面向产品设计的用户需求重要度分析方法*

□ 刘名成 □ 战洪飞 □ 石 幸 □ 王雨潇

宁波大学 机械工程与力学学院 浙江宁波 315211

1 研究背景

近年来,随着电子商务的兴起,互联网中出现了大量针对产品的用户在线评论数据,这些评论数据大多是用户根据自身对产品的切身体验给出的,表达了用户对当前产品性能或服务缺陷的不满和对下一代产品开发满足自身需求的期望,是用户内心需求强有力的表达。对这些评论数据进行有效挖掘,企业可以从中了解用户对企业产品的态度,获取用户最新的需求,从而提高产品质量,更好地为用户服务。如何从庞大杂乱的数据中识别用户需求的重要程度及隐含的创新价值是首要问题,也是笔者试图解决的问题。

随着大数据技术的发展,越来越多的研究者开始关注评论数据的研究,如产品特征提取[1]、情感倾向分析[2-3]、评论数据有用性分析[4-5]等。还有很多学者基于评论数据进行应用研究,如Liu Yang等[6]提出一种基于满意度分析技术和直觉模糊集理论的商品在线评价方法,用以辅助消费者购买决策。为了为产品设计人员提供知识服务,林园园、战洪飞等[7]基于大数据方法对多源数据进行充分挖掘,提出数据驱动的产品设计知识服务模型。为了确定最优的服务要素配置方案,于超等[8]以用户满意度最高为原则,对评论数据挖掘技术与求解优化数学模型进行融合。在对产品进行综合评价过程中,宋君、战洪飞等[9]基于评论数据,通过关注度及情感倾向构建产品综合评价矩阵。在对评论数据需求挖掘方面,涂海丽等[10]将Kano模型与评论数据满意度挖掘相结合,提出基于评论数据的需求挖掘模型。为了进一步挖掘用户潜在需求,Zhou Feng等[11]通过对评论数据的挖掘及常见用例与非常见用例的分析、推理,挖掘出用户的潜在需求,并提出用户潜在需求获取模型。为了应对如今高频率的产品迭代,杨程等[12]通过建立关注度、满意度等指标体系和观点挖掘,提出一种基于评论大数据的产品设计改进方法。从上述研究中可以看出,对于评论数据的研究,较多体现在用户的关注度及满意度。从企业产品设计角度看问题,业务决策者最关注用户评论隐藏的用户需求对产品设计的重要性。用户需求的重要性既与用户的关注度相关,也与用户的满意度相关,并与具体产品设计定位密切相关。笔者结合产品设计需求的特点,综合运用关注度与满意度指标,构建重要度评价体系与重要度计算模型,挖掘用户需求信息对产品设计的重要程度,从而为产品设计的改进及产品升级换代提供参考。

2 面向产品设计的用户需求重要度计算模型

用户需求重要度是相对于产品设计业务决策问题而言的,是用户不同需求的重要程度及用户评论中潜在创新价值的衡量指标。在评论数据中,产品的评论数据所反映的评价内容具有很强的主观能动性,能够由用户关注度和用户满意度两个评价指标反映用户对不同需求的期望实现程度。满意度越低,关注度越高,需求期望实现程度越高,用户需求的重要程度及潜在的创新价值就越高。因此,用户需求重要度指标与用户关注度、满意度最为密切相关,关注度与满意度两者互为补充,是重要度综合指标的两个维度。面向不同的业务活动,用户需求的价值性是不同的,需要基于不同的业务需求,对用户评论中所体现的用户需求进行筛选。对此,在对用户需求满意度和关注度的计算过程中,基于期刊、专利数据和TextRank算法构建产品设计需求筛选库,使设计人员聚焦于与产品设计密切相关的用户需求。同时,为了精确计算评论数据中的用户需求满意度和关注度,需要考虑不同产品领域的用语不一样,且评论数据中包含了丰富的不规则用语,基于人工方式构造词典工作量较大。对此,笔者采用TextRank算法、词典和规则相结合的方法,构建用户需求重要度评价要素池。在用户需求重要度评价要素池对评论数据中用户需求关注度和满意度精确计算的基础上,对用户需求满意度和关注度进行分析,引入二八定律,构建用户需求重要度综合评测参数。面向产品设计的用户需求重要度计算模型包括需求重要度计算层、关注度与满意度计算层、产品设计需求筛选层和用户需求挖掘层四个部分,如图1所示。

