陳光宇，易鐘婷，關(guān)一，李甲貴*

（1. 西北農(nóng)林科技大學(xué)經(jīng)濟管理學(xué)院，陜西楊凌 712100；2. 西北農(nóng)林科技大學(xué)葡萄酒學(xué)院，陜西楊凌 712100/西北農(nóng)林科技大學(xué)寧夏賀蘭山東麓葡萄酒試驗示范站，寧夏永寧 750104）

關(guān)鍵字：葡萄酒；網(wǎng)上購買；消費者；關(guān)注度；滿意度

隨著居民可支配收入的不斷提升與葡萄酒文化的快速傳播，葡萄酒已經(jīng)成為一種人們追求健康和時尚生活方式的象征。中國酒業(yè)協(xié)會2021年發(fā)布了《中國酒業(yè)“十四五”發(fā)展指導(dǎo)意見》，預(yù)測未來五年我國葡萄酒產(chǎn)量將達(dá)到7億升，較2020年上漲75%，對應(yīng)收入將增加66.7%。然而，目前我國葡萄酒人均年消耗量僅有1.3升，相當(dāng)于世界人均消耗量的40%?？梢灶A(yù)見，未來幾年我國葡萄酒產(chǎn)業(yè)將迎來發(fā)展的黃金時期。伴隨著市場規(guī)模的提升，葡萄酒銷售模式也在不斷革新。頭豹研究院發(fā)布的《2019年中國葡萄酒行業(yè)概括》顯示，雖然商超仍是酒類產(chǎn)品的主要銷售渠道，但是購物網(wǎng)站和直播帶貨等線上購物的規(guī)模正在以每年40%左右的增長率持續(xù)上升。購物網(wǎng)站也給消費者搭建了一個分享購買葡萄酒感受的交流平臺。這些平臺中反映消費者心聲的評論，不僅為研究消費者關(guān)注因素提供大量的數(shù)據(jù)支撐[1]，而且有利于商家改進商品質(zhì)量和服務(wù)以提升客戶轉(zhuǎn)化率[2]。LDA（Latent Dirichlet Allocation）主題模型是一種基于機器學(xué)習(xí)算法的文檔主題生成模型，因其能大規(guī)模提取文本內(nèi)容、歸納消費者關(guān)注的主題、支持主題間關(guān)系計算等優(yōu)勢，已經(jīng)成為主題發(fā)現(xiàn)的主流算法。IPA（Important-Performance Analysis）分析矩陣是一種基于期望差異理論的測量方法，可以綜合測量消費者產(chǎn)品關(guān)注度和產(chǎn)品績效相對關(guān)系。本文將LDA主題模型和IPA分析矩陣模型結(jié)合使用，可以將每個主題從消費者關(guān)注度和產(chǎn)品滿意度兩個維度量化處理，以期輔助商家了解消費者訴求，制定針對性營銷策略。

1 研究背景

近年來，蓬勃發(fā)展的電商平臺，給消費者提供了大量觀點分享渠道。這些平臺每天生成的海量評論，給相關(guān)領(lǐng)域研究者提供了寶貴的研究資料。然而，評論中包含著消費者大量由不同描述語言構(gòu)成的觀點和偏好，這種開放式的語言表達(dá)，雖然可以完整呈現(xiàn)顧客的真實想法，形成電子口碑效應(yīng)，但是難以被傳統(tǒng)分析方法提取和處理。近幾年興起的文本挖掘技術(shù)，為解決這類問題提供了新方法。

1.1 網(wǎng)上評價會影響消費者的購買意愿

消費者在消費過程中會對產(chǎn)品產(chǎn)生正面或負(fù)面的評價，而這些評價與購買意愿存在著一定關(guān)系[3]。消費者對于產(chǎn)品評價主要由感官評價、認(rèn)知評價、使用評價和關(guān)聯(lián)評價構(gòu)成[4]。線上平臺的設(shè)計美觀度、消費者在購物時的體驗、詳情頁的展示度會影響消費者的購買意愿。Sharma[5]認(rèn)為，線上產(chǎn)品的特征，例如質(zhì)量、價格等因素都會影響消費者的購買意愿。

