基于数据化管理视角的在线评论内容研究

【摘要】 电子商务发展的势头始终向好的同时，在线评论应运而生，许多企业都冀望能从在线评论中发掘出有用的信息为企业的相关决策提供支持。从实现企业数据化管理视角来看，在线评论应先被处理成能进行分析的数据指标，而后通过进一步的分析处理使之能直接作为企业决策的依据。企业之所以要研究在线评论，是因为这些评价能最直接表达消费者对整个购买过程的评价，本文基于消费者行为学中的费希本多属性态度模型理论，从在线评论中抽取了能表现消费者态度的要素，然后将这些要素进行数据化处理成为消费者态度的相关指标。最后，利用企业策略分析中常用的四象限分析方法，结合这些相关指标，进行四象限分析，以此作为企业商业决策依据。本研究选华为手机为研究对象进行实证研究，结果表明，通过对在线评论的文本挖掘处理，结合消费者态度模型，成功地完成了消费者态度相关指标的构建，最后结合优劣势矩阵，将量化结果进一步地运用在企业数据化管理的流程中，为企业决策提供了更多的有力支持。

【关键词】 在线评论；费希本多属性态度模型；文本挖掘；四象限分析法；

1 绪论

1.1选题背景

于中国人而言，2020年的春节无疑是极为难忘的，疫情爆发，武汉封城，所有居民都接受着严格的人口流动管制。也正是在这样的特殊背景之下，电子商务的重要性又一次地被凸显了出来。疫情管制时期，首当其冲的是如商场、餐饮企业等实体企业，场地、设备等产生的高昂的固定成本一度使许多的中小型企业遭遇了存亡危机。然而危机挑战出现的同时，机遇并无缺席。义务小商品市场在停滞近月后终得以开张，未能迎来往昔般汹涌的人流早已是商户们的意料中事，然而商家们并没有气馁，反而是积极拥抱变化。这些线下市场的经营者们马上想到了利用电子商务的新手段：直播来卖货。利用这一电子商务新形式克服无“人”困境，于逆境中打开了新的局面。此番困境中，电子商务凭其优越性又一次地带领商家们走出了绝境。

企业的环境时刻在动态变化，快销品牌P&G的CEO曾说：“企业组织需要通过不断地自我更新来适应环境的不断变化。如果企业终无法适应环境的改变，将会成为‘煮熟的青蛙’，无力再与其他企业竞争。”外界的宏观环境，如此次的疫情爆发，恰好验证了这点，义务小市场的商家们之所以能够敏锐而快速的找到直播卖货这一新的交易手段，究其原因总结为两点：一是这群久经考验的商家早已习惯了对环境的改变做出策应，而是他们始终牢记了不变的使命：满足消费者需求。

Margaret在其论文中表示，社交媒体是现代智能手机时代消费者耗费最多时间的应用集群，用户会习惯性地对其所拥有产品做出响应，这种响应的形式从数据格式上来看，往往是文本、图片和视频，而从产生者角度来看，消费者们反馈的信息属于区别于商家生成信息（FirmGenerated Content，FGC）的用户产生内容（User Generated Content，UGC）[1]。区别于网站方的内容，电商网站中最能实际体现消费者心理变化的内容，是由消费者亲自输入上传的用户在线评论[2]。在对在线评论的研究过程中，越来越多的学者发现消费者的潜意识当中会倾向于依赖电商平台中其他客户提供的关于产品和服务的信息，这说明了在线评论在电子商务过程中的强大力量和独特的说服力[3]。因此，由顾客产生的在线评论（Online Customer Review，OCR）是企业研究消费者的一个重点。

消费者获取信息习惯的改变对电子商务企业对而言是一个巨大的变化，没有企业会对这个变化熟视无睹最终把自己变成“煮熟”的青蛙，而是选择敏捷的跳出危险的环境，勇于自我更新。因此企业在运作思路上做出适应性的改变，对顾客的在线评论加以利用迫在眉睫，对文本数据的管理必须提上日程。

然而，随着在线评论的流行，不仅消费者，商家和电子商务平台同样都遇到了信息超载的问题（Information Overload），这无疑是参与电子商务的买卖双方想要利用在线评论发挥最大效用的一大阻碍。对于这一问题，Kwon和Kim等人[4]在其实验中发现，受试者没有感受到信息超载的同时，他们也很大程度上的忽略掉了在线评论中的有用信息。这就表明，无论受试者是否在主观上感受到了信息超载带来的困扰，实际上他们都不能有效地从在线评论中得到有用信息，比起信息超载这更可能会导致信息接收者做出带有偏差的决策，如何有效的从在线评论中获取信息成为了另一大问题。

此外，在现代化管理的今天，企业的管理模式从依赖过往经验作为决策依据转变为了依靠数据对问题进行分析研究从而在数据中找到决策的支点。在线评论体量之大、信息之丰富，若企业能够将这一文本数据纳入企业的管理运营过程中，将会为企业的决策带来更大的便利和更高的可靠性。对于在线评论，企业如何借助这一数据，发现、解决、追踪问题，开展科学的数据化管理模式，是企业研究的一大要务。

笔者基于上述背景展开此次课题研究。

1.2问题分析与解决思路

在线评论内容之丰富，涵盖了评论者对其评论对象在整个产品生命周期体现出的各个属性的评价内容[5]，如果企业能够实现在线评论的利用最大化，将会很大程度的提高企业决策的合理性和可靠性。企业数据化管理的目标，是要实现通过数据发现、追踪问题最后解决问题，结合这一目标，本文最终要研究的就是以在线评论数据为基点，利用在线评论发现企业产品的问题，并且能够实现长期追踪，进而解决。

数据分析：文本数据内容的处理分析。实现数据化管理的前提是数据的数字化，也就是如何处理在线评论这种非结构化的数据，进而找到一个方法能把评论变为可量化的数字。

最早可回溯至上个世纪初，内容分析方法（Content Analysis）这种半定量的文本分析方法就已经开始在营销领域被广泛地应用，该方法常用来分析营销过程中的信息要素，如营销侧重点和主要方式媒介。然而，这种方法要想对在线评论进行处理分析则显得低效笨拙。当我们面对的是海量的文本时，这种方法明显不适合。因此为了实现在线评论文本数据的高效转化，本研究借助了文本挖掘这一工具。

选择了工具之后，我们要将在线评论中的信息精炼为数值。

　　图1- 1文本分析对企业数据运营流程影响

　　以上图为例，文本分析的加入，丰富了用户画像的数据来源的同时更进一步的对企业营销策略制定提供了有力的支持。本研究正是希望通过将在线评论文本数据化从而帮助企业更好地了解消费者的信息，进而完善业务、运营、生产和营销等管理环节。在线评论中的信息是覆盖产品整个生命周期的，对于每一个阶段所体现出来的属性，如售前的渠道、产品设计，交付过程中的营销方式、价格，售后的配送等，消费者都有可能会形成他的态度并反映到在线评论中。关于消费者态度，学者Martin Fisherbin的态度模型由三个要素构成：一是，属性对象，二是这个对象在消费者心中的地位状况，三是消费者对这个属性的情感评价。这个模型的思路是先找到消费者讨论的对象，明确消费者的情感倾向，判断该对象在整个消费群体中的受关注程度。

本文将结合上述的费希本提出的态度模型，总结在线评论中的信息，再加以处理实现文本信息的数值化。

综上，这一部分的解决思路可总结为：

利用文本挖掘的方式对文本数据进行处理。将得到的数据转化成上述消费者态度的三要素。数据化管理实现：恰当地展示加工处理后的文本数据以达到在线评论数据化管理的目的。本研究最终的目标是形成一个能够发现问题、追踪问题进而解决问题的方法论，进而为企业决策提供依据。数据分析本身无法对企业产生效率和业绩，如果没能将数据分析的结果应用到企业的数据化管理流程中，数据分析在企业管理中将不具备任何意义。而数据化管理的目的是为了对业务进行监控、预警和预判。基于此，本研究解决的问题是找到一种方法实现这一目的，完善数据化管理流程。

