基于文本分析与机器学习的顾客感知价值定价模型—以电子消费品行业为例

文 · 天风证券股份有限公司 唐兴叶 厦门大学管理学院 陈亚盛

一、引言

感知价值影响产品销售的实例在电子消费品行业屡见不鲜。例如：信息通信产业的蓬勃发展，使得智能便携式手机成为人们生活的一部分，但部分手机愈加高昂的售价、同质化的设计，也使得原本愿意消费的顾客望而却步。知名电子消费品厂商苹果，于2018年底下调业绩预期，主要是其在2018年9月推出的全新iPhone系列产品定价过高，偏离广大消费者的预期所致。苹果公司股价也由于业绩预期的下调，而在2019年的第一周下跌7.5%，市值累计缩水约550亿美元。抛除新产品创新乏力的事实，苹果新iPhone系列产品高昂的定价和滞后的价格调整策略，才是销售规模大幅缩水、企业不得不下调业绩预期的导火线。为应对现状，苹果在2019年初，全线下调其二级经销商的价格，以满足消费者的内在预期，从而提升产品销量。从电子消费品巨头苹果公司的这一事件中，不难看出电子消费品行业中，对于顾客反馈的及时响应决定了产品在生命周期中的市场敏感性（即能否在最短的时间内，使产品价格符合产品在顾客心中的价值感知）。综上而言，根据顾客反馈及时调整产品定价是电子消费品行业实现股东价值的重要节点；过早或过晚的调价，都无法符合股东价值最大化的管理诉求。

本文希望在前述研究的基础上通过大数据技术识别在电子消费品这一特定领域影响顾客感知的潜在驱动因素，并尝试探究这些潜在驱动因素是否会在影响顾客感知的基础上与产品的实际定价产生关联。本研究在一定程度上，首先会弥补前述研究在顾客感知价值驱动因素定性甄别时掺杂一定人为因素的不足。其次，通过人工智能算法，为定量研究感知价值提供了新的方法。最后，通过“感知价值”和“产品定价”的综合考虑，为管理会计研究中“实现企业收益最大化，产品应以怎样的价格进行销售”这一系列问题提供些许新的思路和方法。与此同时，本研究还希望通过研究电商模式下（即无法看到商品的实物，依靠对商品价值的感知与价格的对比进行消费决策，事后对于该次购买行为进行评价），顾客选购电子消费品时关注的重点以及其感知价值的构成，从而改进电商平台评论体系的针对性和其非结构化数据的有效性。对经营者、生产商而言，通过对电商模式中己方顾客购买过程中非结构化数据的分析，适时采取相应的价格策略，迎合消费者感知价值的变化，可以抢占先机以获取更多的市场份额。电商平台则通过对顾客消费数据的再分析，推广具有广泛感知认可的产品，从而在与其他同类平台对手的竞争中取得优势。

本文后续的结构安排如下：第二部分为本研究的理论基础；第三部分为研究设计，主要明确本研究所采用的数据来源和技术方法；第四部分为研究结果，主要涵盖研究结果与模型验证；第五部分为研究结论，主要论述数据结果的含义及对未来研究的展望。

二、文献回顾

（一）顾客感知价值与产品价格间的理论渊源

顾客感知价值理论在被系统地提出之前，其核心思想早在1954年出版的《管理实践》一书中由彼得·德鲁克提及。他认为，顾客购买的和消费的对象不是产品，而是价值。顾客在消费的过程中追求价值的实现，而价值实现的核心和本质是对于消费和购买行为的感知。直至1985年，迈克尔·波特在《竞争优势》一书中指出：“竞争优势来源于企业为顾客创造超过其成本的价值。”“企业所控制的溢价既体现顾客购买的实际货物价值，也体现顾客对于实际货物价值所呈现的认可程度。”即购买过程中顾客感知到的价值应当包括除货物实际价值以外的诸如花费的时间等其他直接或间接成本的价值，还应当包含对此商品由于情感认可而带来的价值增值。但迈克尔·波特的研究，主要以企业提供最终产品的效用为导向，从而分析顾客价值，顾客只是价格被动的接受者；其研究也始终未能对于顾客感知价值这一概念作系统的归纳。直至Zeithaml，Sweeny和Woodruff对顾客感知价值这一理论给出自己的定义，关于顾客感知价值的研究才逐渐兴起。

