欧阳金桔 朱未萍 江南大学

摘要：推荐代理系统是一种嵌套在电子商务网站中的信息系统，它通过输入、推荐方法处理和输出，在丰富的数据信息中，根据顾客的兴趣偏好、个人特征和以往的购物经历等，为浏览该网站的顾客提供各种形式的推荐信息，引导顾客方便快捷的完成网上购物。文章在结合ACSI模型与技术接受模型的基础上，从推荐代理系统的推荐结果质量、顾客感知价值、顾客满意度和顾客忠诚度等方面设置了8个变量构建了推荐代理系统顾客忠诚度模型，运用SPSS18.0和AMOS 7.0软件来研究分析嵌套在电子商务网站中的推荐代理系统对顾客忠诚度的影响。

关键词：推荐代理系统；顾客忠诚度；感知有用性；感知易用性；

一、引言

中国互联网信息中心（CNNIC）在2015年7月第36次发布了《中国互联网络发展状况统计报告》，报告中的数据显示截止至2015年6月我国网络购物用户规模达到约3.74亿，与2014年底相比增加1249万人，同时我国手机网络购物用户规模增长迅速，达到2.7亿人，与2014年底相比增长了14.5%。这足以说明随着电子商务的迅猛发展，网络购物成为一种大众的消费方式，吸引着越来越多的人加入到网络购物中。但是，电子商务网站中用户数目和商品数量也在不断的增加，信息资源不断扩充，这在给顾客带来更丰富的信息及机会时，也让顾客从繁杂的信息中获取对自己有用的信息变得越来越困难，使顾客筛选所想要信息的成本越来越高，也容易出现顾客选择困难、购买延迟和对选择不满意等问题，如何能降低顾客的成本，使其快速、准确的挑选到自己所需要的信息，是电子商务商家能在众多网站中得以生存和发展过程中需要解决的问题。正是在这样的背景下，许多电子商务网站为了解决互联网信息日益冗杂的问题，引进了推荐代理系统（Recommendation Agent systems, RAs），目前我国的电子商务网站大都使用了推荐系统，如淘宝网、京东商城和当当网等。

推荐代理系统是嵌套在电子商务网站中并向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。它能够在丰富的数据信息中，根据顾客的兴趣偏好、个人特征和以往的购物经历等，向顾客推荐其相应的商品及信息，帮助顾客从繁杂的信息筛选中快速准确的挑选出想要的信息。

国内外学者对推荐代理系统研究的较多，主要是集中在其算法和评估中，对其应用价值的研究不多。Xiao & Benbasat（2007）进一步提出了推荐代理系统能减少顾客的搜索精力和决策时间，提高顾客的决策质量和决策效率；Liang 等（2006）将推荐代理系统的使用及其对顾客满意度的影响进行研究，研究结果表明顾客使用推荐代理系统所推荐的信息能够减少信息过载所带来的购物成本，进而能大大提高顾客满意度。朱岩等（2009）在其评述中将内容过滤分为基于新产品和基于新用户的内容过滤，并指出内容过滤推荐方法的应用在很大程度上解决了新产品和新用户的推荐问题。

Tongxiao Zhang等（2011）对推荐代理系统与顾客在线忠诚度的影响进行了研究，指出推荐代理系统的质量越高，顾客的购物决策质量就越高，顾客对商品的认知价值也越高，同时，高质量的决策和高质量的推荐信息服务让顾客的再次购买意愿增强，对顾客忠诚度有积极作用。陈明亮等（2009）通过构建包含推荐内容个性化、推荐信息编排、信息过载、网站形象、对推荐代理系统的熟悉度、推荐代理系统的认知价值、推荐代理系统信任、决策过程影响力和决策结果影响力9个变量的推荐系统影响力模型，实证表明推荐代理系统的使用对顾客购买决策有影响，不仅对决策结果有影响，还对决策过程产生影响。文章在相关文献研究的基础上，结合顾客满意度指数（ACSI）模型与技术接受模型，构建了推荐代理系统顾客忠诚度模型，研究分析嵌套在电子商务网站中的推荐代理系统对顾客忠诚度的影响。二、模型构建

