文 · 天風(fēng)證券股份有限公司 唐興葉 廈門大學(xué)管理學(xué)院 陳亞盛

一、引言

感知價值影響產(chǎn)品銷售的實例在電子消費品行業(yè)屢見不鮮。例如：信息通信產(chǎn)業(yè)的蓬勃發(fā)展，使得智能便攜式手機(jī)成為人們生活的一部分，但部分手機(jī)愈加高昂的售價、同質(zhì)化的設(shè)計，也使得原本愿意消費的顧客望而卻步。知名電子消費品廠商蘋果，于2018年底下調(diào)業(yè)績預(yù)期，主要是其在2018年9月推出的全新iPhone系列產(chǎn)品定價過高，偏離廣大消費者的預(yù)期所致。蘋果公司股價也由于業(yè)績預(yù)期的下調(diào)，而在2019年的第一周下跌7.5%，市值累計縮水約550億美元。拋除新產(chǎn)品創(chuàng)新乏力的事實，蘋果新iPhone系列產(chǎn)品高昂的定價和滯后的價格調(diào)整策略，才是銷售規(guī)模大幅縮水、企業(yè)不得不下調(diào)業(yè)績預(yù)期的導(dǎo)火線。為應(yīng)對現(xiàn)狀，蘋果在2019年初，全線下調(diào)其二級經(jīng)銷商的價格，以滿足消費者的內(nèi)在預(yù)期，從而提升產(chǎn)品銷量。從電子消費品巨頭蘋果公司的這一事件中，不難看出電子消費品行業(yè)中，對于顧客反饋的及時響應(yīng)決定了產(chǎn)品在生命周期中的市場敏感性（即能否在最短的時間內(nèi)，使產(chǎn)品價格符合產(chǎn)品在顧客心中的價值感知）。綜上而言，根據(jù)顧客反饋及時調(diào)整產(chǎn)品定價是電子消費品行業(yè)實現(xiàn)股東價值的重要節(jié)點；過早或過晚的調(diào)價，都無法符合股東價值最大化的管理訴求。

本文希望在前述研究的基礎(chǔ)上通過大數(shù)據(jù)技術(shù)識別在電子消費品這一特定領(lǐng)域影響顧客感知的潛在驅(qū)動因素，并嘗試探究這些潛在驅(qū)動因素是否會在影響顧客感知的基礎(chǔ)上與產(chǎn)品的實際定價產(chǎn)生關(guān)聯(lián)。本研究在一定程度上，首先會彌補(bǔ)前述研究在顧客感知價值驅(qū)動因素定性甄別時摻雜一定人為因素的不足。其次，通過人工智能算法，為定量研究感知價值提供了新的方法。最后，通過“感知價值”和“產(chǎn)品定價”的綜合考慮，為管理會計研究中“實現(xiàn)企業(yè)收益最大化，產(chǎn)品應(yīng)以怎樣的價格進(jìn)行銷售”這一系列問題提供些許新的思路和方法。與此同時，本研究還希望通過研究電商模式下（即無法看到商品的實物，依靠對商品價值的感知與價格的對比進(jìn)行消費決策，事后對于該次購買行為進(jìn)行評價），顧客選購電子消費品時關(guān)注的重點以及其感知價值的構(gòu)成，從而改進(jìn)電商平臺評論體系的針對性和其非結(jié)構(gòu)化數(shù)據(jù)的有效性。對經(jīng)營者、生產(chǎn)商而言，通過對電商模式中己方顧客購買過程中非結(jié)構(gòu)化數(shù)據(jù)的分析，適時采取相應(yīng)的價格策略，迎合消費者感知價值的變化，可以搶占先機(jī)以獲取更多的市場份額。電商平臺則通過對顧客消費數(shù)據(jù)的再分析，推廣具有廣泛感知認(rèn)可的產(chǎn)品，從而在與其他同類平臺對手的競爭中取得優(yōu)勢。

本文后續(xù)的結(jié)構(gòu)安排如下：第二部分為本研究的理論基礎(chǔ)；第三部分為研究設(shè)計，主要明確本研究所采用的數(shù)據(jù)來源和技術(shù)方法；第四部分為研究結(jié)果，主要涵蓋研究結(jié)果與模型驗證；第五部分為研究結(jié)論，主要論述數(shù)據(jù)結(jié)果的含義及對未來研究的展望。

二、文獻(xiàn)回顧

（一）顧客感知價值與產(chǎn)品價格間的理論淵源

顧客感知價值理論在被系統(tǒng)地提出之前，其核心思想早在1954年出版的《管理實踐》一書中由彼得·德魯克提及。他認(rèn)為，顧客購買的和消費的對象不是產(chǎn)品，而是價值。顧客在消費的過程中追求價值的實現(xiàn)，而價值實現(xiàn)的核心和本質(zhì)是對于消費和購買行為的感知。直至1985年，邁克爾·波特在《競爭優(yōu)勢》一書中指出：“競爭優(yōu)勢來源于企業(yè)為顧客創(chuàng)造超過其成本的價值。”“企業(yè)所控制的溢價既體現(xiàn)顧客購買的實際貨物價值，也體現(xiàn)顧客對于實際貨物價值所呈現(xiàn)的認(rèn)可程度?！奔促徺I過程中顧客感知到的價值應(yīng)當(dāng)包括除貨物實際價值以外的諸如花費的時間等其他直接或間接成本的價值，還應(yīng)當(dāng)包含對此商品由于情感認(rèn)可而帶來的價值增值。但邁克爾·波特的研究，主要以企業(yè)提供最終產(chǎn)品的效用為導(dǎo)向，從而分析顧客價值，顧客只是價格被動的接受者；其研究也始終未能對于顧客感知價值這一概念作系統(tǒng)的歸納。直至Zeithaml，Sweeny和Woodruff對顧客感知價值這一理論給出自己的定義，關(guān)于顧客感知價值的研究才逐漸興起。

