施濤　汪洋

摘要：創(chuàng)新時機的偵測方法，分為三個主要過程：第一，通過EEMD方法對消費數據進行平滑處理；第二，偵測單個顧客消費習慣變化；第三，構建市場創(chuàng)新偵測矩陣，分析市場的有利創(chuàng)新時機。最后，利用某運營商的顧客消費數據進行創(chuàng)新時機偵測，偵測結果展現了本模型的有效性和實用性。

關鍵詞：創(chuàng)新時機；消費行為；市場需求變化；偵測算法；EEMD

DOI：10.13956/j.ss.1001-8409.2015.03.27

中圖分類號：F275；F713 文獻標識碼：A文章編號：1001-8409（2015）03-0125-05

引言

2013年7月，騰訊科技訊的一則報道引述了搜狗公司CEO王小川對創(chuàng)新的理解：“不創(chuàng)新就是等死，越大的公司越是如此，比如諾基亞；同時，創(chuàng)新就是找死……?！彪m然“創(chuàng)新是找死”的論點早已有之，但隨著政府、企業(yè)以及研究機構日益重視和投入創(chuàng)新，此觀點似乎早已被人們遺忘。以創(chuàng)新為己任的互聯(lián)網企業(yè)高管，為何又發(fā)出“創(chuàng)新是找死”這樣的感慨呢？

創(chuàng)新是從企業(yè)對新產品的構思開始，以新產品的銷售和交貨為終結的探索性活動[1]。以平板電腦為例，微軟公司在2001年最早展開對平板電腦的構思，但并沒能以完美的銷售和交貨統(tǒng)領平板市場，反而是蘋果公司于2010年憑借IPad風靡全球。為什么同樣的創(chuàng)新產品卻得到不同的結果呢？著名經濟學家Schumpeter指出，創(chuàng)新時機是決定企業(yè)創(chuàng)新成功與否的關鍵因素。開展創(chuàng)新活動會消耗企業(yè)大量資源[2]，在錯誤的時機開展創(chuàng)新活動會導致企業(yè)創(chuàng)新過程的失?。簞?chuàng)新過早，市場對創(chuàng)新產品或服務缺乏有效需求，創(chuàng)新投入無法得到及時回報，企業(yè)競爭優(yōu)勢將被削弱，微軟公司在平板電腦市場的失敗原因之一就是創(chuàng)新過早；創(chuàng)新過晚，其他企業(yè)就可能已經占領新產品市場，后發(fā)的創(chuàng)新企業(yè)也會面臨新市場已被瓜分殆盡的窘境。

筆者對某市移動公司顧客消費行為變化狀況進行的研究中發(fā)現：大量消費者行為改變預示著對創(chuàng)新需求的增加，正是企業(yè)開展大規(guī)模創(chuàng)新活動的時機。通過進一步的歸納和發(fā)展，開發(fā)出可供管理者參考的創(chuàng)新時機預測方法，該方法能夠有效提升創(chuàng)新時機決策水平。

1研究回顧

對創(chuàng)新時機的研究始于對競爭環(huán)境下企業(yè)創(chuàng)新時機的探討。Smith等的研究[3～5]顯示，正確時機的選擇是企業(yè)獲得競爭優(yōu)勢、贏得市場收益的關鍵。競爭環(huán)境中最優(yōu)創(chuàng)新時機的選擇問題，體現在企業(yè)應該在新產品引入過程中做市場最先進入者（市場先鋒）還是做市場跟隨者[6]。學術界對這個問題進行了廣泛的討論，但觀點出現了分歧：一些研究者認為最先進入市場的競爭者將獲利更大。Levin等[7]也通過優(yōu)先購買權博弈模型探討企業(yè)進入市場時機問題，得到相同的結論。研究成果表明[8]，最先進入者會獲得包括產品線分布、產品廣度、產品標準、買方轉換成本、市場份額等方面的優(yōu)勢，例如各個市場中平均30%的份額被市場的先驅者占有著。另一些研究者認為，市場先鋒的優(yōu)勢沒有想象中那么大。在市場信息沒有延后的情況下，跟隨者將在創(chuàng)新成果在市場上被證明是好的以后，第一時間選擇跟進，從而削弱市場先鋒的先發(fā)優(yōu)勢[9]。Lee等人[10]發(fā)現，市場先鋒的優(yōu)勢持續(xù)時間受到進入時機的影響，市場先鋒受到仿制品的沖擊更大。Hoppe等[11]的研究顯示，市場跟隨者的優(yōu)勢與R&D成本呈線性正相關。

