服装类电商短视频因素对消费者购买因素的影响

The Impact of Short Video Factors in Clothing E-Commerce on Consumer Purchasing Factors

摘要: 随着短视频营销模式的兴起，服装类短视频因素对消费者购买意愿的影响是一个具有前瞻性的思路，可以为打造更优质的短视频营销内容提供重要参考，吸引更多用户。但该现象存在内容同质化和推送垂直化的问题。本文基于多元线性回归模型，围绕穿搭经验、服装专业知识、服装产品质量、服装价格、短视频效果和购物体验六个方面设计发放问卷，再对收集的有效数据进行信度和有效度检验。最后以这六个纬度为自变量，以购物意愿为因变量建立多元线性归回模型，用以研究得出服装类短视频购买因素与影响因素的关系，最后根据结论改进服装类短视频营销策略，给服装类博主及企业提供参考。

Abstract: With the rise of short video marketing models, the impact of clothing related short video factors on consumer purchase intention is a forward-looking approach that can provide important references for creating higher quality short video marketing content and attracting more users. However, there are issues with content homogenization and vertical push. This article is based on a multiple linear regression model, and designs and distributes questionnaires around six aspects: dressing experience, clothing professional knowledge, clothing product quality, clothing prices, short video effects, and shopping experience. The reliability and validity of the collected valid data are then tested. Finally, using these six dimensions as independent variables and shopping intention as the dependent variable, a multiple linear regression model is established to study the relationship between purchasing factors and influencing factors of clothing short videos. Finally, based on the conclusion, the marketing strategy of clothing short videos is improved, providing reference for clothing bloggers and enterprises.

1. 引言

近年来，中国经济蓬勃发展，消费者们越来越得到独特的购物体验[1]，线上零售商也意识到为顾客提供消费体验的重要性[2]。与此同时，消费者更加倾向于同一家店铺进行消费[3]，因此针对店铺的顾客满意度数据分析是尤为重要的。服装类电商短视频已经成为吸引消费者注意力和促进购买的重要渠道之一。随着社交媒体和移动互联网的不断发展，越来越多的消费者通过观看短视频来获取产品信息、了解时尚潮流，并最终做出购买决策。但由于短视频中存在内容同质化和推送垂直化的问题，导致用户审美疲惫以及短视频质量不高。因此，研究服装类电商短视频对消费者购买因素的影响具有重要意义。

目前短视频被学者们划分到网络视频领域，由于短视频出现较晚，因此其营销方式是在网络长视频营销及直播营销的基础上逐渐发展起来的。王洁霜[4]提出了网络视频营销可分为短视频营销、直播营销和长视频营销。高燕[5]划分了短视频营销的模式类型，并对营销模式进行了反思重构。陈经超等[6]提出了一种基于创意传播理论的短视频平台发展方法，并探究了短视频与购买意愿的关系。白柳[7]基于短视频现状分析了现代服装品牌在短视频营销的实际推广行为。石文奇等[8]提出了一种服装类短视频对用户购买意愿的模型，发现服装类短视频有用性、易用性对购买意愿产生正向影响。与此同时，体验具有较强的主观性，即顾客体验与其他因素的价值感知[9]。在以往的研究中，体验可以分为产品体验[10]，服务体验[11]，购物体验[12]以及客户体验[13]。经过文献梳理我们发现，当前有关服装产品营销主要集中在购物体验这一类研究，因为本文主要以购物体验为因变量，其他因素为自变量分析消费者的购买行为。

为了更深入地了解服装类电商短视频因素对消费者购买因素的影响以及增强消费者对服装的满意度，本文提出了一种基于多元线性回归模型的研究方法，以探究服装类短视频的现状及其影响因素。首先，围绕穿搭经验、服装专业知识、服装表达能力、服装产品质量、短视频效果和购物体验六个方面设计发放问卷，并利用SPSS软件对这六个维度进行了信度和有效度检验。接着，通过对服装购物意愿影响因素的分析，采用描述性统计方法得出了目标群体的基本情况。最后，以穿搭经验、服装专业知识、服装表达能力、服装产品质量、短视频效果和购物体验为自变量，以服装购物意愿为因变量，建立了多元线性回归模型，从而揭示了服装类短视频因素购买意愿与各影响因素之间的关系。这一研究成果为类似短视频营销发展提供了理论支撑和方向指引。

