ACM通信

贡献的文章

表情符号时代的市场细分

作者:Jorge Fresneda, Jeremy Hui, chelsea Hill
ACM通信，2022年4月，第65卷第4期，105-112页
10.1145 / 3478282
评论

伊桑和伊丽莎白都是商科研究生，他们正在美国东北部的一所商学院参加一场营销策略讲座。在学习市场细分原则的同时，伊桑的课文“过时”了三条thinking-faceemojis伊丽莎白。他想知道，以人口统计学、地理学或心理学为基础的细分——讲座的主题——如何帮助他家的特许经营餐厅处理数百条有时不太积极的在线评论和社交媒体帖子。与此同时，伊丽莎白希望她点午餐的快餐店能理解她现在属于“极度不满”的顾客群体。早些时候，她用餐厅的新应用点了一份不含奶酪和酸奶油的墨西哥卷饼，结果发现这两种配料都有。她的午餐直接被扔进了垃圾桶，她愤怒地在推特上向餐厅表达了自己的失望。伊丽莎白回复伊桑的短信，“原来如此passé”，后面跟着一个face_with_ rolling_eyes。

回到顶部

关键的见解

这个简单的小插图说明了一个重要的观点。各种规模的组织都面临着如何利用大量非结构化组织数据的挑战——例如，来自社交媒体的帖子——特别是用于市场细分等应用。本文的目的是让读者了解使用市场细分的企业所面临的挑战和机遇，包括大数据的影响。我们的研究将展示在不久的将来市场细分可能是什么样子，因为我们还提供了一种很有前途的方法来使用非结构化数据实现市场细分。通过这个演示，本文还说明了企业如何根据非结构化数据细分制定具体的行动或调整其营销组合。

回到顶部

大数据与市场细分

市场细分在战略管理中起着至关重要的作用，它将拥有相似偏好、行为或态度的客户分组。^32，42以有意义的方式将客户分组可以使组织更有效地分配资源，并在战略上关注相当同质的消费者部门。^12，39传统的市场细分严重依赖昂贵的数据收集方法，其中调查是最普遍的。¹⁵除了必须证明数据收集有时高昂的财务成本是合理的之外，使用调查还增加了至少两个潜在的问题。首先，在市场细分项目中使用的调查只能捕捉市场本身的快照，当前市场的活力导致数据迅速过时。其次，一旦数据收集开始，任何调查设计问题都无法解决。¹⁴非结构化数据潜在地解决了传统数据收集方法在市场细分中的一些局限性，但也带来了一系列新的挑战。这些挑战可能是一个新兴的，但仍然非常稀缺的，关于非结构化数据分割的文献集合的根源。

Ahani等人通过使用在线消费者评论数值评分开发了第一个市场细分研究，¹而Fresneda等人使用非结构化数据实现了第一个分割研究。¹⁶据我们所知，这是第一个将不同类型的非结构化数据纳入市场细分的研究。⁴添加第二种类型的非结构化数据表情符号——独特地有助于获得更微妙和多方面的结果，如研究的实证示例所示。

解释什么构成非结构化数据很简单:不能结构化用于电子表格分析的数据。这种类型的数据可以是文本、音频、视频、图像，甚至是这些类型的组合。表情符号可以说是非结构化数据的缩影。“表情符号”是早期“表情符号”的继承者，是面部表情的图形表示smiley_face)、动物、物体等构成了表达思想或感情的通俗而简单的方式。²¹表情符号可以补充或突出这些想法或感受，特别是对年轻消费者而言，正如介绍小插图所说明的那样。

企业已经依靠数据和分析来做出复杂的商业决策。⁴²在这方面，组织可以使用非结构化数据来克服传统市场细分方法的许多限制。非结构化数据占数字世界可用数据总量的80%到90%，似乎缓解了数据可用性的问题。¹¹此外，由于与客户互动的能力和灵活性，许多组织已经部分或全部将他们的客户服务迁移到社交媒体平台。¹⁷在线评论是消费者与公司和其他消费者互动的另一种流行方式。社交媒体上的帖子和在线评论都是免费的，这就省去了数据收集的成本。另外，非结构化数据是非常动态的，这也解决了传统数据收集方法的静态性质——“快照问题”。⁴¹

