王二朋，石澤宇，吳越峰

基于評論挖掘消費者偏好的藍牙耳機設計策略

王二朋，石澤宇*，吳越峰

（南京工業(yè)大學 經濟與管理學院，南京 211800）

本研究旨在從在線評論數據中挖掘消費者偏好信息，以探索藍牙耳機設計的改良策略。使用Python爬蟲抓取目標消費者評論，并通過數據挖掘和文本分析定位需求主題和關鍵詞后，基于消費者偏好理論，對產品功能屬性進行情感分析和需求描述以控制變量，運用Mixed-logit模型提取消費者偏好特征以尋求最優(yōu)的設計策略。通過定量的實證研究，回歸分析了偏好特征參數的顯著性表達，生成藍牙耳機改良策略實例并通過滿意度檢測驗證其可行性。結合評論挖掘和Mixed-logit模型，不僅能夠設計出以消費者偏好為核心的產品設計方案，還可以為相關產品的設計策略改進提供指導與建議，具有一定的創(chuàng)新性和實用性。

藍牙耳機；評論挖掘；消費者偏好；Mixed-logit模型；產品設計策略

隨著通信技術的迅猛發(fā)展，藍牙耳機在消費市場中備受青睞，需求量逐年攀升。Bluetooth v5.4版本的更新突破了藍牙在消費者使用體驗中的技術壁壘，促使藍牙耳機積極探索立體音效、智能控制、智能降噪、健康監(jiān)測和社交功能等領域。近5年來，我國藍牙耳機市場保持超過20%的增速，2022年市場規(guī)模接近45億美元。隨著消費者可支配收入和消費習慣的變化，未來這一數字有望進一步提高，為藍牙耳機帶來巨大的市場增量空間和蓬勃的發(fā)展前景。

消費者偏好是優(yōu)化產品設計策略的關鍵信息[1]。George等[2]在《工業(yè)設計》中指出，產品設計的過程實際上是從“消費者域”到“產品屬性域”的映射。消費者偏好作為“消費者域”的一種表達，反映了消費者對產品設計的愿景。因此，張克一等[3]認為，了解消費者偏好實際上是一個跨組織邊界的新舊知識獲取、理解、整合、再分配，以滿足消費者需求的過程。賈薇等[4]認為根據消費者的偏好信息優(yōu)化產品屬性，符合效用最大化原則，能有效提高消費者的購買意愿，從而為企業(yè)更新產品的設計策略提供重要參考。

當前企業(yè)越來越注重從產品評論中挖掘消費者的偏好信息[5]，因此找到一個以消費者為中心的產品設計策略是成功銷售的關鍵[6]。張艷豐等[7]發(fā)現，隨著線上消費規(guī)模的不斷增長，電商平臺積極拓展消費評價模塊，在線評論成為消費者獲取信息、分享經驗的重要渠道。與傳統(tǒng)的市場調研相比，在線評論不受時間、地域和職業(yè)差異等影響，能夠較為貼切地進行表達。作為用戶生成內容的一種形式，評論數據蘊涵了大量用戶對產品屬性的評價，通過其構建“用戶畫像”可以準確地闡述消費者的選擇行為和購買意愿，是消費者購買體驗的真實反饋[8]，隱含了消費者對產品功能實現的期望和設想[9]，為設計以消費者為導向的產品策略提供了關鍵支撐。

因此，本文旨在將Python爬取的藍牙耳機評論通過文本分析創(chuàng)建詞云關系，進而識別消費者的情感趨向，利用Mixed-logit模型提取偏好特征參數以優(yōu)化藍牙耳機的功能配置組合[10-11]，以客觀地改良藍牙耳機設計策略，從而抓住通信技術發(fā)展機遇，滿足未來我國不同消費偏好下藍牙耳機的遞增需求。

