基于在線品牌社區意見領袖的用戶關鍵需求挖掘

申 彥,劉春華

(1.江蘇大學 信息管理與信息系統系,江蘇 鎮江 212013;2.江蘇大學 計算機科學與通信工程學院,江蘇 鎮江 212013)

0 引 言

隨著社會的快速發展與技術的不斷進步,產品迭代更新周期越來越短,用戶需求也在快速發生變化。企業要想在不斷變化的市場中占據優勢,就必須深刻理解和把握用戶的需求,并將其作為產品改進和提升的依據,快速響應動態變化的用戶需求。

互聯網時代的到來,催生了大量的社交平臺。為了聚焦品牌,維護客戶關系管理,企業紛紛創建了自身品牌專屬的社交平臺即在線品牌社區。從在線品牌社區中的海量用戶及其評論信息中快速捕獲用戶關鍵需求成為了企業新的挑戰與機遇。

KANO模型是根據馬斯洛需求層次理論,研究需求與滿意度的經典模型,然而其需求挖掘過程融入了過多調查人員的主觀性[1-2]。在線品牌社區中的海量評論是用戶關切的重要表達,已成為用戶關鍵需求獲取的重要渠道,彌補了KANO模型主觀性強的不足。因此,該文從“雙關鍵性”即用戶的關鍵性和需求的關鍵性雙角度出發,提出了一種基于在線品牌社區意見領袖的用戶關鍵需求挖掘方法(Users’ Key Demands Mining Based on the Opinion Leaders in Online Band Community),簡稱KEY-DEMANDS-OL,快速捕獲用戶關鍵需求,其主要貢獻如下:

(1)克服KANO模型主觀性較強的不足,利用客觀評論大數據獲取用戶需求。

(2)構建了在線品牌社區意見領袖識別指標體系,通過意見領袖評論大數據獲取用戶關鍵需求。

(3)在貝葉斯情感極性分類時考慮了程度副詞的語義,進一步精確了用戶評論情感極性的分類。

1 相關研究工作

現有用戶需求挖掘方法可依據是否考慮了需求類別劃分為兩類[3]。

未考慮需求類別的用戶需求挖掘方法一般會將關注度高、情感程度低的產品特征直接作為用戶需求。李賀等[4]對在線手機評論進行評論主題及產品特征挖掘,有效識別了用戶需求要素。吳東勝等[5]結合觀點值和關注值構建了產品的需求挖掘模型。紀雪等[6]則根據產品屬性的平均滿意程度來輔助確定新產品的開發需求。鄧昭等[7]依據關鍵詞的權重排序來輔助汽車儀表盤的設計。此外,張國方等[8]使用BERT模型對汽車之家在線口碑進行了情感分析,挖掘出了用戶的需求。

考慮了需求類別的用戶需求挖掘方法是將各產品特征的情感值與KANO模型中的各需求類型進行匹配,分類別挖掘用戶需求。白濤等[9]提出了一種利用模糊KANO模型來進行用戶需求分類和重要性統計的方法,并驗證了方法有效性。Wu等[10]利用改進的模糊KANO問卷對用戶需求進行了優先級排序。胡東方等[11]提出了基于KANO的工程特征映射模型和基于人工免疫系統的產品設計模型,設計滿足顧客需求的產品方案。徐海麗等[12]利用文本挖掘,建立屬性情感值與KANO模型的聯系,獲得用戶的需求類別。Shwetank等[13]將KANO模型和QFD方法整合,對用戶需求進行了分類。

通過梳理可發現,大多數研究仍采用的是主觀性較強的KANO問卷,亟需研究出一種能夠自動整合用戶生成內容和KANO模型進行需求分類的高效用戶需求挖掘方法,為企業提供決策支持。

2 KEY-DEMANDS-OL的具體步驟

在數據源方面,KEY-DEMANDS-OL沒有使用主觀性較強的KANO問卷,而選擇了在線品牌社區的海量用戶評論;在初始改進率方面,KEY-DEMANDS-OL在考慮情感極性的同時,增加了情感程度,豐富了需求分類語義,具體步驟如下所示。

2.1 在線品牌社區意見領袖的識別

2.1.1 識別指標體系構建

借鑒原欣偉等[14]、Li Y Y等[15]、祝琳琳等[16]的研究,經過對當前在線品牌社區特征的分析,從用戶的行為特征和內容特征兩個角度,KEY-DEMANDS-OL最終確立了5項一級指標和14項二級指標,具體如表1所示。

