殷麗 朱曙旸 史逸興

摘 要：隨著大數(shù)據(jù)技術(shù)的應(yīng)用使得企業(yè)更具有競爭力。本文基于亞馬遜網(wǎng)站的商品數(shù)據(jù)，采用灰色關(guān)聯(lián)分析、方差分析、動(dòng)態(tài)回歸模型，探究評(píng)論對(duì)消費(fèi)者行為的影響機(jī)理。實(shí)證表明：具體的評(píng)論內(nèi)容對(duì)消費(fèi)者行為影響較大，同時(shí)，專業(yè)人士等易被信賴群體的評(píng)價(jià)對(duì)潛在顧客影響顯著，已有的特定星級(jí)評(píng)定會(huì)引發(fā)后續(xù)相應(yīng)的評(píng)論，因此企業(yè)要密切關(guān)注易被信賴群體和低星級(jí)評(píng)定。本文的模型為企業(yè)提供了一種快速、便捷的決策方法。

關(guān)鍵詞：大數(shù)據(jù);灰色關(guān)聯(lián)分析;方差分析;動(dòng)態(tài)回歸模型;消費(fèi)者行為

中圖分類號(hào)：F063.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2021）01（b）--04

近年來，隨著在線市場的普及（如淘寶、亞馬遜等），人們購物越來越依賴商品評(píng)價(jià)與評(píng)分，而非傳統(tǒng)的實(shí)體店體驗(yàn)。同時(shí)，由于大數(shù)據(jù)等新興技術(shù)的發(fā)展，線上零售企業(yè)也使用這些數(shù)據(jù)來深入了解市場競爭情況，以及產(chǎn)品的未來發(fā)展前景，以便作出最優(yōu)的決策。這些海量的數(shù)據(jù)，對(duì)于企業(yè)來說無疑是一筆寶貴的隱形財(cái)富。線上交易的普及，使得商品評(píng)論成為影響消費(fèi)者選購與否的一大動(dòng)力，而通過對(duì)商品評(píng)論的分析，企業(yè)可以有針對(duì)性地制定產(chǎn)品的營銷、設(shè)計(jì)等策略和更好的經(jīng)營決策。

對(duì)于商業(yè)大數(shù)據(jù)挖掘與應(yīng)用方面，Milan Kubina [1]等（2015）建立了大數(shù)據(jù)信息系統(tǒng)模型，為成功利用信息以獲得市場競爭優(yōu)勢奠定了基礎(chǔ);宋杰鯤[2]等（2020）基于大數(shù)據(jù)背景，構(gòu)建了包含產(chǎn)出、能力和資源三方面的企業(yè)競爭情報(bào)系統(tǒng)評(píng)價(jià)（ECIS）;陳冬梅[3]等（2020）基于大數(shù)據(jù)和人工智能，探究了數(shù)字化戰(zhàn)略管理的可行性;肖君[4]（2014）研究了大數(shù)據(jù)下企業(yè)的成本控制問題。根據(jù)已有的文獻(xiàn)可以發(fā)現(xiàn)，大多數(shù)研究仍處于宏觀層面，模型較為復(fù)雜，需要花費(fèi)較大的時(shí)間成本。而本文基于線上購物的數(shù)據(jù)，探究消費(fèi)者星級(jí)評(píng)定與評(píng)論對(duì)產(chǎn)品市場的影響，從而為企業(yè)提供快捷的在線銷售策略，以及識(shí)別產(chǎn)品的潛在市場。

1 數(shù)據(jù)處理與變量說明

在這里，我們選擇2020年MCM/ICM競賽C題中的數(shù)據(jù)，包含亞馬遜市場上出售的微波爐（1615組數(shù)據(jù)）、嬰兒奶嘴（18939組數(shù)據(jù)）和吹風(fēng)機(jī)（11470組數(shù)據(jù)）三種產(chǎn)品客戶提供的評(píng)分和評(píng)論。

