B2C电子商务中的消费者决策支持系统.docx

B2C电子商务中的消费者决策支持系统.docx

《B2C电子商务中的消费者决策支持系统.docx》由会员分享，可在线阅读，更多相关《B2C电子商务中的消费者决策支持系统.docx（7页珍藏版）》请在冰豆网上搜索。

B2C电子商务中的消费者决策支持系统

Ｂ２Ｃ电子商务中的消费者决策支持系统

摘要B2C电子商务环境下的决策支持系统要紧包括专家系统，推荐系统和智能代理系统或其组合等。

其目标是帮忙消费者发觉和澄清需求，在网络海量的信息环境下发觉和比较信息，挑选符合客户需要的产品，或提供建议。

该文回忆了最近几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进展趋势进行了预测与展望。

　　关键词B2C，消费者，决策支持系统。

　　同传统购物进程一样，消费者的网上购物决策行为可分为需求认知、信息搜索、选择性评判、购买和购买后评判5个时期。

只是，网络作为一个重要的信息来源，以其丰硕的信息、方便的搜索引擎、低廉的搜索本钱等优势，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时期的外部信息搜索和提供人性化的产品和效劳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（ExpertSystem，ES）和消费者决策支持系统（Consumerdecisionsupportsystem）（如推荐系统和智能代理系统）。

关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常常利用，而且已公认它们阻碍了消费者的决策和购买行为。

　　决策支持系统（DecisionSupportSystem，DSS）是70年代初期进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，其要紧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（IntelligentDecisionSupportSystem，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、大量的数据处置并形成有机整体[3]。

关于B2C电子商务环境下的消费者购物决策来讲，决策支持系统的目标是帮忙消费者发觉和澄清需求，在网络海量的信息环境下发觉和比较信息，挑选符合客户需要的产品，或提供建议[4]。

　　近来决策支持系统的研究加倍趋向于使其智能化、人性化，通过对网上消费者购物决策行为的体会性研究，致力于成立一个能有效地增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，本文回忆了最近几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、方式研究和应用研究（理论研究和方式研究的区别在于，是不是成立了决策支持系统的模型，而应用研究那么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进展趋势进行了预测与展望。

　　1决策支持系统的理论研究

　　尽管网上商店在20世纪80年代就已经显现，可是绝大多数的网上商店也就只有几周岁罢了。

因此，尽管现存的网上交易的类型很多，哪一种类型真正适合网上交易，并在以后盛行目前并非清楚。

目前占优势的网上交易要紧有[5]：

（1）固定价钱（Fixedprice）。

传统的网上商店，其商品来自一家零售商。

（2）拍卖机构（Auctionhouses）。

消费者能够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。

并非直接零售商品，而是提供商品相关信息，其效劳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，）

　　（4）混合商店（Hybridstores）。

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，必需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，通常并无明确的购物目的。

因此，一个设计良好的决策支持系统必需适应买方和卖方两边的需要，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觉最适合用户的选项。

这就涉及到问题的设计，数据存储及检索两方面的内容。

这两个方面是相互联系，相互制约的，其核心和关键是数据存储和检索技术的进展。

　　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-BasedReasoning，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，但这并非能利用户感到中意。

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。

另外，用户关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睬想的，必需采纳一个多时期的检索进程：

第一，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取得的子集，直到取得易处置的候选集为止。

在每一个时期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，用户在每一个时期的回答都会阻碍所提问题的顺序。

　　数据的存储及检索

　　最近几年来，由于支持大容量数据的有效存储和检索技术——数据仓库（datawarehouse）和联机分析处置（onlineanalyticalprocessing,OLAP）产品的有效性大大增强，决策支持系统中数据库的利用也飞速增加。

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那么是利用户能够有效的从数据仓库中检索数据的一种技术[7]。

　　基于案例的推理（CBR）

　　为了帮忙分析家关注重要数据并作出更好的决策，最先由Shanker在1982年发表的《DynamicMemory》中，提出了基于案例的推理思想，并由其学生通过量年的工作慢慢进展起来，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。

