从产品序列到销售:一种融合多源社交线索的直播电商预测框架
《Decision Support Systems》:From product sequence to sales: A prediction framework incorporating multi-source social cues in livestream e-commerce
【字体:
大
中
小
】
时间:2026年09月20日
来源:Decision Support Systems 7.5
编辑推荐:
摘要
随着直播电商的竞争日益激烈,准确的销售预测对于商家的运营决策至关重要。在直播过程中,消费者通常会按顺序接触多个产品,先前展示产品的信息可能会为后续产品的销售预测提供额外的信号。然而,现有的销售预测研究通常将产品视为相对独立的观测单位,忽视了产品序列在预测中的作用。为了弥
摘要
随着直播电商的竞争日益激烈,准确的销售预测对于商家的运营决策至关重要。在直播过程中,消费者通常会按顺序接触多个产品,先前展示产品的信息可能会为后续产品的销售预测提供额外的信号。然而,现有的销售预测研究通常将产品视为相对独立的观测单位,忽视了产品序列在预测中的作用。为了弥补这一不足,我们通过整合多源社交线索,开发了一个用于直播电商的动态序列销售预测框架。该框架考察了产品序列中两个信息源——产品属性和弹幕——对预测后续产品销售的预测价值。此外,我们将弹幕中的产品聚焦讨论与背景氛围进行了区分。我们还提出了一种基于大语言模型(LLMs)的背景氛围情感分析方法。我们的实验使用从抖音直播中收集的真实数据集进行。结果显示,先前产品的信息可以改进后续销售预测,而情感分类的产品聚焦讨论和背景氛围则进一步提高了预测性能。这些发现为直播规划和直播电商的动态运营决策提供了实际支持。
引言
直播电商已成为企业和个人的重要销售渠道[1]。在这个竞争激烈的环境中,准确的销售预测有助于企业优化库存管理,降低供应链成本,并为营销策略提供数据驱动的决策支持[2]。现有研究从直播间、主播和产品属性等多个角度探索了提取多源异构特征以构建销售预测模型[3]。然而,以往的销售预测研究仍然隐含地将产品视为独立的观测单位。在直播电商中,主播通常在单个场次内连续展示和销售一系列产品[4]。进入直播的观众往往无法预知特定产品何时会被介绍,因此会接触到多个产品的演示。与先前产品相关的信息可能包含对预测后续产品销售的有用信号[5]、[6]。例如,一个较便宜的先前产品可能会使一个中价位的后续产品显得昂贵,从而影响观众的购买决策[7]、[8]。同样,对先前产品的密集弹幕讨论可能会溢出到后续产品的展示中,并减少为这些产品产生的实时反馈[9]。直播电商本质上是一个动态且连续的销售环境[10],但现有的销售预测研究尚未充分探索先前产品的信息在同一直播场次内预测后续产品销售的作用。
当我们将直播电商中的销售预测视为一个序列任务时,进一步产生了研究问题。除了产品属性外,还有哪些其他因素可能为后续产品的销售提供有用的预测信号?线索利用理论表明,消费者在做出与产品相关的决策时可能会利用多个线索[11]。在直播电商中,观众不仅接触到产品本身的信息,还接触到其他观众发布的实时弹幕消息。因此,我们将这些线索视为产品序列中的互补信息。弹幕消息中的产品聚焦讨论指的是观众对产品属性、使用体验和购买意向的讨论,通过这些讨论,评价性的社交线索在直播过程中变得更加可见[12]、[13]。关于社会证明的研究表明,在不确定性下,观众可能会关注他人的评价以形成对产品的评价[14]、[15]。因此,我们基于情感分析构建了产品聚焦讨论特征,并检验这些特征是否提供有用的预测信号。对于当前产品,产品聚焦讨论可能反映了观众同时期评价和与购买相关的反应[16]。对于后续产品,先前产品展示期间观察到的情感模式可能会跨越产品转换而持续存在,从而提供额外的预测信息。
除了产品聚焦讨论外,弹幕还包含与产品无关的社交线索,反映了直播参与者围绕与产品本身无关的主题进行的相对随意的互动和情感表达[17]。关于情绪传染的研究表明,群体互动中的情感表达可能会在个体间传播并促成共享的情感体验[18]。在直播电商中,嵌入在与产品无关的弹幕中的情感信息并不传达对产品属性的判断。相反,它反映了一种潜在的背景氛围,这种氛围可能包含与产品销售预测相关的额外信息[19]。我们使用情感分析来构建背景氛围特征并检验其预测性能。背景氛围的操作化在方法论上具有挑战性,因为与产品无关的弹幕通常包含表情符号和口语化表达,这创造了一个高度异质的语义空间[20]。传统的文本表示方法往往难以从如此非结构化的弹幕中提取稳定可靠的情感信号。大语言模型(LLMs)在文本分类和语义理解方面展现了强大的能力[21],但它们在管理研究中的弹幕分析应用仍然有限。为了弥补这一不足,我们在从抖音直播收集的真实数据集上微调了一个LLM,以识别与产品无关的弹幕的情感极性,并汇总这些信号来表征背景氛围。然后,我们检验背景氛围是否对当前产品销售预测有贡献,以及在先前产品展示期间形成的背景氛围对于预测后续产品销售是否仍然具有信息价值。
