个性化需求预测面临的挑战及解决方法研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇个性化需求预测面临的挑战及解决方法研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要:本文首先运用计划行为理论和信息交换理论分析得出,个性化需求预测在获取预测所用信息阶段的主要挑战是“如何帮助顾客将其拥有的与需求相关的隐性信息转换成显性信息”,并提出了应对该挑战的方法“开发需求相关隐性信息转换系统”;然后运用“自我推理”和“错误一致性效应”等理论分析得出,在理解需求相关信息阶段的主要挑战是“制造商在理解顾客需求相关信息时,如何避免自我推理和错误一致性效应”,基于认知图作用的分析,提出了应对该挑战的方法“充分运用描述顾客价值系统的认知图理解顾客需求相关信息”;将顾客需求相关信息转换成预测信息阶段的主要挑战是“如何提高预测精度”,运用锚定-调整过程理论、信念更新范式理论、状态依赖性理论和记忆可接近性优势理论分析得出,制造商采取以顾客前一次购买订单所含信息为起始点的净变预测方式实现基于属性的预测,将有助于提高个性化需求预测的预测精度。
关键词:个性化需求预测;即时顾客化定制;定制―响应困境问题
中图分类号:F273 文献标识码:A 文章编号:1003-5192(2009)05-0048-07
Challenges and Methods of Individual Demands Forecasting
TANG Zhong-jun, CHENG Xiao-hong
(School of Business, Central South University, Changsha 410083, China)
Abstract:This research focuses on uncovering challenges to realise individual demand forecasting and on proposing methods to address the challenges uncovered by using existing theories and research. To share demand-related information, one challenge may be faced, which is whether consumers have abilities to present their demand-related tacit information. To aid consumers to promote the abilities, an exogenously provided tool named demand-related tacit information transformation system is proposed. To understand the information shared, a critical challenge is how to avoid self-referencing and false consensus effect. An application of the theory of cognitive map shows that cognitive map may aid personnel of a manufacturer to avoid the self-referencing and false consensus effect. To translate the information understood into forecasts, how to improve forecasting performance becomes more serious in the context of individual demand forecasting than traditional forecasting methodologies. To improve forecasting performance, two methods of attribute-based forecasting and net change forecasting and feeding back forecasts to consumers are advanced.