（二）顧客感知價值驅(qū)動因素研究現(xiàn)狀與局限

顧客感知價值驅(qū)動因素的研究是在感知價值定義中多因素理論的范疇下展開的研究，F(xiàn)lint（1997）認(rèn)為顧客感知價值的驅(qū)動因素的實質(zhì)是描述顧客感知價值的來源以及構(gòu)成顧客感知價值的組成要素。但對于這一問題的研究并不像對“顧客感知價值”定義的研究一樣達(dá)成一致，諸多學(xué)者對于究竟顧客感知價值的驅(qū)動因素如何構(gòu)成這一問題仍然眾說紛紜。而關(guān)于驅(qū)動因素這一問題的研究方法卻相對單一，驅(qū)動因素的研究往往是通過訪談和問卷的形式進(jìn)行，采用這類方法獲取的數(shù)據(jù)通常需要通過層次分析法加入專家意見，形成各自層級和權(quán)重，研究過程具有一定的主觀性。此外，受試者樣本量相對較小，其個體反饋差異以及實驗環(huán)境等綜合因素也會在問卷數(shù)據(jù)匯總和分析環(huán)節(jié)對實驗結(jié)果產(chǎn)生潛在影響。

（三）研究問題和研究思路的提出

鑒于前述文獻(xiàn)回顧中存在的局限和不足，本文的研究嘗試解決搭建“顧客感知價值”導(dǎo)向的產(chǎn)品定價模型問題。本文以電子消費品行業(yè)作為研究對象，隨著該行業(yè)的不斷演進(jìn)，產(chǎn)品的性能價值和產(chǎn)品周邊的附加值逐漸成為顧客購買決策的參考依據(jù)。本研究主要考慮到該行業(yè)產(chǎn)品的生命周期短、前期研發(fā)投入大，合適的定價區(qū)間對于企業(yè)具有較大的實際意義；另外，電子消費品顧客關(guān)注的層次（即可能構(gòu)成感知價值驅(qū)動因素的特征）相對較多。本文希望通過識別顧客感知價值的驅(qū)動因素進(jìn)而測度顧客對于電子消費品的感知價值，以感知價值作為媒介設(shè)計定價模型（合理且最優(yōu)的價格能夠切實反映顧客對商品的購買意愿，即感知價值）；基于感知價值的定價模型，融合了對顧客消費傾向性的考慮，一定程度上實現(xiàn)了定價問題的學(xué)科融合。

三、研究設(shè)計

（一）行業(yè)選擇

電子消費品行業(yè)的產(chǎn)品在進(jìn)入移動終端和智能手機(jī)階段之后，其主要成本支出在于研發(fā)的投入。電子消費品的研發(fā)大多采取預(yù)測性研發(fā)的方式，廠商在逐步分析顧客潛在需求的基礎(chǔ)上進(jìn)行研發(fā)以及產(chǎn)品的設(shè)計與制造。但是預(yù)測性研發(fā)使得研發(fā)投入在前期一次性投入，未來產(chǎn)品問世后能否有良好的市場反應(yīng)將會直接影響產(chǎn)品前期研發(fā)投入的收回，這也直接導(dǎo)致電子消費品研發(fā)活動具有高風(fēng)險和投資回收相對緩慢的特點。因此，“眾籌”（Crowdfunding）、“試生產(chǎn)”等新興生產(chǎn)銷售方式也被越來越多的中小電子消費品廠商所采用；這也從側(cè)面反映出進(jìn)行合理的定價銷售將有利于電子消費品廠商減少回收成本的時間，一定程度上降低前期大額研發(fā)支出的回收風(fēng)險。

電子消費品的經(jīng)銷模式層次多樣，電子消費品的經(jīng)銷網(wǎng)絡(luò)主要采用互聯(lián)網(wǎng)線上銷售與實體店線下銷售相結(jié)合的模式。電子消費品的銷售存在其特殊性，由于其價格相對較高且消費者重視產(chǎn)品的實際使用體驗，實體店為消費者提供了近距離實際體驗產(chǎn)品從而進(jìn)行購買的消費方式；而互聯(lián)網(wǎng)線上銷售則關(guān)注顧客評論反饋的體系構(gòu)架，以顧客評論和相關(guān)的電子消費品產(chǎn)品介紹以及快捷的物流服務(wù)，作為其吸引消費者進(jìn)行購買決策的主要方式。

