商品評論對消費者行為的影響研究

殷麗 朱曙旸 史逸興

摘 要：隨著大數(shù)據(jù)技術的應用使得企業(yè)更具有競爭力。本文基于亞馬遜網(wǎng)站的商品數(shù)據(jù)，采用灰色關聯(lián)分析、方差分析、動態(tài)回歸模型，探究評論對消費者行為的影響機理。實證表明：具體的評論內(nèi)容對消費者行為影響較大，同時，專業(yè)人士等易被信賴群體的評價對潛在顧客影響顯著，已有的特定星級評定會引發(fā)后續(xù)相應的評論，因此企業(yè)要密切關注易被信賴群體和低星級評定。本文的模型為企業(yè)提供了一種快速、便捷的決策方法。

關鍵詞：大數(shù)據(jù);灰色關聯(lián)分析;方差分析;動態(tài)回歸模型;消費者行為

中圖分類號：F063.2 文獻標識碼：A 文章編號：2096-0298（2021）01（b）--04

近年來，隨著在線市場的普及（如淘寶、亞馬遜等），人們購物越來越依賴商品評價與評分，而非傳統(tǒng)的實體店體驗。同時，由于大數(shù)據(jù)等新興技術的發(fā)展，線上零售企業(yè)也使用這些數(shù)據(jù)來深入了解市場競爭情況，以及產(chǎn)品的未來發(fā)展前景，以便作出最優(yōu)的決策。這些海量的數(shù)據(jù)，對于企業(yè)來說無疑是一筆寶貴的隱形財富。線上交易的普及，使得商品評論成為影響消費者選購與否的一大動力，而通過對商品評論的分析，企業(yè)可以有針對性地制定產(chǎn)品的營銷、設計等策略和更好的經(jīng)營決策。

對于商業(yè)大數(shù)據(jù)挖掘與應用方面，Milan Kubina [1]等（2015）建立了大數(shù)據(jù)信息系統(tǒng)模型，為成功利用信息以獲得市場競爭優(yōu)勢奠定了基礎;宋杰鯤[2]等（2020）基于大數(shù)據(jù)背景，構建了包含產(chǎn)出、能力和資源三方面的企業(yè)競爭情報系統(tǒng)評價（ECIS）;陳冬梅[3]等（2020）基于大數(shù)據(jù)和人工智能，探究了數(shù)字化戰(zhàn)略管理的可行性;肖君[4]（2014）研究了大數(shù)據(jù)下企業(yè)的成本控制問題。根據(jù)已有的文獻可以發(fā)現(xiàn)，大多數(shù)研究仍處于宏觀層面，模型較為復雜，需要花費較大的時間成本。而本文基于線上購物的數(shù)據(jù)，探究消費者星級評定與評論對產(chǎn)品市場的影響，從而為企業(yè)提供快捷的在線銷售策略，以及識別產(chǎn)品的潛在市場。

1 數(shù)據(jù)處理與變量說明

在這里，我們選擇2020年MCM/ICM競賽C題中的數(shù)據(jù)，包含亞馬遜市場上出售的微波爐（1615組數(shù)據(jù)）、嬰兒奶嘴（18939組數(shù)據(jù)）和吹風機（11470組數(shù)據(jù)）三種產(chǎn)品客戶提供的評分和評論。

為了減少誤差，在進行分析前需要對數(shù)據(jù)進行清洗。對于數(shù)值型數(shù)據(jù)，如果是缺失值，由于各個評論數(shù)據(jù)間相互獨立，無法彌補，且極少數(shù)缺失數(shù)據(jù)相較于整個樣本占比很小，可以直接剔除;如果是異常值，可以采用K近鄰法進行校正，以提高結果的精度。對于文本型數(shù)據(jù)，由于數(shù)據(jù)來源于美國，評論主要由字母組成，因此它們之間的關聯(lián)度大大降低[5]，處理過程中需要將大寫轉換為小寫，并刪除標點和空格等。

對于消費者的行為模式，可以看作買或不買，用購買率量化表示（購買人數(shù)占總樣本比例）。而影響購買率的因素主要是星級評定（從1分～5分，1分代表最低，滿意度最差;5分代表最高，滿意度最高）;評論得分（具體的評論信息）;幫助等級（他人評價對自己決策的影響程度）;是否為Amazon Vine成員（Amazon Vine為亞馬遜發(fā)起的一個評論項目）。以下將通過實證分析判斷這四個因素對消費者行為的影響機理。