▲图1 面向产品设计的用户需求重要度计算模型

(1) 需求重要度计算层。通过用户需求重要度评价要素池对评论数据进行检测,识别出产品设计用户需求,并计算出满意度及关注度。不同具有潜在创新价值的产品设计需求对应不同的满意度和关注度。为了识别出高创新价值的用户需求,引入二八定律,将满意度和关注度作为坐标轴形成的区域划分为具有不同创新价值的四个区域。对用户需求所处区域的位置以面积的形式进行描述,并归一化处理衡量用户需求重要度。

(2) 关注度与满意度计算层。关注度和满意度是衡量用户需求重要度的量化指标。为了精确计算用户需求的满意度和关注度,在体系指标分析的基础上,基于TextRank算法、词典和规则构建用户需求重要度评价要素池。在对用户需求满意度计算的过程中,考虑程度副词、否定副词对情感倾向的影响,并将连词对情感倾向的影响也考虑在内,同时给出相应的用户需求满意度计算方法,以便对用户需求满意度进行特征词级的计算。

(3) 产品设计需求筛选层。经专利或期刊数据抓取、停用词和分词处理、主题词抽取、词性筛选等操作,构建产品设计需求筛选库,从用户需求特征词集合中筛选出设计需求特征词。

(4) 用户需求挖掘层。用户需求重要度计算模型从用户需求挖掘开始,通过评论数据采集、数据预处理、特征词与情感词提取,构建用户需求特征词、情感词词典,通过特征词与产品设计需求映射库检测,确定用户需求。

3 用户需求重要度计算流程

3.1 流程概述

用户需求重要度的计算从用户评论需求挖掘开始,通过对评论数据中特征词及情感词的挖掘获取用户需求,结合外部词典对评价要素池进行初步构建。在评价要素池的初步构建过程中,为了对用户需求进行识别及统计,考虑特征词与用户需求间存在映射关系,构建特征词与用户需求映射库。在评价要素池对情感强度的计算过程中,考虑同一情感词修饰不同的用户需求所对应的特征词时表达的情感可能会不同,如情感词“大”在修饰特征词“噪声”时为负向情感,而在修饰特征词“冰箱容量”时则为正向情感。为了使情感分析结果更为精确,需要对每个特征词构建相应的情感词词典。同时,考虑副词、连词对情感强度的影响,构建副词及连词词典,确定副词情感因子及连词修正规则。为了检测评论数据中各词语的词性、位置及数量,考虑设置检测窗口。为了对产品设计需求进行筛选,通过期刊及专利数据的挖掘构建产品设计需求筛选库,用于从用户评论需求中筛选出设计需求,并完成特征词与用户需求映射库向特征词与产品设计需求映射库的转换,以及特征词、情感词词典的重构,进而完成评价要素池的重构,实现面向产品设计决策的评价要素池构建。

在评价要素池对评论数据进行检测后,对用户需求重要度指标进行计算及分析,构建用户需求重要度评测参数。

3.2 数据采集与预处理

在评论数据中,用户需求为用户对产品性能的评价。同一款产品中,同一个性能可以由不同的特征词来表示,即特征词F与用户需求SR存在映射关系:

SR=f(F)

(1)

对用户需求的识别过程,也是评论数据中特征词F及情感词的挖掘过程。

笔者所采集的数据主要服务于产品的升级工作,因此采集的数据必须是待改进产品的评论信息。由于采集的评论数据具有冗余、非结构化、杂乱等特点,因此在采集完用户评论数据后,需要对所采集的评论数据进行预处理。针对评论数据的预处理流程包括三个步骤。

(1) 剔除无效评论及符号。由于评论数据中存在大量重复、无用的评论信息,这些信息会对评价要素池的构建及满意度和关注度的计算产生干扰,因此主要考虑剔除两类干扰信息。第一类为重复评论。用户在评论过程中,为了获得积分等,采取复制其他用户评论数据的行为,因此需要对重复评论数据进行剔除。第二类为无用评论。评论数据中,无用评论不能体现用户对产品性能的评价信息。

(2) 分词处理并标注词性。借助Python中文分词工具对用户在线评论进行分词处理和词性标注。

(3) 停用词过滤。停用词指在句子中出现的词频较高但信息含量低的词。停用词会对评价要素池的构建产生干扰,为了提高评价要素池构建的效率及准确性,有必要对评论数据进行停用词过滤。

