摘要 B2C電子商務環境下的決策支持系統主要包括專家系統，推薦系統和智能代理系統或者其組合等。其目標是幫助消費者發現和澄清需求，在網絡海量的信息環境下發現和比較信息，篩選符合客戶需要的產品，或者提供建議。該文回顧了近年來網上決策支持系統的研究進展，并對其在B2C電子商務中的應用前景和研究發展趨勢進行了預測與展望。 關鍵詞 B2C，消費者，決策支持系統。 同傳統購物過程一樣，消費者的網上購物決策行為可分為需求認知、信息搜索、選擇性評價、購買和購買后評價5個階段。只是，網絡作為一個重要的信息來源，以其豐富的信息、方便的搜索引擎、低廉的搜索成本等優勢，迅速成為消費者外部信息搜索的重要方式。基于對消費者在前購物階段的外部信息搜索和提供人性化的產品和服務推薦的網絡信息來源的研究，Senecal和Nantel（2002）把網上推薦來源分為3種類型[1]：（1）其他消費者（如，親戚、朋友、熟人等）；（2）專家（如銷售員、獨立專家等）；（3）專家系統（Expert System，ES）和消費者決策支持系統（Consumer decision support system）（如推薦系統和智能代理系統）。對于前兩種類型的信息來源，它也適用于傳統購物，在對傳統購物的消費者行為研究中經常使用，而且已公認它們影響了消費者的決策和購買行為。 決策支持系統（Decision Support System，DSS）是70年代初期發展起來的面向用戶的一種交互系統，傳統的決策支持系統由人機接口、數據庫、模型庫三個子系統及它們之間的接口組成，其主要目的是支持半結構化和非結構化的決策問題，以提高決策效能[2]。智能決策支持系統（Intelligent Decision Support System，IDSS）是專家系統與決策支持系統的集成體。相當于Senecal和Nantel（2002）對網絡信息來源分類中的第三類。它完成定性的知識推理、定量的模型計算、大量的數據處理并形成有機整體[3]。對于B2C電子商務環境下的消費者購物決策來說，決策支持系統的目標是幫助消費者發現和澄清需求，在網絡海量的信息環境下發現和比較信息，篩選符合客戶需要的產品，或者提供建議[4]。 近來決策支持系統的研究更加趨向于使其智能化、人性化，通過對網上消費者購物決策行為的經驗性研究，致力于建立一個能有效地促進消費者在其進行網上購物時做出決策的交互作用系統。基于以上分析，本文回顧了近年來網上決策支持系統的研究進展，將這些研究分成三種類型：理論研究、方法研究和應用研究（理論研究和方法研究的區別在于，是否建立了決策支持系統的模型，而應用研究則是對某一具體的決策支持系統的應用），并對其在B2C電子商務中的應用前景和研究發展趨勢進行了預測與展望。 1 決策支持系統的理論研究 雖然網上商店在20世紀80年代就已經出現，但是絕大多數的網上商店也就只有幾周歲而已。所以，雖然現存的網上交易的類型很多，哪種類型真正適合網上交易，并在未來盛行目前并不清楚。目前占優勢的網上交易主要有[5]： （1）固定價格（Fixed price）。傳統的網上商店，其商品來自一家零售商。 （2）拍賣機構（Auction houses）。消費者可以對一些項目進行投標（如，易趣）。 （3）信息媒體庫（Infomediaries）。把幾個商店或制造商的商品集中到一個大的框架體系下。并不直接零售商品，而是提供商品相關信息，其服務鏈由其他一些確立良好的網上商店組成，其功能相當于搜索引擎。（如，www.Chemdex.com） （4）混合商店（Hybrid stores）。既零售商品，也是一個信息媒體庫（如，卓越）。 因此，在設計電子商務工具時，必須考慮特定的交易類型和信息呈現方式。網絡是由用戶驅動（user-driven）的，交流的開始和中止，都是由用戶決定的——只需要點擊一下鼠標即可，而用戶在進行購物時，通常并沒有明確的購物目的。因此，一個設計良好的決策支持系統必須適應買方和賣方雙方的需要，其信息的組織與交互要與用戶的內在認知活動相一致[6]。 決策支持系統通常包括一些問題，通過用戶對這些問題的回答來發現最適合用戶的選項。這就涉及到問題的設計，數據存儲及檢索兩方面的內容。這兩個方面是互相聯系，互相制約的，其核心和關鍵是數據存儲和檢索技術的發展。 