那么，为什么不是每个市场细分项目都使用非结构化数据呢?有几个原因。可能最重要的是，分析非结构化数据是困难的，而在同一分析中集成不同类型的非结构化数据则更具挑战性——例如，将文本和图像放在一起，如“表情包”或嵌入文本的表情包。由于数据本身的性质和分析单位的选择，还会出现其他障碍。使用来自社交媒体的非结构化数据进行市场细分意味着使用二级数据，即不是专门为手头项目生成的数据。没有一个Tweet是为了帮助一个组织努力细分市场而发布的。缺乏专一性有时会给狭隘的研究人员和从业者带来问题，决定分析单位也是如此。

传统的市场细分是在个体层面上进行的——客户、潜在客户等等——因为个体可以在实体世界、线下世界中被识别出来，尽管这并非不需要付出一些努力。在数字世界里，这通常不是一件容易的事。个人不仅可以躲在社交媒体或在线评论上的昵称或编造的用户名后面，还可以在同一平台上同时拥有不同的个人资料或账户。这就产生了一些模糊的问题，比如:如果要使用非结构化数据，具体应该分割什么?分析的单位应该是什么?平台上的用户配置文件?单独的帖子还是单独的在线评论?传统的线下细分倾向于选择个人资料或与个人的任何形式的联系，无论这在数字世界意味着什么。然而，这种方法不能充分利用非结构化数据的动态性，这可以用一个例子来说明。

小图中提到的学生伊丽莎白可能在周一晚上对快餐店很满意，因为她收到了优惠券(推特号1)，但到了周四下午，她的订单被搞得很糟糕(推特号2)，她就完全不满意了。将单个社交媒体帖子分割，然后根据用户资料将这些帖子或评论分组，可以让经理跟踪用户从“满意”部分到“不满意”部分的迁移，并据此采取行动。捕捉这种变化的能力，或时间维度，是使用非结构化数据进行市场细分的主要优势之一，但非结构化数据细分还有其他优势。组织可以从使用非结构化数据所确定的细分中学习到很多东西。在社交媒体、在线评论、聊天或博客中，用户可以自由生成对他们真正重要的内容，而不是市场研究人员要求他们回答的内容。⁶没有人问Ishaan关于人口统计学，地理学，或基于心理学的细分在介绍小插图中的相关性的意见。然而，伊桑发短信说，“过时”和三thinking_face给他同学伊丽莎白的表情包。

值得注意的是，许多可能被用于市场细分的非结构化数据很容易获得，甚至是公开的。读者不仅可以想象到这种可能性，还可以想象到竞争的威胁，竞争进入了公司的许多客户互动，聪明的是，甚至竞争对公司自己的客户进行了市场细分。对任何竞争对手来说，弄清哪一部分人对一家公司“不满意”以及为什么“不满意”是很诱人的。记得在开头的小插曲中，伊丽莎白对这家快餐店“不满意”，因为她的墨西哥卷饼里有奶酪和酸奶油。多亏了伊丽莎白的第二条推特，这家餐厅知道了这一点，但这家餐厅的竞争对手也知道了。此外，社交媒体平台或在线评论网站是如此开放的公共论坛，从业者可能会观察到，非常不满意的客户有时会试图抵制一家经常被多次转发的非常负面的帖子的公司(这在本文最后一部分显示的实证示例中使用的数据中观察到)。

那么，出现的问题是:组织如何基于非结构化数据实现市场细分?一旦明确了使用组织的非结构化数据进行市场细分的挑战和优势，就有几种方法来实现这一任务。通过将一组已有的分析工具组合成一个新的流程流，本研究提出了我们推荐的非结构化数据分割方法。这种分析工具的组合是定制的，以利用以前提到的这种新型市场细分的优势。本文将向读者展示市场细分可能是什么样子的，通过一个在真实数据上应用其方法的经验例子。

回到顶部

利用非结构化数据实现市场细分

在本研究的分割方法中使用的非结构化数据的核心类型是文本，但它也包括嵌入的表情符号。选择文本数据而不是其他形式的非结构化数据的原因很简单:客户创建的文本内容通常是市场细分的唯一可用数据，并且与其他客户信息没有链接——至少在客户提供之前是这样。社交媒体上的帖子、公司聊天，以及很多情况下的在线评论都是如此。在一项针对5000名参与者的研究中，微软发现，全球34%的消费者和28%的美国消费者使用社交媒体进行客户服务协助。²⁹基于数字的客户支持服务(如社交媒体)的受欢迎程度持续上升。

