基于社会化聆听的服装品牌资产度量方法

魏元潇, 宋 琨, 钟绮桐

(1.东华大学 a.服装与艺术设计学院; b.现代服装设计与技术教育部重点实验室,上海 200051; 2.亚马逊公司,美国 纽约 NY 10001)

品牌的重要功能之一是帮助消费者识别不同组织、产品或服务,区分同类竞争对手。品牌对消费者的最终购买决策有显著的影响,那么企业如何知晓自身品牌在关键因素上的表现及品牌市场竞争的优劣势,如何制定相应的品牌策略与策划后续的营销活动,如何进行品牌资产或价值的管理与评估离不开品牌资产度量。当前品牌资产度量的主流方法是基于消费者对品牌认知的调研,然而消费者调研存在获取效率低、敏感度较差、成本较高等问题[1]。由于服装行业品牌数量多、分散广,单个品牌的市场规模占比小[2],在媒体生态碎片化背景下,传统消费者调研方法存在的反应速度慢、成本高、结果不敏感等问题变得愈发突出。

随着社交媒体的迅速发展,营销学界开始注意到社会化聆听数据在品牌资产度量中应用的可能。社会化聆听是指利用社交媒体,对关键词句、话题标签或目标族群、品牌社会化舆情资料等进行追踪和倾听,并进行文本挖掘与分析。社会化聆听数据具有动态性跟进及时、获取成本较低等特点,可以弥补传统方法的不足[3]。由于服装产品的强社会化性质,服装消费者在社交媒体上的表现非常活跃,与服装产品有关的消费者言论也较为丰富[4],消费者的表达隐藏着营销人员所关切的品牌资产中的品牌利益联想,这使得利用社会化聆听进行服装品牌资产度量成为可能。

由于社会化聆听数据具有非结构化特点,对数据进行结构化处理是社会化聆听中的技术难点。目前在营销实践中运用相对成熟的方式是利用语义情感分析技术对品牌的正负面舆情进行跟踪[5-6],比如针对品牌重要营销活动或重大公共关系事件带来的消费者舆论和情绪进行跟踪和分析,而利用社会化聆听数据进行系统的品牌资产度量则还未见。本研究的目的是探索社会化聆听数据中与品牌资产中品牌利益有关的信息,并进行品牌利益维度量化,为利用社会化聆听数据进行品牌资产度量提供可操作性方法。

1 品牌资产度量

1.1 基于消费者视角的品牌资产度量

基于不同目的,品牌资产度量可从财务、市场和消费者等视角出发[7-9]。营销人员由于关注品牌传播和销售问题,常从消费者视角来进行品牌资产度量。消费者视角认为品牌资产的存在是以消费者为基础的,品牌的资产源于消费者的认知和态度。如Keller[10]认为,品牌资产是品牌知识基于消费者对品牌营销反应的差异效应。基于消费者的品牌资产是指消费者熟悉该品牌,并在记忆中拥有一些有利、强大和独特的品牌联想。聂国琪等[11]认为,基于消费者视角是品牌资产度量的前提和基础。

在实际应用中,消费者视角的品牌资产度量一般落实于对品牌形象的度量。品牌形象是指消费者记忆中持有的品牌联想所反映的对品牌的人格或产品的认知[10],包括品牌联想的类型、偏好、强度和独特性,其中属性、利益和态度构成品牌联想的类型,它是基于品牌资产构成维度的品牌度量。比如像一些中高端品牌可以满足消费者的品质追求和社会认同等利益,塑造商业白领或成功人士的品牌联想形象。

1.2 基于消费者视角的传统品牌资产度量数据来源

传统的基于消费者视角的品牌资产度量主要是通过消费者调研来获取数据[12-14],也有一些是对消费者进行实验测量[15]、依据企业自身数据(如消费者数目、企业收益等)[16]或城市调研中消费者的个人行为数据(如目标客户周期购买量、购买时限等)[17]进行数据获取。

