写论文没有思路的时候，经常查阅一些论文范文，小编为此精心准备了《广告营销策略调整的研究论文(精选3篇)》仅供参考，大家一起来看看吧。摘要：通过对国际300余篇权威学术文献的研究，根据企业、产品、客户三者内在逻辑关系的理论分析，透视和阐述了市场营销及营销管理随社会需求发展而演进的规律和21世纪变革的趋势，将市场营销和营销管理的演变过程概括为大众营销、目标营销和定制营销三个时代，同时总结和阐述了各时代营销管理的基本特征。
广告营销策略调整的研究论文 篇1：
消费者偏好预测的深度学习神经网络模型
摘 要：通过对于人类大脑活动的研究来分析消费者对广告和产品的反应的神经营销正在受到新的关注。针对基于脑电波（EEG）的神经营销，提出了一种基于深度学习神经网络的消费者对产品的偏好预测方法。首先，为了提取消费者EEG的特征，采用短时傅里叶变换（STFT）与双调和样条插值，从多通道脑电信号中得到了5个不同频带的EEG形图视频;然后，提出了一种结合5个三维卷积神经网络（3D CNN）与多层长短期记忆（LSTM）神经网络的预测模型，用于从脑电地形图视频预测到消费者的偏好。与卷积神经网络（CNN）模型和LSTM神经网络模型相比，消费者依赖模型的平均准确度分别提高了15.05个百分点和19.44个百分点，消费者独立模型的平均准确度分别提高了16.34个百分点和17.88个百分点。理论分析与实验结果表明，所提出的消费者偏好预测系统可以以低成本提供有效的营销策略开发和营销管理。
关键词：深度学习;三维卷积神经网络;长短期记忆神经网络;神经营销;脑电地形图视频
Key words： deep learning; 3D Convolutional Neural Network （3D CNN）; Long Short-Term Memory （LSTM） neural network; neuromarketing; ElectroEncephaloGraphy （EEG） topographic video
0 引言
準确了解消费者想要什么以及消费者愿意做什么，对每家公司来说既是渴望又是挑战，因此，许多公司在消费者研究方面投入了大量资金，以提前掌握消费者对产品或广告的反应。然而，与由于各种原因（包括消费者和社会关系的主观感受）导致的公司所花费的成本和时间相比，传统的研究技术（例如焦点小组访谈和调查）往往未能提供令人满意的结果。
最近，“神经营销”作为克服传统消费者研究局限的更科学的研究技术而备受关注。神经营销，是人类大脑生物学研究中的神经和商业营销的结合名词。它通过测量消费者的大脑活动，分析大脑活动信息（如无意识反应等），进而了解消费者的心理和行为，并将其应用于营销。在21世纪，先进的高级工程技术应用于脑生理学领域，这使人们能够通过开发安全的大脑活动测量装置来测量大脑活动信息，创造了一种研究消费者意识的新分析方法。通过这种方法，公司在投入大量营销成本之前，能够定量地测量产品或广告对消费者潜意识的影响。
近年来，如功能磁共振成像（functional Magnetic Resonance Imaging， fMRI）、脑磁图（MagnetoEncephaloGraphy， MEG）和脑电波（ElectroEncephaloGraph， EEG）的测量装置已经频繁用于神经营销。一项研究利用fMRI数据分析了27名青少年的大脑活动，并预测了音乐的受欢迎度，该研究结果显示参与者的大脑反应与三年后的销售量成正比。然而，这些实验的成本是巨大的，并且由于诸如保险、维护和可移植性问题之类的额外成本，在神经营销中使用fMRI是有限的。MEG用于捕获由神经元活动引起的大脑活动。这种神经元活动产生的磁场由MEG通过时空信息放大和映射。然而，由于成本较高、技术复杂并且皮层下区域的成像访问受限，因此不优选作为开发神经营销系统的装置。与fMRI和MEG相比，脑电波测量装置便宜，不限制电极的数量，易于操作，易于携带，维护成本低得多，同时提供高时间分辨率，因此，本研究专注于使用脑电信号来分析大脑活动信息，并对消费者产品偏好进行分类和预测[1-2]。
目前，使用脑电波信号的神经营销研究已取得一定成果。有一些研究者发现消费者对产品的脑电波与消费者购买决策之间存在相关关系，因此得到采用脑电波方法的利润增长率几乎是问卷调查方法三倍的研究结论[3-4]。在研究中，有学者提出了通过使用主成分分析或带通滤波器进行预处理并进行傅里叶变换来定量计算消费者偏好和腦电波频带之间的相关性的方法[5-6]。此外，一些学者还提出了消费者偏好预测框架来预测消费者对颜色和视频的情绪状态[7-8]。
根据以往的研究结果，本研究开发了一种基于深度学习神经网络从消费者脑电信号功率谱密度预测产品偏好的新方法。近来，作为人工智能的机器学习领域的深度学习已经成功地应用于各种领域，例如计算机视觉、图像和视频分类、预测、语音识别、自然语言处理、网络搜索和自主导航。当然，在脑电图研究领域也有许多研究使用深度学习[9-10]。本研究的目的是提出一种神经营销框架，通过分析脑电波信号来预测消费者对电子商务产品的偏好。该研究首先使用短时傅里叶变换（Short Time Fourier Transform， STFT）来计算多通道脑电波信号的功率谱密度，并且用双调和样条插值（Biharmonic spline interpolation）从多通道脑电波信号功率谱密度来作出脑电地形图。由于脑电地形图是圆形的，因此没有数值的非数区域存在脑电地形图矩阵的四个角中。这些脑电地形图随时间排列的话，它变成与视频类似的三维格式，称为脑电地形图视频。从5个频带中得到的5个脑电地形图视频分别输入到5个三维卷积神经网络（3D Convolutional Neural Network， 3D CNN）。为了处理脑电地形图的非数区域，定义面膜层并将其插入到卷积层与池化层之间。将5个卷积神经网络（Convolutional Neural Network， CNN）的结果连接成一个矩阵，接着将其输入到长短期记忆（Long Short-Term Memory， LSTM）神经网络。在这里，卷积神经网络用作特征学习端，用于从5个频带的消费者功率谱密度脑电地形图视频中提取特征，并且长短期记忆神经网络作用于得到的特征预测消费者的产品偏好的分类端。通过实验过程和结果，确定了结合三维卷积神经网络和长短期记忆神经网络的预测模型的结构参数，并与其他预测方法进行了准确度对比。
1 脑电波信号测量和预处理
如图1所示，根据国际10-20电极放置方案，在32个电极位置上测量脑电波信号。32个电极的位置如下：FP1、FP2、AF3、AF4、Fz、F3、F4、F7、F8、FC1、FC2、FC5、FC6、Cz、C3、C4、T7、T8、CP1、CP2、CP5、CP6、Pz、P3、P4、P7、P8、PO3、PO4、Oz、O1、O2。测量的脑电波信号以1024Hz采样并发送到电脑。在电脑中，脑电波信号再次被下采样到128Hz并通过50Hz巴特沃斯（Butterworth）低通滤波器。
在该实验中，20名年龄在18至40岁之间的男女消费者（13名男性和7名女性）自愿参加。产品图片在电脑屏幕上显示4秒钟，消费者就所显示的产品选择“喜欢”或“不喜欢”。电脑屏幕上显示的产品如图2所示。如图中所示，6种类型的产品选择了3种不同颜色和不同形式的样本。
2 本研究提出的预测系统
在本章中，本文叙述了使用短时傅里叶变换和双调和样条插值[13]，作出5个频带功率谱密度脑电地形图视频的预处理过程，然后提出了构建预测模型的过程。
2.1 脑电地形图视频
