摘 　 要 　 大数据环境下的网络口碑危机不同于企业其他危机， 危机信号起源于外部海量在线评论信息。针对目前企业网络口碑危机的不可控性， 在分析网络口碑特点与负面网络口碑危害性的基础上， 提出了基于在线评论挖掘的口碑危机预警模型， 并从模型框架、 功能、 模块设计等方面进行了探索。基于大数据处理引擎 Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ 构建在线评论特征属性挖掘模块， 并在此基础上运用情感词模糊隶属函数计算在线评论的情感倾向， 以判断网络口碑现状与走势， 运用智能信息处理方法进行口碑危机的评估诊断， 实现企业网络口碑危机智能化预警功能。

关键词 　 大数据 　 在线评论 　 网络口碑 　 危机预警

０　 引 　 言

美国著名学者胡尚·库克兰在《 管理危机： 挑战与复杂性》 中指出： “ 任何企业， 无论其规模、 性质如何， 都免不了危机的出现” 。［ １ ］ 如果将他的警示引申一下， 我们便可以说： 任何企业， 无论其历史和现在的情况如何， 都避免不了危机的出现， 包括关乎企业形象的口碑危机。企业危机覆盖企业经营活动的方方面面， 根据危机来源的不同， 可以概括为内部危机与外部危机［ ２ ］， 其中内部危机包括： 组织危机、 人力资源危机、 财务危机等， 外部危机包括： 政策性危机、 企业公关危机、 企业口碑危机等。在这诸多的危机中， 又以企业口碑危机尤为关键， 一切企业经营的根本是市场， 而市场由千千万万的消费者组成， 因此消费者对企业的态度反应了企业的目前经营状况以及未来的走势， 而口碑是消费者态度的集中体现， 所以口碑危机预警对企业具有重要的警示作用。随着互联网的普及以及广泛应用， 更多的消费者将自己对产品的评论发布于互联网上， 形成了以互联网为产生和传播平台的影响力更大的网络口碑（ｉ ｎ ｔ ｅ ｒ －ｎ ｅ ｔ 　ｗ ｏ ｒ ｄ－ｏ ｆ －ｍ ｏ ｕ ｔ ｈ ， Ｉ ＷＯＭ ）［ ３ ］ 。但网络信息良莠不齐， 企业的一些负面网络口碑信息在互联网快速传播、 广域扩散， 会加剧企业形象的恶化， 并导致企业的口碑危机， 影响企业的正常经营甚至长远发展［ ４ ］ 。因此， 需要对企业的网络口碑进行监控， 当出现口碑危机信号时及时预警。传统的危机预警都是借助传统方法对企业内部的财务、 管理、 销售、 利润等历史数据或企业外部的竞争情报数据进行分析和预测［ ５ ］ ， 这些数据是以企业自身或竞争对手为主， 忽略了消费者这一关键因素， 这些预警方式通常无法抓住那些影响企业命运的外部因素， 而且企业的网络口碑汇聚于海量的网络数据， 这些预警方法也已经不能满足对海量网络数据的处理与分析， 成为目 前企业危机预警的短板。近几年大数据技术的兴起为基于海量网络数据的口碑分析提供了可能。

１　 大数据时代下的口碑危机企业在收获正面口碑带来成果的同时， 负面口碑的传播也普遍存在。一种情况是当消费者对产品质量与服务的感知低于购买前的期望时， 就会感到不满意，大数据时代消费者会将不满意以在线评论的形式发布于互联网上； 而另一种情况是来自竞争对手的恶意造谣或对企业某一方面不足的刻意放大， 这种负面信息将传递给网络中的每个人， 网络口碑危机由此产生［ ６ ］ 。　