在電子消費品的研發(fā)模式與經(jīng)銷模式的共同作用下，該行業(yè)突顯出研發(fā)支出高、研發(fā)風(fēng)險大、中小經(jīng)銷商應(yīng)對風(fēng)險能力薄弱的特點，實現(xiàn)收益最大化的銷售目標(biāo)才是盡快收回前期投資、應(yīng)對行業(yè)固有風(fēng)險的良策。因此，針對顧客對產(chǎn)品價值的感知進(jìn)行定價，會在一定意義上降低經(jīng)銷商和廠商由于無法隨時把握顧客需求感知而帶來的收益缺失，適當(dāng)?shù)膬r格調(diào)整也會加快前期研發(fā)投入的回收，從而提升企業(yè)和經(jīng)銷商應(yīng)對風(fēng)險的能力。以上便是本研究希望將電子消費品行業(yè)作為研究對象的主要原因。

（二）研究總體設(shè)計

本文引入大數(shù)據(jù)分析的理念，嘗試從非結(jié)構(gòu)化的文本數(shù)據(jù)入手，尋找顧客在購買決策過程中關(guān)注的產(chǎn)品價值維度和情感傾向。首先，區(qū)別于傳統(tǒng)研究依靠人為判斷對驅(qū)動因素確定，本文采用爬蟲技術(shù)獲取顧客評論中其切實關(guān)注并津津樂道的內(nèi)容作為驅(qū)動因素確定的著眼點。其次，文章選擇機(jī)器學(xué)習(xí)的方法，除去研究過程中對驅(qū)動因素權(quán)重的簡單假設(shè)，而是交由神經(jīng)網(wǎng)絡(luò)對經(jīng)過量化的數(shù)據(jù)間的關(guān)系進(jìn)行判斷，實現(xiàn)了對研究過程不確定性的信息化處理。最后，電子消費品顧客感知價值作為承載兩類前沿研究方法（文本情感傾向分析與機(jī)器學(xué)習(xí)）的理論基礎(chǔ)，其作為定價模型的核心影響主體也將通過文本分析方法進(jìn)行量化，最終在定價模型的實現(xiàn)過程中有所體現(xiàn)。圖1展示了JD商城顧客評論情感傾向分析研究的設(shè)計流程。

圖1 JD商城顧客評論情感傾向分析研究的設(shè)計流程

（三）研究具體設(shè)計

1.顧客購買決策關(guān)注點獲取

（1）理論分析

一方面，本文以基于Python的互聯(lián)網(wǎng)爬蟲技術(shù)為基礎(chǔ)，獲取JD購物平臺電子消費品大類下（以2016年6月至2018年6月為限）各項產(chǎn)品的用戶評價，以此作為顧客購買決策關(guān)注點的數(shù)據(jù)來源。顧客評論作為顧客對產(chǎn)品最直接的信息反饋，直接體現(xiàn)出顧客在收到產(chǎn)品及短時間使用過程中對制定購買決策時考慮因素的好惡。而這些好惡在簡短的評論中往往以特定的詞語進(jìn)行表達(dá)；雖然短評論的語言形式多樣，摻雜一定的符號表情，但短評論突出的特點在于其主題詞清晰，情感傾向鮮明，而非如其他漢語言文學(xué)形式，由于句式和語言習(xí)慣的不同，在主題和情感表達(dá)過程中呈現(xiàn)出語義的斑駁與晦澀。因此，本文將對顧客評論的主題詞進(jìn)行獲取，從而獲取顧客在購買決策中的關(guān)注點信息，作為量化感知價值的驅(qū)動因素。

另一方面，本文在獲取顧客評論并識別顧客關(guān)注點的過程中，也將參考前述理論研究中對感知價值的驅(qū)動因素的研究成果并進(jìn)行綜合。剔除互聯(lián)網(wǎng)爬蟲過程中出現(xiàn)的與研究內(nèi)容存在顯著背離的影響因素和數(shù)據(jù)噪音，盡可能使驅(qū)動因素識別結(jié)果符合理論研究框架和顧客消費實際情況，從而為后續(xù)文本分析和機(jī)器學(xué)習(xí)提供準(zhǔn)確的前導(dǎo)性支持。

（2）驅(qū)動因素識別的爬蟲程序設(shè)計

電商網(wǎng)站的顧客評論是以動態(tài)加載的方式進(jìn)行呈現(xiàn)的，即評論閱讀者只有在瀏覽完當(dāng)前顧客評論后，才能對下方評論進(jìn)行閱讀。此類評論展現(xiàn)的方式被稱為“動態(tài)加載”，因此僅通過對原產(chǎn)品網(wǎng)站地址內(nèi)容的抓取，并不能獲得所有顧客評論數(shù)據(jù)。針對此類網(wǎng)頁瀏覽設(shè)計存在的問題，文本提出以下解決方案：選擇帶有開發(fā)者選項的瀏覽器（如Google開發(fā)的Chrome瀏覽器），獲取產(chǎn)品網(wǎng)頁包含的Product Page Comments信息（該文件存儲了當(dāng)前商品的全部評論）。該信息以圖2所示的URL(Uniform Resource Locator)方式呈現(xiàn)。