使用文本数据进行市场细分的建议方法使用两个主要工具——主题建模而且聚类分析还有两个辅助工具情绪分析而且emoji检测。这种分析使用了“文档”这个文本分析术语，它指的是文本分析的单位。文档可以是一个单独的社交媒体帖子，一个在线评论，甚至是组成这些帖子的特定句子或段落。在本文给出的经验示例中，文档指的是Twitter平台上的单个tweet。流程流图1展示了实时市场细分可以采取的自动步骤。

图1。流程流。

专注于描述的过程图1，第一步是收集数据并“清理”它。标准的文本清理和预处理包括以下操作:删除没有什么意义的单词，如文章;删除数字和标点符号;并将所有文本转换为小写字符。文本数据预处理的主要目的是确保分析能够集中在最相关和最有意义的词汇上，从而不浪费计算资源。(有兴趣的读者可以在Anandarajan等人的“文本准备”中了解更多有关这个过程的知识。²）

清理后的文本数据是情绪分析的输入，它为数据中的每个文档生成与其情绪极性相关的评分。包含很多负面词汇的文档——如“恨”或“不喜欢”——在分析中会得到负面的分数，而包含积极词汇的文档——如“爱”或“喜欢”——则会得到正面的分数。第三种可能是评级在0分左右的文件，这意味着中立情绪。情绪分析选择使用“情绪字典”或词典作为参考，以确定哪些词是消极的或积极的，识别每个文档中的这些词，并计算消极和积极术语的总和，以得出每个文档的总体情绪得分。^19，40为每个文档生成情绪评分非常重要，因为它可以让从业者了解每个文档在连续过程中的语气——从非常消极到非常积极。

下一步是使用“表情字典”来识别文本中嵌入的表情符号。该词典包含1024个不同的表情符号，它是通过收集文档中所有独特的表情符号，并使用Unicode联盟列表中的含义为每个表情符号进行标记而创建的https://bit.ly/3C3dBhu．识别和量化表情符号也很重要，因为它们为从业者提供了对每个文件的语气的额外洞察，并提供了非语言线索。一个pouting_face或thumbs_down表情符号显然是消极的。一个thinking_face可以被个人用来表示不相信或怀疑。

主题建模同时集成了三个数据源:经过清理的文本数据、情感分析得分和文本中识别的表情符号。建议的方法使用结构主题建模(STM)，一种由Roberts等人开发的前沿主题建模方法。³³主题建模已广泛应用于管理和相关领域，尽管使用的最流行的类型是一种称为潜狄利克雷分配(Latent Dirichlet Allocation, LDA)的较老开发。^3.，7主题建模的许多应用示例包括:在线评论中相关的产品维度的研究、在线广告的研究、消费者意见的研究、市场趋势识别和产品流行度研究以及社交媒体内容。^{26，27，28，31，41，45}同样，这些应用程序主要局限于LDA。而较为新颖的STM在管理或相关领域的应用并不广泛。然而，它最近的一些应用包括客户投诉和客户满意度的研究、工作满意度、在线COVID-19信息交换、金融背景下的新闻传染、质量管理和信息管理中的文献计量分析。^{5，10，13，20.，22，25，30.，35，37}

---

非结构化数据占数字世界可用数据总量的80%到90%，似乎缓解了数据可用性的问题。

---

STM识别出包含在清理后的文本数据中的主题，但是通过合并附加的非文本数据(在本例中是情绪分数和表情符号)，主题识别过程得到了改进。STM能够合并额外的数据，这是它与以前的主题建模开发的区别所在。潜在的假设是，带有负面情绪得分的文档包含诸如angry_face或thumbs_down-可能是伊丽莎白的情况，与带有积极得分的文件，包括表情符号，如clapping_hands或thumbs_up。Fresneda等人提供了如何通过在主题模型分析中包含情绪分数来增强主题识别的经验证据。¹⁶在这种新方法的基础上，使用表情符号作为附加数据，为主题检测提供了一系列可能性和细微差别，而不仅仅是简单的情绪评分，它只是一个全局文档极性的指示。因此，情绪评分和文档中包含的表情符号都可以显著改进主题识别和描述过程。有了这三个源，STM就会自动检测每个文档中最流行的主题。当分析完成后，主题可以显示为相关单词的列表，或者更严格地说，显示为单词的概率分布。⁴⁴

