基于在线评论的客户满意度研究

蔡春雨 杨雨薇

摘要：网络购物已经深入到我们生活的每个角落，在线评论也逐渐成为网购时对商品各方面做出判断的重要因素之一。本篇文章以客户满意度、数据挖掘为理论基础，选择京东商城上华为P40的在线评论为研究对象。通过软件对数据进行获取，并对数据进行预处理，量化打分，将处理好的数据导入SPSS Modeler构建贝叶斯网络模型和神经网络模型，并对两个模型的准确性进行对比。最后结果显示，消费者对手机关注点有相似的地方也有不同的地方，根据此结果来帮助厂家改进产品。

关键词：在线评论;客户满意度;贝叶斯网络模型，神经网络模型

1引言

电子商务平台的出现改变了传统的购物模式，消费者足不出户就可以买到自己想要的商品。但是由于网络购物的弱连接性，消费者所接触到的信息都是商家所展示出来的，商品信息的真实性无法辨别，另外消费者没有办法去面对面的体验产品，这些不确定的因素就会增加消费的感知风险进而影响消费者的购买意图[1]。为了消除这种不确定性，大多数消费者都会参考商品的在线评论。

本文以京东商城手机产品评论为研究对象，通过网络爬虫软件和数据分析软件对在线评论进行处理，从而分析出影响手机产品客户满意度的影响因素，帮助网络供应商更好地了解客户的需求、有针对性地改进手机产品和提高自身的服务水平。

2 数据采集以及处理

2.1 数据来源

本文所用到的数据来源于京东商城，京东是顾客购买电子产品的主要渠道，也是我国电子商务领域有重要影响的电商平台。选取华为P40作为研究对象。本次研究抓取的数据主要有手机的销售信息以及在线评论相关信息，包括：用户ID、评论时间、会员等级、评论内容，评论星级等。

2.2数据预处理

京东商城的评论中都会有消费者给出的五分制评分。五分制是目前最常用的打分标准。对于不同的产品或服务的特征因素，建立严格的评分规则，并按照此规则把相应的特征因素量化打分。客户满意度的情感倾向以及评分准则如下：

（1）很、非常、大屏、分辨率高、很好看、特别实惠、很好听、容量大、时间长、很清楚、一流、完美等为5分。（2）漂亮、好看、好用、便宜、不错、够用、可以、完好、实用、性能好等为4分。（3）还行，一般，适中，可以接受正常，还好，正常使用、满足整体需求等为3分。（4）有点不、不合适、不太好、有点贵、有杂音、不够用、不清楚、差、不行等为2分。（5）很不、非常不、完全不、太差、容量太小、太差、很不方便、非常差等为1分。

将所有的数据进行量化，在处理过程中严格按照打分规则，得到电子商务客户满意度的基础数据。

3 客户满意度影响因素模型

3.1 客户满意度影响因素模型构建

用SPSS Modeler软件，将量化过的数据导入到软件中，经过数据过滤、类型筛选等步骤，构建产品的贝叶斯网络模型。最后用数据构建神经网络模型，分别对这两个模型进行准确性评估，并比较两个模型的準确性高低。

3.2客户满意度影响因素模型结果分析

3.2.1贝叶斯网络模型结果分析

对于华为P40来说，外观与音质、颜色、手感相关，屏幕与音质相关，性能与电池和拍照以及音质相关，手感与物理属性和功能相关，价格和质量以及物理属性相关。

从华为P40满意度各因素重要性排序可以看出，消费者对此商品最为关注的前3项是性能、质量、物理属性，接下来就是音质、手感、拍照、外观、屏幕以及颜色和价格。可以看出性能那个属性对满意度影响最大。

3.3模型准确性评估

将处理好的数据分别用神经网络模型和贝叶斯网络建模，比较两个模型的准确性。对两个模型进行准确性分析，阈值选择90%，改善准确性选择2.0折叠。两个模型输出的结果：贝叶斯网络模型的正确率是92.06%;神经网络模型的正确率是88.59%。通过输出的准确性结果来看，神经网络模型的准确性没有贝叶斯网络模型的准确性高，这就说明了本文选择的贝叶斯网络模型来预测客户满意度是比较准确的，可行性高，更具有优势。

4研究结论

根据贝叶斯网络模型来看，特征因素之间有相互的联系，每个节点都有它的父节点，说明顾客在购买时不仅仅关注产品的一个属性，所以商家在改进产品质量以及服务的时候不应该只关注产品的一方面，要挖掘其他属性之间的联系。最后通过特征因素重要性排名来看，华为P40满意度影响因素排名最高的是性能、质量、物理属性，数值分别是0.1484、0.0961、0.0945，说明在购买华为P40的时顾客更偏向其性能、质量、物理属性。

参考文献

[1]徐慧，颜实.在线评论对消费者网络购买决策的影响综述[J].时代金融，2018（32）：354-355.