1.1 問題設計 過去的問題設計通常包括一些冗長的，一步到位式的問題，它對應著數據檢索和存儲中基于案例的推理（Case-Based Reasoning，CBR）技術，通過用戶對這些問題的回答來搜索數據庫并進行推薦，但這并不能使用戶感到滿意。目前的問題設計致力于通過最小的問題集來實現這一目標。此外，用戶對于其需求通常只有一個含糊的觀點，因此，一箭中的策略顯然是不理想的，必須采用一個多階段的檢索過程：首先，通過最初的信息來檢索第一個候選集，然后用一些問題來削減上次得到的子集，直到獲得易處理的候選集為止。在每一個階段所提出的問題最好能在最大程度上在該點上區分出候選集中的案例，因此，用戶在每一個階段的回答都會影響所提問題的順序。 1.2 數據的存儲及檢索 近年來，由于支持大容量數據的有效存儲和檢索技術——數據倉庫（data warehouse）和聯機分析處理（online analytical processing， OLAP）產品的實用性大大增強，決策支持系統中數據庫的使用也飛速增長。數據倉庫是用于決策支持的企業歷史數據的在線知識庫，而OLAP則是使用戶能夠有效的從數據倉庫中檢索數據的一種技術[7]。 1.2.1 基于案例的推理（CBR） 為了幫助分析家關注重要數據并作出更好的決策，最早由Shanker在1982年發表的《Dynamic Memory》中，提出了基于案例的推理思想，并由其學生經過多年的工作逐漸發展起來，是人工智能中新崛起的一項重要推理技術。它與類比推理相類似，但又不完全等同于類比推理。它在很大程度上符合專家迅速、準確的求解新問題的過程[8]。其核心思想是：人們以前對該類問題的求解經驗——案例，是按一定的組織方式存儲在案例庫中的，當用戶輸入待求解的新問題時，系統首先從案例庫中尋找這種案例或者近似于這種案例的案例。如果找到的案例與待求解的案例的描述完全一致，則將這些案例對問題的解輸出。否則，根據對待求解問題的描述，對檢索出來的案例進行修改，以產生一個符合問題求解要求的解并將其輸出；同時將這個問題的求解作為一個新的案例再存儲到案例庫中。因此，在以后進行系統求解時，就可以利用案例庫中所有已知的案例，而不必每次都從頭開始。

1.2.2 漸進案例推理（incremental case-based reasoning technique， I-CBR） Cunningham和Smyth（1994）將錯誤診斷領域發展并應用起來的漸進案例推理技術應用于決策支持系統的特征選擇，它是對基于案例的推理的發展，是多次的基于案例的推理。該技術并不要求首先獲得對所有目標元素的描述，而是通過詢問用戶一些焦點問題逐漸建立這一描述。 漸進案例推理技術使用獲得的信息來尋找最能夠區別目前的集合中的所有案例的特征，該信息是有分類的，從而能夠鑒定每一個特定特征的區分力。但數據倉庫中存儲的通常是未分類數據，因此，Doyle和Cunningham認為，需要使用另一種度量衡來應用多階段檢索技術，或者對未分類數據首先進行聚類分析，然后再運用漸進案例推理技術進行測量[9]。 雖然基于案例的推理是測量產品的相似性的最流行的方法，但是也遭到了一些批評。Lee認為，雖然該方法能夠找出與用戶需要最相似的產品，但卻忽視了產品的適宜性，從而把一些低質量的商品推薦給消費者。為了解決這一問題，就需要采用多屬性決策方法（multi-attribute decision- making method）同步考慮消費者需求和產品質量[10]。 2 決策支持系統的方法研究 正如前文所述，用戶在進入網上購物界面時，通常對其需求只有一個模糊的概念，因此，網上購物商店不僅需要提供豐富的商品或可以商量的價格，而且其信息呈現的方式還要能吸引用戶，增強其購物敏感性。基于這一考慮，Shoji和Hori提出了一種網上購物中推動用戶觀念清晰化的交互作用方法——S-Conart（concept articulator for shoppers），致力于建立一個消費者在其進行網上購物時能有效促進其作出決策的交互作用系統，并用該系統做出一系列評估實驗來檢驗在建立該系統時所使用的方法在促進購買觀念清晰度上的有效性 [11]。 