消费者评论中偏好差异对销售的影响机制研究_市场营销论文

消费者评论中偏好差异性对销量的影响机制研究，本文主要内容关键词为：差异性论文,销量论文,机制论文,消费者论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      0 引言

      消费者对同一产品是会有不同评价的。在网络口碑研究中，这种消费者对同一个产品有不同评价的现象，被称为差异性(variance)，这种差异性广泛存在于消费者评论中(Sun，2012)。最近几年的研究中，研究者们也注意到了这种差异性。在关于消费者网上评论的最新研究中，作者都将差异性定义为研究消费者评论的一个重要特征(Gopinath et al.，2014；Paulo et al.，2014)。Sun(2012)的研究发现，在某些情况下这种差异性能导致积极的效果。Clemons et al.(2006)的研究发现产品的正面评论和负面评论之间的差异性会正向影响产品销量的增量。

      但是现有的研究更加重视整体上消费者的打分的差异性(rating variance)，如亚马逊中同样一个商品，有的消费者给予“3 star”，而另外一些消费者给予“4 star”。但是并没有揭示出这种差异性在产品不同属性上的体现。事实上，消费者对产品一些属性的正面评价，对某些属性做出负面的评价的情形非常普遍(Sengupta and Johar，2002)。例如，最近几年已经蔚然成风的“海底捞现象”。海底捞凭借其优质的服务，从小县城的一家小火锅店已经发展成了知名的全国连锁店。但是，消费者对海底捞也不尽是溢美之词。“价位有点高”、“味道一般般”、“量不是太大”和“排队太久”等都是消费者对海底捞最真实的感受。在关于海底捞的网上消费者评论(大众点评网)中，我们就可以发现，消费者对其服务的评论总体是非常满意的，并且提到次数也很多，但是对其他方面的评价则一般，因此其服务好这个优点就被凸显出来了。同时，我们也可以发现，对于很多火锅店来说，网上评论中消费者对其味道、价位和服务等不同方面的评价都差不多，显得比较平庸。这种基于产品属性的消费者评论的差异性，我们称之为偏好差异性(preference variance)，消费者对于产品不同属性的评价越不一致，产品的偏好差异性越高。因此，本文要研究的就是这种偏好差异性对产品销量的影响以及其与其他口碑特征的交互作用。

      为此，与以往研究者从评分的整体分布来研究评论差异性的方法不同，本文聚焦在产品属性层面上，研究评论中的差异性评价带来的影响。这样做有几个好处：首先，我们识别了这种差异性的来源。以往研究从产品打分的分布来定义差异性(Sun，2012；Clemons et al.，2006)，但是我们发现消费者对产品属性评价的差异性是不一致性的来源，并且直接测量其差异性并检验其对产品销售的影响。其次，由于很多研究表明消费者更多地阅读产品内容本身(Chevalier and Mayzlin，2006；Ludwig et al.，2013)，而非数字化的打分及打分的分布。因此，我们捕捉评论中属性评价的差异性更能准确地反映消费者内容的影响，力求更加深入的理解口碑评价对销售的影响机制。

      要测量消费者评论中的关注点的差异性，就需要对每条消费者评论进行深入的文本挖掘，挖掘出每一条评论涉及的关于产品的所有属性和其真实情感，需要借助计算机领域的文本分析的挖掘技术，以往研究受限于数据分析技术无法有效测量消费者关注点的差异性，本文深入挖掘了评论中消费者所涉及的产品属性和其评价。为了增强研究的实践性，本文选择的是一个交易社区，不同于以前选择信息类产品如电影、书籍作为研究对象，我们选择实体手机作为研究背景，采用连续数据抓取技术获取一段时间内的用户评论数据和产品销售情况，并通过中文文本分析技术，提取出消费者在用户评论中的细节内容，进而计算出每条评论中消费者对不同属性的真实评价。结果发现，消费者评论中的偏好差异性越大，对商家来说是一个积极的信号，会对销量产生显著的正向直接作用。同时，口碑极性会正向作用于偏好差异性对产品销量的影响；口碑量会负向作用于差异性对产品销量的影响。

      1 理论背景与假设

      1.1 网上口碑研究背景

      网上的产品评论如何影响产品绩效是网络营销领域的重要问题(崔耕等，2014)。在这方面的研究中，学者们普遍认为，产品评论量及评论的极性是口碑最重要的两个特征，是影响产品销售的重要因素(Chevalier and Mayzlin，2006；Mahajan et al.，1984；Mizerski，1982；Neelamegham and Chintagunta，1999)。