以競爭對手為中心，不如以顧客價值為中心。通過探討競爭環(huán)境下創(chuàng)新企業(yè)相對最優(yōu)策略，研究者們更清楚地認識到市場先鋒與市場跟隨者在創(chuàng)新活動中的優(yōu)勢與威脅。然而，競爭是為了生存，只能使企業(yè)獲得基本的市場“入場券”。企業(yè)要維持長遠、健康的發(fā)展，必須采取以顧客價值為中心的戰(zhàn)略模式。從市場變化的角度出發(fā)，更客觀、更準確地描述有利創(chuàng)新時機具有重要的實踐意義。

目前，從市場需求角度研究創(chuàng)新時機的文獻相對較少。研究成果不足的重要原因在于：由于早期生產實踐中技術限制或企業(yè)家對數據重要性的認識不足，導致消費原始數據大量缺失，進而使得研究市場變化規(guī)律、發(fā)現合適的創(chuàng)新時機所需要的大量消費數據難以獲得。隨著大數據時代的來臨，信息技術飛速發(fā)展，顧客數據和消費數據的搜集和保存變得越來越簡便，為市場創(chuàng)新時機的研究創(chuàng)造了條件。本研究基于消費者行為數據，從市場需求的角度探究描述和量化市場創(chuàng)新時機的方案。

2市場生命周期與創(chuàng)新時機偵測

企業(yè)在何時開展市場創(chuàng)新最為有利？產品生命周期理論告訴我們，當較大比例的消費者開始出現消費量下降的狀況之時，就是企業(yè)引入創(chuàng)新的最佳時機。

根據產品的生命周期理論，顧客對待產品態(tài)度的變化是存在規(guī)律的：首先，消費者開始對產品產生興趣并開始嘗試使用該產品（或服務）。如果產品符合其需求，那么消費者將進入一個穩(wěn)定購買和使用的時期。隨著時間的推移，消費者開始慢慢厭倦現有產品，開始尋求和嘗試新產品，對舊產品的使用也會逐漸減少。

在眾多消費者個體組成的產品市場中，消費變化的規(guī)律性更加顯著。最初產品（或服務）投入市場會吸引少數消費者的嘗試使用（引入期）；隨著產品或服務的推廣，越來越多的消費者開始購買和使用該產品（成長期），產品市場呈現快速增長趨勢；隨著產品銷量的不斷增加，產品市場的增長速度將逐漸放緩，產品銷量進入相對穩(wěn)定的狀態(tài)（成熟期）；隨后，一些消費者會厭倦現有產品，并開始追求和嘗試新的產品，舊產品的銷量也逐漸進入快速下滑階段（衰退期）。

值得注意的是，在產品市場進入穩(wěn)定期的后期，會存在這樣一種狀態(tài)：許多消費者厭倦舊產品并開始尋求新的替代產品，對舊產品的消費量逐漸減少，逐漸退出該產品市場，但與此同時，產品市場仍會存在一些新進入的消費者，從而使得整個產品市場的總消費量呈現相對穩(wěn)定的假象。這會帶來一種錯覺，即認為產品市場仍然是穩(wěn)定的。但如果在此階段不引入創(chuàng)新，產品銷量下滑一旦開始，就可能非常迅速。如果企業(yè)在這時還沒做好創(chuàng)新準備，那么市場損失就是不可避免的了。企業(yè)引入創(chuàng)新的最佳時機，就是當較大比例的消費者開始出現消費量下降的狀況之時，而不是整個市場的銷量開始快速下降的時候。

探知顧客對現有產品態(tài)度的常用方法有兩種：一種方法是直接開展調查，包括問卷或者訪談等形式；另一種方法是偵測顧客消費軌跡的變化，當顧客開始厭倦現有產品或者期待創(chuàng)新產品時，顧客的消費數據將真實反映這種情況。本研究通過偵測顧客消費軌跡的變化，設計出合理的評價參數，構建創(chuàng)新時機矩陣，并以此判斷市場創(chuàng)新的最佳時機。

3設計偵測模型與方法

市場在經歷一個發(fā)展階段后，其中的顧客消費行為將會趨于穩(wěn)定，形成穩(wěn)定的消費習慣。Englezos等[12]將消費習慣定義為：人們在進行重復消費的過程中，會產生一種習慣，這種習慣會對其隨后消費行為產生決定性影響的現象。消費習慣在數據上應該體現為消費行為數據以一恒定的均值為中心上下隨機波動。對應消費習慣的改變是指顧客從一種消費習慣的狀態(tài)中發(fā)生顯著改變的現象。