2 模型設計與實證分析

以下將用灰色關聯(lián)分析、方差分析、動態(tài)回歸模型，探究上述四個因子對消費者行為的作用及其內(nèi)在關系。

2.1 灰色關聯(lián)分析

以下采用灰色關聯(lián)分析法討論消費者行為（可視作購買率B）對星級評定（S），評論得分（P），幫助等級（F），是否為Amazon Vine成員的判斷因子（G）等因素的依賴性。

為比較第k個影響因素下，數(shù)列對參考數(shù)列對的關聯(lián)系數(shù)，其中為分辨系數(shù)。

和分別為兩級最小差及兩級最大差。

定義為序列對參考序列的關聯(lián)度。

根據(jù)上述灰色關聯(lián)模型，通過MATLAB得到各因素對采購率的灰色關聯(lián)度。對于這三種產(chǎn)品，我們發(fā)現(xiàn)評論與購買率之間的灰色關聯(lián)程度最大，而幫助等級與購買率之間的灰色關聯(lián)程度最小。例如，嬰兒奶嘴的購買率與評論的灰色關聯(lián)系數(shù)為0.7503，而幫助等級與購買率之間的灰色關聯(lián)系數(shù)為0.5175。這說明，具體的評論內(nèi)容對消費者購買決策的影響較大，而幫助等級關聯(lián)度較小的原因可能是消費者的決策是一個綜合的過程，各個評論間的幫助程度沒有顯著差異。具體數(shù)據(jù)如表1所示。

2.2 方差分析

為了探究是否為Amazon Vine成員對消費者行為的影響，以下進行了方差分析。這里需要說明的是，Amazon Vine是一項邀請亞馬遜最值得信賴的評論者針對新商品發(fā)布他們的看法，以幫助其他買家作出明智的購買決定計劃。亞馬遜會根據(jù)買家針對其在亞馬遜上所購商品發(fā)布的評論是否深刻，邀請買家成為Vine 評論者。而參與該計劃的賣家可以提供免費商品，以便這些選定的 Vine Voice 為其申請的商品發(fā)布買家評論。因此，Amazon Vine也是評論的一個方面。

首先，計算星級評定、評論得分、幫助等級和是否為Amazon Vine成員的相關矩陣。以嬰兒奶嘴為例，在表2中，括號內(nèi)為相關系數(shù)的P值。如果P<0.01，相關系數(shù)可以認為是非常顯著的。如果P<0.05，則認為相關系數(shù)顯著。

從表2可以看出，Amazon Vine與其他變量的相關性最小。同時，評論得分與星級評定的相關性最大，為0.3044。例如，正面評價與高星級評價一致，反之亦然。這符合我們的實際情況，因為評論是評分的具體說明。以下的第三點將對此進行詳細分析。

接下來，采用單因素方差分析研究是否為Amazon Vine成員的判斷因子（G）對星級評定（S），評論得分（P），幫助等級（F）和消費者行為（B）等變量的影響。數(shù)據(jù)通過了常方差檢驗和正態(tài)性檢驗。

我們首先討論判斷指數(shù)（G）的變化對星級評定的影響。

變量S表示星級評定（S）的樣本，當，即不是Amazon Vine成員時，是的平均值，當，即是Amazon Vine成員時，是的平均值。總共選擇了個樣本，其中，的有個，的有個。

為了討論對消費者行為的影響，以是否是Amazon Vine成員為控制變量，研究了各變量的均值。從表3可以清楚地看到，加入Amazon Vine有助于產(chǎn)品在在線市場上取得成功。由于篇幅的限制，在這里列出嬰兒奶嘴的結果數(shù)據(jù)。通過對另外兩種產(chǎn)品的研究，我們也發(fā)現(xiàn)了相似的規(guī)律。

從表3的結果可以看出，第一個是0.7987，說明結果并不顯著。因此，在是否加入Amazon Vine的星級評定上沒有顯著差異。而其他三個都小于0.05，可以說是有明顯的不同。換句話說，成為Amazon Vine的一員對評論得分（P），幫助等級（F）和消費者行為（B）有顯著影響。雖然這是選取國外的數(shù)據(jù)，針對的是亞馬遜網(wǎng)站的個例，但不可否認的是這種精選評論的項目對消費者選購本產(chǎn)品仍有顯著的影響。例如淘寶、京東上的星鉆級買家的評價對潛在消費者影響更大。