2. 研究假设与设计

2.1. 研究假设

2.1.1. 穿搭经验与购物体验的关系

穿搭经验已经成为消费者购物体验中不可或缺的一部分。季晓芬等[14]认为，短视频平台作为新兴的时尚信息传播渠道，不仅为消费者提供了各种穿搭灵感和技巧，还帮助他们了解服装的多样化穿着场景和适宜人群。这种直观的展示方式让消费者在购物时能够更清晰地想象自己穿着这些服装的样子，从而提高了购买的信心和兴趣。周倩颖等[15]通过数据分析表明，穿搭视频的吸引力与消费者的购买意愿之间存在显著的相关性。

2.1.2. 服装专业知识与购物体验的关系

沈奕君等[16]在研究中探讨了服装专业知识对消费者购物体验的影响。他们通过调查分析发现服装专业知识因素对消费者的购买意愿有正向的显著影响。当消费者对服装的专业知识有更深入的了解时，他们在购物时的选择更为明确和自信。因此详细的专业知识信息，如面料特性、色彩搭配建议、款式设计理念以及工艺细节，这样不仅能够提升消费者的购物体验，还能促进消费者的购买决策，增加销售。

2.1.3. 服装产品质量与购物体验的关系

Bimaruci [17]采用定性研究和文献回顾的方法，建立了一个分析模型，强调产品的高品质对消费者的选购行为和满意度有着正面促进作用。在网络购物领域，消费者对产品质量的认知成为影响其购买行为的核心因素。在直播购物环境中，如果消费者认为产品具有高品质，他们将更可能迅速下定决心进行购买。这一发现强调了直播中展示产品质量的重要性，对于提升转化率和销售额具有指导意义。

2.1.4. 服装价格与购物体验的关系

孙若宸[18]认为价格是影响消费者购买意愿的关键因素之一，它在消费者的购物体验中扮演着重要的角色。在服装直播销售中，通过采用各种促销活动，如发放消费券、限时折扣和买二送一等，可以有效吸引消费者的注意力。这些多元化的促销策略让消费者感觉到服装的价格具有吸引力，从而促使消费者迅速作出购买决定，实现快速消费。这种促销手段的运用，不仅增加了消费者的购买动力，还能够在短时间内提升销售量。通过创造性的价格策略和促销活动，服装品牌和直播销售者能够激发消费者的购物热情，增强消费者对品牌的好感和忠诚度，进而提高市场份额。

2.1.5. 服装类短视频效果与购物体验的关系

黄思皓等[19]认为消费者的沉浸式体验对其冲动购买意愿有着显著的影响。消费者在观看网络直播时追求愉悦和兴奋的感觉，因此直播中的互动体验显得尤为重要。当消费者在观看直播时感受到更丰富的体验，他们对直播中展示的产品的购买欲望也会相应增强。这一发现指出，直播的互动性和沉浸感是促进消费者冲动购买的关键因素。直播主持人通过提供有趣的互动、生动的展示和即时反馈，能够提升观众的沉浸体验，从而有效提高消费者的购买意愿。

2.2. 研究设计

2.2.1. 调查对象的确定

本次问卷调查以上海市大学生为研究对象展开。调查问卷采用电子发放方式。在发放调查问卷的过程中，笔者除了对部分路段进行实际走访外，还将电子问卷发送至社交媒体，用户填写后将问卷及时的通过问卷星后台数据统计的方式实现。

2.2.2. 问卷的设计

本文使用满意度及影响因素调查，在已有文献的基础上整理关于服装类短视频因素使用满意度及其影响因素的问卷设置方法。如表1所示，每一个题项采用李克特五点(Likert scale)计分法，“1”表示“完全不同意”，“2”表示“不同意”，“3”表示“不确定”，“4”表示“同意”，“5”表示“非常同意”。如表1所示：

Table 1. Questionnaire design form

表1. 问卷设计表

变量	题项
购物体验	C1：总体来说，我对购物体验是比较满意的
	C2：服装购物给我带来的结果超出了我的期望
	C3：我愿意重复购买服装
	C4：我愿意把这个店铺推荐给周围的朋友使用
穿搭经验	D1：可以主播学习穿搭
	D2：通过主播穿搭选择到适合自己的衣服
	D3：通过观看主播穿搭获得穿搭经验
	D4：通过观看主播穿搭消遣时间
服装专业知识	D5：能学习到专业的服装知识(面料、版型等)
	D6：通过学习服装专业知识，寻找到适合自己的服装。
	D7：对服装专业知识不感兴趣
服装产品质量	D8：服装产品质量很好
	D9：服装产品质量还不错
	D10：服装产品质量一般
服装价格	D11：服装价格性价比很高
	D12：服装价格比较便宜
	D13：服装价格比较自己能接受
	D14：服装价格比较贵
短视频效果	D15：短视频效果很好，能产生愉快的效果
	D16：短视频效果不错，愿意观看
	D17：短视频效果不太行，不愿意观看

