基于評論挖掘消費(fèi)者偏好的藍(lán)牙耳機(jī)設(shè)計策略

王二朋，石澤宇，吳越峰

基于評論挖掘消費(fèi)者偏好的藍(lán)牙耳機(jī)設(shè)計策略

王二朋，石澤宇*，吳越峰

（南京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，南京 211800）

本研究旨在從在線評論數(shù)據(jù)中挖掘消費(fèi)者偏好信息，以探索藍(lán)牙耳機(jī)設(shè)計的改良策略。使用Python爬蟲抓取目標(biāo)消費(fèi)者評論，并通過數(shù)據(jù)挖掘和文本分析定位需求主題和關(guān)鍵詞后，基于消費(fèi)者偏好理論，對產(chǎn)品功能屬性進(jìn)行情感分析和需求描述以控制變量，運(yùn)用Mixed-logit模型提取消費(fèi)者偏好特征以尋求最優(yōu)的設(shè)計策略。通過定量的實(shí)證研究，回歸分析了偏好特征參數(shù)的顯著性表達(dá)，生成藍(lán)牙耳機(jī)改良策略實(shí)例并通過滿意度檢測驗(yàn)證其可行性。結(jié)合評論挖掘和Mixed-logit模型，不僅能夠設(shè)計出以消費(fèi)者偏好為核心的產(chǎn)品設(shè)計方案，還可以為相關(guān)產(chǎn)品的設(shè)計策略改進(jìn)提供指導(dǎo)與建議，具有一定的創(chuàng)新性和實(shí)用性。

藍(lán)牙耳機(jī)；評論挖掘；消費(fèi)者偏好；Mixed-logit模型；產(chǎn)品設(shè)計策略

隨著通信技術(shù)的迅猛發(fā)展，藍(lán)牙耳機(jī)在消費(fèi)市場中備受青睞，需求量逐年攀升。Bluetooth v5.4版本的更新突破了藍(lán)牙在消費(fèi)者使用體驗(yàn)中的技術(shù)壁壘，促使藍(lán)牙耳機(jī)積極探索立體音效、智能控制、智能降噪、健康監(jiān)測和社交功能等領(lǐng)域。近5年來，我國藍(lán)牙耳機(jī)市場保持超過20%的增速，2022年市場規(guī)模接近45億美元。隨著消費(fèi)者可支配收入和消費(fèi)習(xí)慣的變化，未來這一數(shù)字有望進(jìn)一步提高，為藍(lán)牙耳機(jī)帶來巨大的市場增量空間和蓬勃的發(fā)展前景。

消費(fèi)者偏好是優(yōu)化產(chǎn)品設(shè)計策略的關(guān)鍵信息[1]。George等[2]在《工業(yè)設(shè)計》中指出，產(chǎn)品設(shè)計的過程實(shí)際上是從“消費(fèi)者域”到“產(chǎn)品屬性域”的映射。消費(fèi)者偏好作為“消費(fèi)者域”的一種表達(dá)，反映了消費(fèi)者對產(chǎn)品設(shè)計的愿景。因此，張克一等[3]認(rèn)為，了解消費(fèi)者偏好實(shí)際上是一個跨組織邊界的新舊知識獲取、理解、整合、再分配，以滿足消費(fèi)者需求的過程。賈薇等[4]認(rèn)為根據(jù)消費(fèi)者的偏好信息優(yōu)化產(chǎn)品屬性，符合效用最大化原則，能有效提高消費(fèi)者的購買意愿，從而為企業(yè)更新產(chǎn)品的設(shè)計策略提供重要參考。

當(dāng)前企業(yè)越來越注重從產(chǎn)品評論中挖掘消費(fèi)者的偏好信息[5]，因此找到一個以消費(fèi)者為中心的產(chǎn)品設(shè)計策略是成功銷售的關(guān)鍵[6]。張艷豐等[7]發(fā)現(xiàn)，隨著線上消費(fèi)規(guī)模的不斷增長，電商平臺積極拓展消費(fèi)評價模塊，在線評論成為消費(fèi)者獲取信息、分享經(jīng)驗(yàn)的重要渠道。與傳統(tǒng)的市場調(diào)研相比，在線評論不受時間、地域和職業(yè)差異等影響，能夠較為貼切地進(jìn)行表達(dá)。作為用戶生成內(nèi)容的一種形式，評論數(shù)據(jù)蘊(yùn)涵了大量用戶對產(chǎn)品屬性的評價，通過其構(gòu)建“用戶畫像”可以準(zhǔn)確地闡述消費(fèi)者的選擇行為和購買意愿，是消費(fèi)者購買體驗(yàn)的真實(shí)反饋[8]，隱含了消費(fèi)者對產(chǎn)品功能實(shí)現(xiàn)的期望和設(shè)想[9]，為設(shè)計以消費(fèi)者為導(dǎo)向的產(chǎn)品策略提供了關(guān)鍵支撐。