（二）顾客感知价值驱动因素研究现状与局限

顾客感知价值驱动因素的研究是在感知价值定义中多因素理论的范畴下展开的研究，Flint（1997）认为顾客感知价值的驱动因素的实质是描述顾客感知价值的来源以及构成顾客感知价值的组成要素。但对于这一问题的研究并不像对“顾客感知价值”定义的研究一样达成一致，诸多学者对于究竟顾客感知价值的驱动因素如何构成这一问题仍然众说纷纭。而关于驱动因素这一问题的研究方法却相对单一，驱动因素的研究往往是通过访谈和问卷的形式进行，采用这类方法获取的数据通常需要通过层次分析法加入专家意见，形成各自层级和权重，研究过程具有一定的主观性。此外，受试者样本量相对较小，其个体反馈差异以及实验环境等综合因素也会在问卷数据汇总和分析环节对实验结果产生潜在影响。

（三）研究问题和研究思路的提出

鉴于前述文献回顾中存在的局限和不足，本文的研究尝试解决搭建“顾客感知价值”导向的产品定价模型问题。本文以电子消费品行业作为研究对象，随着该行业的不断演进，产品的性能价值和产品周边的附加值逐渐成为顾客购买决策的参考依据。本研究主要考虑到该行业产品的生命周期短、前期研发投入大，合适的定价区间对于企业具有较大的实际意义；另外，电子消费品顾客关注的层次（即可能构成感知价值驱动因素的特征）相对较多。本文希望通过识别顾客感知价值的驱动因素进而测度顾客对于电子消费品的感知价值，以感知价值作为媒介设计定价模型（合理且最优的价格能够切实反映顾客对商品的购买意愿，即感知价值）；基于感知价值的定价模型，融合了对顾客消费倾向性的考虑，一定程度上实现了定价问题的学科融合。

三、研究设计

（一）行业选择

电子消费品行业的产品在进入移动终端和智能手机阶段之后，其主要成本支出在于研发的投入。电子消费品的研发大多采取预测性研发的方式，厂商在逐步分析顾客潜在需求的基础上进行研发以及产品的设计与制造。但是预测性研发使得研发投入在前期一次性投入，未来产品问世后能否有良好的市场反应将会直接影响产品前期研发投入的收回，这也直接导致电子消费品研发活动具有高风险和投资回收相对缓慢的特点。因此，“众筹”（Crowdfunding）、“试生产”等新兴生产销售方式也被越来越多的中小电子消费品厂商所采用；这也从侧面反映出进行合理的定价销售将有利于电子消费品厂商减少回收成本的时间，一定程度上降低前期大额研发支出的回收风险。

电子消费品的经销模式层次多样，电子消费品的经销网络主要采用互联网线上销售与实体店线下销售相结合的模式。电子消费品的销售存在其特殊性，由于其价格相对较高且消费者重视产品的实际使用体验，实体店为消费者提供了近距离实际体验产品从而进行购买的消费方式；而互联网线上销售则关注顾客评论反馈的体系构架，以顾客评论和相关的电子消费品产品介绍以及快捷的物流服务，作为其吸引消费者进行购买决策的主要方式。

在电子消费品的研发模式与经销模式的共同作用下，该行业突显出研发支出高、研发风险大、中小经销商应对风险能力薄弱的特点，实现收益最大化的销售目标才是尽快收回前期投资、应对行业固有风险的良策。因此，针对顾客对产品价值的感知进行定价，会在一定意义上降低经销商和厂商由于无法随时把握顾客需求感知而带来的收益缺失，适当的价格调整也会加快前期研发投入的回收，从而提升企业和经销商应对风险的能力。以上便是本研究希望将电子消费品行业作为研究对象的主要原因。