1.2 不同品類下消費者關(guān)注的因素具有差異

馮坤等[6]人基于LDA模型提取出線上平臺消費者對于食品的評論主題，通過構(gòu)建商品品類下不同商品的隨機占優(yōu)矩陣，算出了不同商品影響因素的滿意度排序，如：有的商品品類中消費者最為關(guān)注的是性價比，而有的品類消費者最關(guān)注的卻是品牌。Iwata等[7]使用LDA模型研究了不同大類商品的消費者滿意度影響因素，結(jié)果表明不同類的市場中影響因素不盡相同。吳江等[8]分析不同時間段兩種商品的評論信息發(fā)現(xiàn)，隨著時間的推移，商品的消費者滿意度曲線呈現(xiàn)U型，即購入商品之后消費者的滿意度往往會有所下降，之后消費者對商品質(zhì)量和好性能的產(chǎn)品的喜愛程度會隨著時間的延長而增加。

1.3 評論觀點對產(chǎn)品銷量產(chǎn)生影響

王珠美等[9]使用LDA模型統(tǒng)計出農(nóng)產(chǎn)品評論的主題及其占比，進而運用直覺模糊TOPSIS模型算出各種農(nóng)產(chǎn)品評價的綜合得分，發(fā)現(xiàn)商品的銷量與評論的綜合得分呈正相關(guān)。阮光冊等[10]使用LDA模型統(tǒng)計出商品的屬性，分析各個屬性的情感極性并結(jié)合多元回歸模型探究情感極性與銷量排名之間的關(guān)系。結(jié)果顯示，隨著各屬性的情感分值增加，銷量排名上升。畢達(dá)天等[11]利用LDA模型探究了交易雙方的行為，通過系統(tǒng)研究“淘寶”的商品差評，發(fā)現(xiàn)商家向消費者索要好評的行為會引起消費者的厭惡，從而給出差評，且商家索要好評的方式和次數(shù)都會影響消費者給出差評的決策。

綜上所述，在電商平臺評論領(lǐng)域，消費者購買不同大類的產(chǎn)品時關(guān)注因素往往存在較大差異。同一大類產(chǎn)品下，不同子產(chǎn)品之間受關(guān)注因素的關(guān)注度和滿意度也不盡相同。然而，大多數(shù)學(xué)者只是分析出產(chǎn)品影響滿意度的因素，而不考慮該因素的重要程度，籠統(tǒng)地給出建議。出于成本的考量，采納全部建議顯然不能滿足商家效益最大化的目標(biāo)。因此，本文綜合利用LDA模型、重要性-績效性（IPA）分析法，深入挖掘葡萄酒評論信息。在獲取評論主要關(guān)注因素的基礎(chǔ)上，利用語義網(wǎng)絡(luò)圖展示不同情感極性下關(guān)鍵詞之間的聯(lián)系，在綜合考量關(guān)注度和滿意度兩個指標(biāo)的基礎(chǔ)上給出合適的營銷建議。

2 研究方法

2.1 分析思路

LDA主題模型能夠高效地利用關(guān)鍵詞反映出消費者主要關(guān)注因素，IPA矩陣可以綜合測量消費者對產(chǎn)品的關(guān)注度與滿意度的相對關(guān)系，因此LDA模型與IPA矩陣分析法相結(jié)合的網(wǎng)絡(luò)評論信息研究方法，廣泛應(yīng)用于不同領(lǐng)域的用戶觀點研究。本研究基于LDA模型構(gòu)建了葡萄酒評論的分析框架，以便準(zhǔn)確地獲取消費者具體反饋，有針對性地給出建議。具體研究流程如下：（1）根據(jù)搜索關(guān)鍵詞葡萄酒，利用爬蟲技術(shù)獲取京東平臺銷量排名前100的葡萄酒品牌的消費者評論數(shù)據(jù)，將文本進行預(yù)處理，得出目標(biāo)數(shù)據(jù)。（2）對處理后的文本數(shù)據(jù)進行中文分詞等操作，借助LDA模型獲取評論主要關(guān)注因素并評論的文本信息進行情感分類。（3）結(jié)合評論中提取的觀點，將關(guān)注因素進一步細(xì)分，算出二級指標(biāo)的關(guān)注度和滿意度。（4）構(gòu)建基于IPA方法的關(guān)注度-滿意度矩陣，進行可視化分析。