消费者调研法是对目标群体进行了解情况或征询意见。此种方法的关键在于编制问卷、选择调研群体及最后的结果分析,优点是简单易操作,不受时空局限,可以在广阔范围内对众多调研群体同时进行调研;易于对调研结果进行定量分析;具有一定的匿名性。缺点在于其只能获得字面上的社会信息,不能深入了解到生动、具体的社会情况;调研结果缺乏弹性,很难进行深入的定性分析;调研者较难判断被调研者是否认真填写且是否对调研问题了解、对问答方式清晰;被调研者是否会在从众心理的驱使下按照社会主流意识填答而失去了问卷真实性;另外传统调研法对无回答者的研究比较困难[2]。此外,消费者调研的数据获取效率较低,调研结果往往滞后,敏感度差、难以为品牌的营销决策提供及时的参考[1]。相对高的成本也限制了该方法的普遍应用。

在当今互联网时代,传统问卷调研法中一个很大的局限是被调研者在表达自己的想法过程中,较多受到调研者的影响,比如问卷本身的选择限定性、访谈中调研者的有意引导性,以及被调研者可能无法或不愿意表达自己隐秘的真正想法。然而这些在社会化媒体中可以更加自由真实地表达出来。

1.3 社会化聆听数据

社会化聆听(Social listening)又称社媒观测(Social media monitoring)或社媒量测(Social media measurement),通过社会化聆听的方式可以把品牌的网络声量、正负面等同于传统漏斗里的认知度、喜爱度等指标,将其视为数字化世界里消费者的表达。如企业可以根据目标消费者在新浪微博等社交媒体上对品牌或产品进行的自由发言进行数据抓取与分析。它是一种新兴的市场调查法,也是商业应用的一大趋势。其优点是易获得较自然且真实可靠的资料,尤其是在一些敏感话题上是企业与消费者沟通的重要窗口,是消费者情感或心理的自由表达;消费者发布的有关品牌或产品的信息一般是建立在自身体验或认知基础上,减少了对于自身不了解品牌的判断偏差;另外在大数据时代利用社会化聆听数据挖掘也会更加便利且消耗成本相对较低。在网络信息时代,人们在社交媒体的每一条动态、评论、转发及点赞等行为,都反映了人们的消费习惯和消费偏好。通过社会化聆听以知晓目标消费群体的需求和意见,是当今品牌营销与运营者的必要本领。

当前品牌对于社会化聆听主要是应用在市场概览与竞品情报分析、维护品牌形象声誉、品牌或产品危机预警与管理,以及潜在消费者挖掘与客户关系维护[18-20]。随着互联网信息技术的革新及消费者购物模式的蜕变,传统的品牌资产度量模型在数字化时代面临挑战,如何运用社会化聆听从在线的海量大数据中挖掘出隐藏的商机,推动品牌资产度量与分析智能化、效率化和准确性提升,也正日益引起众多学者和业界的关注和重视。

1.4 服装品牌的社会化聆听

服装品牌不仅能够满足人日常保暖、防护等实用功能性利益,也能够满足人遮羞、美感及娱乐等体验性利益,更具有社交感及自我表达等象征性意义。比如一些高端服装品牌比较侧重于品牌前瞻性文化内涵,以满足消费者的自我个性与价值表达、社会认可实现和精神需求追溯;中端服装品牌的消费者比较重视服装身份的标识,比较追求生活品质,希望优良的品牌形象能够带给自己在社交中的形象提升,以此获得社会群体的尊重与认可;低端服装品牌一般是满足产品基本的功能和质量。正是由于服装品牌能够给消费者带来自我认同感及社会性表达等象征性利益,在数字媒体时代,人们也更愿意在社交平台去分享自己对于品牌服装的看法与表达,因此通过社会化聆听,人们更能从消费者对服装品牌的表达找到品牌资产中的品牌利益所在。

服装行业也有不少利用社会化聆听进行营销的案例,常见的一般是通过社会化聆听进行自身品牌或竞品网络舆情监测。比如Louis Vuitton(LV)与英雄联盟(游戏)的跨次元合作引发海内外社媒频道大量讨论,通过监测话题传播声量发现在45天事件内海外地区如美国Twitter讨论热度最高,法国潜在触达率最高,日本及巴西的消费者对此次合作反馈最好,正面反馈分别高达44%和31%,英国与南非对此次合作的反馈最差,负面讨论均超过整体讨论量的一半。而在国内LV合作款的微博讨论量也百倍增长[21]。这说明了在数字化媒体时代,消费者的社会化参与程度高,但LV社会化聆听合作事件中不止有简单的正负向情感分析,从这些反馈中更有消费者对品牌属性中的价格议论、对品牌利益中的美感评价等品牌资产中品牌形象的联想。消费者愿意在社交媒体平台输出个人对品牌产品的属性评价、利益探讨及态度立场等一系列品牌形象的联想,但这些却是当前研究暂未关注到的。