（二）研究总体设计

本文引入大数据分析的理念，尝试从非结构化的文本数据入手，寻找顾客在购买决策过程中关注的产品价值维度和情感倾向。首先，区别于传统研究依靠人为判断对驱动因素确定，本文采用爬虫技术获取顾客评论中其切实关注并津津乐道的内容作为驱动因素确定的着眼点。其次，文章选择机器学习的方法，除去研究过程中对驱动因素权重的简单假设，而是交由神经网络对经过量化的数据间的关系进行判断，实现了对研究过程不确定性的信息化处理。最后，电子消费品顾客感知价值作为承载两类前沿研究方法（文本情感倾向分析与机器学习）的理论基础，其作为定价模型的核心影响主体也将通过文本分析方法进行量化，最终在定价模型的实现过程中有所体现。图1展示了JD商城顾客评论情感倾向分析研究的设计流程。

图1 JD商城顾客评论情感倾向分析研究的设计流程

（三）研究具体设计

1.顾客购买决策关注点获取

（1）理论分析

一方面，本文以基于Python的互联网爬虫技术为基础，获取JD购物平台电子消费品大类下（以2016年6月至2018年6月为限）各项产品的用户评价，以此作为顾客购买决策关注点的数据来源。顾客评论作为顾客对产品最直接的信息反馈，直接体现出顾客在收到产品及短时间使用过程中对制定购买决策时考虑因素的好恶。而这些好恶在简短的评论中往往以特定的词语进行表达；虽然短评论的语言形式多样，掺杂一定的符号表情，但短评论突出的特点在于其主题词清晰，情感倾向鲜明，而非如其他汉语言文学形式，由于句式和语言习惯的不同，在主题和情感表达过程中呈现出语义的斑驳与晦涩。因此，本文将对顾客评论的主题词进行获取，从而获取顾客在购买决策中的关注点信息，作为量化感知价值的驱动因素。

另一方面，本文在获取顾客评论并识别顾客关注点的过程中，也将参考前述理论研究中对感知价值的驱动因素的研究成果并进行综合。剔除互联网爬虫过程中出现的与研究内容存在显著背离的影响因素和数据噪音，尽可能使驱动因素识别结果符合理论研究框架和顾客消费实际情况，从而为后续文本分析和机器学习提供准确的前导性支持。

（2）驱动因素识别的爬虫程序设计

电商网站的顾客评论是以动态加载的方式进行呈现的，即评论阅读者只有在浏览完当前顾客评论后，才能对下方评论进行阅读。此类评论展现的方式被称为“动态加载”，因此仅通过对原产品网站地址内容的抓取，并不能获得所有顾客评论数据。针对此类网页浏览设计存在的问题，文本提出以下解决方案：选择带有开发者选项的浏览器（如Google开发的Chrome浏览器），获取产品网页包含的Product Page Comments信息（该文件存储了当前商品的全部评论）。该信息以图2所示的URL(Uniform Resource Locator)方式呈现。

图2 基于Python的互联网爬虫获取顾客评论示例

如图2所示，红色为Product Page Comments信息的结构化内容，对于不同产品也均保持一致；蓝色部分是根据不同商品ID（JD商城不同产品会有独一无二的识别ID）予以替换的部分；绿色部分则为获取评论的页码范围。至此，便可以通过爬虫对所需产品的评论数据进行获取；获取评论数据后，可以对数据进行编码并以文本的形式进行存储。而此时的顾客评论数据还无法直接使用，后续将对获取的文本进行提取和清洗，使之符合本文研究设计的基本要求。

2.评论提取与文本分析

（1）数据提取和清洗

在前述爬虫过后，JD商城的电子消费品顾客评论已以文本的形式存储于特定的媒介中，但数据集合除了评论以外还存在许多网页符号，文本信息也尚未符合进行文本分析的数据形式。因此，本文将针对研究过程中可能用到的字段对原始数据进行适当的清洗与筛选；本文主要采用正则（Python中对特定位置字符串进行提取的普遍方式）对字段进行提取，即对满足预设特征的文本或字符进行提取。为使后续的研究能够清晰明了，本文选择保留顾客ID、购买时间、产品ID、产品价格和顾客评论作为信息筛选的标准，如图3所示。

