融合移動端用戶序貫行為信息的OTA點擊轉化決策

高鴻銘，陳 聰，朱 慧

（廣州大學管理學院，廣州 510006）

0 引言

搜索引擎重塑了用戶搜索旅游產品和篩選產品信息的方式。近年來，攜程、Expedia、trivago等第三方在線旅行社（OTA）搜索平臺已成為銷售產品及服務的重要渠道[1]。酒店預訂決策具有低發生頻率且高購買支出的特征，是典型的高介入度產品決策[2]。這意味著用戶需要高度參與搜索和比較產品信息[3]，以訂購滿足需求的客房。用戶通過搜索引擎結果比對備選項，價格、評價、與目的地的距離等因素是影響酒店預訂決策的關鍵因素[4]。點擊轉化是酒店預訂意愿的直觀度量，點擊轉化是指當用戶使用OTA 搜索引擎時，點擊跳轉到目標商務酒店網站的行為。系統性地理解移動端用戶酒店預訂決策意愿，提高點擊率，優化搜索引擎和競價排位是OTA獲得酒店廣告主代理傭金的關鍵手段[5,6]。

根據法國在線廣告公司Criteo的調查報告，當前全球旅游用戶在移動設備上完成了高達60%的交易；在“最后一分鐘快速預訂酒店”業務中，移動端占據89%的流量。學者們發現,當消費者進行高介入度的產品決策時，更傾向于使用移動設備而非PC端[7]。然而，移動設備的小尺寸屏幕增加了用戶導航任務的復雜性，降低了信息學習效率[8]。移動與普適計算改變了購買決策環境。

目前關于搜索引擎和用戶決策的研究有很多，但存在一定的局限：（1）現有文獻多以PC 端搜索引擎為研究對象[6,9]，經驗證據難以直接泛化到移動搜索情境。（2）粗粒度數據設定的研究范式無法厘清點擊轉化決策的影響因素。用戶決策表現出個體異質性，是一個興趣動態化的復雜系統過程[10]。學者們通常采取實驗室模擬[2,6]和問卷調查數據[11]進行分析，不夠貼近真實搜索決策過程。少數學者從交互行為出發展開研究，但他們傾向于以總體用戶聚合數據為研究單元[9]，忽略了個體序貫行為信息的實時特性。（3）酒店廣告主聚焦于競價預算和投資回報率[6]。例如，在搜索結果頁面中，中部排位的酒店表現是否一定優于尾部排位？第一排位與第十排位的點擊轉化率差異如何？以上問題在移動搜索領域研究較少。

搜索引擎優化策略是信息系統領域的前沿話題，針對移動搜索中高介入度產品決策機理的研究仍較為稀少。本文從人機交互的序貫行為信息證據入手，探究酒店預訂移動端平臺的點擊轉化決策機制，基于個體用戶的序貫行為決策鏈路，利用細粒度數據構建一個動態貝葉斯推斷模型展開研究，以期深化對高介入度產品在移動搜索引擎中的排位效應和價格偏好的理解，為優化OTA 移動搜索引擎和競價排位提供理論支持。

1 影響搜索引擎優化的信息因素

搜索引擎優化已在不同學科和領域引起廣泛關注，其旨在為緩解信息過載提供過濾和排序建議。信息系統多從設計科學視角探討搜索引擎營銷成功的決定因素[9]。搜索引擎按其服務對象可分為兩類：信息檢索型（如百度、谷歌等）和產品搜索型（如淘寶、攜程和Expedia）。在信息檢索方面，Pan等（2007）[12]通過眼動追蹤實驗發現，用戶更傾向于點擊谷歌搜索結果中排位靠前的鏈接。Rutz 和Trusov（2011）[13]研究發現，搜索結果中的頭部排位廣告能引發較高的點擊轉化率，并為中小企業帶來利潤增長。針對旅游搜索引擎的研究與開發已成為旅游學科和信息系統學科的一個重要交叉研究領域。Law和Huang（2006）[11]通過問卷調查發現，近50%的用戶最多查看搜索結果前三屏的內容。Pan（2015）[1]研究指出，無論是PC 端還是移動端，不同目的的營銷組織在搜索引擎平臺的點擊率都呈現冪律分布，即大部分關注集中在排位靠前的位置。