１． １　 企业危机预警中口碑预警的重要性 　 信息在传递过程中因噪音的干扰而产生的失真现象是企业危机发生的根源［ ７ ］ 。因此企业危机预警不仅要知晓引发危机的信息来源， 还要对危机信息的传播过程进行干预［ ８ ］ 。由于外部环境的不确定性， 企业大多数专注于内部危机预警， 忽略了外部环境变化导致的危机。有研究表明， 大多数情况下企业外部危机发生的时候， 危机信息被企业外部人员获悉要比企业内部人员及时。目前企业关于外部危机信息跟踪重点是新闻媒体， 这主要是由于新闻媒体的权威性与跟踪的便利性， 然而随着互联网成为最主要的消费者意见聚集地及网络口碑作用的上升。网络口碑信息作为企业危机预警来源的重要性越发突出， 成为了企业知晓消费者态度及捕捉危机信息的重要来源。首先， 企业网络口碑能及时反映消费者对企业、 品牌及产品的态度， 无论积极的或消极的口碑都通过社会化网络进行病毒式的传播， 形成对企业、 品牌及产品的社会倾向性认知， 对企业的形象带来极大的影响。网络口碑包含消费者态度、 需求等隐性情报， 企业通过监测网络口碑， 可以倾听消费者的意见、 建议， 为企业提供隐性竞争情报。有研究发现， 在关于某产品的所有在线评论信息中， 虽然涉及负面信息的评论只占 １ ８． ７％ ， 但浏览比例却占了 ４ ３． ７％ ， 即负面信息的平均关注率是正面信息的１． ３ ９倍［ ９ ］ 。由此表明在网络中负面信息更容易受到消费者的关注， 负面口碑具有更强的传播性， 其内容多是企业可能存在的危机， 是企业危机爆发的信号，可以作为企业危机预警信息的重要来源。如果企业不及时加以引导及处理， 则会对企业品牌形象造成损失甚至可能引发口碑危机。消费者在传播网络口碑传播过程中往往会将相关竞争企业进行对照， 分析企业之间的优劣势， 因此， 监测网络口碑信息还可以在一定程度上反映行业竞争状态， 及时掌握市场及竞争对手动态。网络口碑作为一种弱信号， 不易于察觉， 因此， 如何防止由负面网络口碑传播而引发企业口碑危机是大数据时代企业危机预警面临的一个最具实质性的难题。将口碑危机预警视为企业危机预警的一个重要组成部分， 对于扩充企业危机预警的信息来源， 完善危机预警的途径， 维护企业品牌形象都有着极其关键的实际意义。　

１． ２　 网络口碑的特点 　

网络口碑危机预警首先需要对消费者的声音（ 主要以在线评论的形式体现） 进行采集、 汇总与分析， 发现隐藏于网络口碑中的关键内容， 挖掘出潜在的威胁， 对消费者口碑传播进行有效的管理与控制。大数据时代的网络口碑具有传统口碑没有的特征：ａ ． 匿名性， 大数据时代无法确认口碑传播者真实身份， 网络口碑与传统口碑一样都是非正式传播。而匿名性， 使得口碑接收者无法确定网络口碑是否仍然具有传统口碑的非商业性， 网络口碑传播也不一定是Ｃ ２ Ｃ的传播， 企业相关人员可以匿名为网络口碑传播者， 发布对自己有利或对竞争对手有害的信息以误导消费者。ｂ ． 多样性， 包括网络口碑形式的多样性和传播渠道的多样性。大数据时代下的口碑形式可以是文本、图片、 音视频等多种形式， 网络口碑的传播渠道既可以是购物平台， 也可以是微博、 论坛及即时通讯工具等。ｃ ． 广域性， 由于网络的虚拟性与便利性， 网络口碑的传播几乎不再受限于空间和时间。影响范围从日常人际关系圈扩展到整个互联网， 网络口碑形成的网络存在更多的弱联结， 这种广度和速度是传统口碑所不能比拟的。ｄ ． 持续性， 网络口碑具有可记录性， 便于消费者浏览和参考。并且随着新的口碑信息的加入， 使得口碑信息得以长时间延续， 口碑内容不断累积， 传播范围不断扩展， 使得网络口碑传播实现了边际效应的递增， 发挥了更强的持续影响力。ｅ ． 聚合性， 具有相同兴趣的消费者在网络交流平台上很容易由一个产品聚集在一起， 聚集在虚拟空间中的消费者能够保持密切交流， 共同创造口碑， 当网络口碑表现出一致的方向性， 即正面信息或负面信息时，表示它代表了大多数消费者的态度， 那么它就对消费者的实际行动带来一定的影响。网络口碑通过不停的传播积累， 更容易转化为消费者的实际行动， 如常见的网络团购活动或联合抵制某品牌行动等。一般情况下， 负面口碑信息比正面口碑信息影响力更大， 而网络口碑的这些特点又带来了网络口碑的双面性， 网络中的口碑失去了严格的把关制度和约束力， 传播者出于利益目的或报复心理， 可能会故意传播不真实的口碑， 破坏企业网络口碑的形象， 给企业的网络口碑营销带来巨大的复杂性， 网络口碑也可能成为企业间恶意竞争的工具。可见网络口碑是一把双刃剑， 企业不能对之放任不管。　