      在以往的研究中，产品评论量(volume)是指消费者的评论数量。Chintagunta et al.(2010)和Liu(2006)研究发现口碑量正向影响电影的票房收入；Mayzlin(2006)发现，亚马逊网站上每本书的评论数对它的销量排名是有积极影响的。另外，很多学者将消费者对产品的平均评分作为评论的极性(valence)，并探究其对企业绩效的影响(Moe and Trusov，2011；Mudamb and Schuff，2010；Tirunillai and Tellis，2012；Mayzlin，2006)，如有的研究发现电影在某个地区上映之前，消费者在网上对其评论打分的平均值对电影在当地的票房有显著的正向影响(Chintagunta et al.，2010)，还有的研究发现网站上关于书的平均星级评价会正向影响书的销量(Chevalier，2006)。他们认为口碑量和口碑极性通过不同的机制影响消费者的购买决策。具体而言，口碑量通过促进消费者对产品的知晓度(awareness)而影响决策，也就是口碑量大使更多的消费者知晓产品，从而促进产品的销售；而口碑极性则通过改变消费者的产品态度而影响消费者角色，也就是评论较好的产品使消费者感知质量比较高，从而提高购买意愿。

      消费者口碑的另一个特征是差异性(variance)。在最近的有关研究中消费者口碑的差异性也开始显现其重要性。在关于消费者产品评论的研究中，作者都将差异性定义为研究消费者评论的一个重要特征(Gopinath et al.，2014；Paulo et al.，2014)，而Tang et al.(2014)在最近的研究中提出如果评论中有同样数目的正面和反面评论出现，评论中的差异性作用会增强。而在他们之前，研究者已经研究了差异性的作用和其含义。Clemons et al.(2006)通过消费者打分中高分和低分的差异性，研究了美国啤酒行业差异化战略的有效性，在某些情况下差异性越高的产品，其市场表现越好。Sun(2012)研究了亚马逊网站上消费者对产品打分的分布差异性对产品销量的影响，他发现产品评论的不一致性越高，表明它是一种利基产品，会有更好的表现。但是这些关于差异性的研究中更多的是关注消费者对同一产品有不同打分的现象，我们称这种差异性为消费者打分差异性(rating variance)。而通过“海底捞”的例子，我们可以发现消费者对产品的不同属性的评价是不一致的，这种不一致更能体现产品的特性，具有更多的产品信息，因此也更具有研究价值，我们称这种不一致性为偏好差异性(preference variance)。

      偏好差异性高的产品评论，产品的优点越突出，产品越具有异质性，越能吸引消费者的注意力，并影响他们的购买决策。根据超异质性和市场共鸣理论(Clemons et al.，2006；Clemons et al.，2003)，在信息日益畅通的今天，买卖双方对于彼此的了解已经相当深入，同样的产品在不同属性间的差异性已基本和消费者的不同需求相同步，唯有更加突出自己的特色，走超异质性道路，才能够在市场上引起更多消费者的共鸣，获得超额的回报。

      因此，根据超差异化和市场共鸣理论，本文研究了产品评论的不一致性和口碑其他属性(valence和volume)之间的相互作用。基于上述分析，提出本文的研究框架如图1所示。

      1.2 超差异化和市场共鸣理论

      在网络日益发达的今天，消费者可以通过很多渠道来获取关于企业和产品的任何信息。他们可以在购买前获取别的消费者对产品的评价。消费者对于产品、供应商和价格的了解更加全面，会提高产品竞争的透明度，使得完全竞争性产品很难再有盈利。企业如果想持续从战略中获利，需要避免竞争者模仿他们的战略。一种方法是对产品生产的垄断(Chamberlin，1933)；另一种方法是持续的满足目标消费者的需求。竞争性战略者没办法了解这些消费者的需求，以及如何使他们达到最大的满意度。因此，持续盈利的战略应该是基于对消费者的详尽的了解，并且这种了解要与日俱增。

      同时，通过很多渠道，企业现在也更了解他们的消费者。企业和机构现在越来越多的使用大数据来进行精确营销。企业越来越了解他们消费者的需求，他们可以设计能更精确满足消费者需求的产品，从而使自己的产品越来越不可替代，减少来自其他可替代产品的竞争并提高利润。超差异性不是说所有企业都追求提供比其他人更好的产品，而是说企业应该追求提供可以让一些消费者觉得更适合他们自己个人需求和喜好的产品。

      

      图1 研究框架

      基于以上两点，超差异化战略得以成立。消费者在众多产品中进行产品购买决策时，超差异化降低了价格在这种决策中的重要性(Stephen and Robert，2005)。它鼓励消费者根据自己对产品的喜好来进行选择，消费者对产品这种喜好足以将产品同其他竞争者区别开来并使得消费者对产品价格之间的差异关注度降低。消费者和企业之间的日益增长的互相了解，使企业可以提供任何消费者所需要的产品。在这种策略的驱使下，产品在属性上的差异越来越细化，产品的差异化程度同市场需求的差异化程度达到同步。超差异化理论解释了在消费者完全了解产品和市场的情况下的购买行为和企业应该遵循的策略(Clemons et al.，2003)。在超差异化环境下，降低了可能存在的竞争者的直接竞争。由于巨大的异质性(differentiation)，企业的产品跟竞争产品不具有可比性。

