智能網(wǎng)聯(lián)汽車的消費(fèi)者特征識(shí)別和市場(chǎng)細(xì)分

曹靜，鄭文暉

（同濟(jì)大學(xué) 汽車學(xué)院，上海 200092）

前言

當(dāng)前汽車行業(yè)正經(jīng)歷著以電動(dòng)化，網(wǎng)聯(lián)化，智能化，共享化為特點(diǎn)的的重大產(chǎn)業(yè)變革。這一重大變革推動(dòng)者汽車產(chǎn)業(yè)鏈上各個(gè)環(huán)節(jié)發(fā)展。汽車消費(fèi)者是這一變革的經(jīng)歷者與推動(dòng)者。但消費(fèi)者需求存在很大差異，如何在智能網(wǎng)聯(lián)汽車的背景下，精準(zhǔn)定位用戶需求，開(kāi)發(fā)出滿足用戶需求的智能網(wǎng)聯(lián)汽車產(chǎn)品，成為當(dāng)前研究的重難點(diǎn)問(wèn)題。本文通過(guò)運(yùn)用聯(lián)合分析和潛類別回歸模型（Latent Class Regression Models），實(shí)現(xiàn)智能網(wǎng)聯(lián)汽車消費(fèi)者的市場(chǎng)細(xì)分與特征輪廓識(shí)別。

1 研究概述

隨著“互聯(lián)網(wǎng)汽車”，“新能源汽車”等新興概念推向消費(fèi)者市場(chǎng)，各大車廠均推出了具有智能網(wǎng)聯(lián)特點(diǎn)的車型，如上汽乘用車的“榮威RX5”，廣汽傳祺“GS4”等。主推智能功能，網(wǎng)聯(lián)功能，新能源功能。但是，在繁雜的新興智能網(wǎng)聯(lián)汽車產(chǎn)品中，如何精準(zhǔn)細(xì)分用戶群體，推出適用于各個(gè)不同類型用戶的針對(duì)性智能網(wǎng)聯(lián)汽車產(chǎn)品，在激烈的市場(chǎng)競(jìng)爭(zhēng)的環(huán)境中，開(kāi)發(fā)出更能滿足汽車消費(fèi)者的智能網(wǎng)聯(lián)汽車產(chǎn)品，并制定出個(gè)性化營(yíng)銷策略，以此在競(jìng)爭(zhēng)中獲得優(yōu)勢(shì)。

目前我國(guó)營(yíng)銷學(xué)術(shù)界對(duì)于市場(chǎng)細(xì)分方法研究比較少，落后于企業(yè)營(yíng)銷實(shí)踐的需要[1]。在開(kāi)發(fā)智能網(wǎng)聯(lián)車型時(shí)，往往存在著功能同質(zhì)化，價(jià)格優(yōu)勢(shì)不明顯，針對(duì)目標(biāo)客戶不清晰等問(wèn)題。

本文第二部分是對(duì)研究模型的介紹，第三部分是通過(guò)實(shí)例調(diào)查并給出研究結(jié)果，第四部分是對(duì)研究的總結(jié)與歸納。

2 聯(lián)合分析與潛類別回歸模型

市場(chǎng)細(xì)分是將消費(fèi)者通過(guò)一定的算法，分配到具有一定特征的不同用戶群里。并對(duì)不同的用戶群進(jìn)行針對(duì)性的營(yíng)銷手段分配與宣傳手段。聯(lián)合分析是市場(chǎng)細(xì)分的重要手段。

但是由于在傳統(tǒng)上采用聯(lián)合分析方法存在的主要問(wèn)題是模型算法由于數(shù)據(jù)點(diǎn)較少，容易產(chǎn)生過(guò)度擬合數(shù)據(jù)使模型不夠可靠的問(wèn)題，為了克服聯(lián)合分析的這一缺點(diǎn)，DeSarbo (et all)[2]提出了潛類別回歸模型。在進(jìn)行聯(lián)合分析與潛分層回歸中，通常需要用戶對(duì)一組產(chǎn)品進(jìn)行打分，并假設(shè)打分?jǐn)?shù)據(jù)的殘差服從正態(tài)分布，以此劃分出目標(biāo)用戶群體的細(xì)分市場(chǎng)，以及各個(gè)細(xì)分市場(chǎng)的不同敏感性偏好。