图3 提取评论各字段信息程序示例

经过以上方式对信息的筛选，JD商城的电子消费品（以产品ID为5544068商品的部分评论为例）网页评论数据将会以图4形式呈现。

图4 JD商城电子消费品评论整理汇总

（2）文本分析设计

本文文本分析设计的主体理论依据主要为Alistair Kennedy和Diana Inkpen（2010）对于英文语境下文本分析的情感倾向识别理论。该理论将情感倾向分为“积极的、消极的或中立的”三种形式，并创造性地提出调节副词对语言情感倾向具有增强和衰减的作用。这一理论，广泛地适用于英语环境（英文语境中的文法结构易于划分主题词和修饰词）；而相对于中文环境，该方法始终没有大面积使用，主要是由于中文语境的多变和语义的繁复。而该方法在西文语境下，文本语义分析精度上优于目前使用较多的PMI（情感倾向点互信息算法）。本文研究对象着眼于中文语境下的顾客评论，而顾客评论作为短文本具有主题词清晰、情感倾向鲜明的特点；与此同时，顾客评论内容和评论形式相对集中，文法也不似其他汉语言文本那般丰富。综上所述，本文决定采用“特征词定位”“情感倾向词定性”“辅助性程度副词定量”的综合方式对JD商城顾客评论进行以确定感知价值为目标的文本分析。

①搭建文本库

本文以NLPIR（中科院汉语言分词系统）作为搭建文本库的主要手段，搭建包含前述电子消费品感知价值驱动因素的名词“特征词库”，可以用作区分情感倾向的形容词“情感倾向词库”和可以对形容词起到支持或削弱作用的副词“程度词库”。文本库的搭建始于对顾客评论的分词和词性进行标注，从而搭建基础词库（主要包含名词、形容词和副词），再由基础词库以驱动因素为标准挑选符合“特征词库”“情感倾向词库”“辅助程度词库”要求的词，组成满足研究设计的研究词库。由于传统方式的自动化词义归类需要一个原生词库，例如：“开心”作为一个正向词要归入“表达快乐情绪的词库”，首先要存在既有的“表达快乐情绪的词库”，之后才能使用KNN（K-Nearest Neighbor，K近邻）分类算法对新词进行扩充，而电子消费品感知价值的驱动因素特征词并不存在既有词库，之后于是本文在对基础词库的进一步筛选过程中，采用交互检查式人工处理的方式。虽然增加了研究的时间耗费，但原生词库的搭建，对于后续研究过程中可能出现的新词，可以起到简化识别过程的效果。该部分主要设计流程与实现如图5所示。

图5 分词及词库搭建流程

该算法先调用NLPIR对评论文本进行分词，而后对切分后的短元素进行词性的判断，并将相应的划分结果归入相应的基础词库。分词及文本库搭建程序示例如图6所示。

图6 分词及文本库搭建程序示例

②分词与整合的功能设计

分词与整合的功能设计，旨在明确如何对JD商城电子消费品的顾客评论数据文本分析的规则；简言之，即对于单一评论而言，什么样的词组搭配会被视作是对于特定产品某一特定维度的情感性描述。举例而言，图7将展示产品ID字段为5544068的产品的第一条评论。

如图7所示，绿色标注文字对应产品的正向评论，红色标注部分对应产品的负向评论。对评论进行分词和词性标注处理后，可发现评论中正向评论与负向评论的核心组成部分均为“特征词”加“辅助性程度副词”加“情感倾向词”。产品ID字段为5544068的产品的首条评论分词整合示例如表1所示。

图7 产品ID字段为5544068的产品的首条评论标注

表1 产品ID字段为5544068的产品的首条评论分词整合示例

这一组数据只是庞大JD商城电子消费品的顾客评论数据的缩影，清晰地反映出这位顾客在购买之后的短期内对自己所购买产品中关注点（即感知价值驱动因素）的看法。与此同时，“特征名词”“辅助性程度副词”“情感倾向词”的组合也可以清晰地勾勒出电子消费品对应的感知价值。区别于传统的研究，本文基于以上方法，不再依赖调查问卷对顾客进行限制性倾向（即在表达形式受限的情况下对特定事件或事物表达看法）研究，也不再依靠假设检验对相关因素间的内在联系进行判断。通过机器学习和神经网络，可以从不同词类的组合中发现电子消费品感知价值与价格间的内在联系，具体方法将于后文做详细阐述。