2.3. 问卷的发放与信效度验证

2.3.1. 问卷发放及数据缺失值处理

本次共发放电子问卷550份，共回收510份问卷，回收率92.7%，经过数据的筛选与录入，删除含有缺失值的问卷，共回收到495份有效问卷，有效率达到97.1%。

2.3.2. 信效度检验

本课题采用克隆巴赫系数对问卷数据进行信度检验，克隆巴赫系数是衡量量表或测验信度的一种方其公式为：

$\alpha =\frac{k}{k-1}\left(1-\frac{\sum s_i^2}{s_x^2}\right)$ (1)

其中a为信度系数，k为题目数量，$s_i^2$ 为在第i题上的分数变异，$s_x^2$ 为总分的方差。信度分析用于测量样本回答结果是否可靠，常用Cronbach’s α系数的大小来衡量满意度调查问卷信度。信度系数达到0.9以上，说明该问卷调查的信度较好；在0.8以上，表示可以接受；在0.7以下需要对问卷进行修改。

使用满意度及其影响因素的信度分析如表2所示，从表中可以看出，经SPSS26.0软件分析调查问卷的Cronbach’s α系数为0.853，大于0.7，表明问卷的信度较好，可以接受，测试结果比较稳定可靠。

Table 2. Reliability statistics

表2. 可靠性统计

克隆巴赫Alpha	项数
0.853	21

2.3.3. 效度检验

KMO检验是对原始变量之间的简单相关系数和偏相关系数的大小进行比较，用以分析问卷的效度分析。计算公式为：

$\text{KMO}=\frac{{\displaystyle \sum {\displaystyle {\sum }_{i\ne j}{r}_{ij}^2}}}{{\displaystyle \sum {\displaystyle {\sum }_{i\ne j}{r}_{ij}^2}}+{\displaystyle \sum {\displaystyle {\sum }_{i\ne j}{r}_{ij\cdot 1,2\cdots k}^2}}}$ (2)

巴特利特球形检验用于检验相关阵是否为单位阵，即检验变量是否独立。计算公式为：

$k^2=\frac{1}{c}\left[\left(n-r\right)\ln MSe-{\displaystyle \sum }_{i=1}^r\left(n_i-1\right)\ln s_i^2\right]$ (3)

其中：

$c=1+\frac{1}{3\left(r-1\right)}\left[{\displaystyle \sum }_{i=1}^r\frac{1}{n_i-1}-\frac{1}{n-r}\right]$ (4)

效度分析用于测量问卷题项设计是否合理，常用KMO值及Bartlett进行检验。一般来说，KMO值在0.6以下的，说明效度非常差，不适合做效度检验。从表3可以看出，经SPSS26.0软件分析KMO值为0.789，且显著性p = 0.000，说明满意度问卷效度情况良好。

Table 3. KMO and Bartlett’s test

表3. KMO和巴特利特检验

KMO取样适切性量数		0.789
巴特利特球形度检验	近似卡方	1410.704
	自由度	210
	显著性	0.000

3. 多元回归理论

3.1. 多元回归算法基本概念

回归分析是从一组数据出发通过一个或一些变量的变化解释另一个变量的变化[20]。首先根据对实际问题的分析判断，将变量分为解释变量和非解释变量；其次，根据函数拟合方式，确定合适的数学模型来描述变量间的关系，再在统计拟合的准则下确定模型的参数，建立回归方程。由于涉及到的变量是不确定的，回归方程是在样本数据的基础上得出，必须进行回归模型的统计检验，经统计检验后，再根据回归模型，进行因变量的预测。

3.2. 多元回归算法基本原理

回归分析的类型分为一元线性回归和多元线性回归，本文主要采用的是多元线性回归。多元线性回归的基本模型：

$y={\beta }_0+{\beta }_1{X}_1+\cdots +{\beta }_{p}Xp+\epsilon$ (5)

其中$X_1,X_2,\cdots ,X_p$ 是自变量，${\beta }_0,{\beta }_1,\cdots ,{\beta }_p$ 是未知参数，ε是零均值随机变量。

如果对式1两边求期望，则有多元线性回归方程如下。

$E\left(y\right)={\beta }_0+{\beta }_1{X}_1+\cdots +{\beta }_p{X}_p$ (6)

