張國方 李孟凱

[摘要]為研究智能網(wǎng)聯(lián)汽車用戶的使用滿意度影響因素，靈活探索用戶個性需求，以現(xiàn)有智能網(wǎng)聯(lián)汽車用戶為研究對象，結(jié)合顧客滿意度理論，建立了智能網(wǎng)聯(lián)汽車用戶的滿意度模型，利用神經(jīng)網(wǎng)絡(luò)思想在結(jié)構(gòu)方程基礎(chǔ)上建立BP神經(jīng)網(wǎng)絡(luò)，以優(yōu)化滿意度模型;通過問卷調(diào)查方式采集數(shù)據(jù)，對數(shù)據(jù)進行檢驗分析，驗證智能網(wǎng)聯(lián)汽車用戶滿意度優(yōu)化模型。驗證結(jié)果表明，優(yōu)化模型能夠定量地分析出各因素之間的相互影響關(guān)系，影響用戶滿意度的主要路徑是使用態(tài)度，重要路徑是感知風險。

[關(guān)鍵詞]智能網(wǎng)聯(lián)汽車;用戶滿意度;結(jié)構(gòu)方程;BP神經(jīng)網(wǎng)絡(luò)

一、 引言

“十四五”是實現(xiàn)制造強國的關(guān)鍵階段，汽車產(chǎn)業(yè)的壯大變強是實現(xiàn)制造強國的重要支撐。在汽車產(chǎn)業(yè)領(lǐng)域里，有8個重點領(lǐng)域：汽車市場、中國品牌、新能源產(chǎn)業(yè)、智能網(wǎng)聯(lián)、產(chǎn)業(yè)鏈、協(xié)調(diào)發(fā)展、治理水平、全球化1。在未來的時間里，智能網(wǎng)聯(lián)相關(guān)聯(lián)領(lǐng)域市場也會越來越大。智能網(wǎng)聯(lián)汽車有著與傳統(tǒng)汽車不同的特點。針對網(wǎng)聯(lián)化、智能化等特點，要充分研究用戶在使用過程之中的感知體驗，增強和消費者之間的交流互動，了解消費者需求并結(jié)合消費者的個性需求進行營銷，為消費者提供更好的服務(wù)，推出更多更滿意的高品質(zhì)的汽車產(chǎn)品。

汽車行業(yè)緊跟互聯(lián)網(wǎng)的發(fā)展而不斷轉(zhuǎn)型升級，營銷模式也在不斷發(fā)展更迭，制定良好的營銷策略對消費者滿意度有一定影響。不少車企對汽車行業(yè)的市場進行細分和合理的劃分[1]，在找到目標市場后，以市場為導向提高研發(fā)地位，深度挖掘產(chǎn)品特點，針對特點優(yōu)化營銷方案[2]。面對汽車行業(yè)的轉(zhuǎn)型升級，各車企都在加快產(chǎn)品開發(fā)和布局，提升用戶服務(wù)水平，提高產(chǎn)品競爭力[3]，分別從產(chǎn)品、價格、渠道、促銷等方面提出對應(yīng)策略，提出了豐富產(chǎn)品線及迭代策略、打造產(chǎn)品競爭力、靈活調(diào)整價格、增加經(jīng)銷商多種獲利機會、線上線下等營銷策略建議[4]。

