汽车行业品牌忠诚度模型建构及应用研究

李康 李冰阳 岳素欣

中国汽车技术研究中心有限公司 天津市 300380

1 研究背景

1.1 理论背景

品牌忠诚度是品牌资产的重要组成部分，研究表明，忠诚用户对企业的贡献远远大于新用户。企业开发一个新顾客的成本是维持一个忠诚顾客成本的4—6倍①；企业用户流失率降低5%，其利润就能增加25%—85%②。此外，忠诚用户带来的利润是不忠诚用户的9倍③。

尽管品牌忠诚度如此重要，但迄今为止，学界不仅对品牌忠诚度的定义莫衷一是，有关品牌忠诚度的测量和评价也没有达成共识，且现有的评价标准并不适用于汽车行业。比如有学者提出用持续购买的次数来衡量品牌忠诚度，但由于行业和产品的特殊性，汽车属于购买次数少、使用周期长的消费品，因而从持续购买的次数来衡量其品牌忠诚度并没有太大的参考价值。

1.2 现实背景

2016年6月，国务院办公厅印发了《关于发挥品牌引领作用推动供需结构升级的意见》，明确指出品牌是企业乃至国家竞争力的综合表现，代表着供给结构和需求结构的升级方向④。

就汽车行业而言，中国已成为世界第一大汽车消费国，但产销量的快速增长并不等同于汽车行业品牌的真正强大。中国汽车技术研究中心的数据显示，目前中国乘用车保有量达到1.8亿辆，中国汽车市场逐步由用户增长型市场向用户存量型市场转变，40%的用户为换购用户，如果能够培养出用户的品牌忠诚度，自主品牌的发展升级之路就能事半功倍。然而中国汽车品牌的平均忠诚度仅为9.8%，90%的用户在换购过程中流失。相比之下，美国主要汽车品牌的忠诚度均在52.6%以上。因此，提升品牌忠诚度已经成为自主品牌亟待解决的问题。

此外，国内有关用户满意度与品牌忠诚度的研究尚且停留在学术领域，成熟的系统的品牌忠诚度评价较少，也没有相关的量化实施模型。因此，加强对于品牌忠诚度的研究既是顺应国家政策发展的新趋势，也是汽车行业持续健康发展的现实需要。

图1 中美汽车品牌忠诚度对比

2 研究目的和意义

仅靠规模经济是无法使中国汽车走向世界的，而品牌的管理与维护、品牌忠诚的培育与提高可以为国内汽车行业发展带来更多的可能性。本研究的目的便在于激活存量用户，提升品牌忠诚度。

本研究通过整合互联网流量入口数据和线下行业数据，运用大数据采集、分析、预测模型对汽车品牌进行监测、诊断，为品牌形象提升提供一站式全方位解决方案。具体来说包括三个环节，一是品牌监测，即利用互联网和大数据对基盘用户进行精准监测；二是品牌诊断，即利用大数据分析模型精准诊断消费群体的特征；三是品牌提升，即针对不同用户群体采取精准策略维护提升其品牌忠诚度。这将是汽车行业首次以大数据挖掘角度开展汽车品牌评价，通过用户分析建立科学合理的定量模型，为企业品牌忠诚度和用户流失提供精准的诊断。

3 指标体系

3.1 考察维度

本研究从两个维度入手考察品牌忠诚度的影响因素——从前车体验考察消费者的满意度如何影响其换购时的品牌忠诚，同时从后车选择探究消费者实际决策时更为关注的因素。前车体验是相对简单的评价过程，而后车选择则是不同品牌的博弈过程，企业从消费者的前车体验中可以明确用户需求，从消费者后车选择的权衡中可以获知相比其他品牌，自身的长处和短板所在，从而有针对性地采取措施。为此，本研究从前车体验和后车选择这两个维度划分出六类细分人群：