Key words:individual demand forecasting; instant customerisation; customization-responsiveness squeeze
1 引言
随着顾客需求的个性化趋势和即时交付要求的增强,一种新型生产模式“即时顾客化定制(Instant Customerization)”将成为企业实施差异化战略的一种必然选择[1]。即时顾客化定制是指,当顾客的个性化需求一旦提出,制造商就能以顾客所能接受的价格立即提供。实现即时顾客化定制的策略之一是个性化需求预测[1]。个性化需求预测是对特定顾客的订单的预测,预测时将该顾客视为与其他顾客有不同特质的单一顾客,并使用与该顾客需求有关的信息,包括历史的、现在的和将来的信息;传统需求预测,例如各类时间序列预测,是对具有同质性的一群顾客对某产品的需求预测,预测时通常仅使用历史信息[1]。个性化需求预测不但是实现即时顾客化定制的重要策略,而且是解决定制-响应困境问题(Customization-Rresponsiveness Squeeze)的策略[2]。当顾客不但要求个性化需求而且要求订货提前期短于生产提前期时,制造商将面临定制-响应困境问题。当通过产品和流程的优化并通过供应链的优化管理后,仍然不能解决该问题时,个性化需求预测成为解决该问题的必然选择。因此,研究个性化需求预测是非常有必要的[2,3]。
为了实现个性化需求预测,文献[1,4]提出了个性化需求预测的两种策略和七条原则。两种策略是全面顾客参与和全面价值融合[1]。全面顾客参与要求顾客与制造商及时准确地共享与需求有关的信息,从而使制造商获取产生于顾客的需求相关信息,并将这些信息做为个性化需求预测的主要输入信息。全面价值融合要求制造商从顾客角度,而不是从制造商的角度理解顾客需求相关信息,从而体现顾客是产品价值的决定者。个性化需求预测的七条原则涉及预测对象、预测所有信息来源、预测机构等方面[4]。虽然已经提出了两种策略和七条原则,但是个性化需求预测仍然缺乏实现的方法。此外,传统观点认为对个性化需求的预测是相当困难的。因此,非常有必要研究个性化需求预测面临的挑战和解决挑战的方法。
本文旨在运用心理学和行为学等学科的相关理论,分析个性化需求预测在预测所用信息的获取、理解和转换等三阶段面临的挑战,并提出解决挑战的方法。本文的重点是分析个性化需求预测面临的挑战并提出解决挑战的合理方法,对所提方法的深入研究将另有介绍。
2 共享需求相关信息面临的挑战及解决方法
提高预测准确率的方法之一是扩大预测所用信息量[5];改善预测的基本原则之一是直接面向未来,充分利用顾客产生的早期信息[6]。此外,全面顾客参与也要求顾客将需求相关信息及时准确地共享给制造商。因此,本节将分析顾客共享需求相关信息时面临的挑战及解决方法。
技术的发展,尤其是具有交互能力的多媒体技术,如互联网技术的发展,为个性化通讯系统提供了可能。个性化通讯系统不但可以方便,而且可以促进顾客及时准确地与制造商共享需求相关信息。然而,文献研究结果表明,技术并不是促进信息共享的唯一要求[7],信息共享的首要问题是“改变人们的行为”[8]。就共享需求相关信息而言,首要问题是改变顾客和制造商的行为,尤其是改变顾客的行为。
计划行为理论(the Theory of Planned Behavior)[9,10]认为,行为由行为意向和感知行为控制力共同决定,行为意向又由行为态度、主观规范和感知行为控制力共同决定。计划行为理论是一般性的行为理论,在许多领域的行为的解释和预测中得到了验证。基于该理论,就顾客共享需求相关信息而言,顾客对共享需求相关信息的态度及对需求相关信息的共享感知控制力是决定顾客是否共享需求相关信息的主要决定因素。
态度反映顾客对共享需求相关信息的积极或消极评价。基于信息交换理论,文献[11]分析了,在顾客有短订货提前期或即时交付的个性化需求和制造商面临定制-响应困境问题时或制造商以即时顾客化定制为目标的条件下,制造商和顾客间存在很强的相互依赖性。制造商和顾客都对共享需求相关信息持积极的评价。双方都具有强烈的信息共享的愿望。