因此，本文旨在將Python爬取的藍(lán)牙耳機(jī)評論通過文本分析創(chuàng)建詞云關(guān)系，進(jìn)而識別消費(fèi)者的情感趨向，利用Mixed-logit模型提取偏好特征參數(shù)以優(yōu)化藍(lán)牙耳機(jī)的功能配置組合[10-11]，以客觀地改良藍(lán)牙耳機(jī)設(shè)計策略，從而抓住通信技術(shù)發(fā)展機(jī)遇，滿足未來我國不同消費(fèi)偏好下藍(lán)牙耳機(jī)的遞增需求。

1 研究綜述

1.1 消費(fèi)者偏好獲取研究綜述

通過焦點(diǎn)小組訪談、調(diào)查、頭腦風(fēng)暴等定性或定量的方法來獲取消費(fèi)者偏好信息的方法已經(jīng)被廣泛地探討。但是由于成本效益和樣本代表性，這些方法在獲取消費(fèi)者偏好信息方面的全面性、實(shí)用性和準(zhǔn)確性仍存在爭議[12]。

以往的研究證明在線評論是揭示消費(fèi)者偏好的重要來源之一。首先，通過分析消費(fèi)者在評論中所提到的特征和意見，可以快速獲得有關(guān)產(chǎn)品口碑滿意度或熱點(diǎn)話題等有價值的洞察。Jin等[13]運(yùn)用現(xiàn)有研究方法挖掘評論信息可以有效解決消費(fèi)者偏好獲取困難的問題；Hu等[12]利用網(wǎng)絡(luò)評論數(shù)據(jù)研究了口碑對消費(fèi)者購買決策的影響；吳江等[14]利用文本挖掘技術(shù)研究了智能手環(huán)上用戶評論中的熱點(diǎn)需求話題，并結(jié)合不同時期的評論信息，分析了用戶持續(xù)時間與滿意度之間的關(guān)系。其次，在線評論不僅僅是對產(chǎn)品或服務(wù)的反饋，還可以用來挖掘消費(fèi)者體驗(yàn)或產(chǎn)品服務(wù)的情感和期望。杜學(xué)美等[15]認(rèn)為，消費(fèi)者評論不僅表達(dá)了對產(chǎn)品的需求和滿意程度，還反映了消費(fèi)者對購物體驗(yàn)、預(yù)期偏好和相關(guān)服務(wù)的真實(shí)表達(dá)；Kim等[16]基于在線評論的情感強(qiáng)度和LDA主題提取模型，對兩種競爭性的化妝品牌進(jìn)行了消費(fèi)者的滿意度比較。最后，結(jié)合機(jī)器算法探索在線評論中的偏好信息可以進(jìn)一步提高研究結(jié)果的準(zhǔn)確性。Konjengbam等[17]應(yīng)用機(jī)會算法測量基于消費(fèi)者的情感極性，探索了消費(fèi)者購物體驗(yàn)過程中對產(chǎn)品預(yù)期屬性和服務(wù)的偏好。

1.2 產(chǎn)品設(shè)計分析模型概述

利用評論數(shù)據(jù)進(jìn)行產(chǎn)品設(shè)計分析是可行的。例如，Bae等[18]、Tuaro等[19]和Ma等[20]基于聚類、決策樹和隨機(jī)森林等機(jī)器學(xué)習(xí)算法，對評論數(shù)據(jù)進(jìn)行統(tǒng)計分析。盡管這些模型提高了各情形下消費(fèi)偏好的預(yù)測效率，但無法解決消費(fèi)群體偏好的異質(zhì)性問題。另一方面，一些研究學(xué)者通過解釋消費(fèi)者喜歡或不喜歡產(chǎn)品功能屬性的根本原因，更好地提取了消費(fèi)者的偏好主題。例如，常用的方法包括質(zhì)量功能部署[21]、卡諾模型[22]和LDA主題提取模型[23]。這些方法雖然在解決消費(fèi)偏好分類的方面具有顯著優(yōu)勢，但面對龐大的數(shù)據(jù)量時，往往存在誤差項(xiàng)的問題。

