基于大數據預測的消費者購買決策行為分析

王永周

內容摘要：隨著科技的飛速發展，人們的生活方式和思維模式發生了轉變。本文結合大數據、消費者行為學和預測科學理論，從消費者購買決策的視角出發，通過文獻研究、案例研究和對比研究等方法，探索預測消費者購買決策行為的新途徑，修正了傳統的消費者購買行為模型。同時，本文強調大數據自身的工具性屬性，指出大數據并未改變營銷理念的根本，但運用好大數據則可以更好地實現精準化營銷，創造客戶感知價值，創造客戶資源。

關鍵詞：大數據 消費者決策 預測 消費者黑箱

引言

伴隨著廉價的存儲器、高速的寬帶和無線網絡、云計算和物聯網的發展以及各種移動設備、傳感器的廣泛應用，用戶產生和保存數據比以往任何時期都要容易，全樣本和實時數據的搜集也成為了可能。大數據作為一種顛覆性的技術革命，對人們的生活方式和認知世界的思維方式產生了極大的影響，因為大數據分析具有降低不確定性這一屬性，使得大數據受到政府、研究組織、媒體、商界以及社會公眾的高度重視。大數據背后所隱藏的行為規律，對挖掘大數據的營銷價值是全球營銷領域面臨的重要課題。

在國內外已有的研究中，把消費者決策行為和大數據結合起來研究的很少。目前，消費者決策行為的研究過多地依賴傳統的營銷學、心理學和行為學的理論和方法，多是停留在模型探討及其影響因素，同時學術界對大數據的研究多從屬于信息科學的研究，主要偏重對數據的獲取、儲存、分析以及信息安全等技術路徑的探討。隨著大數據的應用和發展，運用大數據的相關理論，對營銷和消費者行為的研究將富有巨大的意義。本文利用大數據的前沿理論，對能否打開“消費者黑箱”這一傳統話題加以假設，并據此探討在大數據時代下的消費者決策預測過程模型，從而得出對大數據影響下的營銷新思考。

大數據對消費者決策預測的影響

（一）消費者決策預測過程模型

著名數據科學家維克托·邁爾·舍恩伯格說過“大數據的核心是預測”。這一經典論斷闡述了大數據和預測科學之間的關系。在構建消費者決策預測過程模型之前，本文將對模型的各個要素進行分解和界定。本文將模型分解為三個要素，即大數據、消費者決策、預測。以下是對三個要素的具體界定：

第一個要素為大數據，本模型中大數據的內涵，不僅包括大數據本身，也包含與之相關的大數據技術。第二個要素為消費者決策，模型中所指的消費者決策為相對廣義的消費者購買決策，即消費者的選擇偏好。第三個因素為預測，模型中的預測側重于數學模型的科學預測，是根據已有數據和相應模型對目標事件發生的概率的預測?；谀Ｐ涂茖W性、可重復性、可行性等方面的考量，結合科學預測常用的研究范式，得出了消費者決策預測過程模型，具體如圖1所示。

根據消費者決策預測過程模型，企業可以充分運用大數據，掌握“提出問題、追蹤歷史、構建模型、收集數據、分析數據、做出預測”六大關鍵步驟，從而可以實現了解消費者決策的目標。以沃爾瑪為例：第一步，提出問題。美國加利佛利亞州發生罕見的雷雨天氣，沃爾瑪的工作人員發現，除了方便食品、手電筒、雨具、干燥劑等產品脫銷外，啤酒的銷量也明顯增加了。沃爾瑪的管理人員對此很不解，想探究啤酒銷量增加的驅動因素。第二步，追蹤歷史。根據對以往歷史的數據比較，除了那些應該熱銷的產品外，啤酒的銷量在暴雨天氣確實有顯著差異。第三步，構建模型。沃爾瑪假設影響啤酒銷量的因素有天氣、消費者的消費習慣、消費者的消費心理等。第四步，搜集數據。根據探討的問題需要，沃爾瑪的數據分析師通過自己的數據倉庫搜集了大量的二手數據，同時也把最新的跟研究相關的條碼數據納入一手數據分析。第五步，分析數據。數據分析師首先進行了內容分析，將分類數據轉化為序數，進行邏輯回歸和卡方檢驗，發現了天氣在引入消費者性別這個變量的條件下失效，可以剔除天氣這個影響因素，并且在購買啤酒的這些消費者中，他們有63%的人也購買了尿不濕紙片。這是一個很大的發現，接下來用預測模型進行仿真，發現男性消費者的購物清單上啤酒和尿不濕這個產品呈高度相關。第六步，做出預測。因此，沃爾瑪的管理層預測暴雨天氣下，多是男性消費者前來購物，在為孩子購買尿不濕的同時，也給自己捎帶點啤酒。在這樣的認識下，沃爾瑪的管理層認為，年輕爸爸去購買紙尿布時更傾向于購買啤酒。