下一步也是最后一步是聚类分析，使用k-表示聚类，生成实际的段。这样做的目的是将处理相似主题的文档组合在一起。数据中的段数由标准验证方法确定，该方法使用一个可能的聚类范围的平均“轮廓”系数信息来确定最佳拟合的聚类解决方案。³⁴一旦细分市场形成，管理者就有了关于每个细分市场的大量信息，比如最流行的话题、最常见的术语、最常见的表情符号以及平均情绪得分。这些信息也可用于每个单独的文档，并且可以针对每个用户配置文件进行分组，这使得从业者不仅可以更好地理解每个部分，还可以跟踪单个用户的演变和动态，并相应地采取行动。

与任何业务流程更改一样，使用我们推荐的方法进行非结构化数据分割，如图1，并非没有挑战。对于缺乏具备基本编程技能的分析人才的公司来说，部署这些工具可能是困难的。对于缺乏处理和分析非结构化数据的适当计算能力的组织来说，数据的大小和复杂性可能构成额外的挑战。虽然我们看到这些挑战主要与中小型企业有关，但在采用我们建议的方法时，另一个挑战可能特别与大型企业有关。

流程流图1是使用开放源码工具，如R和Python编程语言实现的。虽然这些都是最先进的免费工具，每个人都可以使用，但许多公司使用商业或专有软件工具来实现与非结构化数据相关的任务，例如社交媒体监控，而且他们可能不愿意为开放源码的对应工具更改这些工具。虽然这些软件系统功能强大，但它们可能缺乏实现一些更尖端、最先进的方法的能力，这些方法在开放源码软件平台上经常可用。为了说明实现这种市场细分方法的好处，下一节将提供一个应用程序示例，该应用程序使用来自一家流行快餐连锁店的Twitter数据。基于这个经验例子，我们将推导出一组关于公司实现非结构化数据分割的附加含义。

回到顶部

基于非结构化数据的市场细分实证研究

在本节中，我们将介绍如何使用非结构化数据进行市场细分。本例中使用的数据在Kaggle.com与Twitter上一些大公司的客户支持相对应(https://www.kaggle.com)．Twitter的选择是基于数据可用性，因此，我们的结果的可复制性，因为这个非结构化数据源是公开的。这些数据集由公司和Twitter用户之间的客户服务交互组成。该公司代表发布的推文被删除，以集中分析用户自身的文件。数据集的范围是国际性的，但是为这个实证演示所选择的公司是一家美国公司，为了保持匿名，我们将其名称从数据集中删除。

这个实证例子对应于一家美国快餐连锁店Twitter账户上的22,427条推文。该分析使用了情绪评分、表情符号检测、STM和k-均值聚类分析，得出43个不同的主题和6个部分。的表格在网上附录(见https://dl.acm.org/doi/10.1145/3478282)总结了每个部分最重要的特征，包括每个部分的文档数量、最流行的主题(由它们最相关的相关词汇表示)、部分中最常用的一些表情符号，以及该部分的平均情绪得分。附录还包括每个部分中最具代表性的推文的一些例子，这些推文被发现具有最高的话题评分。

表格用户118137的段变化。

结果表明，对这家连锁餐厅提供的两种产品——queso和chips——感到失望的顾客构成了第1部分的核心。第二段与餐厅实施的万圣节促销活动有关，这似乎受到了顾客的赞赏和庆祝，从非常积极的情绪评分和嵌入文件文本的表情包中可以看出。第三部分包含顾客报告餐厅的位置，可能是因为促销、报销、订单中缺少的商品等(注意，报告这些位置会在情绪分析中产生中性分数，正如预期的那样)。对产品的种类或配料数量感到失望的顾客构成了第4部分，反映在负面情绪得分和负面表情符号上。第5部分由那些显然对他们与连锁餐厅的互动感到满意的顾客组成。幸运的是，对于公司来说，这部分是最大的(占总文档的74.4%)，并且，正如所包含的样本文档所表明的，在这些客户中有明确的忠诚迹象，尽管情绪评分只有适度的积极。部分6包括那些在网上点餐或使用餐厅应用程序时遇到问题的顾客。如果介绍性小插曲中的学生Elizabeth是数据的一部分，而不是一个演示性的虚构角色，那么她的第一条推文将包括在部分1中，她的第二条推文可以包括在部分4或部分6中。