      基于超差异化和消费者信息性，市场共鸣是指在目标客户群体中引起最强反响的一种战略，它的前提是消费者可以准确和全面地获取信息，正确的评估并且在缺乏竞争产品的情况下购买直接符合需求的产品。市场营销人员都希望市场没有与之正面竞争的竞争者，现在在超差异化环境下，他们可以以较低的成本来达到这个目标。超差异化战略使得产品如此独特以至于市场没有与之直接竞争的对手，这种产品不仅在市场上产生了共鸣效应，并且这种共鸣效应没有其他竞争者的干扰。

      1.3 差异性

      在一个拥有众多选择的产品市场中，消费者的需求是有差异性的。例如，一些人对手机的屏幕像素要求很高，而另外一些人对手机的安全性要求高。产品在某些属性上表现得比较突出，而在其他属性上表现一般，说明其差异性越高，产品也就越独特。一个产品越独特，消费者就越难找到可替代的产品，因此他的支付意愿就越不可能受到替代品的影响。

      为了刻画消费者这种差异化需求，我们提出了偏好差异性。如图2所示，假设手机有两个关键属性，即安全性与屏幕像素。A、B和C三个消费者对手机在两个属性上的评价是不一致的。消费者A对手机在安全上的评价较高，消费者B对手机在两个属性上的表现评价一致，消费者C对手机在屏幕像素上的评价较高。三个消费者对产品的整体评分一致，均为7.5，但是两个属性之间的标准差是不一致的，A和C为1.5，B为0，因此A和C的偏好差异性较高。我们将这种属性之间的不一致性定义为偏好差异性。根据市场共鸣理论，在超差异化市场条件下，产品对消费者A和C的匹配更好，更容易引起共鸣。

      

      图2 消费者偏好差异性

      消费者评论中的偏好差异性越高，说明产品越具有鲜明的特征，产品的异质性越高，越能满足某些消费者心中对特定属性的渴望和诉求(有的消费者更关心安全性，有的消费者更关注屏幕)。一旦他们的特定需求被满足后(A和C这两种情况更能满足这种需求)，会引起消费者的共鸣，及所谓的市场共鸣。根据市场共鸣理论，在超差异化市场条件下，偏好差异性越高就越能引起消费者对产品的吻合。以往的研究指出，吻合度越高，支付意愿越高。于是，本文提出以下假设：

      H1：消费者对于产品不同属性的评价差异性越高，产品销量越高。

      1.4 口碑极性

      口碑极性指的是口碑的倾向性。以往的研究普遍认为消费者评论的口碑极性会影响产品的绩效。有学者将消费者口碑的极性定义为产品打分的平均值。研究发现，电影在某地区上映之前，其在网上的平均打分会正向影响在该地区的票房(Chintagunta et al.，2010)。还有的研究发现，亚马逊网站上消费者对于某本书的平均打分会对它的销量或者销量排名有正向的影响(Sun，2010；Chevalier，2006)。学者们提出，高的口碑极性反映了产品与消费者需求的吻合程度较高，改变了消费者的产品态度，从而影响消费者决策。也就是说，评论较好的产品使消费者感知质量比较高，从而提高购买意愿。

      在市场共鸣理论中，超差异化定位的产品寻求引起目标客户群体最强烈的反响，它的前提是消费者可以准确和全面地获取信息，正确的评估并且在缺乏竞争产品的情况下购买直接符合需求的产品，并选择与自己需求最吻合(fit)的产品。产品的口碑极性越高，说明越多的消费者对产品是满意的，产品是吻合他们需求的。在超差异化和市场共鸣战略下，产品追求更大的满足目标消费者的独特需求。在此基础上本文提出如下假设：

      H2：消费者对于产品的口碑评价的正面性会正向影响差异性对销量的作用。

      1.5 口碑量

      在以往的研究中，口碑量指的是消费者评论数量。Liu(2006)研究发现，口碑量正向影响电影的票房收入；Mayzlin(2006)发现，亚马逊网站上每本书的评论数对它的销量排名是有积极影响的；Gopinath et al.(2014)研究发现，口碑量间接地通过口碑极性来影响产品的品牌绩效。这些结果验证了口碑量会提高消费者的信息性(informedness)，引起消费者对产品的知晓(awareness)，从而提高产品的市场表现的理论。因此口碑量对产品的销量有一个正向的作用。

      但是在超差异化和市场共鸣理论中，更大量的口碑量可能导致消费者评论偏好差异性的作用被稀释(diffusion)。一方面，更多的口碑量会增加消费者处理信息的负担，消费者需要花费精力才能从更多的信息中发现产品的异质性，发现与自己的需求相吻合的属性；另一方面，口碑量是不一致性产生的基础(base)，也就是说，口碑量太大的话，会以基数效应来降低口碑的不一致性，从而降低产品异质性(differentiation)的作用。因此，本文提出以下假设：