2.2 葡萄酒評論獲取與處理

本文使用Python語言編寫爬蟲代碼，抓取2020年12月1日“京東商城”上銷量前100的葡萄酒評論文本，將每個葡萄酒的評論單獨保存成一個csv文件，共獲得66 563條評論信息。京東商城前100的葡萄酒之間存在共用評論的現(xiàn)象，因此需要對比每個csv文件，去掉重復(fù)文件后得到33 282條評論信息。使用Python數(shù)據(jù)分析領(lǐng)域的Pandas庫清洗剩余評論的文本數(shù)據(jù)。首先，為保證數(shù)據(jù)不受人為因素干擾，需要將明顯的刷單信息刪去。例如：刪除“京東的質(zhì)量我一直比較放心，發(fā)貨也比較快”此類按特定套路生成的高度重復(fù)且一致的評論信息；更正一些錯別字，如將“丹寧”改為“單寧”等；把一些意思相近的詞語進行同義替換，如將“飛速”“快速”“飛快”等詞語統(tǒng)一替換成“很快”。然后，選取中文文本處理效果比較好的Jieba分詞模塊，結(jié)合“搜狗詞庫”中的“網(wǎng)購詞庫”“葡萄酒相關(guān)名詞詞庫”構(gòu)建自定義詞庫，對評論文本進行分詞。最后，導(dǎo)入停用詞庫，把分詞后文本中沒有意義的詞語過濾掉。

2.3 基于LDA的葡萄酒評論主題提取模型

2.3.1 LDA主題模型

2003年，Blei[12]針對PLSI模型不能用概率描述文本信息產(chǎn)生的缺陷，提出將文檔主題混合的比例表示成一個服從Dirichlet分布的隱含隨機變量，以此模擬文檔生成過程，提出了一種非監(jiān)督機器學(xué)習(xí)的文檔主題模型，即LDA主題模型。LDA模型包含文檔、主題和特征詞三個維度。利用評論文檔D及其先驗參數(shù)α和β推斷每個關(guān)鍵詞的主題分配序列z_(d,ω)，并根據(jù)該序列得到評論-主題分布概率θ和主題-詞匯Φ分布概率。具體方法如下[13]：

（1）確定評論數(shù)目N和該文檔中的特征詞數(shù)dn；

（2）對于評論d，生成主題分布：θ_d～Dir(α)；

（3）對于主題κ，生成特征詞分布：Φ_κ～Dir(β)；

（4）對于特征詞ω_(d,i)，先在θ_d生成一個主題z_(d,i)~Multi(θ_d)，再根據(jù)z_(d,i)生成ω_(d,i)～Multi(θ_(z_(d,i)))其中iε{1,2,...,dn}。

使用模型各變量最大化的聯(lián)合分布，估計各個參數(shù)：

通過吉布斯抽樣求解參數(shù)的概率p，進一步引入狄利克

其中，z_(dω)表示該特征詞分配的主題；z_(-(dω))代表不包括此特征詞的其它詞語的主題分配序列；代表將評論d中除去特征詞ω之后的其它特征詞分配給主題κ的次數(shù)；代表排除文檔d中的特征詞ω之后，ω仍分配給主題的次數(shù)。

2.3.2 LDA模型主題個數(shù)的確定

由于LDA模型的主題個數(shù)對分析結(jié)果有決定性的影響，因此在分析葡萄酒評論的關(guān)注因素之前，需要確定主題個數(shù)。目前有三種應(yīng)用較為廣泛的方法：第一種是利用層次狄利克雷過程將主題的個數(shù)轉(zhuǎn)化成非參數(shù)，從而去除主題個數(shù)對模型的影響。第二種方法由Griffiths等[18]提出，基于貝葉斯算法確定文本數(shù)據(jù)主題個數(shù)的方法。第三種是Blei[16]提出的分析不同主題個數(shù)下模型困惑度（Perplexity），確定主題個數(shù)的方法。由于第一種和第二種算法的復(fù)雜度高且效率較低，因此本文選用第三種方法測量主題個數(shù)。困惑度的計算公式如下：

其中：D表示所有葡萄酒評論的集合，d表示集合中的一條評論，Nd表示d評論中的特征詞個數(shù)，ωd表示d評論中的特征詞序列，P(ωd）表示d評論中ωd出現(xiàn)的概率。