它在专门大程度上符合专家迅速、准确的求解新问题的进程[8]。

其核心思想是：

人们以前对该类问题的求解体会——案例，是按必然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，系统第一从案例库中寻觅这种案例或近似于这种案例的案例。

若是找到的案例与待求解的案例的描述完全一致，那么将这些案例对问题的解输出。

不然，依照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；同时将那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，就能够够利用案例库中所有已知的案例，而没必要每次都从头开始。

　　渐进案例推理（incrementalcase-basedreasoningtechnique,I-CBR）

　　Cunningham和Smyth（1994）将错误诊断领域进展并应用起来的渐进案例推理技术应用于决策支持系统的特点选择，它是对基于案例的推理的进展，是多次的基于案例的推理。

该技术并非要求第一取得对所有目标元素的描述，而是通过询问用户一些核心问题慢慢成立这一描述。

　　渐进案例推理技术利用取得的信息来寻觅最能够区别目前的集合中的所有案例的特点，该信息是有分类的，从而能够鉴定每一个特定特点的区分力。

但数据仓库中存储的一般是未分类数据，因此，Doyle和Cunningham以为，需要利用另一种气宇衡来应用多时期检索技术，或对未分类数据第一进行聚类分析，然后再运用渐进案例推理技术进行测量[9]。

　　　尽管基于案例的推理是测量产品的相似性的最流行的方式，可是也受到了一些批评。

Lee以为，尽管该方式能够找出与用户需要最相似的产品，但却轻忽了产品的适宜性，从而把一些低质量的商品推荐给消费者。

为了解决这一问题，就需要采纳多属性决策方式（multi-attributedecision-makingmethod）同步考虑消费者需求和产品质量[10]。

　　2决策支持系统的方式研究

　　正如前文所述，用户在进入网上购物界面时，通常对其需求只有一个模糊的概念，因此，网上购物商店不仅需要提供丰硕的商品或能够商量的价钱，而且其信息呈现的方式还要能吸引用户，增强其购物灵敏性。

基于这一考虑，Shoji和Hori提出了一种网上购物中推动用户观念清楚化的交互作用方式——S-Conart（conceptarticulatorforshoppers），致力于成立一个消费者在其进行网上购物时能有效增进其作出决策的交互作用系统，并用该系统做出一系列评估实验来查验在成立该系统时所利用的方式在增进购买观念清楚度上的有效性[11]。

　　Shoji和Hori（2001）通过研究消费者和店员的交流，发觉店员关于增进消费者购物概念清楚化有着踊跃的作用，他们能够提供与消费者那时不一致的观点，其作用要紧表此刻两个方面：

为形成概念提供支持（通过改变消费者的观点，引发搜索目标本身的改变，从而增进其决策进程），为确信决策提供支持（使消费者能够顺利同意店员的观点，并相信他们的决定是正确的）。

S-Conart方式通过两种类型的信息呈现方式来实现店员的这两种作用。

　　关于为形成概念提供支持，S-Conart采纳基于多维量表（multi-dimensionalscaling，MDS）的空间配置类型（spatial-arrangementstyle）的信息呈现方式，并提供了另一种列表类型的信息呈现界面作为对照。

关于为确信决策提供支持，S-Conart提供了两种功能：

一是通过使消费者阅读对其所感爱好的商品的评论（这些评论还包括评论者购买产品时的情境信息），增进用户对其决策的信心；二是通过情境信息窗口，用图表和树型图两种方式，呈现产品评论中的相关字词，从而增进消费者概念的清楚化。

　　消费者除对其需求概念模糊之外，对其不常常购买的商品常常也没有足够的知识来对同类产品作出评判。

因此，他们在作出购物决策的进程中专门需要取得该领域的专家的帮忙。

在网上购物环境中，智能决策支持系统那么需要扮演专家这种角色，不仅能够与消费者进行交互从而获取和分析其需求，而且有能力去评判各类不同类型的产品，用最低的本钱给出最适合消费者要求的建议。