在旅行產品搜索引擎方面，Van de Rest 等（2016）[6]通過模擬實驗發現，屏幕排位與酒店預訂決策之間存在負相關關系，即排位越靠后，轉化率越低。Ert 和Fleischer（2016）[2]在PC 端進行實驗，結果顯示，排位靠近尾部的酒店比中間位置的酒店具有更高的點擊轉化率。

價格因素在搜索引擎優化中同樣占據重要地位。Baye等（2009）[14]研究發現，擁有較低價格的電商產品平臺能提高點擊轉化率。后續研究發現，在其他條件不變的情況下，產品價格上升會降低PC 端用戶的購買意愿[9]。然而，在旅游信息搜索平臺上，消費者介入程度相對較低，而預訂酒店決策卻要求用戶付出更高的認知參與和搜索成本[2]。Holmes 等（2014）[7]研究發現，當用戶進行高介入度產品決策時，更傾向于使用移動設備。

篩選器是一種輔助用戶在搜索過程中形成產品考慮集的工具，包括篩選、排序等功能，旨在降低搜索成本[15]。關于篩選器的效果，現有研究的結論并不一致，PC端證據表明，篩選器對低介入度產品購買決策（如圖書）沒有影響[16]；而對于高介入度產品購買決策（如酒店預訂），Ghose等（2014）[9]認為篩選器的使用降低了購買意愿，Chen 和Yao（2017）[15]則認為篩選器的使用誘發了更多的搜索、提高了購買意愿。

已有研究主要采用問卷調查獲取數據，可能會受到樣本抽樣偏差和用戶回憶偏差的影響；也有研究采用聚合總體用戶進行數據建模，但未考慮用戶的異質性。這些研究在很大程度上忽略了決策過程的動態性。鑒于此，本文首先基于個體用戶的序貫行為決策鏈路進行建模分析，并考慮移動搜索界面中動態信息線索的影響程度；其次，由于移動端酒店預訂決策具有高介入度產品的特性，因此需要進一步探究價格和篩選器使用對移動點擊轉化決策的影響；最后，與PC端的研究不同，本文還將考慮感知價格（用戶在搜索過程中對產品價格的感知比較）的影響。

2 研究框架與模型構建

2.1 移動用戶序貫行為決策鏈路的理論框架

鑒于個體活動的異質性，本文以“消費者-產品”的微觀決策單元為基礎，將其拓展到“消費者-產品-時間”三元對交互，重點考慮移動用戶序貫行為決策鏈路中的異質性與時間特性，從而更準確地刻畫和預測用戶搜索行為和點擊轉化決策。

以用戶i的一次瀏覽會話為例，用戶i進入某OTA移動搜索平臺，輸入關鍵詞檢索，開始了會話。在本文中，解釋變量為移動點擊轉化決策Dijt。當t=1 時，用戶i瀏覽酒店j的信息，可對酒店圖片、評論、價格、銷量等信息進行交互。若無點擊轉化發生，則Dijt=0；若點擊跳轉到酒店h的官方網站，則Dijt=1，表明發生了轉化。在后續交互中，用戶i可在搜索結果中對任一酒店j進行點擊轉化，也可使用篩選器自定義搜索結果。循環往復，直至滿足需求或超過愿意支出的搜索成本，會話結束。一次搜索過程被定義為一條序貫行為決策鏈路Dijt={Dij(t=1)，Dij(t=2)，…，Dij(t=T)}。

研究問題：定義i∈{1，2，…，K}為移動用戶集合，j∈{1，2，…，J}為交互的酒店產品集合，用戶i與對象j的交互時刻為t，則本文的目標是優化移動搜索引擎，基于序貫行為信息的時間特性，最大化鏈路Dijt={Dij(t=1)，Dij(t=2)，…，Dij(t=T)}的點擊轉化率，同時探討影響點擊轉化決策的因素。