2.4 IPA分析

IPA分析是一種基于期望差異理論提出的衡量研究對象滿意度的方法[14]。它將關(guān)注因素的重要性和績效一起納入考量范圍，通過比較兩者的關(guān)系，確定改進策略，以便管理者對有限的資源進行利益最大化的利用。由于葡萄酒評論開放式的文本屬性，一個評論中可能包含不止一個觀點，且對于不同觀點的情感極性也不一定相同。本文利用百度AI開放平臺基于深度學(xué)習(xí)技術(shù)研發(fā)的觀點提取模型對葡萄酒評論進行觀點提取。首先，使用Python安裝并導(dǎo)入百度提供的AiNlp第三方庫，用其提供的身份信息進行驗證。最后，將評論文本循環(huán)輸入百度提供的接口進行處理，提取輸出的觀點以及情感極性。該模型經(jīng)過大量的購物評論語義訓(xùn)練，對輸入的評論信息可以較好的進行觀點和情感極性提取。本文在LDA模型確定的關(guān)注因素基礎(chǔ)上將其再度細(xì)分為多個二級指標(biāo)，將提取出的觀點歸類到二級指標(biāo)之中，計算出各個二級指標(biāo)的關(guān)注度和滿意度，根據(jù)IPA方法構(gòu)建關(guān)注度-滿意度矩陣進行。

3 結(jié)果分析

3.1 基于LDA主題模型的葡萄酒評論關(guān)注因素分析

3.1.1 確定最優(yōu)主題數(shù)目

本文使用Gibbs抽樣計算參數(shù)的概率，因此抽樣迭代次數(shù)也會對困惑度產(chǎn)生較大的影響。通過分別測算迭代參數(shù)在20～300的情況下主題數(shù)在1～20時最佳主題的困惑度，發(fā)現(xiàn)迭代次數(shù)為23時，效果最好。將抽樣迭代次數(shù)設(shè)置為23，分別測算主題數(shù)為1～20對應(yīng)的困惑度。圖1的折線可以看出，把主題個數(shù)設(shè)置為5時，模型的困惑度最低。

3.1.2 LDA主題挖掘

本文使用Python自然語言處理領(lǐng)域Gensim庫中的LDA模型，對預(yù)處理后的葡萄酒評論數(shù)據(jù)進行建模分析。通過困惑度與主題之間的對應(yīng)關(guān)系，得出最佳主題數(shù)之后，將主題數(shù)帶入LDA模型并將關(guān)鍵詞個數(shù)設(shè)置為10，分析出了各個主題包含的關(guān)鍵詞和對應(yīng)的相似度。見表1。

LDA模型根據(jù)特征詞與主題的相似性，將相關(guān)詞語劃分在一起，表達(dá)對應(yīng)的主題。根據(jù)表1的結(jié)果，通過多個按主題相似性排序的特征詞描述，可以推斷出對應(yīng)的主題。主題1中出現(xiàn)了‘物流’‘速度’‘很快’‘快遞’等特征詞，可以推斷出此主題描述了葡萄酒銷售環(huán)節(jié)的物流特征；主題2中出現(xiàn)了‘口感’‘品嘗’‘味道’‘包裝’等詞，可以推斷出這些詞主要描述了葡萄酒的產(chǎn)品特征；主題3出現(xiàn)了‘感覺’‘贈品’等詞，結(jié)合具體評論可以推斷出此主題描述了客服質(zhì)量；主題4出現(xiàn)了‘購買’‘不錯’‘值得’等詞，可以推斷出此主題與購物體驗相關(guān)；主題5出現(xiàn)了‘便宜’‘價格’‘活動’等詞可以推斷出此主題與葡萄酒價格特征相關(guān)。

3.1.3 關(guān)注因素的關(guān)注度與滿意度分析

根據(jù)LDA模型分析可知，消費者主要關(guān)注因素有5種，分別是：產(chǎn)品特征、價格特征、物流特征、購物體驗和客服質(zhì)量。為深入研究消費者對每一種關(guān)注因素的關(guān)注度和滿意度，需要將每段評論中包含的觀點全部提取出來。使用百度AI開放平臺基于深度學(xué)習(xí)技術(shù)開發(fā)的觀點提取功能，結(jié)合LDA模型分析主題及其特征詞，將評論觀點進行主題歸類。根據(jù)觀點分類的結(jié)果，統(tǒng)計各個主題特征的關(guān)注度和滿意度。