3.3 特征词、情感词词典构建

不同产品领域的特征词词典不同,所对应的情感词也千差万别,按照人工方式构造词典,工作量较大。TextRank算法[13]是一种基于图排序的算法,在特征词提取过程中,通过词频共现建立图模型,以对特征词进行提取,具有良好的效果。

特征词与情感词往往以共现的形式出现,因此笔者采用基于TextRank算法的无监督特征词与情感词词对提取方法。

TextRank算法将文本分割成若干单词,以每个词作为顶点,所有顶点形成一个网络,建立图模型。利用投票机制,计算各顶点的权重值大小,即:

(2)

式中:d为阻尼因子,一般设置为0.85;Vi、Vj为不相同的任意两节点;I(Vi)为指向顶点Vi的所有顶点集合;O(Vi)为由顶点Vj连接出去的所有顶点集合;wij为顶点Vi和Vj的连接权重;WS(Vi)、WS(Vj)分别为顶点Vi、Vj的最终排序权重;Vk为顶点Vj连接出去的顶点;ωj,k为顶点Vj和Vk的连接权重。

特征词、情感词词典构建流程如图2所示。经过预处理的评论数据通过TextRank算法确定词语的最终排序权重,抽取出若干特征词,形成特征词集合Fs。在评论数据中,特征词和情感词通常以共现形式出现,特征词、情感词词对出现的频率较高。为了构建特征词、情感词词典,筛选出包含特征词Fsi的短语,并合并形成特征词Fsi所对应的文档Wi。将经过预处理的文档Wi经TextRank算法抽取出与特征词Fsi组成的词对,由于情感词往往由形容词、副词、动词构成,筛选出与特征词Fsi组成的词对中词性为形容词、副词或动词的词,并与情感词词典提供的正负向情感分析词语集取交集,形成特征词Fsi对应的正负向情感词,由人工筛选与调整词极性判断错误的情感词。遍历特征词集合Fs中的其它特征词,重复上述操作,完成特征词、情感词词典的初始构建。

▲图2 特征词、情感词词典构建流程

3.4 特征词与用户需求映射库构建

特征词、情感词词典中的特征词,是用户评论需求特征词。根据特征词、情感词词对,可确定特征词对应的用户需求。由于用户评论需求特征词集合Fs中的特征词数量较多,对应的用户评论需求种类也繁多,因此直接构建特征词与用户需求映射库较为烦琐。对此,笔者抽取评论特征词集合Fs中出现频率较高的主题词,初步构建特征词与用户需求映射库。相同特征词对应的不同情感词所表达的需求一般具有相似性,如在冰箱设计中特征词与情感词词形成的词对“声音吵”和“声音大”,所对应的用户需求均为“降低噪声”。特征词与用户需求间的映射具有模糊性,因此采用ABC模糊评价法,根据特征词、情感词词对确定各特征词对应的用户需求,同时对相似的用户需求特征词进行合并,进而建立特征词与用户需求映射库。

3.5 副词、连词词典构建

副词包括程度副词与否定副词,连词主要分为让步连词、并列连词、转折连词、递进连词等。副词和连词的存在会对情感强度产生影响。在副词和连词词典的构建过程中,王晓耘等[14]将程度副词分为极量、高量、中量、低量四种等级,并对不同等级的程度副词赋予不同的权重。笔者在借鉴的基础上,对程度副词词典进行构建,并赋予相应的修正因子。同时结合字典,构造否定副词词典。否定副词的修正会导致情感极性的变化,因此其修正因子为-1。文献[15]副词词表见表1。

表1 副词词表

在连词词典构建过程中,参考文献[15],在词典的基础上构建连词词表,见表2。连词对情感强度可以按四种方式进行修正。

表2 连词词表

(1) 在单条评论数据中有转折连词,且转折连词前后对应同种含义的用户需求所对应的特征词,如“容量较小,但是够用”,按转折连词后的情感权重确定该条评论中用户需求的情感权重。

(2) 在单条评论数据中有并列连词,且并列连词前后对应同种含义的用户需求所对应的特征词,如“声音小和低”,用户需求对应的情感权值分别为g和h,那么该用户需求的情感倾向性权值为(g+h)/2。

(3) 在单条评论数据中有递进连词,且递进连词前后对应同种含义的用户需求所对应的特征词,如“容积大且很足”,用户需求对应的情感权值分别为g和h,那么该用户需求的情感倾向性权值为(g+h)/2×1.5。

