萬年紅 王雪蓉

摘? 要： 為了科學(xué)地對(duì)高度復(fù)雜、難控的移動(dòng)網(wǎng)絡(luò)環(huán)境下網(wǎng)購行為執(zhí)行意向進(jìn)行預(yù)測(cè)，首先采用基于數(shù)理統(tǒng)計(jì)函數(shù)、基于網(wǎng)格計(jì)算的函數(shù)、基于大數(shù)據(jù)定性劃分函數(shù)提出移動(dòng)網(wǎng)購行為執(zhí)行意向的情境大數(shù)據(jù)挖掘方法;其次歸納基于情境大數(shù)據(jù)的移動(dòng)網(wǎng)購行為執(zhí)行意向演化動(dòng)力機(jī)制，并設(shè)計(jì)基于情境大數(shù)據(jù)的移動(dòng)網(wǎng)購行為執(zhí)行意向預(yù)測(cè)算法和模型，進(jìn)行趨勢(shì)、結(jié)構(gòu)、綜合預(yù)測(cè)的結(jié)果分析;最后，進(jìn)行應(yīng)用實(shí)驗(yàn)。性能分析結(jié)果表明，該模型具有一定的實(shí)用價(jià)值。

關(guān)鍵詞： 情境大數(shù)據(jù); 移動(dòng)網(wǎng)購; 網(wǎng)購行為; 執(zhí)行意向; 預(yù)測(cè)

中圖分類號(hào)：TP387? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1006-8228（2019）04-26-04

Abstract： To predict scientifically execution intention of online shopping behaviors under the environment of highly complex and hard-to-control Mobile Internet， firstly， situational big data mining methods of execution intention of mobile online shopping behaviors were put forward by adopting functions based on mathematical statistics， functions based on grid computing and qualitative partition function based on big data; Secondly， dynamic mechanisms on execution intention evolution of mobile online shopping behaviors based on situational big data were summarized， and prediction algorithms and models on execution intention of mobile online shopping behaviors based on situational big data were designed， and result analysis of trend， structure and comprehensive prediction was carried out; Finally， application experiments were carried out. Results of performance analysis show that the model has certain practical value.

Key words： situational big data; mobile online shopping; online shopping behaviors; execution intention; prediction

0 引言

移動(dòng)網(wǎng)購已成為人們最基本的一種購物方式。深刻預(yù)測(cè)、認(rèn)識(shí)移動(dòng)網(wǎng)購行為執(zhí)行意向的演化規(guī)律，對(duì)優(yōu)化網(wǎng)購平臺(tái)營銷模式、發(fā)展虛擬經(jīng)濟(jì)[1-6]等方面具有現(xiàn)實(shí)意義。然而，鑒于移動(dòng)互聯(lián)網(wǎng)上商品大數(shù)據(jù)的高度復(fù)雜性，對(duì)網(wǎng)購行為執(zhí)行意向的預(yù)測(cè)其實(shí)是很困難的[2]。因此，科學(xué)預(yù)測(cè)移動(dòng)網(wǎng)購行為執(zhí)行意向已成為熱點(diǎn)問題。目前國內(nèi)外出現(xiàn)了許多相關(guān)的研究，例如大數(shù)據(jù)環(huán)境下網(wǎng)購行為執(zhí)行意向預(yù)測(cè)模型[1]、網(wǎng)購行為執(zhí)行意向的結(jié)構(gòu)探究[2]、行為執(zhí)行意向理論下網(wǎng)購營銷策略案例分析[4]、基于數(shù)據(jù)挖掘的移動(dòng)廣告?zhèn)€性化推薦研究[5]、圖文情景線索對(duì)網(wǎng)購行為意向的影響研究等[6]。這些研究具有一定的借鑒意義，但研究的深度還不夠。由于網(wǎng)購行為涉及多種驅(qū)動(dòng)因素的情境大數(shù)據(jù)[2-3]，而大數(shù)據(jù)具有核心預(yù)測(cè)優(yōu)勢(shì)。

本文運(yùn)用移動(dòng)網(wǎng)購行為執(zhí)行意向情境大數(shù)據(jù)方法，提出一個(gè)基于情境大數(shù)據(jù)的移動(dòng)網(wǎng)購行為執(zhí)行意向預(yù)測(cè)模型（Prediction models on execution intention of Mobile Internet shopping behaviors based on situational big data，簡(jiǎn)稱PMEI）。