在经济管理领域，从管理学经典的波士顿矩阵，再到现如今电子商务运营分析中常用的RFM客户价值模型，利用矩阵方法对不同维度的数据进行联合分析，从而达到精细化管理运营的目标已经成为了企业在进行运营管理时广泛使用的方法。

本研究从矩阵思维出发，在数据分析环节完成消费者信息量化后，将量化数据辅以四象限分析的思维加以处理分析，最终实现在线评论数据化管理的流程完善。

1.3研究目的和意义

理论研究角度：

本研究通过对在线评论进行文本挖掘，结合消费者行为学中的客体态度模型，既丰富了在线评论文本挖掘的研究，同时也为消费者行为学的研究新方法拓宽了思路。

一方面，本文对在线评论进行文本挖掘的过程丰富了中文语境下在线评论处理的研究。另一方面，在研究过程中，探索了在线评论基于消费者行为学的信息量化的新角度，是对市场营销领域消费者需求调研方式的一种开拓性尝试。

企业实践的角度：

在线评论是消费者和商家的一个信息重要来源，利用好其中的信息能给企业用户调研、消费者分析带来极大便利。于在线评论的愈发具有影响力的时代，完成在线评论数据到有用信息的转换，将这些信息用矩阵分析法处理后，实现企业数据化管理的完善，很大程度地提高电子商务相关企业工作的效率。

1.4研究流程图示

　　图1- 2研究流程图

　　本论文的研究内容是从在线评论数据集的获取为起点，通过将原始数据进行一系列的处理分析之后，结合费希本多属性态度模型，辅以四象限分析法最终将在线评论内容变成能作为企业商业决策依据的信息。

2 相关理论和文献综述

2.1 消费者购后行为与费希本多属性态度模型

要想从在线评论文本中择取出对企业有用的信息，首先得明确消费者在其在线评论中传达了什么内容。从消费者行为学的角度出发，消费者在网络购物平台留下评论属于消费者决策过程的最后一个步骤：购后行为。在这一步骤中，评价过程和消费者满意的分析能够帮助我们更好的找到评论中有用信息的所在。

消费者在平台处购买产品后，从下单那一刻起，消费者开始对其购买产品的功效和对应的服务表现将会形成感知。基本上在下单前会形成一个期望水平，根据实际情况或高或低，接着在产品和服务的使用过程中或者其后时间，消费者通过与最初的期望水平做对比，他会形成三种评价，如下图所示：

　　图1- 3

　　这三种评价直接决定了消费者日后对品牌的忠诚（Commitment）。由图可以看出，电子商务平台中消费者评论这个第一手资料，若能得知消费者的满意情况，就能够明确地预判消费者日后是否会形成回购行为。

在购买产品过程中消费者感知到的产品和服务的效用，与期望效用之间的差距能够成为决定消费者满意与否的关键因素，因此除了最终的消费者满意结果本身，效用的不同层面也理应被明确。比如在等待到货的过程中，快递时效会影响其满意，快递外包装和产品本身的包材会影响其满意，对产品的某一属性更有可能觉得其对整个购买的评价，但是根据消费者的不同关注度将有所差异，因此消费者是对哪一层面的效用产生的态度也是在线评论中的关键信息[6]。

综合以上，我们发现，消费者在其购后发生的行为中，会对产品产生评价，评价由两个维度要特别注意，一个是消费者满意的情况，另一个是各属性的被注意情况，这被费希本概括为了一个描述消费者态度的模型。

在态度的研究中，Fisherbin在其费希本客体态度模型（Object Attitude Model），或者多属性态度模型（Multi-attribute Attitude Model）总结了消费者对数个属性的信念（Belief）和喜恶评价（Affection）在形成其态度时是如何各司其职的。 在消费者行为学研究领域，以及营销研究人员群体中，这一模型总能获得他们的青睐。

费希本的基础模型认为消费者对一个产品的态度是其对该产品所有属性不同重要程度和满意程度的乘积之和：

　　这个公式中有三个要素：

第一个，n，是消费者对某个事物，即客体，表露出来的较为突出的信念。

第二个，b，是前述的信念的强度；

第三个，e，是对上述每个重要的客体属性的个人评价。

在传统的消费者态度调查研究当中，上述的要素量化方式主要是李克特量表(Likert Scale)，通过对消费者进行采访来完成。

采访过程中，市场营销调研人员常会采用的一种问题范式是“客观物体（Object）X具有属性Y的相对重要程度”。例如，若要确定消费者在多大程度上抱持着“华为手机有美颜功能重要”这一信念，亦即是上述的拥有的信念强度，实际研究数据采集过程，可以探询消费者认为“华为手机的美颜功能”这一属性的相对重要程度，令其在分值区间为1~10的量表上依据其笃定的程度选择相对于的值，数值越大笃信程度越大。

相同的，ei作为消费者对第i个属性的喜恶评价（Affection），亦能够借由相似方式做出估计。由此，我们能得知消费者关于的ei评价值。量表的分值为人为设置，一般设置为五级或七级。本研究中，对该项进行检测的量表简化为了三级，亦即是将这个量表的数值范围设置为1~3分[7]。

2.2 在线评论与相关研究综述

2.2.1在线评论相关定义

讨论在线评论之前，首先引入商品评价的概念，商品评价是指生产厂家、商家或者消费者根据具体商品的性能、规格、材质、使用寿命、外观等商品的内在价值设定一个可量化或定性的评价体系，由消费者对商品使用价值进行评价的过程[8]。而所谓的在线评论，就是电子商务平台中的商品评价。

用户在线评论的一个概念是用户在购买行为完毕后在电子商务网站平台上发表的对于产品和服务的评价[9]，亦有学者称之为网络口碑[10]。杜等人（2016）指出，在线评论是通过文本或者图片这些方式描述消费者对某种产品或服务的消费体验和感受，包括对产品或服务的正面、中立、负面或者是不相关的评价[11]。沈瑞[12]（2017）认为，在线评论是网络口碑的其中一种形式，是指消费者在消费行为发生后，通过文本、图片及评价等级等方式在网上发表的有关于相对应产品或者服务的包含其消费感受和体验的评论信息。

2.2.2中外学者关于在线评论的研究综述

随着在线评论在互联网上的大量涌现，有关于在线评论的研究也随之丰富了起来，其中，在线评论与消费者购买行为相互作用影响的研究为数最多[13][14]。

宏观层面来看，早期学者们对在线评论的研究，多聚焦于评论中展示的消费者的情感的极性、评论有用性、以及数量和质量等属性。

关于情感极性的研究，学者们众说纷纭，各持不同意见。有的学者认为，在消费者进行购物决策的过程当中，购买后消费者的评论体现出来的情绪对后续阅读到该评论的其余消费者无法产生显著的、可以通过实验测量复现的影响[15]，而不同于上述观点，亦有相关研究表明在线评论中的情感极性在消费者决定是否要进行购买时产生积极促进的作用[16]。也有研究发现表达负向、消极情感的评论往往比正面、积极的情感更能左右消费者的观感进而在消费者购买决策过程中产生影响力[17]。

关于有用性方面，Liu等从产品设计的视野出发，设立在线评论的有用性标准，建立了一套能够预测那些网上的评论的有用性可能[18]。

而关于数量和质量的研究，许多研究表明在线评论质量也是影响消费者行为的因素之一。Chevalier等人[19]认为在线评论质量的提升的同时该网站商品的销量也能得到提升。Park等人[20]则研究了在线购物不同特征与消费者购买行为之间的联系，通过对在网上书店消费的顾客进行调查，发现网站上的信息质量越高、内容越丰富、描述越能解答消费者的疑惑就越能促进消费者的购买行为。