聯(lián)合分析主要方法有混合方法和完整輪廓法[3]。目前主要使用完整輪廓法，其效用函數(shù)表示為（1）所示

其中i表示產(chǎn)品的屬性，j表示各個(gè)產(chǎn)品屬性中的水平，U(X)是產(chǎn)品的總效用，aij是處于i屬性的 j水平下的部分效用，Xij是虛擬變量，處于i屬性j水平時(shí)取1，否則取0。

通過(guò)正交設(shè)計(jì)多種產(chǎn)品組合，受訪者對(duì)不同產(chǎn)品進(jìn)行打分，由于各個(gè)產(chǎn)品本身就代表著不同屬性水平的組合，根據(jù)線性回歸方程（2）進(jìn)行擬合，不同屬性水平的部分效用系數(shù)。

Yhs是用戶h對(duì)產(chǎn)品的打分值，X是虛擬變量值，βih是模型系數(shù)，即部分效用值，ehs是模型的殘差值。

傳統(tǒng)上，用戶通過(guò)聯(lián)合分析獲得不同用戶對(duì)不同屬性水平的效用值，再通過(guò)聚類分析方法對(duì)用戶進(jìn)行用戶群劃分，這一方法存在著模型過(guò)度擬合的問(wèn)題，為了解決這個(gè)問(wèn)題，潛類別回歸模型[4]可以在細(xì)分市場(chǎng)的同時(shí)估計(jì)各個(gè)市場(chǎng)的模型系數(shù)。

模型根據(jù)貝葉斯公式，可以計(jì)算出個(gè)人h屬于細(xì)分市場(chǎng)j的概率如式（3）所示。

其中 P( j│Xh,Yh,φ)是各人屬于細(xì)分市場(chǎng) j的概率，是與Yh相關(guān)的密度函數(shù)。

3 智能網(wǎng)聯(lián)汽車消費(fèi)者研究實(shí)例

對(duì)于智能網(wǎng)聯(lián)汽車，效用屬性分為價(jià)格，車型，網(wǎng)聯(lián)，智能等四個(gè)屬性，每個(gè)屬性擁有不同屬性水平，其不同效用屬性與水平如表1所示。

表1 不同效用屬性及屬性水平列表

由于對(duì)于不同屬性擁有不同的效用水平，產(chǎn)品組合數(shù)最多可以達(dá)到4*4*3*3=144種。因此采用正交設(shè)計(jì)，從144種模型卡片中設(shè)計(jì)出16種卡片模型，被調(diào)查者通過(guò)16中卡片模型進(jìn)行評(píng)分，通過(guò)重復(fù)測(cè)量獲得用戶的敏感性程度收集文件250份，無(wú)效問(wèn)卷18份，共回收有效問(wèn)卷232份。問(wèn)卷主要包括用戶基本信息，用戶對(duì)不同車型組合的評(píng)分，用戶對(duì)智能網(wǎng)聯(lián)功能的敏感功能選擇等，問(wèn)卷群體包括汽車用戶（部分榮威RX5車主），汽車相關(guān)從業(yè)人員和汽車潛在購(gòu)買人群。

聯(lián)合分析主要通過(guò) SPSS軟件求解，潛類別回歸模型通過(guò)Latent Gold軟件求解。

聯(lián)合分析總體的效用值如表2所示，效用值越高的水平表示越受到消費(fèi)者歡迎，車型而言，目前消費(fèi)者更為信賴油車，其相對(duì)截距為2.455，其次是混合動(dòng)力汽車，相對(duì)截距為1.078，對(duì)于200公里以下的汽車，消費(fèi)者的偏好最低。價(jià)格而言，用戶隨著價(jià)格的升高而逐漸降低偏好，這是顯而易見(jiàn)的。網(wǎng)聯(lián)功能，語(yǔ)音交互及網(wǎng)聯(lián)娛樂(lè)大屏相對(duì)截距為1.12，其次是3G/4G網(wǎng)聯(lián)功能，最次偏好的是傳統(tǒng)的廣播功能。智能駕駛用戶最為偏好完全自動(dòng)駕駛，其次是高速路自動(dòng)駕駛，最后是ABS輔助駕駛功能。

表2 基于聯(lián)合分析的用戶敏感性分析

模型的準(zhǔn)確性可以通過(guò)Pearson 系數(shù)表示。Pearson的R值>0.8，表明內(nèi)部量表評(píng)分的可靠性很高，模型擬合較好。