１． ３　 负面网络口碑的危害性 　

 在企业的网络口碑中， 令企业无法忽视的是负面口碑信息， 这些负面口碑逐渐演变为危机的来源， 同时通过网络口碑危机被更加快速广泛地传播。负面口碑对企业的危害性主要在以下两个方面得以体现。ａ ． 低消费者忠诚度， 减少潜在消费者。有研究表明， 当消费者对产品产生不满时， 只有４％会对企业进行投诉， 而８ ０％的消费者会传播自己不愉快的消费经历。ｂ ． 损害企业形象， 阻碍长远发展。负面口碑会对企业的品牌形象产生很大的不利影响， 从而减低企业的市场竞争力， 随着企业现有及潜在消费者的流失， 势必会阻碍企业的长远发展。

２　 基于在线评论的网络口碑危机预警模型构建　

２． １　 可行性分析 　 通过上述分析可知， 网络口碑包含文本、 图片、 音视频等各种形式， 而其中的文本数据才是适合目前的自然语言处理技术分析的网络数据，在线评论作为网络口碑的主要文本体现形式， 广泛存在于购物平台、 网络社区、 微博等具有大量消费者活动的网络场所， 对消费者的品牌口碑感知有着巨大的影响。在线评论作为来自消费者的声音， 以其来源的高可信度及分析的高效性被广大学者用于网络口碑的研究当中［ １ ０ ］ 。网络口碑信息并不是网络中直接存在的数据， 而是通过相关技术从海量在线评论数据中经过提取并分析得来的结果。相比于一般模型， 预警模型的及时性尤其关键， 而大数据技术相比于传统的信息处理技术具有快速处理海量数据的优势， 并逐渐进入学者的视野［ １ １ ］ 。网络中海量的在线评论数据为网络口碑危机预警提供了数据来源， 大数据技术为预警模型提供了及时准确的计算分析支持， 可见网络口碑危机预警模型不仅具有实际需求的迫切性， 也有理论研究上的可行性。　

２． ２　 口碑危机预警模型框架 　 企业网络口碑危机预警从运行过程上分为 ４ 个步骤， 从功能组成上具体分为 ７ 个功能模块， 具体运行模式如图 １ 所示。ａ ． 警源监测。警源是企业产生危机的根源， 警源监测与警讯识别是预警工作的起点。警源监测就是要在指定平台上结合企业预先设定的与企业相关的关键词库进行消费者在线评论采集， 及时全面收集可能包含危机信号的在线评论信息。信息的真实性至关重要， 我们需要从采集到的海量的在线评论集中， 识别出与企业相关的在线评论。ｂ ． 分析评估。包括在线评论中企业属性特征词的提取以及情感倾向的分析， 利用挖掘到的在线评论信息预测企业网络口碑的现状及未来的走势。ｃ ． 危机预警。依据警兆的变化状况， 对危机给企业口碑可能造成的危害进行系统和动态的评估， 根据危机警度的计算原理及各指标的设定情况计算警度，评估警情的警界区间， 确定警情等级， 可分为无警、 轻警、 中警、 重警及巨警５种级别。ｄ ． 危机预控。由预案策略库、 预案选择机制、 危机预控的实施３ 部分组成， 依据警情等级， 制定针对性的危机预案。该模型的重点在于基于海量在线评论的口碑分析评估阶段， 为了保证预警模型的及时准确性， 我们将在挖掘到在线评论的相关信息后基于大数据平台分析企业网络口碑。　

２． ３　 在线评论的挖掘分析 　 在线评论的挖掘过程分为两个步骤： 首先， 有效挖掘与选择在线评论中的企业相关属性特征词， 特征词的挖掘基于大数据处理引擎 Ｍ ａｐ Ｒ ｅ ｄ ｕ ｃ ｅ技术； 然后， 建立在线评论的情感强度分析模型， 企业的口碑覆盖从服务到产品质量的方方面面， 口碑预警需要具有针对性， 即企业的哪个属性特征存在危机， 需要对企业各属性特征的网络口碑进行分析， 本文在进行相关属性特征词情感分析的基础上，识别负面网络口碑。