1 研究綜述

1.1 消費者偏好獲取研究綜述

通過焦點小組訪談、調查、頭腦風暴等定性或定量的方法來獲取消費者偏好信息的方法已經被廣泛地探討。但是由于成本效益和樣本代表性，這些方法在獲取消費者偏好信息方面的全面性、實用性和準確性仍存在爭議[12]。

以往的研究證明在線評論是揭示消費者偏好的重要來源之一。首先，通過分析消費者在評論中所提到的特征和意見，可以快速獲得有關產品口碑滿意度或熱點話題等有價值的洞察。Jin等[13]運用現有研究方法挖掘評論信息可以有效解決消費者偏好獲取困難的問題；Hu等[12]利用網絡評論數據研究了口碑對消費者購買決策的影響；吳江等[14]利用文本挖掘技術研究了智能手環(huán)上用戶評論中的熱點需求話題，并結合不同時期的評論信息，分析了用戶持續(xù)時間與滿意度之間的關系。其次，在線評論不僅僅是對產品或服務的反饋，還可以用來挖掘消費者體驗或產品服務的情感和期望。杜學美等[15]認為，消費者評論不僅表達了對產品的需求和滿意程度，還反映了消費者對購物體驗、預期偏好和相關服務的真實表達；Kim等[16]基于在線評論的情感強度和LDA主題提取模型，對兩種競爭性的化妝品牌進行了消費者的滿意度比較。最后，結合機器算法探索在線評論中的偏好信息可以進一步提高研究結果的準確性。Konjengbam等[17]應用機會算法測量基于消費者的情感極性，探索了消費者購物體驗過程中對產品預期屬性和服務的偏好。

1.2 產品設計分析模型概述

利用評論數據進行產品設計分析是可行的。例如，Bae等[18]、Tuaro等[19]和Ma等[20]基于聚類、決策樹和隨機森林等機器學習算法，對評論數據進行統(tǒng)計分析。盡管這些模型提高了各情形下消費偏好的預測效率，但無法解決消費群體偏好的異質性問題。另一方面，一些研究學者通過解釋消費者喜歡或不喜歡產品功能屬性的根本原因，更好地提取了消費者的偏好主題。例如，常用的方法包括質量功能部署[21]、卡諾模型[22]和LDA主題提取模型[23]。這些方法雖然在解決消費偏好分類的方面具有顯著優(yōu)勢，但面對龐大的數據量時，往往存在誤差項的問題。

Mixed-logit模型因閉式表達被廣泛應用于海量數據的混合消費者行為分析當中，其獨立分布假設解釋了消費者對產品功能屬性的選擇意愿[24]。Lai等[25]采用數據挖掘技術和Mixed-logit模型結合的方式，準確地描述了消費者視角下中國智能手機市場的潛在需求和支付意愿。而且，由于該模型允許參數在個體之間隨機變動，通過參數的分布（均值、標準差）刻畫個體的異質性，從而更好地進行異質性研究以劃分消費偏好。Gerard等[26]利用自然語言處理技術，從在線評論中提取了消費者對產品功能屬性的陳述性偏好，通過模擬消費者的選擇行為以優(yōu)化選擇設計實驗，解決了主觀預設誤差的問題。

因此，本文在研究方法上傾向于融合大數據分析的便捷性和消費者行為分析的因果關聯(lián)性，利用Mixed-logit模型更好地捕捉消費者對產品設計的偏好信息，從而制定擇優(yōu)策略。

2 研究設計

2.1 數據挖掘與處理

隨著電子商務的快速發(fā)展，藍牙耳機的在線購買數量急劇增加，在線評論數據也越來越豐富。Gartner[27]2021年的研究報告指出，未來全球可穿戴設備網購銷量有望達到3.1億臺，其中藍牙耳機占比40%。京東作為國內知名電商平臺，消費者活躍度高，可以提供方便快捷的消費者評論數據和真實的用戶特征畫像。因此，以京東商城的消費者在線評論作為數據來源，具有很好的研究代表性和實踐性。