感知控制力反映顾客感知的共享需求相关信息的能力。顾客共享需求相关信息的能力之一是顾客能够明确地阐述其需求相关信息。和知识类似,信息包括隐性和显性信息[12]。显性信息是易于表达的信息。隐性信息是难以描述的信息,也是难以交流的信息,通常需要进行长时间的面对面的相互交谈才易于交流[13]。制造商可能有许多顾客并且这些顾客在地域上可能是分散的,因此制造商难以与所有顾客实现长时间的面对面的相互交谈。此外,顾客拥有的需求相关信息绝大部分是隐性信息。因此,共享需求相关信息面临的挑战之一是如何帮助顾客将其拥有的与需求相关的隐性信息转换成显性信息。
众多领域,如医疗服务[14]、就业风险管理[15]、信息服务[16]和知识管[17]等领域的众多学者一致认为, 将IT技术和信息系统,以及相关知识融为一体的工具有助于隐性知识转换成显性知识。Selamat 和Choudrie[18]认为,IT技术通过提供隐性知识的处理、传递和共享的环境,从而有助于隐性知识转换成显性知识。基于这些观点,学者们针对不同领域提出了不同的有助于隐性知识转换成显性知识的工具。例如,Cheah和Abidi[14]开发了一个将医疗隐性知识转换成显性知识的IT工具。该工具向医护人员提供一系列的问题,这些问题需要医护人员运用他们的知识,尤其是隐性知识来解决。通过运用该工具,可以促使医护人员解决这些问题,从而将医护人员拥有的隐性知识转换成显性知识。Falconer[15]开发了一个将一线员工的隐性知识转换成显性知识的信息系统。该系统提供一系列与一线员工的操作和标准有关的命题,通过员工对这些命题的回答,从而将一线员工的隐性知识转换成显性知识。
和上述工具类似,West等[19]认为,向顾客提供相关的消费词汇(Consumption Vocabulary)可以促进顾客表达他们的隐性偏好。消费词汇有助于顾客鉴别产品特性,有助于顾客通过产品特性的鉴别实现对产品价值的评价,并有助于顾客确定产品特性和价值是否满足其需求。West等[19]认为,消费词汇能简化顾客将其隐性偏好转化为显性偏好的过程,能帮助顾客更准确、更一致性地描述其隐性偏好,并能减少转化和描述时的错误。
基于上述分析可以得出,解决挑战“如何帮助顾客将其拥有的与需求相关的隐性信息转换成显性信息”的策略之一是开发一个将IT技术、信息系统和消费词汇融为一体的辅助工具,我们称其为需求相关隐性信息转换系统。将消费词汇融入信息系统,可以为顾客创造与需求偏好有关的场景和词汇,从而引导顾客描述与需求相关的隐性信息。将IT技术融入辅助工具,可以为顾客提供远程交互。因此,需求相关隐性信息转换系统有助于顾客将其拥有的与需求相关的隐性信息转换成显性信息。
3 理解需求相关信息面临的挑战及解决方法
大众化需求时代,顾客是被动的购买者,由制造商确定产品及其价值。个性化时代,顾客成为主动的购买者,产品及其价值由顾客确定,而不是由制造商确定。因此,个性化需求预测要求制造商从顾客角度,而不是从企业角度理解需求相关信息。然而“自我推理(Self-Referencing)”[20]和“错误一致性效应(False Consensus Effect)”[21]将会妨碍制造商从顾客角度理解需求相关信息。自我推理描述了一种心智过程,即人们在理解新信息的时候,通常将新信息与自己记忆中的与自我相关的信息进行比较,通过比较来理解新信息的过程。当人们将新信息与自己的亲身经历联系起来时,自我推理尤其容易产生。错误一致性效应描述自我推理所导致的结果。当预测另一个人的偏好时,自我推理将导致错误一致性效应[21]。预测时,人们易于从自身角度理解有关他人的信息,从而使得多数人不能成功地预测他人的偏好[22]。因此,理解需求相关信息的挑战之一是,制造商在理解顾客需求相关信息时,如何避免自我推理和错误一致性效应。
理解他人思考问题和观察世界的方式,最常用的方法是运用认知图(Cognitive Map) [23]的方法。认知图是一种用以揭示人类思维的图形化的心智模型。这种模型以图形语言描述人类如何理解、分析和组织所要分析的对象。认知图由概念及概念之间的连接两个基本要素构成。概念是变量;连接描述概念之间的因果关系或因果推理;概念通过连接形成概念之间的影响路径;交叉的影响路径构成认知图的语义网络。语义网络是对某人认知结构的描述,也是对此人推理系统的描述。某人对某事物的推理系统将引导此人的行为,引导此人对该事物的解释,并引导此人对该事物的运行趋势做出预测。