1、智能音箱消费者关注点分析 朱燕燕 朱振涛 章林妹 张志威 孙洁 南京工程学院 摘 要： 2017 年亚马逊的智能音箱在美国已成智能家居类商品的爆款, 但是在中国市场反响却不大。为挖掘中国消费者对智能音箱的关注点, 本文在京东网上采集了10, 072 条智能音箱的评论数据, 利用 t 检验以及 logsitic 回归等统计方法, 对这些评论内容的特征词进行分析, 找到消费者关注的 4 个关键点为:音质、联网性能、语音识别、做工, 并在此基础上建立对不同品牌音箱评价的应用场景。这些成果对于智能音箱厂商开拓中国市场有重要的参考价值。关键词： 网络营销; 智能音箱; 在线评论; t 检验; logis
2、tic 回归; 收稿日期：2017 年 8 月 16 日基金：南京工程学院大学生科创基金项目:“基于数据挖掘的平台型电商网站在线评论的有用性影响因素研究” (编号:TZ20160044) Received： 2017 年 8 月 16 日一、引言2016 年 6 月, “互联网女皇”玛丽米克尔在美国 Code 大会上公布了年度互联网趋势报告, 在该报告中提到亚马逊 Echo 设备销量会开始腾飞, 而事实也说明了像 Echo 这类智能音箱已经成为一种潮流趋势, 它将会逐渐成为智能家居的中心。钛媒体 2017 年 6 月的报告中提到仅在北美市场, 2016 年智能家居领域全球市场规模约为 24.1
3、 亿美元, 预计 2020 年将达到 53.45 亿万美元, 增长率约为 120% (数据来源:Zion Market Research) 。报告中还提到Statista 对美国家庭智能音箱的使用进行了调查, 美国家庭中使用亚马逊 Echo的比率已达到 70.6%。而对比国内, 消费者对智能音箱的关注度就小很多, 在中国最早的智能音箱品牌是 2015 年京东联合科大讯飞发布的“叮咚”。接着百度、小米、腾讯、联想等知名企业也相继推出该类产品。例如, 阿里巴巴于2017 年 7 月 5 日在北京推出“天猫精灵 X1”, 腾讯也宣布正在研发首款智能音箱“耳朵”。虽然这些大型公司以及企业不论是产品还是
4、策略都还处于初级阶段, 以至于中国市场反应平平, 并没有像 Echo 那样引起很大的反响。但是对于智能音箱依然十分关注并且不断进行实验生产, 希望尽快抢占中国市场, 率先抓住消费者, 成为中国的“Echo”。那么在这样的趋势下, 智能音箱在中国的市场如何才能真正打开?与此同时, 中国已经正式步入互联网社会, 网络购物也越来越普遍, 故智能音箱的发展与互联网必须紧密相连, 并利用互联网直接接触顾客, 高度重视顾客评论, 了解顾客需求以及关注点, 将产品不断更新换代。通过电商平台我们能够更方便地获得商品的用户反馈, 而消费者也越来越关注已购者的售后评论, 这些评论涉及产品的各个方面, 包括客服态度
5、、产品性能、产品质量、售后服务等。但是由于信息过剩以及网络水军的出现, 潜在消费者难以提取有用的信息。而客观有用的商品在线评论, 对于电商平台来说, 可以提高其在用户当中的可信度及用户忠诚度;对于商家来说, 可以吸引顾客, 增加销量, 获得更多收益;对于用户来说, 有助于他们做出正确的购买决策, 减小消费风险。因此, 如何提取商品在线评论的有价值的内容便成了网络购物发展的关键。本文拟采用数据挖掘技术和统计分析方法, 对比研究被感知为有用和无用的智能音箱在线评论的热词, 以了解消费者购买智能音箱受哪些因素的影响, 消费者对于智能音箱真正关注的焦点是什么, 从而为研发智能音箱的团队提供研发的方向指
6、导意见。二、相关研究评述随着人工智能技术的发展, 智能家居已经成为一种潮流趋势。王朝华认为智能家居是以用户住宅为平台, 利用各种新技术, 如通信技术、自动控制技术等, 把生活息息相关的各种家电、安防等设施集成, 组成住宅设施管理系统, 它造就了一个安全、便利、舒适、环保的家居生活环境。作为智能家居类产品之一的智能音箱与非智能音箱的主要区别在于用户是否可以直接用语音与音箱进行交互, 通过发出语音指令来使智能音箱完成一些任务, 如播放音乐、搜索信息等。2015 年中国网购用户总规模已达到 4.1 亿人, 这些网购用户在网购平台留下了丰富的购物在线评论。这些在线评论已成为消费者和研究者分析商品的重要