為了減少誤差，在進(jìn)行分析前需要對(duì)數(shù)據(jù)進(jìn)行清洗。對(duì)于數(shù)值型數(shù)據(jù)，如果是缺失值，由于各個(gè)評(píng)論數(shù)據(jù)間相互獨(dú)立，無法彌補(bǔ)，且極少數(shù)缺失數(shù)據(jù)相較于整個(gè)樣本占比很小，可以直接剔除;如果是異常值，可以采用K近鄰法進(jìn)行校正，以提高結(jié)果的精度。對(duì)于文本型數(shù)據(jù)，由于數(shù)據(jù)來源于美國，評(píng)論主要由字母組成，因此它們之間的關(guān)聯(lián)度大大降低[5]，處理過程中需要將大寫轉(zhuǎn)換為小寫，并刪除標(biāo)點(diǎn)和空格等。

對(duì)于消費(fèi)者的行為模式，可以看作買或不買，用購買率量化表示（購買人數(shù)占總樣本比例）。而影響購買率的因素主要是星級(jí)評(píng)定（從1分～5分，1分代表最低，滿意度最差;5分代表最高，滿意度最高）;評(píng)論得分（具體的評(píng)論信息）;幫助等級(jí)（他人評(píng)價(jià)對(duì)自己決策的影響程度）;是否為Amazon Vine成員（Amazon Vine為亞馬遜發(fā)起的一個(gè)評(píng)論項(xiàng)目）。以下將通過實(shí)證分析判斷這四個(gè)因素對(duì)消費(fèi)者行為的影響機(jī)理。

2 模型設(shè)計(jì)與實(shí)證分析

以下將用灰色關(guān)聯(lián)分析、方差分析、動(dòng)態(tài)回歸模型，探究上述四個(gè)因子對(duì)消費(fèi)者行為的作用及其內(nèi)在關(guān)系。

2.1 灰色關(guān)聯(lián)分析

以下采用灰色關(guān)聯(lián)分析法討論消費(fèi)者行為（可視作購買率B）對(duì)星級(jí)評(píng)定（S），評(píng)論得分（P），幫助等級(jí)（F），是否為Amazon Vine成員的判斷因子（G）等因素的依賴性。

為比較第k個(gè)影響因素下，數(shù)列對(duì)參考數(shù)列對(duì)的關(guān)聯(lián)系數(shù)，其中為分辨系數(shù)。

和分別為兩級(jí)最小差及兩級(jí)最大差。

定義為序列對(duì)參考序列的關(guān)聯(lián)度。

根據(jù)上述灰色關(guān)聯(lián)模型，通過MATLAB得到各因素對(duì)采購率的灰色關(guān)聯(lián)度。對(duì)于這三種產(chǎn)品，我們發(fā)現(xiàn)評(píng)論與購買率之間的灰色關(guān)聯(lián)程度最大，而幫助等級(jí)與購買率之間的灰色關(guān)聯(lián)程度最小。例如，嬰兒奶嘴的購買率與評(píng)論的灰色關(guān)聯(lián)系數(shù)為0.7503，而幫助等級(jí)與購買率之間的灰色關(guān)聯(lián)系數(shù)為0.5175。這說明，具體的評(píng)論內(nèi)容對(duì)消費(fèi)者購買決策的影響較大，而幫助等級(jí)關(guān)聯(lián)度較小的原因可能是消費(fèi)者的決策是一個(gè)綜合的過程，各個(gè)評(píng)論間的幫助程度沒有顯著差異。具體數(shù)據(jù)如表1所示。

2.2 方差分析

為了探究是否為Amazon Vine成員對(duì)消費(fèi)者行為的影響，以下進(jìn)行了方差分析。這里需要說明的是，Amazon Vine是一項(xiàng)邀請(qǐng)亞馬遜最值得信賴的評(píng)論者針對(duì)新商品發(fā)布他們的看法，以幫助其他買家作出明智的購買決定計(jì)劃。亞馬遜會(huì)根據(jù)買家針對(duì)其在亞馬遜上所購商品發(fā)布的評(píng)論是否深刻，邀請(qǐng)買家成為Vine 評(píng)論者。而參與該計(jì)劃的賣家可以提供免費(fèi)商品，以便這些選定的 Vine Voice 為其申請(qǐng)的商品發(fā)布買家評(píng)論。因此，Amazon Vine也是評(píng)論的一個(gè)方面。