２． ３． １　 消费者关注重点的挖掘 　 在线评论内容中， 与企业的网络口碑密切相关的是其产品的品牌、 质量、 服务、 价格等特征属性， 不同的产品对应着不同的特征属性， 若某个特征词被消费者多次提到， 表明它是消费者普遍关心的问题， 这时企业需要及时对该类属性进行关注， 发现问题所在， 并及时向消费者反馈相关处理结果。企业网络口碑危机预警在于及时准确地发现负面口碑， 准确取决于数据是否全面、 算法模型是否合理，而及时则更多的取决于信息技术平台的处理速度。相比于传统的信息处理技术， 大数据技术具有处理海量数据的优势， 大数据处理引擎 Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ是本预警模型中对海量在线评论数据进行处理的关键技术［ １ ２ ］， 基于 Ｍ ａｐ Ｒ ｅ ｄ ｕ ｃ ｅ的特征属性向量的提取是挖掘消费者关注重点的关键， 并且该挖掘方法的有效性在作者的另一篇文章文献［ １ ３ ］ 中已得到了验证 ［１ ３ ］ 。由于篇幅有限， 具体的实证流程详见文献［ １ ３ ］ ， 下面介绍基于Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ技术的算法挖掘流程。在特征属性向量的提取中， 我们需要了解特征词在在线评论集中的重要性， 本模块采用 Ｔ Ｆ． Ｉ Ｄ Ｆ 的指标形式， 其中，ｆｉ ｊ为特征词 ｗ ｉ 在在线评论 ｊ 中出现的次数， 特征词 ｗ ｉ 在在线评论 ｊ 中的词项频率［ １ ４ ］ ：Ｔ Ｆｉ ｊ＝ｆｉ ｊｍ ａ ｘ ｋ ｆｋ ｊ若特征词 ｗ ｉ 在所有在线评论集中的 ｎ ｉ 条中出现，特征词的 Ｉ Ｄ Ｆ 定义是：Ｉ Ｄ Ｆ ｉ ＝ ｌ ｏ ｇ ２Ｎｎ ｉｎ ｉ 和 ｆｉ ｊ都不能简单的通过 Ｒ ｅ ｄ ｕ ｃ ｅ 函数得到。这里就需要对 Ｍ ａｐ Ｒ ｅ ｄ ｕ ｃ ｅ 进行扩展， 将 Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ 中Ｍ ａ ｐ 和 Ｒ ｅ ｄ ｕ ｃ ｅ任务进行嵌套使用、 并结合多个 Ｍ ａ －ｐ Ｒ ｅ ｄ ｕ ｃ ｅ的 循 环 进 行， 构 建 Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ 的 组 合 器。Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ组合器工作流程如图２所示：其中， Ｍ ａｐ 任务用于在线评论的分词， Ｒ ｅ ｄ ｕ ｃ ｅ 任务 １用于计算单个在线评论 ｊ 中特征词 ｗ ｉ 出现的次数 ｆｉ ｊ；去重任务的输入是单个 Ｍ ａ ｐ 任务的所有输出，作用是检查当前输入键值是否存在， 若不存在， 则输出键值， 否则忽略当前键值， 去重任务可以保证单条在线评论 ｊ 中的特征词 ｗ ｉ 只被记录一次； 按键分组是将所有 具 有 相 同 键 值 的 ｋ ｅｙ － ｖ ａ ｌ ｕ ｅ 对 合 并，形 成ｋ ， ｖ １ ， ｖ ２ ， …， ｖ ｎ ［ ］ （ ） ， 然后输入 Ｒ ｅ ｄ ｕ ｃ ｅ 任务 ２ ； Ｒ ｅ －ｄ ｕ ｃ ｅ 任 务 ２ 的 作 用 是 将 与 键 值 ｋ 相 关 联 的 值ｖ １ ， ｖ ２ ， …， ｖ ｎ ［ ］ 相加， 得到特征词 ｗ ｉ 在在线评论集中的 ｎ ｉ 条中出现；无用词、 常用词过滤任务用于过滤数字、 时间以及停用词等对网络口碑不产生影响或影响可忽略不计的词。通过 Ｍ ａｐ Ｒ ｅ ｄ ｕ ｃ ｅ 组合器， 最终可以得到在线评论数据处理后的结果， 保留每条在线评论中的前１ ０个Ｔ Ｆ． Ｉ Ｄ Ｆ值， 识别它们对应的主题， 并以向量空间模型（ Ｖ Ｓ Ｍ ） 的形式生成， Ｖ Ｓ Ｍ 的行表示主题数， 列表示在线评论数， 向量的维数根据模型的实际需求确定。Ｔ Ｆ． Ｉ Ｄ Ｆ指标能够很好地完成在线评论的主题识别， 但是要进行消费者关注重点的挖掘还需要统计出每个主题所包含的在线评论数， 可通过 Ｖ Ｓ Ｍ 与单位列向量的 乘 积 得 到， Ｖ Ｓ Ｍ 的 运 算 采 用 基 于 Ｍ ａｐ Ｒ ｅ －ｄ ｕ ｃ ｅ的矩阵－向量乘法， 是因为向量是由采集到的海量在线评论数据生成的， 向量维数已经超出了传统的向量计算方法的极限。基于 Ｍ ａｐ Ｒ ｅ ｄ ｕ ｃ ｅ 的矩阵 － 向量乘法的实现过程是，设矩阵 Ｍ 是 ｍ × ｎ 维， Ｍ 中第 ｉ 行、 第 ｊ 列的元素记为 ｍ ｉ ｊ ， 现有 ｎ 维列向量 Ｖ ， 它的第 ｊ 个元素是 ｖ ｊ 。矩阵 Ｍ 与向量 Ｖ 的乘积为一个 ｍ 维向量 Ｘ ， 则向量 Ｘ的第 ｉ 个元素为：ｘ ｉ ＝ ∑ｍｊ ＝１ ｍｉ ｊｖ ｊ这里， Ｍ ａｐ 任务 ｉ 的输入是矩阵 Ｍ的第 ｉ 行与向量 Ｖ 。对每个 ｍｉ ｊ， Ｍ ａｐ 任务将生成ｋ ｅ ｙ －ｖ ａ ｌ ｕ ｅ对 （ ｉ ，ｍｉ ｊ） ， 可以看出， 用于计算 ｘ ｉ 的 ｎ 个 ｍｉ ｊｖ ｊ 的键值都相同， 那么在 Ｍ ａ ｐ 任务的结果输入 Ｒ ｅ ｄ ｕ ｃ ｅ任务之前， 它们会按键值合并， Ｒ ｅ ｄ ｕ ｃ ｅ任务就可以将与键ｉ关联的ｍｉ ｊｖ ｊ 相加得到（ ｉ ， ｘ ｉ ） ， 最后组合输出的就是向量 Ｘ 。Ｘ 就是消费者关注的重点占在线评论集的比重，比重越大， 表明该问题被越多的消费者关注， 企业需要对这些问题予以关注。