（3）文本匹配与筛选设计

在搭建好用于进行研究的三类文本库后，如何之间的各维度的“特征词”“情感倾向词”“辅助性程度副词”与对应的维度之间的精确匹配是该部分亟待解决的主要问题。由于识别电子消费品感知价值驱动因素的多样化，以及单一评论中包含多维度的感知价值，如何定义文本中“辅助性程度副词”和“情感倾向词”的指向，会很大程度上影响到文本分析的指向性和精确性。仍以前述产品ID字段为5544068的产品的第一条评论为例，基于人工的文本阅读，可以非常清晰地识别出“配置+高”和“屏幕+分辨率+相当满意”的语义指向，而机器在识别过程中仅能发现对应的词句。因此，如何设计匹配规则，使得程序在运行过程中对文本中的词语的归属做到相对精确的划分，也就变得尤为重要。

本文在参考前人研究成果的基础上，将文本标点和文本中反映电子消费品感知价值驱动因素的特征词作为划分“辅助性程度副词”和“情感倾向词”的依据，具体规则如图8所示。

图8 基于顾客评论文本匹配与筛选设计流程

其中，词库分词处理所包含的处理为：对顺序分词且保留标点的“顺序词语集合”元素进行提取并与搭建的“特征词库”“情感倾向词库”“辅助性程度词库”元素进行匹配。对筛选出的元素依次排序，且不打乱元素在原有文本中的顺序排布。“判断一”所包含的判断条件为：短元素中包含“特征词”个数为0。“判断二”所包含的判断条件为：短元素中包含“特征词”个数为1。词间测距所包含的处理为：参考KNN算法的邻近原则，分别测度各“情感倾向词”和“辅助性程度副词”与“驱动因素特征词”的距离；再根据距离的结果，分配“情感倾向词”和“辅助性程度副词”的特征归属。“情感倾向词”与“辅助性程度副词”归属确定与数量统计程序示例如图9所示。

图9 “情感倾向词”与“辅助性程度副词”归属确定与数量统计程序示例

3.文本数据量化汇总

一方面，机器学习算法可以发现数据间的规律；另一方面，“情感倾向词”和“辅助性程度副词”的组合数量可以反映电子消费品感知价值的强弱。一般而言，人们对于某一事物不吝赞美之词，由此可以反映出人们对于该事物强烈的喜爱之情；“不吝”这一表达特征在计算机语言中，就可以被视为情感表达词语在数量上的堆叠。因此，本文在汇总文本数据时，不再采用原有的权重假设和层次分析法，直接将各类驱动因素对应的情感倾向予以数量化，再交由神经网络进行判断。

在汇总评论数据的过程中，以驱动因素作为汇总单元，每个汇总单元又以“特征词”作为归集对象，归集与之相匹配的“情感倾向词”和“辅助性程度副词”，从而将JD商城的电子消费品顾客评论中包含的感知价值予以量化，为开展后续研究打下基础。具体流程如图10所示。

图10 文本数据量化汇总流程示意图

经过以上文本分析流程，来源于电商的评论将被拆分成以感知价值作为区分的词汇组合，并在此基础上进行计数。

4.机器学习方法与模型生成

本文采用BP神经网络作为机器学习的主要方法，其主要包含三个核心层级：数据输入层、隐藏层和数据输出层（其中数据输入层对应本研究中的电子消费品感知价值驱动因素，数据输出层对应电子消费品实际价格，隐藏层则是为实现计算机处理非线性映射而加设的单元）。与此同时，为了逐渐降低输出层与输入层数据之间的差异，即实现神经网络对数据关系的合理探究，最初数据输出值将与数据输出实际值进行比较，差异尚未达到可接受范围，则通过调节隐含层中包含的单元间的权值，从而使得两者之间的误差范围满足实验设计者的研究要求。文本将通过BP神经网络对以上数据单元的学习，分析文本情感倾向与产品定价之间的关系；对比神经网络预测值（即电子消费品价格输出值）与实际值的比较，确定“文本分析-神经网络”价格预测模式的可行性，通过实际价格与预测价格的差异适当分析出现此现象的潜在原因。调用神经网络算法的代码与程序设计如图11所示。

