基于在線評(píng)論的顧客滿意度評(píng)估方法

尤天慧, 陶玲玲, 袁 媛

(東北大學(xué) 工商管理學(xué)院,遼寧 沈陽(yáng) 110169)

0 引言

無(wú)論是生產(chǎn)型企業(yè)還是服務(wù)型企業(yè),提升顧客滿意度都是企業(yè)經(jīng)營(yíng)工作的重中之重,因此,有關(guān)顧客滿意度評(píng)估方法的研究一直備受關(guān)注[1]。在傳統(tǒng)評(píng)估方法中,主要是通過(guò)問(wèn)卷調(diào)查、調(diào)研或訪談等方式獲取評(píng)估顧客滿意度的信息[2]。但是這些方式耗費(fèi)時(shí)間、人力和物力投入大,且數(shù)據(jù)易過(guò)時(shí)[3]。近年來(lái),隨著互聯(lián)網(wǎng)和電子商務(wù)的快速發(fā)展,越來(lái)越多的電商網(wǎng)站允許消費(fèi)者針對(duì)產(chǎn)品或服務(wù)的使用體驗(yàn)發(fā)表在線評(píng)論,這些在線評(píng)論信息具有樣本數(shù)據(jù)量大、易獲取、真實(shí)性高、成本低和動(dòng)態(tài)更新等特點(diǎn)[4,5]。因此,在線評(píng)論已成為評(píng)估顧客滿意度的重要信息來(lái)源。

目前,針對(duì)基于在線評(píng)論進(jìn)行顧客滿意度評(píng)估和影響因素識(shí)別的研究已經(jīng)引起了有關(guān)學(xué)者的關(guān)注。如,ZHAO等基于在線評(píng)論的技術(shù)屬性利用多元回歸分析法預(yù)測(cè)整體顧客滿意度[6]。劉巖等基于在線評(píng)論利用TF-IDF算法和多元回歸分析法對(duì)酒店總體顧客滿意度進(jìn)行評(píng)估[7]。馮坤等基于在線評(píng)論利用隨機(jī)占優(yōu)準(zhǔn)則和PROMETHEE-II方法對(duì)生鮮電商的顧客滿意度進(jìn)行評(píng)估[8]。LIU等基于在線評(píng)論利用多元回歸法分析影響國(guó)內(nèi)外酒店顧客滿意度的關(guān)鍵因素[9]。GUO等利用LDA從在線評(píng)論中提取19個(gè)顧客滿意度維度,并利用逐步回歸法分析各維度對(duì)整體顧客滿意度影響的差異[10]。WANG等利用SnowNLP對(duì)在線評(píng)論進(jìn)行積極或消極情感傾向識(shí)別,并基于回歸分析法識(shí)別影響顧客滿意度的屬性[11]。SEZGEN等分別將積極和消極在線評(píng)論看作消費(fèi)者滿意和不滿意的評(píng)論,利用潛在語(yǔ)義法分析影響消費(fèi)者滿意和不滿意的滿意度驅(qū)動(dòng)因素[12]。XU等基于在線評(píng)論利用潛在語(yǔ)義法分析影響顧客滿意和不滿意的因素[13]。雖然已有基于在線評(píng)論進(jìn)行顧客滿意度評(píng)估和影響因素識(shí)別的研究已經(jīng)取得了較豐富的成果,但仍有局限性。一是目前基于在線評(píng)論的顧客滿意度評(píng)估大多假設(shè)評(píng)估屬性相互獨(dú)立,較少考慮評(píng)估屬性之間可能存在相關(guān)性的情形。例如,酒店的顧客滿意度的評(píng)估屬性價(jià)格和服務(wù)質(zhì)量可能存在相關(guān)性,通常服務(wù)質(zhì)量高的酒店,其價(jià)格也會(huì)高。二是已有研究較少針對(duì)顧客滿意度和評(píng)估屬性之間動(dòng)態(tài)關(guān)系進(jìn)行分析,而通過(guò)動(dòng)態(tài)關(guān)系分析可以更直觀地了解各評(píng)估屬性對(duì)顧客滿意度影響的動(dòng)態(tài)變化,并以此輔助企業(yè)進(jìn)行有針對(duì)性的產(chǎn)品或服務(wù)改進(jìn)以提升顧客滿意度?；诖?本文提出一種基于在線評(píng)論的顧客滿意度評(píng)估方法,并通過(guò)構(gòu)建向量自回歸模型分析顧客滿意度與評(píng)估屬性之間的動(dòng)態(tài)關(guān)系。

