通过大数据预测消费者产品需求：在线促销营销和在线评论的作用外文翻译资料

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

通过大数据预测消费者产品需求：在线促销营销和在线评论的作用

Alain Yee Loong Chonga*, Eugene Chrsquo;ngb, Martin J. Liua and Boying Lib

中国宁波诺丁汉大学诺丁汉大学商学院; 宁波诺丁汉大学国际博士创新中心计算机科学学院，中国

（2014年12月2日收; 2015年6月15日接受）

摘要：本研究旨在调查在线促销营销和在线评论作为消费者产品需求预测因素的贡献。使用来自Amazon.com的电子数据，我们尝试预测在线评论变量，如评论的价数和数量，正面和负面评论的数量，以及在线促销营销变量（如折扣和免费送货）是否会影响电子需求Amazon.com中的产品。开发了大数据架构，并部署了Node.JS代理，以使用异步输入/输出调用来抓取Amazon.com页面。然后对完成的Web爬行和抓取数据集进行预处理以进行神经网络分析。我们的结果显示，在线评论和促销营销策略的变量是产品需求的重要预测因素。与在线营销推广变量相比，在线评论中的变量通常是更好的预测变量。该研究为从业者提供了重要的意义，因为他们可以更好地了解在线评论和在线促销营销如何影响产品需求。我们的经验贡献包括设计包含神经网络分析的大数据架构，该架构可用作未来研究人员调查大数据如何用于理解和预测在线消费者产品需求的平台。

关键词：产品需求;在线评论;促销营销;在线市场;大数据;神经网络

1 介绍

如今的企业在竞争日益激烈和充满活力的环境中运营。传统上，制造商通过降低生产成本和提高产品质量来相互竞争。然而，随着制造商从提供标准化产品和服务转向专注于定制化的产品和服务。为了获得竞争对手的竞争优势，制造商现在的目标是提高供应链的效率，许多人通过更好地了解他们的客户需求来实现这一目标。牛鞭效应是制造商面临的传统挑战，可以通过更好地了解和预测客户需求来克服。

信息技术（IT）和数据科学的出现使公司能够使用定量方法更准确地理解和预测客户需求。例如，射频识别标签允许公司获得实时库存数据及其空间移动性，以帮助公司了解和改进产品需求预测。一个引起研究人员和从业者关注的新兴IT趋势是应用大数据来更好地理解业务流程和性能。大数据技术有能力通过提供以前无法获得的有用信息来帮助公司了解复杂的业务关系（Bollen，Mao和Zeng，2011).使用数据分析来更好地理解业务流程并不新鲜。沃尔玛和科尔等公司使用各种销售，定价，经济和人口统计数据来了解客户行为和产品需求。然而，大数据技术和互联网为公司提供了增强的从多个渠道获取和分析数据的能力，从而有机会发现未开发的商业信息。Bollen，Mao和Zeng最近的一项研究中可以找到大数据如何提供新见解的一个例子，2011），他们发现Twitter的情绪可以影响和预测股市。

以前的研究表明，制造商可以通过提高效率获得竞争对手的竞争优势，这可以通过更好地了解产品的需求来实现。以前的研究人员尚未广泛研究的领域是来自在线市场或电子商务的数据如何为制造商提供更好地了解产品需求的机会（Cao和Schniederjans，2004).具体而言，来自在线用户生成数据的信息是否有助于制造商更好地了解和预测产品需求？与报纸和电视等传统媒体相比，在线用户生成的内容开始对消费者决策产生更大的影响。统计数据显示，Twitter上有多达53％的海报在推文中推荐产品或品牌，48％接收推文的人都遵循建议（Flannagan，2014).在线零售的状态是，当在线销售产品时，包含用户评论已成为常见做法。除在线评论外，在线销售产品的公司还将包括产品信息，如价格和描述，以及促销营销信息，如折扣的可用性或产品折扣的“节省”。与产品，营销促销和在线评论相关的可用数据量可以用于预测产品需求并帮助公司更好地规划其物流。

本研究的目的是检查促销营销策略的相对影响，如折扣和提供免费送货选项，以及在线评论信息，如产品评级和产品正面和负面评论的百分比。本研究中产品的需求是通过专业在线销售排名来衡量的。我们设计了一系列大数据算法，这些算法位于用于Web数据和社交媒体分析的大数据架构上（Chng2014).这些算法使用异步输入/输出（I / O）从Amazon.com实时请求，提取和预处理数据。我们研究所用的类别是电子设备，如相机，电脑和电视。除了检查在线促销策略和在线评论对产品需求的影响之外，本研究还检查了它们的交互效应（例如，当它们同时在线提供给用户时）是否可以改善产品的需求（Lu et al。2013).最近的文章指出，制造商通过收集社交媒体的喋喋不休，可以帮助了解其产品的实时需求和趋势，从而有助于减轻牛鞭效应（Suominen）2014).特别是，对于公司而言，即使是少量可能导致牛鞭效应的物品，实时检测需求突然输入波动也具有挑战性，但这可以通过大数据来解决（Chase2013).我们提出的方法将通过使用在线市场信息更好地了解客户需求，从而降低牛鞭效应的风险。我们的方法减少牛鞭效应风险的原因之一是可以提取新的和实时的数据并将其提供给我们的架构，并且可以立即做出预测和决策，而不是延迟编译来自各种来源的数据。在许多遗留系统中找到。

