施榮曉

(華南理工大學(xué)，工商管理學(xué)院，廣東廣州510641)

1 引言

品牌營銷戰(zhàn)略奠定了企業(yè)可持續(xù)發(fā)展的基礎(chǔ)，而社會責(zé)任[1]對企業(yè)發(fā)展的影響是一個長期且不斷積累的過程。因此，在對消費者進(jìn)行智能消費推薦時，需將品牌社會責(zé)任融入推薦系統(tǒng)中，結(jié)合具體銷售策略履行社會責(zé)任，從而獲得消費者積極強烈的響應(yīng)，并促進(jìn)農(nóng)產(chǎn)品品牌發(fā)展與成熟。由此可見，基于農(nóng)產(chǎn)品品牌社會責(zé)任的消費者智能推薦研究既是一種營銷手段，著眼于長遠(yuǎn)角度，也是一種提高市場競爭力的戰(zhàn)略性行為，既強調(diào)營銷戰(zhàn)略性又注重企業(yè)長遠(yuǎn)可持續(xù)發(fā)展。

車夢然[2]等人為了在眾多“在線”算法中自動選擇出最適用于解決當(dāng)前問題的算法，提出了基于多分類支持向量機的優(yōu)化算法智能推薦系統(tǒng)與實證分析。依據(jù)無免費午餐定理和Rice 算法選擇框架理論，假設(shè)問題特征與算法性能表現(xiàn)間存在潛在關(guān)聯(lián)關(guān)系；以多模式資源約束項目調(diào)位為數(shù)據(jù)集，粒子群和人工蜂等為優(yōu)化算法推薦對象，以多支持向量機分類車型略實現(xiàn)算法分類，驗證假設(shè)成立；經(jīng)交叉驗證結(jié)果表明所提方法的各項評價指標(biāo)均為優(yōu)秀。張家錄[3]等人為了提高智能推薦算法效率，提出了基于決策軟件集的典型軟決策規(guī)則提取算法。引入基于軟集的軟命題邏輯公式，并解釋其語義信息，其中參數(shù)為原子公式，函數(shù)關(guān)系為原子公式的賦值集合；引入基本、條件、絕對軟真度等概念，對軟決策規(guī)則進(jìn)行提取計算及綜合評價；經(jīng)實際例子和實驗數(shù)值驗證了所提智能推薦算法的有效性。

由于農(nóng)產(chǎn)品具有高同質(zhì)性，上述兩種智能推薦算法不能將消費者社會責(zé)任心理代入品牌營銷戰(zhàn)略中，分析出消費者的消費需求存在一定誤差，因此本文開展了基于品牌社會責(zé)任的消費者智能消費推薦研究。

2 后悔理論與消費決策分析

后悔理論[4]中舍棄了獨立性概念，提出單因素效用函數(shù)不能對非理性行為作出完美解釋，基于此，提出將后悔和欣喜因素引入至效用函數(shù)中。其基本原理為：消費者在購買商品行為中不僅在乎已購買商品，還會考慮其他商品的可能性。消費者在購買商品時會對其他結(jié)果產(chǎn)生一定后悔和欣喜，盡量避免后悔概率，被稱為后悔規(guī)避。

使用x表示產(chǎn)品A，y表示產(chǎn)品B，結(jié)合后悔理論，消費者的感知效用由已選產(chǎn)品的效用函數(shù)和后悔—欣喜函數(shù)構(gòu)成，因此消費者對產(chǎn)品A的感知效用為：

其中，v(x)和v(y)代表產(chǎn)品A 和B 的感知效應(yīng)，r(v(x)-v(y))為后悔—欣喜值。

將后悔理論用于消費者購買行為中，若消費者選擇產(chǎn)品A，那么當(dāng)r(v(x)-v(y)＞0時，代表消費者對購買的產(chǎn)品感覺欣喜；反之，當(dāng)v(x)-v(y)＜0 時，則代表消費者對購買的產(chǎn)品感覺后悔，r(v(x)-v(y))表示后悔函數(shù)，后悔—欣喜函數(shù)為單調(diào)遞增的凹函數(shù)方程，且當(dāng)v(x)-v(y)=0時，即r(v(x)-v(y))=0，說明消費者購買任意一種產(chǎn)品，不會出現(xiàn)后悔和欣喜感覺。