词汇云也为每个被识别的片段建立(参见图2)．词云是术语频率的图形表示，它决定了图表中术语的大小——也就是说，图表中术语越大，它在文本中使用的频率就越高。虽然术语频率通常不等于术语的重要性，因为主题建模依赖于术语频率和共现性，但在一个片段中最频繁的术语可能是洞察的重要来源。

图2。每个片段的词云。

结果表明，在特定的时间内，细分1、4和6包含了不满意的顾客，这可能要求快餐公司采取恢复行动。非结构化数据细分的洞察力不仅可以帮助企业发现消费者面临的具体问题，还可以帮助企业调查和解决这些问题，交流解决方案，并制定行动来减轻或根除导致客户不满的问题。例如，在细分市场1中，令人失望的产品味道会导致客户的不满。组织可以调查和解决问题(令人失望的味道)，然后交流解决方案——所有这些都是基于研究第一部分所收集到的见解。此外，该组织可以针对令人失望的味道制定具体的、定制的恢复行动，例如针对特定的客户群体(在本例中是第1部分的客户)，提供更正后产品的免费促销试用。与此相反，满意的顾客构成了第5部分，这部分可能要求连锁餐厅采取“建立忠诚”的行动，如优惠券或会员计划的奖励。值得注意的是，客户在每个时间点只能属于一个细分，如下一节所示。

捕捉跨部门的客户旅程。实证示例的第一部分展示了如何根据他们发布的文档(tweet)将客户归为特定的细分群体。换句话说，到目前为止，该研究已经解释了Elizabeth对快餐连锁店的优惠券感到满意(推文1)，而当她发现自己点的食物中不需要的成分时完全不高兴(推文2)。在本节中，我们演示了非结构化数据分割的能力，以捕捉客户从一个细分到另一个细分的动态特性。按照同样的例子，现在研究将通过捕捉时间维度(推特1发布于周一晚上，推特2发布于周四下午)来展示伊丽莎白是如何从“高兴”的部分(推特1)过渡到“不高兴”的部分(推特2)的。这种能力与传统基于调查的分割方法的“快照”方法显著不同。为了显示这一点，我们选择了上一节中实现的细分示例中的一个客户。

该示例引用快餐连锁公司的一个客户，他在数据集中被编码为用户118137。该表显示了该用户的不同发布日期、实际的tweet文本、产生的情绪评分以及文本中嵌入的表情符号。这名顾客的“旅程”始于对该连锁餐厅提供的一种产品感到失望，因此他或她被归为细分1。下一条推特与同样的话题有关，继续以一种比前一条文件更温和的方式表达这个人的失望。但是这个人仍然在第一部分。后来，该顾客参与了连锁店的万圣节促销活动，因此，过渡到第二段，也表示使用特定的表情符号-例如，a南瓜灯。顾客最终在公司的推特账户上表达了感谢和满意smiling_face_with_smiling_eyesemoji。因此，该客户的旅程在第5段结束。用户118137的段变化也显示在图3．

图3。用户118137的片段变化(SS:情绪评分，E:使用的表情符号)。

跟踪客户如何跨部门过渡的能力，以及实时跟踪客户如何随时间变化的能力，为管理者更有效地分配资源创造了新的和有趣的可能性。事实上，将客户从负面情绪的部门转化为更积极情绪的部门是公司战略监控服务恢复努力的一个重要工具。

回到顶部

对公司的影响

在“大数据和市场细分”部分，该研究呼吁管理人员注意非结构化数据细分的三个重要优势，包括数据的可用性、动态和廉价。根据实证分析，我们看到了公司的额外收获:

管理人员可以从非结构化数据分割结果中实现更智能的操作。实证分析表明，在特定时间内，满意的客户构成了第5部分，这可能要求公司针对这些客户采取“保证忠诚”的行动。然而，分析还表明，第1、4和6段对应于在特定时间不满意的客户，这可能需要公司采取恢复行动。在线附录和图2建议这些部分可能需要完全不同的恢复行动，因为不满的原因在三个部分之间是根本不同的。第一部分是对两种特定产品(queso和chips)感到失望的顾客，而第6部分是在网上订购或使用餐厅应用程序时遇到问题的顾客。因此，非结构化数据分割可以帮助管理人员制定更好、更有针对性的行动，以应对这些特定的挑战。举个例子，一旦产品问题得到解决，第1部分的客户就可以获得免费的改良queso和薯条样品，而第6部分的客户则可以通过店内购买折扣策略重新定向到店内订购，同时在线/应用程序订购问题得到解决。

管理者行为的成功也可以通过非结构化数据分割来跟踪。公司可以利用非结构化数据分割的动态，将其作为跟踪营销行动和活动有效性的附加工具。为了说明问题，让我们假设在实证例子中的万圣节促销是为了让失望的顾客恢复行动。公司可能有兴趣通过跟踪客户从第1、4和6部分(不满意的)到第2部分(万圣节促销)，再到第5部分(满意的)的迁移来评估该促销的成功，这在针对客户118137的实证分析的第二部分中显示。

非结构化数据细分需要更灵活的营销计划。非结构化数据细分是动态的，但它也意味着当前市场细分范式的转变，因为它是基于消费者生成的数据。从业者不描述分析中包含的变量来执行分割。相反，分析是根据对消费者重要的东西来实现的。管理者需要计划和构建灵活的方法，以应对细分市场的活力和消费者不断变化的品味、需求和挑战。

非结构化数据分割可以补充或取代传统的数据分割。由于资源非常有限，过去可能没有实现细分的组织可以将此方法视为其他可能需要不可用资源的细分方法的替代方案。有既定方法的公司可能已经实现了分割，可以将非结构化数据分割作为其现有方法的补充。再一次，分析消费者产生的数据极大地改变了管理观点，因为它是在对消费者重要的东西上实现的，而不是相反。用非结构化数据细分来补充现有的细分方法可以帮助组织确保针对消费者的重要主题不会被遗漏，同时企业可以通过传统的、既定的方法继续追求自己的市场研究目标。无论选择什么，新的非结构化数据分割功能的部署都可能影响当前的组织结构。^9，18

非结构化数据分割在分割之外还有其他潜在的应用。建议的方法还有其他潜在的应用领域，例如(新)产品开发或消费者体验改进。管理者可以利用分析的结果来开发更好的产品(例如，解决实证说明的第1部分所建议的产品问题)，并改善消费者与公司的交互(例如，解决实证部分的第6部分所建议的订购和应用程序问题)。

让您的公司为非结构化数据分割的未来发展做好准备。未来的发展可能会包含文本和表情符号之外的其他类型的数据。还有许多其他形式的非结构化数据，如图像、音频和视频，它们可能在非结构化数据分割的未来发展中发挥作用，为组织提供更微妙的结果。虽然建议的方法可以很容易地扩展到许多非结构化数据源，如在线消费者评论，但其他社交媒体平台，如Instagram或YouTube，更多地依赖其他形式的非结构化数据，如图像和视频。这为非结构化数据分割的研究带来了令人兴奋的前景。未来的发展可能会影响更多的组织结构，并强调分析人才的问题。^9，23

回到顶部

讨论

细分是更好地定位产品和识别市场机会的关键组成部分。²⁴市场细分在针对不同的客户群体调整营销组合方面起着至关重要的作用，因此它是管理者的一个重要工具。虽然传统的分割方法可能会对非结构化数据分割方法感到困惑，但这类数据，特别是文本数据的日益增长的可用性，突出了从业者开始利用分割方法的必要性，这些方法可以在分析中合并文本和其他有意义的数据类型，如表情符号。³⁶如果组织经常根据可用的数据来实现市场细分，那么非结构化数据的使用就会成为市场细分的下一个前沿领域。^8，38

回到顶部

回到顶部

回到顶部

数字图书馆是由计算机协会出版的。版权所有©2022 ACM, Inc.

---

没有发现记录