基于买家在线评价的购后评价特征数据挖掘

2024年1月16日发(作者：volvo是什么牌子的车)

基于买家在线评价的购后评价特征数据挖掘

夏名首

【摘要】买家在线评论作为买家购后满意情况的反映,是买家进行购买决策和商家了解顾客、发现并改进不足之处的重要依据.利用中文分词、RFM改进模型和情感聚焦雷达图对天猫网碧根果买家在线评论的分析表明,各类型买家关注的因素大体相同,但关注度不一;各类型买家购后评论情感聚焦点基本一致,但参与程度不同.其中,口味是产品的核心竞争力,服务、物流、价格因素也是不可或缺的参考点.鉴于此,主营坚果及其他食品类产品的电商不仅要根据产品属性及情感聚焦点的不同进行差异化营销和服务,而且要在重点关注口味的同时,制定客户服务标准,实施个性化服务,选择能够为自身加分的物流服务提供商(或自身承担物流).此外,还要把握产品毛利率,保证质量,提升促销感知力度,更新完善包装,拓展产品用途,关注负面在线评论并有针对性地加以解决.而买家则应在线上购物信息搜寻阶段,参考其他买家评价,收集整理自己关注的问题,提升决策有效性.

【期刊名称】《中国流通经济》

【年(卷),期】2017(031)007

【总页数】9页(P30-38)

【关键词】在线评价;中文分词;RFM改进模型;情感聚焦雷达图;购后评价特征

【作者】夏名首

【作者单位】东南大学经济管理学院,江苏南京210096;安徽商贸职业技术学院经济贸易系,安徽芜湖241002

【正文语种】中文

【中图分类】F724.6

买家在线评价是指电子商务活动中买家购买商品收货后在评论系统中以文字或者分值给予商家、物流和产品的评价。对买家而言，该评价一方面是购后买家自身满意程度的表达，另一方面也是其他买家购前重要的参考依据；对商家而言，基于买家在线评价的购后评价特征数据挖掘可以更好地帮助商家了解顾客、发现自身不足之处、改进服务并挖掘卖点，从而吸引更多买家购买，提高客户忠诚度与市场占有率。

在线消费者行为比较复杂，一直是国内外研究的热点，所应用的理论比较多，所涉及的学科比较广，如社会交换理论、推理行动理论、计划行为理论、零售顾客模型、技术接受模型等。有关在线评论购后评价方面的研究，目前主要包括以下几个方面：

（一）消费者购后评价影响因素研究

消费者购后评价影响因素较多，20世纪90年代就引起了部分学者的关注，如戴维斯（Davis F D）、[1]格拉齐奥利（Grazioli S）等[2]的研究就主要致力于确定消费者购买意愿影响因素及购后在线评价影响因素。

国内学者范晓屏[3]认为，以往营销领域大多基于对单一线索影响作用的研究，其局限性越来越明显，而网络环境下，信息极度丰富，消费者行为通常会受到多种信息线索的共同影响。

当然，人口统计变量和消费者个人特征是一个独特的类别，已有学者进行了大量研究。国外学者拉马斯瓦米（Ramaswami S）等[4]发现，产品知识和决策信心均不影响信息搜索或在线购物的过程，这可能源于个人特征中的主观参与和晕圈效应。南京大学王宇灿等[5]基于社会交换理论、动机拥挤理论、信息不对称理论，以体验型商品为例构建消费者在线评价参与意愿影响因素理论模型，发现在企业对消费者（B2C）和消费者对消费者（C2C）两种类型的电子商务中，帮助其他消费者的

愉悦感、网站服务均与体验型商品消费者在线评价参与意愿正相关，而影响商家的愉悦感、自我提升、经济回报、认知成本、执行成本对消费者是否参与在线评价无显著影响。同B2C、C2C交易中帮助其他消费者的愉悦感与消费者在线评价参与意愿之间较强的正向关系相比，网站服务与消费者在线评价参与意愿之间正向关系较弱。

