基于顾客消费数据的市场创新时机侦测方法研究
2015-04-20施涛汪洋
施涛 汪洋
摘要：创新时机的侦测方法，分为三个主要过程：第一，通过EEMD方法对消费数据进行平滑处理；第二，侦测单个顾客消费习惯变化；第三，构建市场创新侦测矩阵，分析市场的有利创新时机。最后，利用某运营商的顾客消费数据进行创新时机侦测，侦测结果展现了本模型的有效性和实用性。
关键词：创新时机；消费行为；市场需求变化；侦测算法；EEMD
DOI：10.13956/j.ss.1001-8409.2015.03.27
中图分类号：F275；F713 文献标识码：A文章编号：1001-8409（2015）03-0125-05
引言
2013年7月，腾讯科技讯的一则报道引述了搜狗公司CEO王小川对创新的理解：“不创新就是等死，越大的公司越是如此，比如诺基亚；同时，创新就是找死……。”虽然“创新是找死”的论点早已有之，但随着政府、企业以及研究机构日益重视和投入创新，此观点似乎早已被人们遗忘。以创新为己任的互联网企业高管，为何又发出“创新是找死”这样的感慨呢？
创新是从企业对新产品的构思开始，以新产品的销售和交货为终结的探索性活动[1]。以平板电脑为例，微软公司在2001年最早展开对平板电脑的构思，但并没能以完美的销售和交货统领平板市场，反而是苹果公司于2010年凭借IPad风靡全球。为什么同样的创新产品却得到不同的结果呢？著名经济学家Schumpeter指出，创新时机是决定企业创新成功与否的关键因素。开展创新活动会消耗企业大量资源[2]，在错误的时机开展创新活动会导致企业创新过程的失败：创新过早，市场对创新产品或服务缺乏有效需求，创新投入无法得到及时回报，企业竞争优势将被削弱，微软公司在平板电脑市场的失败原因之一就是创新过早；创新过晚，其他企业就可能已经占领新产品市场，后发的创新企业也会面临新市场已被瓜分殆尽的窘境。
笔者对某市移动公司顾客消费行为变化状况进行的研究中发现：大量消费者行为改变预示着对创新需求的增加，正是企业开展大规模创新活动的时机。通过进一步的归纳和发展，开发出可供管理者参考的创新时机预测方法，该方法能够有效提升创新时机决策水平。
1研究回顾
对创新时机的研究始于对竞争环境下企业创新时机的探讨。Smith等的研究[3～5]显示，正确时机的选择是企业获得竞争优势、赢得市场收益的关键。竞争环境中最优创新时机的选择问题，体现在企业应该在新产品引入过程中做市场最先进入者（市场先锋）还是做市场跟随者[6]。学术界对这个问题进行了广泛的讨论，但观点出现了分歧：一些研究者认为最先进入市场的竞争者将获利更大。Levin等[7]也通过优先购买权博弈模型探讨企业进入市场时机问题，得到相同的结论。研究成果表明[8]，最先进入者会获得包括产品线分布、产品广度、产品标准、买方转换成本、市场份额等方面的优势，例如各个市场中平均30%的份额被市场的先驱者占有着。另一些研究者认为，市场先锋的优势没有想象中那么大。在市场信息没有延后的情况下，跟随者将在创新成果在市场上被证明是好的以后，第一时间选择跟进，从而削弱市场先锋的先发优势[9]。Lee等人[10]发现，市场先锋的优势持续时间受到进入时机的影响，市场先锋受到仿制品的冲击更大。Hoppe等[11]的研究显示，市场跟随者的优势与R&D成本呈线性正相关。
以竞争对手为中心，不如以顾客价值为中心。通过探讨竞争环境下创新企业相对最优策略，研究者们更清楚地认识到市场先锋与市场跟随者在创新活动中的优势与威胁。然而，竞争是为了生存，只能使企业获得基本的市场“入场券”。企业要维持长远、健康的发展，必须采取以顾客价值为中心的战略模式。从市场变化的角度出发，更客观、更准确地描述有利创新时机具有重要的实践意义。
目前，从市场需求角度研究创新时机的文献相对较少。研究成果不足的重要原因在于：由于早期生产实践中技术限制或企业家对数据重要性的认识不足，导致消费原始数据大量缺失，进而使得研究市场变化规律、发现合适的创新时机所需要的大量消费数据难以获得。随着大数据时代的来临，信息技术飞速发展，顾客数据和消费数据的搜集和保存变得越来越简便，为市场创新时机的研究创造了条件。本研究基于消费者行为数据，从市场需求的角度探究描述和量化市场创新时机的方案。
2市场生命周期与创新时机侦测
企业在何时开展市场创新最为有利？产品生命周期理论告诉我们，当较大比例的消费者开始出现消费量下降的状况之时，就是企业引入创新的最佳时机。