消费者的购物决策，不仅包括购买哪一种产品，而且包括产品的价钱等。

随着电子商务的进展，消费者能够从网上获取的产品信息愈来愈多，乃至能够直接与卖方进行讨价还价，而卖方对其市场策略也有自己的考虑，因此，网上产品的价钱由固定价钱向可变价钱转变，如此，类比传统购物环境中经由讨价还价确信价钱的流程——协商，网上购物环境也对这一流程产生了需要。

　　基于以上两个方面的考虑，和传统协商与网上购物环境自身的特点，We-PoLee提出并验证了包括推荐和自动协商的代理系统来支持消费者的决策行为的有效性[10]。

在那个系统中，推荐是以知识为基础的，它包括知识获取代理（KnowledgeAcquisitionAgent）和行为匹配代理（Behavior-MatchingAgent）两个部份，从而包括两个方面的知识：

专家知识和用户－系统交互的体会。

专家知识经由知识获取代理，从该领域的专家那儿搜集、整理并用特定的内部知识表征形式植入系统中；用户－系统交互的体会那么经由行为匹配代理从以前的用户那儿，搜集其如安在系统的指导下发觉理想产品的进程信息，若是当前用户的行为类型与以前的用户的行为类型相匹配，系统就推荐以前的对应用户所选择的产品，不论行为类型是不是匹配，系统都会自动记录当前用户获取理想产品的进程信息。

而自动协商系统包括买方代理、卖方代理和用户界面三个组成部份，数据在买方代理和卖方代理之间进行互换，包括三个步骤：

确信协商空间，探测协商两边的态度，确信协商函数。

其中，买方代理工作更为踊跃，它能够从产品推荐所提供的链接当选择对应的卖方代理进行交流。

　　Lee和Chung将虚拟现实技术和网络决策支持系统整合到网上商城的设计中，提出并设计了虚拟现实驱动购物代理[12]（VirtualRealitydrIvenShoppingAgent，VRISA），制造了一种新的网上购物商城的范式。

它将生活方式探测器代理（LifestyleFinderAgent）（记录消费者剖面图）和特点比较代理（AttributeComparisonAgent）（包括价钱、设计和质量3个维度，采纳层次分析法（AnalyticHierarchyProcess，AHP）进行特点比较）两个子代理作为其核心机制，并在推荐和最终的分析中包括了实体操纵模块（avatarcontrolmodule）。

实体操纵模块包括两个函数：

推荐函数和实体操纵函数，推荐函数依照合理性和灵敏性标准整合生活方式探测器和特点比较两个子代理的推荐信息，将令消费者中意的结果传递给实体操纵函数，实体操纵函数将内部语言转化成包括文本、图像和声音的3D形式输出。

　　对网络信息系统（WebInformationSystems，WISs）来讲，其用户的背景多种多样，而要使该系统能够达到世界通用的目的，就必需跨越用户已经明白的和他们与运算机系统进行交互所需要明白的之间的鸿沟，这就需要对所有的用户提供支持。

Aberg和Shahmehri提出了一个用户支持的一样模型[13]，该模型结合了运算机和人类助手两个方面的支持，同时考虑了技术多样性和用户不同，为用户提供了一个灵活的界面，用户能够自由选择他们与支持系统进行交流的方式。

通过对那个模型的应用研究发觉，把人类助手整合到支持系统中去是提供有效的用户支持的一个方式。

那个整合使该网站用起来加倍有趣并增加了用户对该站点的信任，也改善了该站点的气氛。

这就为决策支持系统向智能化、人性化进展提供了理论支持。

　　3决策支持系统的应用研究

　　一些研究查验了决策支持系统对用户绩效的阻碍，可是不同的研究者关于具体的决策支持系统的利用和用户绩效的概念不同。

Peng,Finin,Labrou等人（1998）研究了决策向导对用户绩效的阻碍。

决策向导依照系统为用户的问题解决提供帮忙的多少划分为简单的提供信息和提供选择线路的建议两种水平，并把决策质量作为测量最终用户绩效的重要因素。

Head等人（2000）研究了网络导航对最终用户绩效的阻碍，网络导航尽管在提供支持上利用了全然不同的策略，但它以帮忙用户发觉以前曾经阅读过的网页为目标，与智能搜索有着相似的功能。

