1. 引言
在电子商务与社交媒体深度融合的当下，市场营销策略正经历着从广撒网式的传统模式向精准触达、强调用户互动与参与的新媒体营销范式的深刻转型[1]。这一趋势在汽车行业尤为凸显，特别是新能源汽车领域，其市场格局与消费者行为模式正被新媒体力量深刻重塑。
小米汽车，作为跨界造车的新势力，凭借其在智能手机与智能家居领域的深厚积累与高性价比策略，自诞生之初便吸引了广泛的市场关注与消费者期待，其品牌效应在汽车行业迅速发酵，形成了一股不可忽视的“流量风暴”。2024年3月28日，小米汽车首款车型SU7的正式发布，不仅标志着小米正式踏入汽车制造领域，更在短短四日内，便实现首批交付，迅速成为社交平台上的焦点。据知微事见数据监测平台分析1，小米SU7上市发布会在抖音平台的影响力指数高达91.2，远超同类事件，这一数据不仅彰显了小米汽车在新媒体环境中的强大传播力，也进一步验证了新能源汽车市场在新媒体营销下的“破圈”潜力。
随着移动互联网技术的飞速发展，视频已成为社交内容生态中的主导力量。据第52次《中国互联网发展报告》权威发布，我国网络视频用户规模已突破10.44亿大关，这一庞大的用户基数为视频社交平台提供了广阔的发展空间。其中，抖音平台作为视频社交领域的领头羊，其日活跃用户数超过6亿，远超以图文为主的微博等平台，凸显了视频内容在吸引用户注意力、促进用户互动方面的独特优势。因此，视频社交平台已成为洞察消费者行为、把握市场脉搏的重要窗口。
鉴于上述背景，本文旨在通过深入分析小米SU7上市初期在抖音平台上的热门视频及其评论数据，探索创作者和消费者对于该车型的关注焦点。本文将围绕以下几个核心问题展开研究：一是热门视频数据集中创作者的粉丝分布情况，探讨普通用户是否具备创造热门视频内容的潜力；二是从视频创作者视角出发，分析视频创作者对于“小米SU7上市”事件的关注焦点与创作主题；三是从消费者视角出发，解析各主题视频下评论的情感倾向与内容，以揭示消费者对于小米SU7的真实看法与期待。通过这一系列分析，本文期望为企业在新媒体环境下的市场营销提供有价值的参考与启示。
2. 相关研究
2.1 视频社交平台与市场营销的深度融合
视频社交平台的崛起，无疑为社交媒体领域注入了新的活力，标志着这一平台正步入一个全新的发展阶段。美国学者Gibbs与Colin的先见之明，早已预见到移动视频将成为未来媒体市场竞争的焦点[2]，这一趋势在随后的市场发展中得到了充分验证。在商业应用层面，视频以其独特的互动性和沉浸感，成为提升品牌忠诚度、深化市场渗透力的强大工具[3]。视频内容的消费模式，正逐步向社交化、碎片化、分众化及定制化方向发展，这些特征不仅丰富了用户的视听体验，也为市场营销提供了更为精准、高效的传播路径[4]。视频营销以其独特的魅力，在促进品牌认知、激发购买欲望等方面发挥着不可替代的作用[5]。
在强调用户体验的方面，视频社交平台的优势尤为突出。例如在旅游营销方面，张跃先和王雪莹(2024)基于SIPS模型，通过详尽的问卷调查，深入剖析了旅游短视频如何激发顾客灵感，进而促进顾客融入的复杂机制。他们发现，关系强度在这一过程中起到了关键的调节作用，为旅游行业如何利用视频社交平台进行精准营销提供了宝贵的洞见[6]。徐同谦和王志轩(2023)则从S-O-R (刺激–机体–反应)理论框架出发，深入探讨了种草类短视频如何通过情感唤起机制影响消费者的购买决策。他们的研究表明，短视频的有用性、原生性和社交性，是激发消费者积极情感、促进购买意愿的关键因素，为短视频营销策略的制定提供了科学依据[7]。此外，鲁楠(2024)的研究聚焦于抖音等短视频平台在网络营销中的实际应用，强调了平台高曝光率与用户高粘性对于品牌宣传和产品推广的重要性。进一步指出，通过加强用户互动、深化与网红的合作，可以有效增强品牌与用户之间的信任关系，为品牌的长远发展奠定坚实的基础[8]。
综上所述，视频社交平台与市场营销的深度融合，不仅为品牌传播提供了更为广阔的空间，也让消费者更沉浸式的体验到产品进而增加消费的机率。
2.2. 短文本主题建模