1 問(wèn)題描述

本文研究基于在線評(píng)論的顧客滿意度評(píng)估方法,并分析顧客滿意度與評(píng)估屬性之間的動(dòng)態(tài)關(guān)系,為便于研究和分析,對(duì)本文涉及到的相關(guān)數(shù)學(xué)符號(hào)描述如下:

D={D1,D2,…,D|D|}:關(guān)于產(chǎn)品或服務(wù)的在線評(píng)論的集合,其中Dk表示第k條在線評(píng)論,|D|表示在線評(píng)論的條數(shù),k=1,2,…,|D|。

C={c1,c2,…,cm}:從在線評(píng)論中提取的顧客滿意度評(píng)估屬性的集合,其中cj表示第j個(gè)評(píng)估屬性,m表示評(píng)估屬性的數(shù)量,j=1,2,…,m。

本文要解決的問(wèn)題是:依據(jù)產(chǎn)品或服務(wù)各時(shí)期的在線評(píng)論信息,如何評(píng)估各時(shí)期的顧客滿意度,并對(duì)顧客滿意度和評(píng)估屬性之間的動(dòng)態(tài)關(guān)系進(jìn)行分析。

2 顧客滿意度評(píng)估方法及其與評(píng)估屬性動(dòng)態(tài)關(guān)系分析

2.1 顧客滿意度評(píng)估屬性提取及情感分析

在線評(píng)論通常是以非結(jié)構(gòu)化文本的形式出現(xiàn)的,不能直接用于分析。基于在線評(píng)論進(jìn)行顧客滿意度的評(píng)估,首先要從在線評(píng)論中挖掘有用的信息,包括顧客滿意度的評(píng)估屬性提取及其情感分析。

2.1.1 基于LDA提取顧客滿意度評(píng)估屬性

LDA作為一種無(wú)監(jiān)督機(jī)器學(xué)習(xí)技術(shù)已被廣泛應(yīng)用于從在線評(píng)論中識(shí)別隱藏的主題信息[14]。LDA的主要思想是在每條評(píng)論中以一定概率選定某個(gè)主題,然后依據(jù)該主題以一定概率確定可能屬于這個(gè)主題的詞語(yǔ),最后根據(jù)得到的主題分布和詞語(yǔ)分布推斷出在線評(píng)論的主要主題。利用LDA從在線評(píng)論中提取顧客滿意度評(píng)估屬性的具體過(guò)程如下。

利用爬蟲(chóng)軟件從相關(guān)網(wǎng)站上獲取在線評(píng)論D,然后進(jìn)行預(yù)處理,包括詞性標(biāo)注,刪除停用詞、否定詞和程度副詞。統(tǒng)計(jì)每個(gè)詞出現(xiàn)的頻次,由預(yù)處理后的|D|條評(píng)論得到“評(píng)論-詞”矩陣。依據(jù)“評(píng)論-詞”矩陣訓(xùn)練LDA模型,可得到“評(píng)論-主題”矩陣、“主題-詞”矩陣和主題列表。在此基礎(chǔ)上,通過(guò)人工合并相似的主題,并為每個(gè)主題分配一個(gè)標(biāo)簽?；贕UO等[10]和BI等[14]研究的思想,可將確定的主題標(biāo)簽集合視為顧客滿意度評(píng)估屬性集合。令cj={fj1,fj2,…,fjHj}表示從在線評(píng)論中提取的評(píng)估屬性cj所包含的屬性詞集合,其中fjh表示評(píng)估屬性cj的第h個(gè)屬性詞,Hj表示評(píng)估屬性cj的屬性詞數(shù)量,j=1,2,…,m,h=1,2,…,Hj。

2.1.2 基于IOVO-SVM的情感傾向識(shí)別

通常,一條在線評(píng)論中可能包含關(guān)于不同評(píng)估屬性的多個(gè)句子,也可能不包含所有的評(píng)估屬性。因此,為了識(shí)別關(guān)于各評(píng)估屬性的情感傾向,需要先確定在線評(píng)論中關(guān)于各評(píng)估屬性的所有句子的集合。令Dj={Dj1,Dj2,…,DjIj}表示D中關(guān)于第j個(gè)評(píng)估屬性的句子的集合,其中Dji表示關(guān)于第j個(gè)評(píng)估屬性的第i條句子,Ij表示D中關(guān)于第j個(gè)評(píng)估屬性的句子條數(shù),i=1,2,…,Ij,Ij≤|D|。具體地,首先依據(jù)標(biāo)點(diǎn)符號(hào)將D中各條在線評(píng)論分句。然后,依據(jù)cj提取分句后D中包含fjh的所有句子得到Dj。特別地,若某條評(píng)論中有多個(gè)關(guān)于同一個(gè)評(píng)估屬性的句子,則需要把它們合并成一個(gè)句子。

