基于ARIMA模型的后疫情時代智能家居企業分析

摘 要：智能家居配飾行業作為一個前景廣闊的新興行業，其發展一直受到業內人士的高度重視。本研究項目基于“刺激-機體-反應”的模型，研究智能家居企業營銷對消費者購買意愿的直接與間接影響，從消費心理學、個性化定制、認知度等視角對其做出相應的研究報告，力求研究各變量之間的關系和影響程度，從而確定如何針對疫情做出調整。文章從企業營銷、產品影響、情感感受、利益感知等維度，結合新一代的消費觀念和理念，制定明確的目標來進行有效的市場營銷，并構造ARIMA模型進行市場前景預測。

關鍵詞：AR時間序列;刺激反映模型;動態規劃

中圖分類號：F22;F713.55文獻標識碼：A 文章編號：1005-6432（2022）11-0103-04

DOI：10.13939/j.cnki.zgsc.2022.11.103

1 引言

智能家居主要是以現有的房屋設備為基礎，通過集成網絡布線、互聯網通信、安全風險預警、自動控制、傳感器、語音視頻、人體工程等諸多方面的科學技術，將現代社會生活中家電設備和物業系統進行有效集成，以實現高效且現代化的住房設施建設和家庭日程事項管理，從而讓家更安全、更方便，既環保又節能。由于居民生活水平以及消費能力的提高，空間的珍貴，新需求的增長和信息技術的發展會引起社會的巨大變化，越來越多的人開始偏愛智能家居。

2016年中國家居行業市場研究報告網（CNBC）發布2019年中國國內智能家居行業發展市場分析現狀研究及未來發展趨勢研究分析報告數據結果顯示，這一行業在中國雖然剛剛起步，但是發展的速度是非?？斓摹?/p>

本文在一定程度上彌補了有關智能家居企業的營銷方面在消費者購物意愿中產生的影響方面所存在的缺陷?；趯χ悄芗揖酉嚓P文獻的梳理發現，相關研究大多數是從智能家居的功能性角度出發尋找解決途徑，較少從消費者的視角出發進行研究和分析。本研究將社會支持和消費者需求與智能家居理論相結合，基于現有的智能家居存在的問題提出解決方法與對策。從消費者的視角出發并結合實際對智能家居的銷售問題進行了研究，可以充實有關智能家居營銷方面的文獻。

2 背景分析

本研究在全面回顧相關文獻的基礎上，構建了以影響企業營銷的因素為自變量，以影響消費者購買意愿的因素為變量，以心理距離為中介變量的“刺激性反應”模型。其中，影響企業營銷的因素有三個：產品因素、服務因素和體驗因素。心理距離因子由兩個維度構成：情感感受和興趣感知。從文獻回顧的過程中可以發現，每個變量都有其內在的聯系和邏輯。同時，結合智能家居產品的特點，比如智能家居產品實時采集和更新消費者生活方式數據，以及消費者對自身隱私和安全的考慮，這些都應該體現在公司的營銷上。每個變量維度的具體含義如下。

第一，企業營銷因素。企業在營銷過程中控制和影響消費者的各種因素。

第二，產品影響因素。一般來說，影響產品質量的傳統因素主要用來描述與其他產品相關的質量。在價格、設計、性能、包裝、信息呈現等一系列與產品推廣和功能相關的因素中，智能家居產品由于其特殊性，在產品要素設計的過程中可靠性和安全性都得到了提高。

第三，衡量因素。主要是指過程中的經驗。除了傳統研究中的購物環境體驗，比如消費者在一系列類似場景中的體驗，還包括消費者對產品功能的理解，比如消費者對智能家居周邊體驗廳的體驗、現場操作樣品等體驗室裝修綜合體驗活動，如物質語境、氛圍、社會語境等，還包括智能家居產品體驗。智能家居產品不同于普通家居產品，其在整個使用過程中始終處于動態更新的過程中。這里的更新是指數據本身帶來的更新和智能家居產品帶來的更新服務。消費者可以了解你的生活狀態和你生活中的變化。

