基于情境大數據的移動網購行為執行意向預測模型

萬年紅 王雪蓉

摘? 要： 為了科學地對高度復雜、難控的移動網絡環境下網購行為執行意向進行預測，首先采用基于數理統計函數、基于網格計算的函數、基于大數據定性劃分函數提出移動網購行為執行意向的情境大數據挖掘方法;其次歸納基于情境大數據的移動網購行為執行意向演化動力機制，并設計基于情境大數據的移動網購行為執行意向預測算法和模型，進行趨勢、結構、綜合預測的結果分析;最后，進行應用實驗。性能分析結果表明，該模型具有一定的實用價值。

關鍵詞： 情境大數據; 移動網購; 網購行為; 執行意向; 預測

中圖分類號：TP387? ? ? ? ? 文獻標志碼：A? ? ?文章編號：1006-8228（2019）04-26-04

Abstract： To predict scientifically execution intention of online shopping behaviors under the environment of highly complex and hard-to-control Mobile Internet， firstly， situational big data mining methods of execution intention of mobile online shopping behaviors were put forward by adopting functions based on mathematical statistics， functions based on grid computing and qualitative partition function based on big data; Secondly， dynamic mechanisms on execution intention evolution of mobile online shopping behaviors based on situational big data were summarized， and prediction algorithms and models on execution intention of mobile online shopping behaviors based on situational big data were designed， and result analysis of trend， structure and comprehensive prediction was carried out; Finally， application experiments were carried out. Results of performance analysis show that the model has certain practical value.

Key words： situational big data; mobile online shopping; online shopping behaviors; execution intention; prediction

0 引言

移動網購已成為人們最基本的一種購物方式。深刻預測、認識移動網購行為執行意向的演化規律，對優化網購平臺營銷模式、發展虛擬經濟[1-6]等方面具有現實意義。然而，鑒于移動互聯網上商品大數據的高度復雜性，對網購行為執行意向的預測其實是很困難的[2]。因此，科學預測移動網購行為執行意向已成為熱點問題。目前國內外出現了許多相關的研究，例如大數據環境下網購行為執行意向預測模型[1]、網購行為執行意向的結構探究[2]、行為執行意向理論下網購營銷策略案例分析[4]、基于數據挖掘的移動廣告個性化推薦研究[5]、圖文情景線索對網購行為意向的影響研究等[6]。這些研究具有一定的借鑒意義，但研究的深度還不夠。由于網購行為涉及多種驅動因素的情境大數據[2-3]，而大數據具有核心預測優勢。

本文運用移動網購行為執行意向情境大數據方法，提出一個基于情境大數據的移動網購行為執行意向預測模型（Prediction models on execution intention of Mobile Internet shopping behaviors based on situational big data，簡稱PMEI）。

1 移動網購行為執行意向的情境大數據挖掘

步驟1 基于數理統計函數XDT[1-3]，利用Web大數據統計方法[1-3]收集網購平臺上興趣、偏好、經驗、體驗、地域、年齡、時間、包裝、品質、色彩、時尚、個性、消費心理、情緒、消費行為、忠誠、信賴、口碑、滿意度、打折優惠、贈品、抽獎、積分兌換、產品聚集、信息綁定、支付、物流等交易日志數據源。

步驟2 采用基于網格計算的函數XGT[4]從各個平面和角度對交易日志數據源進行客戶網購行為特征標簽分析，細化客戶網購行為類型和關注點[1-6]，形成數據子集，每個子集有原數據集中對影響結果有價值的某些屬性，則基于隨機過程理論函數RANLD[3]分析統計對結果集的區域、群體和時效信息指標進行分析[1-6]。

步驟3 基于大數據定性劃分函數DDXD[5]，線上與線下劃分數據類別，對所提交并驗證的情境，識別其價值和熱度，根據客戶消費心理與行為，收集客戶點擊率和評價級別[1-6]，提取影響網購執行意向預測結果較大的關鍵因素，確定其優先級。其中移動網購行為情境大數據映射篩選函數可用式⑴來表示：

2 基于情境大數據的移動網購行為執行意向演化動力機制

動力機制是與品質、體驗、圖片細節展示等市場營銷手段密切相關的[1-6]。即指網購者以行動目標為導向，在第一階段通過關注品質保證、知覺體驗、色彩展示等情境大數據線索在自我表露、忠誠、信賴、口碑、實用、享樂、滿意度[3]等目標導向下期待行為反應。通過連接網購情境線索和客戶網購行為反應，通過情境大數據組合設計性價比最優決策[3]，從而搭建網購行為執行意向和實際網購行為之間相互聯系的中介變量[4]。

在第二階段，交易雙方通過談判，買賣雙方彼此交換條件，建立意向和實際行為之間的聯系[1-6]，網購者進入購網反應、實體驗評價網購決策效果，強化網購者的回溯性認知記憶[4]，增強情境大數據線索識別能力，獲得最佳網購產品和服務質量，從而幫助網購者縮小預定目標和現實目標之間的距離[1-6]，來驅動網購者進入自豪感、成就感、愉悅感體驗行為反應，較好地預測實際網購行為發生的可能性[1-6]。