2.1.3 確定各時(shí)期評(píng)估屬性的情感得分

(1)

(2)

(3)

其中,t=1,2,…,l,j=1,2,…,m。

令Rtj為第t時(shí)期得到的評(píng)估屬性cj的情感得分,本文分別賦予積極、中立和消極的情感傾向的情感分為1分、0分和-1分。考慮到在同一時(shí)期內(nèi)關(guān)于不同評(píng)估屬性的評(píng)論條數(shù)可能不同,關(guān)于某評(píng)估屬性的評(píng)論條數(shù)越多,說(shuō)明其越被重視。因此,本文采用相對(duì)值法計(jì)算第t時(shí)期評(píng)估屬性的情感得分Rtj,計(jì)算公式為

(4)

2.2 顧客滿意度評(píng)估方法

2.2.1 確定評(píng)估屬性的權(quán)重

本文基于離差最大化方法確定各評(píng)估屬性的權(quán)重。該方法依據(jù)各評(píng)估屬性的情感得分在各時(shí)期的離散程度對(duì)屬性客觀賦權(quán)。若某一評(píng)估屬性在各時(shí)期的情感得分差異較大,則說(shuō)明該屬性在顧客滿意度評(píng)估中將起重要作用,故應(yīng)該賦予較大權(quán)重;反之,賦予較小權(quán)重[16]?；陔x差最大化方法確定評(píng)估屬性權(quán)重的最優(yōu)化模型為

(5)

通過(guò)求解最優(yōu)化模型(5),可得:

(6)

(7)

2.2.2 各時(shí)期顧客滿意度的評(píng)估

考慮到提取的評(píng)估屬性之間可能存在線性關(guān)系,馬氏距離是一種可消除屬性之間線性關(guān)系的距離測(cè)度方法。因此,本文利用基于馬氏距離的TOPSIS方法[17]計(jì)算不同時(shí)期的顧客滿意度。首先,對(duì)各時(shí)期關(guān)于各評(píng)估屬性的情感得分矩陣[Rtj]l×m進(jìn)行規(guī)范化,得到規(guī)范化矩陣[rtj]l×m,其中rtj的計(jì)算公式為

(8)

(9)

(10)

進(jìn)而,計(jì)算在第t時(shí)期在線評(píng)論中各屬性的情感得分向量rt=(rt1,rt2,…,rtm)分別到f+和f-的馬氏距離,即

(11)

(12)

最后,令Ft為第t時(shí)期產(chǎn)品或服務(wù)的顧客滿意度評(píng)估值,則Ft可由下式得到:

(13)

2.3 顧客滿意度與評(píng)估屬性動(dòng)態(tài)關(guān)系分析

向量自回歸模型(簡(jiǎn)稱VAR)主要應(yīng)用在具有一定關(guān)系的時(shí)間序列系統(tǒng),可以用于分析變量之間的動(dòng)態(tài)關(guān)系[18]。本文將l個(gè)時(shí)期的各評(píng)估屬性的情感得分和顧客滿意度評(píng)估值作為變量,構(gòu)建VAR模型分析顧客滿意度與各評(píng)估屬性的動(dòng)態(tài)關(guān)系。具體構(gòu)建過(guò)程如下:

(1)在各組變量的數(shù)據(jù)平穩(wěn)的前提下,對(duì)數(shù)據(jù)進(jìn)行VAR模型估計(jì),并利用格蘭杰因果關(guān)系檢驗(yàn)(Granger Test of Causality)變量之間是否存在因果關(guān)系。

(2)利用脈沖響應(yīng)分析和方差分解分析各評(píng)估屬性在受到?jīng)_擊時(shí)對(duì)顧客滿意度影響的變化情況以及各評(píng)估屬性對(duì)顧客滿意度的影響程度。

本文構(gòu)建的VAR模型可表示為:

(14)

其中,Yt表示顧客滿意度評(píng)估值的時(shí)期列向量;Cjt為各評(píng)估屬性情感得分時(shí)期列向量;θ0為截距項(xiàng),θe和φe是滯后e期參數(shù)矩陣;μt是服從正態(tài)分布的隨機(jī)誤差項(xiàng)。