而用户绩效那么被概念为利用该系统能够减少完成特定任务所需要的时刻，并包括网页内阅读绩效和网页间阅读绩效两个方面。

Hostler,Yoon，Guimaraes综合了以前的研究者关于用户绩效的概念，在研究网络代理对最终用户绩效的阻碍时，用耗时、决策质量、对决策的自信和认知尽力四个变量来测量最终用户绩效[14]，其中，耗时包括网站选择时刻、产品搜索时刻和产品选择时刻三部份；决策质量依照用户所选择的产品适合实验中特定的产品特点标准（实验中包括8个特点标准）的程度来测量，并划分为0（没有一个符合特点标准）到8（全数符合特点标准）9个品级；对决策的自信和认知尽力都用7点Likert量表来测量。

结果发觉，网络代理减少了耗时，提高了决策质量，增加了对决策的自信和减少了认知尽力，从而证明网络代理对用户绩效有踊跃的阻碍。

不仅如此，Garrity,Glassberg等人在调查网上消费者购物决策中意度，并用任务支持中意，决策中意和界面中意三个大体成份来表示用户中意时，发觉决策支持中意在网络信息系统中成功扮演了重要角色[15]，说明决策支持系统不仅有利于提高用户绩效，而且有利于提高用户中意度。

　Häubl和Murray调查了网络代理推荐产品时其算法所采纳的信息类型是如何阻碍消费者对产品特点的偏好以至最终对产品的选择的[16]。

他们把推荐代理界定为能够基于用户的输入校正其偏好模式并应用该模式进行人性化的产品推荐的工具软件。

实验采纳2（算法）×2（特点间的相关）组间设计，结果发觉，推荐代理算法中所包括的产品特点在消费者的购买决策中的作用加倍显著，同时这一阻碍被产品特点之间的相关所调剂，从而推断，网络代理能够通过推荐算法的设计，用系统的方式来阻碍用户偏好，这就为商家阻碍消费者的购物决策提供了新的思路。

　　4国内研究现状及展望

　　网络技术的进展和电子商务的显现改变了人们关于交易是什么和如何操作等方方面面的观点和实际行为，使经济进展的前景呈现出网络化、信息化的新局面，大体上改变了经济前景，也使决策支持的需要加倍普遍。

决策支持系统领域的研究，必需考虑普遍存在的网络交易模式，采纳一种跨学科的观点来整合技术和交易模式[17]。

这不单单包括在现存的不同决策支持系统设计语言、推荐算法上的整合，而且包括针对不同的交易模式的不同决策支持系统设计框架的整合。

　　目前关于决策支持系统的应用研究并非多，国内的研究就更是稀少，要紧集中在如何应用运算机语言成立决策支持系统上，如朱晓芸、俞瑞钊采纳面向对象的程序设计方式（OOP）设计了智能决策支持系统工具——OOIDSS－T[2]，将决策支持系统的各组成部份——人机接口、数据库、模型库三个子系统及它们之间的接口，先以OPP方式概念成相应的类，包括模型库类、知识库类、数据库类、用户界面类及总控数据类，用户通过工具中提供的系统描述语言对各个类实例化为相应的对象，通过消息发送完成各部份之间的联系。

闵君、邓晓以agent技术（agent弱概念是指具有自主性，社会性，反映性，能动性，时刻持续性和面向目标的特性的运算机软件或硬件系统，强概念除前述特性之外还具有可移动性，理性，适应性，协作性）作为系统建模的基础，采纳多准那么决策方式，成立了一个基于偏好的评判模型[4]。