圖2 基于Python的互聯(lián)網(wǎng)爬蟲獲取顧客評論示例

如圖2所示，紅色為Product Page Comments信息的結(jié)構(gòu)化內(nèi)容，對于不同產(chǎn)品也均保持一致；藍(lán)色部分是根據(jù)不同商品ID（JD商城不同產(chǎn)品會有獨一無二的識別ID）予以替換的部分；綠色部分則為獲取評論的頁碼范圍。至此，便可以通過爬蟲對所需產(chǎn)品的評論數(shù)據(jù)進(jìn)行獲??；獲取評論數(shù)據(jù)后，可以對數(shù)據(jù)進(jìn)行編碼并以文本的形式進(jìn)行存儲。而此時的顧客評論數(shù)據(jù)還無法直接使用，后續(xù)將對獲取的文本進(jìn)行提取和清洗，使之符合本文研究設(shè)計的基本要求。

2.評論提取與文本分析

（1）數(shù)據(jù)提取和清洗

在前述爬蟲過后，JD商城的電子消費品顧客評論已以文本的形式存儲于特定的媒介中，但數(shù)據(jù)集合除了評論以外還存在許多網(wǎng)頁符號，文本信息也尚未符合進(jìn)行文本分析的數(shù)據(jù)形式。因此，本文將針對研究過程中可能用到的字段對原始數(shù)據(jù)進(jìn)行適當(dāng)?shù)那逑磁c篩選；本文主要采用正則（Python中對特定位置字符串進(jìn)行提取的普遍方式）對字段進(jìn)行提取，即對滿足預(yù)設(shè)特征的文本或字符進(jìn)行提取。為使后續(xù)的研究能夠清晰明了，本文選擇保留顧客ID、購買時間、產(chǎn)品ID、產(chǎn)品價格和顧客評論作為信息篩選的標(biāo)準(zhǔn)，如圖3所示。

圖3 提取評論各字段信息程序示例

經(jīng)過以上方式對信息的篩選，JD商城的電子消費品（以產(chǎn)品ID為5544068商品的部分評論為例）網(wǎng)頁評論數(shù)據(jù)將會以圖4形式呈現(xiàn)。

圖4 JD商城電子消費品評論整理匯總

（2）文本分析設(shè)計

本文文本分析設(shè)計的主體理論依據(jù)主要為Alistair Kennedy和Diana Inkpen（2010）對于英文語境下文本分析的情感傾向識別理論。該理論將情感傾向分為“積極的、消極的或中立的”三種形式，并創(chuàng)造性地提出調(diào)節(jié)副詞對語言情感傾向具有增強(qiáng)和衰減的作用。這一理論，廣泛地適用于英語環(huán)境（英文語境中的文法結(jié)構(gòu)易于劃分主題詞和修飾詞）；而相對于中文環(huán)境，該方法始終沒有大面積使用，主要是由于中文語境的多變和語義的繁復(fù)。而該方法在西文語境下，文本語義分析精度上優(yōu)于目前使用較多的PMI（情感傾向點互信息算法）。本文研究對象著眼于中文語境下的顧客評論，而顧客評論作為短文本具有主題詞清晰、情感傾向鮮明的特點；與此同時，顧客評論內(nèi)容和評論形式相對集中，文法也不似其他漢語言文本那般豐富。綜上所述，本文決定采用“特征詞定位”“情感傾向詞定性”“輔助性程度副詞定量”的綜合方式對JD商城顧客評論進(jìn)行以確定感知價值為目標(biāo)的文本分析。

①搭建文本庫

本文以NLPIR（中科院漢語言分詞系統(tǒng)）作為搭建文本庫的主要手段，搭建包含前述電子消費品感知價值驅(qū)動因素的名詞“特征詞庫”，可以用作區(qū)分情感傾向的形容詞“情感傾向詞庫”和可以對形容詞起到支持或削弱作用的副詞“程度詞庫”。文本庫的搭建始于對顧客評論的分詞和詞性進(jìn)行標(biāo)注，從而搭建基礎(chǔ)詞庫（主要包含名詞、形容詞和副詞），再由基礎(chǔ)詞庫以驅(qū)動因素為標(biāo)準(zhǔn)挑選符合“特征詞庫”“情感傾向詞庫”“輔助程度詞庫”要求的詞，組成滿足研究設(shè)計的研究詞庫。由于傳統(tǒng)方式的自動化詞義歸類需要一個原生詞庫，例如：“開心”作為一個正向詞要歸入“表達(dá)快樂情緒的詞庫”，首先要存在既有的“表達(dá)快樂情緒的詞庫”，之后才能使用KNN（K-Nearest Neighbor，K近鄰）分類算法對新詞進(jìn)行擴(kuò)充，而電子消費品感知價值的驅(qū)動因素特征詞并不存在既有詞庫，之后于是本文在對基礎(chǔ)詞庫的進(jìn)一步篩選過程中，采用交互檢查式人工處理的方式。雖然增加了研究的時間耗費，但原生詞庫的搭建，對于后續(xù)研究過程中可能出現(xiàn)的新詞，可以起到簡化識別過程的效果。該部分主要設(shè)計流程與實現(xiàn)如圖5所示。

圖5 分詞及詞庫搭建流程

該算法先調(diào)用NLPIR對評論文本進(jìn)行分詞，而后對切分后的短元素進(jìn)行詞性的判斷，并將相應(yīng)的劃分結(jié)果歸入相應(yīng)的基礎(chǔ)詞庫。分詞及文本庫搭建程序示例如圖6所示。