Keller认为品牌资产的一个重要驱动因素是品牌形象[10],中国学者卢泰宏同样认为品牌资产是由品牌形象决定[8]。品牌的无形资产来源于对品牌形象的联想。根据David Ogilvy品牌形象理论,由于一个品牌产品具有它的品牌形象,消费者所购买的是品牌产品能够提供的物质利益联想和心理利益联想,不是其本身[22]。而服装品牌的利益联想相对比较典型,当前时代人们更关注服装品牌带给消费者品牌形象中的利益联想,也更愿意在社交媒体上表达和体现服装品牌的社会化性质。因此,通过社会化聆听对品牌资产中的品牌利益进行度量尤为重要。

2 实证研究

本研究基于社会化聆听,从消费者视角探索品牌资产度量的方法。消费者视角认为品牌资产是由品牌形象所决定,而品牌形象是与品牌产品有关的一组联想,消费者购买的是能够提供利益联想的品牌产品,故品牌资产度量要从品牌利益角度出发。本研究先提出从社会化聆听中可以提取出消费者表达且营销人员关注的品牌利益这一假设;再者进行了品牌利益维度的探索并将此作为品牌资产度量指标,同时采用网络爬虫技术进行社会化信息抓取;由于社会化聆听数据是非结构化数据,为提高品牌资产中品牌利益度量的准确性,接着对数据进行提纯处理;最终通过品牌利益维度的量化实现品牌资产度量,以此验证整套方法的可行性。

本研究第一步基于Keller的品牌形象理论中的品牌利益维度,结合服装品牌特征分析构建了服装品牌的七个品牌利益维度;第二步是社会化聆听数据的抓取,采用八爪鱼软件以关键词检索进行品牌数据的抓取;在进行品牌资产度量之前要对数据进行结构化处理以提高品牌维度量化及品牌资产度量的准确性,因此第三步基于样本数据进行了各利益维度关键词的提取及词库构建,品牌利益维度词库可以作为品牌资产度量的对照组数据库进行调用;第四步是品牌资产的度量,以各利益维度词库数据为标准与全量数据进行相似度计算,得到各维度量化数值以此度量品牌资产。

2.1 服装品牌利益维度构建

2.1.1 Keller品牌利益框架

Keller认为品牌形象的联想类型包括产品属性、利益和态度三个层面。其中,属性是一种产品或服务的描述性特征,利益是消费者对产品或服务属性的个人价值,态度是消费者对品牌的总体评价。一般来说消费者先对品牌产品的属性形成一定的认知,权衡品牌产品能为自己带来什么样的利益,最后对品牌产品形成一种积极或消极的态度。品牌的利益联想是品牌资产度量的核心,而社会化聆听数据中消费者对品牌产品功能性、质量的反馈、喜欢与愉快的表达等往往反映了品牌给消费者带来的利益。

Keller认为品牌联想的利益有功能性、体验性和象征性。功能性利益代表产品的质量和功能,是产品或服务消费的更多内在优势,通常与产品相关属性相对应,这些利益与基本动机有关,如满足生理和安全需求。体验性利益与使用产品或服务的感觉相关,通常也与产品相关属性有关,这类利益满足了诸如感官愉悦、多样性和认知刺激等体验需求。象征性利益是产品或服务消费的外在优势,它们通常与非产品相关的属性相对应,与社会认同、个人表达及外部导向自尊的潜在需求相关。

2.1.2 服装品牌利益维度

基于Keller的理论框架,本研究对服装品牌的功能性、体验性和象征性利益进行了具体细分。首先功能性利益是品牌满足消费者对产品功能方面的需求。前文谈到质量是对物体或体验实现某种目标或履行某种功能的潜在能力的反应性评价,而服装的功能性首先是要对质量和技术有相应的要求;另外,根据所处环境和类别差异,服装的功能性因专业类别体现出不同的差异,如运动服装应具有吸汗透气功能、登山服应保暖耐磨、校服应舒适耐脏、婴儿服应亲肤柔软等,这些都体现了服装所具有的专业性功能。因此,质量和专业性共同构成服装品牌的功能性利益。