LDA (Latent Dirichlet Allocation)模型被学者广泛用于网络热点内容的主题建模，MA等在LDA模型的基础上加入时间因素，形成连贯的文本内容，大大提高话题识别的聚类质量[9]，GAVHANE等对社交媒体信息进行定期重复性筛查和相对标准化周期性检查，从而区分内容文本所隐含的话题[10]，LU等通过优化语义模板，基于时间和空间的相似性，解决了话题识别研究过程中的模糊性[11]。虽然已有不少学者运用基于LDA主题模型以及基于该模型改进的模型，但由于LDA主题模型的准确性过于依赖文本长度，所以在长文本数据集上效果较好，而随着当下移动社交的发展，碎片化内容逐渐占据主流，如微博、推特等文本社交平台上，短文本是内容的主力，在新兴的视频平台，短视频流行，其包含的文本内容必然较短，因此对于短文本的主题建模研究也是网络内容主题建模研究的一个重点。Cheng Xueqi等人提出了一种适用于短文本的主题模型BTM，在短文本中主要的问题便是文本稀疏的问题，如LDA中每个文档对应一个主题分布，每个词对应一个主题z，但由于词汇量少，LDA模型计算的主题分布并不具备统计的意义。而BTM是通过滑动窗口内的词共现行为来扩展短文本，使得短文本的词汇量成倍增长。因此，BTM主题模型十分适用于各种短文本研究中[12]。
3. 研究方法
3.1. BTM (Biterm Topic Model)主题建模
BTM模型通过引入“biterm”(词对)这一创新概念，即文本中任意两个词汇构成的无序词对，有效地捕捉了词汇间的潜在关联与相互作用，从而显著提升了主题建模的精确度和效率[12]。BTM模型的基本假设是，每个文档由多个潜在主题构成，而每个主题则进一步由多个biterm组成。这一假设契合人类对于文本内容的自然理解方式，即文本内容往往围绕多个主题展开，每个主题又通过一系列紧密相关的词汇得以体现。因此，BTM模型在解决短文本词汇稀疏性问题上展现出了独特的优势，尤其适用于社交媒体平台上广泛存在的短文本数据分析任务。
3.2. SnowNLP中文文本情感分析
SnowNLP作为一款专为中文设计的自然语言处理库，其情感分析功能基于朴素贝叶斯分类器构建，通过精细的文本预处理、特征提取及情感分类流程，能够准确判断文本的情感倾向，并在中文情感分析领域展现出卓越的性能[13]。该算法对每条文本处理后，会输出一个介于0至1之间的情感得分，其中得分越接近0表示情感越消极，反之则越积极。为便于分析，我们设定情感得分小于0.3为负面情感，大于0.7为积极情感，其余为中性情感。
4. 数据获取及实验分析
4.1. 数据选取及描述性统计
本文将收集数据的时间范围设定为2024年3月20日至2024年5月4日(即小米SU7上市发布会前一周至首次参加北京国际车展这一段时间)。本文利用Python编程语言配合DrissionPage包实现对抖音平台的自动化爬虫，针对关键词“小米汽车”和“SU7”在抖音平台上进行视频数据的爬取，获取以下字段信息，如：作者名称、作者链接、标题、描述、粉丝数、发布时间、点赞数、评论数、分享、视频id。由于平台的限制和数据获取的复杂性，本文尽可能地扩大了搜索范围。在经过去重和剔除数据缺失的视频后，本文选取了点赞量、评论量和分享数各前1000条视频作为小米SU7热点事件的热门视频样本，再运用爬虫技术对该样本集的视频的评论数据进行爬虫。最终形成了一个包含1077条视频案例的热门视频数据集，以及1,912,649条评论数据集。由于平台政策的限制，本文无未能获取到所有的评论数据。
在分析中，为了探究不同粉丝基数的创作者是否能创作出热门视频，本文根据创作者的粉丝数将他们分为三个层级：头部账号(粉丝数超过1,000,000)、中部账号(粉丝数在100,000到1,000,000之间)和尾部账号(粉丝数少于100,000)。相关的描述性分析结果如表1所示。
从表1中可以观察到，头部账号在数据集中的占比相对较大，达到了41.7%，并且在互动量上展现出了显著的优势。具体来看，头部账号的视频平均点赞数为41281.852，平均评论数为5018.01，平均转发数为17599.315，这些数据均高于中部和尾部账号的相应均值。此外，头部账号的视频时长均值为157.26秒，高于中部账号的131.7秒和尾部账号的92.62秒，说明头部账号创作的长视频更有竞争力。尽管头部账号在互动量上占据优势，但中部和尾部账号同样展现出了创作热门视频的潜力。特别是尾部账号，尽管其粉丝数较少，但依然有视频能够获得超过百万的点赞数，这一成绩甚至超过了热门视频中头部账号的均值。这一现象表明，即使是粉丝数较少的尾部账号，也有可能通过创作高质量的内容，在抖音平台上获得高互动量，成为热门视频的创作者。