圖6 分詞及文本庫搭建程序示例

②分詞與整合的功能設(shè)計

分詞與整合的功能設(shè)計，旨在明確如何對JD商城電子消費品的顧客評論數(shù)據(jù)文本分析的規(guī)則；簡言之，即對于單一評論而言，什么樣的詞組搭配會被視作是對于特定產(chǎn)品某一特定維度的情感性描述。舉例而言，圖7將展示產(chǎn)品ID字段為5544068的產(chǎn)品的第一條評論。

如圖7所示，綠色標(biāo)注文字對應(yīng)產(chǎn)品的正向評論，紅色標(biāo)注部分對應(yīng)產(chǎn)品的負(fù)向評論。對評論進(jìn)行分詞和詞性標(biāo)注處理后，可發(fā)現(xiàn)評論中正向評論與負(fù)向評論的核心組成部分均為“特征詞”加“輔助性程度副詞”加“情感傾向詞”。產(chǎn)品ID字段為5544068的產(chǎn)品的首條評論分詞整合示例如表1所示。

圖7 產(chǎn)品ID字段為5544068的產(chǎn)品的首條評論標(biāo)注

表1 產(chǎn)品ID字段為5544068的產(chǎn)品的首條評論分詞整合示例

這一組數(shù)據(jù)只是龐大JD商城電子消費品的顧客評論數(shù)據(jù)的縮影，清晰地反映出這位顧客在購買之后的短期內(nèi)對自己所購買產(chǎn)品中關(guān)注點（即感知價值驅(qū)動因素）的看法。與此同時，“特征名詞”“輔助性程度副詞”“情感傾向詞”的組合也可以清晰地勾勒出電子消費品對應(yīng)的感知價值。區(qū)別于傳統(tǒng)的研究，本文基于以上方法，不再依賴調(diào)查問卷對顧客進(jìn)行限制性傾向（即在表達(dá)形式受限的情況下對特定事件或事物表達(dá)看法）研究，也不再依靠假設(shè)檢驗對相關(guān)因素間的內(nèi)在聯(lián)系進(jìn)行判斷。通過機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)，可以從不同詞類的組合中發(fā)現(xiàn)電子消費品感知價值與價格間的內(nèi)在聯(lián)系，具體方法將于后文做詳細(xì)闡述。

（3）文本匹配與篩選設(shè)計

在搭建好用于進(jìn)行研究的三類文本庫后，如何之間的各維度的“特征詞”“情感傾向詞”“輔助性程度副詞”與對應(yīng)的維度之間的精確匹配是該部分亟待解決的主要問題。由于識別電子消費品感知價值驅(qū)動因素的多樣化，以及單一評論中包含多維度的感知價值，如何定義文本中“輔助性程度副詞”和“情感傾向詞”的指向，會很大程度上影響到文本分析的指向性和精確性。仍以前述產(chǎn)品ID字段為5544068的產(chǎn)品的第一條評論為例，基于人工的文本閱讀，可以非常清晰地識別出“配置+高”和“屏幕+分辨率+相當(dāng)滿意”的語義指向，而機(jī)器在識別過程中僅能發(fā)現(xiàn)對應(yīng)的詞句。因此，如何設(shè)計匹配規(guī)則，使得程序在運行過程中對文本中的詞語的歸屬做到相對精確的劃分，也就變得尤為重要。

本文在參考前人研究成果的基礎(chǔ)上，將文本標(biāo)點和文本中反映電子消費品感知價值驅(qū)動因素的特征詞作為劃分“輔助性程度副詞”和“情感傾向詞”的依據(jù)，具體規(guī)則如圖8所示。

圖8 基于顧客評論文本匹配與篩選設(shè)計流程

其中，詞庫分詞處理所包含的處理為：對順序分詞且保留標(biāo)點的“順序詞語集合”元素進(jìn)行提取并與搭建的“特征詞庫”“情感傾向詞庫”“輔助性程度詞庫”元素進(jìn)行匹配。對篩選出的元素依次排序，且不打亂元素在原有文本中的順序排布?！芭袛嘁弧彼呐袛鄺l件為：短元素中包含“特征詞”個數(shù)為0?！芭袛喽彼呐袛鄺l件為：短元素中包含“特征詞”個數(shù)為1。詞間測距所包含的處理為：參考KNN算法的鄰近原則，分別測度各“情感傾向詞”和“輔助性程度副詞”與“驅(qū)動因素特征詞”的距離；再根據(jù)距離的結(jié)果，分配“情感傾向詞”和“輔助性程度副詞”的特征歸屬?！扒楦袃A向詞”與“輔助性程度副詞”歸屬確定與數(shù)量統(tǒng)計程序示例如圖9所示。