那么，是否一旦偵測到顧客在某一時期的消費行為發(fā)生了很大的偏離，就可以認為該顧客的消費習慣發(fā)生了改變？消費行為的偏離可能由消費需求的改變引起，也可能是由于隨機性因素導致的，例如某戶某月電量使用減少，可能是因為戶主更換了節(jié)能電器，也可能僅僅是由于戶主因公出差。隨機性因素通常被認為具有短期性、隨機性和波動性，而持續(xù)的改變則意味著顧客正在轉入新的消費習慣。本文采用連續(xù)三個月作為偵測期，當顧客的消費行為連續(xù)三個月保持在與原消費水平不同的另一個水平上，則可判斷該顧客的消費習慣已經發(fā)生了改變。

根據以上思路，本研究模型的流程如下：

（1）偵測單個消費者的行為變化

對顧客的消費數據進行平滑處理，使數據更易于計算，提高預測精確性。

偵測單個顧客的消費習慣是否已經發(fā)生變化。

（2）偵測市場的變化

構建創(chuàng)新時機矩陣，描述市場需求變化的一般規(guī)律，探究創(chuàng)新時機的一般特征。

31平滑處理消費行為數據——EEMD方法

消費行為數據是一種屬性值隨時間變化而變化的高維數據。數據變化的復雜性大大增加了直接對消費原始數據進行分析和應用的復雜度，從而限制了消費數據在實踐中的進一步應用。要更精確地對顧客過去的消費行為數據所組成的時間序列進行處理和分析，找出顧客消費過程中存在的特點，就必須首先對顧客的消費原始數據進行平滑處理，減少數據維度，降低數據分析難度。

Huang等[13]于1998年提出了一種旨在處理非線性、非平穩(wěn)時間序列的方法——經驗模態(tài)分解（EMD）。該方法能夠用于對消費數據進行有效降維，提高對消費數據進行挖掘的準確性和便捷性。2009年，Wu等[14，15]對EMD方法進行了改進，提出利用白噪聲的總體平均經驗模式分解（EEMD）方法。

本文采用EEMD方法對顧客消費數據進行預處理，分離出IMF，并得到平滑后的顧客消費變化，算法過程如下：

在原始序列s（t）中多次加入均值為0、標準差為常數的白噪聲，即：

si（t）=s（t）+ni（t）（1）

式（1）中si（t）為加入第i次白噪聲后的序列；ni（t）為第i次加入的白噪聲序列，其中i={1，2，...，N}，N為加入白噪聲的次數。

對加入白噪聲后的新序列si（t）分別進行EMD分解，得到分解出的各IMF標記為imfij（t） 以及一個余項式ri（t）。其中imfij（t）表示加入第i次白噪聲后序列所分解出的第j個IMF分量。

由于隨機白噪聲是可以通過足夠多的試驗相抵消的，所以將分解得到的IMF分量進行總體平均，即可得出最終的各IMF分量，即：

imfj（t）=1N∑Ni=1imfij（t）（2）

式（2）中imfj表示對原始序列進行EEMD分解所得到的第j個IMF分量；N為加入的白噪聲次數。

根據IMF分量的定義，在任意點分別由局部最大值和局部最小值產生的包絡線的均值為零[13]。經過EEMD方法分解得到的新序列并不會影響原序列的均值及運動趨勢。將原序列減去分離出的IMF分量即可在不影響原序列均值的情況下達到對原序列的平滑作用。

H（t）=s（t）-∑jimfj（t）（3）

式（3）中H（t）為平滑后的序列。

經過EEMD方法處理過后的消費數據序列較原始序列更平滑，更易于進行進一步的分析和計算。

32偵測顧客消費習慣的變化——消費習慣變化系數

消費習慣變化是指顧客新一期的消費數據與其過去相比存在顯著的區(qū)別和差異。本文通過正態(tài)分布累積分布函數（CDF）定義了“消費習慣變化系數”指標來對其進行量化和解釋。

若xt表示某顧客在第t期（t=1，2，...，n）的消費數值，μ和σ分別為t期消費行為數據的均值和標準差，即：

μ=1n∑ni=1x（4）

σ=1n∑ni=1（x-μ）2（5）

在t=1，2，...，n的情況下，xt服從正態(tài)分布N（μ，σ）。這時，第n+1期數據xn+1服從N（μ，σ）的程度就可以用xn+1在分布N（μ，σ）中出現的概率來度量，即：