在经历了对在线评论的上述各个属性的大量研究之后，随着文本挖掘技术的普及，众人的目光就移向了基于文本挖掘的研究，希冀借助文本挖掘这一手段发掘出蕴藏在用户发表在电商网站的在线评论中的更多信息。

HuM和Liu B藉由情感分析的手段，实现自动匹配文本评论中的产品特征及其对应的情感，进而分析出消费者产品各个构成特征的意见[21]。Morinaga等人定义了语法规则，基于该种规则，能够快速地从大量在线评论中挖掘某产品的声誉信息[22]。Lee和Bradlow在其论文中讲述了一种能够自动识别在线评论中的特征集并得出特征集中反映的情绪的一种算法[23]。肖桂秀以手机为研究对象，利用文本挖掘的方法，得出了用于评价手机质量的数个属性指标值，并分别确定各个指标所占的比重，再对评价指标进行情感分析，接着通过构造模糊综合评价模型对选择的样本手机进行综合评价[24]。

情感分析(Sentiment Analysis)是指对服务、事件、舆论、产品等这些情感色彩比较浓重的主观性文本[25]。进行分析、处理、归纳以及推理的过程。根据研究目的的不同，学者在研究时一般会把情感分析研究分为情感极性分析、情感强度分析以及主观分析等不同种类。本文研究的主要内容是基于前述的态度模型分析在网上购物的消费者于在线评论中展现的对其所购买使用的手机的不同属性的情感倾向和情绪偏向，即对情感强度进行判断分类。

情感分析的作用是根据既定的文本片段，根据长短可分为粗粒度的长段落和细粒度的短句子、短语或词汇，判断这些文本片段中展现出来的内容产生者的情感偏向，通常可分为正面、负面和中性[26]。现在用于情感分析最为普遍的方法有两种，一种是通过机器学习来进行情感分析，一种是利用字典来进行情感分析。

利用机器学习方法进行情感分析的研究中，主要用的是有监督的机器学习方式。常见且能获得较高准确率的机器学习算法主要有：朴素贝叶斯分类算法、支撑向量机算法（Support Vector Machine）、KNN 算法、神经网络算法等。如Whitelaw[27]等人利用支撑向量机的方法构建正面和负面评论的二分类分类器。唐慧丰[28]则对朴素贝叶斯、KNN、SVM等几种分类算法进行比较，以实证的方法，。清晰而又直截了当地证明支撑向量机算法在情感分类应用中的高效率、高准确率。

另一种常用的情感分析方法是建立情感字典的方法，这是给文本情感进行分类的较为方便的一种方法，主要思路是对文档中表达正面情绪和负面情绪的词条进行技术。有研究者已经提出了很多表达情绪的词条的集合，其中如本研究所涉及的中文文本领域常用到的由X大学整理编撰的中文词典 “NTUSD”。

机器学习的算法虽然具有较为成熟且具有高准确性的特点，但如果要使用支撑向量机这种算法构建分类器，要事先给大量的数据集打标才能完成分类器的训练，考虑到现实因素，笔者最终决定借诸情感字典的方法完成本研究的情感分析部分。

3 基于在线评论数据的消费者态度量化分析

在企业数据化管理过程中，构建指标是至关重要的，同时根据消费者行为学的观点，在线评论中往往能体现的消费者态度，因此本论文基于费希本多属性态度模型理论选择了决定消费者态度的关键因素做为指标：重要属性对应的受重视程度和满意程度。本节内容通过对选取的样本—京东平台的华为手机在线评论进行文本分析的处理，将在线评论量化成构成消费者态度的三个要素，从而完成消费者态度指标的构建过程。

3.1 本章节流程图

　　图3- 1基于在线评论数据的消费者态度量化分析流程图

　　3.2 评论数据采集

3.2.1 数据选择

并不是所有的在线评论都在消费者心目中具有可信度，同样的企业也要选择有公信力的数据来源。在线评论左右消费者购买决策的能力，很大程度上来自于在线评论本身的完整性和丰富度[29][30][31](Petty & Brinol, 2012; Petty & Cacioppo, 1981; Wathen & Burkell, 2002)。据此，本文将选用京东在线商城这一购物平台作为数据来源。京东作为国内最大的网上购物平台之一，其口碑和销量方面在近些年都取得了很大的成功，另外，京东对于购买评论有较为规范的限制和要求，能保障其内容具有一定的可靠性。

智能手机市场的竞争强度与日俱增，对于相关的公司而言，只基于用户订单相关数据获取得到的信息远远不够，更多维度的得悉消费者信息是企业必须攻克的任务。UGC时代，在线评论中丰富而广泛的用户内容使得这一任务变得容易实现，而在繁多的品类中，搜索型商品所能提供的有用信息更易被分析利用，因此本文将选取华为手机这一搜索型商品作为主要研究对象。如今的社会，没有智能手机几乎无法正常的生活，而在品牌众多的国内智能手机市场当中，华为毋庸置疑地是倍受瞩目的。不管是因其作为5G的主导者，抑或是该品牌在海外遭受的不平等待遇激起了国人的爱国情怀，刮起了购买华为手机的新风潮，这都能说明华为在现在的国内智能手机市场的独特地位。

3.2.2 数据采集

本研究利用基于C#开发的“八爪鱼采集器8”来获取数据。本研究运用这一软件爬取了京东网络购物平台上华为旗下六款不同价位的手机的在线评论：华为 HUAWEI Mate 30 Pro（6899）、华为 HUAWEI P30 Pro（4458）、华为 HUAWEI nova 6（3799）、华为 HUAWEI P30（3688）、荣耀20（2099）、华为 HUAWEI 畅享10（1349）。

每个商品的原始数据最多只有1000条。其中只有nova6的评论数较少，共获取750条在线评论数据，其余均获取了1000条在线评论数据，最后导出格式如表3-1所示。

表3- 1获取的在线评论样式

星级	评价内容	时间	点赞数	评论数	商品属性	…
5	外观和手感出乎意料，媲美30，玻璃后盖，厚重感十足，满满科技感。	2019/12/13 16:24	9	20	亮黑色8GB+128GB	…
5	外形外观：外观设计很不错，很适合年轻人	2019/12/12 19:18	9	10	普罗旺斯8GB+128GB	…

3.3 数据预处理及描述

3.3.1 文本预处理

本节主要通过Python来对采集到的产品在线评论数据集进行预处理，这一部分主要是将原始数据整理成方便后续分析的格式。而分词、词性标注和停用词处理等步骤都将借由第三方工具，由GooSeeker开发的分词和分类检索平台：天据英眼来完成。这一平台能够自动完成分词等步骤，其具体操作将在下节内容中介绍。由于处理的是非结构化的数据：文本，计算机是无法直接进行处理的，并且当中含有一些不必要的信息，所以外面要将所搜集的原始文本数据进行一定的预处理。

首先基于初始的在线评论数据集，先要进行对评论数据进行初步的清洗，包括重复文本排除和短句剔除 。虽然从京东获取的评论数据质量较高，但依旧可能会出现重复的评论，重复冗余的这部分评论会干扰后面的分析所以要删除。而短句过滤则是将评论文本长度低于五个字符的数据删除，我们认为这样的数据对我们的分析几乎不能贡献什么信息。

经过上述两个步骤之后，我们下一步要做的是机械压缩去词。在电商评论当中，由于几乎每个电商网站都会对评论的字数进行一定的限制，所以很容易出现“赞啊赞啊赞啊赞啊赞啊赞啊”或者“不错不错不错不错不错不错”，这种连续而无意义只为了满足评论规则的句子。这一步的处理主要是能够剔除这些在无意义复现的冗余表达，将其缩减为单个的表达，如“不错”。 由于这种方法不考虑句子语义，而只从句子结构出发去重，故称为机械压缩去词。这一步操作之后再一次地重复短句删除删去无意义的词。

