基于情境大数据的移动网购行为执行意向预测模型

万年红 王雪蓉

摘  要： 为了科学地对高度复杂、难控的移动网络环境下网购行为执行意向进行预测，首先采用基于数理统计函数、基于网格计算的函数、基于大数据定性划分函数提出移动网购行为执行意向的情境大数据挖掘方法;其次归纳基于情境大数据的移动网购行为执行意向演化动力机制，并设计基于情境大数据的移动网购行为执行意向预测算法和模型，进行趋势、结构、综合预测的结果分析;最后，进行应用实验。性能分析结果表明，该模型具有一定的实用价值。

关键词： 情境大数据; 移动网购; 网购行为; 执行意向; 预测

中图分类号：TP387          文献标志码：A     文章编号：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

移動网购已成为人们最基本的一种购物方式。深刻预测、认识移动网购行为执行意向的演化规律，对优化网购平台营销模式、发展虚拟经济[1-6]等方面具有现实意义。然而，鉴于移动互联网上商品大数据的高度复杂性，对网购行为执行意向的预测其实是很困难的[2]。因此，科学预测移动网购行为执行意向已成为热点问题。目前国内外出现了许多相关的研究，例如大数据环境下网购行为执行意向预测模型[1]、网购行为执行意向的结构探究[2]、行为执行意向理论下网购营销策略案例分析[4]、基于数据挖掘的移动广告个性化推荐研究[5]、图文情景线索对网购行为意向的影响研究等[6]。这些研究具有一定的借鉴意义，但研究的深度还不够。由于网购行为涉及多种驱动因素的情境大数据[2-3]，而大数据具有核心预测优势。

本文运用移动网购行为执行意向情境大数据方法，提出一个基于情境大数据的移动网购行为执行意向预测模型（Prediction models on execution intention of Mobile Internet shopping behaviors based on situational big data，简称PMEI）。

1 移动网购行为执行意向的情境大数据挖掘

步骤1 基于数理统计函数XDT[1-3]，利用Web大数据统计方法[1-3]收集网购平台上兴趣、偏好、经验、体验、地域、年龄、时间、包装、品质、色彩、时尚、个性、消费心理、情绪、消费行为、忠诚、信赖、口碑、满意度、打折优惠、赠品、抽奖、积分兑换、产品聚集、信息绑定、支付、物流等交易日志数据源。

步骤2 采用基于网格计算的函数XGT[4]从各个平面和角度对交易日志数据源进行客户网购行为特征标签分析，细化客户网购行为类型和关注点[1-6]，形成数据子集，每个子集有原数据集中对影响结果有价值的某些属性，则基于随机过程理论函数RANLD[3]分析统计对结果集的区域、群体和时效信息指标进行分析[1-6]。

步骤3 基于大数据定性划分函数DDXD[5]，线上与线下划分数据类别，对所提交并验证的情境，识别其价值和热度，根据客户消费心理与行为，收集客户点击率和评价级别[1-6]，提取影响网购执行意向预测结果较大的关键因素，确定其优先级。其中移动网购行为情境大数据映射筛选函数可用式⑴来表示：

2 基于情境大数据的移动网购行为执行意向演化动力机制

动力机制是与品质、体验、图片细节展示等市场营销手段密切相关的[1-6]。即指网购者以行动目标为导向，在第一阶段通过关注品质保证、知觉体验、色彩展示等情境大数据线索在自我表露、忠诚、信赖、口碑、实用、享乐、满意度[3]等目标导向下期待行为反应。通过连接网购情境线索和客户网购行为反应，通过情境大数据组合设计性价比最优决策[3]，从而搭建网购行为执行意向和实际网购行为之间相互联系的中介变量[4]。

在第二阶段，交易双方通过谈判，买卖双方彼此交换条件，建立意向和实际行为之间的联系[1-6]，网购者进入购网反应、实体验评价网购决策效果，强化网购者的回溯性认知记忆[4]，增强情境大数据线索识别能力，获得最佳网购产品和服务质量，从而帮助网购者缩小预定目标和现实目标之间的距离[1-6]，来驱动网购者进入自豪感、成就感、愉悦感体验行为反应，较好地预测实际网购行为发生的可能性[1-6]。

移动网购行为执行意向演化的动力机制可以用数学形式来刻画。

假设：以集合WGXDM={wgxdmi|i∈N}表示移动网购行为目标导向，REZAi表示性价比最优决策，ZJBLi和RES（i，j）分别表示网购行为执行意向和实际网购行为之间联系的中介变量、意向和实际行为之间的联系，网购者的回溯性认知记忆用REMi来表示，预定目标和现实目标之间的距离用DIST（i，j）来表示，实际网购行为发生的可能性用POS（i）来表示。则移动网购行为执行意向演化的动力机制可用式⑵来表示：