Shoji和Hori（2001）通過研究消費者和店員的交流，發現店員對于促進消費者購物概念清晰化有著積極的作用，他們可以提供與消費者當時不一致的觀點，其作用主要表現在兩個方面：為形成概念提供支持（通過改變消費者的觀點，引起搜索目標本身的改變，從而促進其決策過程），為確信決策提供支持（使消費者能夠順利接受店員的觀點，并相信他們的決定是正確的）。S-Conart方法通過兩種類型的信息呈現方式來實現店員的這兩種作用。 對于為形成概念提供支持，S-Conart采用基于多維量表（multi-dimensional scaling，MDS）的空間配置類型（spatial-arrangement style）的信息呈現方法，并提供了另一種列表類型的信息呈現界面作為對比。對于為確信決策提供支持，S-Conart提供了兩種功能：一是通過使消費者瀏覽對其所感興趣的商品的評論（這些評論還包括評論者購買產品時的情境信息），促進用戶對其決策的信心；二是通過情境信息窗口，用圖表和樹型圖兩種方式，呈現產品評論中的相關字詞，從而促進消費者概念的清晰化。 消費者除了對其需求概念模糊之外，對其不經常購買的商品常常也沒有足夠的知識來對同類產品作出評價。因此，他們在作出購物決策的過程中特別需要得到該領域的專家的幫助。在網上購物環境中，智能決策支持系統則需要扮演專家這種角色，不僅能夠與消費者進行交互從而獲取和分析其需求，而且有能力去評價各種不同類型的產品，用最低的成本給出最適合消費者要求的建議。消費者的購物決策，不僅包括購買哪種產品，而且包括產品的價格等。隨著電子商務的發展，消費者可以從網上獲取的產品信息越來越多，甚至可以直接與賣方進行討價還價，而賣方對其市場策略也有自己的考慮，因此，網上產品的價格由固定價格向可變價格轉變，這樣，類比傳統購物環境中經由討價還價確定價格的流程——協商，網上購物環境也對這一流程產生了需要。 基于以上兩個方面的考慮，以及傳統協商與網上購物環境自身的特點，We-Po Lee提出并驗證了包括推薦和自動協商的代理系統來支持消費者的決策行為的有效性[10]。在這個系統中，推薦是以知識為基礎的，它包括知識獲取代理（Knowledge Acquisition Agent）和行為匹配代理（Behavior- Matching Agent）兩個部分，從而包括兩個方面的知識：專家知識和用戶－系統交互的經驗。專家知識經由知識獲取代理，從該領域的專家那兒搜集、整理并用特定的內部知識表征形式植入系統中；用戶－系統交互的經驗則經由行為匹配代理從以前的用戶那兒，搜集其如何在系統的指導下發現理想產品的過程信息，如果當前用戶的行為類型與以前的用戶的行為類型相匹配，系統就推薦以前的對應用戶所選擇的產品，不論行為類型是否匹配，系統都會自動記錄當前用戶獲取理想產品的過程信息。而自動協商系統包括買方代理、賣方代理和用戶界面三個組成部分，數據在買方代理和賣方代理之間進行交換，包括三個步驟：確定協商空間，探測協商雙方的態度，確定協商函數。其中，買方代理工作更為積極，它可以從產品推薦所提供的鏈接中選擇對應的賣方代理進行交流。

3 決策支持系統的應用研究 一些研究檢驗了決策支持系統對用戶績效的影響，但是不同的研究者對于具體的決策支持系統的使用和用戶績效的定義不同。Peng， Finin， Labrou 等人（1998）研究了決策向導對用戶績效的影響。決策向導按照系統為用戶的問題解決提供幫助的多少劃分為簡單的提供信息和提供選擇路線的建議兩種水平，并把決策質量作為測量最終用戶績效的重要因素。Head等人（2000）研究了網絡導航對最終用戶績效的影響，網絡導航雖然在提供支持上使用了全然不同的策略，但它以幫助用戶發現以前曾經瀏覽過的網頁為目標，與智能搜索有著相似的功能。而用戶績效則被定義為使用該系統能夠減少完成特定任務所需要的時間，并包括網頁內瀏覽績效和網頁間瀏覽績效兩個方面。Hostler， Yoon，Guimaraes綜合了以前的研究者對于用戶績效的定義，在研究網絡代理對最終用戶績效的影響時，用耗時、決策質量、對決策的自信和認知努力四個變量來測量最終用戶績效[14]，其中，耗時包括網站選擇時間、產品搜索時間和產品選擇時間三部分；決策質量按照用戶所選擇的產品適合實驗中特定的產品特征標準（實驗中包括8個特征標準）的程度來測量，并劃分為0（沒有一個符合特征標準）到8（全部符合特征標準）9個等級；對決策的自信和認知努力都用7點Likert量表來測量。