２． ３． ２　 负面网络口碑分析 　 消费者关注的重点并不一定都会带来口碑危机， 只有那些可能形成负面口碑的重点话题才能导致口碑危机， 因此， 我们还需要识别消费者关注重点中的负面口碑。本文的在线评论情感分析具有其特殊性， 是应用于企业网络口碑预警分析中的， 企业口碑形式的多样性决定了本文需要针对不同属性特征分析其情感倾向， 因此需要在属性特征的基础上进行特征的情感分析。这就需要我们对在线评论中包含的消费者对某个特征的情感倾向进行分析， 在线评论中情感词往往是对产品属性特征词的评价， 评论的情感强度的确定， 不仅需要挖掘在线评论对产品属性特征词的评价， 还需要确定情感词与产品属性特征词的搭配关系。本文采用基于模板和距离的方法来提取评论中的情感词， 该方法的优势在于， 一、 模板匹配的速度比较快， 贴合预警模型及时性的需求； 二、 在线评论的文本不同于企业发布的产品信息， 具有不规范性， 而该方法对文本的规范化要求较小。为了完成评论内容的情感倾向分析， 需要对各情感词进行模糊化处理， 将情感词的强度在类别连续体上分为正负各５个级别， 即微（ Ａ ） 、 弱（ Ｂ ） 、 中（Ｃ ） 、 强（ Ｄ ） 、 极（ Ｅ ） ， 每个级别对应于一个模糊隶属度函数， 分别为－Ｅ 、－Ｄ 、 －Ｃ 、 －Ｂ 、 －Ａ 、 ＋Ａ 、 ＋Ｂ 、 ＋Ｃ 、 ＋Ｄ 、 ＋Ｅ ， 采用高斯函数定义１ ０个情感级别的模糊隶属函数：μ ｗ 　 ｘ（ ） ＝ ｆ ｗ ｘ ， δ ｗ ， α ｗ （ ） ＝ｅ ｘ ｐ－ ｘ － α ｗ （ ）２２ δ２ｗ［ ］（１ ）其中， ｗ ∈ ｛－ Ｅ 、 － Ｄ 、 － Ｃ 、 － Ｂ 、 － Ａ 、 ＋ Ａ 、 ＋ Ｂ 、＋ Ｃ 、 ＋ Ｄ 、 ＋ Ｅ ｝ ， δ ｗ 、 α ｗ 分别是对应情感级别 ｗ 的高斯模糊隶属函数的标准差与期望值。根据相邻隶属函数的交集的适度原则， 设 δ ｗ ＝０． ４ ， 情感强度为负时， ｘ ∈［－４ ， ０ ］ ， α － Ｅ ＝－４ ，α － Ｄ ＝－３ ， α － Ｃ ＝－２ ， α － Ｂ ＝－１ ，α － Ａ ＝－ ０ ； 情感强度为正时， ｘ ∈ ［ ０ ， ４ ］ ， α ＋ Ａ ＝ ０ ， α ＋ Ｂ ＝１ ， α ＋ Ｃ ＝ ２ ， α ＋ Ｄ ＝ ３ ， α ＋ Ｅ ＝ ４ 。情感词模糊隶属函数的隶属度如图 ３ 所示。经过情感倾向分析， 消费者关注的重点话题情感强度为０ 、 －１ 、 －２ 、 －３ 、 －４分别表示无警、 轻警、 中警、 重警及巨警５种级别。