根据产品的生命周期理论，顾客对待产品态度的变化是存在规律的：首先，消费者开始对产品产生兴趣并开始尝试使用该产品（或服务）。如果产品符合其需求，那么消费者将进入一个稳定购买和使用的时期。随着时间的推移，消费者开始慢慢厌倦现有产品，开始寻求和尝试新产品，对旧产品的使用也会逐渐减少。
在众多消费者个体组成的产品市场中，消费变化的规律性更加显著。最初产品（或服务）投入市场会吸引少数消费者的尝试使用（引入期）；随着产品或服务的推广，越来越多的消费者开始购买和使用该产品（成长期），产品市场呈现快速增长趋势；随着产品销量的不断增加，产品市场的增长速度将逐渐放缓，产品销量进入相对稳定的状态（成熟期）；随后，一些消费者会厌倦现有产品，并开始追求和尝试新的产品，旧产品的销量也逐渐进入快速下滑阶段（衰退期）。
值得注意的是，在产品市场进入稳定期的后期，会存在这样一种状态：许多消费者厌倦旧产品并开始寻求新的替代产品，对旧产品的消费量逐渐减少，逐渐退出该产品市场，但与此同时，产品市场仍会存在一些新进入的消费者，从而使得整个产品市场的总消费量呈现相对稳定的假象。这会带来一种错觉，即认为产品市场仍然是稳定的。但如果在此阶段不引入创新，产品销量下滑一旦开始，就可能非常迅速。如果企业在这时还没做好创新准备，那么市场损失就是不可避免的了。企业引入创新的最佳时机，就是当较大比例的消费者开始出现消费量下降的状况之时，而不是整个市场的销量开始快速下降的时候。
探知顾客对现有产品态度的常用方法有两种：一种方法是直接开展调查，包括问卷或者访谈等形式；另一种方法是侦测顾客消费轨迹的变化，当顾客开始厌倦现有产品或者期待创新产品时，顾客的消费数据将真实反映这种情况。本研究通过侦测顾客消费轨迹的变化，设计出合理的评价参数，构建创新时机矩阵，并以此判断市场创新的最佳时机。
3设计侦测模型与方法
市场在经历一个发展阶段后，其中的顾客消费行为将会趋于稳定，形成稳定的消费习惯。Englezos等[12]将消费习惯定义为：人们在进行重复消费的过程中，会产生一种习惯，这种习惯会对其随后消费行为产生决定性影响的现象。消费习惯在数据上应该体现为消费行为数据以一恒定的均值为中心上下随机波动。对应消费习惯的改变是指顾客从一种消费习惯的状态中发生显著改变的现象。
那么，是否一旦侦测到顾客在某一时期的消费行为发生了很大的偏离，就可以认为该顾客的消费习惯发生了改变？消费行为的偏离可能由消费需求的改变引起，也可能是由于随机性因素导致的，例如某户某月电量使用减少，可能是因为户主更换了节能电器，也可能仅仅是由于户主因公出差。随机性因素通常被认为具有短期性、随机性和波动性，而持续的改变则意味着顾客正在转入新的消费习惯。本文采用连续三个月作为侦测期，当顾客的消费行为连续三个月保持在与原消费水平不同的另一个水平上，则可判断该顾客的消费习惯已经发生了改变。
根据以上思路，本研究模型的流程如下：
（1）侦测单个消费者的行为变化
对顾客的消费数据进行平滑处理，使数据更易于计算，提高预测精确性。
侦测单个顾客的消费习惯是否已经发生变化。
（2）侦测市场的变化
构建创新时机矩阵，描述市场需求变化的一般规律，探究创新时机的一般特征。
31平滑处理消费行为数据——EEMD方法
消费行为数据是一种属性值随时间变化而变化的高维数据。数据变化的复杂性大大增加了直接对消费原始数据进行分析和应用的复杂度，从而限制了消费数据在实践中的进一步应用。要更精确地对顾客过去的消费行为数据所组成的时间序列进行处理和分析，找出顾客消费过程中存在的特点，就必须首先对顾客的消费原始数据进行平滑处理，减少数据维度，降低数据分析难度。
Huang等[13]于1998年提出了一种旨在处理非线性、非平稳时间序列的方法——经验模态分解（EMD）。该方法能够用于对消费数据进行有效降维，提高对消费数据进行挖掘的准确性和便捷性。2009年，Wu等[14，15]对EMD方法进行了改进，提出利用白噪声的总体平均经验模式分解（EEMD）方法。
本文采用EEMD方法对顾客消费数据进行预处理，分离出IMF，并得到平滑后的顾客消费变化，算法过程如下：
在原始序列s（t）中多次加入均值为0、标准差为常数的白噪声，即：
si（t）=s（t）+ni（t）（1）