估计未知参数${\beta }_0,{\beta }_1,\cdots ,{\beta }_p$ 是多元线性回归分析的核心任务之一。由于参数估计的工作是基于样本数据的，由此得到的参数只是参数真值的估计值，记为${\beta }_0,{\beta }_1,\cdots ,{\beta }_p$ 。最终解得模型(式7)的多元经验回归方程如下。

$y={\beta }_0+{\beta }_1{X}_1+\cdots +{\beta }_p{X}_p$ (7)

多元回归模型中的检验有两种，一种是回归系数的显著性检验，即是检验某个变量Xi的系数是否为零；另一种检验就是回归方程的显著性检验，即是检验该组数据是否使用于线性方程做回归。

模型摘要表中调整后的R²用来评价情感消耗与影响因素回归方程的拟合效果。其R²的计算公式为：

$R^2=\frac{1-\frac{SSE}{n-p-1}}{\frac{SST-1}{n-1}}$ (8)

从表4中可以看出，调整后的R²即样本决定系数为0.636，这说明自变量能够对因变量做出约63.6%的解释，模型拟合优度中等，因此本文整体的研究效果较好。

Table 4. Model analysis of usage satisfaction and its influencing factors

表4. 使用满意度与其影响因素的模型分析

模型	R	R^2	调整后R^2	标准估算的错误
1	0.815	0.665	0.636	11.43553

预测变量：(常量)，购物体验，穿搭经验，服装专业知识，服装价格，短视频效果分析拟合。

3.3. 基于服装购物体验的多元回归模型显著性检验

回归模型分析表中F值的意义是用来检验穿搭经验、服装专业知识、服装产品质量、服装价格、短视频效果和购物体验的回归结果能够代表使用满意度的真实程度。从表5中可以看出，F值为16.18，显著性为0.000，这说明建立的模型有较强的预测能力。

Table 5. Regression model analysis of usage satisfaction and its influencing factors

表5. 使用满意度与其影响因素的回归模型分析

模型		平方和	自由度	均方	F	显著性
1	回归	10579.165	5	2115.833	16.18	0.000
	残差	12161.745	93	130.771
	总计	22740.909	98

因变量：使用满意度；预测变量：(常量)，穿搭经验，服装专业知识，服装产品质量，服装价格，短视频效果综合性显著性。

3.4. 基于服装购物体验的多元回归模型回归系数显著性检验

回归结果分析表中标准系数表示该自变量对使用满意度的影响量。从表6中我们可以看出，设施水平与使用满意度在1%的水平上呈显著正相关，其回归系数为0.306，这说明穿搭经验能够促进消费者对服装的购物体验，即穿搭经验对服装购物体验起到正推动作用；服装专业知识服装购物体验在5%的水平上呈显著正相关，其回归系数为0.197，这说明服装专业知识与服装购物体验存在同向变动关系，即服装专业知识系数越高，服装购物体验系数就会越高，反之，若服装专业知识系数越差，其服装购物体验系数就会下降；服装产品质量系数与服装购物体验在1%的水平上呈显著正相关，其回归系数为0.291，这说明了服装产品质量系数越高，服装购物体验系数就会越高，即服装产品质量系数对服装购物体验系数起到正推动作用；服装价格与服装购物体验在1%的水平上呈显著负相关，其回归系数为−0.337，这说明了服装价格越高，消费者越能够参与到负面情绪管理的各个环节中，从而降低服装消费的欲望；短视频效果与服装购物体验系数在1%的水平上呈显著正相关，其回归系数为0.291，这说明了短视频效果越好，其服装购物体验就会越高。

Table 6. Regression analysis of clothing shopping experience and its influencing factors

表6. 服装购物体验与其影响因素的回归结果分析

模型		未标准化系数 B	标准错误	标准化系数 Beta	t	显著性
1	(常量)	16.049	6.766		2.372	0.02
	穿搭经验	0.248	0.087	0.306	2.869	0.005
	服装专业知识	0.156	0.073	0.197	2.145	0.035
	服装产品质量	0.239	0.069	0.291	3.48	0.001
	服装价格	−0.245	0.078	−0.337	−3.158	0.002
	短视频效果	0.308	0.103	0.291	2.992	0.004

因变量：使用满意度归回系数检验。

综合以上，可以总结出穿搭经验、服装专业知识、服装价格、服装产品质量、短视频效果均与购物体验的大小呈正相关关系；而服装价格与购物体验的大小呈负相关关系。也就是说，当穿搭经验越好、服装专业知识越好、服装价格越低、服装产品质量越好、短视频效果越舒适，购物体验就会越高。