該模型可以為公司預測消費者決策偏好所用，但對于很多管理者來說，可能對于數據分析并不精通，因此對該模型的運用可能受限。筆者認為，事實與管理者的擔憂恰恰相反，本模型并不需要模型使用者都精通數據分析，管理者只需要重點關注首尾環節，同時注意全程跟蹤，多提問即可。

（二）模型的可行性

由于消費者決策預測過程模型屬于概念模型，是方法論的一種探討，其本身是不需要加以證明的。因此，問題的核心在于企業運用大數據是否可以預測消費者的決策。通過大數據的正確運用，企業是可以預測到消費者的購買決策行為的。其實人類一直都在研究自己的行為模式，人們對不確定的排斥推動了預測學的發展。20世紀的數學家泊松認為，只要承認人類的行為是隨機的，那么人類的行為便可以被預測。而美國著名復雜網絡學家巴拉巴西的進一步研究表明，人類行為并非是隨機的，人類93%的行為是可以被預測的，剩下的7%為小概率事件。巴拉巴西通過記錄和分析人們收發郵件數據的實驗發現，實驗者處理郵件的時間順序并不服從泊松分布，而背離泊松分布的現象一般要隱含著潛在的規律，通過模型分析，巴拉巴西最終證明了人類行為遵循了冪律分布，人類行為是爆發式的。巴拉巴西緊接著做了很多相關實驗，進一步得出了人類行為可以被預測的結論。正是如此，利用大數據，企業預測消費者的決策行為是可行的。

第一，高信息科技為預測消費者決策行為提供了物理基礎。隨著寬帶技術、計算機計算速度、硬盤存儲、傳感器、移動通訊設備、衛星定位系統等硬件設施的發展，加上互聯網社交網站、網頁、移動App、郵件等軟件支持，人們的行為信息越來容易被采集，人們的蹤跡也越來越容易被捕捉。

第二，云計算等數據分析技術為預測消費者決策行為提供了技術保障。隨著挖掘大數據價值的需求日益增長，大數據分析技術也得到了長足的發展。例如數據測試、關聯規則、數據分類、數據聚類、眾包、數據融合和集成、數據挖掘、集成學習、機器學習、遺傳算法、內容分析、自然語言處理、神經分析、優化、模式識別、預測模型、回歸、情緒分析、信號處理、空間分析、統計、監督式學習、無監督式學習、模擬、時間序列分析、時間序列預測模型和可視化技術等。這些大數據處理和分析技術的發展，使得數據分析師能夠“點數成金”，從復雜、混亂、動態的大數據中發現潛藏的消費者行為模式和規律。

第三，現代科學家的已有研究成果為預測消費者決策行為提供了理論基礎。很多物理學家、數學家、計算機科學家、社會學家、心理學家在計算機和新技術的幫助下，通過利用人類行為數據庫來仔細研究某些特定的問題。通過實驗表明，人類的絕大多數行為都受制于規律、原理法則和模型，并且他們的可預測性和可重復性與自然科學近乎一致。而這些結論也已經被谷歌和IBM等互聯網巨頭的商業模式所應用和證明。因此，現代科學家的研究為預測消費者行為提供了有效的方法論。

大數據時代下的營銷新思考

（一）對消費者購買決策模型的修正

第一，大數據環境下的消費者決策模型。根據菲利普·科特勒的消費者行為理論，消費者在受到營銷和外部環境兩方面的刺激下，進入消費者決策過程，最終做出反應和購買決定。在科特勒的消費者決策模型中，消費者決策過程即消費者黑箱是看不見、摸不著的。圖2是該模型簡化了的示意圖。

在科特勒的模型中，消費者黑箱是需要營銷者不斷探索和了解的領域。正是在這個模型的指導下，科特勒將影響消費者行為的因素總結為社會因素、個人因素、文化因素和心理因素四個方面。因此，科特勒的這一模型將消費者購買決策視為一個條件反射模式，在營銷和其它環境因素作用下，消費者心理通過黑箱反應，從而決定了購買行為或者購買意向。所以，科特勒的消費者購買決策模型可能更好地解釋消費者購買行為，但并不能很好地指導營銷實踐，即使可以用于實踐，也得在產品上市之后，根據消費者的反應和反饋所分析的結論再應用于實踐。

