曾 珠 王 斌 劉 冬

（武漢理工大學(xué)管理學(xué)院 武漢 430070）

0 引 言

研究客戶特征與服務(wù)映射關(guān)系是在日益競爭激烈的市場中企業(yè)尋求提高客戶忠誠度的重要途徑，為客戶提供更周到、更個性化的服務(wù)成為企業(yè)管理的重要任務(wù)之一［1］.BP神經(jīng)網(wǎng)絡(luò)基于梯度下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和達(dá)到最小，具有優(yōu)良的分類學(xué)習(xí)和映射能力，但標(biāo)準(zhǔn)BP算法具有收斂速度慢、局部極小值點(diǎn)、隱含層層數(shù)及神經(jīng)元個數(shù)的確定無理論指導(dǎo)等缺陷［2－3］.何明等［4］提出基于粗糙集不可分辨關(guān)系的粗糙集神經(jīng)網(wǎng)絡(luò)模型，但未進(jìn)行客戶屬性約簡和指定初始化連接權(quán)值.萬映紅等［5］提出基于粗糙集神經(jīng)網(wǎng)絡(luò)的客戶消費(fèi)分類模型，具有較好的客戶分類效果，但未給出客戶分類與服務(wù)的映射模型.本文提出有導(dǎo)師學(xué)習(xí)下的基于粗糙BP神經(jīng)網(wǎng)絡(luò)客戶特征與服務(wù)映射模型，在客戶細(xì)分的基礎(chǔ)上尋求客戶特征與服務(wù)的映射關(guān)系.

提出根據(jù)客服歷史數(shù)據(jù)對由客戶特征和服務(wù)決策構(gòu)成的決策表進(jìn)行基于屬性重要程度的屬性約簡，得出各服務(wù)決策對各屬性的依賴程度，引入該決策支持度改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建客戶群體特征與服務(wù)策略的映射模型.并運(yùn)用該映射模型研究客戶群體特征與服務(wù)的關(guān)系，通過歷史數(shù)據(jù)的分群分組訓(xùn)練，形成多個穩(wěn)定的BP網(wǎng)絡(luò)，對客戶的服務(wù)項(xiàng)目和時間進(jìn)行預(yù)測.改變傳統(tǒng)的客戶遇到困難找經(jīng)銷商解決的服務(wù)模式，變?yōu)榻?jīng)銷商主動為客戶提供定制服務(wù)的模式，讓每個客戶都能體驗(yàn)經(jīng)銷商一對一的服務(wù)，提高客戶滿意度，從而提高客戶的忠誠度，增加企業(yè)收益.

1 基本理論

1.1 粗糙集理論

粗糙集是繼概率論、模糊集、證據(jù)理論之后的又一個處理不確定性的數(shù)學(xué)工具.粗糙集觀點(diǎn)認(rèn)為知識是主體對論域中的客體進(jìn)行分類的能力，分類能力越強(qiáng)，主體所具備知識的可靠度越高［6］.分類能力受主體分辨能力的影響，因此分類具有近似性.影響分類能力的因素很多，不同的因素重要程度不同，其中某些因素起決定性作用.具有相同屬性的實(shí)體，屬性取值的不同對分類能力也產(chǎn)生影響，屬性之間存在某種依賴關(guān)系［7－8］.運(yùn)用粗糙集理論能發(fā)現(xiàn)屬性間的完全或部分依賴，簡化冗余屬性，發(fā)現(xiàn)最重要的屬性，并計算具體的依賴程度.

1.2 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法

BP（back propagation）神經(jīng)網(wǎng)絡(luò)算法是模擬人腦思維構(gòu)建的網(wǎng)絡(luò)計算結(jié)構(gòu)，通過輸出后的誤差逐層反傳修改各層連接權(quán)值和閾值使網(wǎng)絡(luò)達(dá)到預(yù)期狀態(tài)［9］，當(dāng)誤差函數(shù)及全局均方誤差函數(shù)達(dá)到達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)達(dá)到設(shè)定的最大次數(shù)時即為BP網(wǎng)絡(luò)最終狀態(tài).

利用BP神經(jīng)網(wǎng)絡(luò)，設(shè)客戶特征屬性集為條件屬性，客戶服務(wù)項(xiàng)為決策屬性，進(jìn)行客戶特征與服務(wù)內(nèi)容的映射訓(xùn)練，可以得出基于客戶特征的服務(wù)策略規(guī)則.但BP算法也存在一些不足之處：學(xué)習(xí)算法的收斂速度比較慢，易陷入局部極小值，網(wǎng)絡(luò)隱含層的層數(shù)以及隱含層神經(jīng)元數(shù)的選取尚無理論指導(dǎo)等［10］.