(4) 在单条评论数据中有让步连词,且让步连词前后对应同种含义的用户需求所对应的特征词,如“即使容积很大,我也觉得不好”,用户需求对应的情感权值分别为g和h,那么该用户需求的情感倾向性权值为h×1.2。

3.6 检测窗口设置

为了有效根据已经建立的词典、库或规则从评论数据中识别出用户需求,并对关注度和满意度进行计算,有必要设置用户需求所对应的特征词、特征词所对应的情感词,以及副词和连词的检测窗口。通过对评论数据进行分析,总结出检测窗口的设置方法。

特征词及其所对应的情感词的检测窗口应用于检测单个句子,由于特征词与其所对应的情感词以键值对形式存在于词典中,因此可设置双窗口分别对特征词及其所对应的情感词进行检测。在第i条评论中,特征词检测窗口检测到用户需求SR对应的特征词,且情感词检测窗口检测到用户需求SR的特征词所对应情感词的极性αi,若为正面情感,则αi为1,若为负面情感,则αi为-1,可见αi∈{-1,1}。

根据中文的语法结构,程度副词往往出现在情感词的前后文,否定副词往往出现于情感词的前文,因此将程度副词检测窗口设置于情感词的前后文。在第i条评论中,若用户需求SR的特征词所对应情感词的前后文检测到程度副词,则按照程度副词对情感强度的改变因子γi进行修正。否定副词的检测窗口设置于情感词的前文,并将窗口大小设为5。在第i条评论中,若用户需求SR的特征词所对应情感词的前文检测到否定副词,则按否定副词的个数ni对情感强度进行修正。

连词检测窗口应用于检测整个单句。在第i条评论中,若检测到用户需求SR的特征词及连词,则按连词对情感强度的修正方法进行修正。

3.7 产品设计需求筛选库构建

评论数据中所体现的用户需求,在不同的业务中价值会有差异。为了从评论数据中提取、识别、筛选出与产品设计密切相关的设计需求,需要构建产品设计需求筛选库。产品设计中,用户需求更加关注于产品性质指标的反映,因而基于用户需求的这一特点,产品设计中用户需求特征词汇为产品功能词与产品效果词的集合。

产品设计需求筛选库中用户需求特征词的构建过程也是产品功能词与产品效果词的挖掘过程。产品功能词为形容产品功能的词的集合,如制冷、保鲜等。产品效果词为单独或与情感词形成词组的体现用户对产品功能评价的词语集合,如物美价廉、美观、容量等。期刊文献与专利中,技术信息、设计方法、创新结构等最新成果的介绍及进行的评价与验证,都为基于机器学习的产品设计需求筛选库构建提供了便捷条件。产品设计需求筛选库筛选流程如图3所示。

▲图3 产品设计需求筛选库筛选流程

由于产品功能词与产品效果词在专利或期刊数据中通常是以固定的句式框架存在的,如“本方法…,有助于…”,因此可以对提取的主题词进行初步筛选,对不在固定句式下的主题词进行剔除。由于产品功能词与产品效果词由形容词、名词或动词组成,因此筛选出主题词集合中的形容词、名词和动词,并将不是产品功能词或产品效果词的特征词剔除,形成设计需求筛选特征词集合。对用户评论需求特征词集合与设计需求筛选特征词集合取交集,形成筛选后设计需求特征词集合。

3.8 评价要素池重构

(1) 特征词、情感词词典的重构。对筛选后的设计需求特征词集合与基于评论数据建立的特征词、情感词词典中的特征词集合取交集,完成特征词、情感词词典的重构。

(2) 特征词与产品设计需求映射库的构建。对筛选后设计需求特征词集合与基于评论数据建立的特征词及用户需求映射库中的特征词取交集,完成特征词与用户需求映射库的筛选,进而形成特征词与产品设计需求映射库。由于特征词集合中余下未建立设计需求映射关系的特征词数量较少,因此可采用ABC模糊评价法,根据特征词、情感词对确定筛选后设计需求特征词集合中未建立设计需求映射关系的特征词对应的用户需求。对相似的用户需求特征词进行合并,完成特征词与产品设计需求映射库的扩充,用于识别及统计评论数据中特征词所对应的设计需求。

3.9 用户需求关注度计算

用户关注度用于衡量用户对各用户需求的关心程度。评论数据中包含用户需求SR的评论数反映了用户对该用户需求的关心程度,对用户需求关注度的计算过程也就是对文本中特征词、观点词进行识别和统计的过程。用户需求SR的用户关注度UA为:

UA=Nj/N

(3)

式中:Nj为评论数据中包含用户需求SR所对应特征词或观点词的评论总数;N为评论数据中有效评论总数。

3.10 用户需求满意度计算

在评论数据中,用户需求满意度被表达为用户对产品性能的情感强度。对用户需求满意度的计算过程也就是对产品性能情感强度的计算过程。考虑副词、连词对用户评论情感强度的影响,情感强度vi的计算式为:

vi=-1niγiαicici∈C

(4)

式中:ci为在第i条评论数据且包含用户需求SR的评论短语中,检测到连词对情感特征词情感强度的修正规则;C为连词对情感特征词情感强度的修正规则集。

(5)

3.11 用户需求重要度计算

用户需求满意度和用户需求关注度的大小不同,所对应的创新价值也具有差异性。如何识别出产品设计中用户需求的创新价值,对于提升产品竞争力而言具有重要意义。二八定律指出,任何一个事物80%的价值集中在20%的组成部分上。因此,笔者以用户需求满意度和用户需求关注度建立坐标系,引入二八定律,将坐标系划分为四个区域,得到用户需求重要度分析模型,如图4所示。满意度高、关注度高是主保持区,满意度高、关注度低是次保持区,满意度低、关注度低是次改进区,满意度低、关注度高是主改进区。在四个区域内,用户需求满意度和用户需求关注度越高,所对应的用户关注和好评率越高,潜在创新价值越低,产品性能改进的必要性越低,保持的必要性越高,即点Ai越靠近保持区中的点N,阴影部分的梯形面积Si越低,所对应的用户需求重要度越低。关注度越高,满意度越低,所对应的用户关注较多,抱怨较频繁,潜在创新价值越高,产品性能改进的必要性越高,保持的必要性越低,即点Ai越靠近主改进区中的点M,阴影部分的梯形面积Si越大,所对应的用户需求重要度越高。

▲图4 用户需求重要度分析模型

阴影部分梯形面积Si体现了用户需求所处的位置,与用户需求重要度成正比。阴影部分的梯形面积Si为:

Si=(yi+b)(a-xi)/2

(6)

式中:a、b分别为用户需求满意度和用户需求关注度的上限,取b=1,a=1.5。

阴影部分梯形面积Si越高,点Ai的用户需求重要度越高。对各用户需求进行归一化,可得点Ai所对应的用户需求重要度ωi为:

(7)

通过前述各式,可以得到用户需求重要度集合Wd为:

Wd=(w1,w2,…,wn)T

(8)

4 实例验证

为验证用户需求重要度分析方法的有效性,笔者选取2017年两款比较受欢迎的冰箱产品P1、P2进行验证。采集2017年至2018年的评论数据,进行用户需求重要度计算,给出P1与P2的改进建议。之后选择2019年推出的同样受欢迎的P1与P2的升级产品P3与P4,将升级方案与笔者的建议方案进行比较,证明笔者分析方法的有效性。

4.1 评价要素池初步构建

获取冰箱评论数据,共采集7 321条。对采集的评论数据进行预处理,剔除无效评论数据,最终得到有效评论数据共计5 016条。其中,P1评论数据2 336条,P2评论数据2 680条。对评论数据进行分词处理与停用词过滤,由TextRank算法确定词语的最终排序权重,从而抽取出若干特征词,形成特征词集合{冰箱,声音,冷冻,外观,保鲜,速冻保鲜,物流,性价比,空间,节能,质量,购物,大气,价格,服务态度,感觉,服务,下单…}。按照特征词、情感词词典的构建流程,完成特征词、情感词词典的初步构建,将正负向情感词初始得分分别记为1、-1。提取出高频特征词,得到11个主要用户需求主题词,分别为冰箱、空间、声音、速冻保鲜、节能、包装、物流、外观、性价比、品牌、服务态度。冰箱用户需求主题词云图如图5所示。按照特征词与用户需求映射库的构建流程,确定用户需求主题词所对应的用户需求,由此初步建立特征词与用户需求映射库。