无意义的表达基本被排除在外之后，下一步需要做的是属性和情感的精确配对。样本中的文本数据均为一大段的文字，如果直接对这一大段文字进行处理，很难快速而精准实现属性-情感的配对，也会给后续属性提及频率的统计带来麻烦。因此，在进行下一步文本处理之前，还需对长文本进行切割变成短句，尽可能实现单一分析单元仅表达消费者对某一属性的情感的目的。

3.3.2 结果统计

经历预处理后，手机评价数据集剩余的评论数目如表3-1所示。六款华为品牌的手机的在线评论经过数据清洗后共计6410条评论，最后结果短句拆分的操作后得到共71712个短句。评论的时间跨度为2019年的4月到12月。

表3- 2 评论数统计

手机型号	评论数目	短句数目	评论时间
华为Mate 30 Pro	938	5005 4899 13536 13404 5204 16216
华为nova 6	712		2019年4月至
华为P30 Pro	955		2019年12月
华为P30	951
华为畅享10	919
荣耀20	988
总计	6410	71712

3.4 特征文本的筛选

文本挖掘中的一个关键步骤是特征提取及特征集缩减，目的是要提取适当的能代表文本特征的特征集，同时要将非必要的特征拣选出来以缩减特征集。在本研究中，虽然经过了上述的文本预处理步骤，但是评论中仍然有与本研究无关的评论。这一节的内容主要是以我们确定的产品属性作为特征对文本进行提取，在进行短句拆分和分词达标之后，将没有涉及到我们需要的指标的评论删除。本节的内容主要分为三大部分：产品属性选取、分词打标和特征词矩阵生成。

3.4.1 产品属性词的确定

在确定产品特征类别的过程中，第一步是进行文献调研，根据手机评论的特征词从已有的研究来看综合手机评价领域的文献[32][33][34]，经过反复筛选，最终总结了产品特征的五个一级属性，并再继续划分出二级，基于这个二级分类最终确定关键词。详见附录A。

3.4.2 分词打标

在上一节数据预处理的时候，并未进行分词、词性标注等处理，这些步骤都将基于GooSeeker开发的分词和分类检索平台——天据英眼实现。基于上一小节产品属性词的确定，下一步要以这些关键字作为筛选条件，筛除掉没有涉及关键词的短句，结果作为下一章情感分析的元数据。步骤大致描述如下：

首先将经过短句拆分后的句子导入分词平台。

第二步中，先将上一小节确定的关键字输入选词结果当中，以此作为筛选具有关键词的评论短句依据。此过程中平台已经自动实现了分词等步骤。

最后得到结果样式如表3-3所示。

表3- 3打标结果样式

评价内容	打标结果
外形外观：外观超赞，手感非常棒！	外形, 外观, 手感
大曲面的瀑布屏，视野无比开阔。	屏

3.4.3 特征词矩阵和特征词文本的筛选

接着，本小节通过该平台的“下载匹配矩阵表”功能，下载得到与关键词匹配的匹配表，如图3-2所示。从中可以看到评论提及关键词的情况。例如，该表格中第二个评论提到了“外观”，则对应的单元格的值就为“1”，其余属性未提及则记为“0”。

　　图3- 2 匹配矩阵表

　　为给下一章节的情感分析做准备，本研究通过匹配矩阵表进行了二次数据清洗筛除了那些不含有关键词的短句，经过匹配矩阵表的筛选后，七款手机的含关键字的在线评论数目如表。

表3- 4 评论数统计

手机型号	短句数目	含关键字的短句数目
华为Mate 30 Pro	5005 4899 13536 13404 5204 16216	3861
华为nova 6		2259
华为P30 Pro		5774
华为P30		5803
华为畅享10		2542
荣耀20		7194
总计	71712	33595

3.5 消费者态度相关的指标量化过程

根据Fishbein的观点，消费者态度的核心是：属性、喜恶评价以及信念强度，用公式总结为（详见2.1）：

　　通过前面部分对产品属性的分级和关键词的确定，我们已经明确了本实验研究对象的各个属性。本节内容主要对这个理论中的“喜恶评价”以及“信念强度”进行分析。

3.5.1 词频统计与信念强度

虽然在不同的消费者心目中各个属性都具有不一样的重要程度，但是此次研究的目的是研究一个消费群体：购买了某款手机并留下在线评论的群体。因此我们可以通过对整个样本中所有的消费者对属性的提及次数进行统计，某个属性被提及的频次越大，说明消费者心目中该属性越重要，基于此来区分不同属性之间的重要程度，亦即信念强度，下文的统计分析中称之为声量。

本研究除了要完成客体态度模型的构建之外，最后还需要对比不同款手机的属性评价差异，由于每款手机涉及属性的评论数不一致，因此还需要对各属性的重要程度进行标准化。本研究标准化的方式是通过某一属性的提及频次与所有属性相关评论之和的比率，亦即属性相关关键词的词频。后文将通过这种方法对重要程度标准化，进而来对不同产品属性的重要程度进行比较。

根据上述标准处理后重要程度量化结果如下。

该表中的A代表MATE 30 PRO，B代表NOVA6，C代表P30，D代表P30PRO，E代表畅享10，F代表荣耀20。

表3- 5 重要程度量化结果

二级属性	A	B	C	D	E	F
性价比	2.72%	4.56%	2.30%	0.18%	4.27%	6.99%
配件/赠品	1.30%	1.90%	1.96%	1.13%	3.52%	1.89%
品牌情节/民族情感	7.55%	4.28%	8.43%	6.65%	5.98%	5.82%
开箱/包装	0.51%	3.77%	0.44%	0.47%	0.39%	0.47%
物流	3.24%	3.45%	5.67%	3.83%	5.37%	2.81%
服务体验	1.89%	1.03%	2.70%	1.32%	0.95%	1.25%
社交	0.67%	0.67%	0.77%	0.76%	6.29%	0.65%
系统使用感受	9.20%	3.69%	12.42%	14.19%	5.44%	13.16%
发热/散热	4.40%	2.58%	0.30%	0.30%	0.07%	3.00%
信号/网速	1.50%	4.56%	2.13%	0.56%	0.37%	0.52%
通话	0.14%	0.10%	0.17%	0.26%	0.17%	0.34%
电池	1.20%	0.28%	1.52%	1.68%	5.37%	1.48%
手机大小	0.65%	0.12%	1.62%	0.47%	6.10%	1.01%
手机重量	0.13%	6.00%	0.36%	0.14%	0.73%	0.34%
手机厚度	0.23%	8.13%	0.17%	0.09%	3.76%	0.34%
机身颜色	3.23%	1.92%	6.61%	2.54%	1.88%	1.60%
制造工艺	3.57%	1.27%	2.89%	2.54%	3.51%	2.67%
造型外观/产品质量	15.17%	11.82%	10.71%	10.48%	18.12%	10.70%
操作系统	1.11%	2.80%	3.67%	2.54%	0.32%	1.58%
UI	0.16%	0.59%	0.12%	0.16%	0.12%	0.08%
系统软件	0.78%	2.30%	2.34%	1.38%	0.17%	4.02%
自带功能	0.56%	0.56%	0.74%	0.38%	0.34%	0.72%
第三方应用	0.78%	0.41%	0.84%	0.91%	0.22%	1.37%
多媒体	2.02%	0.58%	1.92%	1.62%	1.00%	2.67%
拍照	10.94%	8.92%	12.06%	16.63%	9.32%	10.54%
屏幕	10.76%	6.76%	9.48%	10.76%	9.29%	10.59%
摄像头	2.02%	5.61%	1.29%	10.79%	0.56%	4.36%
芯片	1.84%	0.58%	2.36%	0.66%	1.46%	1.32%
内存及存储	1.32%	0.16%	1.14%	2.41%	0.88%	1.79%
电池续航	5.77%	0.40%	1.51%	3.22%	3.34%	1.99%
指纹传感	0.52%	0.79%	1.24%	0.59%	0.61%	2.52%
网络制式	4.02%	9.32%	0.00%	0.00%	0.04%	0.89%
其他	0.13%	0.06%	0.10%	0.36%	0.02%	0.54%