正如在引言中已经提到的，许多研究人员已经研究并建议消费者对产品的偏好可以引起脑电波信号频带的变化，因此，本研究感兴趣的是脑电波信号的功率谱密度作为研究中预测模型的输入数据。功率谱密度可以通过短时傅里叶变换获得。短时傅里叶变换是用于利用窗函数表示非平稳信号的时频分布的时频分析方法。短时间傅里叶变换的计算方法是将长时间信号分成相同长度的窗段，然后分别在每个窗段上计算傅里叶变换[11]。信号s（t）的短时间傅里叶变换F（τ，ω）定义为;
从上面的公式中可以看出，通过沿着输入信号时间轴移动窗来计算每个窗段的傅里叶变换。在短时间傅里叶变换的功率谱密度中，更宽的窗函数导致更好的频率分辨率，并且更窄的窗函数导致更好的时间分辨率[12]。该研究中，窗的长度和相邻窗之间的重盖交叠长度“重盖长度”这个词是表述正确吗？请明确分别设置为128和120，并且使用哈明窗函数。
脑电波信号具有时间、频率和空间特征，空间特征反映了头皮上的电极位置。通用脑电波信号分类预测方法从多通道脑电波信号中提取特征并应用分类预测算法。然而，没有建议此句不通顺，需作相应调整反映电极位置信息的分类预测方法。该研究试图基于电极的位置制作脑电地形图。当脑电地形图随着时间排列时，最终获得脑电地形图视频。脑电地形图视频可以显示头皮上脑电波信号的功率谱密度如何随时间变化。为了作出脑电地形图，将Cz电极位置设定为极坐标系的中心点，并将剩余的31个电极位置相对排列。
然后，这32个电极的位置矢量被转换成正交坐标系的位置矢量。将双调和样条插值[13]应用于32个正交坐标系上的坐标点处的脑电信号功率谱密度，并在41×41网格上绘制脑电地形图。通过在每个时间点重复该过程来获取脑电地形图视频。通常，根据频带将脑电波信号分为δ波（0～4Hz）、θ波（4～8Hz）、α波（8～13Hz）、β波（13～30Hz）和λ波（30～50Hz），因此，计算每个频带中的功率谱密度的总和来获得5个频带的脑电地形图视频。当从4s的脑电波信号生成脑电地形图视频时，该脑电地形图视频由41×41×49矩阵数据表示。其中49是时间点数。该脑电地形图视频在[-1，+1]区间缩放并输入到神经网络输入层。图3显示0.5、1.5、2.5和3.5s时间点的脑电地形图。
如图3所示，在41×41网络上绘制的脑电地形图具有圆形形状，四个角上的空白区域是没有数值的区域。将此区域定义为非数区域。该研究中，为了便于在神经网络中进行计算，非数区域用0填充。当输入数据通过神经网络的每个层时，在非数区域中可以生成非零值，并且这些非数区域的非零值可以影响后层的计算，因此，每当在非数区域中生成非零值时，就必须将其除去。
2.2 卷积神经网络模型
卷积神经网络（CNN）是在人类神经系统中提出的非常有用的神经网络，并且在各种应用中表现出优异的性能。卷积神经网络是一种分层结构，在卷积层和池化层交错时提取入口数据的特征。
卷积层通过滑动窗口方式从输入数据中提取特征，该方式实现表示数据特征的特征映射。执行特征映射的卷积内核的权重在卷积层中共享，并且本地链接到输入数据。池化层通过卷积层中的特征映射的平均池化或最大池化来减小输出维度的大小，因此，可以忽略诸如输入数据中的精细移位或失真的变化。在卷积神经网络的最终结构中，神经网络完全连接并输出到一维向量。卷积神经网络包括一维、二维和三维的卷积神经网络，通常，一维应用于序列数据，二维应用于图像数据，三维应用于视频数据。
人脑活动产生的脑电信号不仅随着时间和频率而变化，而且随着通道而变化。这些三维数据不仅应考虑空间（通道和频率）特征，还应考虑时间特征。二维卷积神经网络已经在许多图像识别应用中得到了广泛的研究，并且已经显示出良好的结果，但仅限于处理单帧输入。三维卷积神经网络（3D CNN）可以同时提取空间和时间的特征，超过了视频分析中二维卷积神经网络的性能[14-15]。在这研究中，三维卷积神经网络用于三维脑电地形图视频的特征学习。图4显示了三维卷积神经网络的结构。
三维卷积神经网络通过以三维体积格式输入数据来一起学习空间特征和时间特征。这种时空特征学习是通过三维卷积和三维池化操作实现的。使用ReLU（Rectified Linear Unit请补充ReLU的英文全称）作为激活函数的属于第i层的第j个特征映射中的（x，y，z）位置的值通过式（3）计算：
2.3 长短期记忆神经网络模型
长短期记忆（Long Short-Term Memory， LSTM）神经网络是一种能够学习长期依赖性的特殊类型的循环神经网络，旨在通过短期记忆解决长期依赖性问题。长短期记忆神经网络能够处理甚至最长的序列数据而不会消失梯度，现在，它被广泛用于解决序列数据问题，例如语音识别、自然语言处理和图像的自动注释。
如图5所示，长短期记忆神经网络在单个单元中具有复杂的循环结构，其在时间上按时间順序连接。长短期记忆神经网络具有两个属性值：一个是随时间变化的单元的隐藏状态H（t）值，另一个是使得可以长期维持存储器的单元状态C（t）。在图5中，在框图中沿着长短期记忆神经网络单元的顶行水平改变单元状态。长短期记忆神经网络可以在单元状态中添加或删除信息。遗忘门F（t）调整输入X（t）和先前隐藏状态H（t-1）与单元状态C（t）的连接，允许单元记住或忘记X（t）和H（t-1），并且输入门I（t）和I′（t）确定是否将输入值送到单元状态C（t）。输出门O（t）还基于单元状态C（t）确定单元的输出[16-18]。该过程如式（4）～（9）所示：
其中：W和B分别表示权重矩阵和偏差矢量，σ（·）表示sigmoid函数，tanh（·）表示双曲正切函数。从长短期记忆神经网络的特性可以看出，可以通过反映单元的状态和内部状态来精确地控制输入数据。此外，固定长度和可变长度数据都可以在长短期记忆神经网络入口和出口处理。当将长短期记忆神经网络与其他类型的深度学习神经网络一起结合使用时，这种优势比单独使用长短期记忆神经网络更明显。
2.4 结合卷积神经网络与长短期记忆神经网络的预测模型
三维卷积神经网络可以提取许多有用的特征，以确保从输入数据成功预测，具体取决于三维内核的大小。这样提取的特征也以三维矩阵表示。也就是说，它是一种时空特征。然而，像典型的卷积神经网络一样，当通过在最后全连接层将三维特征矩阵制作成单个矢量来进行分类时，可能时空特征丢失它们自己的信息。另一方面，如上所述，长短期记忆神经网络具有非常适合于时间序列数据的结构，因此，可以从其固有特性在记忆输入数据的长时间历史并同时输出结果。如果建立将三维卷积神经网络作为特征学习端与将长短期记忆神经网络作为分类/预测端的结合模型，该模型可以获得非常好的结果，所以，本研究提出了一种新的消费者偏好预测模型，通过长短期记忆层而不是全连接层，以便在保持从三维卷积神经网络特征学习获得的时空特征信息同时执行预测。
图6显示所提出的结合三维卷积神经网络与长短期记忆神经网络的预测模型。如图6所示，由于脑电地形图是圆形，因此在输入到卷积神经网络的脑电地形图视频中存在未定义数值的非数区域（参见图3）。为了便于在卷积神经网络中进行计算，非数区域填充了零。然而，由于卷积神经网络的特性，在通过卷积层之后在非数区域中产生一些非零数值。这是不必要的结果，会对后层产生不利影响，因此，在通过卷积层之后，应该去除在非数区域中产生的非零数。在该研究中，定义一个面膜层来去除非零值并将其插入到在卷积层和池化层之间。面膜层预定义0和1元素组成的面膜矩阵，并进行面膜矩阵与卷积层结果的对应元素乘法，以去除在非数区域中的非零值。非数区域在通过卷积层和池化层的过程中逐渐变小并消失，因此必须应用面膜层，直到非数区域消失。
如图6所示，在5个频带中得到的脑电地形图视频数据分别输入到5个三维卷积神经网络。每个三维卷积神经网络由几个卷积层、面膜层和池化层组成。各个三维卷积神经网络的结果保留时间顺序来组成一个矩阵，并输入到长短期记忆神经网络层。预测结果通过几个长短期记忆神经网络层输出。