在大數據時代背景下企業可以預測消費者的購買決策行為，并構建了消費者決策行為預測過程模型。換言之，企業可以利用大數據打開“消費者黑箱”，即企業能夠預知消費者的購買決策，并據此指導營銷實務。既然大數據時代下可能不存在“消費者黑箱”，因此必須修正原有的消費者購買決策行為模型。本文結合營銷策略理論和消費者行為理論，對消費者購買決策行為模型作如下修正，如圖3所示。

從圖3可以看出，修正后的模型引入了企業或者營銷者這個主體，是一個循環改善的過程模型。在整個模型當中，企業首先通過消費者決策過程進行預測，從而得到預測結果，預測結果主要是消費的購買決策內容偏好，可能包括消費者喜歡什么樣的產品、消費者傾向于在哪里買到、消費者可能在什么時候購買等。然后，根據預測結果制定出有針對性的營銷戰略和營銷組合策略，所謂的有針對性是指企業通過預測在清楚了消費者行為和偏好的基礎上，量體裁衣式地滿足消費者群體的需求。

在輸入刺激作用下，消費者的決策過程由“消費者黑箱”變為“消費者白箱”，因為企業已經運用大數據進行消費者購買決策預測，對消費者的偏好和選擇有了很大程度的把握，更為極端的一種情況是，消費者可能自身都不知道自己的真正需求是什么或者自己的購買動機，但手握大數據的營銷者卻已經預測到了結果。

第二，與傳統消費者決策模型的對比。盡管有關消費者購買決策模型的觀點很多，研究也各有側重，但是科特勒總結的消費者購買行為模型最為經典，也最為一般。不管是廣義的消費者決策模型，還是狹義的消費者決策模型，都限于心理學和行為學的學科范疇，來解釋消費者在外界刺激和內部心理作用下所做出的行為反應。修正后的消費者決策模型與傳統消費者決策模型的對比有以下特性：其一，傳統的消費者決策模型具有滯后性。由于傳統的消費者決策模型都是基于對各種因素對消費者購買行為影響的假設，具有很強的概括性，如果一個分析框架沒有經過長時間的跟蹤和試錯，模型的有效性值得商榷。而修正后的決策模型則恰恰相反，不僅不存在滯后性的缺陷，反而具有先驗性的優點。營銷者可以實現通過大數據比較精準地把握消費者的行為偏好。其二，傳統的消費者決策模型是靜態的，而修正后的模型是動態循環的。傳統的消費者決策模型只是就某個特定產品或消費群進行一個局部的分析，從而得出一定的感性結論。而修正后的模型是一個正反饋系統，它可以通過不斷地循環糾正偏差和發現新的機會。其三，傳統的消費者決策模型是單向的，而修正后的模型具有互動性。在大數據背景下，利用大數據，企業可以整合內外部資源，同時根據消費者的實時反饋進行調整。其四，傳統的消費者決策模型主要依賴經驗，而修正后的模型主要依賴大數據。要運用傳統的消費者決策模型，例如營銷策略的應用來刺激消費者，這一點很依賴管理者的經驗和直覺。

（二）回歸營銷本質的新工具

麻省理工斯隆管理學院的瑞克.布約爾尼克教授的研究發現，大數據主導的決策可以給公司提升6%的業績。大數據的魅力在于引領新的管理革命，但大數據只是回歸營銷的基礎理念—以客戶為中心創造價值。

便利店不會在零售業態中消亡，更不可能被超市或者大賣場所取代。其中一個十分重要的原因是便利店可以實現一對一的客戶關系管理，這一優勢在社區店更為凸顯。由于大數據技術可以獲取消費者個性化的信息，并可以通過存儲下的海量數據進行數據分析。因此，大數據時代下可以解決現代營銷管理最大的一個矛盾—大規模生產和個性化需求之間的矛盾。