4.2. 创作者关注焦点
本文采用主题建模的方法分析创作者的关注焦点。为了对热门视频进行主题建模，首先需要将视频数据转换为视频内容文本数据。本文运用基于深度学习框架的语音识别工具包Vosk，该工具以其高度的简洁性与执行效率在语音转文本领域广受赞誉。尽管通过数据集进行深入训练可能能够进一步优化模型的识别精度，但鉴于社交平台中热门视频创作者的声线特征纷繁复杂，实施针对性的模型训练不仅耗时耗力，且效果难以普适化。鉴于此，本文决定直接采用预训练的Vosk模型(vosk-model-cn-0.22)，该模型在广泛的语言环境下展现出良好的识别性能。为确保数据质量，本文随后对自动生成的文本进行了细致的人工复核与校正，力求每一段文本都能准确无误地反映原始音频的内容。在获取视频内容文本后，本文运用在中文自然语言处理中广泛运用的jieba分词工具配合自定义的停用词，同义词库，完成对视频内容文本的预处理，以满足之后进行主题建模的需求，部分分词结果示例如表2所示。
Table 1. Descriptive analysis of raw data from popular videos
表1. 热门视频原始数据的描述性分析
|
参数 |
最小值 |
最大值 |
均值 |
标准差 |
头部账号
(N = 450, 41.7%) |
粉丝数 |
1,002,000 |
160,000,000 |
5779673.3 |
10,369,334 |
点赞数 |
1000 |
3985,000 |
93645.113 |
271096.9 |
评论数 |
37 |
277,000 |
9517.8111 |
25605.87 |
转发数 |
12 |
1,651,000 |
35661.262 |
130771.2 |
视频时长(s) |
5 |
2394 |
131.7 |
190.1087 |
中部账号
(N = 311, 28.8%) |
粉丝数 |
104,000 |
995,000 |
403077.17 |
267850.4 |
点赞数 |
484 |
671,000 |
41281.852 |
84671.78 |
评论数 |
74 |
67,000 |
5018.01 |
9769.545 |
转发数 |
22 |
623,000 |
17599.315 |
61938.4 |
视频时长(s) |
6 |
2721 |
157.26 |
326.265 |
尾部账号
(N = 316, 29.3%) |
粉丝数 |
41 |
99,000 |
20268.345 |
26997.12 |
点赞数 |
189 |
1,072,000 |
42136.63 |
106864.4 |
评论数 |
43 |
118,000 |
4717.709 |
10676.98 |
转发数 |
0 |
954,000 |
17981.582 |
65109.71 |
视频时长(s) |
5 |
1789 |
92.62 |
168.733 |
Table 2. Example of word segmentation results for video content
表2. 视频内容分词结果示例
原文本 |
分词结果 |
今天我接到邀请来到北京亦庄小米汽车工厂来带大家看一看小米如何造车的这可能是我见过的最大的汽车工厂了整个园区相当于故宫的面积每隔七十六秒就有一台新车从这里开出来小米SU7就是诞生在这里 |
接到 邀请 北京 亦庄 工厂 看一看 造车 工厂 园区 相当于 故宫 面积 七十六 秒 一台 新车 诞生 |
在BTM主题建模中运用瑞丽熵(Renyi entropy)来判断最合适的主题数，通常选择瑞丽熵为最小时的主题数。热门视频内容主题建模的瑞丽熵随着主题数增加的趋势图如图1所示。可以看到当主题数达到6时，瑞丽熵最小，因此确定主题数为6。