圖9 “情感傾向詞”與“輔助性程度副詞”歸屬確定與數(shù)量統(tǒng)計程序示例

3.文本數(shù)據(jù)量化匯總

一方面，機(jī)器學(xué)習(xí)算法可以發(fā)現(xiàn)數(shù)據(jù)間的規(guī)律；另一方面，“情感傾向詞”和“輔助性程度副詞”的組合數(shù)量可以反映電子消費品感知價值的強(qiáng)弱。一般而言，人們對于某一事物不吝贊美之詞，由此可以反映出人們對于該事物強(qiáng)烈的喜愛之情；“不吝”這一表達(dá)特征在計算機(jī)語言中，就可以被視為情感表達(dá)詞語在數(shù)量上的堆疊。因此，本文在匯總文本數(shù)據(jù)時，不再采用原有的權(quán)重假設(shè)和層次分析法，直接將各類驅(qū)動因素對應(yīng)的情感傾向予以數(shù)量化，再交由神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷。

在匯總評論數(shù)據(jù)的過程中，以驅(qū)動因素作為匯總單元，每個匯總單元又以“特征詞”作為歸集對象，歸集與之相匹配的“情感傾向詞”和“輔助性程度副詞”，從而將JD商城的電子消費品顧客評論中包含的感知價值予以量化，為開展后續(xù)研究打下基礎(chǔ)。具體流程如圖10所示。

圖10 文本數(shù)據(jù)量化匯總流程示意圖

經(jīng)過以上文本分析流程，來源于電商的評論將被拆分成以感知價值作為區(qū)分的詞匯組合，并在此基礎(chǔ)上進(jìn)行計數(shù)。

4.機(jī)器學(xué)習(xí)方法與模型生成

本文采用BP神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)的主要方法，其主要包含三個核心層級：數(shù)據(jù)輸入層、隱藏層和數(shù)據(jù)輸出層（其中數(shù)據(jù)輸入層對應(yīng)本研究中的電子消費品感知價值驅(qū)動因素，數(shù)據(jù)輸出層對應(yīng)電子消費品實際價格，隱藏層則是為實現(xiàn)計算機(jī)處理非線性映射而加設(shè)的單元）。與此同時，為了逐漸降低輸出層與輸入層數(shù)據(jù)之間的差異，即實現(xiàn)神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)關(guān)系的合理探究，最初數(shù)據(jù)輸出值將與數(shù)據(jù)輸出實際值進(jìn)行比較，差異尚未達(dá)到可接受范圍，則通過調(diào)節(jié)隱含層中包含的單元間的權(quán)值，從而使得兩者之間的誤差范圍滿足實驗設(shè)計者的研究要求。文本將通過BP神經(jīng)網(wǎng)絡(luò)對以上數(shù)據(jù)單元的學(xué)習(xí)，分析文本情感傾向與產(chǎn)品定價之間的關(guān)系；對比神經(jīng)網(wǎng)絡(luò)預(yù)測值（即電子消費品價格輸出值）與實際值的比較，確定“文本分析-神經(jīng)網(wǎng)絡(luò)”價格預(yù)測模式的可行性，通過實際價格與預(yù)測價格的差異適當(dāng)分析出現(xiàn)此現(xiàn)象的潛在原因。調(diào)用神經(jīng)網(wǎng)絡(luò)算法的代碼與程序設(shè)計如圖11所示。

圖11 BP神經(jīng)網(wǎng)絡(luò)算法調(diào)用程序示例

四、實驗過程與數(shù)據(jù)分析

（一）驅(qū)動因素獲取與數(shù)據(jù)處理

本文選擇JD商城熱銷電子消費品100余種，在挑選過程中主要著眼于價格彈性相對大的電子消費品（即顧客的感知是其作購買決策的主要依據(jù)，價格的合理變化能夠切實為廠商帶來收入的增加），匯集評論20萬余條，尋找顧客對此次購買行為的關(guān)注因素，作為分析電子消費品感知價值的驅(qū)動因素。該部分主要搜集評論中出現(xiàn)頻率較高的關(guān)鍵詞，并根據(jù)相關(guān)理論研究和文字表達(dá)對明顯不相關(guān)的關(guān)鍵詞予以剔除。表2僅展示出現(xiàn)頻率大于1%的關(guān)鍵詞，主要將關(guān)鍵詞的出現(xiàn)頻率作為確定電子消費品顧客感知價值的依據(jù)。通過基于Python的互聯(lián)網(wǎng)爬蟲，發(fā)現(xiàn)電子消費品大類中“產(chǎn)品品牌因素”、“產(chǎn)品設(shè)計因素”、“產(chǎn)品性能因素”、“產(chǎn)品質(zhì)量因素”和“廠商服務(wù)因素”是顧客評價在購買感知時最多提及的因素。因此，將這五項驅(qū)動因素作為機(jī)器學(xué)習(xí)的數(shù)據(jù)輸入層符合數(shù)據(jù)取用的規(guī)模要求和理論邏輯。

表2 電子消費品感知價值驅(qū)動因素匯總

識別出電子消費品行業(yè)的感知價值后，本研究將上述選取的顧客評論依照研究設(shè)計所呈現(xiàn)的步驟（詳細(xì)參見本文“三、研究設(shè)計”相關(guān)內(nèi)容），對文本數(shù)據(jù)展開處理，以感知價值的驅(qū)動因素作為量化評論情感的維度?，F(xiàn)選擇3組數(shù)據(jù)予以展示，表3數(shù)據(jù)為進(jìn)行機(jī)器學(xué)習(xí)之前文本數(shù)據(jù)處理之后的最終形態(tài)。