      H3：消费者的口碑量会负向调节差异性对销量的作用。

      2 研究数据

      2.1 数据抓取

      为了使我们的研究具有一般性和实践性，我们选取了淘宝这一最常见的交易社区。手机是一种体验产品(experience product)，消费者需要从其他买家那里得到关于该产品具体质量的信息，商家的销售成绩极度依赖口碑。为了排除产品的一些其他因素可能对我们的研究所造成的干扰，我们选择了消费者最为关注的几款产品：苹果(iPhone 5s)、三星(Samsung S4)和诺基亚(Nokia 1020)。在权威第三方网站给出的热门手机排行中，三款产品一直排在热度榜榜首。消费者对于产品的相关属性和性能有很高的认知度，相关网上对该产品的报道进一步丰富了消费者对于该产品的知识，因此消费者在网上购买该产品时，会更多地受到用户生成内容的影响。本文针对三个产品分别选取了淘宝天猫上专营的网店，对其进行了持续两个月的跟踪记录。

      我们利用爬虫程序每日定期执行，抓取上一天的更新数据，然后将抓取的评论数据存放到相应的数据库中供分析使用。本文最终的样本数据为该网店从4月1日到6月13日的时间段内的所有数据，有效数据包括每日的产品销量、每日的评论文本、评论发表的时间、评论者ID和产品ID。研究样本的基本统计见表1。

      

      在抓取的所有数据中，本文主要用到的是每日的产品评论文本以及每个产品每日的销量。从图3和图4我们可以了解到每个产品的销量和评论量在73天的变化情况。

      

      图3 产品销量

      

      图4 产品评论量

      2.2 数据分析方法

      在抓取了原始数据之后，要将产品的评论文本解析成我们可以利用的营销数据，为此设计了一整套文本分析研究系统。其详细流程和研究方法以及其他相关资料见本文的附录。该研究系统借鉴了计算机领域相关的前沿技术，整合了大数据处理中数据抓取、数据清洗、数据分析和数据呈现四个功能模块。文中主要就我们在研究过程中所涉及的方法和技术进行简单说明，详细的分析步骤可见附录。

      (1)数据清洗。评论文本分析之前，将与评论文本无关的数据都清洗掉。

      (2)文本分词。本文的数据分析方法借鉴了中科院ICTCLAS分词系统，将评论文本分解为附带词性的单个的词。例如，“货刚到就装上用起来了，确实挺舒服的。”分词结果为：货/n 刚/d 到/v 就/d 装/v 上/m 用/v 起来/v 了/y，/w 确实/a 挺/v 舒服/a 的/u。/w

      (3)特征提取。本文研究的是消费者关注的产品属性之间的差异，因此以消费者评论中涉及的产品属性特征为主题进行提取。例如，“屏幕挺大的，信号不是太好。”提取出其中的两个特征“屏幕”和“信号”。有的产品评论中未直接提及产品特征如“应该是正品”，我们对其进行了模糊匹配。

      (4)极性提取。消费者对产品的每个属性特征都有他的评价倾向，正面评价表示正向，负面评价表示负向。本文根据中文评价词以及评价副词，准确、客观地提取出了每个消费者对具体产品特征的真实评价(蔺璜和郭姝慧，2003)(以-10～10来呈现)。

      (5)主题归类。根据对以往关于产品满意度的文献进行梳理，我们总结出了一套客观、全面的产品满意度评价体系。将所有产品特征归为六种产品属性：产品质量、产品价值、产品利益、产品服务、交易服务和产品美誉(雷蕾和黄敏学，2014)。

      2.3 文本分析效度检验

      文本分析系统的最终目的是要从文本中挖掘出有用的信息，如果文本分析技术系统能够从消费者评论中挖掘出别的较其他信息渠道更详细的产品特征，那么就可以说明文本分析系统是有效的。为了度量这个效果，我们引入了准确率(precision)P来度量从消费者评论中提取出的产品属性里其他渠道也有的产品特征；相反，用返回率(recall)R来度量其他信息渠道的产品特征中消费者评论里包括的产品特征(Lee and Brad Low，2011)。如果X表示从消费者评论中提取出来的产品特征集，Y表示从其他渠道获取的产品特征集，P和R的定义即式(1)：

      P=｜X∩Y｜/｜X｜

      R=｜X∩Y｜/｜Y｜ (1)

      出于对中文词汇多样性的考虑，我们放松了对准确率和返回率的定义，将意思相近的词语视为同一个特征。例如，“操作系统”和“系统”视为同一个特征。

      为了说明文本分析系统的有用性，我们选取了两类网站作为参照。中关村在线和太平洋电脑网作为国内领先的IT信息与商务门户网站拥有最新最权威的IT产品报价和测评，淘宝网和京东网则是主流的购物网站。表2中，文本分析一栏指的是文本分析系统相对于其他所有渠道的准确率和返回率，中关村指标、太平洋指标、淘宝指标和京东指标指的是相应网站上对手机产品的测评指标，中关村口碑、太平洋口碑、淘宝自动口碑和京东自动口碑指的是相应公司对该网站上的消费者评论进行数据挖掘提取出的产品特征和评价，图5所示为淘宝网上对于消费者评论自动提取出的产品特征和评价。

