景的重要性，建议可以将研究放在具体的场景中研究，在此基础上，其他同学也提出了自己的想法及建议。

　　本次Seminar是本学期最后一次，在会议最后，黄老师总结分析了每个人的优缺点，基于时代大背景劝诫同学们要提升做研究的能力，一方面要有高质量的输入，多读多看文献，另一方面需加强自身数据加工处理的能力，目前就业形势严峻，也要求每一位同学快速学习和掌握相关大数据分析方法，通过持续突破和迭代，提升自我能力。

　　至此，本学期第16次也即最后一次Seminar圆满结束。

　　文字/陈晶晶

　　供图/苏  羽

　　审核/郑仕勇

　　网站编辑 / 苏  羽