表3 情感傾向數(shù)據(jù)訓(xùn)練集示例

（二）文本分析與神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

1.神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果描述

如圖12所示，該圖為BP神經(jīng)網(wǎng)絡(luò)運行的過程，其中神經(jīng)網(wǎng)絡(luò)的“Validation Checks”意義在于（神經(jīng)網(wǎng)絡(luò)運作模式為輸入值推測輸出值，并通過輸出與實際的差異進(jìn)行修正），當(dāng)機(jī)器自行調(diào)整隱藏層權(quán)重的過程，連續(xù)多次無法降低（或調(diào)整權(quán)重的操作會增加數(shù)據(jù)間的誤差）數(shù)據(jù)輸出值與數(shù)據(jù)實際值之間的誤差時，神經(jīng)網(wǎng)絡(luò)判斷數(shù)據(jù)已達(dá)到最優(yōu)輸出狀態(tài)。經(jīng)過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的學(xué)習(xí)后，呈現(xiàn)出圖13所示的狀態(tài)（本研究已經(jīng)針對BP神經(jīng)網(wǎng)絡(luò)的相關(guān)學(xué)習(xí)參數(shù)進(jìn)行了相應(yīng)的調(diào)節(jié)，盡可能優(yōu)化研究的數(shù)據(jù)結(jié)果）。

圖12 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練情況示意圖

圖13中，“十”字標(biāo)記為所選產(chǎn)品的實際價格，圓形標(biāo)記為神經(jīng)網(wǎng)絡(luò)通過對顧客評論情感傾向分析后的預(yù)測價格；圖的橫軸表示測試樣本序號，縱軸表示產(chǎn)品價格（單位：元）。圖中截取中間價位結(jié)果予以顯示，紅色標(biāo)注的圓形為通過神經(jīng)網(wǎng)絡(luò)對顧客評論量化分析后，預(yù)測值偏差小于或等于實際價格0.3倍的點；黃色標(biāo)注的圓形為通過神經(jīng)網(wǎng)絡(luò)對顧客評論量化分析后，預(yù)測值偏差大于實際價格0.3倍的點。高價位區(qū)間的絕對誤差較大，低價位區(qū)間的相對誤差較大。在中間價位區(qū)間，神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果相對較好，雖然仍存在零散分布的數(shù)據(jù)，但大部分預(yù)測值在實際值的周圍小幅波動。因此，可以判斷電子消費品文本分析的數(shù)量結(jié)果對價格的預(yù)測存在積極作用，定價模型的使用可行性得到驗證。而對于訓(xùn)練過程中數(shù)據(jù)出現(xiàn)的偏離情況，本文也將在下一小節(jié)進(jìn)行闡述。

圖13 數(shù)據(jù)實際值與神經(jīng)網(wǎng)絡(luò)預(yù)測值的差異匯總結(jié)果

2.神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果分析

對于上述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果的分析如下：學(xué)習(xí)結(jié)果表征反映為高價位區(qū)間和低價位區(qū)間的較為離散（即數(shù)據(jù)預(yù)測值偏離實際值的情況相對明顯），而中間價位區(qū)間的相對收斂。神經(jīng)網(wǎng)絡(luò)的具體預(yù)測結(jié)果如表4所示。

表4 神經(jīng)網(wǎng)絡(luò)結(jié)果匯總

中等價位區(qū)間消費者的消費習(xí)慣呈現(xiàn)正態(tài)分布，中間區(qū)間容量大。因此，中間區(qū)間的顧客感知價值獲取相對飽滿，偏差結(jié)果在所有研究結(jié)果中達(dá)到最小。最后，本文研究旨在反映現(xiàn)實中電商機(jī)制下電子消費品顧客感知價值對于產(chǎn)品價格的影響?，F(xiàn)實銷售過程中價格變化受到企業(yè)價格策略的影響，高價位產(chǎn)品為了在產(chǎn)品生命周期伊始快速實現(xiàn)“撇脂效應(yīng)”，定價往往高于消費者實際感知；該產(chǎn)品的忠實簇?fù)碚咭矔x擇其他渠道第一時間購買體驗。因此，電商平臺高價位區(qū)間產(chǎn)品的價格預(yù)測值低于實際值，也從側(cè)面反映了這一消費行為和價格策略。與之相反，低價位產(chǎn)品逐漸進(jìn)入產(chǎn)品生命周期的末段，廠商策略在于清理庫存和底價促銷，而這一定價策略會給消費者營造出物超所值的消費感受，使得對于該類電子消費品的預(yù)測價格高于其實際價格。