第四，服務因素。這主要是指產品的服務活動，如產品安裝、調試、維修等后期服務，以及對整個產品、服務和企業的承諾，以確保他們能夠為實際行動付出代價。

第五，心理距離。這是指以自身為研究中心，以外部營銷環境為參照點的心理感受。它是人們在這個時間和地點的直接體驗，以及對外部營銷環境的理解所形成的主觀體驗。依靠邏輯和直覺及時創造心理材料或采取集體行動，實現人的情感和社會利益的全面統一，達到人的心理平衡的能力。

第六，情感感受。它意味著消費者的選擇取決于消費者對情感的渴望，這種情感得到了消費者所渴望的情感、所選擇的產品以及它所帶來的社會價值等社會群體的認可和贊譽。

第七，利益感知。它主要是指可以用來描述產品或服務的各種功能和價值。功能價值是指產品或品牌具有一定的功能特性，能夠滿足消費者使用功能的目的。人們可以獲得產品的功能價值和社會價值。它主要是指大企業對某一產品和信息服務的主觀價值認知，不同于其他企業產品和信息服務的客觀內在價值。

第八，消費者購買意愿。它是指消費者在做出購買決策時的主觀意愿，即消費者購買智能家居產品的可能性和主觀概率。

3 模型的建立研究

通過對國內外專家學者對企業營銷因素、心理距離、企業消費者購買意愿等問題的深入分析，得出各領域營銷的特點，以及影響企業營銷和心理距離的因素。以心理距離為中介變量，對公司營銷影響因素進行了研究。該項目的理論模型如圖1所示。

3.1 財務分析及其報告的可視化

將后疫情時代下的銷量數據可視化為柱狀圖，如圖2所示。

3.2 通過AR時間序列模型對未來企業預測

3.2.1 數據的處理和分析技術具體實施

數據的處理與分析通過層次分析法找出影響智能家居發展的因素并對其進行各級指標分類。由于已知網絡數據指標中的每個指標的單位不同，并且一些指標的值十分龐大，為消除變量間的量綱差異，進而進行標準化處理。

3.2.2 AR時間序列模型具體實施

針對本項目構造ARIMA模型，為確定時間序列是ABMA序列進行模型的識別與定階，判斷是AR（p）， MA（q）， ARMA（p，q）模型的類別，并估計階數p，q。定階模型后，對模型參數進行估計。完成參數估計后，進行檢驗，檢驗t、 ε是否確定為白噪聲序列。

從而可得到未來一段時間內的智能家居預估走勢。

3.2.3 卡方檢驗法具體實施思路

x2值代表了觀測值與理論值之間的相對性和偏差。計算該偏離度的一個根本思路是以下內容。

（1）殘差假定。首先可以將其設計為a分別代表某一種預測類別的宏觀預測和期望觀察偏差頻數，e分別代表基于a和h0計算方法得出的期望預測值和期望觀察頻數，a與a和e之間的預測偏差函數叫作預測殘差。

（2）顯然，殘差可以用來表示某一個類別的觀測值和其他理論觀測值的偏移程度，但如果把這個殘差簡單地加以來表示各個類別的觀測頻數和其期望值之間的差異，則存在一定的不足之處。因為這兩條殘差都是有正或者無負，相互乘積后會彼此得到抵消，總和仍然是0，為此可以在殘差得到平方后進行求和。

（3）殘差的預測大小同時也是一個具有相對性的預測概念，相對于實際預測中的期望期求頻數大約為10時，預測中的期望期求頻數大約為20的預測殘差非常大，但是相對于實際預測中的期望期求頻數大約為1000時20的預測殘差就很小。鑒于此，把兩個殘差中的平方部分去掉，用余部分進行乘積后求和，以便于估算并得出所需要觀測到的頻數和實際預期觀測頻數之間的細微差異。