移動網購行為執行意向演化的動力機制可以用數學形式來刻畫。

假設：以集合WGXDM={wgxdmi|i∈N}表示移動網購行為目標導向，REZAi表示性價比最優決策，ZJBLi和RES（i，j）分別表示網購行為執行意向和實際網購行為之間聯系的中介變量、意向和實際行為之間的聯系，網購者的回溯性認知記憶用REMi來表示，預定目標和現實目標之間的距離用DIST（i，j）來表示，實際網購行為發生的可能性用POS（i）來表示。則移動網購行為執行意向演化的動力機制可用式⑵來表示：

3 基于情境大數據的移動網購行為執行意向預測算法與模型

步驟1 在動力機制的驅動下，設計4個影響網購行為執行意向的自變量：網購信息價值感知WGJZ、網購安全保障WGBZ、網購體驗WGTY和網購渠道成本WGCB[2]，并進行多模態競爭性分析[2]，分析關鍵因素對預測結果的影響相似度。

算法如下：假設交易日志數據源集合為JYRZ，客戶網購行為特征標簽向量為KTX=（ktx1，ktx 2，…），ktxj是KTX上的向量組成的矩陣。對于數據子集的關鍵因素計算問題，采用用螺旋集合原理，設計個性化推薦GXHJ、活動評價HDPJ和經驗分享JYFX這3個影響網購行為執行意向預測的中介變量[2]，計算各特征因子相似度XSD，把得分作為相似度的輸入，并基于指數映射正向反推，得出式⑶所示的趨勢預測函數，實現移動網購行為執行意向趨勢預測：

4 應用實驗

4.1 實驗數據分析

根據圖1所示的模型，以Java語言構建預測系統。實驗源數據的采集主要來自電話客服平臺、淘寶、全球速賣通、天貓、京東、唯品會、Wish、蘭亭集勢、敦煌、Pad平臺等電商網購平臺。以AMOS 20.0、Netdraw和SPSS 20.0工具軟件[2]實測得到的數據為準，具有良好的信度和效度，采用隨機抽樣方法，將樣本數據以一定的比例分配給訓練集和驗證集[1-6]。

4.2 實驗結果及預測模型性能分析

將基于情境大數據的移動網購行為執行意向的精準綜合預測問題歸結為一個有向圖[1-6]，包括核心關系、主謂關系、定中關系、動賓關系和并列關系等模式[3]，通過這些模式之間的依存關系尋找最大生成樹[3]，驗證式⑴-式⑶的有效性;設計精準化智能系統、網購客戶執行意向細分標準和描述語義[3]，驗證式⑷的有效性。

將驗證結果分為包含核心依存關系CORE RELY、中間依存關系MIDDLE RELY、邊緣依存關系EDGE RELY和沒有依存關系NO RELY這4個二值分類器[3]。

二值是指實驗訓練結果取True或False兩個值，若CORE RELY、MIDDLE RELY、EDGE RELY綜合平均驗證值取True的概率達到95.3%以上，NO RELY綜合平均驗證值取False的概率在11.2%以下，則從訓練解析時間、依存關系正確率、語義描述跨度、執行意向適合度[3]這4個方面進行描述取值，準確定位網購行為的目標執行意向。并將優先級對應分量和之前與客戶相關的網購行為執行意向適合度分量相乘[1-6]，使得任何時間段的預測誤差都保持最小值并且在平衡系統中保持平穩、與平衡系統的大小成正比，最后決策樹根據篩選出的因子細分葉節日點，并不斷優化，改善網購客戶的友好度體驗，得到網購行為執行意向排名[1-6]，從而精確地對移動網購行為執行意向的趨勢和結構進行綜合預測，驗證式⑸的有效性。

PMEI性能分析結果如表1所示。

因此，分析表1，比較訓練解析時間、依存關系正確率、語義描述跨度、執行意向適合度這4個方面的實驗結果數據，CORE RELY、MIDDLE RELY、EDGE RELY綜合平均驗證值取True的概率均達到97%以上，符合預設95.3%標準，而NO RELY綜合平均驗證值取False的概率為9.60%，低于預設11.2%，這表明本文所提出PMEI算法和模型是合理有效的，因此具有一定的應用價值。

5 總結和展望

本文實驗結果分析表明CORE RELY、MIDDLE RELY、EDGE RELY、NO RELY等指標均符合預定的要求，這表明PMEI模型是合理有效的，在網絡營銷管理領域的應用前景比較寬廣。但是受到移動網購環境高度復雜性和大數據軟件分析手段的局限，本文研究的移動網購行為執行意向預測方法僅僅是一些比較淺層的參考方法，在大數據挖掘算法優化等方面還有許多需要深度研究的問題有待進一步探討。

參考文獻（References）：

[1] McDonald，Holine K. Study on forecasting models of execution intention of internet shopping behaviors under the background of big data[J].World Internet Marketing，2018（3）：125-128

[2] 趙楊，王林.網購行為執行意向的結構探究[J].管理現代化，x2015.3：102-104

[3] 張亞明，趙楊，王林.基于執行意向理論的網購評論行為反應x模式研究[J].軟科學，2016.30（7）：118-123

[4] 王林，賈瑞雪，劉月等.行為執行意向理論下網購營銷策略案例分析[J].商業經濟研究，2016.21：62-64

[5] 于海平，林曉麗，劉會超.基于數據挖掘的移動廣告個性化推薦研究[J].計算機技術與發展，2014.24（8）：234-237

[6] 王林，季美旭，方恒.圖文情景線索對網購行為意向的影響研究[J].管理現代化，2016.3：93-95