表1 意見領袖識別指標

2.1.2 意見領袖識別方法

(1)基于熵權法的指標權重確定。

假設被評價對象如用戶共M個,其中每個被評價對象的評價指標共有N個,則指標數據集可以用矩陣L表示,其中L=(L1,L2,…,Lm,…,LM),每個被評價對象可以表示為Lm=(lm1,lm2,…,lmn,…,lmN)。其中m=1,2,…,M,n=1,2,…,N。

(a)對數據進行標準化處理,如式1。

(1)

(b)分別對各指標下各個被評價主體指標值的占比pmn進行計算,如式2所示。

(2)

利用式3和式4計算第n個指標的熵值Hn。p表示指標的信息熵系數。

(3)

(4)

(c)計算得出第n個指標的熵權值,如式5。

(5)

其中,ω(n)表示第n個指標的權重系數。n個指標的權重滿足式6。

(6)

(2)基于灰色關聯分析的意見領袖影響力計算。

設X0表示意見領袖代表的理想指標序列,為參考序列,Xi表示用戶的實際指標數列:

(a)對參考序列X0和比較序列Xi進行確定。設原始數據集合X如式7所示。

(7)

其中,m為用戶總數,n為指標總數。參考序列為X0=(X01,X02,…,X0j,…,X0n),比較序列為Xi=(Xi1,Xi2,…,Xij,…,Xin),i=1,2,…,m;j=1,2,…,n。

(b)原始數據集進行無量綱標準化處理,如式1所示。得到的標準化后的數據集合X'如式8所示。

(8)

(c)根據標準化后的指標集合和參考序列X0進行絕對差值計算,如式9所示。

(9)

(d)對灰色關聯系數進行計算,如式10所示。

(10)

(e)計算各個指標的加權灰色關聯度。用到灰色關聯度將分散的灰色關聯系數ξij綜合到一個數值上以便比較。具體計算如式11所示。

(11)

(12)

其中,ω(j)表示第j個指標的權重,指標的權重和滿足式12。

根據熵權法和灰色關聯分析法計算每個用戶的灰色關聯度,確定用戶影響力,識別出意見領袖。

2.2 用戶關鍵需求挖掘

2.2.1 用戶需求特征提取

評論中詞語的詞性和詞語的頻率決定了該詞能否成為關鍵詞。此外,名詞和動詞更能表達句子的核心含義,應作為核心關鍵詞;副詞表示程度,可用于情感程度的計算。因此,詞頻統計以及詞性識別是根據用戶評論挖掘用戶需求的關鍵。

在識別在線品牌社區意見領袖的基礎上,對其發表的評論進行詞頻的統計與詞性的識別。保留其中的名詞n、動詞v以及副詞adv并且統計其詞頻,代表該評論的核心關鍵,作為意見領袖代表的需求特征。經過處理的意見領袖的評論輸入情感分析模塊,進行基于貝葉斯的需求滿足度計算。

2.2.2 基于貝葉斯的需求滿足度計算

用戶的評論實際上反映了用戶對產品需求的滿足程度,因此,用戶的實際需求可以通過對用戶評論的分析來挖掘,用戶的需求滿足度也可通過對評論的情感極性判斷和情感程度的計算獲得。詳細計算過程如下:

(1)基于貝葉斯的需求極性計算。

采用貝葉斯模型判斷極性,具體的計算方法如下:

根據全概率公式進一步化簡上式可得:

(13)

(2)情感程度計算。

采用哈工大的情感程度詞表,依據副詞表達的情感強烈程度,將情感程度劃分成5個等級,詳細內容如表2所示。在對意見領袖評論的情感程度進行計算時,依據其需求特征提取時保留的副詞所對應的程度等級對滿足度進行加權,詳細計算過程如式14所示。

表2 情感程度量化

(14)

(15)

2.2.3 需求分類

KANO模型將需求分為了期望型、魅力型、基本型、無關型和反向型五類。當前在實際的生產運營過程中通常只考慮用戶的期望型需求、魅力型需求、基本型需求和無關型需求四種[19-20]。