進(jìn)一步對(duì)模型進(jìn)行市場(chǎng)細(xì)分。由于存在 4個(gè)屬性共 14個(gè)水平，所以T=10，對(duì)于K個(gè)細(xì)分市場(chǎng)，需要估計(jì)12K個(gè)模型，使用LatendGOLD軟件，運(yùn)用EM算法來(lái)估計(jì)他們的對(duì)數(shù)似然函數(shù)。經(jīng)過(guò)最大似然函數(shù)估計(jì)，當(dāng)K=5時(shí)，其最大似然值最大，因此選擇的分組數(shù)為5。

表3給出了5個(gè)智能網(wǎng)聯(lián)汽車細(xì)分市場(chǎng)的聯(lián)合分析潛類別回歸模型系數(shù)，其系數(shù)的絕對(duì)值大小表示影響因素的權(quán)重。正負(fù)值表示其影響因素為正向激勵(lì)或負(fù)向激勵(lì)。

第一組占據(jù)市場(chǎng)規(guī)模為26.09%，這類用戶在智能駕駛上的影響因子為0.2256，最高，定義位智能駕駛敏感性；第二組占據(jù)市場(chǎng)規(guī)模的 26.37%，這類用戶在價(jià)格上因子為0.1722，定義為價(jià)格敏感性用戶；第三組占據(jù)市場(chǎng)規(guī)模的22.78%，這類用戶在智能駕駛因子為 0.1884，車型因子為0.1136，因此定義為 車型-智能敏感性用戶；第四組用戶市場(chǎng)規(guī)模為 17.6%，這類用戶在價(jià)格，車型上影響因子分別為0.23，0.31，定義為價(jià)格-車型敏感性用戶；第五組僅占據(jù)了6%的市場(chǎng)份額，各個(gè)影響的因子均較大，可以視為多敏感型用戶，這類用戶對(duì)于網(wǎng)聯(lián)最為敏感，但是由于具體數(shù)值均過(guò)大，對(duì)于研究結(jié)果沒(méi)有意義。

表3 潛分層回歸聯(lián)合分析模型系數(shù)

對(duì)于第一組用戶（智能駕駛敏感型），最為理想的車型是：價(jià)格在15-20萬(wàn)，汽油車，3G/4G網(wǎng)聯(lián)功能和完全無(wú)人駕駛車輛；對(duì)于第二組用戶（價(jià)格敏感型），理想車型為：15萬(wàn)元以下，200km以下續(xù)航里程的純電動(dòng)汽車，3G/4G網(wǎng)聯(lián)功能和完全無(wú)人駕駛車輛；對(duì)于第三組用戶（車型-智能駕駛敏感型），理想車型為：15-20萬(wàn)元，200km以上的純電動(dòng)汽車，3G/4G網(wǎng)聯(lián)功能和完全無(wú)人駕駛車輛；對(duì)于第四組用戶（價(jià)格-車型敏感性），理想車型為：15-20萬(wàn)元，插電式混合動(dòng)力或者200km以上純電動(dòng)，3G/4G網(wǎng)聯(lián)功能和完全無(wú)人駕駛車輛；第五組沒(méi)有統(tǒng)計(jì)學(xué)意義不予解釋。

表4是在進(jìn)行細(xì)分市場(chǎng)輪廓分析。群體細(xì)分后引入?yún)f(xié)變量因素，包括性別，年齡，職業(yè)，收入等因素，不同細(xì)分市場(chǎng)橫向?qū)Ρ绕饠?shù)值，其數(shù)值越大表明該因素在群體中更加顯著。其黃框表示在橫向比較中數(shù)值較大的用戶群體。Class1是智能駕駛敏感型用戶群，Class2是價(jià)格敏感性用戶，Class3是車型-智能型敏感用戶，Class4是價(jià)格-車型敏感性用戶。

可以看出，男性更多分布于智能駕駛型和價(jià)格型用戶群，女性最青睞于車型和網(wǎng)聯(lián)兩個(gè)功能，對(duì)于價(jià)格考慮相對(duì)較少。這也符合當(dāng)前女性群體主要青睞于中高端車型為主的趨勢(shì)。

年齡結(jié)構(gòu)上，年輕群體對(duì)于價(jià)格較為敏感，25歲以下用戶組在價(jià)格敏感性，即用戶很重視價(jià)格對(duì)購(gòu)買力的影響。26-30用戶組對(duì)網(wǎng)聯(lián)功能興趣很大，幾乎占據(jù)了和價(jià)格因素一樣的份額。30歲以上群體劃分到第一組，他們購(gòu)買時(shí)多方考慮，對(duì)于有56%用戶組劃歸于智能駕駛組，44%的用戶組劃分于價(jià)格-車型組。

