《Python商業(yè)數(shù)據(jù)分析》案例：知識付費(fèi)中顧客滿意度分析

Python商業(yè)數(shù)據(jù)分析知識付費(fèi)中顧客滿意度分析19.1案例背景在線社交問答社區(qū)（OnlineSocialQ&ACommunity）極大地促進(jìn)了知識的分享、交流和傳播。無論是在國內(nèi)還是國外，在線社交問答社區(qū)都呈現(xiàn)出蓬勃發(fā)展的勢態(tài)。在國內(nèi)，截止到2018年底，知乎的注冊用戶數(shù)已經(jīng)超過2億，問題數(shù)超過3千萬，成為中國最大的在線社交回答社區(qū)。在國外，也有Quora、StackOverflow等一般性或?qū)I(yè)性問答社區(qū)，匯聚了全世界不同國家和地區(qū)用戶的知識和經(jīng)驗(yàn)。這些社區(qū)允許用戶公開提出問題，鼓勵用戶回答他人提出的問題。用戶也可以“關(guān)注”專家用戶，進(jìn)而持續(xù)獲得相關(guān)領(lǐng)域的高質(zhì)量知識。19.1案例背景隨著免費(fèi)知識分享的蓬勃發(fā)展，在線社交問答社區(qū)的運(yùn)營方也開始思考如何將知識和流量變現(xiàn)。除了傳統(tǒng)的廣告投放外，平臺也積極地利用專家用戶的知識和影響進(jìn)行盈利。盡管免費(fèi)的知識社交允許用戶分享彼此的知識、經(jīng)驗(yàn)和見解，但和任何免費(fèi)模式一樣，大量的免費(fèi)知識質(zhì)量參差不齊，存在“信息過載”的問題。為了獲取高質(zhì)量的知識，用戶逐漸形成知識付費(fèi)的意向和需求。同時，部分在特定領(lǐng)域有著良好專業(yè)積累的用戶在此過程中建立口碑及認(rèn)知，成為優(yōu)質(zhì)的知識提供者，他們可將自身知識包裝成產(chǎn)品或服務(wù)，并通過知識付費(fèi)平臺售賣給知識付費(fèi)者以創(chuàng)造商業(yè)價值。知識付費(fèi)化符合平臺、知識需求方、知識供給方的共同利益。19.1案例背景付費(fèi)知識產(chǎn)品應(yīng)運(yùn)而生，其中較為成功的是知乎于2016年推出的線上講座類知識產(chǎn)品：知乎Live。在知乎Live中，專家用戶可以自己設(shè)計一場1~2小時的講座，通過文字、圖片、語音、視頻等多種方式傳遞知識。一場Live同時允許眾多聽眾觀看，主講人可以通過文字、圖片、音視頻、幻燈片等方式向聽眾講授知識。每場Live的售價在10至500元不等。付費(fèi)知識產(chǎn)品讓顧客、專家用戶和平臺都能獲益。顧客獲得了高質(zhì)量的知識，專家用戶獲得了直接的收益，平臺則能從中收取一定的管理費(fèi)用。我國知識付費(fèi)用戶規(guī)模呈高速增長趨勢。從宏觀來看，2018年知識付費(fèi)用戶規(guī)模超過2億，2019年知識付費(fèi)用戶規(guī)模已接近4億。從微觀來看，以知乎為例，截止到2020年2月底，知乎宣布其付費(fèi)用戶數(shù)比去年同期增長4倍。19.1案例背景講座類付費(fèi)知識產(chǎn)品：知乎Live