2.2 融合個體序貫行為信息的動態貝葉斯推斷建模

假設在移動搜索會話中，用戶潛在效用向量Z由可觀察的信息因素向量F所決定。那么，如式（1）所示，可用離散選擇模型刻畫點擊轉化的決策概率。

其中，ψ(·) 是標準正態分布的累積分布函數，表示隨著Fijt中各因素的變化，用戶i在時刻t面向酒店j發生點擊轉化的概率。這等價于Pr(Dijt=1) ，即用戶i在時刻t在OTA中點擊酒店j鏈接并成功跳轉到酒店j的商業預訂網頁的概率。

由于存在異質性，貝葉斯推斷的數據增強方法是對待估參數向量δ給定一個正態先驗分布p(δ)[16]。在給定觀察數據矩陣(Fijt，Dijt)的情況下，在觀察窗口內，可從單次決策事件推導出整個序貫決策鏈路的似然函數，如式（2）所示。

被觀察到的點擊轉化次數服從伯努利分布。在式（2）中，c被視為點擊轉化的比例常數；φ(·;u，s2)是標準正態分布的概率密度函數；而I(X∈A) 是指示函數，當滿足特定條件時，隨機變量X包含于集合A中，其值為1,否則為0。

由貝葉斯理論可知，后驗概率正比于先驗概率與似然函數的乘積。通過將式（2）中的潛在效用Zijt積分除去，式（3）得到δ的邊際后驗概率密度Pr(δ|Fijt，Dijt)，用以分析不同特征對點擊轉化決策的影響效應。

2.3 影響移動用戶點擊轉化決策的隨機效用框架

相比傳統的點估計模型，針對總體用戶，貝葉斯推斷允許從微觀角度探討個體的異質性決策過程，用戶i在時刻t面向酒店j的潛在效用Zijt被構造為：

其中，δ=[δi0，δi1，δi2，δi3，δi4，δi5，δi6]-1是待估參數向量，Fijt中的因素包括屏幕排位rankijt、第一排位rankFirstijt、排位二次項（以解釋非線性效應）、價格priceijt、局部相對價格priceSortijt和篩選器使用toolijt。為了探討使用篩選器的自定義列表和屏幕排位的交叉效應，納入交互項：

式（5）中，待估參數向量δ拓展為一個10 維列向量。式（4）和式（5）中，隨機擾動項εijt獨立同分布于標準正態分布。

因此，用戶i在時刻t面向酒店j的點擊轉化決策為Dijt由其潛在效用決定：

2.4 MCMC方法的Gibbs抽樣算法估計后驗概率

針對式（3）所建立的動態貝葉斯推斷模型，本文采用MCMC方法的Gibbs抽樣算法[16]進行估計。潛在效用向量Zijt條件依賴于參數δ和觀測數據矩陣()Fijt，Dijt；δ的邊際后驗概率密度可由依賴于Zijt和Fijt的條件概率Pr(δ|Fijt，Dijt)獲得。故δ和Zijt的后驗分布分別為：

Gibbs抽樣先根據總體先驗分布p(δ)初始化δ0，再開始迭代抽樣：第一步，式（7）和δ0抽取，也就是其抽樣依賴于給定觀測到的數據(Fijt，Dijt)和δ0的截斷單變量正態分布；第二步，基于第一步的抽樣結果，g根據式（8）從相應的條件概率分布抽取δ1；第三步，重復前兩步迭代，直至馬爾科夫鏈參數收斂，最終得到δ的邊際后驗概率密度Pr(δ|Fijt，Dijt)。

3 數據來源及特征測度

本文的研究數據集來自德國一家大型OTA移動端的會話日志數據①該OTA的商業設定與攜程、trivago等OTA移動端搜索引擎結果列表每頁25個產品的通用設置一致。。該OTA為旅行者提供了酒店預訂服務，覆蓋超過190 個國家和地區。觀察周期為2018 年11 月1日至2018年11 月7 日，記錄了用戶點擊流數據。由于存在緩沖數據，即因為系統加載等原因會生成重復數據條目，其持續時間為零，這些記錄無法真實地反映消費者的決策性質，因此需要過濾掉冗余數據。最終的數據集為2295 個移動用戶面向7264 家酒店的2596 個在線瀏覽會話，包含15638條交互記錄。