（二）购后评价受购物过程影响研究

购后评价也受购物过程因素影响，在部分研究中消费者对网购的看法也被当作主要变量用在各类分析中，包括对与在线购物相关的欺诈和安全风险的调查。利马耶（Limayem M）等[6]发现，消费者对网店的信任程度受感知强弱、商店声誉等因素影响。还有研究发现，个人被社会结构所包围，媒体、家庭、朋友都是直接影响在线购物意图的因素，对购买态度的感知效益（价格更低，产品信息更少，时间更短，客户服务与便利性更好）和感知风险（安全与隐私风险总和）有显著影响。国内学者张欣[7]认为，消费者网购过程实际上是在信息不完全对称的环境下进行的，均会在不同程度上感知到一定的风险，此时消费者就会扩大信息搜寻范围，从而涉及到在线交易评价。

（三）购后评价对消费者购买选择的影响研究

近年来，有关购买评论的研究发现，在线评价对消费者选择影响很大，同时这一领域也成为新的热点。例如，国内学者朱琛[8]认为，在线评价作为消费者选择评估的依据，对购买决策具有重要影响，而正面评价则直接影响企业销量。瓦莫兰和西格斯（Vermeulen I&Seegers D）[9]提出，在部分行业如酒店业，平台上发布的评论对潜在旅行者（使用平台共享信息来计划旅行的旅行者）和酒店而言是非常重要的。库苏马逊（Kusumasondjaja S）等[10]认为，消极评论比正面评论更具有影响力，因为它们的可信度更高。高宝俊等[11]提出，对于不同的评价系统，评论对销量产生的影响不同。在有分类的评价系统下，评论总量、好评量对销量有显著

的正影响，差评量对销量有显著的负影响；在没有分类的评价系统下，评论总量、好评量对销量有显著的正影响，而差评对销量并不产生影响。价格是影响销量的重要因素，网站的评论总量和价格对销量均产生显著的影响。

综上所述，有关购后评价影响因素及其对购物选择影响的研究，已经成为学术界研究的热点，同时在实践中也对买家和商家具有一定的指导意义。

买家在线评价的购后评价特征数据挖掘也遵循一般数据挖掘流程，图1就是其工作流程的示意图。通过示意图可以看出，数据挖掘流程主要可分为数据准备、数据预处理、词表构建、数据挖掘四个阶段。[12]

第一阶段：数据准备。首先，根据选定的研究对象，熟悉相关背景知识，利用爬虫软件对特定数据进行爬取；然后，对分散的数据按照一定的规则或格式合并；接下来，对不符合条件的数据进行数据清洗，消除错误、冗余和数据噪音，以此保障数据质量。

第二阶段：数据预处理。对所选取的数据进行再处理，检查数据的完整性和一致性，消除噪音，滤除与数据挖掘无关的冗余数据。基于整理好的数据，梳理选择对象在线评价维度，对属性进行描述性分析，进而利用RFM改进模型对不同人群进行聚类研究。

第三阶段：词表构建。在Python程序语言中利用中国科学院汉语分词系统NLPIR2016（其前身是ICTCLAS）对买家在线评价进行分词，提取高频词，并对高频词按照属性和情感归类，在Excel软件中利用VLOOKUP函数将原高频词转化成新归类词，以此构建属性和情感词表。

第四阶段：数据挖掘。计算新属性和情感词词频，基于词频构建新归类词频率表，在频率表基础上形成多维度显示的雷达图。然后，根据雷达图分析不同人群购后评价特征，并提供一些参考和建议，以此帮助商家和买家进行决策。[13]

（一）研究对象选择与数据准备

在天猫官网上以“碧根果”为关键词进行搜索，按照月销量从高到低排名并进行店铺合并后，发现三只松鼠、百草味、良品铺子、口口福、馋鱼儿、憨豆熊、楼兰蜜语、新农哥、信礼坊、粮典十大品牌销量处在前列，故选取每个品牌最畅销碧根果产品累计评论数据作为基础。同时，考虑到有追评的买家评论具有更高的信息含量和可靠性，从中筛选含有追加评论的买家在线评价进行买家在线评价数据挖掘。其中，买家在线评价数据属性包括首次评论时间、首次评论内容、两次评论时隔、二次评论内容、买家信用等级、采集时间等，利用数据爬取技术收集并合并清洗的数据量参见表1，采集时间为2016年1月。