19.1案例背景知識消費(fèi)不同于免費(fèi)的知識分享，用戶群體發(fā)生了微妙的變化。在免費(fèi)模式下，用戶在不同的問題下創(chuàng)作知識、閱讀知識，用戶和用戶之間分享和討論知識，呈現(xiàn)出較為對稱的地位。而在付費(fèi)模式下，用戶分化形成兩大群體：知識提供者和知識付費(fèi)者。一部分用戶提供知識，另一部分用戶消費(fèi)知識。用戶和用戶之間變成了“講授”和“學(xué)習(xí)”的非對稱關(guān)系。免費(fèi)模式的推動力是“分享”和“社交”，而付費(fèi)模式的推動力必然是“購買”。和任何付費(fèi)模式一樣，知識付費(fèi)的核心是知識付費(fèi)者心甘情愿地、持續(xù)地花錢購買知識，也就需要持續(xù)地提供高質(zhì)量知識、保證顧客的滿意度。作為消費(fèi)者，聽眾可以對自己購買的Live進(jìn)行評分，來表達(dá)自己對知識付費(fèi)的滿意程度：主講人講得好不好？錢花的值不值？一場成功的Live不僅要有眾多聽眾愿意付費(fèi)觀看，而且應(yīng)該為主講人積累良好的聲譽(yù)和口碑，為他下一場Live吸引更多聽眾。19.1案例背景本案例試圖探究知識消費(fèi)中哪些因素影響顧客的滿意度。首先，從單次購買來看，Live的價格是知識產(chǎn)品極為重要的信息。Live的價格既是顧客需要付出的經(jīng)濟(jì)成本，也可能是知識質(zhì)量的指示信號。更高的價格會提高消費(fèi)者對產(chǎn)品的期望，當(dāng)現(xiàn)實(shí)產(chǎn)生落差時，顧客更可能產(chǎn)生不滿意的情緒；而從相反的角度，高價格的產(chǎn)品往往意味著更優(yōu)秀的知識質(zhì)量，也可能讓顧客更為滿意。從多次購買的角度，顧客之前的購買記錄也可能會影響顧客滿意度，這包括顧客對過往消費(fèi)Live的評價情況，以及過往消費(fèi)Live的價格水平。過往評價高的用戶可能更為寬容，對所有Live都有較高的滿意度；而過往消費(fèi)水平高的用戶有較強(qiáng)的購買力，往往也有較高的滿意度。此外，顧客本身的特質(zhì)還值得進(jìn)一步挖掘：顧客到底對哪些內(nèi)容感興趣？具備哪方面的背景知識？某場Live是否能滿足顧客的需求？因此，顧客對特定Live的專業(yè)性同樣會影響顧客的滿意程度。顧客可能更傾向于深入了解自己熟悉的領(lǐng)域，也可能更傾向于探索自己未知的領(lǐng)域。當(dāng)然，對于專業(yè)性程度不同的用戶，他們對知識產(chǎn)品的感知可能完全不同，也可能影響滿意度的影響機(jī)制。19.1案例背景知識付費(fèi)中滿意度的影響因素

19.1案例背景學(xué)完本案例，你應(yīng)該能夠：了解在線社交問答社區(qū)的免費(fèi)內(nèi)容和付費(fèi)內(nèi)容的運(yùn)營模式及特點(diǎn)；使用doc2vec模型刻畫在線問答社區(qū)中的用戶特征；刻畫付費(fèi)知識產(chǎn)品及其消費(fèi)者的特征；預(yù)測付費(fèi)知識產(chǎn)品的用戶滿意度。19.2數(shù)據(jù)介紹本案例的所有數(shù)據(jù)收集自知乎，包括其免費(fèi)問答社區(qū)和付費(fèi)知識產(chǎn)品（知乎Live）。截至2018年7月，我們從知乎上收集到1,756名主講人主辦的4,010場Live。這些Live下記錄了超過50萬條顧客評價，涉及超過27萬名聽眾。我們首先對數(shù)據(jù)進(jìn)行了抽樣和清洗。由于聽眾數(shù)量過多，后續(xù)還要抓取每名聽眾在免費(fèi)平臺上的活動，我們試圖從全部數(shù)據(jù)中提取一個有代表性的子集進(jìn)行分析。我們使用系統(tǒng)抽樣法對顧客評價進(jìn)行了抽樣，在網(wǎng)頁顯示的每頁評論中保留第一條評論。此外，為了分析歷史交易對顧客滿意度的影響，我們需要顧客有一定次數(shù)的購買記錄。因此，我們剔除了評價Live不足5場的聽眾。保留下來的顧客經(jīng)驗(yàn)更為豐富，評分應(yīng)該更為穩(wěn)定，能更好地體現(xiàn)他們的滿意程度。