本文以可觀測的屏幕排位、價格與篩選器使用的多維度特征構造信息因素向量F。

（1）屏幕排位：本文采用三個變量來表征。在搜索結果中，用戶i查看酒店h在時刻t的排位定義為排位變量rankijt：

該變量為整數型變量，其取值范圍為1～25。在搜索結果中，排位越高，rank的值越接近于1，即越靠近頭部排位。

為了解釋屏幕排位潛在的非線性效應，排位變量的二次項也被考慮在模型當中。

由于受到移動設備小尺寸屏幕的限制，用戶注意力可能存在衰減規律，即用戶對第一排位付出最高的關注[1]，因此設定屏幕第一排位變量為：

其中，rankFirstijt為二分類變量，當用戶i在時刻t交互的酒店j居屏幕第一排位時，其值為1；否則為0。

（2）價格偏好：預訂酒店決策是典型的高介入度的產品決策，以往研究多關注酒店價格，類似地，本文定義用戶i在時刻t交互的j酒店的價格為priceijt。

與全局價格偏好不同，移動用戶在每次重新檢索或使用篩選器后，可能會對單次搜索結果頁面中的產品價格進行比對。本文定義priceSortijt表示酒店j在時刻t的搜索結果頁面中25個酒店以價格降序的排位：

其中，priceSortijt是用戶對酒店價格的一種局部價格比對偏好，與排位變量rankijt相似，為整數型變量。priceSort的值越接近于25，表示價格排位越靠后，即酒店h在時刻t在搜索結果頁面中的相對價格越低。本文以此來量化用戶面向一次搜索結果列表中對25 個酒店價格的敏感程度。

（3）篩選器使用：當用戶使用移動搜索引擎時，篩選器可輔助他們滿足個性化的定制需求，包括過濾篩選和排序改變功能。本文用一個二分類變量toolijt來捕捉用戶i在時刻t的搜索結果列表是否來自使用篩選器后的自定義篩選結果。當其值為1時，表示當前列表為用戶自定義列表；當其值為0 時，表示當前列表為搜索引擎給出的默認列表。

信息因素向量F中變量的描述性統計見表1。用戶瀏覽交互過的酒店中，平均排位為第7（6.98），其中1/4 的交互產品是居于第1排位。酒店價格的均值為97.99美元/晚。23%的酒店產品是來自使用篩選器后的用戶自定義列表。

表1 “消費者-產品-時間”三元對的信息因素向量F 的描述性統計

4 模型估計與結果分析

4.1 模型抽樣與性能檢驗

在R 語言中，本文運行了40000 次MCMC 迭代。前30000 次迭代是為確保模型收斂，保留最后的10000 次迭代結果作為Pr(δ|Fijt，Dijt)后驗參數的分布估計。圖1 是對δ前6個參數的后驗分布密度圖。與點估計P值判斷統計顯著性的思想相似，貝葉斯推斷通過判斷0值是否位于95%后驗分布的置信區間內進行檢驗。當某個參數的95%后驗分布的貝葉斯置信區間內含有0時，表示該參數統計上與0沒有顯著差異；若0不在區間內，則說明該參數具有統計意義，代表變量對點擊轉化決策的存在顯著影響。以排位變量rankijt為例，圖1 顯示，δ1的95%置信區間內不含0，這表明δ1與0值存在顯著差異，說明移動搜索中屏幕排位對點擊轉化決策存在顯著影響。

圖1 參數δ0 至δ5 的后驗估計分布密度圖

為進行魯棒性檢驗，本文設計了兩個動態貝葉斯模型，以對數邊際密度（Log marginal density）驗證本文模型的優劣，其值越大表示模型擬合程度越高。本文先對模型1（即考慮式（4）中的因素）進行估計；接下來，在模型1 的基礎上，在式（5）中引入交叉項，構建模型2，再次進行估計。為方便表示，根據δ的后驗估計分布（見圖1）計算每個參數的均值和方差。對數邊際密度的計算結果表明，模型2 優于模型1，即篩選器的使用和屏幕排位的交叉項能有效提高模型擬合程度。