1 移動(dòng)網(wǎng)購行為執(zhí)行意向的情境大數(shù)據(jù)挖掘

步驟1 基于數(shù)理統(tǒng)計(jì)函數(shù)XDT[1-3]，利用Web大數(shù)據(jù)統(tǒng)計(jì)方法[1-3]收集網(wǎng)購平臺(tái)上興趣、偏好、經(jīng)驗(yàn)、體驗(yàn)、地域、年齡、時(shí)間、包裝、品質(zhì)、色彩、時(shí)尚、個(gè)性、消費(fèi)心理、情緒、消費(fèi)行為、忠誠、信賴、口碑、滿意度、打折優(yōu)惠、贈(zèng)品、抽獎(jiǎng)、積分兌換、產(chǎn)品聚集、信息綁定、支付、物流等交易日志數(shù)據(jù)源。

步驟2 采用基于網(wǎng)格計(jì)算的函數(shù)XGT[4]從各個(gè)平面和角度對(duì)交易日志數(shù)據(jù)源進(jìn)行客戶網(wǎng)購行為特征標(biāo)簽分析，細(xì)化客戶網(wǎng)購行為類型和關(guān)注點(diǎn)[1-6]，形成數(shù)據(jù)子集，每個(gè)子集有原數(shù)據(jù)集中對(duì)影響結(jié)果有價(jià)值的某些屬性，則基于隨機(jī)過程理論函數(shù)RANLD[3]分析統(tǒng)計(jì)對(duì)結(jié)果集的區(qū)域、群體和時(shí)效信息指標(biāo)進(jìn)行分析[1-6]。

步驟3 基于大數(shù)據(jù)定性劃分函數(shù)DDXD[5]，線上與線下劃分?jǐn)?shù)據(jù)類別，對(duì)所提交并驗(yàn)證的情境，識(shí)別其價(jià)值和熱度，根據(jù)客戶消費(fèi)心理與行為，收集客戶點(diǎn)擊率和評(píng)價(jià)級(jí)別[1-6]，提取影響網(wǎng)購執(zhí)行意向預(yù)測(cè)結(jié)果較大的關(guān)鍵因素，確定其優(yōu)先級(jí)。其中移動(dòng)網(wǎng)購行為情境大數(shù)據(jù)映射篩選函數(shù)可用式⑴來表示：

2 基于情境大數(shù)據(jù)的移動(dòng)網(wǎng)購行為執(zhí)行意向演化動(dòng)力機(jī)制

動(dòng)力機(jī)制是與品質(zhì)、體驗(yàn)、圖片細(xì)節(jié)展示等市場(chǎng)營銷手段密切相關(guān)的[1-6]。即指網(wǎng)購者以行動(dòng)目標(biāo)為導(dǎo)向，在第一階段通過關(guān)注品質(zhì)保證、知覺體驗(yàn)、色彩展示等情境大數(shù)據(jù)線索在自我表露、忠誠、信賴、口碑、實(shí)用、享樂、滿意度[3]等目標(biāo)導(dǎo)向下期待行為反應(yīng)。通過連接網(wǎng)購情境線索和客戶網(wǎng)購行為反應(yīng)，通過情境大數(shù)據(jù)組合設(shè)計(jì)性價(jià)比最優(yōu)決策[3]，從而搭建網(wǎng)購行為執(zhí)行意向和實(shí)際網(wǎng)購行為之間相互聯(lián)系的中介變量[4]。

在第二階段，交易雙方通過談判，買賣雙方彼此交換條件，建立意向和實(shí)際行為之間的聯(lián)系[1-6]，網(wǎng)購者進(jìn)入購網(wǎng)反應(yīng)、實(shí)體驗(yàn)評(píng)價(jià)網(wǎng)購決策效果，強(qiáng)化網(wǎng)購者的回溯性認(rèn)知記憶[4]，增強(qiáng)情境大數(shù)據(jù)線索識(shí)別能力，獲得最佳網(wǎng)購產(chǎn)品和服務(wù)質(zhì)量，從而幫助網(wǎng)購者縮小預(yù)定目標(biāo)和現(xiàn)實(shí)目標(biāo)之間的距離[1-6]，來驅(qū)動(dòng)網(wǎng)購者進(jìn)入自豪感、成就感、愉悅感體驗(yàn)行為反應(yīng)，較好地預(yù)測(cè)實(shí)際網(wǎng)購行為發(fā)生的可能性[1-6]。