式（1）中si（t）为加入第i次白噪声后的序列；ni（t）为第i次加入的白噪声序列，其中i={1，2，...，N}，N为加入白噪声的次数。
对加入白噪声后的新序列si（t）分别进行EMD分解，得到分解出的各IMF标记为imfij（t） 以及一个余项式ri（t）。其中imfij（t）表示加入第i次白噪声后序列所分解出的第j个IMF分量。
由于随机白噪声是可以通过足够多的试验相抵消的，所以将分解得到的IMF分量进行总体平均，即可得出最终的各IMF分量，即：
imfj（t）=1N∑Ni=1imfij（t）（2）
式（2）中imfj表示对原始序列进行EEMD分解所得到的第j个IMF分量；N为加入的白噪声次数。
根据IMF分量的定义，在任意点分别由局部最大值和局部最小值产生的包络线的均值为零[13]。经过EEMD方法分解得到的新序列并不会影响原序列的均值及运动趋势。将原序列减去分离出的IMF分量即可在不影响原序列均值的情况下达到对原序列的平滑作用。
H（t）=s（t）-∑jimfj（t）（3）
式（3）中H（t）为平滑后的序列。
经过EEMD方法处理过后的消费数据序列较原始序列更平滑，更易于进行进一步的分析和计算。
32侦测顾客消费习惯的变化——消费习惯变化系数
消费习惯变化是指顾客新一期的消费数据与其过去相比存在显著的区别和差异。本文通过正态分布累积分布函数（CDF）定义了“消费习惯变化系数”指标来对其进行量化和解释。
若xt表示某顾客在第t期（t=1，2，...，n）的消费数值，μ和σ分别为t期消费行为数据的均值和标准差，即：
μ=1n∑ni=1x（4）
σ=1n∑ni=1（x-μ）2（5）
在t=1，2，...，n的情况下，xt服从正态分布N（μ，σ）。这时，第n+1期数据xn+1服从N（μ，σ）的程度就可以用xn+1在分布N（μ，σ）中出现的概率来度量，即：
P（X=xn+1）=Φ（xn+1-μσ）（6）
根据统计学惯例，当P（X=xn+1）<001（即xn+1值出现的概率小于1%）时，认为xn+1的值所表现出的消费行为与过去消费习惯相比是具有统计意义上显著差异的，即该顾客的消费需求在第n+1期发生了变化（如图1）。图1正态分布累积分布函数曲线
消费行为变化（CR，change rate）是顾客在新一期消费数据中表现出的行为变化。其计算如式（7）：
CR（x）=P（X≤x）（7）
其中X服从正态分布N（μ，σ）。
取置信水平为α，即当CR（x）≤α时，该顾客是流失的；当α
结合前文的分析，本文以顾客连续三个月消费出现相同方向的波动来规定消费习惯在数值上的表现。若连续三个月的消费行为数据为x1，x2，x3，则连续三个月的消费行为变化系数出现的概率为CR（x1）×CR（x2）×CR（x3）。根据这个概率值与置信度的比较，可判断该消费行为的增减性。
但是用CR简单相乘的形式来量化消费习惯变化仍存在一些问题。CR（x1）、CR（x2）和CR（x3）分别表示两个顾客连续三个月的消费行为变化系数见表1、图2。
表1简单乘积相同的2组样本数据
CR（x1）CR（x2）CR（x3）乘积样本104008002000064样本201004016000064图2表1样本数据CR变化对照
样本1和样本2两组数据的乘积相等，均为000064。样本2的CR样本数值变化比较平稳，甚至在CR（x3）有所提升；而样本1在变化过程中CR值有明显下降，显然不应将样本1与样本2的变化趋势判断为同类变化。使用简单相乘形式的参数量化连续三个月的流失情况会导致出现第二类错误的概率较大。
若改用概率相加来代替相乘，根据简单推导（见式8）可知概率相加是比概率相乘更严格的变化测量指数，能够更精确地反映变化的真实水平。
CR（x1）+CR（x2）+CR（x3）≤33α
CR（x1）×CR（x2）×CR（x3）≤α（8）
本文采用三个月参数相加的形式量化连续三个月数据的变化：连续三个月的消费数据x1，x2，x3的消费行为变化系数分别是CR（x1），CR（x2），CR（x3），则消费者需求变化系数（CDCC，consumer demand change coefficient）：
CDCC=CR（x1）+CR（x2）+CR（x3）（9）
当CDCC≤33α时，可判断该顾客在α的置信水平下是消费下降的。