体验性利益是满足了消费者的感官愉悦、多样性和认知刺激等需求。Holbrook等[23-24]也注意到消费者体验性利益包含娱乐和美感,其认为娱乐是工作和休闲之间常见区别的内在动机方面的特征;美感给消费者带来快乐和个人财富,这细化了Keller的体验性利益。消费者可以通过服装的美感获取快乐,而服装具有娱乐性,如人们可以通过角色性服装扮演以逃避现实“穿越”到虚拟场景。因此,美感和娱乐共同构成服装品牌的体验性价值。

象征性利益则是与社会认同、个人表达等有关。在服装品牌中,象征性利益体现为服装品牌给消费者表达个性、自尊、认同、地位等方面的意义。如消费者可以通过品牌来表明自己的地位、成就,从而影响他人对自己的看法。消费者也可以通过消费某个品牌来表达一种个性、生活方式和价值观[25],比如香奈儿的品牌理念是自由、优雅、独树一帜,当一些消费者穿着其品牌产品时会给自己一种高雅精致的心理暗示。消费者在品牌决策上会更倾向于能表达自己独特个性或价值理念的品牌,因此服装品牌可以彰显消费者个性。而服装品牌本身具有时尚性利益,比如某件衣服或某个服装品牌符合“我时尚性”人设或可以彰显“我潮人”的角色,是“我时尚潮流”的表达。因此,社会认同、个性和时尚性共同构成服装品牌的象征性利益。

基于以上论述,本研究构建了服装品牌利益维度体系,即服装品牌利益是由功能性、体验性和象征性构成,专业性和质量共同构成功能性利益;美感和娱乐共同构成体验性利益;社会认同、个性和时尚性共同构成象征性利益。具体维度体系如表1所示。

表1 服装品牌利益维度体系Tab.1 The dimension system of clothing brand benefits

2.2 品牌利益维度词库构建

2.2.1 品牌选择与数据抓取

社会化聆听是以大数据采集和分析为主要手段,对社交媒体进行信息采集、挖掘和分析的行为。社交媒体是互联网信息交流与应用的平台,其能为个人提供信息分享、信息消费及与他人进行互动等服务[26]。本研究选择爬取社会化聆听中的微博数据进行探讨。微博是当前使用最广泛且最具典型性的社交媒体之一[27],其文本简短、传播迅速,具有即时性、自由性与交互性等特征,具有发布、转发、关注、评论等功能[28]。消费者使用微博的基数及活跃度愈见广泛,且微博能够为消费者和企业提供互动沟通的桥梁并建立客户品牌关系,能提供及时有效的信息,影响消费者认知,其拥有庞大用户群能够为企业提供一定的潜在客户。

服装中的奢侈品牌[29]、运动品牌[30]、快时尚品牌[31]等不同品牌类别在社交媒体上均有一定的反应度,而不同品牌类别在社会化聆听上有一定的差异性。运动类品牌能给消费者带来功能性利益、体验性利益及象征性利益,其在社交媒体上也有一定的讨论热度,运动品牌中的N品牌近几年占据了很高的国内市场份额[32],在微博上的话题热度较高且较具代表性[33],因此本研究选择N运动品牌进行初步的尝试和探究。

本研究利用微博的高级搜索功能,以品牌名为搜索关键词,编写八爪鱼爬虫程序进行原创博文数据采集,采集的主要字段包括用户名称、发布内容、发布时间等,分两次进行系统地数据抓取。第一次为样本数据的抓取,选定时间为2019—2020年,粗略抓取到有效数据5 032条,以进行关键词提取及词库构建,作为度量的对照指标;第二次为全量数据的抓取,选定时间范围为2021年1月1日—12月31日,抓取到49 328条数据,以进行与对照的样本数据进行度量。剔除不相关、重复数据后两次共计采集到54 360条数据。

2.2.2 关键词提取及词库构建

品牌度量前本研究要对采集的样本数据进行结构化处理,即对样本数据的文本信息进行提纯以提高下一步对全量数据利益维度量化及度量结果的精准性。因此,本研究先对样本数据进行了关键词提取形成维度词库,为后续全量数据作为对照度量指标。