３　 预警模型各模块设计与功能描述　

３． １　 信息采集与识别模块 　 该模块主要完成在线评论的采集以及企业相关评论的提取， 由以下几个子任务构成：ａ ． 采集算法关键词库。词库存储与企业相关的资源采集算法中涉及的各类关键词与敏感词， 以及关键词与敏感词的组合信息， 并以人工方式根据特定需求扩展组合词表， 扩大相关信息的搜索范围， 提高搜索效果。ｂ ． 分布式网络爬虫采集。分布式网络爬虫采集算法将按照预设的采集算法和规则， 按照既定目标全天候对企业指定的平台以及主要的消费者交流平台等在线评论信息进行跟踪和监测。ｃ ． 企业相关信息识别。该任务根据目标需求， 将采集的数据进行预处理， 即过滤大量无用的、 无关的信息， 只保留对口碑危机预警有价值的数据。信息采集与识别模块流程如图４所示。

３． ２　 口碑危机分析模块 　 识别出对企业有价值的在线评论数据后， 接下来的工作就是对数据的深加工，利用上述的在线评论挖掘方法， 提取在线评论中的特征属性及判断消费者的情感倾向， 应用计算机与人工智能技术， 结合专家的知识和经验， 模拟专家的决策过程， 对企业的网络口碑进行分析与评估。其中， 在线评论挖掘与专家知识库是该模块的核心， 基于在线评论挖掘得到的信息只有结合专家知识库才能转化为预警模型需要的企业口碑信息。企业口碑分析流程如图 ５所示。

３． ３　 口碑危机预警模块 　 经过口碑危机分析模块得到的企业口碑结果， 运用智能信息处理方法进行口碑危机评估诊断， 并通过自动对比预先设置的阀值与警报条件， 实现企业口碑危机智能化预警功能， 并能依据企业间口碑的对比分析， 提取相关竞争情报信息。口碑危机预警流程如图６所示。

３． ４　 危机预控模型 　 构建企业口碑危机预警系统的目的是为了预防与控制危机， 危机预控直接关系到企业能否及时地避免危机， 是危机预警的落脚点， 根据警度与实际口碑危机分类提出干预、 控制或引导企业口碑未来走势的管理策略， 并能指出有效解决危机的方法， 帮助企业做出决策。其流程如图７所示。

４　 结 　 论

大数据时代下的企业是暴露在公众视野下的， 消费者传播的任何关于企业的负面口碑都可能引起轩然大波， 未能及时应对就可能使企业陷入不利的境地， 损害企业多年经营而来的品牌形象。面对这样的复杂环境， 企业口碑危机预警是企业生存与发展的客观需求，构建口碑危机预警系统对企业改善经营状况、 树立品牌形象具有重要现实意义。企业虽然不能对消费者传播网络口碑的内容与形式进行控制， 但是可以借助大数据技术构建预警模型监测消费者传播的在线评论信息， 预测网络口碑发展趋势， 评估危害程度， 及时向企业发出危机信号， 使企业能够提前介入危机， 有效的进行负面口碑的预控， 避免企业口碑危机的出现。