Mixed-logit模型因閉式表達(dá)被廣泛應(yīng)用于海量數(shù)據(jù)的混合消費(fèi)者行為分析當(dāng)中，其獨(dú)立分布假設(shè)解釋了消費(fèi)者對產(chǎn)品功能屬性的選擇意愿[24]。Lai等[25]采用數(shù)據(jù)挖掘技術(shù)和Mixed-logit模型結(jié)合的方式，準(zhǔn)確地描述了消費(fèi)者視角下中國智能手機(jī)市場的潛在需求和支付意愿。而且，由于該模型允許參數(shù)在個體之間隨機(jī)變動，通過參數(shù)的分布（均值、標(biāo)準(zhǔn)差）刻畫個體的異質(zhì)性，從而更好地進(jìn)行異質(zhì)性研究以劃分消費(fèi)偏好。Gerard等[26]利用自然語言處理技術(shù)，從在線評論中提取了消費(fèi)者對產(chǎn)品功能屬性的陳述性偏好，通過模擬消費(fèi)者的選擇行為以優(yōu)化選擇設(shè)計實(shí)驗(yàn)，解決了主觀預(yù)設(shè)誤差的問題。

因此，本文在研究方法上傾向于融合大數(shù)據(jù)分析的便捷性和消費(fèi)者行為分析的因果關(guān)聯(lián)性，利用Mixed-logit模型更好地捕捉消費(fèi)者對產(chǎn)品設(shè)計的偏好信息，從而制定擇優(yōu)策略。

2 研究設(shè)計

2.1 數(shù)據(jù)挖掘與處理

隨著電子商務(wù)的快速發(fā)展，藍(lán)牙耳機(jī)的在線購買數(shù)量急劇增加，在線評論數(shù)據(jù)也越來越豐富。Gartner[27]2021年的研究報告指出，未來全球可穿戴設(shè)備網(wǎng)購銷量有望達(dá)到3.1億臺，其中藍(lán)牙耳機(jī)占比40%。京東作為國內(nèi)知名電商平臺，消費(fèi)者活躍度高，可以提供方便快捷的消費(fèi)者評論數(shù)據(jù)和真實(shí)的用戶特征畫像。因此，以京東商城的消費(fèi)者在線評論作為數(shù)據(jù)來源，具有很好的研究代表性和實(shí)踐性。

本文借助NLPIR大數(shù)據(jù)語義智能分析平臺，以簡化大數(shù)據(jù)挖掘和自然語言處理的分析過程，具體如下。

1）基于Ramo等[28]提出的TF-IDF算法對文本進(jìn)行解析，識別出與產(chǎn)品設(shè)計相關(guān)的關(guān)鍵詞。

2）利用Pandas工具進(jìn)行數(shù)據(jù)清洗的過程不僅在于刪除無效評論和無意義語句，更重要的是根據(jù)不同的產(chǎn)品定位和價格區(qū)間，對用戶進(jìn)行分類，并分別對其評論進(jìn)行分析。

3）對這些關(guān)鍵詞進(jìn)行文本聚類，從大規(guī)模數(shù)據(jù)中自動分析出產(chǎn)品設(shè)計的熱點(diǎn)，并提供與之相關(guān)的需求特征描述，清晰地構(gòu)建用戶評論的“果”和為何這么評價的“因”之間的邏輯關(guān)系。

4）應(yīng)用Jieba中文分詞庫對結(jié)果進(jìn)行智能過濾審查，針對產(chǎn)品設(shè)計需求的關(guān)鍵詞進(jìn)行情感分析，量化情感極性和得分。該過程可以為獲取消費(fèi)者的偏好特征提供有價值的參考信息。

2.2 構(gòu)建Mixed-logit模型

基于消費(fèi)者的偏好構(gòu)建用戶評論和購買意愿可以解釋消費(fèi)行為背后的因果關(guān)系。基于此，本研究不僅可以得到消費(fèi)者與產(chǎn)品之間的關(guān)系產(chǎn)品的外觀、性能、質(zhì)量等物質(zhì)層偏好，還能實(shí)現(xiàn)產(chǎn)品上升到用戶特征和情感層面等附屬偏好的獲取。