3 實(shí)例分析

為了說(shuō)明本文給出方法的使用過(guò)程和可行性,下面基于去哪兒網(wǎng)(Qunar.com)上一家三星級(jí)酒店維也納國(guó)際酒店北京廣安門店(Vienna International Hotel,簡(jiǎn)稱VIH)的在線評(píng)論為例,運(yùn)用本文提出的方法對(duì)其進(jìn)行顧客滿意度評(píng)估,并分析顧客滿意度與各評(píng)估屬性的動(dòng)態(tài)關(guān)系。下面給出主要計(jì)算過(guò)程和結(jié)果。

3.1 VIH酒店顧客滿意度評(píng)估

首先,從去哪兒網(wǎng)上利用八爪魚(yú)采集器(http://www.bazhuayu.com/)收集酒店VIH在2015年1月到2019年7月的在線評(píng)論共1850條。以一個(gè)月為一個(gè)時(shí)間周期,共分55個(gè)時(shí)期。獲取的VIH酒店在55個(gè)時(shí)期內(nèi)的在線評(píng)論數(shù)量如表1所示。

表1 VIH酒店在各時(shí)期內(nèi)的在線評(píng)論的數(shù)量

其次,使用Python語(yǔ)言實(shí)現(xiàn)基于LDA的評(píng)估屬性的提取,依據(jù)BI等[14]的研究,LDA的各參數(shù)設(shè)置為:α=0.1,η=0.01,主題數(shù)量設(shè)置為15,迭代次數(shù)設(shè)置為2000。通過(guò)人工合并相似的主題得到11個(gè)評(píng)估屬性,分別為價(jià)格(c1)、位置(c2)、停車場(chǎng)(c3)、服務(wù)(c4)、網(wǎng)絡(luò)(c5)、設(shè)施(c6)、食物(c7)、房間(c8)、清潔度(c9)、性價(jià)比(c10)和入住和退房(c11)。

再次,利用IOVO-SVM識(shí)別各時(shí)期針對(duì)各評(píng)估屬性的每條在線評(píng)論的情感傾向,進(jìn)而依據(jù)情感傾向識(shí)別結(jié)果和式(1)-式(3),統(tǒng)計(jì)各時(shí)期內(nèi)各評(píng)估屬性的在線評(píng)論為積極、中立和消極情感傾向的頻次。依據(jù)式(4)可計(jì)算得到各時(shí)期內(nèi)各評(píng)估屬性的情感得分,進(jìn)一步地,依據(jù)各時(shí)期評(píng)估屬性的情感得分和式(7)可確定c1-c11評(píng)估屬性的權(quán)重分別為0.045,0.144,0.024,0.137,0.020,0.192,0.039,0.140,0.092,0.149,0.018。

最后,依據(jù)各時(shí)期內(nèi)各評(píng)估屬性的情感得分、各評(píng)估屬性的權(quán)重和式(8)-式(13)可確定各時(shí)期內(nèi)VIH酒店的顧客滿意度評(píng)估值,1到55期的評(píng)估值分別為:0.133,0.166,0.290,0.158,0.411,0.168,0.149,0.181,0.217,0.244,0.084,0.120,0.055,0.128,0.024,0.055,0.050,0.026,0.031,0.025,0.020,0.038,0.020,0.022,0.030,0.140,0.043,0.152,0.072,0.019,0.099,0.036,0.037,0.061,0.025,0.027,0.055,0.054,0.639,0.080,0.039,0.046,0.023,0.020,0.021,0.042,0.054,0.129,0.063,0.071,0.035,0.110,0.151,0.034,0.024。

3.2 顧客滿意度與評(píng)估屬性動(dòng)態(tài)關(guān)系分析

通過(guò)構(gòu)建VAR模型,利用EViews 7.0軟件對(duì)VIH酒店在2015年1月到2019年7月期間的顧客滿意度和各評(píng)估屬性之間的動(dòng)態(tài)關(guān)系進(jìn)行分析。為保證回歸結(jié)果可靠性,避免出現(xiàn)“偽回歸”,有必要先對(duì)顧客滿意度變量和各評(píng)估屬性變量的時(shí)間序列數(shù)據(jù)分別進(jìn)行平穩(wěn)性檢驗(yàn)[19]。本文基于EViews 7.0軟件對(duì)各變量利用ADF檢驗(yàn)(ADF-Fisher Chi-square)平穩(wěn)性,結(jié)果顯示在55個(gè)時(shí)期內(nèi)顧客滿意度變量和各評(píng)估屬性變量的時(shí)間序列數(shù)據(jù)均是平穩(wěn)的。因此,55個(gè)時(shí)期的顧客滿意度評(píng)估值和各評(píng)估屬性的情感得分的時(shí)間序列數(shù)據(jù)可建立VAR模型。具體步驟如下:

首先,基于赤池信息準(zhǔn)則(AIC)和施瓦茲準(zhǔn)則(SC)確定估計(jì)的VAR模型最佳滯后期,可得當(dāng)滯后期為3時(shí),AIC準(zhǔn)則和SC準(zhǔn)則均具有最小值。故最佳滯后期為3。

然后,檢驗(yàn)兩個(gè)變量之間是否存在格蘭杰因果關(guān)系,即各變量是否均為內(nèi)生變量。利用EViews 7.0軟件得到各評(píng)估屬性變量和顧客滿意度變量的P值(F統(tǒng)計(jì)的概率)均小于0.05,即在5%的顯著性水平下均為內(nèi)生變量。

接著,通過(guò)AR根圖表結(jié)果顯示構(gòu)建的VAR模型是穩(wěn)定的。進(jìn)而,利用脈沖響應(yīng)分析顧客滿意度與各評(píng)估屬性之間相互作用的短期的動(dòng)態(tài)關(guān)系。脈沖響應(yīng)函數(shù)的主要作用是測(cè)量一個(gè)變量受到?jīng)_擊對(duì)另一個(gè)變量產(chǎn)生的影響。分析結(jié)果如圖1所示。圖中Ft表示顧客滿意度評(píng)估值,C1-C11分別表示評(píng)估屬性c1-c11。

需要說(shuō)明的是,圖1中變化的單位是一個(gè)標(biāo)準(zhǔn)差。從圖1可發(fā)現(xiàn),分別給11個(gè)評(píng)估屬性一個(gè)單位沖擊,在短期內(nèi)顧客滿意度均會(huì)產(chǎn)生不同程度的正向影響,但長(zhǎng)期影響會(huì)趨于穩(wěn)定,即針對(duì)酒店的11個(gè)評(píng)估屬性進(jìn)行改進(jìn)在短期均可提高顧客滿意度。具體地,當(dāng)給價(jià)格(c1)一個(gè)單位沖擊時(shí),其對(duì)于顧客滿意度提升在短期內(nèi)具有正向影響且在第3期影響最大,長(zhǎng)期保持穩(wěn)定;當(dāng)分別給設(shè)施(c6)、食物(c7)、房間(c8)、清潔度(c9)一個(gè)單位沖擊后,對(duì)顧客滿意度產(chǎn)生的影響持續(xù)時(shí)間相對(duì)其他評(píng)估屬性稍短,但均可產(chǎn)生正向影響。

(a)C1對(duì)Ft的脈沖響應(yīng) (b)C2對(duì)Fp的脈沖響應(yīng) (c)C3對(duì)Fp的脈沖響應(yīng)

(d)C4對(duì)Fp的脈沖響應(yīng) (e)C5對(duì)Fp的脈沖響應(yīng) (f)C6對(duì)Fp的脈沖響應(yīng)

(g)C7對(duì)Fp的脈沖響應(yīng) (h)C8對(duì)Fp的脈沖響應(yīng) (i)C9對(duì)Fp的脈沖響應(yīng)

(j)C10對(duì)Fp的脈沖響應(yīng) (k)C11對(duì)Fp的脈沖響應(yīng)

進(jìn)一步地,利用方差分解分析各評(píng)估屬性對(duì)顧客滿意度的影響程度。方差分解可量化每一個(gè)評(píng)估屬性變量的沖擊對(duì)顧客滿意度變化的貢獻(xiàn),分析結(jié)果表明:價(jià)格(c1)對(duì)顧客滿意度變化的貢獻(xiàn)率最初為最大值80%,之后逐漸降低,到第10期左右降為20%,并維持該貢獻(xiàn)率不變;停車場(chǎng)(c3)、食物(c7)、房間(c8)、清潔度(c9)和性價(jià)比(c10)的貢獻(xiàn)率隨著時(shí)間的推移在逐漸增加,長(zhǎng)期均趨于平穩(wěn),貢獻(xiàn)率分別為10%,10%,20%,18%和10%;而其他評(píng)估屬性的貢獻(xiàn)率均低于10%。