Davis等（1989）提出的TAM模型中指出，顾客对信息技术的感知有用性和感知易用性对顾客的使用其的态度有影响，进而对使用意愿有影响。推荐代理系统作为一种信息技术，顾客对其的感知价值会影响顾客对该系统的使用意愿，即顾客对推荐代理系统的感知有用性和感知易用性会影响顾客使用该系统的意愿，Fornell提出的ACSI模型中指出顾客对服务质量的感知价值影响着顾客满意度，基于ACSI模型与技术接受模型，文章将顾客满意度作为中间变量，探讨顾客对推荐代理系统的感知有用性和感知易用性、顾客满意度、顾客忠诚度之间的关系。

（一）  模型要素

1.顾客感知有用性

综合Davis（1986）所提出的TAM模型对感知有用性的定义，文章将顾客对推荐代理系统的感知有用性定义为：顾客对嵌套在购物网站中的推荐代理系统及其所推荐的信息有用性的主观感知，即顾客对推荐代理系统的推荐形式及推荐内容能否帮助其提高决策效率的主观感受和评价。顾客在进行网购时，推荐代理系统会通过不同的推荐形式呈现不同的推荐结果给顾客，帮助顾客更快的搜寻到目标商品，推荐结果质量是影响顾客对推荐代理系统的感知有用性的因素。朱郁筱和吕琳媛（2012）在其推荐系统评价指标的最新研究进展中，指出对推荐系统的评价指标可以从准确性和多样性角度进行分析，Sean和John（2006）以 HRI 为理论基础，验证了推荐结果质量是影响顾客使用推荐代理系统的主要因素，且推荐结果的准确性和多样性对顾客感知有用性正向影响，推荐结果能否满足顾客的需求也会影响顾客对推荐代理系统的满意度。因此提出假设：

H7：推荐结果准确性与顾客感知有用性正相关；

H8：推荐结果多样性与顾客感知有用性正相关。

2.顾客感知易用性

综合TAM模型对感知易用性的定义可以将顾客对推荐代理系统的感知易用性定义成顾客在网上购物时对推荐代理系统使用时是否简单方便的主观评价。然而考虑到推荐代理系统的特性，即推荐代理系统绝大多数都是嵌套在电子商务网站中，顾客进入电子商务网站时就能够直接看到推荐代理系统所推荐的信息，没有具体的交互界面，顾客也无需付出成本或代价，顾客所能感受的就是推荐代理系统的输出特性，如推荐代理系统的输出内容、信息编排和输出的信息量等。通过与许多网购达人进行小规模访谈发现推荐信息的编排和信息过载对顾客的感知易用性有影响，陈朋亮（2009）在其研究中发现推荐信息的编排会影响到顾客对从推荐系统获取推荐服务的便利性，进而影响顾客对推荐系统在易用性的感知。因此提出假设：

H9：推荐信息编排与顾客感知易用性正相关；

H10：推荐信息过载与顾客感知易用性负相关。

3.顾客满意度

在文章中顾客满意度是指顾客在某电子商务网站进行购物时的一种心理状态，对在该网站购物的主观评价，李思曼、王宇航、李亚平(2009)通过构建消费者网上购物决策模型，实证分析出顾客的感知利得和感知易用性通过影响顾客满意度来影响消费者购买行为。姜婷（2013）在研究结果中指出顾客在网络购物中对网站的感知有用性和感知易用性对顾客满意度有显著的正向影响，且感知易用性对感知有用性有正向影响。因此提出假设：

H1：顾客对推荐代理系统的感知有用性与顾客满意度正相关；

H3：顾客对推荐代理系统的感知易用性与顾客满意度正相关；

H5：顾客对推荐代理系统的感知易用性与顾客的感知有用性正相关。

4.顾客忠诚度

文章中的顾客忠诚度是指对某购物网站的忠诚程度，将从重复购买、交叉购买的意愿和推荐意愿三方面进行顾客忠诚度的测量。Davis（1986）提出的技术接受模型中，指出顾客这一主观感知能够影响顾客的使用态度，进而影响顾客的使用行为，周鹤(2011)在其研究中指出推荐代理系统不仅能帮顾客快速便捷地找到信息，还能提供针对性的引导，提供购物体验，这样不仅能刺激潜在消费者购买，还能通过推荐的针对性，提高顾客的感知价值，进而提升顾客忠诚度。Oliver (1999)在对服务消费市场进行研究时发现，顾客满意与顾客忠诚有明显的正相关关系，即高顾客满意度可以带来高顾客忠诚度。因此提出假设：

