泛联官网>>

B2C电子商务中的消费者决策支持系统

时间:2008-06-07 14:59来源:互联网 作者:佚名 点击:
分享到:
  • 点击图标下载本文附件-->:       注:若已有正文则附件为空
摘要 B2C电子商务环境下的决策支持系统主要包括专家系统,推荐系统和智能代理系统或者其组合等。其目标是帮助消费者发现和澄清需求,在网络海量的信息环境下发现和比较信息,筛选符合客户需要的产品,或者提供建议。该文回顾了近年来网上决策支持系统的研究进展,并对其在B2C电子商务中的应用前景和研究发展趋势进行了预测与展望。
  关键词 B2C,消费者,决策支持系统。
  分类号 B849:C93
  
  同传统购物过程一样,消费者的网上购物决策行为可分为需求认知、信息搜索、选择性评价、购买和购买后评价5个阶段。只是,网络作为一个重要的信息来源,以其丰富的信息、方便的搜索引擎、低廉的搜索成本等优势,迅速成为消费者外部信息搜索的重要方式。基于对消费者在前购物阶段的外部信息搜索和提供人性化的产品和服务推荐的网络信息来源的研究,Senecal和Nantel(2002)把网上推荐来源分为3种类型[1]:(1)其他消费者(如,亲戚、朋友、熟人等);(2)专家(如销售员、独立专家等);(3)专家系统(Expert System,ES)和消费者决策支持系统(Consumer decision support system)(如推荐系统和智能代理系统)。对于前两种类型的信息来源,它也适用于传统购物,在对传统购物的消费者行为研究中经常使用,而且已公认它们影响了消费者的决策和购买行为。
   决策支持系统(Decision Support System,DSS)是70年代初期发展起来的面向用户的一种交互系统,传统的决策支持系统由人机接口、数据库、模型库三个子系统及它们之间的接口组成,其主要目的是支持半结构化和非结构化的决策问题,以提高决策效能[2]。智能决策支持系统(Intelligent Decision Support System,IDSS)是专家系统与决策支持系统的集成体。相当于Senecal和Nantel(2002)对网络信息来源分类中的第三类。它完成定性的知识推理、定量的模型计算、大量的数据处理并形成有机整体[3]。对于B2C电子商务环境下的消费者购物决策来说,决策支持系统的目标是帮助消费者发现和澄清需求,在网络海量的信息环境下发现和比较信息,筛选符合客户需要的产品,或者提供建议[4]。
  近来决策支持系统的研究更加趋向于使其智能化、人性化,通过对网上消费者购物决策行为的经验性研究,致力于建立一个能有效地促进消费者在其进行网上购物时做出决策的交互作用系统。基于以上分析,本文回顾了近年来网上决策支持系统的研究进展,将这些研究分成三种类型:理论研究、方法研究和应用研究(理论研究和方法研究的区别在于,是否建立了决策支持系统的模型,而应用研究则是对某一具体的决策支持系统的应用),并对其在B2C电子商务中的应用前景和研究发展趋势进行了预测与展望。
  
  1 决策支持系统的理论研究
  
  虽然网上商店在20世纪80年代就已经出现,但是绝大多数的网上商店也就只有几周岁而已。所以,虽然现存的网上交易的类型很多,哪种类型真正适合网上交易,并在未来盛行目前并不清楚。目前占优势的网上交易主要有[5]:
  (1)固定价格(Fixed price)。传统的网上商店,其商品来自一家零售商。
  (2)拍卖机构(Auction houses)。消费者可以对一些项目进行投标(如,易趣)。
  (3)信息媒体库(Infomediaries)。把几个商店或制造商的商品集中到一个大的框架体系下。并不直接零售商品,而是提供商品相关信息,其服务链由其他一些确立良好的网上商店组成,其功能相当于搜索引擎。(如,www.Chemdex.com)
  (4)混合商店(Hybrid stores)。既零售商品,也是一个信息媒体库(如,卓越)。
  因此,在设计电子商务工具时,必须考虑特定的交易类型和信息呈现方式。网络是由用户驱动(user-driven)的,交流的开始和中止,都是由用户决定的——只需要点击一下鼠标即可,而用户在进行购物时,通常并没有明确的购物目的。因此,一个设计良好的决策支持系统必须适应买方和卖方双方的需要,其信息的组织与交互要与用户的内在认知活动相一致[6]。
  决策支持系统通常包括一些问题,通过用户对这些问题的回答来发现最适合用户的选项。这就涉及到问题的设计,数据存储及检索两方面的内容。这两个方面是互相联系,互相制约的,其核心和关键是数据存储和检索技术的发展。
  
  1.1 问题设计
  过去的问题设计通常包括一些冗长的,一步到位式的问题,它对应着数据检索和存储中基于案例的推理(Case-Based Reasoning,CBR)技术,通过用户对这些问题的回答来搜索数据库并进行推荐,但这并不能使用户感到满意。目前的问题设计致力于通过最小的问题集来实现这一目标。此外,用户对于其需求通常只有一个含糊的观点,因此,一箭中的策略显然是不理想的,必须采用一个多阶段的检索过程:首先,通过最初的信息来检索第一个候选集,然后用一些问题来削减上次得到的子集,直到获得易处理的候选集为止。在每一个阶段所提出的问题最好能在最大程度上在该点上区分出候选集中的案例,因此,用户在每一个阶段的回答都会影响所提问题的顺序。
  
  1.2 数据的存储及检索
  近年来,由于支持大容量数据的有效存储和检索技术——数据仓库(data warehouse)和联机分析处理(online analytical processing, OLAP)产品的实用性大大增强,决策支持系统中数据库的使用也飞速增长。数据仓库是用于决策支持的企业历史数据的在线知识库,而OLAP则是使用户能够有效的从数据仓库中检索数据的一种技术[7]。
  
  1.2.1 基于案例的推理(CBR)
  为了帮助分析家关注重要数据并作出更好的决策,最早由Shanker在1982年发表的《Dynamic Memory》中,提出了基于案例的推理思想,并由其学生经过多年的工作逐渐发展起来,是人工智能中新崛起的一项重要推理技术。它与类比推理相类似,但又不完全等同于类比推理。它在很大程度上符合专家迅速、准确的求解新问题的过程[8]。其核心思想是:人们以前对该类问题的求解经验——案例,是按一定的组织方式存储在案例库中的,当用户输入待求解的新问题时,系统首先从案例库中寻找这种案例或者近似于这种案例的案例。如果找到的案例与待求解的案例的描述完全一致,则将这些案例对问题的解输出。否则,根据对待求解问题的描述,对检索出来的案例进行修改,以产生一个符合问题求解要求的解并将其输出;同时将这个问题的求解作为一个新的案例再存储到案例库中。因此,在以后进行系统求解时,就可以利用案例库中所有已知的案例,而不必每次都从头开始。
------分隔线----------------------------
顶一下
(0)
0%
踩一下
(0)
0%
最新评论 查看所有评论
发表评论 查看所有评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 密码: 验证码:
发布者资料
admin 查看详细资料 发送留言 加为好友 用户等级:注册会员 注册时间:2010-07-19   最后登录:2014-09-10
推荐内容