参 考 文 献［ １ ］ 　 谢俊贵． 社会组织公共关系危机预防管理研究［ Ｊ ］ ． 中国软科学， １ ９ ９ ８ （８ ） ： １ １ ８－１ ２ ２．［ ２ ］ 　Ｍ ｏ ｎ ｉ ｋ ａ 　Ｂ ｕ ｃ ｈ ｅ ｒ ， Ｄ ｉ ｅ ｍ ｏ 　Ｄ ｉ ｅ ｔ ｒ ｉ ｃ ｈ ， Ａ ｃ ｈ ｉ ｍ　Ｈ ａ ｕ ｃ ｋ．Ｂ ｕ ｓ ｉ ｎ ｅ ｓ ｓＣ ｙ ｃ ｌ ｅ ｓ ， Ｂ ａ ｎ ｋ 　Ｃ ｒ ｅ ｄ ｉ ｔ 　ａ ｎ ｄ 　Ｃ ｒ ｉ ｓ ｅ ｓ ［ Ｊ ］ ． Ｅ ｃ ｏ ｎ ｏ ｍ ｉ ｃ ｓ 　Ｌ ｅ ｔ ｔ ｅ ｒ ｓ ， ２ ０ １ ３ ，１ ２ ０ （ ２ ） ： ２ ２ ９－２ ３ １．［ ３ ］ 　Ｄ ｕ ａ ｎ　Ｗ ， Ｇ ｕ 　Ｂ ， Ｗ　ｈ ｉ ｎ ｓ ｔ ｏ ｎ 　Ａ 　Ｂ．Ｔ ｈ ｅ 　Ｄ ｙ ｎ ａ ｍ ｉ ｃ ｓ 　ｏ ｆ 　Ｏ ｎ ｌ ｉ ｎ ｅＷｏ ｒ ｄ －ｏ ｆ －ｍ ｏ ｕ ｔ ｈ 　ａ ｎ ｄ 　Ｐ ｒ ｏ ｄ ｕ ｃ ｔ 　Ｓ ａ ｌ ｅ ｓ －Ａ ｎ 　Ｅｍ ｐ ｉ ｒ ｉ ｃ ａ ｌ 　Ｉ ｎ ｖ ｅ ｓ ｔ ｉ －ｇ ａ ｔ ｉ ｏ ｎ 　ｏ ｆ 　ｔ ｈ ｅ 　Ｍ ｏ ｖ ｉ ｅ 　Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙ ［ Ｊ ］ ． Ｊ ｏ ｕ ｒ ｎ ａ ｌ 　ｏ ｆ 　Ｒ ｅ ｔ ａ ｉ ｌ ｉ ｎ ｇ ， ２ ０ ０ ８ ，８ ４ （ ２ ） ： ２ ３ ３－２ ４ ２．［ ４ ］ 　Ｍ ａ 　Ｙ 　Ｔ ， Ｃ ａ ｉ 　Ｓ Ｑ ， Ｗ ａ ｎ ｇ 　 Ｒ． Ｓ ｔ ｕ ｄｙ ｏ ｎ 　ｔ ｈ ｅ 　Ｍ ｅ ｔ ｈ ｏ ｄ 　ｏ ｆ 　Ｉ ｄ ｅ ｎ ｔ ｉ ｆ －ｙ ｉ ｎ ｇ 　 Ｏ ｐ ｉ ｎ ｉ ｏ ｎ 　Ｌ ｅ ａ ｄ ｅ ｒ ｓ 　Ｂ ａ ｓ ｅ ｄ 　ｏ ｎ 　Ｏ ｎ ｌ ｉ ｎ ｅ 　Ｃ ｕ ｓ ｔ ｏ ｍ ｅ ｒ 　Ｒ ｅ ｖ ｉ ｅ ｗ ｓ［ Ｃ ］ ． １ ８ ｔ ｈ 　Ｉ ｎ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ 　Ｃ ｏ ｎ ｆ ｅ ｒ ｅ ｎ ｃ ｅ 　ｏ ｎ　Ｍ ａ ｎ ａｇ ｅ ｍ ｅ ｎ ｔ 　Ｓ ｃ ｉ ｅ ｎ ｃ ｅａ ｎ ｄ 　Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｒ ｏ ｍ ｅ ， Ｉ Ｔ Ａ Ｌ Ｙ ， ２ ０ １ １ ： １ ０－１ ７．［ ５ ］ 　 王克平， 蒋 　 玲 ． 基于竞争情报的企业危机预警体系研究［ Ｊ ］ ．情报理论与实践， ２ ０ ０ ９ ， ３ ２ （ １ ２ ） ：５ ６－５ ９．［ ６ ］ 　 毕继东， 胡正明 ． 网络口碑传播研究综述［ Ｊ ］ ． 情报杂志， ２ ０ １ ０ ，２ ９ （ １ ） ： １ １－１ ６．［ ７ ］ 　 张玉波 ． 危机管理智囊［ Ｍ ］ ． 北京： 机械工业出版社， ２ ０ ０ ４ ： ６ ６－６ ７．［ ８ ］ 　 唐雪梅， 赖胜强， 朱 　 敏 ． 网络口碑信息特征对受众再传播意愿影响研究［ Ｊ ］ ． 情报杂志，２ ０ １ ２ ， ３ １ （ ４ ） ： １ ３ ３－１ ３ ７．［ ９ ］ 　 媒体社会化挑战营销定式网络口碑管理刻不容缓［ Ｅ Ｂ ／ Ｏ Ｌ ］ ．