作者：***
来源：《商业经济研究》2016年第23期
内容摘要：随着科技的飞速发展，人们的生活方式和思维模式发生了转变。本文结合大数据、消费者行为学和预测科学理论，从消费者购买决策的视角出发，通过文献研究、案例研究和对比研究等方法，探索预测消费者购买决策行为的新途径，修正了传统的消费者购买行为模型。同时，本调大数据自身的工具性属性，指出大数据并未改变营销理念的根本，但运用好大数据则可以更好地实现精准化营销，创造客户感知价值，创造客户资源。
关键词：大数据 消费者决策 预测 消费者黑箱
引言
伴随着廉价的存储器、高速的宽带和无线网络、云计算和物联网的发展以及各种移动设备、传感器的广泛应用，用户产生和保存数据比以往任何时期都要容易，全样本和实时数据的搜集也成为了可能。大数据作为一种性的技术，对人们的生活方式和认知世界的思维方式产生了极大的影响，因为大数据分析具有降低不确定性这一属性，使得大数据受到、研究组织、媒体、商界以及社会公众的高度重视。大数据背后所隐藏的行为规律，对挖掘大数据的营销价值是全球营销领域面临的重要课题。
在国内外已有的研究中，把消费者决策行为和大数据结合起来研究的很少。目前，消费者决策行为的研究过多地依赖传统的营销学、心理学和行为学的理论和方法，多是停留在模型探讨及其影响因素，同时学术界对大数据的研究多从属于信息科学的研究，主要偏重对数据的获取、储存、分析以及信息安全等技术路径的探讨。随着大数据的应用和发展，运用大数据的相关理论，对营销和消费者行为的研究将富有巨大的意义。本文利用大数据的前沿理论，对能否打开“消费者黑箱”这一传统话题加以假设，并据此探讨在大数据时代下的消费者决策预测过程模型，从而得出对大数据影响下的营销新思考。
大数据对消费者决策预测的影响
（一）消费者决策预测过程模型
著名数据科学家维克托·迈尔·舍恩伯格说过“大数据的核心是预测”。这一经典论断阐述了大数据和预测科学之间的关系。在构建消费者决策预测过程模型之前，本文将对模型的各个要素进行分解和界定。本文将模型分解为三个要素，即大数据、消费者决策、预测。以下是对三个要素的具体界定：
第一个要素为大数据，本模型中大数据的内涵，不仅包括大数据本身，也包含与之相关的大数据技术。第二个要素为消费者决策，模型中所指的消费者决策为相对广义的消费者购买决策，即消费者的选择偏好。第三个因素为预测，模型中的预测侧重于数学模型的科学预测，是根据已有数据和相应模型对目标事件发生的概率的预测。基于模型科学性、可重复性、可行性等方面的考量，结合科学预测常用的研究范式，得出了消费者决策预测过程模型，具体如图1所示。
根据消费者决策预测过程模型，企业可以充分运用大数据，掌握“提出问题、追踪历史、构建模型、收集数据、分析数据、做出预测”六大关键步骤，从而可以实现了解消费者决策的目标。以沃尔玛为例：第一步，提出问题。美国加利佛利亚州发生罕见的雷雨天气，沃尔玛的工作人员发现，除了方便食品、手电筒、雨具、干燥剂等产品脱销外，啤酒的销量也明显增加了。沃尔玛的管理人员对此很不解，想探究啤酒销量增加的驱动因素。第二步，追踪历史。根据对以往历史的数据比较，除了那些应该热销的产品外，啤酒的销量在暴雨天气确实有显著差异。第三步，构建模型。沃尔玛假设影响啤酒销量的因素有天气、消费者的消费习惯、消费者的消费心理等。第四步，搜集数据。根据探讨的问题需要，沃尔玛的数据分析师通过自己的数据仓库搜集了大量的二手数据，同时也把最新的跟研究相关的条码数据纳入一手数据分析。第五步，分析数据。数据分析师首先进行了内容分析，将分类数据转化为序数，进行逻辑回归和卡方检验，发现了天气在引入消费者性别这个变量的条件下失效，可以剔除天气这个影响因素，并且在购买啤酒的这些消费者中，他们有63%的人也购买了尿不湿纸片。这是一个很大的发现，接下来用预测模型进行仿真，发现男性消费者的购物清单上啤酒和尿不湿这个产品呈高度相关。第六步，做出预测。因此，沃尔玛的管理层预测暴雨天气下，多是男性消费者前来购物，在为孩子购买尿不湿的同时，也给自己捎带点啤酒。在这样的认识下，沃尔玛的管理层认为，年轻爸爸去购买纸尿布时更倾向于购买啤酒。
