Online Review Enhanced Recommender System (Kepribadian atau Nilai: Studi Banding dari
Segmentasi Psikografis Berdasarkan Online Tinjau Sistem Rekomendasi yang ditingkatkan)
Hui Liu 1,y, Yinghui Huang 1,2,y, Zichao Wang 3, Kai Liu 1, Xiangen Hu 1,4 and Weijun Wang 1,*
Abstrak: Data konsumen besar menjanjikan menjadi pengubah permainan dalam pemasaran terapan
dan empiris penelitian. Namun, investigasi tentang seberapa besar data membantu
menginformasikan aspek psikologis konsumen sejauh ini hanya mendapat sedikit perhatian.
Psikografis telah terbukti berharga jalur segmentasi pasar dalam memahami preferensi konsumen.
Meskipun dalam konteks e-commerce, sebagai komponen segmentasi psikografis, kepribadian telah
terbukti Efektif untuk prediksi preferensi pengguna e-commerce, masih belum jelas apakah
psikografis segmentasi secara praktis berpengaruh dalam memahami preferensi pengguna di seluruh
produk yang berbeda kategori. Sejauh pengetahuan kami, kami memberikan demonstrasi kuantitatif
pertama efek yang menjanjikan dan kepentingan relatif dari segmentasi psikografis dalam
memprediksi pengguna secara online preferensi pembelian di seluruh kategori produk yang berbeda
dalam e-commerce dengan menggunakan data-driven pendekatan. Kami pertama-tama membangun
dua leksikon psikografis online yang mencakup Faktor Lima Besar (BFF) ciri-ciri kepribadian dan
Schwartz Value Survey (SVS) menggunakan metode natural language processing (NLP) yang
didasarkan pada pengukuran perilaku penggunaan kata pengguna. Kami kemudian menggabungkan
leksikon dalam sistem rekomendasi berbasis jaringan neural deep (DNN) untuk memprediksi
pembelian online pengguna preferensi mempertimbangkan kemajuan baru dalam metode prediksi
preferensi pengguna berbasis segmentasi. Secara keseluruhan, segmentasi konsumen ke dalam
kelompok heterogen secara mengejutkan tidak menunjukkan peningkatan yang signifikan dalam
memahami preferensi konsumen. Variabel psikografis (keduanya BFF dan SVS) secara signifikan
meningkatkan kekuatan penjelas dari preferensi konsumen elektronik, sedangkan peningkatan
kekuatan prediksi tidak signifikan. SVS cenderung mengungguli segmentasi BFF, kecuali untuk
beberapa kategori produk. Selain itu, DNN secara signifikan mengungguli sebelumnya metode.
Pendekatan pengukuran dan segmentasi SVS yang berorientasi e-commerce yang mengintegrasikan
keduanya BFF dan SVS direkomendasikan. Bukti empiris yang kuat memberikan pedoman praktis
untuk keduanya pengembangan produk e-commerce, pemasaran dan rekomendasi, dan referensi
metodologis untuk riset pemasaran berbasis data besar.
Kata kunci: segmentasi psikografis; prediksi preferensi pengguna; konstruksi leksikon; ulasan
online; sistem rekomendasi; pemasaran data-driven besar
1. Pendahuluan
Di era big data, paradigma penelitian layanan pemasaran telah banyak berubah oleh data
pemasaran yang sangat besar terakumulasi dari internet, seperti pada demografi, perilaku pengguna
(untuk selanjutnya kami akan menggunakan kata "pengguna", "pelanggan", dan "konsumen" secara
bergantian), dan social hubungan. Data pemasaran berbutir halus ini informatif, sehingga memberi
pemasar ekstra peluang untuk mengevaluasi preferensi pengguna [1], memprediksi produk yang
akan dibeli pengguna berikutnya [2,3], memberikan iklan yang ditargetkan [4,5], mengungkap
persepsi konsumen terhadap merek [6], dan memperoleh daya saing kecerdasan [7]. Secara khusus,
aspek psikologis perilaku pengguna, penting untuk memahami dari pada hanya memprediksi
preferensi konsumen, pada akhirnya berkontribusi pada pengambilan keputusan yang cerdas dalam
pemasaran. Sayangnya, penyelidikan tentang bagaimana data besar membantu memberi informasi,
sejauh ini, hanya mendapat sedikit perhatian [8].