以俄羅斯的一家通信公司為例，該公司和TERADATA公司共同研發了一個數據庫軟件系統。這個系統最大的功能在于可以使這家電信公司預測到哪位客戶可能想要更換運營商。這個系統通過精準的測算，可以自動發現可能流失的客戶的行為模式。通過檢測到幾個通話頻繁的聯系人之間突然多了一個新號碼，系統可以認為這個朋友圈內有一個朋友換了新卡。在發現這個問題之后，系統會在這位客戶拋棄舊卡之前給予其定制化的優惠套餐，同時客服人員可以通過數據庫所記錄的性別、年齡等基本信息以便于一對一的溝通，從而實現保留客戶的目的。此外，該系統的數據庫也可以發現一些其它的技術問題或者用戶習慣，從而增強了用戶粘性。運用大數據可以成功地進行個性化的客戶關系管理和營銷模式的創新，但大數據所體現的哲學并非是數據分析或者數據運用本身，而是營銷的基本觀點—以客戶為中心創造價值。通過大數據的運用，即是找到客戶的方法，也是創造價值、維護客戶黏性的手段。因此，“以客戶為中心創造價值”不僅是指導大數據管理的核心理念，更是檢驗大數據技術是否成功的標準。

結論

本文在結合大數據理論、消費者行為學和預測科學理論的基礎上，從消費者購買決策的視角出發，通過文獻研究法、案例研究法和對比研究等研究方法，在大數據的時代背景下提出了一種新的關于預測消費者購買決策行為的方法論，并據此重新修正了傳統的消費者購買行為模型。此外，本文在肯定了大數據引領營銷變革新浪潮的同時，強調了大數據自身的工具性屬性，即大數據并未改變營銷理念的根本，而運用好大數據則可以更好地實現以客戶為中心創造價值的這一核心目標。本文的具體發現如下：

第一，本文構建了消費者購買決策預測過程模型，并論證了模型的可行性。在結合社會科學研究范式和大數據科學方法的基礎上，提出了預測消費者購買決策的過程模型，即“提出問題、追蹤歷史、構建模型、搜集數據、分析數據和做出預測”六大關鍵步驟，企業通過運用大數據和結合本文的方法論即可以得到有關消費者決策行為的預測結果；其后，論文通過已有研究成果的整合，論證了該模型的可行性。

第二，本文在大數據背景下對傳統的消費者購買行為模型進行了修正。通過大數據預測過程和引入企業營銷者主體因素，打開“消費者黑箱”，最后使整個模型形成一個動態的、互動的自反饋系統。在修正這個模型之后，將其與傳統的模型進行比較，總結了兩者存在四方面的區別。

第三，本文認為大數據技術只是一種工具，并沒有顛覆管理理論的根本理念。論文通過案例系統地分析了企業通過大數據可以獲取并存儲消費者的個性化需求，從而重新擁有一對一的客戶關系管理優勢。因此，正是依賴于大數據的發展，以客戶為中心創造價值這一核心目標才更容易實現。

大數據背后所蘊含的價值是巨大的，而由此所驅動的企業對信息的搜集和隱私的泄露使公眾利益受損。只有通過合理保護公眾的個人隱私，并將所開發出的大數據的價值與公眾分享，大數據營銷才會健康發展。 本文主要側重于方法論的探討，缺乏實證研究。若能通過實驗設計，則更能體現論文的科學性和嚴謹性。

參考文獻：

1.Smith M D，Brynjolfsson E.Consumer decision-making at an Internet shop bot：Brand still matters [J].The Journal of Industrial Economics，2001，49（4）

2.Cui D，Curry D.Prediction in marketing using the support vector machine[J]. Marketing Science，2005，24（4）

3.Guadagni P M，Little J D C.A logit model of brand choice calibrated on scanner data[J].Marketing science，1983，2（3）

4.Berry M J，Linoff G S.Data mining techniques：for marketing，sales，and customer relationship management [M].Wiley.com，2004

5.Aissi S，Malu P，Srinivasan K. E-business process modeling：the next big step [J].Computer，2002，35（5）

6.Lilien G L，Kotler P.Marketing decision making：A model-building approach [M].New York：Harper & Row，1983

7.Kim D J，Ferrin.D.L，Rao H R.A trust-based consumer decision-making model in electronic commerce：The role of trust， perceived risk，and their antecedents[J].Decision support systems，2008，44（2）

8.Kotler P.Behavioral models for analyzing buyers [J].The Journal of Marketing，1965

9.馮利芳，麻震敏，孫等.Big Data，大數據重塑營銷[J].成功營銷，2012 （8）

10.科特勒.營銷管理[M].清華大學出版社，2007

11.德爾·I·霍金斯著.符國群譯.消費者行為學[M].機械工業出版社，2003

12.陶雪嬌，胡曉峰，劉洋.大數據研究綜述[J].Journal of System Simulation，2013

13.艾伯特·拉斯洛·巴拉巴西.爆發，大數據時代預見未來的新思維[M].中國人民大學出版社，2013

14.維克托，邁爾·舍恩伯格，肯尼思· 庫克耶[J].大數據時代，2013