本文借助NLPIR大數據語義智能分析平臺，以簡化大數據挖掘和自然語言處理的分析過程，具體如下。

1）基于Ramo等[28]提出的TF-IDF算法對文本進行解析，識別出與產品設計相關的關鍵詞。

2）利用Pandas工具進行數據清洗的過程不僅在于刪除無效評論和無意義語句，更重要的是根據不同的產品定位和價格區(qū)間，對用戶進行分類，并分別對其評論進行分析。

3）對這些關鍵詞進行文本聚類，從大規(guī)模數據中自動分析出產品設計的熱點，并提供與之相關的需求特征描述，清晰地構建用戶評論的“果”和為何這么評價的“因”之間的邏輯關系。

4）應用Jieba中文分詞庫對結果進行智能過濾審查，針對產品設計需求的關鍵詞進行情感分析，量化情感極性和得分。該過程可以為獲取消費者的偏好特征提供有價值的參考信息。

2.2 構建Mixed-logit模型

基于消費者的偏好構建用戶評論和購買意愿可以解釋消費行為背后的因果關系。基于此，本研究不僅可以得到消費者與產品之間的關系產品的外觀、性能、質量等物質層偏好，還能實現產品上升到用戶特征和情感層面等附屬偏好的獲取。

3 數據挖掘與文本分析

3.1 評論采集

本研究采用Python Charm平臺中的Requests庫爬取京東商城上的在線評論數據，并借助Pandas工具進行數據清洗。時間為2021年6—12月，本文選取了占比達82%的消費偏好價格區(qū)間（94～312元）內銷量前十的京東商城藍牙耳機的評論數據，排除機器和虛假評論，最終篩選出163 274條有效數據，具體藍牙耳機型號如圖1所示。

在消費者層面，鑒于京東平臺對用戶的隱私保護，從用戶群體獲取的特征較為局限。為了能夠最大程度降低產品背后的評論自由度，本文收集了消費者的基本特征以劃分目標群體的消費意愿。具體收集情況見表1。

圖2是以小米Air2S藍牙耳機為例的評論挖掘實例。從圖2中可以看出，消費者普遍對該產品的降噪功能、音質解碼和連接速度等方面表現出較高的滿意度，其中表述最為頻繁的關鍵詞包括“降噪完美”“清晰明確”“反應迅速”等。

圖1 藍牙耳機在線評論數據描述

表1 用戶群體特征描述

Tab.1 Description of user group characteristics

圖2 Xiaomi Air2S文本挖掘樣例

3.2 文本分析

首先，對清洗后的評論數據進行詞頻統(tǒng)計、詞性劃分和詞云的生成。將詞頻按降序排列，取前30個關鍵詞，得到高頻詞占比和詞云圖（如圖3所示），從圖3a可知，“性價比”“電池”“音質”“質量”占據了大半的比例，集中反映了消費者對藍牙耳機的核心需求。接著，根據詞性和關聯(lián)關系突出主要關鍵詞，并將這些高頻詞云關系構建成如圖3b所示的詞云，從中能夠看出消費者對藍牙耳機設計策略的偏好，可以將其作為該領域的研究熱點。

最后，通過關鍵詞聚類和情感評分映射產品功能屬性和消費者的情感趨向，以此構建不同產品屬性下的用戶畫像。如表2所示，大多數關鍵詞都是正面的，只有少數幾個（如外觀、舒適度等）與負面情緒相關。最常被提及的關鍵詞是“性價比”，但它的情緒得分為0.573 7。這表明目前至少有一半的藍牙耳機產品達不到消費者的預期準則。“降噪”雖然被提及的頻率不高，但人氣較高，這說明是否具有降噪功能及功能的好壞是影響消費者購買決策的重要因素。此外，“音質”和“電池”獲得了積極的滿意度評分，體現了消費者的積極購買意愿。因此，在藍牙耳機性價比均衡的前提下，電池、音質、延遲及降噪功能等仍是藍牙耳機產品策略反映的設計重點。