本文提出的这种预测模型可以应用于脑电信号的分类和预测，同时它可以提供良好的结果。首先，与一种基于特定公式或算法从时间频率通道格式的大规模脑电波数据中提取特征的方法不同，本文提出的方法具有能够从三维卷积神经网络的学习过程中学习特征以产生理想的最终结果的优点。简而言之，可以通过三维卷积神经网络特征学习来学习适合于从脑电波数据传递到结果的特征。另外，由于长短期记忆神经网络被用作分类/预测端，因此其优点在于它可以充分反映根据时间的脑电波信号的变化特性。
3 实验结果和分析
如第2章已经提到的，在电脑上以128Hz下采样的脑电波数据由32个通道中的512个样本值组成。通过短时间傅里叶变换将该脑电波数据转换成在32个通道、49个时间样本和50个频带样本中以三维形式表示的功率谱密度。该功率谱密度是预测模型的输入数据。总脑电波数据中的80%用于学习数据，20%用于检查数据。
为了评估所提出的预测模型的性能，本研究比较了所提出的预测模型与三维卷积神经网络预测模型和长短期记忆神经网络预测模型。针对两种情况进行了性能评估：消费者依赖预测模型和消费者独立预测模型。
本研究在Intel 2.5GHz Core i7处理器和内存8GHz计算机上使用深度学习专用包tensorflow开发了一个Python程序。性能评估的准确度（Accuracy， Acc）计算如下：
当消费者对产品的偏好表示为“喜欢”和“不喜欢”时，TP（True Positive）、FP（False Positive）、TN（True Negative）、FN（False Negative请补充TP、TN、FP、FN的英文全称）分别表示将“喜欢”样本预测为“喜欢”样本的次数，将“不喜欢”样本预测为“喜欢”样本的次数、将“喜欢”样本预测为“不喜欢”样本的次数、将“不喜欢”样本预测为“不喜欢”样本的次数。
3.1 预测模型的结构和参数确定以及对比模型
进行实验以确定图6所示预测模型的结构和参数，为此提出了4种候选模型，4种候选模型的结构和参数如表1所示。其中特征学习端（第二列）的参数说明为：卷积层（高度×宽度×深度输出数量）;面膜层（高度×宽度））;（池化层（高度×宽度×深度）;LSTM层（长短期记忆单元数量）。
为了评估3D CNN-LSTM预测模型的有效性，本研究将其与3D CNN和LSTM的单独预测模型进行了比较。3D CNN预测模型如3D CNN-LSTM，由两个卷积层、一个面膜层和两个池化层组成，最后层连接全连接层输出预测结果和全连接输出层组成此句不太通顺。对于LSTM预测模型，输入数据随着时间轴被转换为二维格式，并且两个LSTM层的单元数分别被设置为100、20，并且层之间的压差系数被设置为0.6。
3.2 消费者依赖模型的性能对比
该实验通过训练和测试每个消费者的预测模型来进行，因此，所学习的预测模型就是消费者依赖预测模型。首先，当产品类型设置为1、3、5和6时，为每个消费者训练和测试本文提出的3D CNN-LSTM模型。这些结果如图8所示。从图8中可见，消费者在实验中的偏好预测结果通常显示出超过80%的准确度。尤其是第3、第4和第17消费者的平均预测准确度超过85%;而第5、第14和第15消费者的平均预测准确度在75%至80%。消费者之间准确度的差异是由于消费者对产品偏好对的情绪状态不同此句不太通顺，因此脑电波信号的激活状态彼此不同。由于消费者们对产品的情绪状态互相不同，所以消费者们的大脑激活状态也互相不同，因此存在消费者们之间的准确度差异。
除了第15和第17消费者以外，每个消费者对产品类型数量的预测准确度没有显示出很明显的差异。由此可以看出，预测消费者产品偏好的准确度不会受到产品类型数量的影响。
接下来，使用3个预测模型来训练每个消费者对于所有产品类型的预测模型并测试。该实验的结果如图9所示。
3D CNN-LSTM模型、3D CNN模型和LSTM神经网络模型的平均预测准确度分别为82.36%，67.31%和62.92%。本文所提出的3D CNN-LSTM模型的平均预测准确度分别比3D CNN模型和LSTM神经网络模型提高15.05个百分点和19.44个百分点。3D CNN模型的预测准确度比LSTM神经网络模型提高4.39个百分点。3D CNN预测模型通过特征学习充分反映了时空特征，但准确度较低的原因是在全连接层中没有考虑特征矩阵的时间顺序。在LSTM神经网络预测模型的情况下，由于仅将连接矩阵连接到输入层和输出层而不能通过时空特征来进行模型學习，因此，尽管反映了输入数据的整体时间特性，但未反映空间特性。这就是LSTM预测模型的性能较低的原因。然而，3D CNN-LSTM预测模型获得了良好的结果是因为特征矩阵是通过CNN特征提取阶段中的时空特征学习来计算的，并且预测结果是在反映特征矩阵的时间顺序的LSTM分类阶段中进行的。
3.3 消费者独立模型性能对比
在之前的实验中，进行消费者依赖预测模型的性能评估。在该实验中，重点在于构建可应用于所有消费者的预测模型，而不考虑每个消费者的特性。表2显示了消费者独立预测模型的产品类型性能对比。
因为消费者的大脑活动进展不同，消费者独立模型的预测结果比消费者依赖模型大约低10个百分点。每种产品准确度的差异与消费者对产品的不同响应状态有关。与之前的实验结果相似，使用3D CNN和LSTM的预测模型分别与3D CNN-LSTM预测模型的准确度大约低16.34个百分点和17.88个百分点。3D CNN-LSTM的消费者独立预测模型平均准确度为71.33%，其中最高73.24%是鞋子产品的，最低69.36%是包箱包产品的。
为了测试所提出模型的可扩展性，本研究分析了消费者人数对预测模型的预测准确性的影响，为此，通过将消费者人数改变为5、10、15和20来评估预测模型的预测准确度。这些结果显示在表3中，可见所提出的模型仍然优于3D CNN和LSTM神经网络模型;而且，随着消费者人数的增加，所提出模型的预测准确度几乎保持稳定。
4 结语
本文提出了一种利用深度学习神经网络预测模型从消费者脑电波信号预测消费者产品偏好的新方法，并对该方法进行了评估实验。
首先，本研究使用短时间傅里叶变换和双调和样条插值从多通道脑电波信号得到五个频带功率谱密度的脑电地形图视频;其次，本研究提出结合特征学习端和分类预测端的消费者偏好预测模型，该模型中，特征学习端由5个三维卷积神经网络的并联连接组成，而且分类预测段由2个长短期记忆神经网络的串联连接组成;最后，在选取20名消费者（13名男性和7名女性）参与实验并对预测模型进行性能评估模型的训练和测试后，结果显示，与卷积神经网络模型和长短期记忆神经网络模型相比，消费者依赖模型的平均准确度分别提高了15.05个百分点和19.44个百分点，消费者独立模型的平均准确度分别提高了16.34个百分点和17.88个百分点。综上，本文提出的预测模型的理论特性与实验结果，为消费者偏好预测系统低成本且高效服务于企业营销策略研发与营销管理提供了参考。
參考文献 （References）
[1] SOLEYMANI M， CHANEL G， KIERKELS J J， et al. Affective ranking of movie scenes using physiological signals and content analysis[C]// Proceedings of the 2nd ACM Workshop on Multimedia Semantics. New York： ACM， 2008：32-39.