3 數(shù)據(jù)挖掘與文本分析

3.1 評論采集

本研究采用Python Charm平臺中的Requests庫爬取京東商城上的在線評論數(shù)據(jù)，并借助Pandas工具進(jìn)行數(shù)據(jù)清洗。時間為2021年6—12月，本文選取了占比達(dá)82%的消費(fèi)偏好價格區(qū)間（94～312元）內(nèi)銷量前十的京東商城藍(lán)牙耳機(jī)的評論數(shù)據(jù)，排除機(jī)器和虛假評論，最終篩選出163 274條有效數(shù)據(jù)，具體藍(lán)牙耳機(jī)型號如圖1所示。

在消費(fèi)者層面，鑒于京東平臺對用戶的隱私保護(hù)，從用戶群體獲取的特征較為局限。為了能夠最大程度降低產(chǎn)品背后的評論自由度，本文收集了消費(fèi)者的基本特征以劃分目標(biāo)群體的消費(fèi)意愿。具體收集情況見表1。

圖2是以小米Air2S藍(lán)牙耳機(jī)為例的評論挖掘?qū)嵗膱D2中可以看出，消費(fèi)者普遍對該產(chǎn)品的降噪功能、音質(zhì)解碼和連接速度等方面表現(xiàn)出較高的滿意度，其中表述最為頻繁的關(guān)鍵詞包括“降噪完美”“清晰明確”“反應(yīng)迅速”等。

圖1 藍(lán)牙耳機(jī)在線評論數(shù)據(jù)描述

表1 用戶群體特征描述

Tab.1 Description of user group characteristics

圖2 Xiaomi Air2S文本挖掘樣例

3.2 文本分析

首先，對清洗后的評論數(shù)據(jù)進(jìn)行詞頻統(tǒng)計、詞性劃分和詞云的生成。將詞頻按降序排列，取前30個關(guān)鍵詞，得到高頻詞占比和詞云圖（如圖3所示），從圖3a可知，“性價比”“電池”“音質(zhì)”“質(zhì)量”占據(jù)了大半的比例，集中反映了消費(fèi)者對藍(lán)牙耳機(jī)的核心需求。接著，根據(jù)詞性和關(guān)聯(lián)關(guān)系突出主要關(guān)鍵詞，并將這些高頻詞云關(guān)系構(gòu)建成如圖3b所示的詞云，從中能夠看出消費(fèi)者對藍(lán)牙耳機(jī)設(shè)計策略的偏好，可以將其作為該領(lǐng)域的研究熱點(diǎn)。

最后，通過關(guān)鍵詞聚類和情感評分映射產(chǎn)品功能屬性和消費(fèi)者的情感趨向，以此構(gòu)建不同產(chǎn)品屬性下的用戶畫像。如表2所示，大多數(shù)關(guān)鍵詞都是正面的，只有少數(shù)幾個（如外觀、舒適度等）與負(fù)面情緒相關(guān)。最常被提及的關(guān)鍵詞是“性價比”，但它的情緒得分為0.573 7。這表明目前至少有一半的藍(lán)牙耳機(jī)產(chǎn)品達(dá)不到消費(fèi)者的預(yù)期準(zhǔn)則?！敖翟搿彪m然被提及的頻率不高，但人氣較高，這說明是否具有降噪功能及功能的好壞是影響消費(fèi)者購買決策的重要因素。此外，“音質(zhì)”和“電池”獲得了積極的滿意度評分，體現(xiàn)了消費(fèi)者的積極購買意愿。因此，在藍(lán)牙耳機(jī)性價比均衡的前提下，電池、音質(zhì)、延遲及降噪功能等仍是藍(lán)牙耳機(jī)產(chǎn)品策略反映的設(shè)計重點(diǎn)。