在剔除所有缺失值后，我們保留了8,538名顧客，并且獲取了他們從注冊知乎起至2018年7月在免費(fèi)平臺上的所有行為。最終的數(shù)據(jù)包括3,911場Live、1,687名主講人和100,780條顧客評價。我們同樣抓取了主講人在免費(fèi)平臺上的所有行為。我們重點(diǎn)記錄了顧客或主講人的四類行為：創(chuàng)建回答、創(chuàng)建專欄文章、點(diǎn)贊回答和點(diǎn)贊專欄文章。用戶信息付費(fèi)平臺信息主講人數(shù)聽眾數(shù)Live數(shù)顧客評論數(shù)1,6878,5383,911100,780免費(fèi)平臺信息創(chuàng)建回答數(shù)創(chuàng)建專欄文章數(shù)點(diǎn)贊回答數(shù)點(diǎn)贊專欄文章數(shù)157,41611,4353,519,540439,89819.2.1變量介紹首先，我們介紹可以直接收集到的數(shù)值變量。在顧客評價中，顧客對每場Live的評價中包含一個1~5星的評分，可以作為顧客滿意度的衡量指標(biāo)。其次，每場Live會有明確的價格。通過顧客ID，我們可以將顧客對不同Live的購買和評價聯(lián)系起來，進(jìn)而計算出顧客歷史購買均價和顧客歷史評價均分。某場Live的顧客評價19.2.1變量介紹其次，我們用文本表征學(xué)習(xí)的方法度量顧客專業(yè)性。顧客專業(yè)性表示顧客對于他購買的知識（Live）有多了解。對于同一位顧客而言，他對不同知識的專業(yè)性可能是不同的。在已有學(xué)術(shù)文獻(xiàn)中，有學(xué)者將對某人的描述和對技能描述的相似程度作為某人在該項(xiàng)技能上的專業(yè)程度。在該情境下，顧客的描述可以使用他在免費(fèi)平臺上的行為記錄。然而知識（Live）的描述往往過于簡潔，無法提取足夠的信息。因此，我們采取了一種變通的方式：將主講人在免費(fèi)平臺上的行為記錄作為他主辦Live知識領(lǐng)域的替代描述。一般來說，主講人在免費(fèi)平臺和付費(fèi)平臺上的知識領(lǐng)域具有一致性。免費(fèi)社區(qū)上一位攝影領(lǐng)域的優(yōu)質(zhì)回答者，主講的Live一般也與攝影高度相關(guān)。這一方面取決于主講人的知識積累，另一方面也取決于他的聽眾基礎(chǔ)。因此，我們假設(shè)主講人在免費(fèi)平臺上的知識分布和他所開講的Live內(nèi)容之間具有高度相關(guān)性?；谶@一假設(shè)，我們將用“聽眾-主講人”在免費(fèi)平臺上知識分布的相似性代替“聽眾-Live”的顧客專業(yè)性。顧客在免費(fèi)平臺上的行為記錄

19.2.1變量介紹具體來說，聽眾或主講人在免費(fèi)平臺上是地位平等的用戶，他們會創(chuàng)作、點(diǎn)贊其他回答或?qū)谖恼隆Ｎ覀冏ト×怂猩婕暗降幕卮鸷蛯谖恼碌乃形谋?。將一名用戶（包括聽眾或主講人）創(chuàng)作/點(diǎn)贊的所有回答/文章收集起來，就形成了該用戶的一份特征文檔，可以用來計算該用戶的知識分布。19.2.1變量介紹從用戶的特征文檔計算用戶的特征分布，本質(zhì)上是將特征文檔轉(zhuǎn)化成特征向量表征。我們使用Doc2Vec模型進(jìn)行文本向量表征，將所有特征文檔轉(zhuǎn)化成200維的特征向量。與LDA話題模型相比，Doc2Vec保留了文檔中的詞語順序和句子順序。利用Doc2Vec模型，我們將數(shù)據(jù)集中的10,208名用戶（包括主講人和聽眾）的特征文檔，建模成10,208個特征向量，來表示用戶的知識分布。