所提KEY-DEMANDS-OL方法在傳統用戶需求分類挖掘方法的基礎上進行了改進,沒有利用主觀設計的調查問卷,而是利用在線品牌社區中海量的用戶評論數據,識別代表性用戶即意見領袖,利用算法自動整合意見領袖的評論和KANO模型。此外,修正了用戶需求的初始改進率,增加考慮了情感程度,對用戶關鍵需求進行自動化的分類挖掘,詳細的計算過程如下:

(16)

(17)

(18)

(19)

(20)

(21)

(22)

最后,計算用戶需求特征fk的重要性Ifk,詳細的計算公式如下:

(23)

至此,可按計算所得的用戶需求特征的重要性排序Ifk獲得用戶關鍵需求。

3 實驗與結果分析

3.1 實驗數據的獲取與預處理

采用八爪魚對華為在線品牌社區——花粉俱樂部中的華為Mate40板塊進行數據采集。經過去除無效信息、去除重復信息等預處理后,最終得到包含1 000個用戶的22 572條評論與討論信息。KEY-DEMANDS-OL算法采用Python實現。

3.2 KEY-DEMANDS-OL結果分析

3.2.1 意見領袖識別結果

指標權重系數、關聯系數和意見領袖識別結果如表3～表5所示。實驗中,參考文獻[19-20],并依據帕累托法則,將影響力排名前20%的用戶作為意見領袖。

表3 指標權重系數

表4 指標相關系數

表5 意見領袖識別結果(Top10)

3.2.2 用戶關鍵需求分析

該步驟的數據來自于意見領袖的評論和討論信息。經過詞頻統計、詞性分析與詞語相似度檢驗,結合在線品牌社區評論組織結構及分類得到的用戶需求特征如表6所示。

表6 用戶需求特征

通過對情感極性以及基于貝葉斯的需求滿足程度的計算,結合KANO模型確定的用戶需求類別和重要性排列順序如圖1和表7所示。

圖1 關鍵需求分類結果

表7 用戶關鍵需求排序結果

從表7可以看出,分析得到的需求排序結果為:“外觀”“價格”“娛樂”“內存”“拍照”“電池”“屏幕”“系統”“安全”“配件”“網絡通訊”。結合KANO模型,從圖1可知,在11個用戶需求項中,魅力型需求一共有3個,包括“外觀”“價格”“娛樂”;期望型需求2個,包括“拍照”以及“內存”;基本型需求一共有6個,依次為“電池”“屏幕”“系統”“安全”“配件”和“網絡通訊”。根據表7中的用戶需求重要性排序及KANO模型可知,在進行產品改進時的先后順序依次應為:“電池”“屏幕”“系統”“安全”“配件”“網絡通訊”“拍照” “內存”“外觀”“價格”“娛樂”。

KEY-DEMANDS-OL捕獲的用戶關鍵需求對企業優化產品具有重要的啟示與指導。華為在推出Mate40時,提出了該款手機具有六大優勢即非凡性能、非凡設計、非凡影像、非凡快充、非凡體驗和非凡安全。針對此產品的基于在線品牌社區意見領袖的用戶關鍵需求挖掘結果的啟示及建議如下。

(1)魅力型需求包含了“外觀”“價格”和“娛樂”。這說明用戶對該款手機在這些方面的表現感到非常滿意,符合Mate40手機預設。魅力型需求是進一步吸引用戶,提升用戶滿意度和忠誠度的關鍵,企業在資源允許的條件下,應全力滿足用戶的魅力型需求,提高品牌競爭力。

(2)用戶的期望型需求包含了“拍照”和“內存”。這說明了“拍照”盡管是該款手機的賣點之一,但很多用戶在拍照時對相應的拍攝功能并不了解,沒有拍攝出應有的出色效果,造成了很多用戶的滿意度較低,使得該特征成為了用戶的期望型需求。此外,用戶期待非凡的體驗,需要手機大容量內存的支持,但當前產品內存提供仍顯得不足,“內存”亦是期望型需求之一。期望型需求是用戶需求的“癢處”,企業下一步急需對“拍照”這一功能加入新手指導模塊或者在拍攝過程中給與更多快捷方式的支持。同時,相比競品,進一步增大手機內存,促進其轉化為魅力型需求,提升用戶的滿意度。