这项研究做出了几项重要贡献。首先，虽然理解和预测产品需求是作为运营管理的一个重要主题，很少有研究检查互联网和电子商务数据是否有助于预测产品需求。其次，本研究考察了将营销推广策略与在线评论结合起来是否可以更好地预测产品需求。第三，本研究演示了如何应用大数据技术和架构在线提取数据，结合神经网络预测产品需求如何受到促销营销和在线评论变量的影响。

2 文献综述

2.1 在线促销营销

今天较短的产品生命周期，尤其是电子行业，意味着制造商面临着在更短的时间内销售产品的更大压力。与过去相比，产品信息的增加意味着消费者可以获得更多选择。例如，消费者现在能够在线有效地比较产品价格和功能。由于这些业务压力，公司正在花费大量资源来在线宣传和宣传他们的产品。公司实施的一种流行的促销营销策略是提供价格折扣。

2.1.1 折扣价值

价格折扣很受欢迎，因为它们可以刺激产品的短期，即时增加（Gendall等人。2006).交易效用理论指出，当有更多折扣时，消费者对产品的需求会增加，因为消费者会相信他们已经收到了便宜货（Lichtenstein，Netemeyer和Burton）1990).价格折扣的影响通常是可衡量的，并且因为它们能够增加商店流量，所以它们能够支持制造商和零售商之间的关系，并确保特定品牌库存充足并且在零售商店中有足够的货架空间（ Gendall等人。2006;刘等人。2015).尽管对折扣对产品需求的影响进行了大量研究，但结果显示价格折扣对产品需求的影响存在不一致和矛盾的结果（Drozdenko和Jensen）2005).马歇尔和冷（2002），例如，发现虽然当折扣提供10％至50％时，产品销售额增加，60％至70％之间的额外增长对产品销售没有影响。消费者可能偶尔使用产品的价格信息来确定产品的质量，而不是仅使用它来确定货币的收益或损失（Suri，Manchanda和Kohli）2000).因此，没有折扣的高价格可能表明产品质量很高，而没有折扣的产品可能意味着对消费者的高额货币牺牲（Suri，Manchanda和Kohli）2000).

另一方面，基于归因理论，当信息被彻底处理时，消费者除了价格之外还能够依赖属性信息来评估产品的质量（Drozdenko和Jensen）2005).在线购买产品时，有关于产品的各种信息，以及可能导致客户将折扣视为货币收益的在线评论，并且可能增加购买产品的意图。此外，Jensen等人。（2003）当比较网上商店与实体店的价格时，发现外部参考价格对网上商店的影响较小。这些矛盾的发现尚未在在线环境中得到验证。（该研究使用价格折扣作为消费者购买产品意图的预测指标）。这对于制造商来说非常重要，因为当公司试图清理库存时，或者当特定产品的库存较少时，折扣通常被用作公司的策略，并且会使用折扣来鼓励客户购买替代产品在公司下，从而给他们更多的时间来补充他们的库存。

2.1.2 折扣率

本研究中使用的另一个预测因子是折扣与产品实际价格的比率。消费者对绝对或相对意义上的价格感知能够影响他们的价格折扣感知（Chen，Monroe和Lou）1998).“心理物理学 - 价格 - 启发式”理论指出，消费者从节省固定金额中获得的心理效用与物品的价格成反比（Chen，Monroe和Lou）1998).因此，对于公司，他们可以提供绝对价格折扣，或以％为单位的相对价格折扣。然而，目前仍不清楚20美元的储蓄或20％的折扣优惠对100美元夹克的消费者是否更具吸引力。那么，在存在这两种信息的情况下，其中一个问题是否会导致更好地预测产品的客户需求？

2.1.3 免费邮寄

除了使用价格折扣外，如果提供免费送货，消费者可能会在线购买产品。Doern和Fey（2006），在他们对俄罗斯电子商务发展和战略的研究中发现，提供免费送货将带来更好的客户忠诚度和信任。叶和法（2002）在检查用户对网站属性的偏好时，还发现除了特殊折扣外，免费送货是一种吸引在线用户的功能。但是，并非所有使用免费送货作为奖励的网站都是成功的。史密斯和鲁普（2003）发现免费送货促销导致Kozmo.com和Urbanfetch.com等在线公司失败。他们研究中提到的主要原因是，使用免费送达来吸引用户并增加用户群的在线网站会发现，当他们取消免费送货促销时很难留住他们的客户。随着电子商务的成熟，提供免费送货也可能是消费者所期望的，因此那些不提供免费送货的人可能会输给竞争对手。根据讨论，我们将使用免费送货作为客户对产品需求的预测，特别是在存在其他促销策略（如价格折扣）的情况下。