首先，計(jì)算星級(jí)評(píng)定、評(píng)論得分、幫助等級(jí)和是否為Amazon Vine成員的相關(guān)矩陣。以嬰兒奶嘴為例，在表2中，括號(hào)內(nèi)為相關(guān)系數(shù)的P值。如果P<0.01，相關(guān)系數(shù)可以認(rèn)為是非常顯著的。如果P<0.05，則認(rèn)為相關(guān)系數(shù)顯著。

從表2可以看出，Amazon Vine與其他變量的相關(guān)性最小。同時(shí)，評(píng)論得分與星級(jí)評(píng)定的相關(guān)性最大，為0.3044。例如，正面評(píng)價(jià)與高星級(jí)評(píng)價(jià)一致，反之亦然。這符合我們的實(shí)際情況，因?yàn)樵u(píng)論是評(píng)分的具體說明。以下的第三點(diǎn)將對(duì)此進(jìn)行詳細(xì)分析。

接下來，采用單因素方差分析研究是否為Amazon Vine成員的判斷因子（G）對(duì)星級(jí)評(píng)定（S），評(píng)論得分（P），幫助等級(jí)（F）和消費(fèi)者行為（B）等變量的影響。數(shù)據(jù)通過了常方差檢驗(yàn)和正態(tài)性檢驗(yàn)。

我們首先討論判斷指數(shù)（G）的變化對(duì)星級(jí)評(píng)定的影響。

變量S表示星級(jí)評(píng)定（S）的樣本，當(dāng)，即不是Amazon Vine成員時(shí)，是的平均值，當(dāng)，即是Amazon Vine成員時(shí)，是的平均值?？偣策x擇了個(gè)樣本，其中，的有個(gè)，的有個(gè)。

為了討論對(duì)消費(fèi)者行為的影響，以是否是Amazon Vine成員為控制變量，研究了各變量的均值。從表3可以清楚地看到，加入Amazon Vine有助于產(chǎn)品在在線市場上取得成功。由于篇幅的限制，在這里列出嬰兒奶嘴的結(jié)果數(shù)據(jù)。通過對(duì)另外兩種產(chǎn)品的研究，我們也發(fā)現(xiàn)了相似的規(guī)律。

從表3的結(jié)果可以看出，第一個(gè)是0.7987，說明結(jié)果并不顯著。因此，在是否加入Amazon Vine的星級(jí)評(píng)定上沒有顯著差異。而其他三個(gè)都小于0.05，可以說是有明顯的不同。換句話說，成為Amazon Vine的一員對(duì)評(píng)論得分（P），幫助等級(jí)（F）和消費(fèi)者行為（B）有顯著影響。雖然這是選取國外的數(shù)據(jù)，針對(duì)的是亞馬遜網(wǎng)站的個(gè)例，但不可否認(rèn)的是這種精選評(píng)論的項(xiàng)目對(duì)消費(fèi)者選購本產(chǎn)品仍有顯著的影響。例如淘寶、京東上的星鉆級(jí)買家的評(píng)價(jià)對(duì)潛在消費(fèi)者影響更大。

2.3 動(dòng)態(tài)回歸模型

為了衡量特定的星級(jí)評(píng)定是否會(huì)引發(fā)更多的評(píng)論，將星級(jí)評(píng)定作為自變量（X）。同時(shí)，考慮到評(píng)論對(duì)消費(fèi)者決策的幫助程度，得到修正后的評(píng)論得分（R），并將其作為因變量（Y）。在之前的研究中，發(fā)現(xiàn)2006年的微波爐數(shù)據(jù)太少，不具有代表性。因此，使用線性插值來彌補(bǔ)。由于動(dòng)態(tài)回歸中時(shí)間序列的平穩(wěn)性不是必要的，因此只檢查它是否是白噪聲。LB測試表明，每個(gè)系列都不是白噪聲。通過對(duì)序列的相關(guān)系數(shù)和偏相關(guān)系數(shù)的分析，建立了動(dòng)態(tài)回歸模型。