結果發現，網絡代理減少了耗時，提高了決策質量，增加了對決策的自信和減少了認知努力，從而證明網絡代理對用戶績效有積極的影響。不僅如此，Garrity， Glassberg等人在調查網上消費者購物決策滿意度，并用任務支持滿意，決策滿意和界面滿意三個基本成分來表示用戶滿意時，發現決策支持滿意在網絡信息系統中成功扮演了重要角色[15]，說明決策支持系統不僅有利于提高用戶績效，而且有利于提高用戶滿意度。 H?ubl和Murray調查了網絡代理推薦產品時其算法所采用的信息類型是如何影響消費者對產品特征的偏好以至最終對產品的選擇的[16]。他們把推薦代理界定為可以基于用戶的輸入校正其偏好模式并應用該模式進行人性化的產品推薦的工具軟件。實驗采用2（算法）×2（特征間的相關）組間設計，結果發現，推薦代理算法中所包含的產品特征在消費者的購買決策中的作用更加顯著，同時這一影響被產品特征之間的相關所調節，從而推斷，網絡代理可以通過推薦算法的設計，用系統的方式來影響用戶偏好，這就為商家影響消費者的購物決策提供了新的思路。 4 國內研究現狀及展望 網絡技術的發展和電子商務的出現改變了人們對于交易是什么以及如何操作等各個方面的看法和實際行為，使經濟發展的前景呈現出網絡化、信息化的新局面，基本上改變了經濟前景，也使決策支持的需要更加普遍。決策支持系統領域的研究，必須考慮普遍存在的網絡交易模式，采用一種跨學科的觀點來整合技術和交易模式[17]。這不僅僅包括在現存的不同決策支持系統設計語言、推薦算法上的整合，而且包括針對不同的交易模式的不同決策支持系統設計框架的整合。 目前對于決策支持系統的應用研究并不多，國內的研究就更是稀少，主要集中在如何應用計算機語言建立決策支持系統上，如朱曉蕓、俞瑞釗采用面向對象的程序設計方法（OOP）設計了智能決策支持系統工具——OOIDSS－T[2]，將決策支持系統的各組成部分——人機接口、數據庫、模型庫三個子系統及它們之間的接口，先以OPP方法定義成相應的類，包括模型庫類、知識庫類、數據庫類、用戶界面類及總控數據類，用戶通過工具中提供的系統描述語言對各個類實例化為相應的對象，通過消息發送完成各部分之間的聯系。閔君、鄧曉以agent技術（agent弱定義是指具有自主性，社會性，反應性，能動性，時間連續性以及面向目標的特性的計算機軟件或硬件系統，強定義除前述特性之外還具有可移動性，理性，適應性，協作性）作為系統建模的基礎，采用多準則決策方法，建立了一個基于偏好的評價模型[4]。該模型將客戶偏好分為信念、目標、意圖三個層次，形成一個3個agent分工合作的多agent水平分層模型，從而在獲取用戶偏好或傾向后，基于這種偏好對候選商品做出評價，排序并得到一個當前的推薦商品集；在得到下一批候選項的數據后，再與現有推薦商品集一起，進行下一輪評價，通過不斷接近客戶的當前傾向，進而接近客戶的真正傾向。 可見，國內的決策支持系統的研究主要集中在方法方面，并不局限于將決策支持系統應用到B2C電子商務上，后續的研究者，尤其是涉及心理學領域的研究者，可以考慮將消費者偏好、認知、績效、滿意度等心理學概念與決策支持系統聯系起來進行應用研究，從而為網上商城的設計提供實證支持，并為我國電子商務的發展作出貢獻。 參考文獻 [1] Senecal S， Kalczynski P J， Nantel J. Consumers’ decision-making process and their online shopping behavior: a clickstream analysis. Journal of Business Research， 2005， 58(11): 1599~1608 [2] 朱曉蕓，俞瑞釗.一個面向對象的智能決策支持系統工具.計算機工程與應用，1994，(5、6): 37~41 [3] 曹澤文，陳文偉等. 智能決策支持系統平臺協同式客戶/服務器體系結構模型的設計與實現. 小型微型計算機系統，1997，18(4)：43~49。 [4] 閔君，鄧曉. 智能導購agent系統的研究. 