tüketiciler

Kredi: Pixabay/CC0 Kamu Malı

Western University, SUNY Buffalo State College, University of Cincinnati ve City University of Hong Kong’dan araştırmacılar yeni bir makale yayınladılar. Pazarlama Dergisi Bu, yöneticilere, tüketici incelemelerinden ürünler ve özellikleriyle ilgili bilgileri çıkarmaları ve izlemeleri için metodolojik bir çerçeve sunar.

Somut ürün özelliklerinin tüketiciler için nasıl daha üst düzey faydalar oluşturduğunu anlamak, çeşitli kurumsal ekiplere fayda sağlayabilir. Beton veya “mühendislik özellikleri” teknik özelliklere ve ürün özelliklerine atıfta bulunur. Örneğin, tablet bilgisayarlar bağlamında bu tür nitelikler arasında RAM, CPU, ağırlık ve ekran çözünürlüğü bulunur. Bu alt düzey özniteliklerin kombinasyonlarının, tüketiciler için Donanım ve Bağlantı gibi daha yüksek düzeyli faydaları veya “meta öznitelikleri” nasıl oluşturduğunu anlamak, yöneticilere eyleme geçirilebilir içgörüler sağlayabilir. Satış ekiplerinin, tüketici satın alma davranışını yönlendiren üst düzey ürün faydalarını anlaması gerekir. Ürün tasarım ekipleri, ürünün teknik özellikleri ile algılanan faydaları arasındaki ilişkileri anlamak için mühendislik ve üretim ile iletişim kurmalıdır. Mühendislik ekiplerinin, ürünün meta özellikleriyle ilişkili daha soyut faydaları sağlayan ürün modelini oluşturmak için teknik alt bileşenlerin ödünleşimlerini tahmin edebilmesi gerekir.

Geleneksel anket yöntemi zaman alıcı olabilir ve farklı örnekleme dönemlerinde tutarsız sonuçlar verebilir. Bu nedenle, teori ve pratikte önemli bir boşluk var: Yönetsel kararları bilgilendirmek için mühendislik özellikleri ve meta nitelikler arasındaki bağlantı doğrudan tüketici girdisinden nasıl ortaya çıkarılabilir?

Bu boşluğu doldurmak için araştırma ekibi, ürün özelliklerinin gömülü bir temsilini elde etmek için makine öğrenimi ve doğal dil işlemeye dayalı metodolojik bir çerçeve tasarladı. Spesifik olarak, gömülü temsil, tüketici incelemelerinde bu tür metinsel verileri (yani bağlamsal bilgileri) çevreleyen sözcükleri kullanarak tek tek ürün nitelikleri gibi metinsel verileri tanımlar (temsil eder). Temsil, tüketicilerin kendileri tarafından nasıl tanımlandığına (yani bağlamsal bilgi) dayalı olarak çeşitli ürün nitelikleri arasındaki benzerlik derecelerinin matematiksel olarak ölçülmesini sağlayan ve böylece niteliklerin tüketiciler tarafından kullanımındaki benzerlikleri ve farklılıkları ortaya çıkaran sinir ağları kullanılarak nicelenir.

Model, bu gömülü temsilden sonra, soyut ürün faydalarının seviyelerini yansıtan çok seviyeli ürün nitelikleri kümelerini tanımlar. Wang, “Başka bir deyişle,” diyor Wang, “bu yeni yöntem, bireysel ürün özellikleriyle ilgili olarak ifade edilen belirli bağlamları ölçmek için yazdıkları incelemelerde tüketicilerin kendi sözlerini algoritmik olarak çıkarır.

Bu daha sonra, tüketici memnuniyetini veya bir üründen memnuniyetsizliğini etkileyebilecek daha üst düzey faydaları ortaya çıkarmak için ürün özelliklerini bağlamsal benzerliklerine dayalı olarak birlikte gruplandırmayı sağlar. Bir ürün veya markayı inceleyebilir ve daha sonra, hangi mühendislik özelliklerinin öncelikle meta niteliklerle ilgili olarak tüketici duygularını yönlendirdiğini incelemek için daha derine inebilir.