7、参考信息。根据 Channel Advisor 的调查, 91%的用户在购买前会参考在线评论。在之前的研究中, 武文斌发现商品类型对于在线评论有用性存在调节作用。段玉兰等在研究在线评论有用性时也引入了商品类型作为调节变量。商品的分类最具有代表性的是 Nelson 的分类, 他将商品分为搜索型和体验型。武文斌在文中提到, 消费者对于搜寻品的认知取决于商品的真实质量, 而对于经验品来说主要取决于消费者的主观感受。多数学者在对于在线评论进行研究时从评论内容的角度出发。郝媛媛等在基于影评的基础上利用文本挖掘技术和实证研究方法对于在线评论有用性进行了研究。姜巍等提出了一种基于复杂网络的评论有用性分析方法
8、来研究评论内容。而王平等则是通过从发布者属性和评论内容属性出发构建了消费者在线评论有用性影响因素模型。殷国鹏等基于信息采纳和社会网络视角研究了评论本身特征和评论者要素。在一些研究中同时涉及了评论者特征, Forman 在他的研究中提到评论者公开个人信息比匿名评论让消费者更容易感知, 对于购买决策影响更显著。综观, 已有的在线评论的研究, 多集中在在线评论的有用性的影响因素研究, 但对智能音箱这种产品的在线评论的研究尚不多见, 如何在评论内容中发现该类产品的关注点的研究更是少见。三、研究设计(一) 数据的收集与变量的定义。在中国市场, “京东”是线上最大的家电零售商, 占据国内家电网购市场的 6
9、2%。京东开发的智能音箱“叮咚”系列是国内第一批支持全语音交互在智能云音箱, 这不仅仅是京东智能对智能家居的创新尝试, 更是对智能语音技术的一次切实应用。因此, 较其他电商平台而言, “京东”上智能音箱的公众关注度、知名度、销量等都是最高的。所以本文选择了在“京东”上售卖的智能音箱来作为研究对象。本文使用八爪鱼数据采集软件对京东上有较多销售记录的 6 个品牌:科大讯飞、02 云音响、安桥 C100、JBL 小金砖、美途宝、叮咚的评论进行了采集, 共有数据 10, 072 条。本文以评论有无点赞作为因变量, 杨朝君等以评论投票数作为因变量, 潜在消费者通过对已有评论进行投票来表明该评论的有用性。
10、本文通过潜在消费者对已有评论的有无点赞来度量评论对其的有用性。本文中自变量主要有 4 类:评论星级、评论字数、品牌和热评词。评论星级根据星级数量划分;评论字数是指评论内容的字数;而热评词则是通过对评论内容进行分词和词频统计后获得的。(二) 文本内容处理。本文通过使用 R 语言对评论进行热评词的提取。首先将评论分为两大类:有点赞、无点赞;然后分别选取词频最高的 200 个, 并且对前 60 个绘制词云, 如图 1 所示;接着提出“服务特征”和“产品特征”的词;最后将得到的词中语意重复的词进行删除及合并, 得到 21 个热评词, 并对这些热评词进行了分类, 如表 1 所示。 (图 1、表 1) 图
11、 1 热评词词云 下载原图(三) 统计分析方法1、t 检验。当总体标准差未知时, 抽样分布的标准误差必须由样本标准差来推估, 由此可能因为样本过小而造成偏误, 需要用 t 检验进行检验。t 检验是以 t 分布为理论基础, 对一个或两个样本的数值变量资料进行假设检验常用的方法, 属于参数检验。t 检验随着样本数的不同, 分布的概率变化也随之改变, t 的样本数越大, 就越接近正态分布。对于单样本的平均数检验或平均数差异的检验也用 t检验。为了在热评词中找出真正可能被消费者所关注的特征词, 可以分别对各个热评词将评论分为含有该词和不含有该词的两组, 用 t 检验比较两组评论在点赞数上均值的差异。若
12、有该词的评论组的点赞数均值显著高于不含有该词的评论组, 则该热评词可能为消费者关注的特征词。2、Logistic 回归模型。T 检验可以帮助我们对热评词是否是消费者关注的特征词作初步判断, 但影响评论被点赞的因素众多, 如评论的星级、评论的字数等。排除这些因素的影响, 可以让我们对消费者关注的特征词的判断得到更为准确的结果, 这可以通过采用回归模型来实现。回归分析用于分析事物之间的统计关系, 侧重考查变量之间的数据变化规律, 并通过回归方程的形式描述和反映这种关系, 帮助人们准确把握变量受其他一个或多个变量影响的因素。本文采用二元 logistic 回归, 二元 logistic 回归模型的特