將不同類型消費者決定購買農(nóng)產(chǎn)品閾值滿足概率分布條件Pi～Uniform(m，n)，i=1，2，3。

消費者的決策行為不僅受自身行為影響，還受其他因素影響，即模仿鄰居決策行為。個體對他人的模仿與個性特征有關(guān)，兩者間的相似性越大，模仿概率越高；反之，相似性越低時，模仿概率越小。一般使用個性特征匹配度描述個體間模仿決策程度，如下述：將消費者的個性特征[5]匹配度描述為Mapping(Pi，Pj)∈(0，1)，i，j=1，2，3。計算過程中令：

結(jié)合式(2)對比消費者自身決策與鄰居效應(yīng)，假設(shè)鄰居決策中不存在更高效應(yīng)，則無學(xué)習(xí)行為；若存在，則可選擇高效應(yīng)者為學(xué)習(xí)對象，則模仿概率表達(dá)為：

其中Uj表示最大鄰居效應(yīng)值，Ui為自身效應(yīng)值，r為其他信息干擾值，該數(shù)值越大，模仿概率越低。若存在模仿行為，下一時刻與行為發(fā)起者決策一致；若概率不在特征值內(nèi)，說明無模仿行為，決策概率超出性格閾值。在模仿完成階段，消費者會隨著時間變化按照一定概率進(jìn)行下一決策。

3 農(nóng)產(chǎn)品品牌社會責(zé)任下智能消費推薦框架構(gòu)建

長久以來，大量優(yōu)質(zhì)農(nóng)產(chǎn)品一直止步于傳統(tǒng)經(jīng)營模式，品牌銷量低、影響力差。為了提升品牌影響力推動企業(yè)發(fā)展，借助品牌社會責(zé)任做高級營銷勢在必行。社會責(zé)任令消費者在情感上產(chǎn)生依賴，建立起農(nóng)產(chǎn)品與消費者間的忠誠度才能推薦出認(rèn)同度最高的產(chǎn)品，在承擔(dān)社會責(zé)任的同時根據(jù)消費決策行為進(jìn)行智能推薦[6]，完成競爭轉(zhuǎn)化。

如圖1所示，智能消費推薦模型主要分成三部分：信息采集、決策行為分析、智能推薦計算。信息采集模塊主要分類消費者行為習(xí)慣[7]和基本信息，決策行為分析模塊主要對消費者信息和行為進(jìn)行預(yù)分類，智能推薦計算模塊對得到的分類結(jié)果使用不同渠道推薦給消費者。

圖1 智能消費推薦模型

第一部分：信息采集模塊：是推薦系線的入口，手機消費者信息并提交至智能推薦計算模塊。首先確定信息來源，產(chǎn)品新的信息源比較多，除了消費者信息外還包含品牌及其他信息，對信息來源進(jìn)行歸類后，主要有兩種輸入方式：

(1)直接輸入。是系統(tǒng)提取信息的主要方式，也是價值型最高的推薦依據(jù)。主要來源于消費信息、社會評價、品牌銷售策略記錄等。在農(nóng)產(chǎn)品智能推薦模型的設(shè)計中要詳細(xì)地記錄相關(guān)信息，保證一手資料的完整性和精確度，便于更好地分析消費者的偏好和需求。

(2)間接輸入。通過數(shù)據(jù)挖掘[8]或人工智能手段無限挖掘消費信息，分析消費者心理。

第二部分：決策行為分析模塊。反饋產(chǎn)品評分和評價。對于本文設(shè)計的智能推薦模型面而言，推薦對象大多為關(guān)注農(nóng)產(chǎn)品用戶，所以直接以短信形式為主的輸出方式，反饋產(chǎn)品社會責(zé)任對品牌銷售的影響。

第三部分：推薦計算模塊。是智能推薦的核心，是采集和分析模塊的銜接，決定了智能推薦系統(tǒng)性能。為了配合下一步計算，依據(jù)數(shù)據(jù)表示模型判斷下一步選擇。以決策行為分析模塊生成的數(shù)據(jù)結(jié)果生成推薦結(jié)果，如圖2所示為該模塊構(gòu)成。