该模型可以为公司预测消费者决策偏好所用，但对于很多管理者来说，可能对于数据分析并不精通，因此对该模型的运用可能受限。笔者认为，事实与管理者的担忧恰恰相反，本模型并不需要模型使用者都精通数据分析，管理者只需要重点关注首尾环节，同时注意全程跟踪，多提问即可。
（二）模型的可行性
由于消费者决策预测过程模型属于概念模型，是方的一种探讨，其本身是不需要加以证明的。因此，问题的核心在于企业运用大数据是否可以预测消费者的决策。通过大数据的正确运用，企业是可以预测到消费者的购买决策行为的。其实人类一直都在研究自己的行为模式，人们对不确定的排斥推动了预测学的发展。20世纪的数学家泊松认为，只要承认人类的行为是随机的，那么人类的行为便可以被预测。而美国著名复杂网络学家巴拉巴西的进一步研究表明，人类行为并非是随机的，人类93%的行为是可以被预测的，剩下的7%为小概率事件。巴拉巴西通过记录和分析人们收发邮件数据的实验发现，实验者处理邮件的时间顺序并不服从泊松分布，而背离泊松分布的现象一般要隐含着潜在的规律，通过模型分析，巴拉巴西最终证明了人类行为遵循了幂律分布，人类行为是爆发式的。巴拉巴西紧接着做了很多相关实验，进一步得出了人类行为可以被预测的结论。正是如此，利用大数据，企业预测消费者的决策行为是可行的。
第一，高信息科技为预测消费者决策行为提供了物理基础。随着宽带技术、计算机计算速度、硬盘存储、传感器、移动通讯设备、卫星定位系统等硬件设施的发展，加上互联网社交网站、网页、移动App、邮件等软件支持，人们的行为信息越来容易被采集，人们的踪迹也越来越容易被捕捉。
第二，云计算等数据分析技术为预测消费者决策行为提供了技术保障。随着挖掘大数据价值的需求日益增长，大数据分析技术也得到了长足的发展。例如数据测试、关联规则、数据分类、数据聚类、众包、数据融合和集成、数据挖掘、集成学习、机器学习、遗传算法、内容分析、自然语言处理、神经分析、优化、模式识别、预测模型、回归、情绪分析、信号处理、空间分析、统计、监督式学习、无监督式学习、模拟、时间序列分析、时间序列预测模型和可视化技术等。这些大数据处理和分析技术的发展，使得数据分析师能够“点数成金”，从复杂、混乱、动态的大数据中发现潜藏的消费者行为模式和规律。
第三，现代科学家的已有研究成果为预测消费者决策行为提供了理论基础。很多物理学家、数学家、计算机科学家、社会学家、心理学家在计算机和新技术的帮助下，通过利用人类行为数据库来仔细研究某些特定的问题。通过实验表明，人类的绝大多数行为都受制于规律、原理法则和模型，并且他们的可预测性和可重复性与自然科学近乎一致。而这些结论也已经被谷歌和IBM等互联网巨头的商业模式所应用和证明。因此，现代科学家的研究为预测消费者行为提供了有效的方。
大数据时代下的营销新思考
（一）对消费者购买决策模型的修正
第一，大数据环境下的消费者决策模型。根据菲利普·科特勒的消费者行为理论，消费者在受到营销和外部环境两方面的刺激下，进入消费者决策过程，最终做出反应和购买决定。在科特勒的消费者决策模型中，消费者决策过程即消费者黑箱是看不见、摸不着的。图2是该模型简化了的示意图。
在科特勒的模型中，消费者黑箱是需要营销者不断探索和了解的领域。正是在这个模型的指导下，科特勒将影响消费者行为的因素总结为社会因素、个人因素、文化因素和心理因素四个方面。因此，科特勒的这一模型将消费者购买决策视为一个条件反射模式，在营销和其它环境因素作用下，消费者心理通过黑箱反应，从而决定了购买行为或者购买意向。所以，科特勒的消费者购买决策模型可能更好地解释消费者购买行为，但并不能很好地指导营销实践，即使可以用于实践，也得在产品上市之后，根据消费者的反应和反馈所分析的结论再应用于实践。
在大数据时代背景下企业可以预测消费者的购买决策行为，并构建了消费者决策行为预测过程模型。换言之，企业可以利用大数据打开“消费者黑箱”，即企业能够预知消费者的购买决策，并据此指导营销实务。既然大数据时代下可能不存在“消费者黑箱”，因此必须修正原有的消费者购买决策行为模型。本文结合营销策略理论和消费者行为理论，对消费者购买决策行为模型作如下修正，如图3所示。
从图3可以看出，修正后的模型引入了企业或者营销者这个主体，是一个循环改善的过程模型。在整个模型当中，企业首先通过消费者决策过程进行预测，从而得到预测结果，预测结果主要是消费的购买决策内容偏好，可能包括消费者喜欢什么样的产品、消费者倾向于在哪里买到、消费者可能在什么时候购买等。然后，根据预测结果制定出有针对性的营销战略和营销组合策略，所谓的有针对性是指企业通过预测在清楚了消费者行为和偏好的基础上，量体裁衣式地满足消费者群体的需求。