而消費者是營銷的主體，企業(yè)應(yīng)該通過現(xiàn)代化信息技術(shù)準確把握消費者的個性化需求，了解消費者的自身偏好，進而提升消費者對產(chǎn)品的滿意度。Sheth等人提出了以客戶為中心的營銷分析框架，解釋了以客戶為中心的營銷的前因、后果和邊界條件[5]。用戶的個性化需求會使得他們的消費有著明顯的偏好，了解自己偏好的消費者在購買定制系統(tǒng)后對供應(yīng)商的回購意愿和滿意度更高[6]。同時，了解消費者的使用體驗與偏好[7]和購買意向影響因素[8]有助于企業(yè)開發(fā)新產(chǎn)品，但是通常由于信息不對稱，用戶會對購買行為所產(chǎn)生的后果難以有準確的判斷[9，10]，這些后果將會影響用戶對產(chǎn)品的持續(xù)使用意愿[11]。王學東運用偏最小二乘結(jié)構(gòu)方程模型的方法構(gòu)建了新能源汽車用戶的持續(xù)使用意愿模型[12]，分析了滿意度對持續(xù)使用的影響;Fogliatto等人基于顧客對服務(wù)或產(chǎn)品屬性既定偏好的分析提出了一種MC環(huán)境下的選擇菜單設(shè)計方法[13]，以改善用戶的滿意度。

但因為數(shù)據(jù)內(nèi)在屬性分析不充分，使得以結(jié)構(gòu)方程為基礎(chǔ)建立的用戶模型難以正確描述用戶的使用感知[14-15]，變量之間的交互影響和非線性關(guān)系難以分析，從而引入神經(jīng)網(wǎng)絡(luò)思想來解決感知間的非線性關(guān)系。邵宏宇等構(gòu)建了產(chǎn)品結(jié)構(gòu)配置和實際使用工況向性能滿意度映射的BP神經(jīng)網(wǎng)絡(luò)模型，分析使用工況作用下的性能滿意度影響因素及其影響方式以及關(guān)鍵因子和因子間的交互作用[16]。張凌等人提出基于卷積神經(jīng)網(wǎng)絡(luò)的物流服務(wù)業(yè)顧客滿意度評價方法，分析了在網(wǎng)絡(luò)生鮮產(chǎn)品物流服務(wù)特征中，便利性、可靠性、及時性、完整性和友好性在消費者關(guān)注的服務(wù)特征中的重要性[17]。

隨著數(shù)字化的發(fā)展，已有的研究，大多從技術(shù)角度和戰(zhàn)略布局角度出發(fā)，缺乏對智能網(wǎng)聯(lián)汽車的用戶使用滿意度影響因素的研究，對用戶個性需求研究不充分、不靈活，針對性營銷服務(wù)模式研究不足。本文以技術(shù)接受模型和期望確認理論[18]為基礎(chǔ)，使用結(jié)構(gòu)模型建立用戶使用滿意度模型，利用神經(jīng)網(wǎng)絡(luò)的思想進行模型優(yōu)化，并根據(jù)優(yōu)化后的結(jié)果進行智能網(wǎng)聯(lián)汽車用戶滿意度影響因素分析，提出相關(guān)的建議策略。本文創(chuàng)新處在于通過神經(jīng)網(wǎng)絡(luò)優(yōu)化滿意度模型，靈活探索用戶的個性需求因素，并探索適合智能網(wǎng)聯(lián)汽車的營銷服務(wù)模式。

二、 用戶滿意度模型構(gòu)建

1. 用戶滿意度結(jié)構(gòu)模型

智能網(wǎng)聯(lián)汽車是新技術(shù)綜合應(yīng)用的產(chǎn)品，適合用技術(shù)接受模型研究。結(jié)合智能網(wǎng)聯(lián)汽車使用感知研究的具體問題，把技術(shù)接受模型的外部變量細化為：服務(wù)感知和體驗感知。服務(wù)感知主要指用戶購車前后對整個購買過程服務(wù)的評價，主要從獲得產(chǎn)品宣傳的體驗感知一直到售前的相關(guān)服務(wù)以及售后服務(wù)整個過程的體驗;體驗感知主要指用戶個人通過使用智能網(wǎng)聯(lián)汽車后相關(guān)價值感受的評價，主要包括產(chǎn)品的使用性能、駕駛體驗，以及智能網(wǎng)聯(lián)汽車給用戶帶來的自我價值感。