在得到用戶的知識分布向量后，我們可以用兩向量的余弦值計算兩名用戶（聽眾-主講人）的知識背景相似性，用以衡量聽眾對該主講人主辦的Live的專業(yè)程度。19.2.2數(shù)據(jù)獲取Step1-確定已發(fā)布Live的列表：首先要明確有哪些已發(fā)布的Live。我們可以在知乎Live的首頁（/lives）獲得Live的列表。需要注意的是，這份列表長度很短，而且不同登錄用戶展示的內(nèi)容也有所差異。這說明該Live列表并不是平臺上已發(fā)布的所有Live，而是知乎對不同用戶進(jìn)行個性化推薦而產(chǎn)生的推薦列表。知乎Live首頁的推薦列表19.2.2數(shù)據(jù)獲取Step1-確定已發(fā)布Live的列表：找到更多的Live：在任何一個Live的詳情頁面內(nèi)，我們發(fā)現(xiàn)頁面底部有“發(fā)現(xiàn)更多”功能，即知乎對每場Live又提供了一個推薦列表，向觀眾推薦主題類似的Live。從每場Live的推薦列表中，我們可以不斷發(fā)現(xiàn)新的Live。因此，我們可以不斷遍歷已知Live的推薦列表，直到不能再發(fā)現(xiàn)新的Live為止。Live下的“發(fā)現(xiàn)更多”功能

19.2.2數(shù)據(jù)獲取Step1-確定已發(fā)布Live的列表：找到更多的Live；記錄每場Live的ID：Live的ID可以從Live的詳情網(wǎng)址中獲取。從Live首頁獲得初始Live列表；并根據(jù)“發(fā)現(xiàn)更多”功能擴(kuò)展Live列表。19.2.2數(shù)據(jù)獲取Step1-確定已發(fā)布Live的列表：為了避免死循環(huán)，我們要記錄哪些Live的推薦Live已經(jīng)找到，而哪些有待查找。首先，initial_Live_ID_list里記錄的Live都需要“尋找推薦Live”。我們將它作為“待處理列表”，并且額外定義一個“已處理的Live列表”，即output_Live_ID_list。當(dāng)還有未處理的Live時，我們從未處理Live中選擇第1條，來尋找它的推薦列表。如果找到的Live是已處理的Live，則跳過；反之，則應(yīng)先檢查未處理Live中是否有該Live，若沒有則將其記錄到未處理Live中。當(dāng)該Live的推薦Live都處理完畢后，則將其移入已處理Live列表，并從未處理列表中刪除。所有循環(huán)結(jié)束后，則得到了所需的Live列表，并將其保存。19.2.2數(shù)據(jù)獲取Step2-獲取已發(fā)布Live的基本信息：我們關(guān)心每場Live的售價等基本信息，這些信息記錄在Live詳情頁中。這部分信息的獲取相對簡單，使用urllib.request.urlopen()或requests.get()獲取源代碼，并利用BeautifulSoup()提取價格、時長、文件數(shù)、問答數(shù)、主講人ID等信息即可。Live基本信息