3 基于情境大数据的移动网购行为执行意向预测算法与模型

步骤1 在动力机制的驱动下，设计4个影响网购行为执行意向的自变量：网购信息价值感知WGJZ、网购安全保障WGBZ、网购体验WGTY和网购渠道成本WGCB[2]，并进行多模态竞争性分析[2]，分析关键因素对预测结果的影响相似度。

算法如下：假设交易日志数据源集合为JYRZ，客户网购行为特征标签向量为KTX=（ktx1，ktx 2，…），ktxj是KTX上的向量组成的矩阵。对于数据子集的关键因素计算问题，采用用螺旋集合原理，设计个性化推荐GXHJ、活动评价HDPJ和经验分享JYFX这3个影响网购行为执行意向预测的中介变量[2]，计算各特征因子相似度XSD，把得分作为相似度的输入，并基于指数映射正向反推，得出式⑶所示的趋势预测函数，实现移动网购行为执行意向趋势预测：

4 应用实验

4.1 实验数据分析

根据图1所示的模型，以Java语言构建预测系统。实验源数据的采集主要来自电话客服平台、淘宝、全球速卖通、天猫、京东、唯品会、Wish、兰亭集势、敦煌、Pad平台等电商网购平台。以AMOS 20.0、Netdraw和SPSS 20.0工具软件[2]实测得到的数据为准，具有良好的信度和效度，采用随机抽样方法，将样本数据以一定的比例分配给训练集和验证集[1-6]。

4.2 实验结果及预测模型性能分析

将基于情境大数据的移动网购行为执行意向的精准综合预测问题归结为一个有向图[1-6]，包括核心关系、主谓关系、定中关系、动宾关系和并列关系等模式[3]，通过这些模式之间的依存关系寻找最大生成树[3]，验证式⑴-式⑶的有效性;设计精准化智能系统、网购客户执行意向细分标准和描述语义[3]，验证式⑷的有效性。

将验证结果分为包含核心依存关系CORE RELY、中间依存关系MIDDLE RELY、边缘依存关系EDGE RELY和没有依存关系NO RELY这4个二值分类器[3]。

二值是指实验训练结果取True或False两个值，若CORE RELY、MIDDLE RELY、EDGE RELY综合平均验证值取True的概率达到95.3%以上，NO RELY綜合平均验证值取False的概率在11.2%以下，则从训练解析时间、依存关系正确率、语义描述跨度、执行意向适合度[3]这4个方面进行描述取值，准确定位网购行为的目标执行意向。并将优先级对应分量和之前与客户相关的网购行为执行意向适合度分量相乘[1-6]，使得任何时间段的预测误差都保持最小值并且在平衡系统中保持平稳、与平衡系统的大小成正比，最后决策树根据筛选出的因子细分叶节日点，并不断优化，改善网购客户的友好度体验，得到网购行为执行意向排名[1-6]，从而精确地对移动网购行为执行意向的趋势和结构进行综合预测，验证式⑸的有效性。

PMEI性能分析结果如表1所示。

因此，分析表1，比较训练解析时间、依存关系正确率、语义描述跨度、执行意向适合度这4个方面的实验结果数据，CORE RELY、MIDDLE RELY、EDGE RELY综合平均验证值取True的概率均达到97%以上，符合预设95.3%标准，而NO RELY综合平均验证值取False的概率为9.60%，低于预设11.2%，这表明本文所提出PMEI算法和模型是合理有效的，因此具有一定的应用价值。

5 总结和展望

本文实验结果分析表明CORE RELY、MIDDLE RELY、EDGE RELY、NO RELY等指标均符合预定的要求，这表明PMEI模型是合理有效的，在网络营销管理领域的应用前景比较宽广。但是受到移动网购环境高度复杂性和大数据软件分析手段的局限，本文研究的移动网购行为执行意向预测方法仅仅是一些比较浅层的参考方法，在大数据挖掘算法优化等方面还有许多需要深度研究的问题有待进一步探讨。

参考文献（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] 赵杨，王林.网购行为执行意向的结构探究[J].管理现代化，x2015.3：102-104

[3] 张亚明，赵杨，王林.基于执行意向理论的网购评论行为反应x模式研究[J].软科学，2016.30（7）：118-123

[4] 王林，贾瑞雪，刘月等.行为执行意向理论下网购营销策略案例分析[J].商业经济研究，2016.21：62-64

[5] 于海平，林晓丽，刘会超.基于数据挖掘的移动广告个性化推荐研究[J].计算机技术与发展，2014.24（8）：234-237

[6] 王林，季美旭，方恒.图文情景线索对网购行为意向的影响研究[J].管理现代化，2016.3：93-95