在输入刺激作用下，消费者的决策过程由“消费者黑箱”变为“消费者白箱”，因为企业已经运用大数据进行消费者购买决策预测，对消费者的偏好和选择有了很大程度的把握，更为极端的一种情况是，消费者可能自身都不知道自己的真正需求是什么或者自己的购买动机，但手握大数据的营销者却已经预测到了结果。
第二，与传统消费者决策模型的对比。尽管有关消费者购买决策模型的观点很多，研究也各有侧重，但是科特勒总结的消费者购买行为模型最为经典，也最为一般。不管是广义的消费者决策模型，还是狭义的消费者决策模型，都限于心理学和行为学的学科范畴，来解释消费者在外界刺激和内部心理作用下所做出的行为反应。修正后的消费者决策模型与传统消费者决策模型的对比有以下特性：其一，传统的消费者决策模型具有滞后性。由于传统的消费者决策模型都是基于对各种因素对消费者购买行为影响的假设，具有很强的概括性，如果一个分析框架没有经过长时间的跟踪和试错，模型的有效性值得商榷。而修正后的决策模型则恰恰相反，不仅不存在滞后性的缺陷，反而具有先验性的优点。营销者可以实现通过大数据比较精准地把握消费者的行为偏好。其二，传统的消费者决策模型是静态的，而修正后的模型是动态循环的。传统的消费者决策模型只是就某个特定产品或消费群进行一个局部的分析，从而得出一定的感性结论。而修正后的模型是一个正反馈系统，它可以通过不断地循环纠正偏差和发现新的机会。其三，传统的消费者决策模型是单向的，而修正后的模型具有互动性。在大数据背景下，利用大数据，企业可以整合内外部资源，同时根据消费者的实时反馈进行调整。其四，传统的消费者决策模型主要依赖经验，而修正后的模型主要依赖大数据。要运用传统的消费者决策模型，例如营销策略的应用来刺激消费者，这一点很依赖管理者的经验和直觉。
（二）回归营销本质的新工具
麻省理工斯隆管理学院的瑞克.布约尔尼克教授的研究发现，大数据主导的决策可以给公司提升6%的业绩。大数据的魅力在于引领新的管理，但大数据只是回归营销的基础理念—以客户为中心创造价值。
便利店不会在零售业态中消亡，更不可能被超市或者大卖场所取代。其中一个十分重要的原因是便利店可以实现一对一的客户关系管理，这一优势在社区店更为凸显。由于大数据技术可以获取消费者个性化的信息，并可以通过存储下的海量数据进行数据分析。因此，大数据时代下可以解决现代营销管理最大的一个矛盾—大规模生产和个性化需求之间的矛盾。
以俄罗斯的一家通信公司为例，该公司和TERADATA公司共同研发了一个数据库软件系统。这个系统最大的功能在于可以使这家电信公司预测到哪位客户可能想要更换运营商。这个系统通过精准的测算，可以自动发现可能流失的客户的行为模式。通过检测到几个通话频繁的联系人之间突然多了一个新号码，系统可以认为这个朋友圈内有一个朋友换了新卡。在发现这个问题之后，系统会在这位客户抛弃旧卡之前给予其定制化的优惠套餐，同时客服人员可以通过数据库所记录的性别、年龄等基本信息以便于一对一的沟通，从而实现保留客户的目的。此外，该系统的数据库也可以发现一些其它的技术问题或者用户习惯，从而增强了用户粘性。运用大数据可以成功地进行个性化的客户关系管理和营销模式的创新，但大数据所体现的哲学并非是数据分析或者数据运用本身，而是营销的基本观点—以客户为中心创造价值。通过大数据的运用，即是找到客户的方法，也是创造价值、维护客户黏性的手段。因此，“以客户为中心创造价值”不仅是指导大数据管理的核心理念，更是检验大数据技术是否成功的标准。
结论
本文在结合大数据理论、消费者行为学和预测科学理论的基础上，从消费者购买决策的视角出发，通过文献研究法、案例研究法和对比研究等研究方法，在大数据的时代背景下提出了一种新的关于预测消费者购买决策行为的方，并据此重新修正了传统的消费者购买行为模型。此外，本文在肯定了大数据引领营销变革新浪潮的同时，强调了大数据自身的工具性属性，即大数据并未改变营销理念的根本，而运用好大数据则可以更好地实现以客户为中心创造价值的这一核心目标。本文的具体发现如下：
