通过挖掘消费者评论来推导产品功能的定价能力-研究论文

用户生成的产品评论越来越多地成为在线选择产品的客户的宝贵信息来源。 现有文献通常基于表示评论的价数和数量的数字变量来合并产品评论对销售的影响。 在本文中，我们假设产品评论中嵌入的信息无法通过单个标量值来捕获。 相反，我们认为产品评论是多方面的，因此，除了评论的价位和数量之外，产品评论的文字内容是决定消费者选择的重要因素。 为了证明这一点，我们通过将文本评论分解为描述不同产品功能的细分，使用文本挖掘将评论文本合并到消费者选择模型中。 我们基于来自亚马逊的独特数据集估算模型，该数据集包含15个月内两组不同产品（数码相机和便携式摄像机）的销售数据和消费者评论数据。 通过提供两种实验技术，我们减轻了数据稀疏和遗漏变量的问题：基于点状互信息对稀有文本意见进行聚类，并使用外部强加的评论语义。 本文演示了如何使用文本数据来学习消费者对不同产品功能的相对偏好，以及如何将文本用于未来销售变化的预测模型。