如前所述，本研究采用CHAID决策树算法。首先，进行该算法的参数设置。决策树父分支中最小记录数占比为2%，子分支中最小记录数占比1%，最大树深度设为5，决策树的分割和合并显著性都设为0.05；其次，如图8-2所示，以优惠券面值、使用条件、折率、身份特征、品牌特征、类别为自变量，以券状态为因变量，利用IBM SPSS Modeler数据挖掘软件生成决策树。
2）决策树模型结果分析
如图8-2所示，通过CHAID算法计算出每个节点对应的卡方值和p值，p值越小，节点优先被分割。研究发现：①进入决策树模型的自变量一共有6个，包括类别标注、身份特征、折率、使用条件、品牌特征、面值；②影响模型结果的自变量重要性从大到小的排序依次是优惠券类别（0.44）、身份特征（0.18）、折率（0.11）、使用条件（0.01）、品牌特征（0.09）、面值（0.08）；③19种优惠券类别被合并为四大类，我们从左到右依次命名为E、F、M、N类集，即E＝{“PLUS专区”，“个护化妆”，“服饰内衣”，“珠宝钟表”，“生鲜”}；F＝{“全球购”，“医药保健”，“母婴用品”，“汽车用品”，“运动户外”，“鞋靴箱包”}；M＝{“图书音像”，“宠物园艺”，“家具家纺”，“手机数码”，“食品饮料”}；N＝{“家用电器”，“生活旅行”，“电脑办公”}；④E类购物券受欢迎的比例（16.6%）略小于F类购物券（25.9%），并且E、F类集下没有其他分支；⑤决策树中各个变量之间存在交叉影响。
3）抢券决策过程分析
根据行为执行意向理论和模型结果可知，自变量影响因变量的重要性是消费者在抢购物券时依次考虑的因素，通过决策树模型可以较为清晰地刻画出抢券的决策过程。
第一，抢券进度高于50%的优惠券能够刺激消费者的抢购意愿，我们把该券状态定义为抢券高执行意向，反之，定义为抢券低执行意向，根据抢券决策过程预测网购行为执行意向。
第二，首先消费者选择自己所需品类的购物券。①若为E类，消费者的抢购意愿为16.6%；若为F类，消费者的抢购意愿为25.9%，即这两类购物券都不太能刺激消费者的抢购意愿，预测为网购行为低执行意向；②若为M类购物券，则消费者下一个要考虑的因素是面值。(www.daowen.com)
第三，面值分为A1、A2、A4和A3、A5两大类，受欢迎券的比例在A3、A5比在A1、A2、A4中多了17.8%。①若面值为A1、A2、A4，消费者还需要看品牌特征。若品牌特征为1，消费者抢购意愿为36.2%，比品牌特征为0的购物券高出10%，但消费者的抢购意愿还是较低，可以预测为网购行为低执行意向；②若面值为A3、A5，消费者还需要看购物券的折率。
第四，折率分为C1～C4和C5两大类，受欢迎的额券比例在C5比在C1～C4中多33.7%。①若折率为C1～C4，消费者的抢购意愿为40%，仍然不够高，预测为网购行为低执行意向；②若折率为C5，继而消费者还要看身份特征这一因素。
第五，若身份特征为[1，3]，消费者的抢购意愿为77%，预测为网购行为高执行意向；若身份特征为[4，5]，消费者的抢购意愿为39.3%，预测为网购行为低执行意向。
第六，若购物券为N类，消费者下一步要看的是身份特征这一因素，分为[1，4]和[3，5]两大类，受欢迎的券的比例在[3，5]，比[1，4]高出17.5%，身份特征为[3，5]的券更能刺激消费者。①若身份特征为[1，4]，消费者的抢购意愿只有37.3%，预测为网购行为低执行意向；②若身份特征为[3，5]，则消费者继续要考虑的因素是购物券的使用条件。
第七，使用条件分为B1、B4和B2、B3、B5，受欢迎券的比例在B2、B3、B5比B1、B4多出29.3%。①若使用条件为B1、B4，消费者的抢购意愿仅有32.4%，预测为网购行为低执行意向；②若使用条件为B2、B3、B5，消费者会重新考虑类别这一因素；③若为家用电器，消费者的抢购意愿为50%，仍然预测为网购行为低执行意向；④若是生活旅行或电脑办公类的购物券，消费的购买意愿为74.1%，预测为网购行为高执行意向。
图8-2 抢券决策树
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