▲图5 冰箱用户需求主题词云图

构建程度副词表、否定副词表及连词词表,确定程度副词的修正因子和连词的修正规则,对相应的词设置对应的检测窗口,最终完成用户需求重要度评价要素池的初始构建。

4.2 评价要素池重构

通过专利、期刊文献数据的主题词提取,按照设计需求筛选特征词集合,形成产品功能词集合{制冷,速冻保鲜,降噪,冷冻,存储,保鲜,除味,蓄冷,冷藏…}与产品效果词集合{物美价廉,外观,容量,静音,美观,省钱,空间,声音,性价比,节能,箱体,压缩机,微冻板,蒸发器…},进一步构建设计需求筛选特征词集合{制冷、速冻保鲜、物美价廉,静音,降噪,冷冻,存储,省钱,美观,外观,容量,空间,声音,保鲜,性价比,除味,蓄冷,冷藏,箱体,压缩机,微冻板,蒸发器…}。

对用户评论需求特征词集合与设计需求筛选特征词集合取交集,由此得到筛选后设计需求特征词集合{空间,声音,速冻保鲜,节能,外观,性价比,保鲜,冷冻…}。

对筛选后设计需求特征词集合与特征词、情感词词典中的特征词取交集,完成特征词、情感词词典的重构。同时,对筛选后设计需求特征词集合与基于评论数据建立的特征词与用户需求映射库中的特征词取交集,完成特征词与用户需求映射库的筛选,得到六个设计需求主题——储物空间、速冻保鲜、声音、节能、外观、性价比。采用ABC模糊评价法,根据特征词、情感词词对得到六个设计需求主题分别对应六个用户需求项:有效容积大,冷冻保鲜效果好,声响小,省电,外观好看,性价比高。采用ABC模糊评价法,根据特征词、情感词词对确定筛选后设计需求特征词集合中余下未建立设计需求映射关系的特征词对应的用户需求,同时对相似的用户需求特征词进行合并,进而完成特征词与产品设计需求映射库的扩充,最终构建用户需求重要度评价要素池。

4.3 用户需求重要度计算

通过评价要素池检测单条评论中用户需求所对应的特征词、情感词、副词及连词,按式(3)～式(5)计算用户需求满意度和用户需求关注度,计算结果分别如图6、图7所示。

▲图6 冰箱用户需求满意度

为了形象展示各用户需求所处区域位置,以用户需求满意度为横坐标,以用户需求关注度为纵坐标,绘制用户需求区域分布图,如图8所示。

按式(6)～式(7)计算得到两款冰箱产品的用户需求重要度wP1、wP2:

wP1=[0.127,0.142,0.258,0.153,0.167,0.152]T

wP2=[0.175,0.155,0.192,0.127,0.186,0.164]T

▲图7 冰箱用户需求关注度▲图8 冰箱用户需求区域分布图

对于P1,用户需求“声响小”处于待改进区,其用户需求重要度为0.258,相比其它用户需求显著较大,应首先对“声响小”进行满足,建议降低噪声。

对于P2,用户需求“声响小”的需求重要度为0.192,值最大,应首先对“声响小”进行满足,建议降低噪声。用户需求“外观好看”的用户需求重要度为0.186,与用户需求“声响小”相差较小,建议对颜色进行关注。更换颜色布局和降低噪声不冲突,可以同时进行改进。由于用户需求“有效容积大”与用户需求“性价比高”的用户需求重要度相差不大,需求冲突,因此不考虑改进。用户需求“冷冻保鲜好”和“省电”的用户需求重要度较小,不考虑改进。

对P1、P2改进意见及升级产品改进方向进行汇总,见表3。

表3 冰箱改进意见及改进方向

由表3可知,根据评论数据分析得出的产品改进意见与产品实际改进方向基本一致。由此可见,笔者提出的用户需求重要度分析方法具有有效性和一定的实用性。

5 结束语

笔者提出一种面向产品设计的用户需求重要度分析方法,将文本挖掘技术和情感分析技术应用于产品的用户需求重要度分析过程中,并以冰箱产品为例,进行了实例验证。研究结果表明,笔者所提出的方法能够有效帮助设计人员通过评论数据了解用户需求,确定用户需求重要度,从而帮助设计人员确定产品的设计创新方向,以提高产品在市场中的竞争力。

笔者从评论数据中挖掘出用户需求重要度,丰富了传统用户需求重要度计算方法,改进了传统用户需求重要度确定过程中用户需求及评价数据获取方面的缺陷或不足,为解决用户需求重要度的确定提供了理论参考,并为产品的设计决策提供支撑,以帮助设计者对产品进行迭代更新,提高产品的市场竞争力,具有一定的实用价值。