用戶在使用過程中會對智能網(wǎng)聯(lián)汽車產(chǎn)生很強的主觀使用意愿，為對這種意愿進行解釋，引入了用戶滿意度模型。感知風險主要用來評價用戶在使用相關(guān)功能過程中對產(chǎn)品性能不確定性的感知，主要包括產(chǎn)品安全性、實用性、使用成本等;感知質(zhì)量主要描述智能網(wǎng)聯(lián)汽車用戶在使用智能網(wǎng)聯(lián)汽車過程中獲得的價值感以及對智能網(wǎng)聯(lián)汽車相關(guān)產(chǎn)品的認可度。結(jié)合已有的因素研究成果，智能網(wǎng)聯(lián)汽車用戶使用感知的各研究變量以及對應(yīng)的測量指標如表1所示。

構(gòu)建的智能網(wǎng)聯(lián)汽車用戶滿意度的結(jié)構(gòu)方程模型見圖1。結(jié)構(gòu)方程可以把無法測量的變量和一些可測量的變量綜合在一起，分析出變量之間的因果關(guān)系。結(jié)構(gòu)方程模型的優(yōu)勢在于可以通過假設(shè)的方式建立起變量之間的聯(lián)系，同時還允許變量之間存在誤差。結(jié)構(gòu)方程模型由兩部分組成：結(jié)構(gòu)模型和測量模型，其中變量由可以直接觀測的測量變量和不可直接觀察的潛變量組成。測量模型：

[X=ΛXξ+δ]? （1）

[Y=ΛYη+ε] （2）

式中：[ΛX]和[ΛY]是X，Y對[ξ，η]的因子載荷矩陣;[δ和ε]為外生測量變量的誤差;[ξ和η]是潛在變量。結(jié)構(gòu)模型：

[η=Βη+Γξ+ζ]? （3）

式中：B是內(nèi)生變量間的路徑系數(shù);[Γ]是外源變量和內(nèi)生變量間路徑系數(shù);[ζ]是結(jié)構(gòu)方程殘差項。

2. 構(gòu)建優(yōu)化模型

由于用戶感知是一種受主觀影響的心理變化過程，結(jié)構(gòu)方程雖然能對多因素進行假設(shè)并測量，但是部分非線性的變量，會受到這種非線性的局限，而神經(jīng)網(wǎng)絡(luò)模型能夠在眾多數(shù)據(jù)之中通過拓撲結(jié)構(gòu)找尋到變量間的非線性關(guān)系，增強假設(shè)的可信度。故結(jié)合兩個模型的優(yōu)點，以結(jié)構(gòu)方程模型為基礎(chǔ)，探索出變量之間的因果關(guān)系，再用神經(jīng)網(wǎng)絡(luò)思想來優(yōu)化模型。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)大多是依靠經(jīng)驗確定的，本文以結(jié)構(gòu)方程的各變量之間的相互影響為基礎(chǔ)來構(gòu)建拓撲結(jié)構(gòu)，如圖2所示。在采用神經(jīng)元全連接的基礎(chǔ)上根據(jù)結(jié)構(gòu)方程的分析結(jié)果，可以清楚地得到各個變量之間的影響路徑和影響程度?；诟髯兞恐g的擬合結(jié)果，依據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，外源測量變量作為輸入端點，變量個數(shù)代表輸出節(jié)點數(shù)，假定外源測量變量的個數(shù)為N，用[xn]表示外源測量變量（n=1，2，[…]，[N]）;外源潛在變量和內(nèi)生潛在變量的個數(shù)作為隱藏層的層數(shù)和神經(jīng)元數(shù)，假定外源潛在變量和內(nèi)生潛在變量數(shù)量分別為B和V，分別用[ξb]（[b]=1，2，[…]，[B]）和[ηv]（[v]=1，2，[…]，[V]）表示;內(nèi)生測量變量的數(shù)量作為輸出神經(jīng)元的個數(shù)，假定內(nèi)生測量變量數(shù)量為O，用[yo]（[o]=1，2，[…]，[O]）表示變量的輸出。網(wǎng)絡(luò)之間的連接方式根據(jù)測量變量與潛在變量以及潛在變量之間的相互作用關(guān)系連接而成，節(jié)點間連接權(quán)值與結(jié)構(gòu)方程中的因子載荷和路徑系數(shù)相對應(yīng)。