圖3 詞頻排序結果

表2 中國市場藍牙耳機的關鍵詞情感分析

Tab.2 Keyword sentiment analysis of Bluetooth headsets in the Chinese market

4 基于Mixed-logit模型的消費者偏好特征提取

4.1 關鍵詞情感分析

因此，可以得到基于關鍵詞情感特征的Mixed- logit效用和概率模型，見式（5）～（6）。

如表3所示，實證結果中僅有6個主要關鍵詞揭示了消費者情感特征的異質性。耳機降噪效果在很大程度上影響了消費者的購買決策，企業(yè)可以通過優(yōu)化降噪功能來吸引更多的消費。反之，消費者對當前藍牙耳機的外觀和舒適性設計并不滿意，這揭示了線上消費群體審美和體感的差異。為了給消費者提供更好的佩戴體驗，企業(yè)應當重視人機交互和人因工程的研究，設計出具有科技美感且符合人體工程學的藍牙耳機。

4.2 用戶特征分析

表3 關鍵詞對應產品屬性情感特征估計

Tab.3 Estimation of emotion characteristics of keywords

注：表中“*”“**”“***”分別表示估計值在10%、5%、1%的水平上顯著。

表4用戶特征參數表明，小米Air2S和榮耀耳機Earbuds X1等高評級藍牙耳機在一線城市的用戶中明顯受到青睞。隨著中國城市居民收入水平的不斷提高，越來越多來自一線城市的消費者愿意為口碑良好的產品支付溢價，這實際上也是產品質量的客觀反映。同樣，京東PLUS會員更喜歡服務優(yōu)質、折扣優(yōu)惠的耳機，如漫步者 Lolli Pods和恩科EW10。這表明有效的營銷策略和銷售服務可以為藍牙耳機提供額外的銷售增長。此外，以Android用戶為代表的低消費群體，由于Android系統(tǒng)的兼容性更好，更喜歡OPPO Enco Air、Vivo TWS等價格較低的耳機。在此情形下，價格優(yōu)先度高于藍牙耳機系統(tǒng)的兼容性。

4.3 交叉異質性分析

將產品屬性變量與用戶特征進行交叉回歸分析，可以捕捉消費者對產品屬性偏好異質性。如表5所示，首先，京東PLUS會員消費者表達了在平價產品上獲得更多優(yōu)惠的期望，可能是為了彌補產品附加服務屬性所支付費用的成本。其次，iOS用戶更關心高穩(wěn)定性和低延遲的使用體驗，并愿意為耳機的藍牙協(xié)議版本支付溢價。最后，耳機的電池續(xù)航能力對一線城市用戶具有顯著影響，主要原因是這些城市應用場景多。例如，城市地鐵禁止聲音外放，這使得耳機成為必需品，而長時間的佩戴則使消費者對電池續(xù)航功能提出了更高的要求。

表4 用戶特征參數估計

Tab.4 Estimation of user characteristic parameters

注：表中“*”“**”“***”分別表示估計值在10%、5%、1%的水平上顯著。

表5 產品屬性交互參數估計

Tab.5 Product attribute interactive parameter estimation

注：表中“*”“**”“***”分別表示估計值在10%、5%、1%的水平上顯著。

5 基于消費者偏好的改良策略與評價

5.1 藍牙耳機的改良策略

基于評論挖掘和Mixed-logit模型獲取的消費者偏好信息，對藍牙耳機進行設計策略的改良。改進后的產品優(yōu)點主如下。

1）為了改善消費者對藍牙耳機外觀設計和舒適度的負面情感特征，改良設計策略采用人體工學設計原理，增加內耳廓橡膠圈設計（如圖4所示），以優(yōu)化用戶佩戴體驗。美化耳機支柱使得產品整體造型更加輕盈，提高產品的舒適度的同時考慮顏色及造型的設計，以減少審美疲勞獲得更多的消費者審美偏好。