（1）前车体验好，并且忠诚的用户；

（2）前车体验不好，但忠诚的用户；

（3）前车体验好，在换购决策中也考虑了前车品牌，但最终没有忠诚的用户；

（4）前车体验不好，在换购决策中仍考虑了前车品牌，但最终没有忠诚的用户；

（5）前车体验好，但在换购决策中根本不考虑前车品牌，最终没有忠诚的用户；

（6）前车体验不好，在换购决策中不考虑前车品牌，最终没有忠诚的用户。

图2 品牌忠诚度指标体系

图3 企业着力点

3.2 具体指标

如图2所示。本研究将品牌忠诚度的影响因素分为以下三类：

3.2.1 前车使用评价的影响因素

问卷中这一部分的指标体现为负向评价，即考察用户对于前车的哪些方面存在不满。

3.2.2 后车选择过程中的影响因素

这与前车体验的评价指标体系有两点不同：首先，用户对于前车服务层面的评价往往集中于售后服务，而后车选择过程中往往更关注的是销售服务；其次，用户进行前车评价和后车选择时的具体关注因素会有差别。

此外，尽管忠诚用户和考虑对比但没有忠诚的用户有着同样的评价指标，但由前者做出的评价是正向评价，即消费者出于哪些因素的考虑最终选择了前车品牌；而后者前车品牌做出的是负面评价，即基于哪些方面的原因最终没有选择前车品牌。

3.2.3 外部因素

外部因素主要指的是企业无法把控的因素，比如消费者的心理因素，这主要适用于那些没有考虑前车品牌且不忠诚的用户。本研究将特别采用定性方法，从换车原因及不忠诚原因两个方面对这类用户进行深入研究。

综上，从用户的前车使用评价中，可以获取该品牌能够从哪些方面着手提升用户体验；从忠诚的用户再购时出于哪些原因选择了同一品牌，可以获取该品牌存在的优势；从不忠诚的用户更换品牌的种种考虑中，可以获取该品牌的短板，也可以发现一些企业无力改变但对品牌忠诚度产生重要影响的因素。几个层面的影响因素加以综合，我们便得到了不同用户在不同视角下对于同一品牌的全方位评价，从而能够为企业提升品牌忠诚度提供精准的着手点。

3.3 量化处理

本研究根据不同指标在问卷调查中的提及率对这些指标进行量化处理。

3.4 企业着力点

如图3所示。第（1）、（2）类用户，不管他们对前车体验的综合评价如何，最终都产生了行为上的忠诚，说明该品牌的某些指标对这类用户存在着很大吸引力，并且这种吸引力足够强以至于能够抵消用户在使用过程中可能产生的不满情绪。通过指标计算，能够获知企业的吸引力主要集中在哪几个方面，从而精准地予以强化，借此吸引其他用户群体，增加换购环节竞品用户的流入。

第（3）、（4）类用户，尽管最终都没有忠诚，但不管他们对于前车的综合评价如何，在后车选择过程中都愿意把前车品牌纳入考虑范围。这说明前车的满意度并没有对品牌忠诚度产生决定性影响，前车品牌之所以流失了这些用户，更多是因为在与其他品牌的较量中处于下风。通过指标计算可以帮助企业准确定位自身短板并加以改进，从而减少换购环节本品用户的流出，提高品牌忠诚度。

第（5）类用户，虽然其前车体验较好，但在换购决策过程中甚至没有将前车品牌纳入考虑范围，这就要从用户的换购动机中寻找原因，比如认为前车品牌档次较低，或完全出于尝试新口味的心态而换车。由于用户的这类需求不是企业主观上做出努力就可以很快满足的，因此短期内只能相对被动地顺应换购市场变迁。

第（6）类用户，其前车体验不好，在换购决策中没有考虑前车品牌，最终也没有忠诚。可以想见，这类用户没有把前车品牌纳入考虑范围，在很大程度上是受到了对前车满意度偏低的影响，但同时也不能排除其他一些外部因素的影响。打铁还需自身硬，企业能够改变的就是以导致用户不满的各项指标为抓手，改善用户体验，减少换购环节本品用户的流出。