圖3 詞頻排序結(jié)果

表2 中國市場藍(lán)牙耳機(jī)的關(guān)鍵詞情感分析

Tab.2 Keyword sentiment analysis of Bluetooth headsets in the Chinese market

4 基于Mixed-logit模型的消費(fèi)者偏好特征提取

4.1 關(guān)鍵詞情感分析

因此，可以得到基于關(guān)鍵詞情感特征的Mixed- logit效用和概率模型，見式（5）～（6）。

如表3所示，實(shí)證結(jié)果中僅有6個主要關(guān)鍵詞揭示了消費(fèi)者情感特征的異質(zhì)性。耳機(jī)降噪效果在很大程度上影響了消費(fèi)者的購買決策，企業(yè)可以通過優(yōu)化降噪功能來吸引更多的消費(fèi)。反之，消費(fèi)者對當(dāng)前藍(lán)牙耳機(jī)的外觀和舒適性設(shè)計并不滿意，這揭示了線上消費(fèi)群體審美和體感的差異。為了給消費(fèi)者提供更好的佩戴體驗(yàn)，企業(yè)應(yīng)當(dāng)重視人機(jī)交互和人因工程的研究，設(shè)計出具有科技美感且符合人體工程學(xué)的藍(lán)牙耳機(jī)。

4.2 用戶特征分析

表3 關(guān)鍵詞對應(yīng)產(chǎn)品屬性情感特征估計

Tab.3 Estimation of emotion characteristics of keywords

注：表中“*”“**”“***”分別表示估計值在10%、5%、1%的水平上顯著。

表4用戶特征參數(shù)表明，小米Air2S和榮耀耳機(jī)Earbuds X1等高評級藍(lán)牙耳機(jī)在一線城市的用戶中明顯受到青睞。隨著中國城市居民收入水平的不斷提高，越來越多來自一線城市的消費(fèi)者愿意為口碑良好的產(chǎn)品支付溢價，這實(shí)際上也是產(chǎn)品質(zhì)量的客觀反映。同樣，京東PLUS會員更喜歡服務(wù)優(yōu)質(zhì)、折扣優(yōu)惠的耳機(jī)，如漫步者 Lolli Pods和恩科EW10。這表明有效的營銷策略和銷售服務(wù)可以為藍(lán)牙耳機(jī)提供額外的銷售增長。此外，以Android用戶為代表的低消費(fèi)群體，由于Android系統(tǒng)的兼容性更好，更喜歡OPPO Enco Air、Vivo TWS等價格較低的耳機(jī)。在此情形下，價格優(yōu)先度高于藍(lán)牙耳機(jī)系統(tǒng)的兼容性。

4.3 交叉異質(zhì)性分析

將產(chǎn)品屬性變量與用戶特征進(jìn)行交叉回歸分析，可以捕捉消費(fèi)者對產(chǎn)品屬性偏好異質(zhì)性。如表5所示，首先，京東PLUS會員消費(fèi)者表達(dá)了在平價產(chǎn)品上獲得更多優(yōu)惠的期望，可能是為了彌補(bǔ)產(chǎn)品附加服務(wù)屬性所支付費(fèi)用的成本。其次，iOS用戶更關(guān)心高穩(wěn)定性和低延遲的使用體驗(yàn)，并愿意為耳機(jī)的藍(lán)牙協(xié)議版本支付溢價。最后，耳機(jī)的電池續(xù)航能力對一線城市用戶具有顯著影響，主要原因是這些城市應(yīng)用場景多。例如，城市地鐵禁止聲音外放，這使得耳機(jī)成為必需品，而長時間的佩戴則使消費(fèi)者對電池續(xù)航功能提出了更高的要求。

表4 用戶特征參數(shù)估計

Tab.4 Estimation of user characteristic parameters

注：表中“*”“**”“***”分別表示估計值在10%、5%、1%的水平上顯著。

表5 產(chǎn)品屬性交互參數(shù)估計

Tab.5 Product attribute interactive parameter estimation

注：表中“*”“**”“***”分別表示估計值在10%、5%、1%的水平上顯著。

5 基于消費(fèi)者偏好的改良策略與評價

5.1 藍(lán)牙耳機(jī)的改良策略

基于評論挖掘和Mixed-logit模型獲取的消費(fèi)者偏好信息，對藍(lán)牙耳機(jī)進(jìn)行設(shè)計策略的改良。改進(jìn)后的產(chǎn)品優(yōu)點(diǎn)主如下。

1）為了改善消費(fèi)者對藍(lán)牙耳機(jī)外觀設(shè)計和舒適度的負(fù)面情感特征，改良設(shè)計策略采用人體工學(xué)設(shè)計原理，增加內(nèi)耳廓橡膠圈設(shè)計（如圖4所示），以優(yōu)化用戶佩戴體驗(yàn)。美化耳機(jī)支柱使得產(chǎn)品整體造型更加輕盈，提高產(chǎn)品的舒適度的同時考慮顏色及造型的設(shè)計，以減少審美疲勞獲得更多的消費(fèi)者審美偏好。