13、点是因变量是二分类变量, 取值为 0 或 1。本文先选取已经被多个文献实证验证过的对评论有用性有显著影响的因素评论星级、评论字数, 建立基准模型, 如表达式 (1) 所示:logit (P|评论有无点赞) = 0+ 1评论星级+ 2评论字数 (1) 然后以基准模型为基础, 加入本文考虑的变量评论中 t 检验有显著差异的 11 个热评词、品牌, 建立最终模型, 如表达式 (2) 所示:logit (P|评论有无点赞) = 0+ 1评论星级+ 2评论字数+ 3评论热评词 1+ 13热评词 11+ 14品牌 (2) 四、数据分析及结果讨论(一) t 检验结果分析。通过 t 检验发现, 服务特征的热评
14、词没有显著差异, 而在智能音箱产品特征中有 5 个特征词的 p0.05, 而 p0.05 的热评词有音质、语音、联网、识别、功能、音乐、控制、做工、外观、开机和性价比。智能音箱在线评论描述性统计详情如表 2 所示。 (表 2) (二) logistic 回归结果。本文以评论星级、评论字数为自变量建立了基准模型, 使用 SPSS 22.0 软件进行 Logistic 回归分析, 其回归结果如表 3 所示。 (表 3) 由表 3 可知, 评论星级负向影响评论有用性 (p0.001, =-0.618) , 评论的评论字数正向影响评论有用性 (p0.001, =0.012) 。本文以基准模型为基础,
15、加入自变量评论中 t 检验有限制差异的 11 个热评词和品牌, 建立了最终模型, 其回归结果如表 4 所示。 (表 4) 由表 4 可知, 评论星级的显著性水平较高且系数为负 (p0.001, =-0.676) , 所以评论星级越低, 智能音箱的点赞情况越偏向于有点赞。评论字数的显著性水平较高且系数为正 (p0.001, =0.009) , 所以评论的评论字数正向影响评论有无点赞。特征词“音质”通过显著性检验 (p0.001) , 且其回归系数为正 (=0.364) , 所以评论中出现“音质”正向影响其评论的有无点赞。纵使智能音箱拥有再多的功能, 其音箱的基本属性是不会被改变的。在一些有关智能
16、音箱的文章中也提及到, 智能音箱不仅仅只是智能, 其基础部分“音质”也是至关重要的。所以, 厂商要充分关注智能音箱扬声器等基础硬件的设计与制造。“联网”通过显著性检验 (p=0.001) , 且其回归系数为正 (=0.351) , 所以评论中出现“联网”正向影响其评论是否被点赞。智能音箱的技术中心就是人机交互, 而联网是人机交互的必备条件。无论是局域网还是互联网, 对于智能家居来说都是基础中的基础, 离开联网, 智能就无从谈起。“识别”通过显著性检验 (p=0.001) , 且其回归系数为正 (=0.392) , 所以评论中出现“识别”正向影响其评论的有无点赞。远场识别技术主要与麦克风阵列相结
17、合, 为了提升远场语音识别, 厂商常利用麦克风阵列采集的信号经过前端降噪算法后的数据去训练语音识别引擎。“做工”通过显著性检验 (p=0.003) , 且其回归系数为正 (=0.538) , 所以评论中出现“做工”正向影响其评论的有无点赞。做工属于易感知的标准, 例如触感、色泽等, 容易影响消费者对产品的第一印象, 是产品吸引顾客、抓住顾客、抢占消费市场不可忽视的组成部分。表 1 智能音箱热评词一览表 下载原表 表 2 智能音箱在线评论热评词描述性统计一览表 下载原表 品牌以“叮咚”作为基准组, 金砖 (p=0.009, =0.232) 、科大讯飞叮咚 (p0.001, =1.376) 、安桥
18、 C100 (p0.001, =2.765) 和 O2 云音响 (p0.001, =1.911) 都通过了显著性检验且回归系数均为正, 所以与“叮咚”品牌相比, 这四个品牌都正向影响其评论的有无点赞, 其中安桥 C100 的影响程度最高。由表 5 可知, 对基准模型和最终模型的似然比检验中, 似然比卡方值为506.408, 自由度增长量为 16, p 值0.001, 说明增加了评论中有无 t 检验差异显著的 11 个热评词、品牌变量, 显著地提高了模型的解释力, 最终模型相较于基准模型有显著改进。 (表 5) (三) 应用场景示例。本文选取了京东网上的两个智能音箱 X 和 Y, 计算每台智能音