19.2.2數(shù)據(jù)獲取Step3-獲取已發(fā)布Live的評論信息：在新版知乎Live的網(wǎng)頁端，Live的評論列表只顯示部分用戶的評論。本案例采用的數(shù)據(jù)于2018年抓取自舊版知乎Live網(wǎng)頁端。同樣，Live評論頁對應(yīng)單獨(dú)的網(wǎng)址，可以獲得評論人ID、評分、評論文本等信息。某場Live的顧客評價19.2.2數(shù)據(jù)獲取Step4-獲取用戶在免費(fèi)平臺上的行為：在抓取Live簡介和評論信息的過程中，我們獲取到主講人ID和評論人ID。我們可以前往用戶的個人主頁抓取相應(yīng)的信息。任何一位用戶都有個人主頁。值得注意的是，該頁面采取滾動式翻頁，即采用異步加載技術(shù)，需要從開發(fā)者工具中找到加載數(shù)據(jù)的真實(shí)網(wǎng)址。在個人主頁的“動態(tài)”標(biāo)簽下記錄著該用戶的多種行為。我們重點(diǎn)關(guān)注其中的四類行為：贊同回答、贊同專欄文章、發(fā)表回答、發(fā)表專欄文章?？梢酝ㄟ^verb或action_text字段進(jìn)行區(qū)分。個人主頁-動態(tài)動態(tài)加載的源代碼19.2.2數(shù)據(jù)獲取Step5-提取用戶知識背景向量：假設(shè)我們對每名用戶生成了3類文檔：點(diǎn)贊的回答/專欄文章（VF，VoteFile）、創(chuàng)作的回答/專欄文章（CF，CreateFile）、所有回答和專欄文章（AF，AllFile）。我們以AF文檔為例，簡要介紹使用Doc2Vec模型進(jìn)行特征向量表征。首先，對文檔進(jìn)行預(yù)處理，使用jieba或PyLTP等第三方庫等對中文文本進(jìn)行分詞，刪除停用詞等。然后使用gensim庫訓(xùn)練Doc2Vec模型。Doc2Vec模型分為訓(xùn)練和測試兩階段。在訓(xùn)練階段，我們需要用到大量數(shù)據(jù)，遠(yuǎn)遠(yuǎn)超過電腦內(nèi)存。因此，我們將數(shù)據(jù)分批輸入到模型中，對模型進(jìn)行增量式訓(xùn)練。具體過程為從所有用戶中隨機(jī)抽取一個數(shù)據(jù)集，來初始化Doc2Vec模型。然后不斷地隨機(jī)抽取數(shù)據(jù)集，更新Doc2Vec模型，當(dāng)模型訓(xùn)練完畢后保存更新后的模型。19.2.2數(shù)據(jù)獲取Step5-提取用戶知識背景向量：get_random_data_set()函數(shù)負(fù)責(zé)從所有用戶中隨機(jī)抽取一定數(shù)量的用戶樣本，得到對應(yīng)的特征文檔，并將這些文檔轉(zhuǎn)換成Doc2Vec模型可以處理的格式。假設(shè)用戶的AF數(shù)據(jù)（所有點(diǎn)贊/創(chuàng)作的回答/專欄文章）存放在目錄user_AF_document下，每個文件對應(yīng)1名用戶，以用戶ID命名。那么該文件夾下所有文件名就對應(yīng)用戶全體（all_user_list）。利用random.sample()從中隨機(jī)抽取一定數(shù)量的用戶，并讀取他們的AF文檔，將預(yù)處理后的結(jié)果用modes.doc2vec.TaggedDocument()進(jìn)行處理，即可得到Doc2Vec模型所需的數(shù)據(jù)格式。利用models.doc2vec.Doc2Vec()函數(shù)能便捷地實(shí)現(xiàn)模型的初始化，其中Sample參數(shù)可以限制頻率過高的詞被采樣的概率；negative參數(shù)則表示是否要使用負(fù)采樣策略，以及應(yīng)該抽取多少的“噪音”樣本，這些參數(shù)的取值可能會影響Doc2vec的結(jié)果，在計算機(jī)科學(xué)領(lǐng)域有更多的討論。而當(dāng)我們希望得到對管理有幫助的知識或建議時，技術(shù)性的參數(shù)調(diào)整不應(yīng)該起主要作用。無論在何種參數(shù)設(shè)定下，結(jié)論都應(yīng)該是成立的、穩(wěn)健的。