2）通過提供優(yōu)質(zhì)的售后服務(wù)和口碑宣傳等方式來增強(qiáng)產(chǎn)品的口碑效應(yīng)和品牌形象很有必要，但是更重要的是在考慮性價比的同時改良藍(lán)牙協(xié)議和解碼方案等電子元件的布局（如圖4所示），減少不必要的硬件，以滿足低消費(fèi)群體對藍(lán)牙耳機(jī)的基本需求。

圖4 人體工學(xué)設(shè)計和電子元件配置策略改進(jìn)

3）借鑒索尼的成功經(jīng)驗(yàn)，本文還考慮了高保真消費(fèi)群體的偏好。在產(chǎn)品策略中引進(jìn)了聲音降噪定位和空間音頻等技術(shù)（如圖5所示），以提供更沉浸式的音質(zhì)體驗(yàn)。在拓寬市場占有率的同時，進(jìn)一步滿足我國不同類型消費(fèi)者對藍(lán)牙耳機(jī)的潛在需求。

圖5 降噪定位和空間音頻設(shè)計策略優(yōu)化

4）隨著藍(lán)牙耳機(jī)的佩戴場景越來越多，電池充電續(xù)航能力進(jìn)一步受到挑戰(zhàn)。因此，為了滿足消費(fèi)者對大容量和高續(xù)航耳機(jī)的偏好需求，本文提出了圓盤無線充電配置的附加功能方案（如圖6所示），可及時充電以解決消費(fèi)者的續(xù)航焦慮問題。

5.2 消費(fèi)者滿意度評價

將評論挖掘的10款藍(lán)牙耳機(jī)與改良的設(shè)計策略進(jìn)行對比，制作滿意度評價表（計算分值設(shè)置為1～5分）并投遞給50位京東平臺的網(wǎng)購消費(fèi)者。通過對消費(fèi)者偏好特征進(jìn)行滿意度檢測。優(yōu)化后的策略根據(jù)上述四處改良點(diǎn)（如圖4～6所示）被劃分為8項(xiàng)指標(biāo)，分別是：佩戴舒適感、外觀設(shè)計美感、高性價比、電子元件合理布局、降噪效果、音質(zhì)效果、高電池容量、高續(xù)航能力。圖7的結(jié)果表明各項(xiàng)指標(biāo)均分都在4分以上，并且優(yōu)于原始策略的平均值。此改進(jìn)策略不僅驗(yàn)證了理論研究的可行性，而且還滿足了消費(fèi)者對藍(lán)牙耳機(jī)的偏好需求。

圖6 圓盤無線充電功能配置策略附加

圖7 消費(fèi)者滿意度檢測

6 研究結(jié)論

本文從消費(fèi)者偏好視角出發(fā)，基于文本挖掘的方法將客觀的在線評論轉(zhuǎn)化為產(chǎn)品設(shè)計需求，通過文本分析捕捉關(guān)鍵詞所對應(yīng)產(chǎn)品屬性的情感特征，利用Mixed-logit模型定量研究了消費(fèi)者的偏好信息及其影響因素，實(shí)現(xiàn)了從消費(fèi)反饋到產(chǎn)品策略改進(jìn)的快速響應(yīng)。此研究過程為后續(xù)以消費(fèi)者偏好為導(dǎo)向的產(chǎn)品策略提供了科學(xué)的參考依據(jù)。通過用戶滿意度評價表，驗(yàn)證了Mixed-logit模型在捕捉消費(fèi)者偏好方面的優(yōu)異性，為其他智能穿戴設(shè)備的策略設(shè)計提供實(shí)際案例。

[1] WANG E, LIU Z, GAO Z, et al. Consumer Preferences for Agricultural Product Brands in an E-commerce Environment[J]. Agribusiness, 2022, 38(2): 312-327.

[2] GEORGE E.D, LINDA C S. Industrial Design[M]. Beijing: China Machine Press, 2015.

[3] 張克一, 唐小飛, 魯平俊, 等. 基于C2C與B2C虛擬品牌社區(qū)的企業(yè)知識創(chuàng)新比較研究[J]. 科研管理, 2016, 37(12): 65-72. ZHANG K., TANG X, LU P J. et al. A Comparative Study of Corporate Knowledge Innovation Based on C2C and B2C Virtual Brand Communities[J]. Scientific research Management, 2016, 5(12): 65-72.