Studi telah menunjukkan bahwa variabel psikologis, seperti nilai dan kepribadian, adalah
teori dan alat utama untuk segmentasi psikografis pengguna, yang merupakan penentu penting bagi
pengguna perilaku dan preferensi pembelian [9,10]. Secara khusus, ciri-ciri kepribadian, salah
satunya psikografis komponen segmentasi, telah menjadi karakteristik psikologis konsumen dan
pemasaran utama digunakan dalam e-commerce. Sayangnya, kekuatan sifat kepribadian prediktif
dan jelas perilaku pengguna online tetap kontroversial [11]. Kontroversi ini memotivasi
penyelidikan pihak lain jenis segmentasi psikografis, seperti nilai, dalam memahami preferensi
pengguna, yang dimiliki
belum diselidiki. Selanjutnya, tidak jelas apakah kekuatan prediktif dan jelas bervariasi
antara kategori produk dan antara metode prediksi preferensi segmen yang berbeda. Alasan utama
adalah bahwa mengumpulkan data segmentasi psikografis dari pengguna e-commerce sulit dalam
skala besar, biasanya membutuhkan konsumen untuk mengisi kuesioner yang panjang.
Variabel psikologis, seperti kepribadian dan nilai, sangat tertanam dalam bahasa yang
digunakan orang saat ini [12]. Dengan data pengguna yang sangat besar dalam bentuk bahasa alami,
bahasa alami data memberikan gambaran yang lebih jelas tentang proses kognitif dan perilaku orang
daripada data yang dikumpulkan survei laporan diri tradisional dan banyak digunakan [13-15].
Praktis, pemrosesan bahasa alami (NLP) teknik dapat diterapkan untuk mengidentifikasi variabel
psikografis, seperti online pengguna e-commerce penggunaan kata, untuk memahami dan
memprediksi perilaku pembelian dan preferensi pengguna dalam skala besar.
Situs web e-commerce, khususnya, telah mengakumulasi sejumlah besar yang dihasilkan
pengguna
konten (UGC), yang menyediakan dasar untuk mengamati psikografi pengguna dan
memprediksi pengguna preferensi secara langsung. Dengan perkembangan pesat teknik seperti data
besar, kecerdasan buatan, dan linguistik komputasi, UGC menyediakan jalur yang andal untuk
mengidentifikasi konsumen secara otomatis psikografis, termasuk kepribadian dan nilai-nilai,
berdasarkan data yang tidak terstruktur. Terinspirasi oleh baru-baru ini kemajuan dalam penelitian
psikolinguistik berbasis data besar, yang menunjukkan bukti perilaku online penggunaan kata yang
terkait dengan psikografi [16,17], kami mendasarkan penelitian kami pada konsumen Amazon dunia
nyata meninjau dan memberi peringkat data. Kami mengusulkan bukti penggunaan kata yang
berhubungan dengan psikografis, mengekstrak konsumen karakteristik psikografis menggunakan
metode analisis sentimen, dan memperkenalkan jaringan saraf yang dalam (DNN) untuk
memprediksi dan menjelaskan preferensi pengguna dalam e-commerce.
Kami menemukan bahwa, secara keseluruhan, variabel psikografis secara signifikan
meningkatkan kekuatan penjelas preferensi e-konsumen di sebagian besar kategori produk yang
kami pelajari, sedangkan peningkatan dalam kekuatan prediksi tidak signifikan. Secara khusus,
Survei Nilai Schwartz (SVS) cenderung mengungguli segmentasi Big Five Factor (BFF) dalam
memprediksi dan menjelaskan preferensi pengguna, dengan pengecualian beberapa kategori produk.
Namun, agak mengejutkan, membagi e-konsumen menjadi kelompok heterogen menggunakan
metode clustering tidak secara signifikan meningkatkan prediksi dan kekuatan penjelas dari
preferensi konsumen online dibandingkan dengan menangani konsumen secara keseluruhan. Selain
itu, metode DNN yang kami usulkan menunjukkan kinerja terbaik dalam pemahaman Preferensi
konsumen elektronik, dan mengenai kategori produk, ada perbedaan yang lebih signifikan untuk
segmentasi psikografis dalam memprediksi, daripada menjelaskan, preferensi konsumen elektronik.
Selain itu, kami merekomendasikan pengukuran SVS berorientasi e-commerce dan pendekatan
segmentasi yang terintegrasi baik BFF dan SVS.
Pekerjaan kami memperluas kedalaman dan luasnya teori psikografis melalui preferensi
pengguna prediksi dalam skenario e-commerce. Secara khusus, kami menemukan bahwa
subdimensi psikografis variabel dan jenis produk memberikan referensi praktis untuk
pengembangan pengukuran psikografis dan aplikasi untuk kategori produk e-commerce spesifik
yang kami pelajari. Dengan memperkenalkan penggunaan bukti perilaku terkait kata psikografis,
diikuti oleh pendekatan big data, kami miliki berusaha untuk mengatasi kesulitan mendapatkan
psikografis e-konsumen dalam skala besar, dan telah menyediakan metode prediksi preferensi
konsumen berbasis psikografis yang menjanjikan untuk penelitian selanjutnya.