[2] TELPAZ A， WEBB R， LEVY D J. Using EEG to predict consumers future choices[J]. Journal of Marketing Research， 2015， 52（4）： 511-529.
[3] AMBLER T， BRAEUTIGAM S， STINS J， et al. Salience and choice： neural correlates of shopping decisions[J]. Psychology and Marketing， 2004， 21（4）： 247-261.
[4] BALDO D， PARIKH H， PIU Y， et al. Brain waves predict success of new fashion products： a practical application for the footwear retailing industry[J]. Journal of Creating Value， 2015， 1（1）： 61-71.
[5] KHUSHABA R N， GREENACRE L， KODAGODA S， et al. Choice modeling and the brain： a study on the electroencephalogram （EEG） of preferences[J]. Expert Systems with Applications， 2012， 39（16）： 12378-12388.
[6] MURUGAPPAN M. Wireless EEG signals based neuromarketing system using fast Fourier transform （FFT）[C]// CSPA 2014： Proceedings of the 10th International Colloquium on Signal Processing and Its Applications. Piscataway， NJ： IEEE， 2014：25-30.
[7] BOKSEM M A， SMIDTS A. Brain responses to movie trailers predict individual preferences for movies and their population-wide commercial success[J]. Journal of Marketing Research， 2015， 52（4）： 482-492.
[8] KAWASAKI M， YAMAGUCHI Y. Effects of subjective preference of colors on attention-related occipital theta oscillations[J]. Neuroimage， 2012， 59（1）： 808-814.
[9] FAUST O， HAGIWARA Y， HONG T J， et al. Deep learning for healthcare applications based on physiological signals： A review[J]. Computer Methods and Programs in Biomedicine， 2018， 161： 1-13.
[10] SHU L， XIE J Y， YANG M Y， et al. A review of emotion recognition using physiological signals[J]. Sensors， 2018， 18（7）： 2074.
[11] LIANG J W， CHAUDHURI S R， SHINOZUKA M. Simulation of nonstationary stochastic processes by spectral representation[J]. Journal of Engineering Mechanics， 2007， 133（6）： 616-627.
[12] HUANG G Q， SU Y W， KAREEM A， et al. Time-frequency analysis of nonstationary process based on multivariate empirical mode decomposition[J]. Journal of Engineering Mechanics， 2016， 142（1）： 04015065.
[13] Mathworks Inc. Griddata function description[EB/OL]. [2018-11-20]. https：//ww2.mathworks.cn/help/matlab/ref/griddata.html.
[14] TRAN D， BOURDEV L， FERGUS R， et al. Learning spatiotemporal features with 3D convolutional networks[C]// ICCV 2015： Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway， NJ： IEEE， 2015： 4489-4497.
[15] 孔祥浩，马琳，李海峰，等.CNN与CSP相结合的脑电特征提取与识别方法研究[J].信号处理，2018，34（2）：164-173.（KONG X H， MA L， LI H F， et al. Research on EEG feature extraction and recognition method based on CNN and CSP[J]. Journal of Signal Processing， 2018， 34（2）： 164-173.）
[16] 谢逸，饶文碧，段鹏飞，等.基于CNN和LSTM混合模型的中文词性标注[J].武汉大学学报（理学版），2017，63（3）：246-250.（XIE Y， RAO W B， DUAN P F， et al. A Chinese POS tagging approach using CNN and LSTM-based hybrid model[J]. Wuhan University Journal of Natural Sciences， 2017， 63（3）： 246-250.）
[17] GREFF K， SRIVASTAVA R K， KOUTNíK J， et al. LSTM： a search space odyssey[J]. IEEE Transactions on Neural Networks and Learning Systems， 2015， 28（10）： 2222-2232.
[18] GERS F A， ECK D， SCHMIDHUBER J. Applying LSTM to time series predictable through time-window approaches[C]// ICANN 2001： Proceedings of the 10th International Conference on Artificial Neural Networks. Berlin： Springer， 2001： 21-25.