圖2表明，消費者在京東商城購買葡萄酒時，對于產(chǎn)品、價格、物流、購物體驗以及客服方面整體滿意度較高（在83%以上）。但是，消費者除了比較關(guān)注產(chǎn)品特征外（52.65%），對于價格、物流、購物體驗、客服質(zhì)量關(guān)注程度都很低（僅僅7.74%～13.41%），這說明消費者對線上購物整體上比較滿意，對產(chǎn)品質(zhì)量比較關(guān)注，對其他方面均比較滿意，甚至不怎么關(guān)心。結(jié)合表1結(jié)果可以發(fā)現(xiàn)：京東商城商品質(zhì)量相對較好，商品出現(xiàn)問題的概率較低；消費者對物流的滿意之處主要是速度快，這點也能印證京東自建物流的成功，高效率物流為京東商城的葡萄酒銷售起到了積極的促進作用。對物流的不滿之處主要集中在物流質(zhì)量方面，比如：瓶子破損，包裝損壞等。

表1 LDA主題模型結(jié)果Table 1 The LDA model of topic maps

3.2 葡萄酒評論的IPA分析

承接上文對消費者購買葡萄酒時感受的定性描述，此處使用IPA分析的方法研究各個指標(biāo)的滿意度和關(guān)注度關(guān)系。首先，本文對于提取的觀點進行了歸類，并進一步對主題模型統(tǒng)計出的5個關(guān)注因素進行細(xì)分，得到11個二級指標(biāo)，分別統(tǒng)計出每個二級指標(biāo)的關(guān)注度和滿意度（如表2）。

根據(jù)表2的數(shù)據(jù)，以滿意度為橫軸，關(guān)注度為縱軸，將坐標(biāo)（88.03%，8.23%）設(shè)置為交叉點，并且將4個象限命名為A區(qū)、B區(qū)、C區(qū)，D區(qū)以此建立IPA方法。其中，88.03%表示的是滿意度的均值，8.23%表示的是關(guān)注度的均值。IPA分析結(jié)果如圖3所示。

表2 消費者網(wǎng)上購物葡萄酒所關(guān)注因數(shù)Table 2 Consumers' attention of online wine shopping

3.3 營銷策略

3.3.1 提升產(chǎn)品質(zhì)量，差異化定位市場

由于消費者對產(chǎn)品質(zhì)量關(guān)注度和滿意度都非常高，該因素落在了A區(qū)域。但是，仍有部分消費者反映“對國內(nèi)的酒莊有些失望，品質(zhì)如同國外餐酒”。目前，國產(chǎn)酒與進口酒相比，并沒有價格優(yōu)勢，若是質(zhì)量得不到提升，將處于更加被動的狀態(tài)。因此，產(chǎn)品質(zhì)量關(guān)仍然是商家關(guān)注的重點。對于對品質(zhì)比較挑剔的消費者，在提升質(zhì)量的同時，需要把產(chǎn)品定位和消費者群體結(jié)合起來，重新進行合理定位。引進先進的釀造工藝和設(shè)備，根據(jù)線上品牌的銷售情況，釀造出不同類型的葡萄酒，確立企業(yè)的一級主打產(chǎn)品、二級大眾產(chǎn)品和三級下沉產(chǎn)品，在線上系統(tǒng)的支持下對不同類型的消費者進行差異化推薦，滿足不同的市場人群。

3.3.2 提高總體關(guān)注度，提升產(chǎn)品自身優(yōu)勢

落在B區(qū)域的關(guān)注因素有總體感受、優(yōu)惠、價格、物流速度、物流質(zhì)量，視覺感受。消費者對這6個因素雖然關(guān)注相對較低，但是滿意度較高。說明商家在這些方面做得已經(jīng)比較出色，不需要將過多的精力投放在此。消費者對于酒的色澤并不敏感，但是隨著葡萄酒文化的普及，消費者對于酒的色澤認(rèn)知提升，不排除視覺感受下降的可能。也就是說，消費者的滿意度較高，但總體關(guān)注度不高，那么產(chǎn)品自身優(yōu)勢還是不能顯著發(fā)揮。一個優(yōu)秀的銷售品牌需要擴大自身的優(yōu)勢，將產(chǎn)品的優(yōu)勢信息傳遞給消費者，進而影響消費者的消費意愿和行為。在企業(yè)品牌運營過程中，可以把消費者對于滿意度高的優(yōu)勢加入到產(chǎn)品的線上廣告中，引起消費者的共鳴。