輸入層網(wǎng)絡(luò)節(jié)點和隱藏層神經(jīng)元節(jié)點之間的連接權(quán)重為[B×N]維向量，定義為[Win];隱藏層神經(jīng)元節(jié)點之間的連接權(quán)重為[V×]（[B×V]）維向量，定義為[Whid];隱藏層神經(jīng)元節(jié)點與輸出層神經(jīng)元節(jié)點之間的連接權(quán)重為[O×V]維向量，定義為[Wout]。神經(jīng)網(wǎng)絡(luò)中每個神經(jīng)元都需要用一個激活函數(shù)激活，本文所有神經(jīng)元的激活函數(shù)為非線性的sigmoid函數(shù)，公式如下：

[sigmoidx=11+e-x]? （4）

三、 數(shù)據(jù)采集與分析

1. 數(shù)據(jù)收集

針對研究目的，調(diào)查對象為智能網(wǎng)聯(lián)汽車駕駛者。智能網(wǎng)聯(lián)汽車用戶的使用感知數(shù)據(jù)主要通過問卷調(diào)查的方法獲取，分別按照模型假設(shè)設(shè)計相關(guān)的問題，各測量變量根據(jù)Likert 5級量表進行測量。問卷采用在線發(fā)放收集，問卷在全國范圍內(nèi)發(fā)放，一共發(fā)放正式問卷316份，回收316份。除去不合理20份，有效回收296份，有效回收率為93.6%。

2. 信度效度分析

為保證問卷收集的原始數(shù)據(jù)有效可靠，需要對收集的數(shù)據(jù)經(jīng)過信度和效度分析檢驗，原始數(shù)據(jù)的可靠性主要觀測指標為克朗巴哈系數(shù)（Cronbach’s [α]）。一般情況下，當克朗巴哈系數(shù)大于0.7及以上時，認為樣本數(shù)據(jù)可靠性良好。問卷收集的原始數(shù)據(jù)用SPSS 22處理，分析得到結(jié)果如表2所示。由表2可知各潛變量克朗巴哈系數(shù)均大于0.7，原始數(shù)據(jù)有效、可靠，可進行下一步效度檢驗。

效度分析主要采用驗證性因子分析法，對所收集的原始數(shù)據(jù)使用SPSS-AMOS 24分析處理，進行聚斂效度和區(qū)分效度檢驗。組合信度和平均方差抽取值（AVE）檢驗結(jié)果的標準范圍分別是大于0.7和大于0.5，檢驗結(jié)果如表3、表4所示。由表4可得，組合信度大于0.7，各測量變量因子載荷均大于0.6，平均方差抽取值（AVE）基本大于0.5，表明原始數(shù)據(jù)的區(qū)分度和聚合度較高，可以進行結(jié)構(gòu)方程路徑分析。

3. 結(jié)構(gòu)方程路徑分析

運用SPSS-Amos 24軟件對原始數(shù)據(jù)做結(jié)構(gòu)方程模型進行擬合優(yōu)度檢驗和路徑檢驗分析。結(jié)構(gòu)方程最后的擬合結(jié)果如圖3所示。模型的擬合優(yōu)度檢驗結(jié)果如表5所示，通常來說，規(guī)范擬合指數(shù)（NFI）和相對擬合指數(shù)（RFI）的標準范圍是大于0.9，可接受值范圍是大于0.8，擬合結(jié)果是0.863和0.844，在可接受范圍內(nèi)。一般來說卡方自由度比值標準值是要小于3，測量結(jié)果是2.5，在標準范圍內(nèi)。近似誤差均方根（RMSEA）反映的是近似誤差的大小，值越小越好，測量值是0.071值小于0.08，在接受范圍內(nèi);其余指標都大于0.9，在標準范圍之內(nèi)，總體上來看，模型的擬合優(yōu)度較好;路徑檢驗結(jié)果如表6所示，各路徑之間的影響在95%的置信區(qū)間顯著。