綜合脈沖響應(yīng)分析和方差分解分析結(jié)果可知,相對(duì)于其他評(píng)估屬性,VIH酒店的價(jià)格在受到?jīng)_擊后,對(duì)顧客滿意度產(chǎn)生影響的時(shí)間最快,且對(duì)提高顧客滿意度的貢獻(xiàn)率也最大。房間在受到?jīng)_擊后對(duì)提高顧客滿意度的貢獻(xiàn)率和產(chǎn)生影響時(shí)間稍慢于價(jià)格。其次為清潔度、性價(jià)比、位置、停車場(chǎng)和食物。其他4個(gè)評(píng)估屬性對(duì)顧客滿意度貢獻(xiàn)率較小。因此,該酒店若想提高顧客滿意度,可以重點(diǎn)關(guān)注價(jià)格。其次可著重從房間、清潔度和性價(jià)比進(jìn)行改進(jìn)。

下面通過(guò)將本文提出方法與馮坤等[8]提出的方法進(jìn)行對(duì)比分析。基于馮坤等[8]提出的方法對(duì)VIH酒店的顧客滿意度測(cè)評(píng)得到各評(píng)估屬性的顧客滿意度的重要度由大到小排序?yàn)?c1,c11,c8,c7,c5,c9,c10,c4,c2,c3,c6。

與本文提出方法的結(jié)果對(duì)比可知,本文與馮坤等[8]的研究計(jì)算得到的結(jié)果均顯示價(jià)格對(duì)顧客滿意度的影響最大,房間的影響大于清潔度,清潔度的影響大于性價(jià)比,設(shè)施的影響最小。而馮坤等[8]的研究得到的結(jié)果與本文得到的結(jié)果也有差異,原因可能在于,在顧客滿意度分析階段,馮坤等[8]基于情感分析結(jié)果構(gòu)建各屬性的隨機(jī)占優(yōu)矩陣,進(jìn)而利用PROMETHEE-II方法計(jì)算評(píng)估屬性的重要度排序值來(lái)確定排序結(jié)果。本文利用基于馬氏距離的TOPSIS方法計(jì)算不同時(shí)期的顧客滿意度,該方法可消除評(píng)估屬性之間的線性相關(guān)性。此外,本文基于脈沖響應(yīng)分析圖和方差分解圖綜合確定評(píng)估屬性對(duì)顧客滿意度影響的變化情況及影響程度,可以直觀的展示評(píng)估屬性與顧客滿意度的動(dòng)態(tài)關(guān)系,即可以了解隨著時(shí)間的變化,各評(píng)估屬性對(duì)顧客滿意度產(chǎn)生影響的變化。

4 結(jié)論

本文提出了一種基于在線評(píng)論的顧客滿意度評(píng)估方法,并分析了顧客滿意度與各評(píng)估屬性的動(dòng)態(tài)關(guān)系。首先,利用LDA從在線評(píng)論中提取顧客滿意度評(píng)估屬性,并基于IOVO-SVM對(duì)針對(duì)每個(gè)評(píng)估屬性的各條評(píng)論進(jìn)行情感分析,依據(jù)情感分析結(jié)果確定各時(shí)期各評(píng)估屬性的情感得分。然后,利用離差最大化方法確定各評(píng)估屬性的權(quán)重,進(jìn)而利用基于馬氏距離的TOPSIS方法計(jì)算不同時(shí)期的顧客滿意度評(píng)估值。進(jìn)一步地,基于不同時(shí)期的顧客滿意度評(píng)估值及各評(píng)估屬性的情感得分,通過(guò)構(gòu)建VAR模型對(duì)顧客滿意度與各評(píng)估屬性的動(dòng)態(tài)關(guān)系進(jìn)行分析。本文提出的方法與已有相關(guān)方法的不同之處是,一方面本文基于在線評(píng)論考慮了評(píng)估屬性之間的相關(guān)性給出了一種顧客滿意度評(píng)估方法,使評(píng)估結(jié)果更能反映實(shí)際情形;另一方面,本文對(duì)顧客滿意度與各評(píng)估屬性的動(dòng)態(tài)關(guān)系進(jìn)行了分析,可以使企業(yè)更直觀的了解各評(píng)估屬性對(duì)顧客滿意度的影響情況,以輔助企業(yè)進(jìn)行有針對(duì)性的產(chǎn)品或服務(wù)改進(jìn)以提高顧客滿意度。