认知图不仅是对人类大脑内部世界的部分描述,也是一种描述人类对现实世界的感知和思考的工具。因此,Codarda[24]认为,认知图至少有三方面的用途:(1)解释功能。帮助解释人类制定决策时对环境的感受。(2)预测功能。借助某人对某事务的认知图,可以预测该人处理某事务的行为。(3)反射功能。帮助找出某人对特定事务所持的观点和假设。Axelrod[25]指出,通过对他人认知图的分析,可以帮助理解他人是如何对待某一事务的。理解他人对世界的思考方式将有助于对他人行为的理解。Cossette[26]的研究表明,运用认知图可以十分方便地分析和理解泰勒的科学管理思想。Spicer[23]认为,认知图是非常有用的工具,可以帮助理解他人储存和传递信息和知识的方法。Montazemi 和 Conrath[27]的研究表明,对于信息系统开发,在获取用户需求阶段,开发者使用系统用户的认知图可以获得三方面的益处。首先可以帮助开发人员确定和评价影响系统用户制订决策的因素。其次可以帮助开发人员确定系统用户做决策时需要的数据和信息。此外,使用系统用户的认知图,可以提高开发人员对系统用户环境的整体理解,尤其是可以提高对系统用户面临的复杂和非结构化环境的整体理解。Pallant等[28]发现,对于数据库设计,认知图是开发人员获取用户需求的有利工具。针对新产品开发,Carbonara和Scozzi[29]发现,在新产品开发过程中,认知图是分析和研究不同开发成员之间冲突的有利工具。Klayman和Schoemaker[30]的研究表明,制造商的员工运用认知技术(Cognitive Techniques),可以帮助顾客描述认知图。最新研究[31]表明,运用认知图可以更准确地描述人的价值体系,用认知图描述的价值体系对认识他人的价值体系十分有用。
基于上述分析可以得出,制造商运用认知技术,可以获得顾客价值系统的认知图。运用顾客价值系统的认知图,制造商可以从顾客角度理解顾客需求相关信息。因此,解决挑战“理解顾客需求相关信息时如何避免自我推理和错误一致性效应”的策略之一是充分运用描述顾客价值系统的认知图,理解顾客需求相关信息。
4 顾客需求相关信息转换成预测信息时面临的挑战及解决方法
在获得需求相关信息并经过制造商的理解后,需要将顾客需求相关信息转换成预测信息。此阶段,预测领域面临的传统挑战是,如何提高预测精度。个性化需求预测同样面临该挑战。为了提高预测精度,本文提出名为“基于属性的预测”和“净变预测和预测反馈顾客”的两类方法。
4.1 基于属性的预测
产品和订单包含一系列的属性。顾客对某产品的需求和订单可以定义为顾客对这些属性所要求的属性水平的集合。因此,将顾客需求相关信息转换成预测信息,既可以采取基于产品的预测方式,也可以采取基于属性的预测方式。传统需求预测方法,例如时间序列和贝叶斯方法,采取基于产品的预测方式。基于产品的预测方式以给定产品或产品族为预测对象,预测内容是对给定产品或产品族的将来需求量进行预测,是对制造商的目标顾客群,而不是对特定顾客的需求量进行预测。给定的产品或产品族具有确定的属性水平,属性水平是由制造商预先确定的,而不是由顾客确定的。如前所述,个性化需求预测是对特定单一顾客的订单进行预测。产品预测是订单预测的组成部分,产品属性是不确定的,需要预测。因此,个性化需求预测需要采取基于属性的预测方式。基于属性的预测以特定单一顾客为预测对象,预测内容既包括预测该顾客所需特定类别产品的属性水平,还包括预测订单包括的其它属性,例如需求量和需求时间。基于属性的预测是对产品和订单包含的所有属性的属性水平的预测。
对产品和订单属性水平的预测比对制造商确定的特定产品的需求量的预测具有至少两方面的优点。首先,有关顾客的研究结果表明,顾客对信息的获取和分析,以及购买决策过程都以产品属性为对象,而不是以产品为对象,是对产品属性的处理过程,而不是对产品的处理过程[32,33]。顾客偏好的形成主要基于属性,而不是基于产品。正因如此,相对于基于产品的预测结果,即相对于对特定产品的某顾客群的需求量,基于属性的预测结果,即各属性的属性水平,更容易被顾客感知为对其特定需求的定制的预测。其次,顾客对其购买的评价及对购后满意程度的评价,绝大多数情况下也是基于属性的,而不是基于产品的。例如,Gardial等[34]发现,在做出售后评价和描述消费结果时,顾客采取基于属性的次数比基于产品的次数要高两倍多。类似地,一个普遍的可观测的现象是,顾客在描述其对同一产品的评价时,可能有复杂的完全不同的观点,对同一产品可能既非常满意又十分不满。出现这种观点的原因是顾客对该产品的某些属性非常满意,而对另外一些属性又非常不满意。如上所述,基于属性的预测提供特定单一顾客所需要的某类产品的各属性的属性水平;基于产品的预测提供目标顾客群对给定产品的需求总量。因此,对属性的预测与顾客对消费经验的描述具有一致性。相对于基于产品预测的结果,这种一致性使顾客对基于属性预测的结果更易于理解,更易于评价。