[4] 賈薇, 張明立, 王寶. 顧客價值在顧客參與和顧客滿意關(guān)系中的中介效應(yīng)研究[J]. 中國工業(yè)經(jīng)濟(jì), 2009(4): 105-115. JIA W, ZHANG M L, WANG B. Customer Value on Customer Participation and the Mediation Effect in the Relationship between Customer Satisfaction Research [J]. China Industrial Economy, 2009(4): 105-115.

[5] KESSLER E H, CHAKRABATI A K. Speeding up the Pace of New Product Development[J]. Journal of Product Innovation Management: An International Publication of the Product Development & Management Association, 1999, 16(3): 231-247.

[6] 姚山季, 王永貴, 來堯靜. 顧客參與新產(chǎn)品開發(fā)及其結(jié)果影響的綜述[J]. 科技管理研究, 2011, 31(7): 221- 224. YAO S J, WANG Y G, LAI Y J. A Review of Customer Participation in New Product Development and Its Impact[J]. Science and Technology Management Research, 2011, 31(7): 221-224.

[7] 張艷豐, 王羽西, 彭麗徽, 等. 基于文本挖掘的在線用戶追加評論內(nèi)容情報研究--以京東商城手機(jī)評論數(shù)據(jù)為例[J]. 現(xiàn)代情報, 2020, 40(9): 96-105. ZHANG Y F, WANG Y X, PENG L H. et al. Research on Online User Additional Review Content Intelligence Based on Text Mining: A Case Study of Jingdong Mall Mobile Phone Review Data[J]. Modern Intelligence, 2020, 40(9): 96-105.

[8] 王二朋, 倪鄭宇. 農(nóng)產(chǎn)品線上消費(fèi)者的偏好特征研究--基于“京東”銷售蘋果在線評論數(shù)據(jù)的分析[J]. 價格理論與實(shí)踐, 2020(2): 120-123. WANG E P, NI Z Y. Research on the Preference Characteristics of Online Consumers of Agricultural Products: Based on the Analysis of Online Review Data of Apple Sales on "Jingdong"[J]. Price Theory and Practice, 2020(2): 120-123.

[9] HENNIG-THURAU T, GWINNER K P, WALSH G, et al. Electronic Word-of-mouth via Consumer-opinion Platforms: What Motivates Consumers to Articulate Themselves on the Internet?[J]. Journal of Interactive Marketing, 2004, 18(1): 38-52.

[10] KUO Y H, ANDREW K. From Data to Big Data in Production Research: The Past and Future Trends[J]. International Journal of Production Research, 2018, 57 (15-16): 4828-4853.

[11] TAO F, SUI F Y, LIU A, QI Q L, et al. Digital Twin-Driven Product Design Framework[J]. International Journal of Production Research, 2019, 57(12): 3935-3953.

[12] HU Y Y, CHEN H. Opinion Mining fromOnline Hotel Reviews–A Text Summarization Approach[J]. Information Processing & Management, 2017, 53(2): 436-449.

[13] JIN J Y, LIU P J, KWONG C K. Review on RecentAdvances in Information Mining from Big Consumer Opinion Data for Product Design[J]. Journal of Computing and Information Science in Engineering, 2019, 19(1): 010801.

[14] 吳江, 周露莎, 劉冠君, 等. 基于LDA的可穿戴設(shè)備在線評論主題挖掘研究[J]. 信息資源管理學(xué)報, 2017, 7(3): 24-33. WU J, ZHOU L, LIU G, et al. Wearable Devices Based on the LDA Online Comments about Mining Research [J]. Journal of Information Resources Management, 2017, 7(3): 24-33.

[15] 杜學(xué)美, 丁璟妤, 謝志鴻, 等. 在線評論對消費(fèi)者購買意愿的影響研究[J]. 管理評論, 2016, 28(3): 173-183.DU X M, DING J Y, XIE Z H, et al. The Influence of Online Reviews on Consumer Purchase Intention Study [J]. Journal of Management Review, 2016, 28(3): 173-183.

[16] KIM S, KANG J. Analyzing the Discriminative Attributes of Products Using Text Mining Focused on Cosmetic Reviews[J]. Information Processing & Management, 2018, 54(6): 938-957.