      

      

      图5 淘宝自动口碑

      通过比较我们可以发现，文本分析系统不是做的无用功，它反映了一些别的信息渠道所获取不到的信息。低准确率和高返回率说明消费者评论中包括了大多数其他信息渠道中存在的产品属性，表明“人多力量大”，消费者评论中存在着比专家意见更大的信息量。其中，各大网站的手机测评指标偏工业设计指标，因此与文本分析提取出来的产品属性吻合的较少。而各大网站的自动挖掘的产品属性返回率远高于准确率，说明本文的文本分析系统提取出更多的有用信息。

      2.4 数据分析结果

      网上消费者的评论文本在经过文本分析系统的处理之后被分解为消费者在产品不同属性上的评价(即打分)。从表3中可以了解六个产品属性在73期上的描述性统计。

      

      3 研究模型和讨论

      3.1 解释变量描述性统计分析

      所有的产品评论在经过文本分析系统之后，呈现出来的是每一日的评论中消费者所评论的产品属性及其评分。某日的评论处理后的数据结构见表4。

      

      三个产品最终用于模型检验的数据皆以表4的形式进行存储，

指代的是第i天的评论中，关于产品的第j个属性的打分，B在(-10，10)范围内。

指代的是第i天的评论中，产品属性j的提及次数。

      在解释变量的统计分析中我们发现，消费者关注最多的是与产品质量相关的产品属性，其次是服务，但是对产品的价格关注的较少。对于体验型产品，消费者更关注其他消费者购买之后对产品的评价，并以此来替补关于产品信息的空缺，因此消费者更关注产品评论中对于产品质量的评价。在网购环境中，消费者对于物流服务和网店的服务质量也是非常看重的，仅次于消费者对于产品质量的要求。而消费者对产品价格缺乏关注，我们的理解是，本文样本的三个产品都是当时市面上最新款的手机，其消费群体一般是价格弹性比较低的人群，他们对于产品的价格比较不敏感，因此不太关注产品的性价比。

      本文研究的是消费者评论中偏好差异性对于产品销量的影响。因此，本文通过计算消费者评论中对产品不同属性的打分之间的差异性来描述偏好差异性。本文的因变量variance和valence的计算即式(2)：

      

      式(2)中，t指的是第t天。

      三个解释变量，即口碑量、口碑极性和口碑偏好差异性的描述统计分析及相关性分析如表5所示。

      

      3.2 模型建立

      关于口碑作用的研究，很多研究者都采用差分数据。因此本文所采用的数据均是评论当日的更新数据，以此达到差分效果，便于研究解释变量的动态变化对被解释变量的影响。同时，以往的研究中注意到了口碑研究中的内生性。Duan(2008)提出不仅产品口碑量会带来更多的产品销量，产品的销量也可能给产品带来更多的口碑量，并采用联立方程进行模型估计。在Duan的基础上，我们对产品销量的内生性进行了控制。为了控制销量对口碑量、口碑极性和口碑偏好差异性可能存在的影响，我们在上面模型的基础上增加了三个方程来构建模型。式(3)即主方程，式(4)、(5)和(6)的作用是控制主变量内生性：

      

      在模型中，我们加入了周末(weekend)和品牌熟知度(brand)两个控制变量。周末是虚拟变量，工作日设为0，周末设为1。品牌熟知度用来控制消费者对于不同品牌的熟悉程度，本文采用淘宝指数(http://shu.taobao.com/)中的搜索指数来度量品牌熟知度，它是指数化的搜索量，反映在淘宝网和天猫网上的搜索趋势，不等同于搜索次数。

      回归模拟在Eviews中进行，结果见表6。

      

      3.3 讨论

      模型一结果中，自变量口碑量(0.92)、口碑极性(0.11)和偏好差异性(0.06)均对因变量销售量有非常显著的正向影响，并控制了品牌熟知度和周末虚拟变量，结果显示品牌熟知度对因变量有一个正向的显著影响，而周末并没有显著影响。

      模型二结果中，在模型一验证了主变量的主效应之后，加入了相应的调节效应。结果显示在加入了调节效应之后，自变量的主效应有所增强，口碑量(1.98)、口碑极性(0.59)和偏好差异性(0.42)均相较模型一有较大的提高，表明在加入了调节效应之后主效应没有被削弱，表明主效应具有良好的稳健性。另外，口碑量与口碑极性的交互项(-0.2)具有显著的负向作用；口碑量与偏好差异性的交互项(-0.17)有负向作用，但是并不显著；口碑极性与偏好差异性的交互项(0.02)具有显著的正向作用。另外，为了检验偏好差异性的作用形态，模型中加入了偏好差异性的二次项，结果显示偏好差异性的二次项(0.01)具有较小的作用。