图11 BP神经网络算法调用程序示例

四、实验过程与数据分析

（一）驱动因素获取与数据处理

本文选择JD商城热销电子消费品100余种，在挑选过程中主要着眼于价格弹性相对大的电子消费品（即顾客的感知是其作购买决策的主要依据，价格的合理变化能够切实为厂商带来收入的增加），汇集评论20万余条，寻找顾客对此次购买行为的关注因素，作为分析电子消费品感知价值的驱动因素。该部分主要搜集评论中出现频率较高的关键词，并根据相关理论研究和文字表达对明显不相关的关键词予以剔除。表2仅展示出现频率大于1%的关键词，主要将关键词的出现频率作为确定电子消费品顾客感知价值的依据。通过基于Python的互联网爬虫，发现电子消费品大类中“产品品牌因素”、“产品设计因素”、“产品性能因素”、“产品质量因素”和“厂商服务因素”是顾客评价在购买感知时最多提及的因素。因此，将这五项驱动因素作为机器学习的数据输入层符合数据取用的规模要求和理论逻辑。

表2 电子消费品感知价值驱动因素汇总

识别出电子消费品行业的感知价值后，本研究将上述选取的顾客评论依照研究设计所呈现的步骤（详细参见本文“三、研究设计”相关内容），对文本数据展开处理，以感知价值的驱动因素作为量化评论情感的维度。现选择3组数据予以展示，表3数据为进行机器学习之前文本数据处理之后的最终形态。

表3 情感倾向数据训练集示例

（二）文本分析与神经网络训练结果

1.神经网络训练结果描述

如图12所示，该图为BP神经网络运行的过程，其中神经网络的“Validation Checks”意义在于（神经网络运作模式为输入值推测输出值，并通过输出与实际的差异进行修正），当机器自行调整隐藏层权重的过程，连续多次无法降低（或调整权重的操作会增加数据间的误差）数据输出值与数据实际值之间的误差时，神经网络判断数据已达到最优输出状态。经过神经网络对数据的学习后，呈现出图13所示的状态（本研究已经针对BP神经网络的相关学习参数进行了相应的调节，尽可能优化研究的数据结果）。

图12 BP神经网络训练情况示意图

图13中，“十”字标记为所选产品的实际价格，圆形标记为神经网络通过对顾客评论情感倾向分析后的预测价格；图的横轴表示测试样本序号，纵轴表示产品价格（单位：元）。图中截取中间价位结果予以显示，红色标注的圆形为通过神经网络对顾客评论量化分析后，预测值偏差小于或等于实际价格0.3倍的点；黄色标注的圆形为通过神经网络对顾客评论量化分析后，预测值偏差大于实际价格0.3倍的点。高价位区间的绝对误差较大，低价位区间的相对误差较大。在中间价位区间，神经网络训练效果相对较好，虽然仍存在零散分布的数据，但大部分预测值在实际值的周围小幅波动。因此，可以判断电子消费品文本分析的数量结果对价格的预测存在积极作用，定价模型的使用可行性得到验证。而对于训练过程中数据出现的偏离情况，本文也将在下一小节进行阐述。

图13 数据实际值与神经网络预测值的差异汇总结果

2.神经网络训练结果分析

对于上述神经网络学习结果的分析如下：学习结果表征反映为高价位区间和低价位区间的较为离散（即数据预测值偏离实际值的情况相对明显），而中间价位区间的相对收敛。神经网络的具体预测结果如表4所示。

表4 神经网络结果汇总

中等价位区间消费者的消费习惯呈现正态分布，中间区间容量大。因此，中间区间的顾客感知价值获取相对饱满，偏差结果在所有研究结果中达到最小。最后，本文研究旨在反映现实中电商机制下电子消费品顾客感知价值对于产品价格的影响。现实销售过程中价格变化受到企业价格策略的影响，高价位产品为了在产品生命周期伊始快速实现“撇脂效应”，定价往往高于消费者实际感知；该产品的忠实簇拥者也会选择其他渠道第一时间购买体验。因此，电商平台高价位区间产品的价格预测值低于实际值，也从侧面反映了这一消费行为和价格策略。与之相反，低价位产品逐渐进入产品生命周期的末段，厂商策略在于清理库存和底价促销，而这一定价策略会给消费者营造出物超所值的消费感受，使得对于该类电子消费品的预测价格高于其实际价格。