2）通過提供優(yōu)質的售后服務和口碑宣傳等方式來增強產品的口碑效應和品牌形象很有必要，但是更重要的是在考慮性價比的同時改良藍牙協(xié)議和解碼方案等電子元件的布局（如圖4所示），減少不必要的硬件，以滿足低消費群體對藍牙耳機的基本需求。

圖4 人體工學設計和電子元件配置策略改進

3）借鑒索尼的成功經驗，本文還考慮了高保真消費群體的偏好。在產品策略中引進了聲音降噪定位和空間音頻等技術（如圖5所示），以提供更沉浸式的音質體驗。在拓寬市場占有率的同時，進一步滿足我國不同類型消費者對藍牙耳機的潛在需求。

圖5 降噪定位和空間音頻設計策略優(yōu)化

4）隨著藍牙耳機的佩戴場景越來越多，電池充電續(xù)航能力進一步受到挑戰(zhàn)。因此，為了滿足消費者對大容量和高續(xù)航耳機的偏好需求，本文提出了圓盤無線充電配置的附加功能方案（如圖6所示），可及時充電以解決消費者的續(xù)航焦慮問題。

5.2 消費者滿意度評價

將評論挖掘的10款藍牙耳機與改良的設計策略進行對比，制作滿意度評價表（計算分值設置為1～5分）并投遞給50位京東平臺的網購消費者。通過對消費者偏好特征進行滿意度檢測。優(yōu)化后的策略根據上述四處改良點（如圖4～6所示）被劃分為8項指標，分別是：佩戴舒適感、外觀設計美感、高性價比、電子元件合理布局、降噪效果、音質效果、高電池容量、高續(xù)航能力。圖7的結果表明各項指標均分都在4分以上，并且優(yōu)于原始策略的平均值。此改進策略不僅驗證了理論研究的可行性，而且還滿足了消費者對藍牙耳機的偏好需求。

圖6 圓盤無線充電功能配置策略附加

圖7 消費者滿意度檢測

6 研究結論

本文從消費者偏好視角出發(fā)，基于文本挖掘的方法將客觀的在線評論轉化為產品設計需求，通過文本分析捕捉關鍵詞所對應產品屬性的情感特征，利用Mixed-logit模型定量研究了消費者的偏好信息及其影響因素，實現了從消費反饋到產品策略改進的快速響應。此研究過程為后續(xù)以消費者偏好為導向的產品策略提供了科學的參考依據。通過用戶滿意度評價表，驗證了Mixed-logit模型在捕捉消費者偏好方面的優(yōu)異性，為其他智能穿戴設備的策略設計提供實際案例。

[1] WANG E, LIU Z, GAO Z, et al. Consumer Preferences for Agricultural Product Brands in an E-commerce Environment[J]. Agribusiness, 2022, 38(2): 312-327.

[2] GEORGE E.D, LINDA C S. Industrial Design[M]. Beijing: China Machine Press, 2015.

[3] 張克一, 唐小飛, 魯平俊, 等. 基于C2C與B2C虛擬品牌社區(qū)的企業(yè)知識創(chuàng)新比較研究[J]. 科研管理, 2016, 37(12): 65-72. ZHANG K., TANG X, LU P J. et al. A Comparative Study of Corporate Knowledge Innovation Based on C2C and B2C Virtual Brand Communities[J]. Scientific research Management, 2016, 5(12): 65-72.

[4] 賈薇, 張明立, 王寶. 顧客價值在顧客參與和顧客滿意關系中的中介效應研究[J]. 中國工業(yè)經濟, 2009(4): 105-115. JIA W, ZHANG M L, WANG B. Customer Value on Customer Participation and the Mediation Effect in the Relationship between Customer Satisfaction Research [J]. China Industrial Economy, 2009(4): 105-115.