（二）数据预处理

买家在线评价质量受买家信用等级、两次评论时隔（收货与二次评论之间的时间间隔）、首次评论字数、二次评论字数影响，故首先对上述四大属性进行量化处理，以此进行描述性分析。

其中，买家信用等级按照淘宝网定义的信用分值分别编码成顺序数据，即4～10分编码成“1”，11～40分编码成“2”，依此类推，共有17级，对于没有信用等级的买家编码成“0”，按照缺失值处理。评论时隔中的“当天”按照“0”处理，其他按照在线评价中原来的数值处理，如“收货1天后追加”的时间间隔为“1”。表2为利用SPSS20.0软件对四类属性量化指标进行描述性分析的结果。

在评论字数方面，共有首次评论字数、二次评论字数两个属性指标，均能代表购后评价的特征。但考虑到研究的可行性，对首次评论字数、二次评论字数进行均值化合并，构造生成数据“评论均字数”，即：

评论均字数=（首次评论字数+二次评论字数）/2

最终，确定买家在线评价研究的三大量化指标为评论均字数、两次评论时隔、买家信用等级。

（三）基于RFM模型改进买家人群聚类

RFM模型是衡量客户价值与客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买总体频率、花费金额三项指标来描述该客户的价值状况。在买家在线评价研究中，首先要通过三大量化指标对买家进行人群分类，因为分类之后再进行评论信息数据挖掘才有更好的特征显示。在进行人群分类时，通过研究发现，基于RFM模型改进的人群分类比系统聚类法效果更好，即两次评论时隔代表时间数量特征，为R维度；评论均字数代表评论质量特征，为F维度；买家信用等级代表效益特征，为M维度。传统RFM模型按照五等分进行买家人群划分，但相关研究发现，仅以20%进行机械划分并不能很好地代表顾客特征。接下来，将在研究基础上对新RFM指标进行合理划分。[14]

在R维度即两次评论时隔方面，收货40天追评前后有明显变化，考虑到前文表2中两次评论时隔的均值为8.6天，故对R进行三区间分组，结果见表3；在F维度即评论均字数方面，40字是很好的总体区分线，根据评论均字数的SPSS分组频率统计，0～9字的评论占比为21.1%，10～40字的占比为66.4%，40字以上的占比为11.6%，因此对F进行三区间分组，结果见表3；在M维度即买家信用等级方面，表2显示，范围为1～12级，均值为3.94，频率统计显示，1～3级占比为46.9%，4～6级占比为43.5%，故对M进行三区间分组，结果见表3。

RFM三区间分组确定后，对在线评价买家分别按照R、F、M参数分组，假设某个客户分别属于R1、F3、M2三个组，则可以得到该在线评论买家的RFM代码为132。RFM代码相同的买家人群具有一定的相似特性，能够更好地进行聚类研究。

表4 显示了不同类型买家人群的用户数以及频率。受本次数据爬取量的限制，出现了一些买家人群用户数较少的情况，为使分析更具有代表性，在下面的不同买家人群细分研究中仅选取111、222、211、212四类数据量较大的人群开展研究，其他类别有待数据量提升后再参照同类方法进行研究。[15]

（四）基于中文分词的买家在线评价属性情感等数据挖掘

首先，利用Python程序语言调用NLPIR2016分词系统处理买家在线评价，形成分词结果和高频关键词统计；其次，选择高频词语，在高频词表中归纳出所有买家的商品评论属性词、情感态度词；最后，对四类不同买家人群属性聚焦，基于四类买家群体属性词词频和群体人数制作雷达图，并根据雷达图进行属性情感分析。

1.利用Python程序语言调用NLPIR2016系统进行分词处理

在Python程序语言中调用中国科学院汉语分词系统NLPIR2016进行买家在线评价分词处理，其中调用用户字典对固定搭配进行组合切词，比如把“很不满意”中的“很不”作为一个否定词导入用户字典。同时，把一些无用词导入停用词文件，在分词中予以去除，比如将“选的”导入停用词文件，在分词中予以去除。利用Python程序语言调用NLPIR2016分词系统处理后的结果可参见表5。