3.5.2 情感分析与喜恶评价

基于认知的观点明确了消费者会对某款手机的某个属性具有喜恶评价。本研究将消费者对每个属性的喜恶评价分成三种：正面、中性以及负面，通过将在线评论按这个方法分类后，再赋值计分处理后得到消费者对属性的喜恶评价的量化评分，下称信念得分。

与前面的步骤一样，本研究利用天据英眼进行在线评论的情感分析。这一平台使用的是基于词典的的情感分析方法。该平台自带情感字典，词典中共22，215个词语，分为四大类：正面词、负面词、否定词和程度词如下图所示。在使用过程中，使用者可以根据实际情况对词典进行修改。

使用这一平台进行情感分析结果如下图所示：

　　图3- 3 情感分析结果

　　消费者态度的测量方式之中，通常会用到李克特量表来进行对情感的量化分析。一般是让受试者对某一陈述语句进行几个选项之间的选择，不同级数的量表拥有不同数量的选项，如果是五级量表，通常采用的格式是：非常满意、满意、中立、不满意、非常不满意。在本研究中，为了简化的目的，本文只采用三级量表的思想，分为：满意、一般和不满意，这三种情况，分别对应前面情感分析结果中的正面、中性和负面评价。

进一步得要将这个评价的情感进行量化，本研究中信念得分的计算方式是，统计不同种类的评价的出现的次数。比如“某型号的只能手机运行速度真快”，这个评价中“运行速度”属性被正面提及一次，于是就记录“运行速度”正面声量一次。中性以及负面属性记法也相同。

计算每个属性的认知得分的方法如下表所示：

表3- 6 计分权重

类别	正面	中性	负面
分值	3	2	1

接着是信念得分的标准化过程：属性的总认知得分除以该属性出现的次数（声量）。也就是：

　　结果如下。

该表中的A代表MATE 30 PRO，B代表NOVA6，C代表P30，D代表P30PRO，E代表畅享10，F代表荣耀20。

表3-7 喜恶评价量化结果

二级属性	A	B	C	D	E	F
性价比	2.50	2.57	2.65	2.46	2.66	2.78
配件/赠品	2.56	2.59	2.64	2.71	2.22	2.56
品牌情节/民族情感	2.50	2.50	2.55	2.49	2.63	2.53
开箱/包装	2.22	2.37	2.61	2.61	2.44	2.48
物流	2.47	2.62	2.61	2.64	2.74	2.69
服务体验	2.43	2.45	2.61	2.67	2.82	2.61
社交	2.34	2.50	2.44	2.26	2.53	2.44
系统使用感受	2.48	2.66	2.64	2.75	2.68	2.74
发热/散热	2.06	2.11	2.27	1.96	2.67	2.46
信号/网速	2.32	2.25	2.58	2.52	2.75	2.49
通话	2.00	2.20	2.57	2.83	2.14	2.32
电池	2.61	2.83	2.67	2.77	2.32	2.76
手机大小	2.64	1.98	2.81	2.80	2.45	2.98
手机重量	2.28	1.43	2.81	2.71	2.40	2.88
手机厚度	2.47	1.31	2.73	2.38	2.00	2.53
机身颜色	2.41	2.72	2.60	2.56	2.67	2.62
制造工艺	2.54	2.71	2.67	2.72	2.60	2.73
造型外观/产品质量	2.62	2.67	2.67	2.75	2.79	2.78
操作系统	2.48	2.50	2.67	2.65	2.46	2.51
UI	2.72	1.75	2.64	2.75	2.50	2.50
系统软件	2.44	2.22	2.52	2.37	2.50	2.21
自带功能	2.71	2.43	2.47	2.65	2.20	2.52
第三方应用	2.29	2.25	2.54	2.50	2.10	2.47
多媒体	2.46	2.69	2.61	2.60	2.60	2.72
拍照	2.54	2.60	2.58	2.61	2.70	2.54
屏幕	2.30	2.57	2.60	2.47	2.76	2.49
摄像头	2.50	2.40	2.46	2.62	2.52	2.37
芯片	2.29	2.33	2.48	2.69	2.58	2.43
内存及存储	2.37	2.63	2.56	2.50	2.56	2.54
电池续航	2.49	2.53	2.63	2.59	2.29	2.51
指纹传感	2.39	2.58	2.51	2.58	2.16	2.55
网络制式	2.28	2.17	2.50	2.25	2.38	2.15
其他	2.51	2.39	2.59	2.60	2.52	2.65

3.5.3 消费者态度指标的构建结果

根据客体态度模型的公式以及上述量化结果，得到下表。

该表中的A代表MATE 30 PRO，B代表NOVA6，C代表P30，D代表P30PRO，E代表畅享10，F代表荣耀20。

表3- 8 基于在线评论的客体态度模型结果

二级属性	A	B	C	D	E	F
性价比	0.189	0.117	0.061	0.005	0.114	0.194
配件/赠品	0.011	0.049	0.052	0.031	0.078	0.048
品牌情节/民族情感	0.080	0.107	0.215	0.166	0.157	0.147
开箱/包装	0.046	0.089	0.011	0.012	0.010	0.012
物流	0.016	0.090	0.148	0.101	0.147	0.075
服务体验	0.228	0.025	0.070	0.035	0.027	0.033
社交	0.091	0.017	0.019	0.017	0.159	0.016
系统使用感受	0.035	0.098	0.328	0.390	0.146	0.361
发热/散热	0.003	0.054	0.007	0.006	0.002	0.074
信号/网速	0.031	0.103	0.055	0.014	0.010	0.013
通话	0.017	0.002	0.004	0.007	0.004	0.008
电池	0.003	0.008	0.041	0.047	0.124	0.041
手机大小	0.006	0.002	0.046	0.013	0.149	0.030
手机重量	0.078	0.086	0.010	0.004	0.018	0.010
手机厚度	0.091	0.107	0.005	0.002	0.075	0.008
机身颜色	0.397	0.052	0.172	0.065	0.050	0.042
制造工艺	0.028	0.034	0.077	0.069	0.091	0.073
造型外观/产品质量	0.004	0.316	0.286	0.288	0.506	0.297
操作系统	0.019	0.070	0.098	0.067	0.008	0.040
UI	0.015	0.010	0.003	0.004	0.003	0.002
系统软件	0.018	0.051	0.059	0.033	0.004	0.089
自带功能	0.050	0.014	0.018	0.010	0.008	0.018
第三方应用	0.278	0.009	0.021	0.023	0.005	0.034
多媒体	0.248	0.015	0.050	0.042	0.026	0.073
拍照	0.050	0.232	0.311	0.434	0.252	0.268
屏幕	0.042	0.174	0.247	0.266	0.256	0.264
摄像头	0.031	0.135	0.032	0.283	0.014	0.103
芯片	0.144	0.014	0.058	0.018	0.038	0.032
内存及存储	0.012	0.004	0.029	0.060	0.022	0.045
电池续航	0.092	0.010	0.040	0.083	0.077	0.050
指纹传感	0.003	0.020	0.031	0.015	0.013	0.064
网络制式	0.062	0.202	0.000	0.000	0.001	0.019
其他	0.068	0.001	0.003	0.009	0.001	0.014
总分	2.485	2.320	2.607	2.620	2.594	2.597

4 基于数据化管理视角的在线评论实证分析

上面的章节通过在线评论得出消费者态度的量化结果，对于一个企业而言，对在线评论的内容研究不能止于得出“数字”，而要将这些数字进行加工，使之最终能应用到企业决策的流程中来，这对于企业而言才算得上有意义。本章节将利用四象限分析的思想，对产品属性进行分析处理，根据各产品属性所在的不同象限位置来分析消费者对该属性的态度，据此来指导企业决策意见。