图4 典型的决策树

图5 CART二叉树的各种形态

4 构建模型

4.1 CART算法介绍

CART算法是应用于分类的一种决策树结构，但与一般决策树不同，CART决策树以二叉树的形式呈现，如图4所示，判断条件为是的划归左支，否则划归右支。具体来说，CART决策树又有不同分类，如图5所示，（a）为满二叉树，（b）为完全二叉树，（c）和（d）为非完全二叉树。CART算法采用GINI值计算信息不纯度，易于理解和使用，准确性高。

CART决策树的生成即从父节点开始从上往下在各个节点上选择分支属性，其中每个节点的选择都可以看作是对某一属性的测试，由节点延伸出来的边代表其测试结果，再往下的子女节点体现着各个类的具体分布情况。GINI指数是用来评估节点不纯度的参数，而进行分类正是为了降低信息不纯度，因此不纯度越低即代表该节点产生的划分效果越好。GINI指数的计算公式如下：

其中，p（j|t）表示给定节点t属于类j的记录所占的比例。

为了确定划分效果，可以用信息增益Δ作为判断标准。

其中，N是父节点上的记录总数，N（vj）是与子女节点vj相关联的记录个数，I（parent）是父节点的不纯度，I（vj）是子女节点的不纯度，k是属性值的个数。一个节点的信息增益越大，便意味着其对于划分结果的重要性越强。

此外，由于I（parent）是一个固定值，因此最大化信息增益便等同于最小化子女节点不纯度的加权平均值之和。CART决策树便是选择使子女节点不纯度的加权平均值最小的特征属性作为分裂的最优方案。

表1 属性代码及指标

4.2 CART算法的应用

本研究运用CART决策树对品牌忠诚度的影响因素进行分析，选取上述各指标属性作为输入变量，是否忠诚作为输出变量。

如表1所示，X1n是影响用户前车使用评价的各项指标，X2n是影响用户后车选择的各项指标。

首先需要根据公式分别计算上述各项指标属性能够产生的基尼指数和信息增益。如图6所示，以X12的计算为例，根据前车品牌档次的体验评价对用户进行划分，并进一步区分为忠诚用户和不忠诚用户，括号内为各自对应条件下的样本数量。

根据公式可知，

“体验好”这一节点的GINI指数

“体验不好”这一节点的GINI指数

则“X12”这一节点的不纯度加权平均值之和

以此类推，根据同样方式计算其余指标属性的GINI指数和不纯度加权平均值之和，并从中优先选择不纯度加权平均值之和最小的指标属性作为分支节点，从而生成两个子节点，之后再对两个子节点重复这一步骤。

这样从上到下的分支过程中便是确定各指标重要性程度的过程。据此，我们可以确认其中哪些指标对品牌忠诚度产生了更为重要的影响，这些指标便是企业提升品牌忠诚度的精准着力点。

图6 X12的二叉树示例

5 结语

本研究根据用户调查和网络舆情的相关数据，从中提炼出影响品牌忠诚度的指标体系，并在此基础上构建汽车行业品牌忠诚驱动模型，以大数据挖掘角度开展汽车品牌评价，从而判别出对品牌忠诚度影响较大的因子，从而准确地为企业提升品牌忠诚度提供最优方案。

虽然不同企业在衡量自身的品牌忠诚度时采用的具体指标可能会与本研究考虑的指标有所出入，但本研究提供的逻辑思路和指标框架具有较强的普遍适用性——用户使用过程中对哪些方面产生了不满、选择后车时出于哪些原因产生了品牌忠诚、或是基于何种考虑更换了品牌，只有综合这几个方面的因素才能够对一个品牌产生全方位的评价，从而对品牌忠诚度的影响因素有更清晰的认识和把握，进而为企业提升品牌忠诚度提供精准方案。

注解：

① Light L． Brand loyalty management ： the basis for enduring profitable growth[J ]． Direct Marketing ， 1997 ，59（11） ：36 - 43．

②杜海波． 顾客价值对轿车品牌忠诚影响的实证研究[D]．武汉理工大学，2013．

③Light L． Brand Loyalty Marketing key to enduring growth[J]． Advertising Age， 1994．

④国务院办公厅关于发挥品牌引领作用 推动供需结构升级的意见 http：//www．gov．cn/zhengce/content/2016-06/20/content_5083778．htm．