在采用BTM主题建模方法深入分析后，本文成功提取了各主题下最显著的前十个关键词。基于这些关键词及对应的热门视频案例，本文系统地对各主题进行了命名与总结，如表3所示。值得注意的是，主题2“外观设计”凭借其独特的吸引力，赢得了最广泛的创作者关注，共关联了311条热门视频。外观设计作为产品留给消费者的第一印象，是视频中频繁分享与讨论的焦点。关键词中“保时捷”的频繁出
Figure 1. Trend chart of Rényi entropy variation with number of topics
图1. 瑞丽熵随主题数变化趋势图
Table 3. Keywords of popular video content topics
表3. 热门视频内容主题关键词
主题名 |
主题1 乘坐空间 |
主题2 外观设计 |
主题3 驾驶安全 |
主题4 智能生态 |
主题5 性价比 |
主题6 驾驶感受 |
视频数 |
117 |
311 |
143 |
163 |
262 |
89 |
主题词 |
空间 |
保时捷 |
刹车 |
功能 |
价格 |
运动 |
后排 |
喜欢 |
测试 |
屏幕 |
续航 |
刹车 |
喜欢 |
颜色 |
碰撞 |
小爱同学 |
特斯拉 |
驾驶 |
特别 |
好看 |
赛道 |
模式 |
版本 |
底盘 |
座椅 |
价格 |
技术 |
驾驶 |
公里 |
动力 |
冰箱 |
发布会 |
造车 |
生态 |
配置 |
轮胎 |
防晒 |
品牌 |
系统 |
显示 |
时间 |
加速 |
智能 |
特别 |
速度 |
调节 |
充电 |
性能 |
腿部 |
外观 |
轮胎 |
智能 |
电池 |
悬架 |
后备箱 |
设计 |
性能 |
冰箱 |
加速 |
操控 |
现，反映了小米SU7在设计语言上与保时捷产品的某种相似性，这一特征在视频中被广泛提及。此外，“颜色”“外观”“设计”等词汇的反复出现，进一步凸显了消费者对汽车外观美学及个性化需求的重视。紧随其后的是主题5“性价比”，该主题关联的视频数量达262条，位居第二。小米产品长期以来以其高性价比著称，而SU7作为小米进军新能源汽车市场的首款产品，其性价比自然成为消费者考量的重要因素。主题4聚焦于小米SU7的智能配置，体现了消费者对智能科技的高度关注。主题3则针对SU7作为一款电动汽车的安全性进行探讨，视频内容涵盖了刹车、电池及碰撞等多个方面的安全性测试，彰显了消费者对小米汽车这一新兴品牌在车辆安全性能方面的深切关注。此外，主题1关注于汽车的乘坐空间，而主题6则侧重于驾驶感受的分享。这些主题的设定与分析，不仅揭示了小米SU7上市初期热门视频内容的多元化特征，也反映了视频创作者对汽车产品不同维度的创作，更是反映出消费者的期待与需求。
4.3. 消费者视角
在深入分析小米SU7上市初期评论数据的过程中，本文沿用了前节所述的预处理方法，并借助SnowNLP工具进行了情感倾向的细致剖析，部分评论数据分词及情感值计算结果示例如表4所示。结果显示，积极情感评论高达406,396条，远超负面情感评论的43,361条，彰显出公众对小米SU7上市的普遍正面情感态度。为进一步探究这一情感倾向背后的动因，本文分别制作词云图，直观展现了评论中的关键词汇，从而揭示了消费者的多维度关注点。
Table 4. Example of word segmentation and sentiment value results for comment texts
表4. 评论文本分词及情感值结果示例
原评论文本 |
分词结果 |
情感值 |
不要太相信智驾，方向盘在自己手上才是真的，机器始终是机器，时间久了，或者一些情况下它也会犯错 |
不要 相信 智驾 方向盘 手上 机器 始终 机器 时间 久 情况 犯错 |
0.140455 |
小米汽车真正吸引我的地方是：在百万豪车面前也不会自卑 |
吸引 百万 豪车 面前 自卑 |
0.995616 |
小米颜值高，配置高，性价比高，物超所值 |
颜值 配置 性价比 物超所值 |
0.999615 |
我的小米su7，提车第二天车机卡死，第三天自动泊车撞了 |
提车 车机 卡死 自动 泊车 撞 |
0.280745 |
Figure 2. Word cloud of positive sentiment comments
图2. 积极情感评论词云图