4. 模型優(yōu)化與驗證

基于結(jié)構(gòu)方程路徑檢驗的結(jié)果建立相應(yīng)的拓撲結(jié)構(gòu)，采用全連接形式建立神經(jīng)網(wǎng)絡(luò)模型，利用BP（Back-Propagation）算法訓練模型，使用python編寫相應(yīng)算法，數(shù)據(jù)的80%用于模型訓練，20%用于模型檢測，學習率為0.1，迭代次數(shù)2000次，均方根誤差（RMSE）（越接近0越好）和判定系數(shù)[R2]（越接近1越好）來評價模型的優(yōu)化效果，結(jié)果如表7所示，由表中數(shù)據(jù)可知，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型2000次訓練后，均方根誤差在0.1左右，模型收斂性較好;根據(jù)表8可知，優(yōu)化后的判定系數(shù)[R2]的值變大，擬合效果較好，模型的確得到優(yōu)化;優(yōu)化后的各變量之間的影響路徑系數(shù)的情況如表9所示，由表9可知，優(yōu)化前后的路徑差異性不大，說明整體路徑假設(shè)是合理的。

四、 結(jié)果分析

1. 影響因素分析

由表9可知，在優(yōu)化前感知風險和使用態(tài)度的路徑系數(shù)分別為0.660和0.652，對用戶使用滿意度影響的差異并不大，通過優(yōu)化后出現(xiàn)了差異，分別為0.583和0.702。通過路徑系數(shù)大小來看使用態(tài)度影響略大一些。在使用態(tài)度這條路徑下，服務(wù)感知路徑系數(shù)為0.897，明顯大于其余兩條路徑。對比優(yōu)化后結(jié)果，服務(wù)感知路徑系數(shù)依然較大，說明用戶更加注重購車前后整個過程的服務(wù)體驗;而體驗感知系數(shù)路徑由0.316變?yōu)?.421，說明用戶在使用過程中，更在乎使用的價值感。由此可以分析出服務(wù)感知是主要影響使用態(tài)度的因素，其次是體驗感知因素。

在感知風險路徑下，優(yōu)化前感知質(zhì)量和感知便利性路徑系數(shù)分別為0.773和0.657，對比優(yōu)化后的路徑系數(shù)來看，比重都大于0.6，說明用戶在使用過程中都很重視產(chǎn)品的實際使用效果和性能。由此可分析出感知質(zhì)量和感知便利性都是影響感知風險的重要因素。

從建立的模型可以看出，影響用戶滿意度的兩條路徑都具有正向影響，反映了對于當下的智能網(wǎng)聯(lián)汽車而言，用戶更注重智能網(wǎng)聯(lián)產(chǎn)品的各種性能與安全性。綜合以上分析來看，影響用戶滿意度的主要路徑是使用態(tài)度，重要路徑是感知風險。結(jié)合實際購車使用過程來看，智能網(wǎng)聯(lián)汽車用戶在計劃購買智能網(wǎng)聯(lián)汽車時，首先是受到相關(guān)的宣傳影響，對智能網(wǎng)聯(lián)汽車產(chǎn)生興趣，然后到線下店里實際體驗，感受相關(guān)銷售服務(wù)體驗，然后再是試乘試駕后以及購買后的駕駛體驗，說明優(yōu)化后的模型更加符合實際情況。

2. 存在問題分析

測量變量在各感知維度中的載荷大小反映了各測量變量對各感知維度的影響程度，影響程度的大小反映了各測量變量的相對重要度，表明了滿意度模型和優(yōu)化模型在解釋各感知維度與其測量變量之間的關(guān)系能力。所建模型各感知維度下的測量變量優(yōu)化前后載荷大小如表10所示。