2.3 動態(tài)回歸模型

為了衡量特定的星級評定是否會引發(fā)更多的評論，將星級評定作為自變量（X）。同時，考慮到評論對消費者決策的幫助程度，得到修正后的評論得分（R），并將其作為因變量（Y）。在之前的研究中，發(fā)現(xiàn)2006年的微波爐數(shù)據(jù)太少，不具有代表性。因此，使用線性插值來彌補。由于動態(tài)回歸中時間序列的平穩(wěn)性不是必要的，因此只檢查它是否是白噪聲。LB測試表明，每個系列都不是白噪聲。通過對序列的相關系數(shù)和偏相關系數(shù)的分析，建立了動態(tài)回歸模型。

式中，和分別是t年和t-1年修訂的評論得分（R）的值。是在第1年的星級評定。（i=0，1，2）分別表示常數(shù)項和變量前的系數(shù)，且是隨機誤差項。我們引入了以消除其自身的影響，并且的系數(shù) （即）將顯示先前的星級評定對修訂后的評論分數(shù)的影響。由于其他因素間相關性較低，因此這里沒有采用更多的變量。特別是該模型還可以通過以后的建模結果來確定，并發(fā)現(xiàn)殘差是白噪聲。

運用MATLAB，可以得到這三種產(chǎn)品的動態(tài)回歸模型，如式7～9所示。

接下來，對殘差序列進行LB檢驗。測試結果表明，殘差序列為白噪聲序列，即信息已被充分提取。因此，該模型是有效的。

以上結果顯示，為正數(shù)，通過5%顯著性檢驗，說明星級評定對文本評論得分有正向影響。這一結論與實際情況相符，特定的星級評定會引發(fā)更多類似的評論。例如，客戶在看到一系列高星級的評價后，更可能寫出正面的評價。不過，如果之前的星級評定較低，他們對評論的正面貢獻將低于高星級評定，而且隨后的評論可能不會那么好。這一結果的主要原因是星級評定對潛在消費者的影響更大，低星級評定會讓顧客氣餒，因為他們下意識地認為產(chǎn)品不好。

最后，利用已有的動態(tài)回歸模型對評審得分進行預測。2016年吹風機、微波爐、嬰兒奶嘴的預測評論得分分別為-0.0091、 -0.0019、-0.0482，比2015年有所提高。以嬰兒奶嘴為例，其預測如圖1所示。

3 結語

本文探究了四個主要因素（星級評定、評論得分、幫助等級、是否為Amazon Vine成員）對消費者行為的影響，并預測了三種產(chǎn)品的得分。從實證分析中可以看出，具體的評論內(nèi)容對購買率影響較大，同時，專業(yè)人士的評價更能影響潛在消費者，已有的特定星級評定會引發(fā)后續(xù)相應的評論。這給予了企業(yè)一個思路，密切關注專業(yè)人士等容易讓潛在顧客信賴的群體和打低星級評定的用戶，剔除惡意差評后，充分了解消費者的需求，改進相關產(chǎn)品，以求產(chǎn)品市場的長遠發(fā)展。本文的研究為線上購物產(chǎn)品的銷售策略和前景預測提供了一種建議，幫助企業(yè)更快地作出決策。

參考文獻

Milan Kubina， Michal Varmus， Irena Kubinova. Use of big data for competitive advantage of company[J].Procedia Economics and Finance，2015（26）：561-565.

宋杰鯤，趙志浩，張業(yè)蒙，等.大數(shù)據(jù)背景下企業(yè)競爭情報系統(tǒng)評價研究[J].情報雜志，2020（08）.

陳冬梅，王俐珍，陳安霓.數(shù)字化與戰(zhàn)略管理理論——回顧、挑戰(zhàn)與展望[J].管理世界，2020，36（05）：220-236+20.

肖君.基于大數(shù)據(jù)的電子商務企業(yè)供應鏈成本控制[J].信息記錄材料，2020（21）：95-96.

John H.L.Hansen，Gang Liu. Unsupervised accent classi?cation for deep data fusion of accent and language information[J]. Speech Communication， 2016（78）：19-33.