H2：顾客感知有用性与顾客忠诚度正相关；

H4：顾客感知易用性与顾客忠诚正相关。

H6：顾客满意度与顾客忠诚度正相关。

（二）  研究模型

综合上述讨论，文章构建了如图1的推荐代理系统顾客忠诚度影响研究模型，模型包括了8个潜在变量，图1中带有箭头的直线表示两个变量之间的关系。

图1 研究模型

三、问卷调查与检验

（一）问卷的设计与发放

调查问卷的相关题项采用李克特5级量表法进行评分，将非常不同意、不同意、不确定、同意、非常同意依次评分为1、2、3、4、5，被调查者根据回忆最近自己的网购经历，对各题项进行评分。本次调查对象是有着网上购物经历的网民，主要以大学生为主，发放问卷的高校主要集中在江南大学、无锡职业技术学院、湖北师范学院和黄石理工学院四所院校，同时通过问卷星在网上进行发放。文章共发放530分问卷，回收469份有效问卷，满足结构方程模型分析方法大样本的要求。

（二）信度和效度检验

   运用SPSS软件对收集到的样本数据进行信度和效度检验，测量样本的Cronbach’s Alpha值对问卷进行信度分析，输出样本的Cronbach's Alpha值为0.949，大于0.7，且8个变量各自的Cronbach's Alpha值中最小的为0.816，大于0.7，这说明量表具有良好的信度，然后测量KMO值和进行Bartlett球体检验，来判断是否适合做因子分析，输出结果KMO值为0.940，大于0.7， Bartlett球体检验的显著性概率为0.000，小于0.01，则说明量表具有良好的信度，符合研究要求。

四、结构方程模型分析

文章利用AMOS 7.0 软件结合图1 所示的各变量之间的关系建立结构模型进行分析，运行样本数据得出结构模型的核心拟合指标数值，分别为CMIN/DF=2.404<3，CFI=0.914>0.9，TLI=0.904>0.9，RMSEA=0.072<0.1，说明模型拟合度良好。此外，AMOS软件还输出了模型各路径的系数，如表1所示，表1中的C.R.为临界比率值，相当于显著性指标t值，一般认为当C.R.＞2，P＜0.05时，表示该路径系数具有显著的统计意义。

表1 模型输出路径结果

（注：***表示P=0.000）

从表2 的数据中可以发现，除了推荐结果多样化（RD）对感知有用性（RPU）的影响不显著（C.R.﹤2且P﹥0.05）外，其他路径系数都是显著的，因此通过以上实证分析，可以得出模型的假设检验结果，如表2所示。

表2 模型假设检验结果

从表2中可以看出，文章建立的10个原假设中有9个通过了检验，而假设H8没用通过假设检验，说明推荐代理系统所推荐信息的多样化对感知有用性的影响不显著。

五、结论与建议

文章通过文献研究、问卷调查及实证分析所得出的结论，对电子商务商家提高顾客满意度和忠诚度、改善推荐系统功能以及在战略发展利用推荐系统上提出以下几个建议。

（一）提高推荐结果的准确性

    嵌套在电子商务网站中的推荐系统所推荐信息的准确性对顾客感知有用性的直接影响效应最大，而顾客的感知有用性对顾客满意度及顾客忠诚度的直接效应都很大，所以电子商务网站想要顾客在进行网购时感到满意，并且提高顾客的忠诚度，需要提高网站推荐结果的准确性。结合对修正模型的输出图发现，推荐结果的准确性对RRA3题项的路径系数最大，这说明网站推荐符合顾客个人爱好特征的信息是提高推荐结果准确性最重要的方面，因此电子商务网站想要提高推荐结果的准确性，应提高推荐信息与顾客个人爱好特征的匹配度，尤其是对重复购买的顾客，这样能给顾客提供符合其爱好的推荐，节省顾客网上购物时的浏览时间，提高顾客购物体验的满意度，进而愿意在该电子商务网站重复性购买，形成高忠诚度。