[5] KESSLER E H, CHAKRABATI A K. Speeding up the Pace of New Product Development[J]. Journal of Product Innovation Management: An International Publication of the Product Development & Management Association, 1999, 16(3): 231-247.

[6] 姚山季, 王永貴, 來堯靜. 顧客參與新產品開發(fā)及其結果影響的綜述[J]. 科技管理研究, 2011, 31(7): 221- 224. YAO S J, WANG Y G, LAI Y J. A Review of Customer Participation in New Product Development and Its Impact[J]. Science and Technology Management Research, 2011, 31(7): 221-224.

[7] 張艷豐, 王羽西, 彭麗徽, 等. 基于文本挖掘的在線用戶追加評論內容情報研究--以京東商城手機評論數據為例[J]. 現代情報, 2020, 40(9): 96-105. ZHANG Y F, WANG Y X, PENG L H. et al. Research on Online User Additional Review Content Intelligence Based on Text Mining: A Case Study of Jingdong Mall Mobile Phone Review Data[J]. Modern Intelligence, 2020, 40(9): 96-105.

[8] 王二朋, 倪鄭宇. 農產品線上消費者的偏好特征研究--基于“京東”銷售蘋果在線評論數據的分析[J]. 價格理論與實踐, 2020(2): 120-123. WANG E P, NI Z Y. Research on the Preference Characteristics of Online Consumers of Agricultural Products: Based on the Analysis of Online Review Data of Apple Sales on "Jingdong"[J]. Price Theory and Practice, 2020(2): 120-123.

[9] HENNIG-THURAU T, GWINNER K P, WALSH G, et al. Electronic Word-of-mouth via Consumer-opinion Platforms: What Motivates Consumers to Articulate Themselves on the Internet?[J]. Journal of Interactive Marketing, 2004, 18(1): 38-52.

[10] KUO Y H, ANDREW K. From Data to Big Data in Production Research: The Past and Future Trends[J]. International Journal of Production Research, 2018, 57 (15-16): 4828-4853.

[11] TAO F, SUI F Y, LIU A, QI Q L, et al. Digital Twin-Driven Product Design Framework[J]. International Journal of Production Research, 2019, 57(12): 3935-3953.

[12] HU Y Y, CHEN H. Opinion Mining fromOnline Hotel Reviews–A Text Summarization Approach[J]. Information Processing & Management, 2017, 53(2): 436-449.

[13] JIN J Y, LIU P J, KWONG C K. Review on RecentAdvances in Information Mining from Big Consumer Opinion Data for Product Design[J]. Journal of Computing and Information Science in Engineering, 2019, 19(1): 010801.

[14] 吳江, 周露莎, 劉冠君, 等. 基于LDA的可穿戴設備在線評論主題挖掘研究[J]. 信息資源管理學報, 2017, 7(3): 24-33. WU J, ZHOU L, LIU G, et al. Wearable Devices Based on the LDA Online Comments about Mining Research [J]. Journal of Information Resources Management, 2017, 7(3): 24-33.

[15] 杜學美, 丁璟妤, 謝志鴻, 等. 在線評論對消費者購買意愿的影響研究[J]. 管理評論, 2016, 28(3): 173-183.DU X M, DING J Y, XIE Z H, et al. The Influence of Online Reviews on Consumer Purchase Intention Study [J]. Journal of Management Review, 2016, 28(3): 173-183.

[16] KIM S, KANG J. Analyzing the Discriminative Attributes of Products Using Text Mining Focused on Cosmetic Reviews[J]. Information Processing & Management, 2018, 54(6): 938-957.

[17] KONJENGBAM A N, DEWANGA N, KUMAR M. Aspect Ontology Based Review Exploration[J]. ElectronicCommerce Research and Applications, 2018, 30(62): 62-71.

[18] BAE J K, KIM J H. Product Development with Data Mining Techniques: A Case on Design of Digital Camera[J]. Expert Systems with Applications, 2018, 38(8): 9274-9280.