在品牌利益维度关键词提取中,本研究采用人机结合的方法,即采用自然语言处理中的基于LDA(Latent dirichlet allocation)主题模型的关键词提取算法进行维度关键词的提取,再结合人工进行词集的判断、填充及整合,以相对保证维度关键词提取的准确性、效率性及全面性。LDA主题模型是用来推测文档的主题分布,其可以将文档中的主题以概率分布的形式给出,通过分析一些文档抽取出它们的主题分布后,便可以根据主题分布进行主题聚类或文本分类。它被广泛地用于自然语言处理,以实现对文本数据的主题信息进行完全建模[34]。其基本思想是将文档中的潜在主题进行随机混合,其中每个主题的特征是在单词上的分布[35]。在运用LDA主题模型的关键词提取算法基础上,为避免提取出的关键词杂糅且与利益维度主题不相关,在算法中进行了停用词的使用与填充;为避免提取的关键词与品牌主题不符情况,本研究也进行了关键词与原文语义一一核对。本研究先提取400条样本数据进行LDA主题模型的关键词提取以作探索,在算法上设置主题词7个,提取关键词设置1 000个。在提取出的关键词进行维度匹配的过程中,本研究通过三个步骤来降低研究人员主观因素带来的偏差。首先本研究邀请三名研究人员分别独立进行由算法提取后的关键词的筛选与匹配,然后将三方匹配结果进行比对,并对有争议结果进行讨论,最后剔除不能达成一致意见的结果。经过筛选过滤,初步提取出和利益维度相关的关键词共计111个,其中专业性维度24个、质量维度8个、美感维度14个、娱乐维度18个、社会认同维度19个、时尚性14个、个性14个。

为验证和保证维度词库的相对完整性,本研究又随机分次抽取各400条不同的样本数据进行LDA主题模型关键词的提取。不断重复上述步骤,第一次新增利益维度关键词18个,第二次为10个,第三次为2个,此时新增词数占总关键词数的1.41%。在提取3次共1 600条数据后,本研究认为再次出现新词对于关键词词库的影响低于1.41%,对于后续研究影响甚微,说明词库基本已经达到饱和。最终形成N品牌对应利益维度关键词词库,如表2所示。

表2 品牌利益维度关键词词词库(部分)Tab.2 The keyword thesaurus from the brand benefit dimension (partial)

2.3 品牌利益维度的量化与追踪

2.3.1 品牌利益维度量化算法

为计算品牌每个时间段的社会化聆听数据与品牌利益各维度的关联性,本研究选择了TF-IDF(Term frequency-inverse document frequency)文本相似度算法。文本相似度是自然语言处理中的基础性且核心性的问题,是对文本进行向量化表示。针对不同应用场景文本相似度的度量方法也不同,通常的度量方法是将文本相似度进行归一化处理,表示为[0,1]的数值[36]。一般来说文本的相似度数值越小,则说明两个文本之间的语义差异性越大,那么在语义层面上就越不相似;反之若数值越大,则说明这两个文本所表达出的语义越相似[37]。经典的文本相似度计算模型有word2vec,Glove等融合TF-IDF和余弦相似度等来计算文本间的相似度。文本相似度计算的结果对于检索信息、文本分类聚类、舆情监控等任务都有一定的辅助作用。本研究选取文本相似度算法中的TF-IDF算法进行数值计算,因为其便捷快速,包含词的权重更加准确,且适用于本研究的长文本分析。

TF-IDF是一种用于文字检索与信息挖掘的加权统计方法,旨在反映单词对集合或语料库中文本的重要性[38]。TF表示词频,是衡量一个词在文档中出现的频数,IDF表示逆文档频率,用以模拟在该语料的使用环境中某一词的重要程度。

TF-IDF算法就是向量空间模型希望把查询到的关键词和文本都表达成向量,然后利用向量之间的运算来进一步表达向量间的关系。比如,一个比较常见的运用就是计算关键词所对应的向量和文本所对应的向量之间的“相关度”。本研究即利用两篇文本的“相似度”或“相关度”原理,以各维度关键词词库集作为度量指标,抓取出的剩余N品牌2021年的博文数据作为全量组数据,然后将全量组数据与对照词库进行TF-IDF文本相似度计算,以此得出的相似度数值可以理解为各维度关键词在某一时段的提及率或讨论热度,进而体现出N品牌中消费者所关注的品牌利益维度及各维度热度表现情况,从而进行品牌资产度量。