（二）合理编排网站的推荐信息

嵌套在电子商务网站中的推荐系统所推荐信息的编排对顾客感知易用性的直接影响效应最大，路径系数为0.697，而顾客的感知有用性和感知易用性均对顾客满意度和忠诚度有显著影响，所以电子商务网站想要提高顾客在其网站购物时的满意度及忠诚度，需要对推荐信息进行合理的编排。结合对修正模型的输出图发现，推荐信息编排对RIA2题项的路径系数最大，这说明了网站将推荐信息分类规范，让顾客一目了然是合理编排网站推荐信息的重要部分，即电子商务网站需要将推荐信息进行分类，可以结合顾客个人的爱好特征进行相应分类，做到简洁整齐，方便顾客浏览商品，提供给顾客一个清晰的购物的指南，提高顾客在该网站的购物满意度，进而成为顾客网购的首选网站，提高顾客的忠诚度。

（三）电子商务各商家的战略发展应重视网站中推荐代理系统的完善

通过对相关文献的研究和对样本的实证分析，顾客对推荐系统的感知有用性和感知易用性对顾客满意度和顾客忠诚度有显著影响，推荐系统的推荐质量对顾客满意度和顾客忠诚度也有着间接的影响，可见嵌套在电子商务网站中的推荐系统在电子商务的应用及发展中有明显的作用，推荐系统不仅可以减少顾客购物时间、降低顾客网上购物成本、提高顾客满意度和顾客忠诚度，还能帮助各电子商务商家跟踪顾客的购买行为和爱好需求，挖掘出顾客的潜在需求，对顾客进行针对性和个性化的推荐服务，并且可以将商家的新产品通过推荐系统推荐给有类似需求的顾客，完成新产品的市场推广，这也是对营销模式的一种创新。因此，建议电子商务商家在各自战略发展部署中重视对推荐代理系统的完善，增强对嵌套在网站中的推荐系统的战略认知，加强其在电子商务中的应用，甚至在制定营销策略时可以利用推荐系统实现一对一的网络营销策略。

参考文献：

[1]数据来源：第36次《中国互联网络发展状况统计报告》.

[2]Resnick P, Varian H R. Recommender systems. Commun ACM[J]. Communications of the Acm, 1997, 40(3).

[3]Xiao,B. & Benbasat, I. E-commerce product recommendation agents: use, characteristics, and impact. MIS Quarterly, 2007, 31(1), 137-209.

[4]TP Liang, HJ Lai, YC Ku. Personalized Content Recommendation and User Satisfaction: Theoretical Synthesis and Empirical Findings. Journal of Management Information Systems, 2006,3(23): 45-70.

[5]朱岩,林泽楠.电子商务中的个性化推荐方法评述[J].中国软科学, 2009(2):183-192.

[6]Zhang T, Agarwal R, Lucas H C. The Value of IT-Enabled Retailer Learning: Personalized Product Recommendations and Customer Store Loyalty in Electronic Markets.[J]. Mis Quarterly, 2011, 35(4):859-881.

[7]陈明亮, 蔡日梅. 电子商务中产品推荐代理对消费者购买决策的影响[J].浙江大学学报：人文社会科学版, 2009, 39(5):138-148.

[8]Davis F D. Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology [J].Mis Quarterly, 1989, 13(3):319-340.

[9]Fornell C, Bryant B E. The American Customer Satisfaction Index: Nature, Purpose, and Findings [J]. Journal of Marketing, 1996, 60(4):7-18.

[10]朱郁筱,吕琳媛.推荐系统评价指标综述[J].电子科技大学学报,2012, 41(02):163-175.

[11]Sean M. McNee, John Riedl, and Joseph A. Konstan. Making Recommendations Better. CHI '06 extended abstracts on Human factors in computing systems, 2006: 1103-1108.

[12]李思曼, 王宇航, 李亚平. 基于顾客满意的消费者网上购物影响因素分析[J].商业研究, 2009(1):203-206.

[13]Oliver, R. L., Whence consumer loyalty? the Journal of Marketing, 1999:33-44.