国内外研究基本情况：当前随着电商平台的崛起和机器学习算法的逐步发展，智能推荐系统和消费者偏好识别算法在近年来再次被学者和商界所重视，如亚马逊同时采用基于产品特征和用户画像的“collaborative filtering”方法为消费者推荐产品。具体的说，基于产品特征的推荐算法主要是根据用户的历史搜索或购买数据推荐与其内容最相似的产品，而基于用户画像的推荐算法则认为具有相似特征的用户大概率具有相似的偏好，例如某30岁女性用户购买了一款化妆品，亚马逊会向与该消费者具有相同职业、相同家庭背景等特征的女性用户推荐同款产品。这两种最为常用的推荐方法均为基于相似度计算的方法向用户推荐其大概率可能购买的产品，并没有准确识别消费者的真实偏好，忽视了消费者偏好的异质性。另一方面，基于相似度计算的推荐方法最大的缺陷在于当消费者没有购买其推荐的产品时，其无法根据用户的真实偏好来更换更合适推荐产品，其只能通过打折降价的方式来促使消费者购买其可能并不喜欢的产品，最终使得电商平台销量提升的同时单个产品的利润却有所下降。除此之外，基于相似度的算法在产品和用户特征维度不断增长的趋势下，对其计算效率提出了严峻挑战。

为解决当前应用推荐算法存在的上述缺陷，一些学者开始尝试使用机器学习方法识别个人消费者的决策偏好，如Dzyabura等人使用贝叶斯的方法来识别消费者的决策偏好，还有学者在Dzyabura研究基础上使用支持向量机提升了消费者决策偏好的识别效率。但是这类方法主要是基于产品的外部特征（如大小、颜色、配置等），而忽视了品牌在消费者决策偏好中发挥的重要作用，这就导致在不考虑品牌特征的情况下，当产品具有相同外部特征时，消费者总是倾向于选择价格更低的产品，最终对高溢价的品牌产品产生不利影响。Aaker曾指出品牌特征在消费者决策过程中扮演了重要的角色，尤其是在消费者无法准确辨别产品外部特征差异的时候，品牌可以有效区分不同产品，辅助消费者进行决策。Kotler和Keller则认为品牌不仅能够消除产品的不确定性，更能满足消费者的情感需求（如独特性、潮流性等），从而提升产品溢价，提高零售商利润。由此可见，识别消费者的品牌偏好，对满足消费者真实情感需求，并提升产品溢价方面具有重要实践意义。总体而言传统的研究手段的不足主要体现在以下两方面，一是消费者品牌决策数据获取效率、准确性和全面性难以充分保障。已有研究中有关消费者品牌决策模型构建所采取的主要方法是线性回归、模糊排序以及套用统计物理模型等。这类方法往往是对消费者复杂非线性决策过程的简化和近似，难以准确模拟消费者在品牌决策中的非线性思维过程。二是对消费者品牌决策行为预测的时效性较差，动态性不足。传统的问卷调查和统计方法一般周期较长，然而品牌的市场表现与消费者的偏好却并非长期保持不变，这使得传统的预测模型在运行一段时间后准确度有所下降，需要定期更新消费者的品牌偏好。一个高效精准的消费者品牌选择行为预测模型，一方面需要即时准确地预测出消费者的品牌偏好，另一方面还要有能力动态地应对市场变化。

近年来，随着人工智能技术的出现，机器学习等方法在模拟消费者非线性决策过程，进而深入探索各类因素对消费者行为的影响机理方面具有较强的优势，但是通过上文相关研究梳理发现，这类方法过分强调消费者对产品外部特征的决策偏好，忽视了品牌在消费者决策过程中的作用以及品牌带来的溢价效应。

本文首先通过对社交网络（微博）中品牌口碑信息进行文本语义分析和情感倾向分析，将品牌在不同维度进行量化处理，使之从一个抽象的概念转化为计算机可以处理的向量形式；随后本文利用机器学习算法开发相应的消费者品牌决策偏好动态识别模型，通过消费者的品牌选择行为来识别其品牌偏好，并与传统识别方法的结果进行对比，以验证机器学习算法在模型整体性能方面的优势；最后本文分别对比了基于消费者产品外部特征决策偏好的推荐结果与基于消费者品牌决策偏好的推荐结果，旨在证明基于消费者品牌决策偏好的推荐可以有效避免价格竞争并提升零售商利润水平。

另外本文试图从理论上进一步丰富消费者品牌决策行为的研究方法，拓展精准营销理论的研究视角。通过自适应的机器学习算法，即时分析每个消费者的个性化品牌偏好，精准识别消费者的情感需求，并依据所开发的模型动态预测其品牌选择行为，为消费者行为研究方法的拓展和精准营销的深化提供新的思路。同时，本文也希望可以在实践层面助力电商平台等网络零售商提高运营效益，为高附加值的小众品牌营造更加公平的竞争环境，提升在线消费者的消费体验。

尽管本研究结果证明了利用机器学习算法识别消费者品牌决策偏好的有效性和性能优势，但是目前算法模型在预测消费者品牌决策行为的准确性上仍然有较大的提升空间，在未来的研究中可以结合当前人工智能和机器学习领域的前沿技术，进一步改进消费者品牌决策偏好的识别算法；并且在消费者品牌决策是影响因素方面，也可以补充一些在本研究中忽视的影响因素，进一步细化品牌量化维度。另外，在向消费者提供个性化推荐服务方面，如何将传统的基于产品外部特征的推荐方法与本文提出的基于消费者品牌偏好的推荐方法结合起来，实现更为精准的个性化推荐也是未来可以深入研究的方向。

编辑：严莉

审核：周轩返回搜狐，查看更多