4.1 基于费希本多属性态度模型的产品属性四象限分析

四象限分析亦被称为矩阵分析法，该方法或核心思想在经济管理相关领域进行策略分析时常被提及，如电子商务行业中常用的RFM模型就是利用这一思想构建三维坐标，通过区别象限来达到区分细分客户群体，进而实施不同策略的目的。

上一章通过文本挖掘的方式把在线评论中的信息转化成了量化的多属性的消费者态度模型，本章节在消费者态度的量化结果上，利用四象限分析的方式实现企业发现、追踪、解决问题的目标。

由于我们已经把在线评论中我们关注的信息都映射在了消费者态度的多属性模型中，从消费者态度的模型出发，我们关注的两个指标分别是重要程度和喜恶偏向。因此，本研究通过矩阵的方式，建立四象限二维平面，同时结合这两个维度进行对比分析。

在本研究的实证分析中，这两个指标的统计量分别为：声量和信念得分。矩阵的建立过程如下：

建立坐标，绘制散点图。以“声量”为纵轴。以“信念得分”为横轴，；加入参考线。参考线主要是用来区分不同元素的表现情况，一般是期望值、目标值、行业指定值等。本研究以平均值作为纵横轴的标准。基于散点分布的结果解读。第一象限，声量、信念得分双高区域。是消费者满意的主要原因，这些对象需要重点保持；第二象限，高声量低信念得分区域。结合实际尽可能地提高信念得分将能够为企业带来更丰厚的利润；第三象限，声量、信念得分双低区域。该区域的对象通过分析其潜力，留下有潜力的对象，尽可能的丢弃没潜力的；第四象限，高信念得分低声量区域。一般对这一区域的保持观望态度不急于下一步措施。

　　图4- 1 象限图

　　同样以上一章选取的六款华为手机做为实验对象，联系上一章构建态度模型的相关要素量化结果，结合上述分析策略，围绕着不同产品的消费者态度，模拟企业数据化管理实际。

4.2 数据化管理视角下的四象限分析

数据化管理的目标是要及时发现和追踪到运营过程中产品出现的问题，并基于相关数据制定解决方案。本章节将以ID与结构和硬件配置这两个一级属性为研究对象绘制四象限图，说明如何利用四象限分析的方法实现问题的发现、追踪，并通过分析相关数据制定解决方案。

4.2.1基于四象限分析的问题发现和追踪

6款手机的ID与结构属性的声量以及信念得分如下图所示。

　　图4- 2 ID与结构象限图

　　根据不同款的手机所处的象限的区别，我们马上可以发现，不同款手机在ID与结构属性中的表现。

第三象限属于低声量、低信念得分的双低区域，通过观察第三象限就能马上找出有严重问题的对象。图4- 2中，MATE30PRO、畅享10和NOVA6位于第三象限，企业运营人员应该马上反应到这几款手机在ID与结构属性中的表现存在问题，亟须解决。

同时可以看到荣耀20在ID与结构中位于双高的第一象限，说明该手机的这样属性消费者非常满意。

　　图4- 3 硬件配置象限图

　　分析该属性的象限图我们发现，只有畅享10在问题区域，需要特别注意。而作为华为主推的P30系列的两款手机，其硬件配置远远较其余手机要优秀。我们通过这一象限图能够发现第一象限中的P30PRO，这说明了选择P30PRO的消费者对硬件配置极为看重，而P30PRO也给他们带来了极大的满意度。通过分析象限图能够追踪消费者对产品的重点属性的意见。

4.2.2基于四象限分析的原因分析

本研究之所以选择手机作为研究对象的一个重要因素是因为手机是一个典型的搜索型的商品。而硬件配置能非常好地体现手机作为一个搜索型商品的特点。从图4-2中发现不同手机在图中的分布较为分散，下面将结合具体的数据进行细化分析发现更多的信息。

　　图4- 4 硬件配置声量图

　　从硬件配置的声量图分析。屏幕在硬件配置当中声量极大，说明消费者对于屏幕这一属性极其注重，其次是摄像头，这一现象也符合了手机行业的一个现象：每次的新品发布会，功能方面大同小异，但是一定会强调屏幕和摄像头在新一代手机当中的变化。

　　图4- 5 硬件配置二级属性信念评分图

　　由硬件配置的声量图可以发现，MATE30PRO的屏幕属性声量极大，但由图4-9可以发现，这一属性虽然占据高声量，但是信念评分较之于其余各款手机都要的多。图4-9还显示了，MATE30PRO这款手机的芯片、内存和指纹传感的表现都不能获得消费者较大的满意度。这些二级属性的低评分联合起来导致MATE 30PRO硬件配置属性这一一级属性的信念得分要远低于其余几款手机。

结合四象限图和相对应的数据，能够分析出不同属性受欢迎程度区别的原因，让企业的运营者更了解消费者的想法和评价。

4.3 基于四象限的产品属性实证分析

本章节将模拟企业的数据分析过程，提供营销或者产品改良上的分析结果，完善在线评论数据化管理的最后一步：切实应用到企业实践中。

4.3.1华为 HUAWEI Mate 30 Pro四象限分析

　　图4- 6MATE30PRO象限图

　　华为 HUAWEI Mate 30 Pro的关注度中位数为1.86%，经统计，Mate 30 Pro有11个二级属性声量都高于均值。从图中可以看出，Mate 30 Pro有4个属性的低评价受到消费者的高于均值的关注，表明消费者对这4个属性有较强烈的不满意感知，需要重点关注调查做进一步分析。这四个属性分别是发热/散热，网络制式、屏幕、机身颜色。其中机身颜色较为接近原点说明该属性比较接近平均水平，此处不做分析重点讨论另外三个属性：发热/散热，网络制式、屏幕。

　　图4- 7 HUAWEI MATE30PRO宣传图

　　上图为京东商城MATE30PRO的宣传图，图中可以发现“5G”、“超曲面OLED环幕屏”以及“4500mAh、双超级快充”的字眼，这说明这几个属性都是这款的“卖点”。但是从象限图来看，消费者并没有给出一个高满意度的评价。

结合手机这一产品本身的特征来看，宣传中涉及到这三个属性的点都是高新科技，尤其是5G技术，华为更是这一技术的掌舵者。可消费者依旧没有很满意，这主要是因为，虽然华为虽然早早地掌握了这一技术，但是5G的基站并未开始全面覆盖，这款手机发行于2019年9月19日，此时以广东药科大学中山校区为例，只有两栋宿舍楼的区域是支持5G信号的而其余地方均不支持，这种情况之下，5G这一功能实乃巧妇难成无米之炊，所以尽管5G深受瞩目，但由于基本的配套设施没有跟上，消费者依旧没有满意。其次是屏幕这一属性，通过调查发现：mate30系列的屏幕尺寸都达到了6.5英寸以上，可却依然用的是1080p屏幕，而且并不支持高刷新率以及高屏幕采样率。这款手机属于高价位的手机，消费者会对各属性的要求更加严格，看似华丽的曲面屏因为内在的因素没能获得消费者的满意。“双超级快充”也是华为的新技术，快充技术是近几年来手机行业新兴的一种能够快速充电的技术，在此基础上华为能够研发出双超级快充是极为不易的，但是，即便如此，快充技术依旧未成熟，比如发热问题始终难以解决，加诸之前三星电池爆炸的时间难免让消费者心存余悸。

此外，从价格出发我们发现，MATE30PRO的价格几近7000元，是远高于其他型号的手机的售价，而京东的该商品销售页面的宣传图显示上述这些高新技术刚好就是这款手机的重点营销方向。这种情况之下，如果该商品未能很好很好的满足消费者的心理预期，那么消费者就会形成很大的心理落差，从而导致了对该属性的低评价，觉得不值得。这也是为什么P30这种中端价格的机型往往能收获消费者较高的评价的原因，中低端价格所带来的心理预期比较容易满足，这个时候的消费者满意通常容易获得。