為了進一步檢驗模型的預測性能，本文將總體數據集中的2295名用戶隨機劃分為訓練集和測試集。訓練集包含1203 名用戶，共8298 條記錄，用于模型訓練和參數估計；測試集包含1092 名用戶，共7340 條記錄，用于評估模型的預測性能。在比較性能時，本文將廣義線性模型中的二項logit 模型作為基準模型，將統計學習中的支持向量機、樹形機器學習中的隨機森林作為對照模型。同時，將精度召回曲線下的面積（PR-AUC）和ROC 曲線下的面積（ROC-AUC）作為評價指標。其中，PR-AUC 衡量了模型在不同召回率下的精度表現，而ROC-AUC則衡量模型對正、負樣本分類的準確性。二者的值越大，表明模型的預測結果越好。

由表2可知，動態貝葉斯推斷模型在預測性能上明顯優于其他三個模型，而二項logit 模型的效果最差。二項logit模型主要從計量模型角度解釋變量間的線性關系，而支持向量機和隨機森林則從聚合數據層級上考慮了變量間的非線性關系，這可能是導致他們的預測性能優于二項logit 模型的原因。動態貝葉斯推斷模型融合了個體用戶決策的時序依賴性信息，能更好地對用戶異質性進行解構和建模，從而在PR-AUC 和ROC-AUC 方面比二項logit 模型分別高出19.01%和15.42%的預測精度?？傮w而言，動態貝葉斯推斷模型在預測點擊轉化決策方面是穩健且最優的擬合模型。

表2 模型預測性能比較

4.2 移動用戶點擊轉化決策的影響因素分析

下頁表3 是對全體2295 名用戶的β后驗分布計算的均值和標準差（括號內）估計結果。從截距的系數顯著為負可知，移動用戶在會話中傾向于繼續搜索而不是進行點擊轉化。與在旅游信息搜索引擎[1,11]和PC端上的研究[6,9,15]結果一致，屏幕排位rankijt在移動搜索引擎中以首因效應的形式存在。換言之，酒店產品在移動屏幕上排位越靠前，用戶的點擊轉化概率越大（δ1=-0.022）。盡管用戶可以搜索并滾動查看整個搜索結果頁面以建立考慮集合，但移動端因屏幕較小而形成的“信息組塊”可能阻斷了用戶獲取并學習全局信息的可能性。因此，移動用戶不得不逐塊地去搜索和比對產品信息。同時，由于認知注意力機制的限制，在會話初期搜索成本較低[15]，用戶更可能對輸入關鍵詞后首先出現的酒店產品給予更多關注，即存在首因效應。第一排位rankFirstijt的影響沒有統計意義。值得注意的是，移動搜索引擎中的排位效應并非單調變化，排位變量的二次項與移動點擊轉化決策之間存在顯著正相關關系，意味著排位效應實際上可能是一種“U”型效應，即移動用戶對搜索結果列表中頭部和尾部排位酒店的點擊轉化概率要大于中部排位選項?？赡艿慕忉屖?，在移動界面中，隨著用戶不斷滾動頁面持續瀏覽，搜索成本增加，認知注意力衰減，中部排位的酒店選項很難被用戶召回，因此更傾向于頭部排位和尾部排位的酒店。

表3 后驗估計結果（基于2295名用戶，共15638條搜索記錄）

此外，在移動搜索引擎中，價格偏好的實證結果與基于PC端的負相關關系不同[9,14]，這表明酒店價格priceijt可能是移動點擊轉化的一個有效的質量信號。價格是酒店質量的外顯因素，較高價格的酒店有可能緩解移動用戶的信息不對稱性，因此導致移動搜索中酒店價格正向影響用戶預訂酒店意愿。然而，移動用戶在酒店點擊轉化決策中表現出局部比對的價格敏感特征（priceSortijt影響顯著且系數為正，δ5=0.018），這意味著在會話的局部搜索中，用戶傾向于從單次搜索結果列表的25個選項中選擇價格排序較低的酒店。

當移動用戶開始搜索后，搜索平臺界面按照產品流行度、大眾評分排序等規則輸出默認列表。而當用戶使用篩選器后，界面輸出自定義列表。從表3 可知，使用篩選器toolijt將對點擊轉化決策產生負向影響。進一步觀察交叉效應可以發現，篩選器并不會增強或減弱屏幕排位的首因效應和“U”型效應。但當出現自定義列表時，相比默認列表，它增強了用戶對第一排位的點擊轉化概率（toolijtrankFirstijt的系數顯著為正，δ8=0.197）。