      模型三结果中，在模型二的基础上，为了检验交互项的稳健性，模型三加入了自变量滞后两阶的交互项。结果显示自变量的主效应在滞后一阶和滞后二阶的模型中均有显著的正向影响。口碑量与口碑极性滞后两阶的交互项(-0.11)有显著的负向影响；口碑量与偏好差异性滞后两阶的交互项(-0.09)具有显著的负向影响；口碑极性与偏好差异性滞后两阶的交互项(0.007)未有明显作用。且口碑量与口碑极性的一阶滞后交互项(-0.1)具有显著的负向作用；口碑量与偏好差异性一阶滞后的交互项(-0.1)有显著负向作用；口碑极性与偏好差异性的一阶滞后交互项(0.01)具有显著的正向作用，表明在模型三中，自变量之间的一阶的交互项作用较模型二均未有明显变化。

      三个模型的模型拟合优度均采用

进行检验，结果表明三个模型的拟合优度(0.48、0.38、0.37)均在可接受范围内。

      评论的偏好差异性对产品的销量有显著的正向影响，系数为正，支持本文的假设一。在模型二中结果保持不变，证明了检验结果的可靠性。同时，偏好差异性的平方项系数为正，随着偏好差异性的增大，偏好差异性对销量的正面作用是增强的。

      口碑极性与偏好差异性的交互项系数皆为正，说明口碑极性确实存在对偏好差异性的调节作用，验证了本文的假设二。在模型二中，口碑极性与偏好差异性的交互项系数为正，调节效应是很显著的，但是在模型三中，口碑极性与偏好差异性的交互项系数边际显著。结果表明，口碑极性对偏好差异性的调节作用并不稳定。但是在本文的研究中我们采用的文本分析方法更为全面地挖掘了产品评论中消费者对于产品属性的真实情感，因此分析数据中的口碑极性要较平均打分(average rating)更低一些，因为消费者打分普遍存在着虚高的现象。本文数据样本中口碑极性的平均值为4.12(-10～10)，映射到0～5范围之内，4.12对应的是3.53，小于以往研究中的平均口碑极性。因此，我们分析消费者评论中关于产品不同属性的评价如果达不到一定程度的话可能会影响口碑极性对偏好差异性的交互作用。

      口碑量与偏好差异性的交互项系数在两个模型中都显著为负，说明口碑量确实存在对偏好差异性的负向调节作用，验证了本文的假设三。在模型二中，口碑量与偏好差异性的交互项系数为-0.17(p＜0.01)；模型三中，口碑量与偏好差异性的交互项系数为-0.10(p＜0.01)。

      同时，口碑量对销量的正向影响与以往的研究结果是一致的(Chevalier and Mayzlin 2006)。口碑极性对销量也是有显著的正向影响，与(Chintagunta et al.，2010)结论相一致。

      3.4 稳健性报告

      从表6的结果中可见，模型一中只加入自变量主效应时，自变量口碑量(0.92)、口碑极性(0.11)和偏好差异性(0.06)均对因变量销售量有非常显著的正向影响，当在模型二中加入自变量交互项后，口碑量(1.98)、口碑极性(0.59)和偏好差异性(0.42)仍对因变量有显著的正向影响，说明文章中模型的主效应具有稳健性。在模型三中，加入了自变量的滞后二阶的主效应，口碑量(1.01)、口碑极性(0.32)和偏好差异性(0.25)对因变量仍有显著的正向影响，进一步说明文章中主效应的稳健性。

      在模型二中口碑量与口碑极性的一阶滞后交互项(-0.2)具有显著的负向作用；口碑量与偏好差异性的一阶滞后交互项(-0.17)有负向作用，但是并不显著；口碑极性与偏好差异性的一阶滞后交互项(0.02)具有显著的正向作用。为了检验模型是否在时间上具有稳健性，我们在模型三中加入了主效应和交互效应的滞后二阶项。

      模型三中加入二阶滞后项后，口碑量与口碑极性的一阶滞后交互项(-0.1)具有显著的负向作用；口碑量与偏好差异性的一阶滞后交互项(-0.1)有显著负向作用；口碑极性与偏好差异性的一阶滞后交互项(0.01)具有显著的正向作用，相较模型二未有明显变化。而且口碑量与口碑极性滞后两阶的交互项(-0.11)有显著的负向影响；口碑量与偏好差异性滞后两阶的交互项(-0.09)具有显著的负向影响；口碑极性与偏好差异性滞后两阶的交互项(0.007)未有明显作用，结果表明模型在时间序列上具有稳健性。

      4 结论和意义

      4.1 结论

      以往的文献中，已经对消费者评论中的口碑量和整体极性有了多角度的论述，但是对于消费者评论差异性的影响却没有一个全面的研究。通过中文文本分析系统，挖掘出了消费者对于产品不同属性的评价的不一致性，并探讨了它对产品销量的影响。