作者：金忠星 李东
广告营销策略调整的研究论文 篇2：
市场营销演进及营销管理变革综述
摘要：通过对国际300余篇权威学术文献的研究，根据企业、产品、客户三者内在逻辑关系的理论分析，透视和阐述了市场营销及营销管理随社会需求发展而演进的规律和21世纪变革的趋势，将市场营销和营销管理的演变过程概括为大众营销、目标营销和定制营销三个时代，同时总结和阐述了各时代营销管理的基本特征。
关键词：市场营销；营销演进；营销管理
市场营销的学术研究历史可以追溯到20世纪初期，到现在已经有大约100年的历史了。在这漫长的百年发展史中，不管是市场营销的内容还是整个现实社会都发生了巨大的变化，同时也积累了大量的市场营销研究成果。由于国外学者对营销理论的主题框架贡献巨大，因此笔者从学科研究内容的角度出发，通过对国外营销近百年发表文献的研究，总结出市场营销演进的规律与特征。
一、研究方法
市场营销概念经过百年的发展，经历了几次重大的变革，但是不管是初期的关于分销的看法，还是中期关于交换的观点，还是近期关于价值递送的理念，市场营销都脱离不开三个基本要素，即：企业(或非盈利组织)、客户(前期为消费者)和产品。
在市场营销管理要素模型中，三个要素的地位和力量是在不断变化的，根据这种要素内容和要素之间关系变化的阶段性，提出三个假设。
假设1：1900年到1950年，属于大众营销时代，即以面向所有购买者进行大规模生产、大规模分销和大规模促销某个产品为特征；这个时代是以产品为导向的，即企业先把产品生产出来，然后再向有关人群进行销售，也就是按照企业的意志进行产品的生产销售而不去考虑消费者的意见。
假设2：1950年到1990年，属于目标营销时代，其特征是根据一定的标准将市场划分为若干的细分市场，并选择其中某个或某几个作为企业目标市场；此时，企业在生产产品的时候不再只考虑本企业的状况，而是同时考虑消费者的某些需求，在消费者需求引导下进行产品的生产和营销策略的制定，因此，这个时代是以细分市场为导向的。
假设3：从1990年开始，属于定制营销时代，其特征是关注客户的个性化需求，面向市场提供客户可接受价格下的定制化产品。此时，由于产品是由企业和客户共同创造出来的，因此达到了产品在生产还没有开始的时候就已经销售出去了的效果，客户的意见和感受成为企业配置产品的关键，因此，这个时代是以客户为中心的。
以下笔者将从涉及三个阶段的营销管理要素内容的文献出发，探讨不同阶段的特征，进而验证假设的正确性。
二、产品导向大众营销时代的营销管理特征
根据最具综合影响力的营销期刊Journal of Mar－keting(Baumgartner和Pieters，2003)中在Researchin Marketing部分总结的同类市场营销研究所涉及的主题发表的比例，笔者按照市场营销管理要素模型中所包括的要素，将其整理成图3，可以看出这个阶段营销研究的主线是以产品为中心，围绕着把产品(从农产品到工业品)如何从生产商的手中销售到消费者手中的过程进行讨论，其根本内容就是分销，以及在分销的过程中所涉及的批发、零售、广告、价格、人员销售和促销等。根据对营销管理三要素及要素之间的关系的总结，可以得到如下结论：
1.1900－1950年的这段时间属于市场营销的大众营销时代。之所以采用“大众营销”这个概念是由于它以面向所有购买者进行大规模生产、大规模分销和大规模促销某个产品为特征。当时由于交通和交流设施的发展，许多行业开始把全国看作一个单一的市场，导致大型的、更强大的公司开始采用规模经济的方式，销售大量的、无差异的、利润很低的产品。
2.大众营销时代是以产品为导向的，主要研究内容都集中在产品和产品与消费者之间的联系上。
3.在该时代，企业认为市场上的消费者是一样的，没有差异，不管是对农产品，还是后来对工业品，都具有相同的需求。客户在当时只是消费者，只是消费产品的人，而不是拥有企业所需要资源的客户。由于经济收入比较低，消费者之间没有差异或差异很小，对产品的要求是功能符合基本需要而且买得起，消费者和企业之间的信息不对称。
4.企业和客户之间主要通过产品联系起来。企业面向大众市场提供成本低而品种单一的产品，只研究提供什么样的产品(产品的价格和功能)和如何把产品销售到客户那里(广告和分销渠道)。
5.企业和客户之间没有直接联系，企业和产品之间只是生产的关系。
三、市场导向的目标营销时代
根据JM所统计的“Marketing
本时代在营销管理要素及其之间的关系方面与前一时代相比，已经有了很大区别：
1.学者开始认识到消费者的差异，不再以整个市场作为企业的营销目标，而是研究如何按照一定的指标将市场划分为若干细分市场，再从中选择若干个作为企业的目标市场并制定对应的营销组合策略。因此，可以说这段时间属于目标营销时代。
2.目标营销时代是以市场为导向的，企业所进行的市场细分及目标市场选择、定位的研究都是从客户相关特征出发的，尽管较大众营销时代考虑了更多的客户需求，但是还是受企业的条件所限，只能在一定程度上满足客户需求而已，严格地说，是“营销+销售”的模式，所以以市场为导向，还没有达到以客户为中心的水平。
3.在目标营销战略的指导下，企业以多品种小批量生产为主，面向目标市场提供有差异化的产品或者面向单一市场提供低成本标准化的产品(以工业品为主)。同时将管理导入企业的营销流程管理中去，并按照营销组合4Ps的模式进行营销策略的制定和调整。
4.消费者需求出现显著差异且出现多样化的趋势，由于消费者的经济收入提高，因此有能力支付较高的产品价格，同时消费者开始掌握一定的消费知识。消费者的地位和范围开始转变，学者们更多地应用“客户”来表达“企业的利益相关者”。
5.企业和客户之间仍然主要通过产品联系起来，但是这个产品概念和上一个阶段的产品概念不同；同时市场营销的学者们开始研究企业与客户之间的关系，试图通过关系建立与客户之间更深层次的纽带，从而提高企业的利润。
四、客户中心的定制营销时代
(一)时代背景
从20世纪90年代开始，数字革命引起了商业环境的巨大变化，信息技术、凸现的新技术(例如基因、纳米技术和新型材料)、全球化、变化的产业界
限、变化的顾客需求、日益增多的企业重构和重组等众多因素快速发展，并且日益复杂和不确定。这些变化直接导致了市场营销的研究内容发生改变。概括起来，直接影响市场营销领域的最突出变化是(YoramJerry Wind等，2000)：(1)出现了“网络消费者”。(2)网络B2B产业凸现。(3)商场日益复杂、动荡和混乱。(4)新型商务模式蚕食着传统的经营方式。定制和它的“感知一响应”商务模式正被越来越多的企业所考虑。同样“拍卖”的急剧增长也在改变着传统的价格模型和更多企业的运营方式，一些企业开始把经营法则作为专利。(5)以客户为中心，客户被视为企业创造价值过程中的伙伴。服务和产品不再为大众市场成批生产，而是为每个个体客户定制。