利用NLPIR2016分词系统编写词频统计程序，统计结果参见表6。

2.中文分词处理及结果表达

分词处理之后选择高频词语，在高频词表中归纳出所有买家的商品评价属性词和情感态度词，其结果参见表7、表8。根据买家在线评价中属性词和情感态度词出现的人群比例制作雷达表，分析111、222、211、212四类买家人群的聚焦点。

3.四类不同买家人群的在线评价聚焦点

在四类不同买家人群属性聚焦方面，对总词频VLOOKUP和数据透视图进行处理，得到表9所示的四类买家群体根据属性词分类的相应频数及对应群体买家数，进而以频数除以买家数求得的频率为基础，得到四类不同买家人群的属性聚焦点雷达图（图2）。

图2 显示，四类人群选购碧根果产品后的属性评论聚焦点呈现出一些明显特征。在四类人群中，口味是首要因素，说明消费者在坚果类产品选购及购后食用中非常关注口味，这一点事关产品的直接销售，商家需要予以特别关注。服务和物流紧随

其后，但在不同群体中有所分化。服务聚集点方面的排序为212、211、222、111，说明111群体对服务聚焦程度低，商家要针对该群体调整自己的服务策略，减小服务投入力度，同时为212人群提供更好的服务以抓住此类用户，而不能再像之前那样“一视同仁”了。此外，价格、质量、活动、包装、用途也是购后评论的焦点，且价格和质量关注度稍高，但在不同的人群中有所不同。[16]

图2 显示，111群体各项属性评论均处于低点，说明该群体可能属于网络购物新手，其选购和购后聚焦点尚处于尝试阶段，要求较低，随着选购经验的增加，今后有可能变成属性聚焦点较高的212或211人群。

图3 为四类人群购后评论情感聚焦雷达图。图3中四类人群的图形形状大体相似，说明其情感聚焦点大致相同。其中，消费类褒义词、满意类褒义词是主要表达因素，消费类贬义词、满意类贬义词数值较低，行动类指标数值较高，说明四类人群中的大部分均表达了再次购买的意愿。此外，从指标上也可以发现，111人群情感参与程度低，211、212、222三类人群的情感反应存在一定程度的重合。[17]

本文以天猫网上销售的碧根果产品为研究对象，对买家在线评价中的首次评论时间、首次评论内容、两次评论时隔、二次评论内容、买家信用等级、采集时间等属性进行数据爬取，并利用基于RFM模型改进的人群分类，选取111、222、211、212四类数据量较大的人群进行研究，分析四类人群选购碧根果产品后属性评论的聚焦点，并绘制四类人群的购后评论情感聚焦雷达图。研究结果表明，四类人群选购碧根果产品后属性评论的聚焦点呈现出一些明显的特征，其评论焦点依次为：口味、服务和物流、价格、质量、活动、包装和用途。四类人群的情感聚焦点大致相同，其中消费类褒义词、满意类褒义词是主要表达因素，消费类贬义词、满意类贬义词数值较低，行动类指标数值较高，说明四类人群中的大部分均表达了再次购买的意愿。

（一）理论意义

首先，本文对买家在线评论进行中文分词，利用Python程序语言调用中国科学院汉语分词系统NLPIR2016，在电商购后评价中取得了非常显著的分词效果。买家在线评论中文分词的成功实施，有助于进一步开展买家在线评论的文本挖掘和深度学习，从中发现更多的理论研究及商业参考价值。同时，也可应用于其他领域互联网信息的中文分析，提升信息利用效率。

其次，本文提出的改进RFM模型较为动态地展示了某类客户的全部轮廓，对个性化网络营销和服务提供了比较直观的参考和依据。同时，RFM模型能够较为精确地判断某类客户的长期价值（甚至是终身价值），通过改善R、F、M三项指标的状况，可为电子商务企业提供更多的营销决策支持，并大大丰富RFM模型相关理论研究。