      结果发现，消费者对于产品不同属性评价的差异性对销量有一个显著的正向影响，且其作用不会随着偏好差异性的增大而削弱。这种差异性反映了产品是否够独特，在一个网络日益发达，消费者消息日益灵通的今天，根据超差异化战略，产品的异质性越高，越容易在市场中避免可能存在的直接竞争者的竞争，因此获得更高、更持久的发展空间。正如文中提到的“海底捞现象”，面对日趋同质化的市场，管理者只有突出了自己最能吸引消费者的优势，将其做到最好才能留住顾客，使自己达到一个长久的利润空间。

      超差异化战略就是产品的差异化程度与市场需求的差异化程度日益同步，而消费者在这样的市场中面对日益多样化的产品，他们需要与自己的需求更吻合的产品，因此当消费者对产品的整体评价更高时，独特的产品越是能匹配更多消费者的需求，从而有更好的市场表现。管理者在注重突出自己产品的重点优势的同时，要兼顾自己产品的质量，使之各方面都有所提升，这样才能促进产品重点优势的积极作用，扩大自己的竞争优势和更好的吻合消费者的需求。如果管理者未能在突出重点的同时兼顾产品质量的话，就会享受不到口碑极性带来的利好，但也不会削弱自己的竞争优势。

      同时，消费者评论的口碑量会负向调节偏好差异性对销量的影响。随着评论者的增加，偏好差异性带来的红利会被削弱。因此，企业在早期，口碑量比较小的时候，应充分利用这种差异性的利好来扩大口碑的影响。

      4.2 意义

      (1)理论贡献。

      首先，本文提出了消费者评论研究中的一个新的概念。偏好差异性指的是消费者对产品不同属性评价的不一致性，是消费者评论差异性在产品属性层面上的体现。本文通过测量消费者的评论不一致性，扩展了现有研究对产品评论的研究。现有研究对评论的整体数值特征研究了很多(Chevalier and Mayzlin，2006；Moe and Trusov，2011；Mudambi and Schuff，2010)，却忽视了消费者对产品属性层面评论的不一致性，本文通过文本分析系统测量了评论中对不同属性的打分，并通过建立合理的回归模型，发现消费者评论中关于不同属性评价的差异性对产品有一个显著的正向作用，并受到口碑量和口碑极性的调节作用。在此基础上，本文探究了偏好差异性与口碑量和口碑极性的相互作用机制，扩大了对消费者评论的理解。

      其次，本文扩展了超差异化和共鸣营销理论的应用。超差异化战略是指在信息日益发达的市场环境中，管理者应该根据消费者的不同需求调整自己的产品，使产品更能吻合消费者的需求，产品的差异化程度要和消费者需求的差异化程度在一个频率上，以达到共鸣营销的效果。本文拓展了对该理论的理解，验证了超差异化和共鸣营销理论对产品营销战略的指导意义，并实证研究了偏好差异性对产品销量的积极作用。

      (2)管理意义。

      本研究通过设计一套文本分析系统讨论了用户生成内容中产品评论的作用。以往的研究虽然对这一作用有较多的研究，但仍然未对消费者对产品属性层面评论的差异性的影响做一个系统的研究。我们的研究有以下几点意义：

      首先，本文结合计算机领域的前沿技术，提出了一套处理中文消费者评论的系统并改进了现有的中文处理技术。通过数据抓取、清洗、评论断句、分词、特征提取和特征自动打分等几个环节，本文的研究系统可以深入地挖掘消费者评论中所涉及的产品属性，并较准确地挖掘出消费者对该产品属性的真实态度。本研究系统可以用来对产品进行舆情监控，实时的观测消费者对于产品的真实评价，使得营销工作更具有针对性和实效性。

      其次，企业要高度重视和认识偏好差异性的价值，以使最能抓住消费者的产品优点突出出来。结合本文提出的文本分析系统，管理者可以深入挖掘消费者对于产品的真实评价，提炼出消费者最关心的点和消费者对产品各个属性的满意程度。借此，管理者可以有针对性地对产品进行改造和提升。

      附录：文本研究系统

      本文的数据处理主要涉及中文文本的自然语言处理过程。本文在复旦大学自然语言处理工具FudanNLP的基础上综合了中科院ICTCLAS分词系统，并通过改进中文分词技术和情感分析算法，设计了一套完整的中文文本分析系统。

      1 系统简介

      FudanNLP主要是为中文自然语言处理而开发的工具包，也包含为实现这些任务的机器学习算法和数据集。本工具包及其包含数据集使用LGPL3.0许可证。FudanNLP是基于Java的开源项目，利用统计机器学习和规则方法来处理中文自然语言处理的经典问题。比如，分词、词性标注、句法分析、实体名识别等。

      中科院计算技术研究所在多年研究的基础上开发出了中文词法分析系统ICTCLAS，可以用来处理中文分词、词性标注、语法分析等，是目前为止最好用的中文分词系统。ICTCLAS系统支持开发者拓展词典，在此基础上我们对其基础词库进行了扩充，对其断句和记性分析过程进行了改进。