在定義了模型后，使用dataset對模型進(jìn)行訓(xùn)練，用model.save()將訓(xùn)練好的模型保存到特定位置。19.2.2數(shù)據(jù)獲取19.2.2數(shù)據(jù)獲取Step5-提取用戶知識背景向量：增量訓(xùn)練更新模型的過程比較簡單，只需要讀取模型，隨機(jī)生成新語料，用新的語料在原有模型的基礎(chǔ)上更新即可。這里需要著重介紹gc（GarbageCollector）模塊，該模塊用來進(jìn)行垃圾回收，實(shí)現(xiàn)手動釋放內(nèi)存功能。由于每次訓(xùn)練的數(shù)據(jù)量都很大，因此在使用dataset后，需要用del()將dataset顯式地刪除，并且調(diào)用gc.collect()釋放內(nèi)存。在內(nèi)存足夠大的設(shè)備上不需要這樣的機(jī)制。19.2.2數(shù)據(jù)獲取Step5-提取用戶知識背景向量：在模型訓(xùn)練完畢后，我們將所有用戶的文檔輸入到模型中，即可輸出表征向量。將文檔處理成Doc2Vec可接受格式，然后用model.infer_vector()方法即可得到相應(yīng)的向量表示，最后使用numpy庫中的savetxt()函數(shù)將向量儲存到特定位置。19.2.2數(shù)據(jù)獲取

19.3.1分析方法回歸分析是經(jīng)濟(jì)管理領(lǐng)域常用的統(tǒng)計分析方法，我們使用回歸分析來驗(yàn)證Live當(dāng)前價格、顧客歷史價格、歷史滿意度和顧客專業(yè)型等因素對顧客的滿意度的影響程度。統(tǒng)計分析方法建議使用R、SPSS等專業(yè)的統(tǒng)計分析軟件，在Python中，也可以使用statsmodels庫進(jìn)行回歸分析。我們使用一個簡單的例子進(jìn)行回歸分析。19.3.1分析方法用R軟件也可以得到相同的結(jié)果：19.3.1分析方法在將各變量標(biāo)準(zhǔn)化后，我們使用最基礎(chǔ)的回歸分析來檢驗(yàn)知識付費(fèi)中顧客滿意度的影響因素。模型1僅包括控制變量；模型2檢驗(yàn)自變量的主效應(yīng)；模型3檢驗(yàn)交互效應(yīng)。根據(jù)VIF統(tǒng)計量，各模型均不存在多重共線性問題。模型結(jié)果如下表所示：

模型1模型2模型3常數(shù)項(xiàng)8.56E-15(0)6.19E-05(0.024)1.10E-03(0.43)顧客專業(yè)性1.32E-02***(5.023)1.45E-02***(5.512)當(dāng)前價格-3.34E-02***(-11.689)-3.34E-02***(-11.677)歷史均價9.81E-03***(3.372)1.07E-02***(3.64)歷史滿意度5.83E-01***(228.906)5.83E-01***(228.448)當(dāng)前價格×顧客專業(yè)性1.21E-02***(3.927)歷史均價×顧客專業(yè)性-6.95E-03*(-2.572)歷史滿意度×顧客專業(yè)性-1.73E-02***(-6.605)控制變量Live市場6.89E-02***(16.171)6.37E-02***(18.435)6.34E-02***(18.339)問答數(shù)-4.66E-02***(-10.095)-7.59E-03*(-2.025)-7.60E-03*(-2.028)文件數(shù)2.11E-02***(5.672)1.61E-02***(5.349)1.63E-02***(5.421)Live音頻信息數(shù