2.3.2 品牌资产度量效果验证

本研究选取全量组共49 328条数据与品牌利益维度关键词词库进行TF-IDF文本相似度计算,以实现品牌利益维度的量化及基于利益维度的品牌资产度量。在时间段的划分上,本研究大概以每月为时间节点进行度量,具体度量结果如图1所示。

图1 N品牌各利益维度度量结果Fig.1 The measurement results of each benefit dimension of brand N

由图1可以看出,N品牌利益维度在各个时间段的度量数值呈现上下浮动的状态,不同利益维度之间有明显差异。那么对于营销人员来说,就可以根据品牌利益度量的动态结果分析各利益维度之间及维度不同时间段的市场表现情况来度量该品牌资产,以制定相关的营销策略及策划对应的营销活动。

比如在1—12月消费者一直比较注重N品牌能带来的社会认同,在1—4月和6月更为显著,但是在6月之后略有下降,那么实际在营销策划上应更加彰显品牌能够给消费者带来的社会认同利益,以促使消费者产生正面的态度和积极的行为决策,同时针对下降点精准分析结果降低的原因以做好相应对策;又如3月的时候专业性、美感、个性、娱乐及社会认同这些利益维度有所下降,是因为“新疆棉”事件舆论的热度上涨,消费者对此品牌所带来的利益关心度减弱,品牌的销售额数据后续也因此事件受到严重影响,此时在营销策略中应适当规避关于此品牌利益的营销,而应通过适当的折扣、积极的物流等其他方式来进行营销;再如5月的时候该品牌专业性维度热度上升,回看数据发现此时间段是有一波人为广告与专业性维度中的关键词相关,品牌利益维度正向的引导也有助于营销效果的提升;另如在11月的时候,社会认同、娱乐、个性、专业性及时尚性维度的热度上涨,是因为网络购物节的缘故品牌的营销广告及消费者的讨论热度回升,说明在一些网络购物节或促销节上进行品牌利益的营销更能促进消费者的关注度、跟从度及品牌形象的提升。

从以上分析中可见,品牌的重大事件能够在度量结果上有所反应,度量有一定敏感度。因此,实际应用中可以使用此种方法来提升品牌资产度量的效率和敏感度。

3 结 论

本研究提出以社会化聆听的方法进行品牌资产的度量。首先以Keller品牌资产理论为根基,从其对品牌形象中的品牌利益联想论述出发,结合服装品牌特征进行了服装品牌利益维度的构建,以此作为服装品牌资产度量指标;然后研究以N服装品牌为例,基于社会化聆听利用网络爬虫技术对其微博进行相关数据抓取,接着进行品牌利益维度的匹配验证;再者运用自然语言处理技术进行了N品牌利益维度词库的构建及维度量化,最终通过N品牌利益度量以实现N品牌资产度量,验证了本研究方法的有效性和可行性。

1) 在互联网的大背景下,通过社会化聆听可以提取出营销人员和消费者所关切的品牌资产中品牌利益联想,为品牌营销人员针对品牌利益的策划指引方向;通过社会化聆听可以实现品牌资产度量,在监测自身品牌利益维度的动态变化时也可以规避传统方法度量困难、效率低、颗粒度大、成本高及不敏感等局限。

2) 在通过社会化聆听度量品牌资产的技术上,关键词提取算法可以实现品牌资产中利益维度的词库构建;通过文本相似度算法可以实现品牌资产中利益维度的量化,以此实现品牌资产的度量。

3) 在实践中发现,营销对品牌资产中品牌利益阶段性的人为正向引导有助于营销效果的提升;在一些网络购物节或促销节上对品牌利益进行营销有助于推动消费者的跟从热度与关注度,提升品牌在消费者心中的形象,从而促进消费者购买意愿。

本研究证实了社会化聆听实现品牌资产度量方法的有效性与可行性,但在具体的算法准确性上还有提升空间。比如在关键词的提取上可以提升算法的效率性,在文本相似度计算上可以提升算法的准确性,以实现品牌资产度量数值的精准性。未来研究可以结合计算机和人工智能领域的前沿技术,进一步优化相关算法。

《丝绸》官网下载

中国知网下载