上述两方面的优点表明,基于属性的预测提供的预测结果不但易于被顾客感知为定制预测,而且易于被顾客理解和评价。消费者行为和营销领域的研究表明,即使是同样的产品和建议,如果是根据某顾客定制的,而不是大众化的,该顾客更易于接受此产品和建议[35]。基于此观点,顾客更易于接受基于属性的预测提供的预测结果。对预测结果的高水平的接受将会使预测更为准确。因此,个性化需求预测如果采用基于属性的预测方式进行预测将有利于提高预测准确率。
4.省略)公司的实践就证明了上述观点。利用顾客先前购买产生的与需求有关的信息及购后产生的信息,亚玛逊对特定单一顾客的兴趣和主题进行预测,并提供与顾客兴趣和主题有关的可供书籍的信息,这些信息的提供有效地促进了顾客的实际购买。通过对顾客需求的预测并把预测结果传递给顾客,亚玛逊提升了其服务水平。服务水平的提升又反过来改善了亚玛逊的预测结果。
基于上述分析,与全变预测方式相比,制造商采取净变预测方式实现基于属性的预测,并同时采取预测反馈顾客的策略,可以对顾客共享的信息做出快速反应,可以向顾客提供更有价值的服务,可以提高顾客的满意度,提高顾客的购买意愿,并且共享给顾客的预测结果还可能对顾客的偏好产生正影响,进而可以改善预测结果。因此,采取以顾客前一次购买订单包含的信息为起始点的净变预测方式实现基于属性的预测,可以显著提高个性化需求预测的预测精度。
5 结论
个性化需求预测是实现即时顾客化定制和解决定制-响应困境问题的主要策略之一。现有文献对个性化需求预测的研究非常有限,仅仅提出了实现个性化需求预测的两种策略和七条原则;并且传统观点认为预测个性化需求是相当困难的。因此,有必要研究个性化需求预测面临的挑战和解决挑战的方法。本文旨在分析个性化需求预测在预测所用信息的获取、理解和转换等三阶段面临的挑战,并提出解决挑战的方法。
本文运用计划行为理论和信息交换理论分析得出,在需求相关信息的获取阶段,个性化需求预测面临的主要挑战是,如何帮助顾客将其拥有的与需求相关的隐性信息转换成显性信息。基于文献普遍接受的两种观点,即“将IT技术和信息系统,以及相关知识融为一体的工具有助于隐性知识转换成显性知识”和“向顾客提供相关的消费词汇可以促进顾客表达他们的隐性偏好”,本文提出了应对该挑战的方法是开发“需求相关隐性信息转换系统”。需求相关隐性信息转换系统是集IT技术、信息系统和消费词汇为一体的有助于顾客将其拥有的与需求相关的隐性信息转换成显性信息的辅助工具。
本文运用“自我推理”和“错误一致性效应”等理论分析得出,在理解需求相关信息阶段,个性化需求预测面临的主要挑战是,制造商在理解顾客需求相关信息时,如何避免自我推理和错误一致性效应。基于认知图作用的分析,本文提出了应对该挑战的方法是充分运用描述顾客价值系统的认知图,理解顾客需求相关信息。
在将顾客需求相关信息转换成预测信息的阶段,个性化需求预测面临的主要挑战是,如何提高预测精度。本文运用锚定-调整过程理论、信念更新范式理论、状态依赖性理论和记忆可接近性优势理论分析得出,制造商采取以顾客前一次购买订单包含的信息为起始点的净变预测方式实现基于属性的预测,将有助于提高个性化需求预测的预测精度。
本文的重点是分析个性化需求预测面临的挑战并提出解决挑战的合理方法,重点不在对所提方法的深入研究。本文的局限在于没有详细地研究所提的应对挑战的方法。因此,还有待进一步深入研究所提的应对方法。
参 考 文 献:
[1]Tang Z, Chen R, Ji X. Operational tactics and tenets of a new manufacturing paradigm ‘instant customerisation’[J]. International Journal of Production Research, 2005, 43(14): 2873-2894.