(二)营销研究趋势
到了20世纪90年代，营销的学者们认识到：市场营销的含义远非只是经济学的延伸(即只注重管理交换关系)(Webster，1992)。市场营销概念从围绕企业的能力进行定义发展成围绕环境需要(尤其是客户需求)来定义。这种认识是建立在两项研究成果的基础上：(1)关系营销的研究；(2)网络，尤其是互联网发展的潜在影响。
在“20世纪的大众市场已经让位于个人市场——大规模定制”(Philip Kotler，1989；Don Pep－peas，Martha Rogers，1999)的思想热潮下，个性化市场或者说单个消费者的市场越来越受到学者和实践者的重视。在这样的时代大背景下，有关营销新变化和个性化市场下营销应如何应对的文献数量增多，主要体现在：
1.营销最根本的变化是从卖方的代理转变为买方的代理。1999年Ravi S.Achrol和Philip Kotler指出“营销最根本的变化是从卖方的代理转变为买方的代理，从产品和服务的营销者转变为客户的咨询师和他们可售消费资产的管理者。”Jerry Wind等人(1999)认为“在一定程度上，企业开始成为顾客的代理——把它的生产、物流和其他资源“租赁”给顾客，允许他们寻找、选择、设计并使用他们所需要的产品。”
2.营销成为企业由产品中心向客户中心转化的重要工具(Rajendra等，1999)。George Day等(2004)得出与Vargo和Lusch(2004)一样的结论，即市场营销新的主导逻辑是以客户为中心和受市场驱动的。George Day将与之相关的技能称为“市场感应能力”(理解客户的重要能力)以及“保持市场相关性能力”(保持和加强客户关系的能力) (GeorgeDay，1994)。
3.营销成为企业的内部信息日志。企业逐渐意识到客户信息不是免费的午餐而是业务中有用的资本。很有可能出现一些被称为“信息日志”的独立企业，他们管理和经营其成员客户的信息并出售其它企业(Hagel，Singer，1999，转自Ravi S，Aehrol＆Philip Kotler，1999)。在网络组织中，营销部门将扮演内部信息日志的角色。
4.营销的研究重心由交换向关系转移(JagdishSheth，Parvatiyar，1995)。客户成为企业的合作伙伴，企业必须以质量、服务和创新作为维持企业与客户长期关系的手段。由于维持与客户和供应商的长期、战略伙伴关系变得越来越重要，组织必须提高关系管理的技巧。这些技能隐藏在人员而非组织结构或者角色抑或任务中，那些拥有这些技能的关键营销人员将日益成为企业的资产(Thorelli，t986)。
5.营销不再只是少数专家的职责。每个企业中的人必须肩负起理解客户和为客户制造和交付价值贡献力量的责任。它应该出现在每个人的岗位描述中，构成客户中心组织文化的一部分，而这种组织文化将日益被视为定义网络组织独特性以及为了共同的使命和目标与其他群体合作的关键战略资源(Conner，1991；Fiol，1991)。
6.大规模定制对市场营销产生根本性影响。个体市场将成为市场细分的趋势(Don Peppers等，1999)，个性化的市场趋势导致定制成为必然。产品差异化逐渐向定制化的解决方案过渡(Rajendra等，1999)。科特勒等人甚至声明大众营销正在走向死亡。Jerry Wind等人(1999)、王云峰等人(2004)认为大规模定制的生产模式将触动市场营销的核心，直接导致产品、渠道、价格、促销等营销实践的变革。
(三)营销管理特征
同样根据1990年到2004年JM“Marketing Litera－ture Review”摘录的文献主题及数量分布统计，我们可以看出本时代在营销管理要素及其之间的关系方面与前一时代相比，已经有了很大区别，呈现出如下特征：
1.从1990年开始，由于客户在交易过程中的地位提高，企业不得不从根本上重视客户的需求，客户成为影响企业决策的核心力量，良好的客户关系成为企业制胜的法宝，实施以客户为中心的战略成为必然。
2.客户需求个性化，希望能够以可接受的价格获得定制产品。
3.在大规模定制的先进生产模式下，企业在一定程度上能够满足客户个性化的定制需求。
4.在信息技术，尤其是网络技术发展的影响下，企业能够建立更便捷的与信息沟通的渠道，如以先进的信息技术为支撑的呼叫中心、网站，从而实现销售自动化和营销自动化。
5.产品从企业到客户之间的渠道变短，企业甚至可以通过与第三方物流公司实现门到门的产品递送服务(Yoram Jenrry Wind等，1999)。
6.营销管理的关键是营销管理人员对现实生产或生活的观察和思考，发现未满足的需求和潜在顾客，进而通过交流证实和修改自己的判断，与顾客建立关系并达成合作意向，最后根据已确认的需求和定制价格组织配送或研发设计产品及服务，即实现定制营销(王云峰等，2004)。
7.企业与产品之间的联系绝大多数还是自产自销的方式，但是已经出现一些从事定制营销的企业，他们并不拥有生产能力，而是通过集成相关企业的研发、生产和配送能力，为客户提供相应的定制产品(王云峰等，2004)。
根据上述结论，认为这个时代体现出了与目标营销时代不同的根本特征，即作为客户“代理”的、建立在一对一沟通基础上的定制式的营销管理方式，因此可以称这个时代为“定制营销时代”，由此验证了假设3。
五、结论与启示
通过对上百年市场营销演进史以及营销管理变革所进行的分析，可以得出如下结论与启示：
1.细分市场虽然在一定程度上还占有相当的分量，但是已经出现了向个人市场转移的迹象，而且由于大规模定制生产模式的普及，个性化市场必将成为下一代市场发展的趋势。因此，面向个性化市场的定制营销将成为营销发展的新范式，企业营销人员应该从思想上和技术上做好为个体市场进行服务的准备，不断按照市场的变化和要求进行营销管理上的相关调整，以适应市场的发展。
2.企业产品所面向的市场也不断发生变化，从以面向所有购买者进行大规模生产、大规模分销和大规模促销某个产品，发展到根据一定的特征将市场划分为若干的细分市场、并为其中某个或某几个选中的目标市场提供特定产品，现在已经出现根据个体市场的个性化需求、提供与标准化的产品成本相近的定制化产品，而且成为市场发展的新趋势。而要生产定制化的产品，必须要针对如何感应市场、并将其转换成有效的组织响应上进行深入研究。