P（X=xn+1）=Φ（xn+1-μσ）（6）

根據統(tǒng)計學慣例，當P（X=xn+1）<001（即xn+1值出現的概率小于1%）時，認為xn+1的值所表現出的消費行為與過去消費習慣相比是具有統(tǒng)計意義上顯著差異的，即該顧客的消費需求在第n+1期發(fā)生了變化（如圖1）。圖1正態(tài)分布累積分布函數曲線

消費行為變化（CR，change rate）是顧客在新一期消費數據中表現出的行為變化。其計算如式（7）：

CR（x）=P（X≤x）（7）

其中X服從正態(tài)分布N（μ，σ）。

取置信水平為α，即當CR（x）≤α時，該顧客是流失的；當α1-α時，該顧客是有消費數據增長的。

結合前文的分析，本文以顧客連續(xù)三個月消費出現相同方向的波動來規(guī)定消費習慣在數值上的表現。若連續(xù)三個月的消費行為數據為x1，x2，x3，則連續(xù)三個月的消費行為變化系數出現的概率為CR（x1）×CR（x2）×CR（x3）。根據這個概率值與置信度的比較，可判斷該消費行為的增減性。

但是用CR簡單相乘的形式來量化消費習慣變化仍存在一些問題。CR（x1）、CR（x2）和CR（x3）分別表示兩個顧客連續(xù)三個月的消費行為變化系數見表1、圖2。

表1簡單乘積相同的2組樣本數據

CR（x1）CR（x2）CR（x3）乘積樣本104008002000064樣本201004016000064圖2表1樣本數據CR變化對照

樣本1和樣本2兩組數據的乘積相等，均為000064。樣本2的CR樣本數值變化比較平穩(wěn)，甚至在CR（x3）有所提升；而樣本1在變化過程中CR值有明顯下降，顯然不應將樣本1與樣本2的變化趨勢判斷為同類變化。使用簡單相乘形式的參數量化連續(xù)三個月的流失情況會導致出現第二類錯誤的概率較大。

若改用概率相加來代替相乘，根據簡單推導（見式8）可知概率相加是比概率相乘更嚴格的變化測量指數，能夠更精確地反映變化的真實水平。

CR（x1）+CR（x2）+CR（x3）≤33α

CR（x1）×CR（x2）×CR（x3）≤α（8）

本文采用三個月參數相加的形式量化連續(xù)三個月數據的變化：連續(xù)三個月的消費數據x1，x2，x3的消費行為變化系數分別是CR（x1），CR（x2），CR（x3），則消費者需求變化系數（CDCC，consumer demand change coefficient）：

CDCC=CR（x1）+CR（x2）+CR（x3）（9）

當CDCC≤33α時，可判斷該顧客在α的置信水平下是消費下降的。

當33α

當CDCC>3-33α時，可判斷該顧客在α的置信水平下是有消費增長的。

33偵測市場的創(chuàng)新時機——創(chuàng)新時機矩陣

市場是消費者個體的集合。市場變化指數（MVC，market variation coefficient）是一個描述細分市場宏觀波動趨勢的指數。該指數的構建基于CDCC的計算，其含義是市場中所有個體消費需求變化的均值：

MVC=∑CDCCiN×100（10）

式（10）中，MVC是市場變化指數，N為市場的顧客總數，CDCCi為市場中顧客i的消費者需求系數值，i=1，2，3...N。

MVC的取值范圍為0到300，即0≤MVC≤300。當130≤MVC<160時，表示該細分市場波動不明顯；當160≤MVC<300時，表示該細分市場有明顯增長趨勢；當0≤MVC<130時，表示該細分市場有明顯萎縮趨勢。

在實際運用中，MVC要與市場變化率參數共同使用才能清晰描述市場變化。當MVC處于130到160區(qū)間時，不能明確顯示該數值所反映出的是市場穩(wěn)定的結果，還是由于市場中的顧客同時向增長和流失兩個方向改變造成的。市場變化率就是解釋以上問題的一個很合適的參數。

市場變化率（CM，Change in Market）是市場中顧客需求產生異變的比例：

CM=ntN（11）

式（11）中，CM為市場變化率，N為該市場的顧客總數，nt為該市場中消費出現顯著變化的顧客數。

顯然，CM的值是一個處于0和1之間的數，CM越大表示該細分市場的變化顧客越多，該市場的顧客消費需求也就越不穩(wěn)定：CM≤03表示該細分市場是穩(wěn)定的；0307則表示該市場在劃分之初的需求模式已經不復存在。