第一，本文构建了消费者购买决策预测过程模型，并论证了模型的可行性。在结合社会科学研究范式和大数据科学方法的基础上，提出了预测消费者购买决策的过程模型，即“提出问题、追踪历史、构建模型、搜集数据、分析数据和做出预测”六大关键步骤，企业通过运用大数据和结合本文的方即可以得到有关消费者决策行为的预测结果；其后，论文通过已有研究成果的整合，论证了该模型的可行性。
第二，本文在大数据背景下对传统的消费者购买行为模型进行了修正。通过大数据预测过程和引入企业营销者主体因素，打开“消费者黑箱”，最后使整个模型形成一个动态的、互动的自反馈系统。在修正这个模型之后，将其与传统的模型进行比较，总结了两者存在四方面的区别。
第三，本文认为大数据技术只是一种工具，并没有管理理论的根本理念。论文通过案例系统地分析了企业通过大数据可以获取并存储消费者的个性化需求，从而重新拥有一对一的客户关系管理优势。因此，正是依赖于大数据的发展，以客户为中心创造价值这一核心目标才更容易实现。
大数据背后所蕴含的价值是巨大的，而由此所驱动的企业对信息的搜集和隐私的泄露使公众利益受损。只有通过合理保护公众的个人隐私，并将所开发出的大数据的价值与公众分享，大数据营销才会健康发展。 本文主要侧重于方的探讨，缺乏实证研究。若能通过实验设计，则更能体现论文的科学性和严谨性。
参考文献：
1.Smith M D，Brynjolfsson E.Consumer decision-making at an Internet shop bot：Brand still matters [J].The Journal of Industrial Economics，2001，49（4）
2.Cui D，Curry D.Prediction in marketing using the support vector machine[J]. Marketing Science，2005，24（4）
3.Guadagni P M，Little J D C.A logit model of brand choice calibrated on scanner data[J].Marketing science，1983，2（3）
4.Berry M J，Linoff G S.Data mining techniques：for marketing，sales，and customer relationship management [M].Wiley.com，2004
5.Aissi S，Malu P，Srinivasan K. E-business process modeling：the next big step [J].Computer，2002，35（5）
6.Lilien G L，Kotler P.Marketing decision making：A model-building approach [M].New York：Harper & Row，1983
7.Kim D J，Ferrin.D.L，Rao H R.A trust-based consumer decision-making model in electronic commerce：The role of trust， perceived risk，and their antecedents[J].Decision support systems，2008，44（2）
8.Kotler P.Behavioral models for analyzing buyers [J].The Journal of Marketing，1965
9.冯利芳，麻震敏，孙等.Big Data，大数据重塑营销[J].成功营销，2012 （8）
10.科特勒.营销管理[M].清华大学出版社，2007
11.德尔·I·霍金斯著.符国群译.消费者行为学[M].机械工业出版社，2003
12.陶雪娇，胡晓峰，刘洋.大数据研究综述[J].Journal of System Simulation，2013
13.艾伯特·拉斯洛·巴拉巴西.爆发，大数据时代预见未来的新思维[M].中国人民大学出版社，2013
14.维克托，迈尔·舍恩伯格，肯尼思· 库克耶[J].大数据时代，2013下载本文