控制與決策，2003，18(4)：497~503 [5] Helander M G， Khalid H M. Modeling the customer in electronic commerce. Applied Ergonomics， 2000， 31(6): 609~619 [6] 李江予，張侃. 網上購物系統的工程心理學設計因素. 通信學報，1999， 20(9): 93~98 [7] Simi D， Kurbalija V， Budimac Z. An Application of Case-Based Reasoning in Multidimensional Database Architecture. Springer-Verlag Berlin Heidelberg， 2003:66~75 [8] 王雪瑞，劉文煌. 知識管理系統中的CBR技術研究. 計算機工程與應用，2002，(2)：181~183 [9] Doyle M， Cunningham P. A Dynamic Approach to Reducing Dialog in On-Line Decision Guides. Springer-Verlag Berlin Heidelberg， 2000 [10] Wei-Po Lee. Towards agent-based decision making in the electronic marketplace: interactive recommendation and automated negotiation. Expert Systems with Application， 2004， 27 (4): 665~679 [11] Shoji H， Hori K. S-Conart: an interaction method that facilitates concept articulation in shopping online. AI&Society， 2005， 19(1): 65~83 [12] Lee K C， Chung N. A web DSS approach to building an intelligent internet shopping mall by integrating virtual reality and avatar. Expert System with Applications， 2005， 28(2): 333~346 [13] Aberg J， Shahmehri N. An empirical study of human Web assistants: implications for user support in Web information systems. CHI 2001， 3(1): 404~411 [14] Hostler R.E， Yoon V.Y Guimaraes T. Assessing the impact of internet agent on end users' performance. Decision Support Systems， 2005， 41(1): 313~323 [15] Garrity E J， Glassberg B， Kim Y J et al. An experiment investigation of Web-based information systems success in the context of electronic commerce. Decision Support System， 2005， 39(3): 485~503 [16] H?ubl G， Murray K B. Recommending or persuadingthe impact of a shopping agent's algorithm on user behavior. ACM， 2001 [17] Shaw M J， Gardner D M， Thomas H. Research opportunities in electronic commerce. Decision Support Systems， 1997， 21(3): 149~156