五、模型验证与展望

（一）模型验证与应用

上述阶段，通过对京东购物平台中电子消费品行业数据的机器学习过程，训练结果趋于稳定。为了解释和验证基于顾客感知价值的定价模型具有实际意义，该部分将以时下颇具争议的智能手机iPhone XR作为验证对象。本研究选取JD商城苹果智能手机二级经销商的销售数据（https://item.jd.com/32951962620.html）作为数据来源，并从中获取顾客评论中2018年9月初至2019年2月中旬的约685条有效文本数据作为验证数据集。将售价分别为6499元、5999元和5499元的消费评论数据进行汇总，作为测度电子消费品感知价值的验证数据集；并按照前述研究设计予以处理，形成由“特征词”作为归集对象的情感倾向数据；而后将数据作为输入值代入已训练完成的神经网络，则神经网络输出值为基于顾客感知价值的模型预期价格。如图14所示，iPhone XR上市至今JD商城二级销售商进行过两次明显的价格调整，产品价格由原来的6499元依次下降至5999元、5499元。

图14 产品实际价格与模型预测值对比折线图

模型根据智能手机iPhone XR的消费者评论，依据以往热销电子消费品所反映出的价格特征对其消费者感知价值进行度量。图14中2018年底iPhone XR智能手机售价为6499元，而顾客感知模型的预测结果为4247.16元，数据差额为2251.84元；顾客感知与实际售价之间存在较大差异。首次调价过后，产品市场售价为5999元，模型预测结果为4543.50元，实际价格与预测价格间的差额为1455.50元。模型预测价格表示顾客在当前时点对于感知价值的实时反馈，而苹果官方售价与消费者心理预期存在显著差异，这一差异也会导致产品在市场销售过程中缺乏竞争力。而苹果公司针对前期过高的定价进行调整，并在第一阶段取得相对不错的效果，恰恰反映出感知价值预测模型所呈现的结果，即苹果公司存在调整价格刺激销量的空间（实际价格高于感知价值，适当调低价格会带来感知价值提升，从而促进对特定产品的消费）。与此同时，如图14所示，伴随着实际价格的逐渐下调，产品售价也会逐渐趋近于感知价值预测线。

通过上述验证，发现该模型可以相对准确地反映企业根据顾客感知数据所确定的价格底线，即在当前时点是否存在进一步刺激顾客消费的空间；也可以及时发现产品定价是否已经背离顾客意愿。另外，电子消费品行业由于其行业特点，大多采用“撇脂”定价策略，准确的“撇脂”时点使得企业可以获取各层级的最大化收益。但是，以上述数据为例，苹果公司在初次调价后，短时间内再次调整了产品的价格，而此次调价并没有缩小产品价格与感知价值的相对区间，因此没有起到刺激消费的作用，反而使原本愿意在高价位购买的用户以更低的价格消费，企业则由于价格下调失去原本可以获得的收益。其他企业在采用“撇脂”策略的过程中，可以通过模型中实际价格与感知价值的差值判断企业此次调价是否实际刺激了顾客的消费意愿，从而避免由于过早降价失去超额收益，或过晚降价给予竞争对手可乘之机的情形。

（二）未来展望

本文采用数据科学的研究方法试图解决传统管理决策的问题，将顾客感知价值作为产品定价的主要导向。数据科学的研究方法（如大数据搜集和分析、文本及情感倾向分析、神经网络和机器学习方法等）的潜在可使用范围，远不止本文所涉及的场景；对于非线性问题或者难以描述各驱动因素间关系的问题，数据科学的研究方法有着自身独特的优势，结合编程语言对数据的批量处理可以大幅提高研究的效率。

另外，基于文本分析和情感倾向分析，可以实现对传统非结构化数据的有效利用，尤其是在对于顾客行为、消费形态、社交媒体舆论等大量以文本数据为主的研究场景。基于神经网络算法、分类算法和机器学习则可以实现对供应商品质、客户信用风险的分析，相比于传统的数据模型，机器学习会关注在传统研究中未能识别出的相关因素，使得模型的适用性大幅提高。