其三，将雷达图应用于不同人群在线评价情感聚焦分析。雷达图通常用于企业财务、个人账务管理及投资理财等方面，而本文将雷达图应用于复杂多变的消费者在线评价情感聚焦分析，并取得了较好的效果，项目对比更加直观明了。这一方面拓宽了雷达图的适用研究范围，另一方面为电子商务企业营销实践提供了更加具体、更加实用的参考和借鉴。

（二）实践意义

首先，在天猫官网搜索“坚果”一词，月销量排名第一的就是“碧根果”。作为近年来互联网销售的“网红”产品，碧根果属于典型的坚果类产品，对其线上用户及评价进行研究，能够在一定程度上代表同品类产品。因此，本文通过对碧根果的研究，可进一步明确坚果类产品中消费者在线评价的聚焦点，即消费者对口味、服务和物流、价格、质量、活动、包装和用途等因素的敏感程度，对天猫网坚果类产品卖家具有十分重要的实践意义，可指导它们调整产品、营销、推广策略等。

其次，进一步拓展电商购物影响因素研究中的相关变量。以往的影响因素研究主要以人口统计变量、消费者个人特征为主，并逐步融入信用和安全影响因素，而这些

主要体现在售前和售中研究上。与此同时，随着选择的增加，现实中影响网络购物决策的因素越来越多，而文献分析表明，以往的影响因素研究缺少买家售后因素。本文以买家在线评论为切入点，借助中文分词、RFM改进模型和情感聚焦雷达图研究买家售后关注因素，可指导售前、售中决策，使在线购物更加理性化，具有一定的现实意义。

其三，本文拓展了RFM模型和雷达图在电子商务客户关系管理中的应用范围。使用RFM模型对买家进行人群分类，能够抓住各类特征人群的需求，有针对性地制定相应的营销和服务策略，提升买家满意度和忠诚度；利用雷达图展示各类型用户情感聚焦，能够指导企业寻找发展机会，从而改善运营管理，提高市场占有率。

（三）研究启示与展望

根据以上对买家在线评价的购后评价特征数据的分析，可以得到如下启示：

其一，在线评论中有不同类型的买家，主要买家关注的因素大体相同，但略有差异，即关注口味、服务和物流的最多，但各类型买家对相关因素的关注度不一。同时，主要买家购后评论情感聚焦点也基本一致，但参与程度存在差异。卖家在服务过程中，应根据属性及情感聚焦点的不同提供差异化营销和服务，投入相应的人力物力财力，降低客户获取及保留成本。

其二，通过在线评论挖掘可以发现，在碧根果产品买家在线评论的属性情感因素中，口味是第一类别。碧根果作为食品类消费品，充分验证了“民以食为天，食以味为先”的说法。因此，主营碧根果等坚果类产品的电商店铺首先应当关注口味因素，因为这是此类产品的核心竞争力，也是买家所给出的评价中最直观的利益表达点。当然，这对其他食品类产品的消费也具有一定借鉴意义。在食品类电商企业竞争日益加剧的当下，品类的拓展对市场份额的增加以及会员的保留至关重要，很多以坚果起步的企业都在逐步将品类拓展至零食、粮油米面等。对坚果类产品进行在线评论挖掘所得到的相关结论可应用于食品类产品的研究中。

其三，店铺动态评分（DSR）由产品描述相符度、物流服务、客户服务态度构成，是影响卖家自然流量、转化率及活动运营的重要依据。根据本文得到的相关结论，碧根果产品买家对服务和物流因素关注度很高，符合平台对卖家的评价标准。对经营坚果类乃至食品类产品的电商卖家而言，除了要控制好产品的口味以外，制定客户服务标准并实施个性化服务也至关重要，只有服务至上才能走得长远。此外，选择那些能够为自身加分的物流服务提供商（或自身承担物流）也很关键，物流服务既要关注速度，也要关注产品的完整无损性以及服务的及时性。以上两个方面均值得电商店铺关注和加强。