五、模型驗證與展望

（一）模型驗證與應(yīng)用

上述階段，通過對京東購物平臺中電子消費品行業(yè)數(shù)據(jù)的機(jī)器學(xué)習(xí)過程，訓(xùn)練結(jié)果趨于穩(wěn)定。為了解釋和驗證基于顧客感知價值的定價模型具有實際意義，該部分將以時下頗具爭議的智能手機(jī)iPhone XR作為驗證對象。本研究選取JD商城蘋果智能手機(jī)二級經(jīng)銷商的銷售數(shù)據(jù)（https://item.jd.com/32951962620.html）作為數(shù)據(jù)來源，并從中獲取顧客評論中2018年9月初至2019年2月中旬的約685條有效文本數(shù)據(jù)作為驗證數(shù)據(jù)集。將售價分別為6499元、5999元和5499元的消費評論數(shù)據(jù)進(jìn)行匯總，作為測度電子消費品感知價值的驗證數(shù)據(jù)集；并按照前述研究設(shè)計予以處理，形成由“特征詞”作為歸集對象的情感傾向數(shù)據(jù)；而后將數(shù)據(jù)作為輸入值代入已訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，則神經(jīng)網(wǎng)絡(luò)輸出值為基于顧客感知價值的模型預(yù)期價格。如圖14所示，iPhone XR上市至今JD商城二級銷售商進(jìn)行過兩次明顯的價格調(diào)整，產(chǎn)品價格由原來的6499元依次下降至5999元、5499元。

圖14 產(chǎn)品實際價格與模型預(yù)測值對比折線圖

模型根據(jù)智能手機(jī)iPhone XR的消費者評論，依據(jù)以往熱銷電子消費品所反映出的價格特征對其消費者感知價值進(jìn)行度量。圖14中2018年底iPhone XR智能手機(jī)售價為6499元，而顧客感知模型的預(yù)測結(jié)果為4247.16元，數(shù)據(jù)差額為2251.84元；顧客感知與實際售價之間存在較大差異。首次調(diào)價過后，產(chǎn)品市場售價為5999元，模型預(yù)測結(jié)果為4543.50元，實際價格與預(yù)測價格間的差額為1455.50元。模型預(yù)測價格表示顧客在當(dāng)前時點對于感知價值的實時反饋，而蘋果官方售價與消費者心理預(yù)期存在顯著差異，這一差異也會導(dǎo)致產(chǎn)品在市場銷售過程中缺乏競爭力。而蘋果公司針對前期過高的定價進(jìn)行調(diào)整，并在第一階段取得相對不錯的效果，恰恰反映出感知價值預(yù)測模型所呈現(xiàn)的結(jié)果，即蘋果公司存在調(diào)整價格刺激銷量的空間（實際價格高于感知價值，適當(dāng)調(diào)低價格會帶來感知價值提升，從而促進(jìn)對特定產(chǎn)品的消費）。與此同時，如圖14所示，伴隨著實際價格的逐漸下調(diào)，產(chǎn)品售價也會逐漸趨近于感知價值預(yù)測線。

通過上述驗證，發(fā)現(xiàn)該模型可以相對準(zhǔn)確地反映企業(yè)根據(jù)顧客感知數(shù)據(jù)所確定的價格底線，即在當(dāng)前時點是否存在進(jìn)一步刺激顧客消費的空間；也可以及時發(fā)現(xiàn)產(chǎn)品定價是否已經(jīng)背離顧客意愿。另外，電子消費品行業(yè)由于其行業(yè)特點，大多采用“撇脂”定價策略，準(zhǔn)確的“撇脂”時點使得企業(yè)可以獲取各層級的最大化收益。但是，以上述數(shù)據(jù)為例，蘋果公司在初次調(diào)價后，短時間內(nèi)再次調(diào)整了產(chǎn)品的價格，而此次調(diào)價并沒有縮小產(chǎn)品價格與感知價值的相對區(qū)間，因此沒有起到刺激消費的作用，反而使原本愿意在高價位購買的用戶以更低的價格消費，企業(yè)則由于價格下調(diào)失去原本可以獲得的收益。其他企業(yè)在采用“撇脂”策略的過程中，可以通過模型中實際價格與感知價值的差值判斷企業(yè)此次調(diào)價是否實際刺激了顧客的消費意愿，從而避免由于過早降價失去超額收益，或過晚降價給予競爭對手可乘之機(jī)的情形。

（二）未來展望

本文采用數(shù)據(jù)科學(xué)的研究方法試圖解決傳統(tǒng)管理決策的問題，將顧客感知價值作為產(chǎn)品定價的主要導(dǎo)向。數(shù)據(jù)科學(xué)的研究方法（如大數(shù)據(jù)搜集和分析、文本及情感傾向分析、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)方法等）的潛在可使用范圍，遠(yuǎn)不止本文所涉及的場景；對于非線性問題或者難以描述各驅(qū)動因素間關(guān)系的問題，數(shù)據(jù)科學(xué)的研究方法有著自身獨特的優(yōu)勢，結(jié)合編程語言對數(shù)據(jù)的批量處理可以大幅提高研究的效率。

另外，基于文本分析和情感傾向分析，可以實現(xiàn)對傳統(tǒng)非結(jié)構(gòu)化數(shù)據(jù)的有效利用，尤其是在對于顧客行為、消費形態(tài)、社交媒體輿論等大量以文本數(shù)據(jù)為主的研究場景。基于神經(jīng)網(wǎng)絡(luò)算法、分類算法和機(jī)器學(xué)習(xí)則可以實現(xiàn)對供應(yīng)商品質(zhì)、客戶信用風(fēng)險的分析，相比于傳統(tǒng)的數(shù)據(jù)模型，機(jī)器學(xué)習(xí)會關(guān)注在傳統(tǒng)研究中未能識別出的相關(guān)因素，使得模型的適用性大幅提高。