3.3.3 減少消費負(fù)面情緒，建設(shè)線上銷售團隊

客服質(zhì)量落在C區(qū)域，表明消費者對于客服人員服務(wù)態(tài)度的滿意度和關(guān)注度都不是很高。客服質(zhì)量的關(guān)注度不高，原因是消費者在購買葡萄酒時很少遇到問題，不必尋求客服幫助。然而，如果遇到問題，消費者就很容易產(chǎn)生不滿情緒，此時若是客服人員的服務(wù)態(tài)度不好或者解決效率不高，消費者就會喪失對商家的信任。因此，在銷售過程中需要重新制定客服銷售激勵計劃，對客服話術(shù)和服務(wù)態(tài)度進行培訓(xùn)，提高客服銷售待遇，用收入激勵客服人員的活力，將客服人員的工資與績效掛鉤，或者像那些有經(jīng)驗的銷售團隊學(xué)習(xí)，建設(shè)優(yōu)秀的線上銷售團隊以減少消費者在消費過程中的不滿情緒。

3.3.4 優(yōu)化產(chǎn)品特性，注重飲酒感官體驗

落在D區(qū)域的有包裝設(shè)計、味覺感受、嗅覺感受，表明消費者對這3個的關(guān)注度高，滿意度較低。商家應(yīng)該優(yōu)先解決此區(qū)域中關(guān)注因素存在的問題。很多消費者購買葡萄酒是為了送禮，因此包裝設(shè)計是否有新意、是否上檔次就成為消費者重要的考量因素。消費者反映的影響滿意度的主要原因是包裝不夠高端，送禮有失面子。味覺方面，消費者不滿的地方在于有些葡萄酒酸澀較重，無法適應(yīng)，綜合評論信息發(fā)現(xiàn)消費者喜愛口感偏甜的葡萄酒。如“兌點雪碧類的甜汽水會喝著舒服一些，酒味不那么刺鼻”。消費者對于一款酒最初的感受源自于其香味，因此嗅覺感受遠(yuǎn)高于其他因素。進一步分析消費者喜歡的葡萄酒香氣，發(fā)現(xiàn)相較于其他香氣，消費者對果香更加敏感。

4 結(jié)論及建議

4.1 結(jié)論

本文利用“京東”購物平臺的葡萄酒評論數(shù)據(jù)，綜合運用LDA主題模型、IPA分析矩陣等方法研究消費者的關(guān)注因素及其滿意度和關(guān)注度。結(jié)果發(fā)現(xiàn)，葡萄酒消費者主要關(guān)注因素為產(chǎn)品特征、價格特征、物流特征、購物體驗，客服質(zhì)量。產(chǎn)品特征又可以細(xì)分為視覺感受、味覺感受、嗅覺感受、產(chǎn)品質(zhì)量、包裝設(shè)計；價格特征包含價格和優(yōu)惠；物流特征可以細(xì)分成物流速度和物流質(zhì)量。關(guān)注度最高的4個因素全是產(chǎn)品特征的二級指標(biāo)，其中味覺感受、嗅覺感受、包裝設(shè)計這3個因素需要重點改進，產(chǎn)品質(zhì)量需要繼續(xù)保持。消費者對于包括購物體驗在內(nèi)的6個因素關(guān)注度較低，滿意度較高，表明對這些因素總體上比較滿意。

4.2 建議

商家應(yīng)該將改進的重點放在提升葡萄酒的整體質(zhì)量上。產(chǎn)品質(zhì)量關(guān)不能松懈，保證釀酒葡萄的質(zhì)量，嚴(yán)格把控各個生產(chǎn)環(huán)節(jié)，產(chǎn)品出廠前進行嚴(yán)格的質(zhì)量篩查，防止出現(xiàn)產(chǎn)品變質(zhì)等情況；包裝設(shè)計方面，建議商家分別設(shè)置禮盒裝和家用裝，滿足一部分消費者自飲需求的同時，也讓買酒送禮的消費者多一種選擇；味覺方面，大部分對葡萄酒了解不深的消費者，比較難以適應(yīng)干紅的澀味，更加偏向于甜味。建議商家適當(dāng)增加半干型、半甜型和甜型葡萄酒；在嗅覺方面，大部分消費者更傾向于葡萄酒的果香，對于其它香味認(rèn)知并不強，建議商家生產(chǎn)更多具有明顯果香、花香特征的葡萄酒。在改進產(chǎn)品整體質(zhì)量的同時，也要加強客服人員的職業(yè)素養(yǎng)培訓(xùn)，改進服務(wù)態(tài)度，提升為客戶解決問題的能力。例如：在與消費者溝通時，及時且友好地回復(fù)消費者的問題，根據(jù)消費者不同的用酒場景，為其推薦合適的酒品；一旦出現(xiàn)售后問題，及時有效地給出解決方案。