4.3 屏幕排位與篩選器使用的交叉彈性分析

屏幕排位的效應分析有益于量化競價排位的商業績效表現，幫助OTA 在競價排位拍賣時面向酒店廣告主進行合理定價。因此，本文利用已估計的動態貝葉斯推斷模型，在其他變量保持為均值的條件下，進行屏幕排位和篩選器使用的交叉彈性分析①在進行彈性分析時，采用控制變量法，與屏幕排位和篩選器無關的變量取值為均值，利用收斂后的10000次δ的后驗估計分布預測點擊轉化的后驗概率分布，而非依賴表3中匯總的統計量進行預測，以便更貼近個體用戶異質性的決策過程。。為了方便理解，本文用均值和標準差這兩個參數描述搜索結果中第1 排位至第25 排位的點擊轉化預測的后驗概率分布，在圖2中以散點和誤差棒的形式繪制這些分布的可視化效果。

圖2 屏幕排位和篩選器使用對點擊轉化決策的彈性分析

圖2 中，虛線表示默認列表的平均點擊轉化概率為40.15%；而實線則表示自定義列表為34.21%。無論是瀏覽默認列表還是自定義列表，屏幕排位對移動用戶點擊轉化決策的效應都呈現非線性的“U”型特性。本文的結果與已有研究關于PC 端的研究結果存在差異。在PC 端研究中，篩選器的使用對購買意愿產生了正向影響[15]或沒有明顯影響[17]。而移動端的證據表明，默認列表帶來的經濟效益可能高于使用篩選器后的自定義列表。

通過誤差棒分析發現，使用篩選器后的點擊轉化平均概率的波動區間更大，放大了移動用戶點擊轉化決策的不確定性。換言之，相比默認列表，自定義列表使移動用戶投入更多搜索成本，但這有可能促使他們的產品考慮集范圍擴大，決策不確定性的提高使得最終點擊轉化概率降低，因而造成效益損失。

圖2還表明，在自定義列表中，第1排位的效應影響程度要比第2排位高出1.45%；而在默認列表中，第1 和第2排位之間的效應差距要小得多，僅為0.05%?？赡艿慕忉屖?，當使用篩選器時，移動用戶根據個性化需求對產品進行篩選和排序，自定義列表搜索結果出來后，用戶感知第1 排位的酒店產品與他們需求的匹配程度更高（盡管實際上可能并非如此），從而提升了該排位的點擊轉化概率。

5 結束語

首先，本文建立了一個將動態消費者搜索過程轉化為序貫決策鏈路的點擊轉化決策的理論框架，借助MCMC方法，結合一家主流OTA 的移動端大數據開展研究。該模型考慮了個體決策點的時序依賴性，預測效果優于二項logit 模型、支持向量機和隨機森林。其次，本文拓展了屏幕排位對高介入度產品決策的影響的研究，發現移動搜索中的屏幕排位以非線性“U”型特性存在，且首因效應明顯。再次，價格是移動搜索過程中一個全局的正向質量信號，但研究結果顯示，移動用戶在單個搜索結果列表中傾向于選擇價格排序較低的酒店。最后，研究顯示，相比默認列表，移動用戶使用篩選器得到的自定義列表很可能會降低點擊轉化概率且提高決策不確定性。

在管理實踐上，本文從投資回報角度提供了競價排位系統的定價策略，OTA可根據屏幕排位的績效差異給酒店廣告主進行差異化定價。同時，應關注尾部排位的效果，并對其進行個性化調整以提升整體點擊轉化率。從搜索引擎的設計角度出發，OTA可根據移動用戶在會話中全局錨定其可能的預期價格這一特性，在后續的結果列表中，調整酒店選項的價格排序，以便更快地滿足用戶需求，降低搜索成本。相比模擬實驗和問卷數據，從真實個體用戶搜索數據構建的動態貝葉斯推斷預測模型更有利于優化搜索引擎推薦策略。在實際應用中，應兼顧用戶的動態偏好和篩選器使用情況，以提供更符合用戶需求的定制化產品列表。