4.3.2华为 HUAWEI NOVA 6四象限分析

　　图4- 8 NOVA6象限图

　　华为 HUAWEI nova 6的关注度中位数为1.62%，经统计，华为 HUAWEI nova 6有13个二级属性位于高关注区域。其中，nova 6有5个属性拥有高声量，但消费者对这5个属性的信念得分并不高，因此需要重点改进。这四个属性分别是手机厚度，手机重量、网络制式、信号/网速，开箱/包装。

其中”开箱/包装“属于服务感受的范畴，和手机的属性无直接的关系，此处亦不做分析。

其余三个属性：手机厚度，手机重量、网络制式，在上一章节讨论过MATE30PRO关于网络制式这一属性，NOVA6亦是同样的问题，受制于基站该属性未能很好地在实际使用当中体现，此处不再赘述。另外两个属性，”手机厚度“和”手机重量“，这两个属性均属于ID与结构这一一级属性，也就是消费者对NOVA6的ID与结构设计表示不满意，该手机的工业设计团队应该接收到消费者发出的这个讯号在下次更新换代的时候做出改善。

除了以上待改进的部分外，值得关注的是，这款手机是我选取的几个样本当中唯一有明星代言的，我们可以料定其目标人群是热衷时尚的年轻人，而位于第一象限的”造型外观/产品质量“这一属性的信念得分和声量都远远高于平均水平，声量更是高企，因此我们可以从这一象限图中获知该款手机对”年轻人“这一群体的营销策略是十分成功的。

4.3.3华为 HUAWEI P30 、P30 Pro四象限分析

　　图4- 9 P30象限图

　　图4- 10P30PRO象限图

　　P30和P30PRO为同一系列的两款同期产品，不难发现，二级属性在象限图的分布也是极其类似。P30关注中位数是1.47%，而P30PRO关注中位数是1.07%经统计，P30和P30PRO均有8个二级属性位于高关注区域。发现“品牌情节/民族情感”都位于第二象限高关注较低评分的区域，这一属性较为特别，该属性并不是手机的本身属性而属于手机产品的附加属性。所以产品相关人员不必过分在意，但是这某种程度上反应了选择P30这个系列的消费者更加关注品牌产品的质量，对于品牌方打出的“情怀牌”并不领情。

　　图4- 11HUAWEI P30PRO宣传图

　　图4- 12HUAWEI P30宣传图

　　P30系列还有一个特点就是，“拍照”这一属性的高声量。根据商品详情页面的介绍，可以发现，HUAWEI P30的商品推介原因第一二个都是拍照相关的，其中P30PRO的摄像头几乎领先于市面所有手机，采用了4000万超感光徕卡四摄像头，故亦可看到P30PRO摄像头在第一象限的显眼位置。

　　图4- 13HUAWEI P30 PRO 屏幕属性详情

　　图4- 14HUAWEI P30 屏幕属性详情

　　另一个值得关注的地方是P30PRO的第三象限中的”屏幕“属性，P30PRO作为P30的专业版，其”屏幕“属性信念得分居然要低于P30。

对比图4- 17和图4- 19可以发现，在屏幕这一属性的区别主要落在了屏幕像素密度上，P30PRO的屏幕像素密度（ppi）这一属性值比P30要低，因此在屏幕显示上P30PRO的颗粒感会更强，这也成为许多消费者诟病的地方。

4.3.4华为 HUAWEI 畅享10四象限分析

　　图4- 15 畅享10象限图

　　华为 HUAWEI 畅享10关注中位数是0.83%经统计，畅享10有14个二级属性位于高关注区域，相对于前面几款手机来说，这款手机的关注度更为的分散。与之前几个机型一致，“造型外观/产品质量”这一属性占据了高关注度高信念得分的位置，这是华为这几年深耕机身外形设计的努力的成果。这款手机还有一个非常特别的地方，这是“社交”这一属性第一次出现在了第一象限而且声量越高于其他型号的手机，通过研究评论联系“性价比”这个属性可以发现，由于这款手机的售价仅在千元左右，价格便宜但是能够实现手机的基本用途，很多人将这款手机作为礼物送给家里的老人和长辈，所以这款手机的“社交”属性非常明显。

第二象限中的属性也较多，说明这些属性具有相对较高的关注度的同时消费者对其不甚满意。一共有五个属性但是发现，“手机大小”、“手机厚度”这些都是ID与结构这一属性下的次级属性，除了用来送人，这款手机的售价很明显是定位于年轻人市场，年轻人对这款手机手机的厚度较为敏感，所以这款手机的这一属性的信念得分是最低的为2.0。同时，“电池”和“电池续航”这两个属性也共同说明了消费者的不满意。主要原因在于，这款手机的本身的毫安数虽然是4000mAh的大容量，但是很多消费者用了几天发现电量消耗的很快，所以给出了中评甚至差评。

关于“配件/赠品”这一属性，研究评论后发现这一个属性提及的人很多都提到了“没有耳机”这一点，对此感到不满意。说明产品的设计者在设计这款产品的时候没有权衡好低售价但缺少配件这一点可能会带来的负面评论。

4.3.5华为 HUAWEI荣耀20四象限分析

　　图4- 16 荣耀20象限图

　　该款手机关注中位数是1.79%，共有有9个二级属性位于高声量区域。作为华为的子品牌，荣耀一直都广泛地被国人们称道，荣耀方面也时刻紧跟行业潮流，在外观和使用感方面也深受消费者认可。第一象限中有“系统使用感受”、“造型外观/产品质量”、“性价比”三个属性，这三个的高关注高满意度说明了消费者这荣耀这个子品牌的喜爱，认为其外观、运行速度和性价比都极其令人满意。但是一向是华为品牌强项的拍照功能却差强人意，“拍照”和“摄像头”这两个属性共同反应了消费者对于这款手机拍照功能尚需改进的情况。通过研究了发现，“拍照不清晰”、“糊”是这款手机是引起消费者不满的地方，如果对比全系列的华为手机会发现，荣耀系列的摄像头是很难做到极致的，因为要为其他系列做出让步，“屏幕”这一属性较多消费者反应“过暗”也是同理，是因为荣耀在做到高性价比的平价机的同时兼顾了系统的流畅性在“屏幕”这种属性就不得不做出权衡让步。

而关于评分最低的“网络制式”属性，提起华为第一个想到的就是他们的5G技术，而非常遗憾的是，这款手机并不支持5G。通过研究该属性的评论发现，这一属性的中性评论较多，主要是在表达遗憾的情绪，同时期待华为能够早日将5G应用在荣耀这一子品牌中。

5 总结与展望

5.1 全文总结

本研究以六款华为手机的在线评论为样例，通过文本挖掘的方法将文本数据转化成了可用于企业进行消费者态度分析的指标，最后通过优劣势分析矩阵，分析不同矩阵区域，由此提出市场营销或产品设计等相关方面的建议。

本论文研究的重点是在企业数据化管理的大趋势下，如何更合理地利用在线评论这一数据源，因此本文利用消费者行为学进行分析，辅助以文本挖掘技术从在线评论中构建出了消费者态度的相关指标。此过程中，根据所选取的属性，找到了消费者对属性喜好程度的量化方式，同时利用属性被提及的频率量化了消费者对属性的重视程度。在完成指标的构建后，本研究通过矩阵分析的方式，建立以声量、信念得分为维度的平面矩阵，通过结合属性所在的区域的特性，实现基于矩阵分析法的问题发现和追踪，并结合细节数据进一步分析原因。

5.2 不足与展望

5.2.1 研究的局限性

（1）矩阵分析法的单一性。

企业的决策是一个非常复杂的过程，本文的方法能够很好的利用在线评论为决策提供支持，但是实际中，仍需要结合实际多变的情况做出综合考虑。

（2）指标选择的局限性。

本文从消费者态度出发考虑，最终通过量化与消费者态度最相关两个属性特征，完整本研究的指标构建。但是其他角度是否也应该能被考虑，量化指标是否有更多的选择，都有待后续更丰富的研究。

（3）量化过程的局限性。

本文的研究过程中，为了简化研究，在对喜恶程度这一要素量化的时候，只粗放地将其分为三类，而没能考虑这些情感的强度，这也会给后续模型的构建带来误差。同样的，简单的利用词频来作为重要程度的指标也存在一定的缺陷。

5.2.2 未来研究展望

随着在线评论体量的不断增大，企业对此的研究将会愈发深入和细致。正如现时电商完善的指标体系一般，日后从在线评论中提取的信息也将会能够转化成更多更完善的指标从而构建一个完善的指标体系。同样的，本研究是利用矩阵分析的方式对指标进行分类分析，可是这只是一个比较单薄的策略研究方式，后续的研究可以从更多的管理学理论出发找到不同角度。本文在研究的过程中，各个步骤的处理都存在思虑不足，后续的研究中可以进一步地完善。

参考文献

[1] Margaret C. Stewart, Christa L. Arnold. Defining Social Listening: Recognizing an Emerging Dimension of Listening[J]. International Journal of Listening, 2017, 32(1):1-16.