通过SPSS数据软件对数据进行模型的拟合度分析，可知购物体验系数多元线性回归方程为：

$Y=16.049+0.248X+0.156X_2+0.239X_3-0.245X_4+0.308X_5$

其中X₁代表穿搭经验，X₂代表服装专业知识，X₃代表服装产品质量，X₄代表服装价格，X₅代表短视频效果、16.049表示常数项.根据回归模型，我们可以得到当穿搭经验提升一个单位，会使得其使用满意度上升0.248；同理，我们可以知道，当服装专业知识、服装产品质量、服装价格、短视频效果每提升一个单位，会使得其使用满意度分别上升0.156、上升0.239、下降0.245和上升0.308，同时我们也可以根据该线性回归模型，代入相关自变量得到服装购物体验系数。

3.5. 基于服装购物体验的多元回归模型残差分析

通过残差分析来检验数据是否可以进行回归分析。图1列示了回归标准化残差直方图，从图中可以看出，以横轴0为中心线，其左右两侧分布近似可视作分布对称。

Figure 1. Regression normalized residual histogram

图1. 回归标准化残差直方图

图2列示了回归标准化残差的正态P-P图，可以看出其多数的散点均与斜线相吻合，可以判断出标准化残差的P-P图尽管也是不完美的，但是是可以接受的。

综合而言，残差正态性结果不是最好的，当然在现实分析当中，理想状态的正态并不多见，接近或近似即可考虑接受。因此本文的回归方程残差分析通过。

Figure 2. Normal P-P plot of regression standardized residuals

图2. 回归标准化残差的正态P-P图

4. 对策分析

本文对服装类电商特征进行分析，通过以穿搭经验、服装专业知识、服装产品质量、服装价格、短视频效果为自变量和以购物体验为因变量，建立了一个多元线性回归模型。通过该模型，我们可以发现购物体验系数与穿搭经验、服装专业知识、服装产品质量和短视频效果为正相关，与服装价格为负相关。其中，短视频效果和服装产品质量更加显著，并结合实际分析的结果与针对于短视频相关店铺的营销现状提出了以下对策。

4.1. 加强服装穿搭经验和专业知识的表达

从穿搭经验出发，增加对穿搭经验的理解，学习服装搭配的基本原则，如颜色搭配、款式搭配、面料搭配等。使消费者关注时尚趋势和流行元素趋势，了解当下流行的服装款式、颜色、图案等。这有助于消费者把握当下的穿搭风向标，丰富自身的穿搭经验。并要求商家尝试不同风格的穿搭，在保持自己风格的基础上，尝试不同风格的穿搭，如休闲、正式、复古等。拓宽消费者的穿搭视野，增加对不同风格的理解。

4.2. 加强服装产品质量

从服装产品质量出发，首先是严格把控原料质量，选择优质的面料、辅料供应商，对原料进行严格的检验和验收。建立原料质量追溯机制，确保原料来源可靠、质量稳定。接着是完善产品检验体系，建立完善的产品检验标准，涵盖外观、尺寸、工艺等各方面。配备专业的检验人员，对成品进行全面检查。建立产品质量追溯机制，确保出现问题能快速定位和解决。最后重视售后服务，建立完善的售后服务体系，及时处理客户反馈的质量问题，主动获取客户意见，持续改进产品质量。

4.3. 提高服装类短视频播放质量

从提升服装类短视频出发，首先精心策划内容：确保视频内容具有吸引力和独特性，可以考虑包括时尚搭配教程、穿搭技巧分享、时尚趋势解读等内容，以吸引目标受众。随后优化视觉效果，注意视频画面的清晰度和色彩搭配，确保服装细节清晰可见，同时可以考虑加入一些创意的视觉效果和过渡，提升观看体验。最后视频内容简洁明了，在短视频中，内容要简洁明了，突出重点，避免信息过载。精炼的内容更容易引起受众的兴趣。

4.4. 降低服装的价格

从降低服装价格出发，首先优化供应链，寻找成本更低廉的原材料供应商，并与之建立长期合作关系。同时，优化生产流程和降低生产成本，以提高生产效率。其次，促销和折扣：定期开展促销活动和折扣销售，吸引消费者并提高销量。可以考虑搭配节假日或特定活动进行促销，提高产品的竞争力。最后降低运营成本：精简组织结构，提高运营效率，减少人力成本和管理费用。同时，优化物流配送系统，降低物流成本。

NOTES

^*通讯作者。