Open Kx-Chen-99 opened 1 year ago
分享人:陈可璇 @Kx-Chen-99 论文链接:https://pubsonline.informs.org/doi/abs/10.1287/mksc.2018.1123 从用户生成的内容中识别客户需求 摘要 公司传统上依靠访谈和焦点小组来确定客户对营销策略和产品开发的需求。用户生成的内容 (UGC) 是识别客户需求的有前途的替代来源。然而,已建立的方法对于大型 UGC 语料库既不高效也不有效,因为许多内容是非信息性或重复性的。我们提出了一种机器学习方法,通过选择内容进行有效审查来促进定性分析。我们使用卷积神经网络过滤掉非信息性内容并聚类密集的句子嵌入以避免对重复内容进行采样。我们进一步解决了两个关键问题:基于 UGC 的客户需求是否与基于访谈的客户需求相当?机器学习方法是否改善了客户需求识别?这些比较是由专业分析师使用行业标准的体验式访谈确定的客户对口腔护理产品需求的自定义数据集实现的。分析师还对 12,000 个 UGC 句子进行了编码,以确定每个句子中表达了哪些先前确定的客户需求和/或新的客户需求。我们表明(1)UGC 至少与产品开发的客户需求来源一样有价值,可能比传统方法更有价值,以及(2)机器学习方法提高了从 UGC(独特的客户需求)中识别客户需求的效率每单位专业服务成本)。
https://www.bilibili.com/video/BV1qN4y1w7QX?spm_id_from=333.999.0.0
分享人:陈可璇 @Kx-Chen-99 论文链接:https://pubsonline.informs.org/doi/abs/10.1287/mksc.2018.1123 从用户生成的内容中识别客户需求 摘要 公司传统上依靠访谈和焦点小组来确定客户对营销策略和产品开发的需求。用户生成的内容 (UGC) 是识别客户需求的有前途的替代来源。然而,已建立的方法对于大型 UGC 语料库既不高效也不有效,因为许多内容是非信息性或重复性的。我们提出了一种机器学习方法,通过选择内容进行有效审查来促进定性分析。我们使用卷积神经网络过滤掉非信息性内容并聚类密集的句子嵌入以避免对重复内容进行采样。我们进一步解决了两个关键问题:基于 UGC 的客户需求是否与基于访谈的客户需求相当?机器学习方法是否改善了客户需求识别?这些比较是由专业分析师使用行业标准的体验式访谈确定的客户对口腔护理产品需求的自定义数据集实现的。分析师还对 12,000 个 UGC 句子进行了编码,以确定每个句子中表达了哪些先前确定的客户需求和/或新的客户需求。我们表明(1)UGC 至少与产品开发的客户需求来源一样有价值,可能比传统方法更有价值,以及(2)机器学习方法提高了从 UGC(独特的客户需求)中识别客户需求的效率每单位专业服务成本)。