圖2 智能推薦模塊構(gòu)成框架

由圖2所示將智能推薦結(jié)果傳送至輸出模塊，在計算過程中需處理多種情況，實現(xiàn)快速準(zhǔn)確處理。

4 消費者智能消費推薦計算

上述智能推薦模型中，影響農(nóng)產(chǎn)品消費決策變量包括成本價格[9]Pw(Cm≤Pw≤1)和銷售價格Po(Cm≤Po≤1)，影響代理商的決策變量為零售價格Pr(Cm≤Pr≤1)，如圖3所示，為智能推薦中消費者選擇購買渠道分析。

圖3 購買渠道分析

為了規(guī)避非正規(guī)渠道銷售的不合理情況，假設(shè)Pw≤Po。農(nóng)產(chǎn)品需求分為直接銷售Do和訂單需求Dr兩種，農(nóng)產(chǎn)品銷售利潤為：

直接銷售利潤為：

供應(yīng)系統(tǒng)的總需求為：

總利潤為：

假定農(nóng)產(chǎn)品市場中品牌責(zé)任價值服從均勻分布條件v～uniform(0，1)。

如圖4消費類型和圖5消費者決策類型所示，消費類型為T1 和T2 的消費者考慮從代理商處購買該產(chǎn)品，當(dāng)消費者對產(chǎn)品價值判斷為v≥Pr，消費者肯定該價值并購買產(chǎn)品；若v＜Pr，證明消費者不認(rèn)同該產(chǎn)品。同理，T5和T6類型的消費者考慮從直接銷售渠道購買，v≥Po時，消費者有意購買該產(chǎn)品，v＜Po無購買意愿。

圖4 消費類型

圖5 消費者決策類型

T4 為同時考慮代理商和直銷渠道的消費類型，認(rèn)為直銷渠道品牌價值比代理商低1-θ，結(jié)合相關(guān)統(tǒng)計結(jié)果大多數(shù)消費者認(rèn)為直銷渠道購買的產(chǎn)品社會責(zé)任要低于代理商，農(nóng)產(chǎn)品價值低20．6%。當(dāng)v≥Pr時，猶豫不決的消費者考慮代理商；當(dāng)θ·v≥Po，猶豫不決的消費者從代理商購買產(chǎn)品。當(dāng)同時滿足θ·v≥Po、v-Pr≥θ·v-Po條件時，消費者認(rèn)同該品牌從代理商渠道購買，反之v-Pr＜θ·v-Po，消費者從直銷渠道購買。

T3 與T4 類型的消費差別主要為當(dāng)v≥Pr，θ·v≥Po時，兩種購買渠道的可能性相差不大。當(dāng)v-Pr≥θ·v-Po，消費者選擇代理商的可能性更高，當(dāng)v-Pr＜θ·v-Po，選擇直銷渠道的可能性更高。

使用離散選擇函數(shù)[10]描述消費者智能推薦選擇結(jié)果，即：

式(8)中，τ表示消費者對品牌社會責(zé)任的認(rèn)可度，當(dāng)τ→∞，消費者選擇該農(nóng)產(chǎn)品的概率為50%，當(dāng)τ→0，說明消費者認(rèn)同此品牌的社會責(zé)任，完全認(rèn)同此類產(chǎn)品。

為了令品牌社會責(zé)任影響消費者購買意向，需完全掌握企業(yè)社會責(zé)任對消費者購買決策過程的影響。品牌社會責(zé)任對消費者購買意向的影響可分成：購買認(rèn)知、信息收集、決定購買三個階段。如果讓品牌社會責(zé)任成為消費者決策標(biāo)準(zhǔn)，影響消費意愿。首先要讓消費者重視產(chǎn)品社會責(zé)任，掌握品牌履行社會責(zé)任的相關(guān)信息，品牌社會責(zé)任成為購買決策重要因素。如果消費者購買該農(nóng)產(chǎn)品后滿意度不低于期望值，消費者今后仍會購買該品牌，社會責(zé)任對消費者購買意向產(chǎn)生長期影響。