Araştırmanın üç ana katkısı vardır. Birincisi, yöneticilere, tüketici incelemelerinden ürünler ve özellikleriyle ilgili bilgileri çıkarması ve izlemesi için metodolojik bir çerçeve sağlar. He’nin açıkladığı gibi, “Çerçevemiz, tüketici incelemelerinde ifade edilen ürün özelliklerini çevreleyen bağlamlardan yararlandığından, yöneticiler, ürünle ilgili kararlarını bildirmek için meta özelliklerin markalar içinde nasıl geliştiğini doğrudan izlemek ve bir ürün kategorisindeki markaları karşılaştırmak için kullanabilir. Meta niteliklerden oluşan hiyerarşik yapımızın, tüketicilerin temel inceleme yazma davranışlarına yeterince yaklaştığına dair doğrulamalar sağlar.” İkincisi, araştırma, bir nitelik hiyerarşisine dayalı olarak bireysel niteliklerle ilişkili duygu puanlarını toplayan hiyerarşik duygu analizini göstererek tüketici incelemelerinin duygu analizini genişletir.

İnceleme düzeyinden başlayarak, SKU, ürün serisi ve markalar gibi çeşitli analiz birimleri için içgörüler elde etmek için duyarlılık puanları yukarı doğru toplanabilir. “Hiyerarşik duyarlılık analizini kullanarak yöneticiler, ürünleri yalnızca bir bütün olarak tanımlayan ve belirli ürün özelliklerine göre akredite edilemeyen inceleme derecelendirmelerine güvenmenin ötesine geçebilir. Duyarlılık analizine yönelik bu esnek yaklaşımın, tüketici incelemelerinden uyarlanmış gösterge tabloları ve algı haritaları oluşturabileceğini gösteriyoruz. bu, yönetimsel kararları bilgilendirebilir” diyor Curry.

Üçüncüsü, çalışma, yöntemin pratik bir gösterimini sağlamak için tabletlerin tüketici incelemelerini kullanır. Özellikle, Hewlett-Packard ve Toshiba ile ilgili tüketici duygularını analiz ederek bu markaların nihayetinde tablet ürün serilerini durdurmasının olası nedenlerini araştırıyor. Ryoo, “Öznitelik hiyerarşimizi kullanarak meta-özniteliklerini değerlendiriyoruz ve ardından HP tabletleri için mevcut sınırlı sayıda uygulamanın ve Toshiba tabletlerinin kalınlığının ve ağırlığının ana itici güç olduğunu bulmak için mühendislik özellikleri seviyesine iniyoruz. Tüketicilerin ürünler hakkındaki olumsuz düşünceleri.

Ardından, başarılarının olası itici güçlerini keşfetmek için pazar lideri markalar Samsung ve Apple’ın meta özelliklerini analiz ediyoruz.” Berger ve diğerleri, “verilerin yararlı olması için araştırmacıların temel bilgileri çıkarabilmeleri gerekir – ölçmek, izlemek için , pazar davranışının nedenlerini ve sonuçlarını anlayın ve yorumlayın.” Bu anlamda, bu yöntem pazarlama stratejileri geliştirmek için oldukça yararlıdır çünkü ürün özellikleri ve tüketici değerlendirmeleri arasındaki ilişkilere ilişkin değerli bilgiler sağlar.


Tüketici tarafından oluşturulan sosyal medya görselleri, tüketici marka algılarını yakalar


Daha fazla bilgi:
Xin (Shane) Wang ve diğerleri, Nitelik Gömme: Tüketici İncelemelerinden Ürün Niteliklerinin Hiyerarşik Temsillerini Öğrenmek, Pazarlama Dergisi (2021). DOI: 10.1177/00222429211047822

Amerikan Pazarlama Derneği tarafından sağlanan

Alıntı: 23 Kasım 2021’de https://techxplore.com/news/2021-11-machine-natural-language-consumer-product adresinden alınan ürün özelliği içgörüleri (2021, 23 Kasım) için tüketici yorumlarını ölçmek için makine öğrenimi ve doğal dil işlemeyi kullanma .html

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Ürün #özelliği #içgörüleri #için #tüketici #incelemelerini #ölçmek #için #makine #öğrenimi #doğal #dil #işlemeyi #kullanma