本研究的主要贡献有三点。首先,我们提出了一个用于直播电商的动态序列销售预测框架,该框架纳入了先前产品的信息以提高对后续产品销售的预测。其次,我们在产品序列的每个位置上对齐了结构化的产品信息和观众生成的弹幕线索。我们将弹幕线索进一步分类为产品聚焦讨论和背景氛围。然后我们量化并比较了这些特征对预测后续产品销售的贡献。第三,为了应对背景氛围背后的复杂语义,我们开发了一个基于微调LLM的情感表示模块。该模块从与产品无关的弹幕中提取情感信号来表征背景氛围。我们在真实数据集上进行了大量实验。实验结果表明,将多源序列信息纳入销售预测是有效的。据我们所知,本研究是首批将先前产品特征纳入直播电商后续产品销售预测的研究之一。本研究的经理含义如下。在直播期间,一旦某个产品展示结束,模型可以利用观察到的特征为该产品销售生成预测,从而为后续产品的展示顺序和促销策略的调整提供信息。此外,管理者可以使用计划或模拟的特征进行直播前预测,并使用完整的观察数据集进行直播后回顾。
本文其余部分组织如下。第2节回顾了直播电商和销售预测的相关工作。第3节介绍了所提出的预测模型的细节。第4节包含对实验和实验结果的讨论。最后一节总结了全文并提出了未来研究方向。
章节片段
直播电商
直播电商现已成为一种主流的零售形式,集成了实时视频、内嵌购物功能和高频社交互动[22]。主播同步演示产品并与观众互动,从而丰富了购物体验,降低了信息不确定性,最终促进了购买决策[23]。
从管理者的角度来看,研究探讨了企业采用直播渠道的决策。线上线下双渠道
提出的框架
本节提出了一个在直播电商中整合多源社交线索的动态序列销售预测框架,如图1所示。首先,收集并预处理结构数据和弹幕。产品属性从结构数据中提取,而弹幕消息被划分为产品聚焦讨论和背景氛围。由于背景氛围包含嘈杂且异质的语义,因此微调了一个LLM来分类数据描述
我们从2026年4月1日至5月30日收集了抖音直播数据。为了缓解假日或活动的影响,我们排除了中国主要购物节期间的直播。我们首先筛选了有实际产品销售、峰值人气超过100、持续时间为30至960分钟且产品数量超过10个的直播[39]、[40]。然后,我们在十个主要直播类别内进行不放回的简单随机抽样,每个类别选择200场直播,获得2000场直播结论与未来工作
本研究开发了一个基于产品序列的销售预测框架,整合了产品属性、产品聚焦讨论特征和背景氛围特征。在真实的抖音数据集上的实验证明了所提出框架的有效性。在实际应用中,所提出的框架主要通过为后续产品的展示顺序、促销策略和受众提供支持来支持直播期间的动态决策CRediT作者贡献声明
Junru Xiao:写作 – 审阅与编辑,写作 – 原稿撰写,验证,方法论,数据管理。Runyu Chen:写作 – 审阅与编辑,写作 – 原稿撰写,方法论,资金获取,概念化。Yangyuqi He:写作 – 原稿撰写,验证,数据管理。Jiayi Li:方法论,调查。
生成式人工智能及AI辅助技术在写作过程中的声明
作者使用了ChatGPT(OpenAI)来协助翻译并提高语言的清晰度和可读性。在使用该工具/服务后,作者根据需要审查和编辑了内容,并对出版物的内容承担全部责任。
利益冲突声明
作者声明他们没有已知的相互竞争的财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究得到了国家自然科学基金(批准号72201061,62172094)、对外经济贸易大学人工智能技术与应用科研实验室以及对外经济贸易大学研究生创新研究基金的支持。
Junru Xiao是对外经济贸易大学人工智能与数据科学学院的博士生。他的专业是电子商务与信息管理,研究兴趣包括自然语言处理、大数据分析以及大语言模型(LLMs)的商业应用。
Junru Xiao|Runyu Chen|Yangyuqi He|Jiayi Li
对外经济贸易大学人工智能与数据科学学院,北京 100029,中国
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号