5 實驗結(jié)果分析

5.1 實驗數(shù)據(jù)

本文采用某農(nóng)產(chǎn)品市場消費者購買行為情況，其中可分為成4種類型銷售策略：基于價格銷售、基于產(chǎn)品質(zhì)量、基于營養(yǎng)性產(chǎn)品推薦、基于品牌社會責(zé)任的消費推薦。

實驗共采用300 位消費者對50 種農(nóng)產(chǎn)品的800 條評分?jǐn)?shù)據(jù)作為實驗數(shù)據(jù)集，數(shù)據(jù)集稀疏性表示為：

隨機選取數(shù)據(jù)集中大部分?jǐn)?shù)據(jù)為訓(xùn)練數(shù)據(jù)存在嚴(yán)重的稀疏性，實驗數(shù)據(jù)接近20%，平均絕對誤差MAE利用推薦模型和算法計算，推薦結(jié)果越滿意MAE值越小，即：

基于品牌社會責(zé)任的智能推薦驗證方法主要為：系統(tǒng)訓(xùn)練采用的數(shù)據(jù)集合為樣本數(shù)據(jù)，經(jīng)過多次訓(xùn)練得到的推薦模型對系統(tǒng)預(yù)測誤差進(jìn)行有效計算，主要有以下兩種衡量指標(biāo)。

第一種：均方差公式。設(shè)隨機數(shù)m的取值范圍為[m1，mn]，與平均值差的平方和均值被稱作方差，表示為R(x)，正平方根作為判定智能推薦精準(zhǔn)度的一種方式，如下：

5.2 實驗結(jié)果分析

研究多類型的消費推薦結(jié)果，使用方差分析通過分析均數(shù)差，對所代表的總體關(guān)系進(jìn)行驗證。針對基于品牌社會責(zé)任的智能消費推薦研究，本文使用單因素方差驗證，將指數(shù)值作為自變量，消費者認(rèn)同度為因變量，表1中方差最大值均小于5，說明消費者對推薦結(jié)果的認(rèn)可度較高。

表1 消費者認(rèn)同智能推薦指數(shù)

由圖6得出，本文建立的智能推薦模型與文獻(xiàn)方法相比，精確度有明顯提升。分析消費決策行為給出的個性化推薦列表，是基于品牌社會責(zé)任的基礎(chǔ)上將各種推薦結(jié)果進(jìn)行綜合處理所生成的。其中的推薦選項依據(jù)系統(tǒng)計算過程中所采用的離散算法對相應(yīng)的推薦進(jìn)行劃分與解釋。在所有的推薦計算中，按照購買渠道劃分消費類型對系統(tǒng)中所存儲的消費者行為數(shù)據(jù)采取相應(yīng)處理實現(xiàn)計算，使得推薦結(jié)果就是跟消費者游覽過的產(chǎn)品歷史相似程度最高。所以，本文基于品牌社會責(zé)任建立的智能推薦模型具有更高精準(zhǔn)度。

圖6 本文與其他方法精確度對比

6 結(jié)束語

本文設(shè)計的智能消費推薦模型將消費者決策行為信息和購買渠道考慮其中，通過各模塊逐步得到適當(dāng)?shù)耐扑]結(jié)果。近年來，電子商務(wù)規(guī)模越來越大，在農(nóng)產(chǎn)品市場有所作為，屆時農(nóng)資電子商務(wù)產(chǎn)品品牌價值也會水漲船高，智能推薦系統(tǒng)的應(yīng)用也將越來越高效。越高效的智能推薦系統(tǒng)越會產(chǎn)生更好的推薦作用。基于社會責(zé)任的推薦方式通過總結(jié)消費者習(xí)慣生成更加精確的推薦效果，需要較高的算法支撐，協(xié)作購買渠道在推薦系統(tǒng)中，能產(chǎn)生認(rèn)可度更高的推薦效果。農(nóng)產(chǎn)品社會責(zé)任的品牌價值發(fā)展空間依然巨大，推薦系統(tǒng)應(yīng)用空間也會越來越廣，所以應(yīng)提高社會責(zé)任基礎(chǔ)上的智能推薦研究，才能在激烈的市場競爭中迎接挑戰(zhàn)。