如积极情感评论词云图，图2所示，“喜欢”“支持”“赞”及“加油”等词汇的显著出现，映射出消费者对小米SU7寄予厚望，并愿意以实际行动支持其汽车新品的推出，这种情感基础或可归因于小米品牌在智能手机和家电的良好口碑与成功积累。同时，“体验”“试驾”等词汇频繁现身，凸显了消费者对小米SU7实际使用感受的高度关注，预示着其在用户体验方面可能具备的竞争优势。技术层面，“智能”“技术”“性能”及“续航”等词汇的聚集，表明消费者对小米SU7在智能驾驶、电池技术等方面的创新与性能抱有浓厚兴趣。此外，“奔驰”“保时捷”等高端品牌的提及，既体现了消费者对小米SU7代表中国国产新能源电动车与国外传统汽车品牌竞争的期待，也折射出对国产汽车崛起的自豪与支持。价格与性价比方面，“性价比”“便宜”等词汇反映出消费者对价格敏感，期待高性价比产品的心理。而“外观”“颜色”及“颜值”等词汇的强调，则显示出消费者对小米SU7外观设计美学的认可。情感与个人层面的关联，如“爱”“女朋友”“老婆”等词汇，则反映了小米SU7在消费者心中不仅仅是交通工具，更是生活方式的象征。总之，小米SU7上市初期的积极评论词云图显示了消费者对产品的期待、对技术的重视、对品牌的信任、对价格的敏感以及对设计和外观的关注。这些积极的反馈为小米SU7的市场推广和产品改进提供了宝贵的信息。
反观负面情感词云图，图3所示，则揭示了消费者对小米SU7的几大疑虑。价格问题首当其冲，“价格”“贵”及“超预算”等词汇的高频出现，表明部分消费者对定价策略持保留意见。技术性能与续航能力的质疑紧随其后，“技术”“续航”及“电池”等词汇的提及，凸显了消费者对新能源汽车这几个关键指标的担忧。产品质量与可靠性的争议亦不容忽视，“质量”“刹车”及“空调”等词汇的出现，暗示了消费者对车辆可靠性的疑虑。设计与外观方面，“丑”“设计”等词汇的负面评价，反映出部分消费者对小米SU7外观的介意，可能影响消费者的购买决策。服务与售后体验的不尽如人意，通过“客服”“售后”等词汇的反映，成为另一大痛点。营销策略的质疑声亦有所体现，“营销”、“宣传”及“抄袭”等词汇，表明部分消费者对宣传内容的真实性存疑。竞争环境中的比较心理亦显著，“奔驰”“宝马”等品牌的提及，显示了消费者在考虑小米SU7时，会将其与其他品牌的车型进行比较，体现了汽车消费市场竞争的激烈程度。用户体验中的具体问题，如“导航”“试驾”等词汇的负面评价，进一步细化了消费者的不满之处。而“垃圾”“差”等直接表达不满的词汇，则强烈反映出部分消费者的负面情绪。小米SU7的后续营销应着重于解决上述消费者的疑虑，同时应不断提高自己的客服和服务水平。
Figure 3. Word cloud of negative sentiment comments
图3. 负面情感评论词云图
综上所述，正面评论的主流态势凸显了小米SU7的市场潜力与消费者期待，而负面评论则聚焦于价格、技术、质量、服务及用户体验等关键领域，为小米的后续市场策略调整与产品优化提供了宝贵的反馈。值得注意的是，诸如“设计”“颜色”及“电池”“技术”等词汇在两类情感词云图中的共同出现，揭示了消费者对小米SU7的共同关注点，但情感倾向的分化则映射出不同消费者的个性化需求与期待差异。这些发现不仅为小米SU7的市场定位与差异化竞争策略提供了重要参考，也为汽车行业的整体发展趋势与消费者行为研究贡献了新的视角。
5. 结论
本文通过分析小米SU7上市初期在抖音平台的热门视频及评论数据，从创作者与消费者视角探讨了社交平台用户关注的焦点。研究发现，头部账号在热门视频创作中占据优势，但尾部账号凭借创意与质量也能脱颖而出。创作者视角下的热门视频内容广泛，涵盖乘坐空间、外观设计、驾驶安全、智能生态、性价比及驾驶感受等方面，构建了小米SU7的多维度社交媒体形象。消费者视角下，积极情感评论占主导，体现了对小米品牌的信任与期待，以及对SU7技术创新、性价比及用户体验的认可；负面评论虽少，但针对价格、性能及质量的反馈对小米后续改进具有参考价值。本文研究揭示了视频社交平台在新品上市信息传播中的优势，提供了消费者真实需求的第一手资料，有助于企业精准把握市场动态，优化产品与市场策略，促进企业与消费者的良性互动与共同发展。
NOTES
1https://ef.zhiweidata.com/。