在使用態(tài)度的路徑下，各維度的測量變量的載荷值如表11所示，服務(wù)感知這個變量下的4個因素載荷系數(shù)都大于0.6，占比較大，但是I2、I3相比I1、14兩個變量，載荷值變小，影響程度變小。I2、I3變量衡量的是價格對滿意度的影響，反映用戶對部分功能的使用成本有擔憂，一方面是因為部分智能網(wǎng)聯(lián)功能價格本身就偏高，另一方面是由于用戶會擔心各種功能的后期維護成本;優(yōu)化前體驗感知變量下的3個測量變量載荷系數(shù)也較大，優(yōu)化后各個變量的載荷值都變小，影響程度變小，3個變量衡量的是用戶使用價值感對滿意度的影響，反映用戶在使用過程中價值感不是太高，很大可能是目前用戶缺乏對相關(guān)產(chǎn)品功能的了解，使得體驗感知不高;感知有用性下的3個測量變量載荷在優(yōu)化后載荷值變小，影響程度變低，3個變量衡量的是相關(guān)智能網(wǎng)聯(lián)功能的使用對滿意度的影響，反映用戶對車載導航等部分功能不認可，這說明智能網(wǎng)聯(lián)汽車的部分功能不能滿足用戶的需求，一方面可能是因為用戶對一些產(chǎn)品的使用操作過程不熟悉，另一方面可能是由于設(shè)計、技術(shù)等，產(chǎn)品本身就存在一定的問題。

在感知風險的路徑下，各維度的測量變量的載荷值如表12所示，對比優(yōu)化前后載荷值，B1、B4載荷值變大，影響程度變高;B2、B3載荷值變小，影響程度變低，B1、B4衡量的是智能網(wǎng)聯(lián)汽車多媒體功能的使用對滿意度的影響，B2、B3衡量的是智能網(wǎng)聯(lián)輔助駕駛功能使用對滿意度的影響。對比來看用戶對車內(nèi)多媒體功能使用效果滿意度要好于部分輔助駕駛功能，反映智能網(wǎng)聯(lián)汽車的娛樂功能是大部分用戶所接受認可的，多數(shù)的消費者選擇智能網(wǎng)聯(lián)汽車更偏向于駕乘的舒適體驗;對比感知質(zhì)量下的5個變量優(yōu)化前后載荷值，C2，C3載荷值在優(yōu)化前后都相對較小，影響程度低，比較其他因素，輔助駕駛和車內(nèi)語音系統(tǒng)等功能使用效果滿意度還有待提升，反映了目前的部分產(chǎn)品在技術(shù)上還需要升級，針對用戶的需求分析還要更加細致。

綜合來看，當下的智能網(wǎng)聯(lián)汽車市場存在著如下的問題：部分功能的使用效果并不如意，一些功能在宣傳和使用時有一定的差異，使得產(chǎn)品認可度不高;智能網(wǎng)聯(lián)汽車用戶在使用過程中的自我價值感，以及對新產(chǎn)品的使用服務(wù)等方面體驗還不夠好;用戶對于部分功能價格以及后期升級成本有一定的顧慮，說明在價格端還需要做相應(yīng)的調(diào)整。

五、 建議及結(jié)論

根據(jù)優(yōu)化前后的影響因素的分析，以及針對當前智能網(wǎng)聯(lián)汽車所存在的問題，本文基于模型優(yōu)化前后的分析結(jié)果，綜合具體的影響因素，并結(jié)合4P（Product，Price，Place，Promotion）理論，提出對應(yīng)的建議。