      2 文本断句

      FudanNLP系统默认的以句号来断句，然后以一句话为单元，进行句法分析。但是在交易社区的评论文本中大量存在以其他形式来分隔一句话的情况。因此，我们设置了以句号、感叹号、问号和空格为标志的断句符，将一个整句分隔成若干个语意表述完整的断句。在此基础上，以断句为基本分析单元进行分词处理。

      3 中文分词

      分词是在对文本分析进行的第一步。分词时是将一个文本语料切分成一个一个单独的词，换句话说就是将连续的字序列按照一定的规范重新组合成词序列，并用相应的词性标记对词进行标注的过程。中文分词往往比英文分词复杂和困难得多。因为在英文中，单词之间是通过空格来分割的，而中文则不同，字、句和段可以通过明显的分界符来简单划界。但是词没有明显的分界符，同时在分词的时候也往往存在分词的歧义问题。

      分词模块输入是不同的评论语料，模块的输出是一系列的词语序列，并且这些词语都标有不同的词性标注。例如：

      输入为：货刚到就装上用起来了，确实挺舒服的。

      输出结果为：货/n 刚/d 到/v 就/d 装/v 上/m 用/v 起来/v 了/y，/w 确实/a 挺/v 舒服/a 的/u。/w

      4 特征词和评价词提取

      FudanNLP和ICTCLAS系统中均自带庞大的词典库，涵盖了常见的汉字。从分词系统中导出来的数据，我们主要关注名词、副词和形容词。名词是一句话里面的中心词，是评论者所表达的观点的核心，我们将消费者评论的断句中的名词定义为该段评论中的特征词。评价词是对名词起修饰作用的词语(一般是形容词)。

      例如：“电池挺耐用的。”通过遍历该段评论的分词结果，我们提取出其中的名词“电池”和形容词“耐用”，将该段评论的特征词定义为“电池”，其评价词为“耐用”。

      5 极性分析

      极性分析是指对消费者的情感倾向进行分析。FudanNLP和ICTCLAS均自带庞大的评价词词库，为了将消费者的情感进行量化分析，我们人工的对分词系统中自带的评价词词库进行了评级打分。我们将分词系统中的所有评价词都量化到-10～10的范围内。我们随机请了10个人对这些评价词进行打分，表达正面情感的评价词标明正号，并根据强烈程度给予1～10的打分，然后根据这10个编码者的结果，综合并整理出一个评价词打分数据库。其部分内容见附表1。

      

      在极性分析中，另外一个重要的主体是程度副词，现代汉语的程度副词，虽然为数不算太多，但也构成了一个从低量、中量到高量乃至极量的层级序列(蔺璜2003)。据此，我们得到如下的程度副词分类表，见附表2。

      

      6 评价词打分方法

      程度副词是对评价词极性的强调或抑制，关系到对应特征的倾向。因此有必要将其作用对评价词打分进行校准。在我们目前的评价词库中，所使用的是10分制(±10)，好的评价词打正分，不好的评价词打负分。

      (1)提取评价词分数

和其极性P

      将分词系统分出来的评价词进行提取，然后将其对评价词库进行模糊匹配。评价词库在不断更新中，现基本上覆盖酒类行业基本上能用得到的评价词(评价词库中对每个评价词都有打分)，根据这个方法取得评价词的原文打分

和其极性P(正、负)。

      (2)提取对应程度副词分数

      然后，根据分词系统中的语法树结构，寻找该评价词所在短句中的副词，同样将其针对程度副词库进行匹配，修饰该评价词的若干副词的极性和打分分别为

。

      (3)计算综合评分

      最后，则该评价词的上下文感知的极性即式(1)，打分即式(2)。

      

      该方法简单易行，可以体现不同程度的副词对于评价词校准作用的不同，而且保证分数的范围不变。极量的程度副词显然对评价词具有强化作用，10分显然可以提升评价词的真实分数。

      7 产品属性归类

      以往的研究中，有研究者对消费者评论中的评论内容进行了文本分析。用文本分析方法测量了消费者评论与产品的语言风格匹配程度(linguisitic style match，LSM)，发现LSM对消费者的购买行为有正向的显著作用。Gopinath(2014)将消费者评论分为产品属性、情感属性和推荐属性，通过构建一个关键词词库，他采用文本分析方法挖掘出消费者评论在这三种属性上的表现，并以-2～2的数值来表示。以往的研究未将消费者评论中关于产品的不同属性的评价进行鉴别，本文通过精确的可以进行上下文感知的文本分析技术把产品的不同属性进行了挖掘。在进行挖掘之前，我们构建了一个消费者满意度词典，并据此将评价词归类到产品的不同属性上。产品属性的释义以及其与评价词之间的对应可见附表3。

      

标签：市场营销论文;  文本分析论文;  产品差异化论文;  产品属性论文;  系统评价论文;  企业特征论文;  差异分析论文;