)5.18E-02***(9.594)1.53E-02***(3.497)1.55E-02***(3.553)主講人Live場數(shù)7.55E-02***(23.223)4.13E-02***(15.37)4.18E-02***(15.553)主講人知乎回答數(shù)1.12E-02**(2.97)4.10E-03(1.34)4.30E-03(1.406)主講人知乎文章數(shù)-3.03E-02***(-8.197)-1.85E-02***(-6.161)-1.91E-02***(-6.359)主講人粉絲數(shù)1.78E-02***(4.736)3.61E-02***(11.793)3.59E-02***(11.721)主講人關(guān)注數(shù)7.63E-03*(2.331)-1.46E-03(-0.541)2.30E-04(0.081)主講人擅長話題數(shù)-1.89E-02***(-5.908)-1.20E-02***(-4.615)-1.24E-02***(-4.779)調(diào)整后的R20.01470.35340.353819.3.2分析結(jié)論從上述模型可以看出，在其他條件一定時，顧客專業(yè)性對顧客滿意度有正向的影響，即顧客專業(yè)程度越高，對知乎Live的滿意度也越高。類似的，當(dāng)前價格對顧客滿意度有負(fù)向影響，顧客歷史購買價格和歷史滿意度對當(dāng)前Live的滿意度有正向影響。模型3中引入了當(dāng)前價格、歷史均價、歷史滿意度和顧客專業(yè)性的交互項(xiàng)。我們發(fā)現(xiàn)顧客專業(yè)性在顧客滿意度中也具有調(diào)節(jié)效應(yīng)。19.3.2分析結(jié)論首先，顧客專業(yè)性在“當(dāng)前價格-滿意度”的影響機(jī)制中起到調(diào)節(jié)作用。在不考慮顧客專業(yè)性時，當(dāng)前價格對滿意度有負(fù)向影響，當(dāng)前價格越高，顧客滿意度越低。而在區(qū)分顧客專業(yè)性后，我們發(fā)現(xiàn)對于專業(yè)性低的顧客，當(dāng)前價格的負(fù)面影響更強(qiáng)；而對于專業(yè)性高的顧客，當(dāng)前價格幾乎沒有負(fù)面影響?；诔杀臼找胬碚摚╟ost-benefittheory），價格體現(xiàn)為顧客付出的經(jīng)濟(jì)成本，而收益則是顧客從Live中學(xué)到的知識、獲得的效用。另一方面，知識產(chǎn)品價格對知識產(chǎn)品質(zhì)量具有“信號效應(yīng)”，一般認(rèn)為價格越高的產(chǎn)品會講授更為專業(yè)的高階知識。由于知識產(chǎn)品的效用感知具有多樣性，不是所有用戶都能感知到產(chǎn)品帶來的效用。對于專業(yè)性高的顧客來說，盡管要支付較高的價格，但他能理解高價的知識產(chǎn)品“物有所值”，對價格變動的敏感性低。而對專業(yè)性低的顧客來說，他難以理解復(fù)雜的專業(yè)知識，因此更容易作出不滿意的評價。19.3.2分析結(jié)論其次，顧客專業(yè)性在“歷史價格-滿意度”的影響機(jī)制中起到調(diào)節(jié)作用。在不考慮顧客專業(yè)性時，歷史價格對滿意度有正向影響，歷史價格越高，顧客滿意度越高。而在區(qū)分顧客專業(yè)性后，我們發(fā)現(xiàn)對于專業(yè)性低的顧客，歷史價格的正面影響更強(qiáng)；而對于專業(yè)性高的顧客，歷史價格對滿意度卻有負(fù)向影響。基于Helson的適應(yīng)性水平理論，個體在過去的經(jīng)驗(yàn)中會