其四，在买家关注的其他属性情感因素中，价格因素依然坚挺，是其消费过程中不可或缺的参考点。随着竞争压力的增加，把握产品毛利率、降低客户获取成本是各卖家应当着力实现的目标。另外，质量、活动、包装及用途等均出现在买家评论中，也值得卖家关注，因为细节决定成败。确保产品良好过硬的质量、提升促销感知力度、更新完善包装、拓展产品用途，均能增加顾客让渡价值，赢得更高的满意度和忠诚度。

其五，对现阶段碧根果买家在线评论的挖掘表明，买家对电商碧根果产品总体处于满意状态，多数均表达了再次购买的意愿，这是值得肯定的。而与此同时，也要注意到那些不是经常出现的差评、口味差、失望等负面在线评论。卖家应提高警惕，随时收集相关信息，追本溯源，查清责任方，有针对性地解决相关问题，减少负面评价，推动整个行业良性发展。

其六，对买家而言，应在线上购物信息搜索阶段，参考其他买家评价，收集整理自己较为关注的问题，提升决策的有效性。当然，这同样适用于其他品类产品的购买，信息的透明性和公开性可推动购物的理性化。

本文在电商买家在线评论属性和情感研究方面取得了一些进展，但仍然存在很大的研究空间。例如，可进一步增加买家在线评论数据量，并以月为单位形成时间序列

数据，以此在更大范围内进行拓展研究；可以月为单位研究属性和情感的变化，从而帮助卖家更好地把握趋势及相关影响因素；受数据量限制，本研究仅仅研究了四类人群，今后随着数据量的增加，也可针对其他类别开展类似研究，由此帮助卖家更好地了解不同买家之间的差别，并进行更为精准化的营销；可重点关注品类的延伸，以此扩大研究的应用范围，为更多卖家提供参考。

【相关文献】

[1]DAVIS F ved usefulness：perceive dease of use and user acceptance of

information technology[J].MIS quarterly，1989，13（3）：319-340.

[2]GRAZIOLI S，JARVENPAA S of internet fraud：an empirical investigation of

deception and trust with experi?enced internet consumers[J].IEEE transactions on systems

man and cybernetics—— Part A：Systems and humans，2000，30（4）：395-410.

[3]范晓屏.网络购买环境中多线索对消费者购买意愿的影响研究——基于认知性线索框架[D].杭州：浙江大学，2015.

[4]RAMASWAMI S，STRADER T，BRETT inants of online channel use for

purchasing financial products[J].Inter?national journal of electronic commerce，2000（2）：95-118.

[5]王宇灿，袁勤俭.消费者在线评价参与意愿影响因素研究——以体验型商品为例[J].现代情报，2014（10）：166-173.

[6]LIMAYEM M，KHALIFA M，FRINI makes consum?ers buy from internet?a long-itudinal study of online shop?ping[J].IEEE transactions on systems man and cybernet?ics——Part A：Systems and humans，2000，30（4）：421-432.

[7]张欣.浅析在线评价对消费者购买的影响[J].知识经济，2016（1）：98-100.

[8]朱琛.在线评价发布网站对消费者购买意愿影响的实证研究[J].科学决策，2016（4）：78-94.

[9]VERMEULEN I E，SEEGERS and tested：the im?pact of online hotel review

consumer con side ration[J].Tour?ism management，2009（1）：123-127.

[10]KUSUMASONDJAJA S，SHANKA T，MARCHEGIANI ility of online reviews and

initial trust：the roles of re?viewer’s identity and review valence[J].Journal of vacation

marketing，2012（3）：185-195.

[11]高宝俊，王寒凝，黄瑱，等.在线评价系统对商品销售的影响分析——基于京东和天猫的数据[J].价格理论与实践，2015（8）：103-105.

[12]赵志阳.交易网站在线评论对商品销售的影响研究[D].北京：北京邮电大学，2013.

[13]唐晓波，肖璐.基于情感分析的评论挖掘模型研究[J].情报理论与实践，2013（7）：100-105.

[14]赵萌，齐佳音.基于购买行为RFM及评论行为RFMP模型的客户终身价值研究[J].统计与信息论坛，2014（9）：91-98.

[15]刘寅，关志新，王缇.基于“数量—质量—效益”的金融产品客户细分——一个改进的RFM模型[J].海南金融，2015（12）：21-24.