當(dāng)問(wèn)及“是否愿意為智能網(wǎng)聯(lián)功能支付額外費(fèi)用”的問(wèn)題時(shí)，愿意支付三元萬(wàn)元以下的用戶組被劃分為第二組，即價(jià)格敏感性組，因此，在車型上針對(duì)價(jià)格敏感型用戶時(shí)，應(yīng)該考慮網(wǎng)聯(lián)的費(fèi)用不超過(guò)三萬(wàn)元。同時(shí)，愿意支付三萬(wàn)元以上的用戶劃分到了第三組，為車型-智能網(wǎng)聯(lián)敏感性，因此這類用戶應(yīng)該對(duì)于車輛類型（第三組偏好于200公里以上的純電動(dòng)），和網(wǎng)聯(lián)功能加以重視。

表4 細(xì)分市場(chǎng)輪廓分析

年收入對(duì)分組的結(jié)果中，15萬(wàn)以下的用戶組主要在第四組即價(jià)格-車型組。年收入在15-20萬(wàn)用戶和年收入在30萬(wàn)以上用戶組在第三小組，年收入在20-30萬(wàn)小組被劃分為第一小組即智能駕駛組，這些用戶與愿意支付網(wǎng)聯(lián)費(fèi)用的用戶相一致。

職業(yè)來(lái)看，學(xué)生，技術(shù)人員，普通員工劃分至第二小組（價(jià)格敏感性）。企業(yè)技術(shù)主管，企業(yè)股東劃分為第三小組，及車型-智能敏感型。自由職業(yè)者，工人劃分為第四小組（價(jià)格-車型敏感型）。

綜上，將第二部分用戶對(duì)網(wǎng)聯(lián)汽車的打分情況作為分析，通過(guò)聯(lián)合分析和潛分層回歸對(duì)用戶做了潛分層劃分。將用戶群體劃分為四組。分別是智能網(wǎng)聯(lián)敏感型，價(jià)格敏感型，車型-智能網(wǎng)聯(lián)敏感型以及價(jià)格-車型敏感型。

因此，在推廣智能網(wǎng)聯(lián)前期，應(yīng)該在第一組和第三組人群中選擇推廣，即年齡在26歲到35歲之間，收入在25萬(wàn)以上，技術(shù)人員和企業(yè)組等用戶群體進(jìn)行推廣。

從以上的分析可以看出，對(duì)于研究的人群存在著4個(gè)細(xì)分市場(chǎng)（第5個(gè)細(xì)分市場(chǎng)份額過(guò)少且特征不明顯）。每一個(gè)細(xì)分市場(chǎng)對(duì)于智能網(wǎng)聯(lián)需求，車型需求，價(jià)格需求有明顯的偏好差異，并附有自身基本信息的特征。企業(yè)可以通過(guò)這些特點(diǎn)有針對(duì)性地制定智能網(wǎng)聯(lián)功能和定價(jià)策略，更好的滿足消費(fèi)者需求，提高企業(yè)在市場(chǎng)中的話語(yǔ)權(quán)和競(jìng)爭(zhēng)力。

4 結(jié)論

細(xì)分市場(chǎng)對(duì)于企業(yè)制定有針對(duì)性的定價(jià)策略和營(yíng)銷手段非常重要。傳統(tǒng)做法是通過(guò)聯(lián)合分析后的聚類分析劃分用戶群體，但是由于此方法由于數(shù)據(jù)點(diǎn)優(yōu)先所以在估計(jì)個(gè)人層面上存在著模型不夠可靠等缺點(diǎn)。因此采用潛類別回歸模型對(duì)聯(lián)合分析的結(jié)果進(jìn)行估計(jì)，進(jìn)而預(yù)測(cè)市場(chǎng)人群并將不同人群劃分到不同細(xì)分市場(chǎng)中。

針對(duì)當(dāng)前研究熱點(diǎn)問(wèn)題，智能網(wǎng)聯(lián)汽車消費(fèi)者特診識(shí)別及劃分，采用該模型結(jié)果顯示研究目標(biāo)存在著4個(gè)細(xì)分市場(chǎng)，并對(duì)細(xì)分市場(chǎng)進(jìn)行了輪廓分析，刻畫(huà)不同細(xì)分市場(chǎng)特征，并為企業(yè)后續(xù)定價(jià)與銷售策略做出指導(dǎo)。