［ ２ ０ ０ ９－ ０ ３－ ０ ２ ］ ． ｈ ｔ ｔｐ ： ｎ ｅ ｗ ｓ ． ｘ ｉ ｎ ｈ ｕ ａ ． ｎ ｅ ｔ ． ｃ ｏ ｍ ／ ｎ ｅ ｗｍ ｅ ｄ ｉ ａ／２ ０ ０ ７－１ ２ ／ ２ ５ ／ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ＿ ７ ３ ０ ８ １ ８ ９． ｈ ｔ ｍ．［ １ ０ ］龚诗阳， 刘 　 霞， 刘 　 洋等 ． 网络口碑决定产品命运吗 － 对线上图书评论的实证分析［ Ｊ ］ ． 南开管理评论，２ ０ １ ２ ， １ ５ （ ４ ） ： １ １ ８－１ ２ ８．［ １ １ ］ Ｈ ｉ ｌ ｂ ｅ ｒ ｔ 　Ｍ ， Ｌ ｏ ｐ ｅ ｚ 　Ｐ． Ｔ ｈ ｅ 　Ｗｏ ｒ ｌ ｄ ＇ ｓ 　Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ 　Ｃ ａ ｐ ａ ｃ ｉ ｔｙ ｔ ｏＳ ｔ ｏ ｒ ｅ ， Ｃ ｏ ｍｍ ｕ ｎ ｉ ｃ ａ ｔ ｅ ， ａ ｎ ｄ 　Ｃ ｏ ｍ ｐ ｕ ｔ ｅ 　Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ［ Ｊ ］ ．Ｓ ｃ ｉ －ｅ ｎ ｃ ｅ ， ２ ０ １ １ ， ３ ３ ２ （ ６ ０ ２ ５ ） ： ６ ０－６ ５．［ １ ２ ］ Ｋ ｉ ｔ ｓ ｏ ｓ 　Ｉ ， Ｍ ａｇ ｏ ｕ ｔ ｉ ｓ 　Ｋ ， Ｔ ｚ ｉ ｔ ｚ ｉ ｋ ａ ｓ 　Ｙ． Ｓ ｃ ａ ｌ ａ ｂ ｌ ｅ 　Ｅ ｎ ｔ ｉ ｔ ｙ －ｂ ａ ｓ ｅ ｄＳ ｕ ｍｍ ａ ｒ ｉ ｚ ａ ｔ ｉ ｏ ｎ 　ｏ ｆ 　Ｗ ｅ ｂ 　Ｓ ｅ ａ ｒ ｃ ｈ 　Ｒ ｅ ｓ ｕ ｌ ｔ ｓ 　Ｕ ｓ ｉ ｎ ｇ 　 Ｍ ａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ ［ Ｊ ］ ．Ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｅ ｄ 　ａ ｎ ｄ 　Ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ 　Ｄ ａ ｔ ａ ｂ ａ ｓ ｅ ｓ ， ２ ０ １ ４ ， ３ ２ （ ３ ） ： ４ ５－４ ４ ６．［ １ ３ ］李金海， 何有世， 熊 　 强． 基于大数据技术的网络舆情文本挖掘研究［ Ｊ ］ ． 情报杂志，２ ０ １ ４ ， ３ ３ （ １ ０ ） ： １－６．［ １ ４ ］ Ｓ ａ ｌ ｔ ｏ ｎ 　Ｇ．Ｔ ｈ ｅ 　Ｓ ＭＡＲ Ｔ 　Ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ 　Ｓ ｙ ｓ ｔ ｅ ｍ － Ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ｓ 　ｉ ｎＡ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｃ 　Ｄ ｏ ｃ ｕ ｍ ｅ ｎ ｔ 　Ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ［ Ｍ ］ ．Ｅ ｎ ｇ ｌ ｅ ｗ ｏ ｏ ｄ 　Ｃ ｌ ｉ ｆ ｆ ｓ ，Ｎ ｅ ｗ 　Ｊ ｅ ｒ ｓ ｅ ｙ ： Ｐ ｒ ｅ ｎ ｔ ｉ ｃ ｅ 　Ｈ ａ ｌ ｌ 　Ｉ ｎ ｃ ， １ ９ ７ １．