当33α 当CDCC>3-33α时，可判断该顾客在α的置信水平下是有消费增长的。 33侦测市场的创新时机——创新时机矩阵 市场是消费者个体的集合。市场变化指数（MVC，market variation coefficient）是一个描述细分市场宏观波动趋势的指数。该指数的构建基于CDCC的计算，其含义是市场中所有个体消费需求变化的均值： MVC=∑CDCCiN×100（10） 式（10）中，MVC是市场变化指数，N为市场的顾客总数，CDCCi为市场中顾客i的消费者需求系数值，i=1，2，3...N。 MVC的取值范围为0到300，即0≤MVC≤300。当130≤MVC<160时，表示该细分市场波动不明显；当160≤MVC<300时，表示该细分市场有明显增长趋势；当0≤MVC<130时，表示该细分市场有明显萎缩趋势。 在实际运用中，MVC要与市场变化率参数共同使用才能清晰描述市场变化。当MVC处于130到160区间时，不能明确显示该数值所反映出的是市场稳定的结果，还是由于市场中的顾客同时向增长和流失两个方向改变造成的。市场变化率就是解释以上问题的一个很合适的参数。 市场变化率（CM，Change in Market）是市场中顾客需求产生异变的比例： CM=ntN（11） 式（11）中，CM为市场变化率，N为该市场的顾客总数，nt为该市场中消费出现显著变化的顾客数。 显然，CM的值是一个处于0和1之间的数，CM越大表示该细分市场的变化顾客越多，该市场的顾客消费需求也就越不稳定：CM≤03表示该细分市场是稳定的；03 结合使用MVC与CM就可得到创新时机矩阵（IOM，Innovation Opportunity Matrix），能对市场的变化规律进行充分的解释，如图3。图3运用创新时机矩阵对市场创新时机进行侦测 创新时机矩阵中将市场变化率（CM）置于横坐标，市场变化指数（MVC）置于纵坐标，根据取值可将创新时机矩阵分为若干区域。阴影区域为“创新时机区”，表明市场需求已经发生明显变化，需要对该市场的营销策略做出创新和调整。创新时机矩阵中箭头方向表示市场一个生命周期在创新时机矩阵中的运动轨迹：在市场引入期，市场缓慢成长过程中，增长不明显，落在A点附近；在市场成长期，市场迅速成长，落在创新时机矩阵中B点附近；随着成熟期的到来，市场增长速度放缓，逐渐趋于稳定，曲线位于C点附近，开始向创新时机区移动；在衰退期，市场趋于萎缩，变化明显，处于创新时机矩阵中D点附近。 4应用案例 案例数据来源于中国移动某分公司。本文从该移动公司管理系统贵宾顾客数据库中，随机抽样提取出3000条用户数据。以2011年1～12月这12个月的消费行为数据为基础，判断顾客过去的消费习惯，侦测2012年3～5月这3个月中市场策略是否有必要进行改变和创新。在研究过程中，研究者从“通信时长”、“短信条数”和“GPRS流量”这三个重要数据项出发，分别对语音、短信和上网业务部分进行创新时机侦测。 通过对数据进行预处理，计算出该细分市场内每个顾客的CDCC值，接下来根据式（10）和式（11）计算出该市场的市场变化指数及市场变化率，见表2。 表2样本数据MVC和CM计算结果 市场名称MVCCM语音143489233%短信131299070%上网174729000%在创新时机矩阵中定位各项数据，如图4所示。图4案例中各市场在创新时机矩阵中定位
数据结果显示，该公司上网业务正在快速增长中，市场处于成长期；而语音和短信业务则落于创新时机区域内，需要及时对公司这两部分业务的营销策略进行调整。这意味着互联网的高速发展已经改变了电信运营商的生存环境，基于互联网的通讯服务给电信运营商的传统业务如语音、短信等带来了巨大的挑战。
5研究结论
本研究以侦测市场需求的变化为切入点，从市场需求角度出发探究描述和侦测市场创新时机的新方法。新方法包括三个连续过程：利用EEMD方法处理消费行为数据，通过变化系数侦测消费习惯，使用创新时机矩阵确定市场创新时机。利用随机抽取的某移动公司3000名顾客15个月的消费数据，本文对该移动公司的市场创新时机进行了侦测，侦测结果对该公司的市场创新判断起到重要的帮助作用，后续的市场发展有力印证了该方法的有效性。
本研究成果填补了市场需求角度研究创新时机选择方面的理论空缺。在实践中能有效帮助企业在第一时间掌握市场中顾客需求的变化，抓住创新的机遇期；有利于企业及时反省自身所提供产品或服务中存在的问题，尽早对产品或服务质量进行提升和优化，从而降低顾客的流失率，使企业“创新”而不“找死”。
参考文献：