移動(dòng)網(wǎng)購行為執(zhí)行意向演化的動(dòng)力機(jī)制可以用數(shù)學(xué)形式來刻畫。

假設(shè)：以集合WGXDM={wgxdmi|i∈N}表示移動(dòng)網(wǎng)購行為目標(biāo)導(dǎo)向，REZAi表示性價(jià)比最優(yōu)決策，ZJBLi和RES（i，j）分別表示網(wǎng)購行為執(zhí)行意向和實(shí)際網(wǎng)購行為之間聯(lián)系的中介變量、意向和實(shí)際行為之間的聯(lián)系，網(wǎng)購者的回溯性認(rèn)知記憶用REMi來表示，預(yù)定目標(biāo)和現(xiàn)實(shí)目標(biāo)之間的距離用DIST（i，j）來表示，實(shí)際網(wǎng)購行為發(fā)生的可能性用POS（i）來表示。則移動(dòng)網(wǎng)購行為執(zhí)行意向演化的動(dòng)力機(jī)制可用式⑵來表示：

3 基于情境大數(shù)據(jù)的移動(dòng)網(wǎng)購行為執(zhí)行意向預(yù)測(cè)算法與模型

步驟1 在動(dòng)力機(jī)制的驅(qū)動(dòng)下，設(shè)計(jì)4個(gè)影響網(wǎng)購行為執(zhí)行意向的自變量：網(wǎng)購信息價(jià)值感知WGJZ、網(wǎng)購安全保障WGBZ、網(wǎng)購體驗(yàn)WGTY和網(wǎng)購渠道成本W(wǎng)GCB[2]，并進(jìn)行多模態(tài)競(jìng)爭(zhēng)性分析[2]，分析關(guān)鍵因素對(duì)預(yù)測(cè)結(jié)果的影響相似度。

算法如下：假設(shè)交易日志數(shù)據(jù)源集合為JYRZ，客戶網(wǎng)購行為特征標(biāo)簽向量為KTX=（ktx1，ktx 2，…），ktxj是KTX上的向量組成的矩陣。對(duì)于數(shù)據(jù)子集的關(guān)鍵因素計(jì)算問題，采用用螺旋集合原理，設(shè)計(jì)個(gè)性化推薦GXHJ、活動(dòng)評(píng)價(jià)HDPJ和經(jīng)驗(yàn)分享JYFX這3個(gè)影響網(wǎng)購行為執(zhí)行意向預(yù)測(cè)的中介變量[2]，計(jì)算各特征因子相似度XSD，把得分作為相似度的輸入，并基于指數(shù)映射正向反推，得出式⑶所示的趨勢(shì)預(yù)測(cè)函數(shù)，實(shí)現(xiàn)移動(dòng)網(wǎng)購行為執(zhí)行意向趨勢(shì)預(yù)測(cè)：

4 應(yīng)用實(shí)驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)分析

根據(jù)圖1所示的模型，以Java語言構(gòu)建預(yù)測(cè)系統(tǒng)。實(shí)驗(yàn)源數(shù)據(jù)的采集主要來自電話客服平臺(tái)、淘寶、全球速賣通、天貓、京東、唯品會(huì)、Wish、蘭亭集勢(shì)、敦煌、Pad平臺(tái)等電商網(wǎng)購平臺(tái)。以AMOS 20.0、Netdraw和SPSS 20.0工具軟件[2]實(shí)測(cè)得到的數(shù)據(jù)為準(zhǔn)，具有良好的信度和效度，采用隨機(jī)抽樣方法，將樣本數(shù)據(jù)以一定的比例分配給訓(xùn)練集和驗(yàn)證集[1-6]。

4.2 實(shí)驗(yàn)結(jié)果及預(yù)測(cè)模型性能分析

將基于情境大數(shù)據(jù)的移動(dòng)網(wǎng)購行為執(zhí)行意向的精準(zhǔn)綜合預(yù)測(cè)問題歸結(jié)為一個(gè)有向圖[1-6]，包括核心關(guān)系、主謂關(guān)系、定中關(guān)系、動(dòng)賓關(guān)系和并列關(guān)系等模式[3]，通過這些模式之間的依存關(guān)系尋找最大生成樹[3]，驗(yàn)證式⑴-式⑶的有效性;設(shè)計(jì)精準(zhǔn)化智能系統(tǒng)、網(wǎng)購客戶執(zhí)行意向細(xì)分標(biāo)準(zhǔn)和描述語義[3]，驗(yàn)證式⑷的有效性。