2.2 在线评论

随着在线媒体的发展，当代用户定期并在各种在线平台上与他人分享他们对产品和服务的意见，例如产品评论，博客，推特和维基（Tirunillai和Tellis）2012).这种类型的交流在“评论”中呈现，内容被视为口碑。口口相传被定义为“针对特定商品和服务或其销售商的所有权，使用或特征针对其他消费者的所有非正式通信”（Westbrook）1987).与电视和报纸广告等传统广告相比，消费者认为电子口碑（eWOM）比私人信号更可信，而且通过社交网络更容易获取信息（戴维斯和卡赞奇）2008).与传统口碑不同，在线口碑或eWOM对其他用户的影响要大得多，并且内容丰富得多。用户可以使用图片甚至视频分享他们的在线评论。此外，eWOM能够在不同来源的在线评论网站上汇总正面和负面信息，而传统的口碑只能捕获单一的正面或负面信息（Lu et al。2013). 以前的研究表明，eWOM能够影响产品的销售（Chevalier和Mayzlin2006;段，顾和惠斯顿2008).在这些研究中，eWOM的一些最常用的属性包括评论的价态，数量和分散（Lu et al。2013).段，顾和惠斯顿（2008）开发了一个动态联立方程系统，以捕捉eWOM和电影销售之间的关系。他们的研究发现，尽管eWOM的价值并不直接影响电影票的销售，但是更高的价格能够产生更高的eWOM音量，从而增加了电影票的销售量。骑士和梅兹林（2006）研究了eWOM对图书销售的影响，发现客户在线评论能够影响图书的销售。Lu等人。（2013）从在线餐馆评论网站上查看了为期三年的面板数据集，并发现了价与量和产品销售之间的关系。

2.2.1 在线评论价（平均评级）

在线评论效价被定义为eWOM中特定产品或服务的评估分数（Lu et al。2013).虽然过去的研究人员提出在线评论价格对消费者的购买决策具有说服力（Cheung和Thadani）2012），这种关系的调查结果不一致。刘（2006在他关于eWOM与票房收入之间关系的研究中发现，虽然两者之间存在显着的关系，但大部分解释力来自eWOM的数量，而不是来自其效价。段，顾和惠斯顿（2008）延长了刘的研究（2006），并发现效价本身不能影响电影的销售。然而，Duan，Gu和Whinston（2008）发现valence与电影销售有间接关系，因为它能够影响eWOM音量，从而影响电影销售。同样，戴维斯和卡赞奇（2008）在他们对在线多产品类别的研究中，发现eWOM的价格不会影响产品的销售。

另一方面，研究人员如Lu等人。（2013），朱和张（2010）和Chevalier和Mayzlin（2006）发现支持在线评论价与产品销售之间的关系。在eWOM环境中，产品和服务的评级越来越重要，因为今天的消费者更有可能根据人群的智慧使用制作决策（Chen和Singh）2001).Dellarocas，Awad和Zhang（2004）还发现效价是所有其他口碑属性中销售最强的预测因素之一。

除了之前发现的不一致之外，这些现有研究中的大多数都研究了eWOM在电影和书籍等体验产品中的作用。然而，对搜索产品的研究仍然很少。搜索产品包括电子产品，消费者可以在购买前评估产品的特定属性（Cui，Lui和Guo2012).当消费者购买电子产品时，他们更有可能通过评估产品的特定属性来应用系统的决策过程。相比之下，购买电影票或书籍的客户更有可能根据外在归因相关线索做出决定（崔，吕和郭）2012).因此，在购买电子产品时，客户将评估产品的技术方面和性能。在线信息中，这些信息随时可用，并且产品的评级显着地显示给客户（Cui，Lui和Guo）2012).因此，效价可能是电子产品销售的预测因素，而不是像Liu所进行的研究中那样的经验产品（2006）和Duan，Gu和Whinston（2008).根据讨论和先前不一致的研究结果，本研究将价格作为电子产品销售的预测指标。

2.2.2 在线评论量

在线评论量是对产品或服务的评论数量（Lu et al。2013).关于为什么在线评论量增加产品销售的研究相对简单，即更多关于eWOM产品或服务的讨论将引起消费者意识的提高，导致戴维斯和卡赞奇的销售变化（2008).在本研究中，在线评论量是指评论者对特定电子产品的评论

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17863]，资料为PDF文档或Word文档，PDF文档可免费转换为Word