19、箱在音质、联网、识别、做工四个方面的点赞数 (即该智能音箱包含这些热评词的评论平均点赞数) , 并与行业标准 (所有智能音箱包含这些热评词的评论平均点赞数) 进行对比。 (表 6、图 2) 表 3 基准模型回归结果一览表 下载原表 表 4 最终模型回归结果一览表 下载原表 X 智能音箱在“音质”、“做工”、“识别”、“联网”四个方面均没有达到行业均值。但是从雷达图中可以看出, 在这四个方面中“做工”方面与行业均值最接近。“识别”方面与行业均值相差较多。Y 智能音箱在“音质”、“做工”、“联网”三个方面没有达到行业均值, 只有“识别”方面大于行业均值。在四个方面中也是“做工”方面与行业均值最接近
20、。从上述两个实例可知, 现有智能音箱各主要性能尚未达到消费者的期望水平, 这也一定程度地解释了为什么智能音箱还未能在中国市场形成潮流趋势。在一些热门文章中也提及到, 国内的智能音箱发展还不成熟, 处于初级阶段, 因为智能音箱涉及语音服务、人工智能等多个方面, 已经形成了集硬件、软件、内容、服务于一体的综合较量, 这需要更丰富的资源、更先进的技术, 也需要各产业之间的紧密合作, 而且中国的市场太过巨大, 没有任何一家企业能够单独满足各方面的要求, 智能家居的发展也不可一蹴而就。对于厂商而言, 在研制智能音箱的时候要高度关注这四个方面, 不断创新, 加快产品的更新换代, 尽快达到行业标准, 尽力满
21、足消费者需求, 追求产品的智能化、简便化, 使智能音箱真正成为智能家居系统的中心。五、结论表 5 模型系数综合检验一览表 下载原表 表 6 X 和 Y 智能音箱在四个方面的点赞数一览表 下载原表 图 2 X 和 Y 智能音箱热评词平均点赞数雷达图 下载原图本文先采用 t 检验探索性的分析消费者对智能音箱的关注点, 再采用二元logistic 回归模型在控制了常见的评论星级、评论字数和品牌对评论点赞数的影响下, 深入研究各特征词对评论被点赞的影响。结果表明:音箱音质、联网性能、语音识别水平、做工工艺等热评词的评论对潜在消费者的影响程度更深。另外还可以看出品牌对于在线评论的点赞也有影响。此外, 对
22、于京东平台上智能音箱的评论内容进行文本挖掘, 提取出的热评词反映了消费者对智能音箱的需求与关注点, 包括电商平台的各智能音箱商品详情页未涉及的信息盲点等。这有助于开发商了解客户需求, 有针对性地对产品进行技术更新, 同时为智能音箱在中国市场形成潮流提供充分的市场信息。本文的研究结果对消费者、在线零售商、电商平台和智能音箱开发商均有所启示。消费者要从大量的在线评论中快速定位有用评论, 应更加关注“音质”、“联网”、“识别”、“做工”这些热评词出现多的评论。在线零售商应根据消费者的关注点, 即智能音箱在线评论的热评词, 在商品详情页着重介绍相关性能, 制定与消费者需求相匹配的营销策略。电商平台应重
23、视在线评论系统的建设与维护, 保证消费者反馈的渠道, 做好信息交流、信息收集工作。智能音箱开发商应根据消费者对产品的期待和需求, 研发出令顾客满意的产品, 及时进行技术上的更新, 不断进行产品的迭代完善, 确保稳定的网络连接, 反复磨合外观设计, 增强产品收声效果, 反复考量音腔和麦克风之间的距离, 增强企业竞争力, 以强有力的姿态迅速占领智能音箱的消费者市场。本文的调查对象仅限于网上消费者, 而没有涉及对线下消费者意向的调查, 故结论尚有待于进一步完善和补充。参考文献1那么多人买了智能音箱, 都是怎么用的?这份报告提供了答案.钛媒体网, 2017.6.2. 2王朝华.基于 Android 的
24、智能家居系统的研究与实现D.广东工业大学, 2012. 3武文斌.评论者质量和商品类型调节下的在线评论有用性究D.哈尔滨工业大学, 2013. 4段玉兰, 贾小月, 朱欢.电子商务在线评论有用性影响因素研究J.商, 2014.32. 5Nelson P.Advertising as InformationJ.Journal of Political Economy, 1974.82. 6郝媛媛, 叶强, 李一军.基于影评数据的在线评论有用性影响因素研究J.管理科学学报, 2010.13.8. 7姜巍, 张莉, 戴翼等.面向用户需求获取的在线评论有用性分析J.计算机学报, 2013.36.1.