將驗(yàn)證結(jié)果分為包含核心依存關(guān)系CORE RELY、中間依存關(guān)系MIDDLE RELY、邊緣依存關(guān)系EDGE RELY和沒有依存關(guān)系NO RELY這4個(gè)二值分類器[3]。

二值是指實(shí)驗(yàn)訓(xùn)練結(jié)果取True或False兩個(gè)值，若CORE RELY、MIDDLE RELY、EDGE RELY綜合平均驗(yàn)證值取True的概率達(dá)到95.3%以上，NO RELY綜合平均驗(yàn)證值取False的概率在11.2%以下，則從訓(xùn)練解析時(shí)間、依存關(guān)系正確率、語義描述跨度、執(zhí)行意向適合度[3]這4個(gè)方面進(jìn)行描述取值，準(zhǔn)確定位網(wǎng)購行為的目標(biāo)執(zhí)行意向。并將優(yōu)先級(jí)對(duì)應(yīng)分量和之前與客戶相關(guān)的網(wǎng)購行為執(zhí)行意向適合度分量相乘[1-6]，使得任何時(shí)間段的預(yù)測(cè)誤差都保持最小值并且在平衡系統(tǒng)中保持平穩(wěn)、與平衡系統(tǒng)的大小成正比，最后決策樹根據(jù)篩選出的因子細(xì)分葉節(jié)日點(diǎn)，并不斷優(yōu)化，改善網(wǎng)購客戶的友好度體驗(yàn)，得到網(wǎng)購行為執(zhí)行意向排名[1-6]，從而精確地對(duì)移動(dòng)網(wǎng)購行為執(zhí)行意向的趨勢(shì)和結(jié)構(gòu)進(jìn)行綜合預(yù)測(cè)，驗(yàn)證式⑸的有效性。

PMEI性能分析結(jié)果如表1所示。

因此，分析表1，比較訓(xùn)練解析時(shí)間、依存關(guān)系正確率、語義描述跨度、執(zhí)行意向適合度這4個(gè)方面的實(shí)驗(yàn)結(jié)果數(shù)據(jù)，CORE RELY、MIDDLE RELY、EDGE RELY綜合平均驗(yàn)證值取True的概率均達(dá)到97%以上，符合預(yù)設(shè)95.3%標(biāo)準(zhǔn)，而NO RELY綜合平均驗(yàn)證值取False的概率為9.60%，低于預(yù)設(shè)11.2%，這表明本文所提出PMEI算法和模型是合理有效的，因此具有一定的應(yīng)用價(jià)值。

5 總結(jié)和展望

本文實(shí)驗(yàn)結(jié)果分析表明CORE RELY、MIDDLE RELY、EDGE RELY、NO RELY等指標(biāo)均符合預(yù)定的要求，這表明PMEI模型是合理有效的，在網(wǎng)絡(luò)營銷管理領(lǐng)域的應(yīng)用前景比較寬廣。但是受到移動(dòng)網(wǎng)購環(huán)境高度復(fù)雜性和大數(shù)據(jù)軟件分析手段的局限，本文研究的移動(dòng)網(wǎng)購行為執(zhí)行意向預(yù)測(cè)方法僅僅是一些比較淺層的參考方法，在大數(shù)據(jù)挖掘算法優(yōu)化等方面還有許多需要深度研究的問題有待進(jìn)一步探討。

參考文獻(xiàn)（References）：

[1] McDonald，Holine K. Study on forecasting models of execution intention of internet shopping behaviors under the background of big data[J].World Internet Marketing，2018（3）：125-128

[2] 趙楊，王林.網(wǎng)購行為執(zhí)行意向的結(jié)構(gòu)探究[J].管理現(xiàn)代化，x2015.3：102-104

[3] 張亞明，趙楊，王林.基于執(zhí)行意向理論的網(wǎng)購評(píng)論行為反應(yīng)x模式研究[J].軟科學(xué)，2016.30（7）：118-123

[4] 王林，賈瑞雪，劉月等.行為執(zhí)行意向理論下網(wǎng)購營銷策略案例分析[J].商業(yè)經(jīng)濟(jì)研究，2016.21：62-64

[5] 于海平，林曉麗，劉會(huì)超.基于數(shù)據(jù)挖掘的移動(dòng)廣告?zhèn)€性化推薦研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2014.24（8）：234-237

[6] 王林，季美旭，方恒.圖文情景線索對(duì)網(wǎng)購行為意向的影響研究[J].管理現(xiàn)代化，2016.3：93-95