[2]McCutcheon D M, Raturi A S, Meredith J R. The customization-responsiveness squeeze[J]. Sloan Management Review, 1994, 35(2): 89-99.
[3]Salvador F, Forza C. Configuring products to address the customization-responsive squeeze: a survey of management issues and opportunities[J]. International Journal of Production Economics, 2004, 91(3): 273-291.
[4]唐中君.个性化需求预测的基本原则研究[J].湖北经济学院学报,2005,3(4):101-105.
[5]Fildes R, Beard C. Forecasting system for production and inventory control[J]. International Journal of Operations & Production Management, 1992, 12(5): 4-27.
[6]Bartezzaghi E, Verganti R. Managing demand uncertainty through order overplanning[J]. International Journal of Production Economics, 1995, 40(2-3): 107-120.
[7]Davenport T H. Saving its soul: human-centered information management[J]. Harvard Business Review, 1994, 72(2): 119-131.
[8]Ruggles R. The state of the notion: knowledge management in practice[J]. California Management Review, 1998), 40(3): 80-89.
[9]Ajzen I, Fishbein M. Understanding attitudes and predicting social behavior[M]. Englewood Cliffs, NJ: Prentice-Hall, 1980.
[10]Fishbein M, Ajzen I. Belief, attitude, intention, and behavior: an introduction to theory and research[M]. MA: Addison-Wesley, 1975.
[11]唐中君.即时顾客化定制下的需求信息共享策略研究成果[J].管理评论,2005,17(6):25-29.
[12]Falconer L. Organizational learning, tacit information, and e-learning: a review[J]. The Learning Organization, 2006, 13(2/3): 140-151.
[13]Haldin-Herrgard T. Difficulties in diffusion of tacit knowledge in organizations[J]. Journal of Intellectual Capital, 2000, 1(4): 357-365.
[14]Cheah Y N, Abidi S S R. The role of information technology in the explication and crystallization of tacit healthcare knowledge[J]. Health Informatics Journal, 2001, 7(2): 158-167.
[15]Falconer L. Management decision-making relating to occupational risks: the role of ‘grey data’[J]. Journal of Risk Research, 2002, 5(1): 23-33.
[16]Stover M. Making tacit knowledge explicit: the ready reference database as codified knowledge[J]. Reference Services Review, 2004, 32(2): 164-173.
[17]Herschel R T, Nemati H, Steiger D. Tacit to explicit knowledge conversion: knowledge exchange protocols[J]. Journal of Knowledge Management, 2001, 5(1): 107-116.
[18]Selamat M H, Choudrie J. The diffusion of tacit knowledge and its implications on information systems: the role of meta-abilities[J]. Journal of Knowledge Management, 2004, 8(2): 128-139.
[19]West P M, Brown C L, Hoch S J. Consumption vocabulary and preference formation[J]. Journal of Consumer Research, 1996, 23(9): 120-134.
[20]Debevec K, Romeo J B. Self-referent processing in perceptions of verbal and visual commercial information[J]. Journal of Consumer Psychology, 1992, 1(1): 83-102.
[21]Ross L, Greene D, House P. The ‘false consensus effect’: an egocentric bias in social perception and attribution processes[J]. Journal of Experimental Social Psychology, 1977, 13(3): 279-301.
[22]West P M. Predicting preferences: an examination of agent learning[J]. Journal of Consumer Research, 1996, 23(6): 68-80.
[23]Spicer D P. Linking mental models and cognitive maps as an aid to organizational learning[J]. Career Development International, 1998, 3(3): 125-139.
[24]Codarda L. Le mappe cognitive, uno strumento di analisi per la ricerca sociale e per I’intervento organizzativo[M]. Carocci Editore, Roma, 1998.
[25]Axelrod R. Structure of decision: the cognitive maps of political elite[M]. Princeton University Press, Princeton, NJ, 1976.