[1]Mansfield E.Industrial Research and Technological Innovation：An Econometric Analysis[M].Norton New York，1968.
[2]宋晓梅，刘富铀，弓宝平.合作创新还是自主创新？[J].科学管理研究，2005（5）：19-21.
[3]Stalk G，Hout T M.Competing Against Time：How Timebased Competition is Reshaping Global Markets[M].New York：Free Press，1990.
[4]吴建祖，陈雪丽.竞争条件下企业专利商业化时机研究[J].软科学，2010（10）：51-54.
[5]黄学军.基于不确定和竞争性二维环境下的投资决策方法比较[J].软科学，2007（1）：33-36.
[6]Romer P.New Goods，Old Theory，and the Welfare Costs of Trade Restrictions[J].Journal of Development Economics，1994，43（1）：5-38.
[7]Levin D，Peck J.Investment Dynamics with Common and Private Values[J].Journal of Economic Theory 2008，143（1）：114-139.
[8]Robinson W T.Sources of Market Pioneer Advantages：The Case of Industrial Goods Industries[J].Journal of Marketing Research，1988：87-94.
[9]Hoppe H C.Secondmover Advantages in the Strategic Adoption of New Technology Under Uncertainty[J].International Journal of Industrial Organization，2000，18（2）：315-338.
[10]Lee H，Smith K G，Grimm C M，et al.Timing，Order and Durability of New Product Advantages with Imitation[J].Strategic Management Journal，2000，21（1）：23-30.
[11]Hoppe H C，LehmannGrube U.Innovation Timing Games：A General Framework with Applications[J].Journal of Economic Theory，2005，121（1）：30-50.
[12]Englezos N，Karatzas I.Utility Maximization with Habit Formation：Dynamic Programming and Stochastic Pdes[J].Siam Journal on Control and Optimization，2009，48（2）：481-520.
[13]Huang N E，Shen Z，Long S R，et al.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J].Proceedings of the Royal Society of London.Series A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.
[14]Wu Z，Huang N E.Ensemble Empirical Mode Decomposition：A NoiseDssisted data Analysis Method[J].Advances in Adaptive Data Analysis，2009，1（1）：1-41.
[15]王瑞君.沪深股市结构特征及作用关系研究——基于EEMD和状态空间模型[J].北京理工大学学报：社会科学版，2013（1）：46-53.
（责任编辑：秦颖）