(3)用戶的基本型需求包含了“電池”“屏幕”“系統”“安全”“配件”和“網絡通訊”。這說明了對于該款手機提出的非凡安全和非凡快充兩大亮點所對應的“安全”和“電池”兩個特征,并沒有讓用戶滿意,成為了基本型需求。其主要原因是該款手機的安全模式雖功能強大,但使用繁瑣。電池雖支持快充,性能優異但充電時發熱嚴重。此外,該款手機雖然采用了好看的瀑布屏設計、啟用最新的EMUI系統、贈品較多、支持5G信號,但也存在著屏幕綠屏嚴重、系統更新慢、贈品領取扣費和WIFI信號不穩定的問題,使得“屏幕”“系統”“配件”和“網絡通訊”四個特征成為了用戶的基本型需求。基本型需求是用戶需求的“痛點”,當需求被滿足時,用戶不會感到滿意,但當不被滿足時,用戶會很不滿意。因此,企業在追求極致功能的同時,也要時刻關注用戶的基本型需求,針對其不滿意點不斷進行產品優化和改進,促使其向期望型需求進行轉化。

3.3 對比分析

對比KEY-DEMANDS-OL和挖掘所有用戶信息的傳統方法的運行效率,記錄下兩種方法從載入數據到分析完成的時間,共10次,計算其平均值。因算法執行的絕對時間受計算機CPU及內存等性能參數影響,不同設備執行時間并不一致,為了更好體現所提方法優勢,同時給出了本次實驗不同方法運行時間的相對比值以及絕對值,如圖2所示。

圖2 運行時間對比

為驗證基于在線品牌社區意見領袖的用戶關鍵需求挖掘方法(KEY-DEMANDS-OL)的有效性,與挖掘所有用戶評論信息的傳統方法進行了對比分析,如表8所示。

表8 與傳統方法的對比分析

從表8中可以看出,在基于所有用戶評論挖掘的用戶需求重要性排名中,僅有“內存”“拍照”“娛樂”和“價格”4個需求與基于意見領袖挖掘的用戶需求重要性排序有所差異,但相差不超過1。而其余7個需求的重要性排名與基于意見領袖挖掘的需求重要性排名相同。實例分析的結果再次驗證了帕累托法則,即約20%的意見領袖代表了約80%的用戶關鍵需求,可通過意見領袖的識別,捕獲用戶關鍵需求。更為重要的是,KEY-DEMANDS-OL方法在進行需求挖掘時所需處理的數據量大幅降低,提高了用戶需求挖掘的時效性,且可以幫助企業從紛繁復雜,無代表性的海量用戶需求中解脫出來,通過意見領袖的代表性,聚焦用戶的關鍵需求,以精準優化產品。例如,在挖掘所有用戶評論獲取的前50大需求中,有諸如“首發處理器”“多用戶”“奢華”等長尾小眾需求。當然,小眾需求并不是不重要,而是主流關鍵需求須首先滿足。在這個前提之下,再在后續產品或者特色產品中考慮小眾需求。而KEY-DEMANDS-OL方法僅挖掘獲取意見領袖代表的主流關鍵需求,是當下產品要盡快解決的問題以及須改進的地方,因此能更加聚焦,快速發現用戶關鍵需求。

由實驗結果可知,KEY-DEMANDS-OL方法僅需分析約20%的意見領袖的信息,便可發現當下用戶的主流需求,大幅提高了用戶關鍵需求挖掘的執行效率,更加適合在當前產品迭代更新飛快、用戶需求多變的情況下對用戶關鍵需求進行快速追蹤。

4 結束語

從意見領袖和用戶關鍵需求著手,采用熵權法和灰色關聯分析法對意見領袖進行了識別,進而采用文本挖掘、情感分析以及KANO模型對用戶需求進行分類和排序,挖掘出代表性用戶的關鍵需求。針對實際案例對提出的方法進行了驗證,表明了所提KEY-DEMANDS-OL方法的實用性與有效性。該文為相關研究提供了一個用戶關鍵需求快速挖掘的方法,對產品的研發與改進提供了重要的定量參考與決策支持。此外,隨著在線品牌社區的更迭,在KEY-DEMANDS-OL方法的后續使用中,主體框架可保持不變,意見領袖識別指標體系可以進行調整,以適應不同的業務領域。誠然,KEY-DEMANDS-OL方法取得了一定的進展,但仍存不足,如在進行海量用戶評論處理時沒有很好地利用分布式計算框架,評論處理效率有待進一步提升。此外,在進行評論分析時上下文關聯語義考慮不足。筆者將在后續研究中持續關注,力求有新突破。