3.企业的营销模式从以生产为导向，经过以客户为导向，发展到以客户为中心，这个变化历程显示了客户在交易中地位的不断提高，从交易的被动接受者转变成交易的合作创造者；而客户与企业之间的良好关系必将成为企业致胜的法宝。
4.信息技术对于营销管理的影响是巨大的，它不但改变了客户在交易中的地位，而且改变了企业与客户之间沟通的机制，改变了企业影响客户的途径和方式，因此对信息技术的有效利用将会使企业的营销效率和效果大大增加。定制营销的实施也将对营销管理信息化提出许多新课题(王云峰等人，2004)。总地来说，定制营销作为市场营销发展的主要趋势将对企业战略产生非常重要的影响(Yoram Jerry Wind等人，1999)。如果制定战略时忽视与定制营销相连的机会，那么在明天的市场竞争中就可能处于不利的地位。
责任编辑 樱 紫
作者：刘 璞 王云峰 于树江
广告营销策略调整的研究论文 篇3：
基于顾客忠诚的营销策略分析
摘要：顾客忠诚管理理论方面的研究，主要体现为顾客忠诚含义和顾客忠诚价值两个方面。随着研究者不断深入研究，发现顾客满意和顾客忠诚之间以及顾客忠诚和企业利润之间并不是在所有企业中存在正相关关系，顾客满意不能够保证企业长期赢利。本文研究目的旨在阐述顾客忠诚理论基础上如何制定正确的市场营销策略。
关键词：顾客忠诚；顾客忠诚价值；营销策略
人们对顾客忠诚管理方面的研究，主要来源于顾客满意理论。早期研究者主要从消费者行为角度来阐述顾客忠诚含义。Tucker将发生连续3次购买行为定义为顾客忠诚。该定义主要是从顾客重复购买次数作为判断顾客忠诚的标准，即将顾客购买行为作为检验顾客忠诚的标准。近几年来研究者注意到仅仅依靠购买行为很难分辨顾客是否忠诚，顾客忠诚主要体现为顾客在对企业信任心理基础上所产生的对企业支持行为。因此许多研究者从心理学角度来阐述顾客忠诚含义。Lotler(1995)认为，满意是一种人的感觉状态的水平，它来源于对一件产品或服务所设想的绩效或产出与人们的期望所进行的比较。Woodruff(1997)认为，顾客忠诚源于比较，而比较标准应该基于顾客所向往的价值，这些向往的价值来源于产品的属性、性能及使用结果，对顾客忠诚的判断应该基于顾客在购前建立的期望价值层次。Oliver(1997)认为，顾客忠诚是顾客高度承诺在未来一贯地重复所偏好的产品和服务，并因此产生对同一品牌或同一系列品牌产品和服务的重复购买行为，而且不会由于市场环境的变化改变购买行为。这一定义认为顾客忠诚源于顾客期望，期望是对即将发生事件的可能性的预测，不同的期望来源于顾客的期望层次，即从理想层次到不能忍受的层次。Oliver(1999)又将顾客忠诚细分为认知忠诚、情感忠诚、意向忠诚和行为忠诚四个组成部分，顾客忠诚的形成过程一般要经历认知忠诚、情感忠诚、意向忠诚和行为忠诚四个阶段。
如何根据顾客忠诚的形成过程来设计企业的营销呢?我认为，可以从以下几个方面进行：
首先，调研服务失误原因
企业应尽最大努力避免服务失误，理论研究和实践都表明顾客在经历服务失误后，顾客购买意愿就会下降。Hays和Hill将服务失误定义为：造成顾客不满的服务接触情景。人们对服务失误原因的看法并不相同，有的研究者将服务失误归因分为企业、员工、顾客；有的研究者将服务失误归因分为内因和外因；还有的研究者将服务失误归因分为内因、外因和第三方导致的。Keaveney将服务失误的归因分为核心服务失误(指包含所有与服务有关的失败)和服务接触失误(指顾客在与一线服务人员互动过程中所发生的服务问题)。不同原因导致的服务失误对顾客忠诚的影响也不尽相同。宋亦平和王晓艳(2005)采用情景模拟实验方法，对不同服务归因对顾客购后行为产生的影响进行了比较研究。研究结果表明，归因不同的服务失误即使造成的结果完全相同，顾客对服务失误后果评价也是不同的，同时由此产生的顾客满意度、再购意愿和正面口碑宣传意愿的下降幅度也不同。其中顾客认为外因(主要指服务人员的原因)导致的服务失误最严重，内因(主要指顾客的原因)导致的服务失误最轻微，第三方导致的服务失误严重程度介于这两者之间。金立印(2005)运用CIT定性分析方法，以我国北京、大连、天津等城市餐饮服务业为研究对象，对服务失误归因进行了实证研究，研究结果显示，服务接触中最容易导致顾客不满的是员工对顾客没有礼貌、漠不关心的态度和不负责任的行为。值得注意的是，对于服务归因问题的研究，我国学者与国外有些学者(如Hoffman和Tax)观点不同，Hoffman和Tax认为导致顾客不满的主要原因是核心产品或服务缺陷。
其次，选择正确的目标市场
目标市场即企业为之服务的顾客集合，因此选择正确的目标市场也就是要选择正确的顾客。传统的选择目标市场方法主要是基于经验或基于统计基础上对顾客进行市场细分来确定目标市场，常用的市场细分变量有地理变量、人文变量、心理变量和行为变量。此类方法虽然对顾客管理也有一定现实意义，但是无法对顾客潜在价值和顾客忠诚度等级这些复杂需求进行深入分析。前文已分析，顾客满意和顾客忠诚之间以及顾客忠诚和企业利润之间并不是在所有企业中存在正相关关系。Frederick F.Reichheldhe和W.EarlSasser.Jr研究发现，除极少情况，顾客完全满意是保证顾客忠诚和企业利润的关键，顾客不满意的原因主要是企业选择了错误的顾客，即没有选择正确的目标市场。企业应通过顾客终生价值等指标选择正确的目标市场，进而实施顾客保留战略。Heanz、Kurthe和Hinterhuber(2003)以顾客生命周期为依据将顾客价值分成基础价值、成长价值、网络价值和学习价值四个部分。企业可以建立顾客数据仓库(Date Warehouse)，并通过数据挖掘(Date Mining,是指从顾客数据仓库中发现并提取隐藏在其中的有用信息的一种新技术，其工具包括集合分析、自动互动式勘测、预测模型和中间网络等复杂的统计和数学模型)寻找基础价值、成长价值、网络价值和学习价值较大的而且又与企业核心竞争力相匹配的顾客集合作为目标市场。
再次，根据顾客感知价值制订价格策略
顾客感知价值是影响顾客忠诚度的重要因素，消费者往往是依据自己在对商品感知价值做出评价后才决定是否进行购买。感知价值是消费者将从某一交易中所获的感知利益与为此所付的感知代价相对比的结果，消费者的感知价值评价是基于一定的参考价格而形成的。通过把关于消费者参考价格的心理因素分析与经济学预期理论中的消费选择模型结合起来，可以更好地理解消费者在交易中的感知价值评价规律，并能对其行为反应作出更准确的预测。顾客感知价值是相对于参考价格而得到的感知收益或损失，它与消费者的实际消费额无关，而与消费者对其福利状况的预期相关。人们对交易的评价是按他们对未来的福利状况预期、而不是按参考价格所代表的实际数额来衡量的。一般来讲，消费者对预期损失的反应要比对预期收益的反应敏感。企业可通过塑造参考价格，制定能提高顾客感知价值的价格组合策略来增加顾客收益，以达到扩大销售量目的。