經過上述幾個步驟和計算操作之后，就可以得到常用的皮亞森χ2統計和測量，由于它最初估計是由來自英國的著名統計學家卡爾·皮亞森在1900年首次通過發明和研究提出的，因此也有人將其稱為皮亞森χ2，其有關統計和測量的基本計算公式如下：

文中，Ai是低于i-平均水平的長期預測頻數以及固定觀察概率的頻數，Ei是低于i-平均水平的短期預測的頻數和固定期望觀察到的頻數，n是總觀察頻數，Pi是高于i-平均水平的長期預測的觀察頻率和固定期望的觀察頻率。i是水平單位期望速度頻數，Ei和n等于總期望頻數i=n×ii是水平單位期望頻度概率函數Pi，k為水平單位貝爾格林函數。

3.3 實銷預測結果

筆者根據時間序列模型所預測的實銷結果如圖3所示。

4 結論及分析

4.1 后疫情時代下智能家居的建議及干預政策

一是輔助醫療生活技術，例如健康狀態監控傳感器和健身追溯儀，以及可與醫學護理人員和醫療機構的專業人士進行視頻交流的智能顯示器;二是通過手機語音監視器來幫助使用者避免任何觸摸到物體，比如智能照明燈具;三是可以是一種能夠讓人們保持一定距離的解決辦法，例如手機上的視頻和門鈴;四是能夠通過不斷采取一些新的預防措施來有效控制當前的病毒疫情及未來防止病毒傳播的防護裝置，例如使用空氣系統中的空氣凈化器;五是能夠支撐聚合式功能和在多種領域服務于各類應用的高級科學家技術，比如 AI 和智能音箱;六是消費者還有“零接觸”的自安裝解決方案的興趣至關重要。智能家居行業市場的供應商和服務提供者需要更多地專注于設備的安裝流程，而實現“即插即用”型的解決方案。與此同時，伴隨著保持人際社會距離的趨勢，它們將必然地不得不針對其他嚴重依靠專業化安裝服務（如智能恒溫器和智能化門鎖）的問題進行重新設計和規劃的市場戰略。

4.2 結論與分析

此次疫情所產生的另一個重大影響因素是，它將進一步加速現代社會中人們在如何改善自己的居家環境和健康等方面的積極性，與其他傳統的解決方案相比，更智能化的解決方案將繼續受到人們的青睞。也就是說，在家中等候的時間越長，越是需要注意如何保持自己的房間清潔，因此未來幾年，人們必須在一些可能發生的情況下來改善自己所居住的環境。掃地機器人、空氣凈化器及其他很多具備相關的家庭清洗功能的產品都會點燃消費者的興趣。如今，這些解決方案的優點和好處已經變得更加明顯;對這一行業領域的市場參與者而言，關鍵是他們能夠為其提供一種價格合理并且具備商務靈活性、支持分期付款等多種交易方式的解決辦法，從而使其在所有的非必要交易支出均可以受到約束或限制。

參考文獻：

[1]侯晶.訂單農業的契約關系研究：基于行為經濟學視角[M].北京：社會科學文獻出版社，2020.

[2]鄒玉瑩.基于機器學習的票據轉貼現利率預測研究[D].南昌：江西財經大學，2020.

[3]朱麗云 .基于Logistic模型的商業銀行信用風險分析[J].品牌研究，2019，（19）：17-18.

[4]GUOSHUN MA， CHONGHUI MA. Evolutionary game analysis of campus credit strategy selection under incomplete information conditions[J]. Journal of world economic research，2020，9（1）.

[5]趙嬌羽.商業銀行信貸投放策略與風險防控措施[J].現代企業，2020（1）：100-101.

[作者簡介]折遠菲（1999—），女，漢族，就讀于內蒙古大學，本科，工商管理專業。