该模型将客户偏好分为信念、目标、用意三个层次，形成一个3个agent分工合作的多agent水平分层模型，从而在获取用户偏好或偏向后，基于这种偏好对候选商品做出评判，排序并取得一个当前的推荐商品集；在取得下一批候选项的数据后，再与现有推荐商品集一路，进行下一轮评判，通过不断接近客户的当前偏向，进而接近客户的真正偏向。

　　可见，国内的决策支持系统的研究要紧集中在方式方面，并非局限于将决策支持系统应用到B2C电子商务上，后续的研究者，尤其是涉及心理学领域的研究者，能够考虑将消费者偏好、认知、绩效、中意度等心理学概念与决策支持系统联系起来进行应用研究，从而为网上商城的设计提供实证支持，并为我国电子商务的进展作出奉献。

　　参考文献

　　[1]SenecalS,KalczynskiPJ,NantelJ.Consumers’decision-makingprocessandtheironlineshoppingbehavior:

aclickstreamanalysis.JournalofBusinessResearch,2005,58（11）:

1599~1608

　　[2]朱晓芸，俞瑞钊.一个面向对象的智能决策支持系统工具.运算机工程与应用，1994，（五、6）:

37~41

　　[3]曹泽文，陈文伟等.智能决策支持系统平台协同式客户/效劳器体系结构模型的设计与实现.小型微型运算机系统，1997，18（4）：

43~49。

　　[4]闵君，邓晓.智能导购agent系统的研究.操纵与决策，2003，18（4）：

497~503

　　[5]HelanderMG,KhalidHM.Modelingthecustomerinelectroniccommerce.AppliedErgonomics,2000,31（6）:

609~619

　　[6]李江予，张侃.网上购物系统的工程心理学设计因素.通信学报，1999,20（9）:

93~98

　　[7]SimiD,KurbalijaV,BudimacZ.AnApplicationofCase-BasedReasoninginMultidimensionalDatabaseArchitecture.Springer-VerlagBerlinHeidelberg,2003:

66~75

　　[8]王雪瑞，刘文煌.知识治理系统中的CBR技术研究.运算机工程与应用，2002，

（2）：

181~183

　　[9]DoyleM,CunninghamP.ADynamicApproachtoReducingDialoginOn-LineDecisionGuides.Springer-VerlagBerlinHeidelberg,2000

　　[10]Wei-PoLee.Towardsagent-baseddecisionmakingintheelectronicmarketplace:

interactiverecommendationandautomatednegotiation.ExpertSystemswithApplication,2004,27（4）:

665~679

　　[11]ShojiH,HoriK.S-Conart:

aninteractionmethodthatfacilitatesconceptarticulationinshoppingonline.AI&Society,2005,19

（1）:

65~83

　　[12]LeeKC,ChungN.AwebDSSapproachtobuildinganintelligentinternetshoppingmallbyintegratingvirtualrealityandavatar.ExpertSystemwithApplications,2005,28

（2）:

333~346

　　[13]AbergJ,ShahmehriN.AnempiricalstudyofhumanWebassistants:

implicationsforusersupportinWebinformationsystems.CHI2001,3

（1）:

404~411

　　[14]Hostler,YoonGuimaraesT.Assessingtheimpactofinternetagentonendusers'performance.DecisionSupportSystems,2005,41

（1）:

313~323

　　[15]GarrityEJ,GlassbergB,KimYJetal.AnexperimentinvestigationofWeb-basedinformationsystemssuccessinthecontextofelectroniccommerce.DecisionSupportSystem,2005,39（3）:

485~503

　　[16]HäublG,MurrayKB.Recommendingorpersuadingtheimpactofashoppingagent'salgorithmonuserbehavior.ACM,2001

　　[17]ShawMJ,GardnerDM,ThomasH.Researchopportunitiesinelectronic