摘 要:大学生群体是微信营销活动中极具潜力的市场。本文首先构建了大学生微信活动参与度影响因素的TAM理论模型,利用问卷数据,使用结构方程模型对微信营销活动参与度的影响因素进行分析,得到:影响大学生微信营销使用意愿的因素按重要性从大到小排序为:周围环境影响、方式简捷性、安全可靠性、趣味愉悦性、实用性。最后根据结论为企业或个人营销平台提供了合理建议。

关键词:微信营销;参与度;TAM模型;结构方程;影响因素

一、前言

随着互联网技术的不断创新发展,微信凭借其独特的传播方式深受人们的喜爱。对于微信商家来讲,大学生是微信营销极具潜力的用户群,如何借助微信这一优质的网络平台针对大学生群体展开有效的营销模式是企业或个人急需关注的问题。本文希望通过实证研究了解大学生对微信营销的釆纳意愿及其影响因素,从而帮助企业了解了解大学生微信用户的需求,开发出用户愿意使用的微信营销服务。本文立足于TAM扩展模型,深入挖掘当前大学生对微信营销的特征变量,并综合考虑微信特点构建了大学生微信用户参与度影响因素的理论模型,并采用问卷调查的方法进行实证研究,通过结构方程模型对理论模型进行检验,通过数据分析的结果解读影响微信用户满意度的重要因素。

二、实证研究

1、模型构建与数据收集

本文构建的大学生群体对微信营销活动接受度模型沿用TAM模型的框架,主动规范对感知有用性有影响,同时也影响使用意愿,其他四个变量均影响使用意愿。基于TAM模型和已有研究,共提出6个研究假设: 主动规范正向影响大学生微信营销感知有用性、主动规范正向影响大学生微信营销使用意愿、感知有用性正向影响大学生微信营销使用意愿、感知易用性正向影响大学生微信营销感知有用性、感知易用性正向影响大学生微信营销使用意愿、感知可靠性正向影响大学生微信营销使用意愿。本文数据采用问卷调查形式获取,最终回收448份有效问卷。对问卷数据进行信度与效度检验。得Cronbachs Alpha系数值为0.939,且各变量的α系数均大于0.7,说明本问卷具有较强的可靠性。同时采用KMO测度和Bartletts球形检验对问卷数据进行效度检验,发现各变量的KMO值都大于0.6,表明该量表可进行因子分析。

2、结构方程模型分析

P值反映结构方程模型变量关系的显着性,若P值<0.05,则说明两变量的路径关系显着,反之,则不显着;临界比值可表示两变量之间的作用关系,若临界比值(C.R.)大于零,则表示两变量之间存在正向关系,反之,则存在负向影响。由结果可知,本研究提出的6个假设全部成立。

为检验模型的拟合效果,本文通过AMOS参数估计,得到了各拟合指标的实际拟合值,发现,模型的各项指标均处于可接受范围或效果较好范围,由此可看出,本文所建的研究模型能更好地拟合调查获取的实际情况,模型整体拟合效果较好。

在结构方程模型中,用总效应的大小来衡量自变量对因变量的影响程度,直接效应和间接效应之和就是总效应。自变量对因变量的直接影响称为直接效应,其值等于自变量到因变量的路径系数,间接效应是由自变量到因变量各条路径的路径系数乘积之和。通过对各自变量或中间变量总效应的比较,可将影响大学生微信营销活动使用意愿的各影响因素按影响程度大小表现为:主动规范(0.557)>感知易用性(0.317)>感知可靠性(0.300)>感知愉悦性(0.205)>感知有用(0.156)。

5、结论及建议

本文使用技术接受模型(TAM)深入挖掘了影响大学生参与度的因素,结论表明:影响大学生微信营销使用意愿的因素按重要性从大到小依次排列为:主动规范>感知易用性>感知可靠性>感知愉悦性>感知有用性。这表明,个体所处的环境的影响是最重要的影响因素,操作简捷性次之,其次为安全可靠性、趣味愉悦性,微信营销活动获得的实用信息的重要性相对较弱。因此,作为微信商家,应首先加强微信公众平台的建设,其次要推进具有操作简捷性、安全可靠性、娱乐性、多样化、个性化的营销方式。同时加强用户口碑建设,将产品和服务质量放到营销策略的第一位。最后,确保营销信息的可靠性、真实性,加强支付平台的安全建设等以减轻用户顾虑。

参考文献:

[1]Dick Wei,Evan Zhou.Tencent Weixin-Welcome to the Age of Mobile Internet[R] .J.P.Morgan:Asia Pacific Equitu Research,2011

[2]文鹏,蔡瑞.微信用户使用意愿影响因素研究[J].情报杂志,2014,(06):156-161.

[3]马良.国内微信用户软件使用行为影响因素研宄[D].武汉:华中科技大学,2012.

[4]宋易康.试析微信公众平台在媒体营销中的特点、优势及其问题[J].东南传播,2014,(03):101-104.

作者简介:

王志楠(1993—),女,山西朔州人,山西财经大学2015(统计学)学术硕士研究生,研究方向:数据挖掘.