[19] TUARO, SUPPAWONG, CONRAD S T. Automated Discovery of Lead Users and Latent Product Features by Mining Large Scale Social Media Networks[J]. Journal of Mechanical Design, 2015, 137(7): 11.

[20] MA J K, HARRISON M. K. Product Family Architecture Design with Predictive, Data-Driven Product Family DesignMethod[J]. Research in Engineering Design, 2016, 27(1): 5-21.

[21] CHENG H S, LIU H T, LIAO T. J. An Integrated Product Design and Selection Approach Using Grey QFD and Grey TOPSIS Methods[J]. International Journal of Information & Management Sciences, 2015, 26(1): 29-50.

[22] XIAO S S, WEI C P, MING D. Crowd Intelligence: Analyzing Online Product Reviews for Preference Measurement[J]. Information and Management, 2016, 53(2): 169–182.

[23] 周云澤, 閔超. 基于LDA模型與共享語義空間的新興技術識別--以自動駕駛汽車為例[J]. 數據分析與知識發(fā)現, 2022, 6(Z1): 55-66. ZHOU Y Z, MIN C. Identification of Emerging Technologies Based on LDA Model and Shared Semantic Space--A Case study of Autonomous Vehicles[J]. Journal of Data Analysis and Knowledge Discovery, 2012, 6(Z1): 55-66.

[24] AYDIN R., KWONG C K, JI P. A Novel Methodology for Simultaneous Consideration of Remanufactured and New Products in Product Line Design[J]. International Journal of Production Economics, 2015, 169: 127-140.

[25] LAI X, ZHANG Q, CHEN Q, et al. The Analytics of Product-design Requirements Using Dynamic Internet Data: Application to Chinese Smartphone Market[J]. International Journal of Production Research, 2019, 57(18): 5660-5684.

[26] GERARD D J, KROES E. Discrete Choice Analysis[M]. Berlin: Springer International, 2014: 121-142.

[27] Gartner. Gartner Forecasts Global Spending on Wearable Devices to Total $81.5 Billion in 2021[EB/OL]. (2021-01-12)[2023-03-12]. https://www.gartner.com/en/ newsroom/press-releases/2021-01-11-gartner-forecasts- global-spending-on-wearable-devices-to-total-81-5- billion-in-2021.

[28] RAMO J. Using tf-idf to Determine Word Relevance in Document Queries[C]// Proceedings of the First Instructional Conference on Machine Learning. Chongqing: Computer Science, 2003, 242(1): 29-48.

[29] LANCASTER K J. A New Approach to Consumer Theory [J]. Journal of Political Economy, 1966, 74(2): 132-157.

Bluetooth Headset Design Strategy Based on Mining Consumer Preferences from Reviews

WANG Erpeng, SHI Zeyu*, WU Yuefeng

(School of Economics and Management, Nanjing Tech University, Nanjing 211800, China)

The work aims to mine consumer preference information from online review data in order to explore the improvement strategy of Bluetooth headset design. The Python crawler was used to capture target consumer reviews, and the demand topic and keywords were located through data mining and text analysis. Based on the theory of consumer preference, sentiment analysis and demand description of product functional attributes were conducted to control variables, and the Mixed-logit model was used to extract consumer preference characteristics, so as to seek the optimal design strategy.Through quantitative empirical research, the significant expression of preference characteristic parameters was analyzed by regression, and an example of Bluetooth headset improvement strategy was generated, and its feasibility was verified by a satisfaction test. The combination of review mining and Mixed-logit model can not only design the product design scheme with consumer preference as the core, but also provide guidance and suggestions for the improvement of related product design strategies, which has a certain degree of innovation and practicality.

Bluetooth headset; comment mining; consumer preference; Mixed-logit model; product design strategy

TB472

A

1001-3563(2024)02-0134-08

10.19554/j.cnki.1001-3563.2024.02.014

2023-08-24

國家自然科學基金（71903088）；教育部人文社會科學青年基金項目（19YJC790132）