[26]Cossette P. Analysing the thinking of F.W. Taylor using cognitive mapping[J]. Journal of Management History, 2002, 40(2): 168-182.
[27]Montazemi A R, Conrath D W. The use of cognitive mapping for information requirements analysis[J]. MIS Quarterly, 1986, 10(1): 45-55.
[28]Pallant A, Timmer P, McRae S. Cognitive mapping as a tool for requirements capture. In Robertson S A, ed. Contemporary Ergonomics[M]. Taylor & Francis, London, 1996.490-500.
[29]Carbonara N, Scozzi B. Cognitive maps to analyze new product development processes: a case study[J]. Technovation, 2006, 26(4): 1233-1433.
[30]Klayman J, Schoemaker P J H. Thinking about the future: a cognitive perspective[J]. Journal of Forecasting, 1993, 12(2): 161-168.
[31]Samsonovich A V, Ascoli G A. Cognitive map dimensions of the human value system extracted from natural language[EB/OL].省略/agiri06/%5B8%5D%20samsonovich_ascoli_revised1.pdf., 2008-11-20.
[32]Bettman J R. A graph theory approach to comparing consumer information processing models[J]. Management Science, 1971, 19(12): 306-311.
[33]Payne J W. Task complexity and contingent processing in decision making: an information search and protocol analysis[J]. Organizational Behavior and Human Performance, 1976, 16(4): 203-210.
[34]Gardial S F, Clemons D S, Woodruff R B, et al.. Comparing consumers’ recall of prepurchase and postpurchase product evaluation experiences[J]. Journal of Consumer Research, 1994, 20(3): 548-560.
[35]Simonson I. Determinants of customers’ responses to customized offers: conceptual framework and research propositions[J]. Journal of Marketing, 2005, 69(1): 32-45.
[36]Kahneman D, Slovic P, Tversky A. Judgment under uncertainty: heuristics and biases[M]. Cambridge University Press, New York, 1982.
[37]Whyte G, Sebenius J K. The effect of multiple anchors on anchoring in individual and group judgment[J]. Organizational Behavior and Human Decision Processes, 1997, 69(1): 75-85.
[38]Cohen J B, Reed II A. A multiple pathway anchoring and adjustment (MPAA) model of attitude generation and recruitment[J]. Journal of Consumer Research, 2006, 33(1): 1-15.
[39]Davids H L, Hoch S J, Ragsdale E K E. An anchoring and adjustment model of spousal predictions[J]. Journal of Consumer Research, 1986, 13(6): 25-37.
[40]Yadav M S. How buyers evaluate product bundles: a model of anchoring and adjustment[J]. Journal of Consumer Research, 1994, 21(2): 342-353.
[41]Wansink B, Kent R J, Hoch S J. An anchoring and adjustment model of purchase quantity decisions[J]. Journal of Marketing Research, 1985, 35(1): 71-81.
[42]Northcraft G B, Neale M A. Amateurs, experts, and real estate: an anchoring-and-adjustment perspective on property pricing decisions[J]. Organizational Behavior and Human Decision Process, 1987, 39(1): 84-97.
[43]Hogarth R M, Einhorn H J. Order effects in belief updating: the belief-adjustment model[J]. Cognitive Psychology, 1992, 24(1): 1-55.
[44]Gupta S, Chintagunta P, Wittink D. Household heterogeneity and state dependence in a model of purchasing strings: empirical results and managerial implications[J]. International Journal of Research Marketing, 1997, 14(4): 341-357.
[45]Moshkin N V, Shachar R. The asymmetric information model of state dependence[J]. Marketing Science, 2002, 21(4): 435-454.
[46]Kardes F R, Gurumurthy K, Chandrashekaran M, et al..Brand retrieval, consideration set composition, consumer choice, and the pioneering advantage[J]. Journal of Consumer Research, 1993, 22(6): 62-75.
[47]Fazio R H, Powell M C, Williams C J. The role of attitude accessibility in the attitude-to-behavior process[J]. Journal of Consumer Research, 1989, 16(6): 280-288.