1. 貼近用戶優(yōu)化產(chǎn)品質(zhì)量

針對用戶對部分產(chǎn)品認可度的問題，從4P理論的產(chǎn)品角度做出相關(guān)的應(yīng)對策略：抓住用戶消費需求，準確提供用戶需求產(chǎn)品。研發(fā)時在用戶調(diào)研環(huán)節(jié)需要更加貼近消費者，充分利用大數(shù)據(jù)技術(shù)，清晰、準確地抓住用戶的消費需求和習慣。同時也要及時獲取產(chǎn)品的市場反饋，根據(jù)市場動態(tài)及時分析消費者需求和產(chǎn)品的特點，調(diào)整產(chǎn)品屬性，提供更多適用、有效的產(chǎn)品;要提高用戶對智能網(wǎng)聯(lián)產(chǎn)品的認知，把產(chǎn)品的功能、特點清楚地展現(xiàn)給消費者，給予相關(guān)的使用說明和培訓指導;建立并完善消費者和車企的交流互動平臺，讓消費者更大可能地參與相關(guān)產(chǎn)品的開發(fā)制造，增強用戶的參與感、價值感。

2. 利用不同渠道增強宣傳

針對用戶對部分功能宣傳不夠了解的問題，結(jié)合4P理論，從宣傳和渠道角度做出相關(guān)的應(yīng)對策略：在線上要充分利用各種宣傳渠道。利用直播、短視頻等各種新媒體將產(chǎn)品的一些設(shè)計理念、設(shè)計細節(jié)準確、清楚地傳達給消費者，凸顯產(chǎn)品的賣點，提高產(chǎn)品的品牌影響力;利用相關(guān)的APP建立消費者用戶社群，讓用戶分享自己的使用體驗，增強用戶之間的互動交流。打造新的賣點，充分調(diào)動消費者的好奇心與消費積極性，運用大數(shù)據(jù)針對不同類型消費者定點投放廣告，同時做好老用戶的相關(guān)服務(wù)，組織相關(guān)活動維護好用戶口碑，優(yōu)化品牌的形象。拓展宣傳渠道，通過與不同企業(yè)、行業(yè)或者相關(guān)部門合作，向用戶傳遞智能網(wǎng)聯(lián)汽車的發(fā)展趨勢，以及相關(guān)的功能特點和相關(guān)服務(wù)。

在線下要繼續(xù)做好各種店內(nèi)宣傳推廣。在售前的試乘試駕環(huán)節(jié)，要多向消費者詳細介紹相關(guān)產(chǎn)品的特點與性能，讓消費者在試駕過程中去真切感受產(chǎn)品性能，提升消費者的認可度，增強消費者的消費信心。多提供一些個性化的功能設(shè)定，滿足不同地域、不同消費能力的消費者需求。

3. 靈活定價做好后端服務(wù)

對于用戶擔憂的成本問題，結(jié)合4P理論，從價格角度做出應(yīng)對策略：在銷售價格方面，根據(jù)用戶的不同需求提供不同的產(chǎn)品組合，使得消費者能根據(jù)自身的實際情況選擇需要的產(chǎn)品，在滿足消費者需求上，盡可能使產(chǎn)品性價比最大;靈活使用促銷手段，通過公眾號、官網(wǎng)、手機APP客戶端等渠道發(fā)放促銷信息，可以利用知識問答、積分兌換、小游戲闖關(guān)等方式讓用戶通過參與促銷活動獲得不同的折扣;在售后服務(wù)方面，依托5G技術(shù)的發(fā)展，建立智慧化的后端服務(wù)中心，建立健全相關(guān)的智能網(wǎng)聯(lián)汽車用戶的資料，并結(jié)合大數(shù)據(jù)技術(shù)在相關(guān)的產(chǎn)品升級維護時及時為用戶預約相關(guān)的服務(wù)中心，減輕用戶后期的維護壓力，減少用戶后期維護成本。

本文運用神經(jīng)網(wǎng)絡(luò)思想優(yōu)化用戶滿意度模型，通過對比優(yōu)化前后的影響因素，能夠靈活地分析影響用戶使用感知的原因，探索出影響用戶滿意度的因素：（1）在使用態(tài)度路徑下，服務(wù)感知是影響使用態(tài)度的主要因素，其次是體驗感知因素。（2）在感知風險路徑下，感知質(zhì)量和感知便利性都是影響感知風險的重要因素。

本文在建立用戶滿意度模型時選取的指標還不夠全面，維度比較簡單，后續(xù)研究應(yīng)盡可能多地增加變量因素;同時由于時間的原因，調(diào)查問卷收集的樣本量相對有限，后期還需要更多樣本來驗證，使得模型更加準確、客觀。

參考文獻

[1] 金安琪.上汽斯柯達汽車營銷策略研究[D].蘭州：蘭州大學，2020.