最后，制订以提高企业声誉为核心的促销策略
现实市场中，由公众和社会舆论的监督而形成的对媒体的压力越来越大，进而要求媒体对企业的报道越来越透明，因此社会媒体对企业越来越关注，进而使得顾客做出购买决策之前不仅要考虑产品价格、产品功能、产品质量、服务和品牌等因素，还要考虑生产该产品的企业声誉。许多调研结果表明，企业声誉
已成为影响顾客购买行为的重要参数。绿色营销观念逐渐受到越来越多顾客青睐，据调查，2003年，30％的消费者喜欢购买绿色食品；2004年，45％的消费者喜欢购买绿色食品；2005年1月25日《j胡南日报》报道：在京农交会、上海绿博会上，省绿色食品办的抽样调查显示1000份调查问卷中，61％的消费者愿意比同类产品多付出25％以上的价格来购买绿色食品；绿色食品企业南宏米业在长沙市的市场调查也显示了同样结果。
Nha Nguyen和Gaston Leblanc(2001)有关服务业的实证研究表明良好的企业声誉可以促进顾客重复购买。C.E.Shannon(1948)在《通讯的数学理论》书中将信息看作为不确定性的消除。顾客忠诚的形成过程就是顾客接受处理信息过程。促销策略主要包括广告、销售促进、公共关系与宣传、人员推销、直接营销等，促销策略实质是信息传递过程。信息不对称(asymmetricinformation)是指经济行为人对于同一经济事件所掌握的信息量有差异，即部分行为人拥有更多更好的信息，而另一部分人则拥有较少的、不完全的信息，而且双方都知道这种信息分布状态。信息不对称理论是微观信息经济学的核心内容，是最近二十年微观经济理论最活跃的研究领域之一。从1970年美国经济学家Akedof以旧汽车市场交易模型为基础分析开始，许多经济学家在许多领域对信息不对称理论进行了开拓性研究。其中三位美国经济学家约瑟夫·斯蒂格利茨、阿克尔洛夫、迈克尔·斯彭斯由于在使用不对称信息进行市场分析领域做出了重要贡献，从而获得2001年度诺贝尔经济学奖。三位获奖经济学家的核心理论主要是：当卖方比买方掌握更多产品质量信息时，低质量产品将会驱逐高质量产品，从而导致市场上产品质量下降。
理性消费者的消费行为是为了使其消费者剩余最大化。在现实生活中，由于信息不对称，大部分相同的商品可能在不同商场以不同价格出售，而且消费者不能以商场的地理位置或服务的质量等方面的差别来很好地解释自己所看到的价格差别，这说明价格具有分散性特点。为获取最大消费者剩余，消费者就必须通过搜寻找到市场最低价商品。而搜寻是一种有代价的经济活动，搜寻时间越长，消费者欲购买的商品价格越低，消费者剩余越高，但同时搜寻成本也开始增加。搜寻的预期边际收益随着搜寻量而下降，增加搜寻所带来的边际成本随着搜寻范围的扩大而上升，人们在搜寻上花费的时间越多，他们做其它事情的时间就越少，从而在搜寻上的机会成本就会增加。一般来讲，消费者所选择的搜寻量将位于预期的边际收益正好等于边际成本这一点上。因此，消费者在实际生活中，不可能对出售某种商品的全部商场进行调研，只是在掌握一部分信息后，主观上就对该商品形成一个“可接受价格”，如果商场中价格低于或等于这个价格，消费者就会购买。这样，由于信息不对称就会导致同种商品中高价商品比低价商品更早销售出去。为解决信息不对称及其带来的“逆向选择”问题，拥有高质量商品的生产者会尽可能发送“市场信号”，将商品信息传递给消费者，以便同低质量商品区分开来。 “市场信号”的概念是由Michael.Spence首先提出来的，Michael.Spence论证了如何用“市场信号”来调整市场参与者的信息分布，即信息优势一方通过某些行动向信息劣势一方传递他们的私人信息以证明他们的市场能力。Michael.Spence认为如果高质量卖主能够寻找到某种途径向消费者传递自身产品的信号，而为此所支付的成本比低质量产品生产者成本低，使得劣质商品卖者们模仿成本过大而没有模仿动机，这样优质品生产者可以大销售，消费者自然会愿意支付额外成本。通过广告等促销策略发送“市场信号”，始终向市场提供真品、优品，有利于企业树立良好市场形象，赢得消费者的信任，从而扩大市场，增加优品销售量。在信息不对称的情况下，消费者无力辨清真货与假货、优品与次品，这样就会影响真货与优货；现代商业保险主要有责任保险、信用保险等，企业向消费者提供担保，就产品质量投保质量责任保险，这样有利于减轻消费者风险损失，增加安全感，达到开拓市场，扩大产品市场交易的目的。
Hyunseok、Taessoohe和Euiho(2004)的实证研究表明，情感忠诚顾客在购买次数上与行为忠诚顾客相当，但一次购买数量以及给企业带来的利润量都高于行为忠诚顾客。温小郑(2005)从需要的内在机制出发，按照需要是否可替代性将人类的需要划分为货币性需要维度、权力性需要维度、荣誉性需要维度和情感性需要维度。温小郑认为情感性需要维度是无法用货币性需要维度、权力性需要维度、荣誉性需要维度这3种计量标准来衡量或交易的非物质性需要，是人类既强烈又复杂的需要，用现实性标准难以衡量，具有较强的主观性评价标准。
今天的营销者所面对的是一个多元的、复杂的消费文化环境，在后现代社会，消费者的自我、角色、产品、市场和关系都碎化(fragmentation)了，消费者不再坚持某种固定的自我形象和消费观念，而是通过积极的参与和经常性的持续转换，以达到通过在努力寻求瞬间的、即时性的、非连续的、非线性的认同中获得某种令人愉快的情感体验的目的。消费者的购买决策并不是依据传统的经济理论，而是倾向于具有不确定性的情感因素。事实上，目前心理学家关于不确定情景下的决策研究的一个趋势是越来越多的心理学家在关注情绪和情感与决策之间的关系。2002年诺贝尔经济学奖获得者美国普林斯顿大学教授丹尼尔，卡尼曼(D.Kahneman)用感知心理学分析方法研究人类的判断和决策行为领域，成功地将心理学分析方法与经济学研究结合在一起，做出了开创性工作。其主要研究成果是，发现了人类决策的不确定性，人类决策常常与根据经济理论作出的决策大相径庭。显然，基于企业与顾客线性关系基础上的顾客忠诚营销管理理论已受到严峻挑战，因为营销者很难根据以往的购买行为制定有效营销策略。
责任编校 齐 民
作者：陈殿阁