[2] Bickart, B., and Schindler, R.M. 2001. “Internet forums as influential sources of consumer information,” Journal of Interactive Marketing (15:3), pp 31-40.

[3] Litvin, S.W., Goldsmith, R.E. and Pan, B. (2008), “Electronic word-of-mouth in hospitality and tourism management”, Tourism Management, Vol. 29 No. 3, pp. 458-468.

[4] Kwon, B. C., Kim, S.-H., Duket, T., Catalán, A., & Yi, J. S. (2015).Do People Really Experience Information Overload While Reading Online Reviews? International Journal of Human-Computer Interaction, 31(12), 959–973.

[5]卞亦文, 闫欣, 杨列勋. 社会学习视角下运营管理决策研究[J]. 管理科学学报, 2019(5):18-30.

[6] 张延斌. 消费者行为学[M]. 天津：南开大学出版社，2016.6

[7] 王德胜. 消费者行为学[M]. 北京：电子工业出版社，2016.6

[8] 高长元, 王宏起. 高效技术产品评价系统研究[J]. 系统工程理论与实践, 1999, 19(2):82-87.

[9] 张镇平.基于商家维度的在线评论研究[D].北京:北京邮电大学,2016.

[10] Tax S S , Brown S W , Chandrashekaran M . Customer Evaluations of Service Complaint Experiences: Implications for Relationship Marketing[J]. Journal of Marketing, 1998, 62(2):60-76.

[11] 杜学美, 丁璟妤, 谢志鸿, et al. 在线评论对消费者购买意愿的影响研究[J]. 管理评论, 2016, v.28(03):175-185.

[12] 沈瑞.基于在线评论文本分析的消费者购买决策因素研究[D].哈尔滨:哈尔滨工程大学,2017.

[13] Chevalier J A , Mayzlin D . The Effect of Word of Mouth on Sales: Online Book Reviews[J]. Journal of Marketing Research, 2006, 43(3):345-354.

[14]Senecal S , Nantel J . The influence of online product recommendations on consumers’ online choices[J]. Journal of Retailing, 2004, 80(2):159-169.

[15] Liu, Yong. Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue[J]. Journal of Marketing, 2006, 70(3):74-89.

[16] Engel J F , Kegerreis R J , Blackwell R D . Word-of-mouth Communication by the Innovator[J]. Journal of Marketing, 1969, 33(3):15-19.

[17] Arndt, Johan. Role of Product-Related Conversations in the Diffusion of a New Product[J]. Journal of Marketing Research, 1967, 4(3):291.

[18] Liu, Y, Jin, et al. Identifying helpful online reviews: A product designer’s perspective[J]. COMPUTER AIDED DESIGN -LONDON- BUTTERWORTH THEN ELSEVIER-, 2013.

[19]Chevalier J A , Mayzlin D . The Effect of Word of Mouth on Sales: Online Book Reviews[J]. Journal of Marketing Research, 2006, 43(3):345-354.

[20] Park D H , Lee J , Han I . The Effect of On-Line Consumer Reviews on Consumer Purchasing Intention: The Moderating Role of Involvement[J]. International Journal of Electronic Commerce, 2007, 11(4):125-148.

[21] Hu M , Liu B . Mining and summarizing customer reviews[C]// Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Seattle, Washington, USA, August 22-25, 2004. ACM, 2004.

[22] Morinaga, S., et al.(2002) Mining product reputations on the web. Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining.

[23] Lee,T.Y., et al.(2007).”1(215)898-3664.Automatic Construction of Conjoint Attributes and Levels from Online Customer Reviews

[24] 肖桂秀. 基于文本挖掘的产品评价模型研究[J]. 管理科学与工程, 2019, 8(1): 72-79.

[25] 贾春光.文本挖掘在商品评论中的应用研究[J]. 社会科学前沿, 2018, 7(12): 1962-1973.

[26] Pang B , Lee L , Vaithyanathan S . Thumbs up? Sentiment Classification using Machine Learning Techniques[J]. Empirical Methods in Natural Language Processing, 2002:79-86.

[27] Whitelaw C, Garg N, Argamon S.Using appraisal groups for sentiment analysis. In Proc. of the 14th ACM Int. Conf. On Information and Knowledge Management,2005:625-631.

[28] 唐慧丰, 谭松波, 程学旗. 基于监督学习的中文情感分类技术比较研究[J]. 中文信息学报, 2007, 21(6): 88-94.

[29] Petty, R. E., & Brinol, P. A multiprocess approach to social influence [J].The 2000 Survey.April,5.2002.

[30] Petty, R. E., & Cacioppo, J. T..The Use of Third – party Logistics Services by Large US Manufacturers[J].The 2000 Survey.April,5.2002.

[31] Wathen C N , Burkell J . Believe It or Not: Factors Influencing Credibility on the Web.[J]. Journal of the Association for Information Science & Technology, 2014, 53(2):134-144.

[32] 郑若颖, 任曼, 王利群. 个体特征对研究生手机消费影响的实证研究[J]. 中国管理信息化, 2010(10):63-67.

[33] 江晓东. 什么样的产品评论最有用?——在线评论数量特征和文本特征对其有用性的影响研究[J]. 外国经济与管理(4):42-56.

[34] 高威, 傅湘玲. 基于用户评论的手机特征挖掘应用研究[J]. 计算机科学与应用, 2017, 7(8): 738-746.

致谢

倏忽即逝的本科生涯，广药的校园、老师和同学终于到了成为过去的时刻。

在此，首先感谢我的论文指导老师陈自洁老师，本文的选题以及研究过程是在老师的悉心指导下完成的，在这个过程中，老师对我的问题都予以了细致的指点，让我找到下一步的写作研究方向。感念这段时间老师付出和指导的恩德。

最后也要谢谢我的家人朋友，是你们的陪伴让我挺过了这漫长的大学生涯，感恩。

附录A

表A- 1 一级属性：购买体验

二级属性	关键词
性价比	性价比；便宜；划算；
配件/赠品	赠送；送；赠品；配件；自带；
品牌情节/民族情感	华为；品牌；中国；中华；祖国；国货；老用户；老顾客；
开箱/包装	开箱；盒子；包装；
物流	快递；物流；京东；
服务体验	服务；体验；
社交	朋友；爸；妈；亲戚；同事；儿子；女儿；父亲；老人；

表A- 2 一级属性：使用体验

二级属性	关键词
系统使用感受	流畅；卡；卡顿；系统；功能；配置；性能；反应；
发热/散热	发热；散热；烫；热；
信号/网速	信号；网速；wifi；上网；
通话	通话；打电话；
电池	续航；没电；省电；待机时间；省；

表A- 3 一级属性：ID与结构

二级属性	关键词
手机大小	大小、尺寸
手机重量	轻；重量；
手机厚度	厚；薄；厚度；
机身颜色	机身颜色；
制造工艺	手感；质感；
造型外观/产品质量	做工；质量；外形；外观；造型；设计；