[2] 武佳寧.一汽轎車股份有限公司奔騰汽車營銷策略研究[D].長春：吉林大學，2019.

[3] 方珊.蔚來新能源汽車營銷策略研究[D].廣州：華南理工大學，2020.

[4] 丁孝章.上汽大通定制化乘用車營銷策略研究[D].哈爾濱：哈爾濱工業(yè)大學，2020.

[5] Sheth J N， Sisodia R S， Sharma A. The Antecedents and Consequences of Customer-centric Marketing[J]. Journal of the Academy of Marketing Science，2000，7（1）28：55-66.

[6] Bharadwaj N， Naylor R W， Hofstede F T. Consumer Response to and Choice of Customized Versus Standardized Systems[J].International Journal of Research in Marketing，2009，26（3）：216-227.

[7] 張妍，龐有俊，王鐳.車載信息娛樂系統(tǒng)用戶體驗與偏好研究[J].時代汽車，2020（21）：179-180.

[8] 陳國慶.基于技術(shù)接受模型的電動汽車購買意向影響因素研究[D].昆明：云南財經(jīng)大學，2020.

[9] Paul P J， Michael J R. An Investigation of Perceived Risk at the Brand Level[J].Journal of Marketing Research，1976，13（2）：184-188.

[10] Bauer R A，Hancock R S.Consumer Behavior as Risk Taking[C].Dynamic Marketing for a Changing World： proceedings of the 43rd National Conference of the American Marketing Association，1960：389-398.

[11] Sandra F， Chuanlan L， David S，et al. Development of Acale to Measure the Perceived Benefits and Risks of Online Shopping[J].Journal of Interactive Marketing，2006，20（2）：55-75.

[12] 王學東，李金鑫，汪園.新能源汽車用戶持續(xù)使用意愿研究[J].信息資源管理學報，2017，7（2）：40-49.

[13] Fogliatto F S，Silveira G.Mass Customization：A Method for Market Segmentation and Choice Menu Design[J].International Journal of Production Economics，2008，111（2）：606-622.

[14] 顏波，褚學寧，張磊.結(jié)構(gòu)方程模型與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的用戶感知建模方法[J].上海交通大學學報，2019，53（7）：830-837.

[15] 趙海峰，萬迪昉.結(jié)構(gòu)方程模型與人工神經(jīng)網(wǎng)絡(luò)模型的比較[J].系統(tǒng)工程理論方法應(yīng)用，2003（3）： 262-269.

[16] 邵宏宇，孟琦，趙楠，等.基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品性能滿意度預測分析[J].天津大學學報（自然科學與工程技術(shù)版），2019，52（9）：932-940.

[17] 張凌，程聰，朱禮軍.基于卷積神經(jīng)網(wǎng)絡(luò)的物流服務(wù)業(yè)顧客滿意度評價方法研究[J].情報工程，2021，7（1）：93-102.

[18] 李睿，陳堅，傅志妍，等.基于結(jié)構(gòu)方程模型的定制公交乘客滿意度分析[J].科學技術(shù)與工程， 2020，20（25）：10499-10503.

作者簡介：張國方（1965-），男，碩士，武漢理工大學汽車工程學院教授，碩士生導師，研究方向為汽車市場營銷，汽車產(chǎn)業(yè)經(jīng)濟;李孟凱（1995-），男，碩士，武漢理工大學汽車工程學院碩士研究生，研究方向為汽車市場營銷。

（收稿日期：2021-12-26 責任編輯：顧碧言）