[17] KONJENGBAM A N, DEWANGA N, KUMAR M. Aspect Ontology Based Review Exploration[J]. ElectronicCommerce Research and Applications, 2018, 30(62): 62-71.

[18] BAE J K, KIM J H. Product Development with Data Mining Techniques: A Case on Design of Digital Camera[J]. Expert Systems with Applications, 2018, 38(8): 9274-9280.

[19] TUARO, SUPPAWONG, CONRAD S T. Automated Discovery of Lead Users and Latent Product Features by Mining Large Scale Social Media Networks[J]. Journal of Mechanical Design, 2015, 137(7): 11.

[20] MA J K, HARRISON M. K. Product Family Architecture Design with Predictive, Data-Driven Product Family DesignMethod[J]. Research in Engineering Design, 2016, 27(1): 5-21.

[21] CHENG H S, LIU H T, LIAO T. J. An Integrated Product Design and Selection Approach Using Grey QFD and Grey TOPSIS Methods[J]. International Journal of Information & Management Sciences, 2015, 26(1): 29-50.

[22] XIAO S S, WEI C P, MING D. Crowd Intelligence: Analyzing Online Product Reviews for Preference Measurement[J]. Information and Management, 2016, 53(2): 169–182.

[23] 周云澤, 閔超. 基于LDA模型與共享語義空間的新興技術(shù)識別--以自動駕駛汽車為例[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn), 2022, 6(Z1): 55-66. ZHOU Y Z, MIN C. Identification of Emerging Technologies Based on LDA Model and Shared Semantic Space--A Case study of Autonomous Vehicles[J]. Journal of Data Analysis and Knowledge Discovery, 2012, 6(Z1): 55-66.

[24] AYDIN R., KWONG C K, JI P. A Novel Methodology for Simultaneous Consideration of Remanufactured and New Products in Product Line Design[J]. International Journal of Production Economics, 2015, 169: 127-140.

[25] LAI X, ZHANG Q, CHEN Q, et al. The Analytics of Product-design Requirements Using Dynamic Internet Data: Application to Chinese Smartphone Market[J]. International Journal of Production Research, 2019, 57(18): 5660-5684.

[26] GERARD D J, KROES E. Discrete Choice Analysis[M]. Berlin: Springer International, 2014: 121-142.

[27] Gartner. Gartner Forecasts Global Spending on Wearable Devices to Total $81.5 Billion in 2021[EB/OL]. (2021-01-12)[2023-03-12]. https://www.gartner.com/en/ newsroom/press-releases/2021-01-11-gartner-forecasts- global-spending-on-wearable-devices-to-total-81-5- billion-in-2021.

[28] RAMO J. Using tf-idf to Determine Word Relevance in Document Queries[C]// Proceedings of the First Instructional Conference on Machine Learning. Chongqing: Computer Science, 2003, 242(1): 29-48.

[29] LANCASTER K J. A New Approach to Consumer Theory [J]. Journal of Political Economy, 1966, 74(2): 132-157.

Bluetooth Headset Design Strategy Based on Mining Consumer Preferences from Reviews

WANG Erpeng, SHI Zeyu*, WU Yuefeng

(School of Economics and Management, Nanjing Tech University, Nanjing 211800, China)

The work aims to mine consumer preference information from online review data in order to explore the improvement strategy of Bluetooth headset design. The Python crawler was used to capture target consumer reviews, and the demand topic and keywords were located through data mining and text analysis. Based on the theory of consumer preference, sentiment analysis and demand description of product functional attributes were conducted to control variables, and the Mixed-logit model was used to extract consumer preference characteristics, so as to seek the optimal design strategy.Through quantitative empirical research, the significant expression of preference characteristic parameters was analyzed by regression, and an example of Bluetooth headset improvement strategy was generated, and its feasibility was verified by a satisfaction test. The combination of review mining and Mixed-logit model can not only design the product design scheme with consumer preference as the core, but also provide guidance and suggestions for the improvement of related product design strategies, which has a certain degree of innovation and practicality.

Bluetooth headset; comment mining; consumer preference; Mixed-logit model; product design strategy

TB472

A

1001-3563(2024)02-0134-08

10.19554/j.cnki.1001-3563.2024.02.014

2023-08-24

國家自然科學(xué)基金（71903088）；教育部人文社會科學(xué)青年基金項(xiàng)目（19YJC790132）