式中，和分別是t年和t-1年修訂的評(píng)論得分（R）的值。是在第1年的星級(jí)評(píng)定。（i=0，1，2）分別表示常數(shù)項(xiàng)和變量前的系數(shù)，且是隨機(jī)誤差項(xiàng)。我們引入了以消除其自身的影響，并且的系數(shù) （即）將顯示先前的星級(jí)評(píng)定對(duì)修訂后的評(píng)論分?jǐn)?shù)的影響。由于其他因素間相關(guān)性較低，因此這里沒有采用更多的變量。特別是該模型還可以通過以后的建模結(jié)果來確定，并發(fā)現(xiàn)殘差是白噪聲。

運(yùn)用MATLAB，可以得到這三種產(chǎn)品的動(dòng)態(tài)回歸模型，如式7～9所示。

接下來，對(duì)殘差序列進(jìn)行LB檢驗(yàn)。測試結(jié)果表明，殘差序列為白噪聲序列，即信息已被充分提取。因此，該模型是有效的。

以上結(jié)果顯示，為正數(shù)，通過5%顯著性檢驗(yàn)，說明星級(jí)評(píng)定對(duì)文本評(píng)論得分有正向影響。這一結(jié)論與實(shí)際情況相符，特定的星級(jí)評(píng)定會(huì)引發(fā)更多類似的評(píng)論。例如，客戶在看到一系列高星級(jí)的評(píng)價(jià)后，更可能寫出正面的評(píng)價(jià)。不過，如果之前的星級(jí)評(píng)定較低，他們對(duì)評(píng)論的正面貢獻(xiàn)將低于高星級(jí)評(píng)定，而且隨后的評(píng)論可能不會(huì)那么好。這一結(jié)果的主要原因是星級(jí)評(píng)定對(duì)潛在消費(fèi)者的影響更大，低星級(jí)評(píng)定會(huì)讓顧客氣餒，因?yàn)樗麄兿乱庾R(shí)地認(rèn)為產(chǎn)品不好。

最后，利用已有的動(dòng)態(tài)回歸模型對(duì)評(píng)審得分進(jìn)行預(yù)測。2016年吹風(fēng)機(jī)、微波爐、嬰兒奶嘴的預(yù)測評(píng)論得分分別為-0.0091、 -0.0019、-0.0482，比2015年有所提高。以嬰兒奶嘴為例，其預(yù)測如圖1所示。

3 結(jié)語

本文探究了四個(gè)主要因素（星級(jí)評(píng)定、評(píng)論得分、幫助等級(jí)、是否為Amazon Vine成員）對(duì)消費(fèi)者行為的影響，并預(yù)測了三種產(chǎn)品的得分。從實(shí)證分析中可以看出，具體的評(píng)論內(nèi)容對(duì)購買率影響較大，同時(shí)，專業(yè)人士的評(píng)價(jià)更能影響潛在消費(fèi)者，已有的特定星級(jí)評(píng)定會(huì)引發(fā)后續(xù)相應(yīng)的評(píng)論。這給予了企業(yè)一個(gè)思路，密切關(guān)注專業(yè)人士等容易讓潛在顧客信賴的群體和打低星級(jí)評(píng)定的用戶，剔除惡意差評(píng)后，充分了解消費(fèi)者的需求，改進(jìn)相關(guān)產(chǎn)品，以求產(chǎn)品市場的長遠(yuǎn)發(fā)展。本文的研究為線上購物產(chǎn)品的銷售策略和前景預(yù)測提供了一種建議，幫助企業(yè)更快地作出決策。

參考文獻(xiàn)

Milan Kubina， Michal Varmus， Irena Kubinova. Use of big data for competitive advantage of company[J].Procedia Economics and Finance，2015（26）：561-565.

宋杰鯤，趙志浩，張業(yè)蒙，等.大數(shù)據(jù)背景下企業(yè)競爭情報(bào)系統(tǒng)評(píng)價(jià)研究[J].情報(bào)雜志，2020（08）.

陳冬梅，王俐珍，陳安霓.數(shù)字化與戰(zhàn)略管理理論——回顧、挑戰(zhàn)與展望[J].管理世界，2020，36（05）：220-236+20.

肖君.基于大數(shù)據(jù)的電子商務(wù)企業(yè)供應(yīng)鏈成本控制[J].信息記錄材料，2020（21）：95-96.

John H.L.Hansen，Gang Liu. Unsupervised accent classi?cation for deep data fusion of accent and language information[J]. Speech Communication， 2016（78）：19-33.