結合使用MVC與CM就可得到創(chuàng)新時機矩陣（IOM，Innovation Opportunity Matrix），能對市場的變化規(guī)律進行充分的解釋，如圖3。圖3運用創(chuàng)新時機矩陣對市場創(chuàng)新時機進行偵測

創(chuàng)新時機矩陣中將市場變化率（CM）置于橫坐標，市場變化指數（MVC）置于縱坐標，根據取值可將創(chuàng)新時機矩陣分為若干區(qū)域。陰影區(qū)域為“創(chuàng)新時機區(qū)”，表明市場需求已經發(fā)生明顯變化，需要對該市場的營銷策略做出創(chuàng)新和調整。創(chuàng)新時機矩陣中箭頭方向表示市場一個生命周期在創(chuàng)新時機矩陣中的運動軌跡：在市場引入期，市場緩慢成長過程中，增長不明顯，落在A點附近；在市場成長期，市場迅速成長，落在創(chuàng)新時機矩陣中B點附近；隨著成熟期的到來，市場增長速度放緩，逐漸趨于穩(wěn)定，曲線位于C點附近，開始向創(chuàng)新時機區(qū)移動；在衰退期，市場趨于萎縮，變化明顯，處于創(chuàng)新時機矩陣中D點附近。

4應用案例

案例數據來源于中國移動某分公司。本文從該移動公司管理系統(tǒng)貴賓顧客數據庫中，隨機抽樣提取出3000條用戶數據。以2011年1～12月這12個月的消費行為數據為基礎，判斷顧客過去的消費習慣，偵測2012年3～5月這3個月中市場策略是否有必要進行改變和創(chuàng)新。在研究過程中，研究者從“通信時長”、“短信條數”和“GPRS流量”這三個重要數據項出發(fā)，分別對語音、短信和上網業(yè)務部分進行創(chuàng)新時機偵測。

通過對數據進行預處理，計算出該細分市場內每個顧客的CDCC值，接下來根據式（10）和式（11）計算出該市場的市場變化指數及市場變化率，見表2。

表2樣本數據MVC和CM計算結果

市場名稱MVCCM語音143489233%短信131299070%上網174729000%在創(chuàng)新時機矩陣中定位各項數據，如圖4所示。圖4案例中各市場在創(chuàng)新時機矩陣中定位

數據結果顯示，該公司上網業(yè)務正在快速增長中，市場處于成長期；而語音和短信業(yè)務則落于創(chuàng)新時機區(qū)域內，需要及時對公司這兩部分業(yè)務的營銷策略進行調整。這意味著互聯(lián)網的高速發(fā)展已經改變了電信運營商的生存環(huán)境，基于互聯(lián)網的通訊服務給電信運營商的傳統(tǒng)業(yè)務如語音、短信等帶來了巨大的挑戰(zhàn)。

5研究結論

本研究以偵測市場需求的變化為切入點，從市場需求角度出發(fā)探究描述和偵測市場創(chuàng)新時機的新方法。新方法包括三個連續(xù)過程：利用EEMD方法處理消費行為數據，通過變化系數偵測消費習慣，使用創(chuàng)新時機矩陣確定市場創(chuàng)新時機。利用隨機抽取的某移動公司3000名顧客15個月的消費數據，本文對該移動公司的市場創(chuàng)新時機進行了偵測，偵測結果對該公司的市場創(chuàng)新判斷起到重要的幫助作用，后續(xù)的市場發(fā)展有力印證了該方法的有效性。

本研究成果填補了市場需求角度研究創(chuàng)新時機選擇方面的理論空缺。在實踐中能有效幫助企業(yè)在第一時間掌握市場中顧客需求的變化，抓住創(chuàng)新的機遇期；有利于企業(yè)及時反省自身所提供產品或服務中存在的問題，盡早對產品或服務質量進行提升和優(yōu)化，從而降低顧客的流失率，使企業(yè)“創(chuàng)新”而不“找死”。

參考文獻：

[1]Mansfield E.Industrial Research and Technological Innovation：An Econometric Analysis[M].Norton New York，1968.

[2]宋曉梅，劉富鈾，弓寶平.合作創(chuàng)新還是自主創(chuàng)新？[J].科學管理研究，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]吳建祖，陳雪麗.競爭條件下企業(yè)專利商業(yè)化時機研究[J].軟科學，2010（10）：51-54.

[5]黃學軍.基于不確定和競爭性二維環(huán)境下的投資決策方法比較[J].軟科學，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.滬深股市結構特征及作用關系研究——基于EEMD和狀態(tài)空間模型[J].北京理工大學學報：社會科學版，2013（1）：46-53.

（責任編輯：秦穎）