1.3 BP神經(jīng)網(wǎng)絡(luò)改進(jìn)

1）訓(xùn)練方式的改進(jìn) 在采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行客戶特征與服務(wù)映射訓(xùn)練過程中，由于訓(xùn)練網(wǎng)絡(luò)時的樣本數(shù)量較多，所以在BP改進(jìn)算法中，張國翊等提出先把所有P個訓(xùn)練樣本分為n組［11］，讓每組樣本經(jīng)過1次循環(huán)學(xué)習(xí)累積誤差后再調(diào)整學(xué)習(xí)率，而不是每輸入1個樣本就調(diào)整1次學(xué)習(xí)率.其優(yōu)點(diǎn)是既能使不同學(xué)習(xí)率在每組樣本圖像循環(huán)訓(xùn)練完成后得到適當(dāng)調(diào)整，又能減小調(diào)整學(xué)習(xí)率的時間.

該方法可以在一定程度上縮短學(xué)習(xí)時間，使得網(wǎng)絡(luò)可以較為快速收斂，但對于海量的客服數(shù)據(jù)，這樣隨機(jī)的毫無明確目標(biāo)的分組，最后并不能提高BP網(wǎng)絡(luò)的精確度.本文提出采用分群分組批處理的訓(xùn)練方式，在對m個學(xué)習(xí)模式對樣本進(jìn)行分組前先采用聚類算法，將樣本劃分為各具特性的客戶群，每個客戶群具有自己的共性特征和個性特征，再針對每個客戶群隨機(jī)均分為r組訓(xùn)練，這樣可以快速獲得多個具有較高準(zhǔn)確度的映射網(wǎng)絡(luò).

圖1 BP網(wǎng)絡(luò)訓(xùn)練方式改進(jìn)機(jī)制圖

此時，不是每輸入一個模式對就進(jìn)行一次誤差修正，而是在每訓(xùn)練完一小組樣本后再調(diào)整，所以輸出層各個單元的校正誤差函數(shù)）對應(yīng)的改為累積誤差函數(shù)dt＝.

2）網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn) 根據(jù)萬映紅等的研究，提出了基于粗糙集的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，但沒有明確BP網(wǎng)絡(luò)權(quán)值確定的依據(jù).本文作者提出基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，給出基于典型的3層BP網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)及網(wǎng)絡(luò)權(quán)值確定的依據(jù).

圖2 基于粗糙集改進(jìn)三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

樣本模式對在進(jìn)入BP網(wǎng)絡(luò)訓(xùn)練之前，先進(jìn)行屬性約簡，剔除冗余屬性，劃分每個條件屬性對于決策屬性的不可分辨關(guān)系，獲取等價關(guān)系.條件屬性集中為核的屬性個數(shù)即為3層BP網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)，而隱含層的神經(jīng)元個數(shù)即為各個核心屬性的所有等價類數(shù)量之和，輸出層神經(jīng)元個數(shù)為決策屬性所有不同屬性值的個數(shù).

2 客戶群特征與服務(wù)映射模型的構(gòu)建

基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法及客戶群理論，本文構(gòu)建如圖3所示的客戶服務(wù)映射模型框架.

圖3 基于粗糙BP網(wǎng)絡(luò)的客戶服務(wù)映射框架

2.1 客戶群體特征分析

客戶群體特征包括客戶屬性、客戶行為屬性和環(huán)境屬性.客戶屬性主要指客戶自身的基本特征，如性別、年齡、年收入等特征，客戶自身的特征對其使用商品或者服務(wù)有著顯著的影響.客戶行為屬性，主要指客戶在使用某種商品的時候的習(xí)慣性行為，不同的習(xí)慣行為對產(chǎn)品造成的影響不同.以汽車客戶為例，若駕駛者在駕駛的時候習(xí)慣經(jīng)常猛踩剎車，則汽車的剎車片和輪胎將會很容易磨損.環(huán)境屬性指客戶所處的自然環(huán)境、人文環(huán)境等，如汽車用戶行駛的道路環(huán)境，環(huán)境屬性對客戶使用產(chǎn)品會造成客觀因素的影響.客戶群體特征包含眾多屬性，每個屬性對客戶所需要的服務(wù)的影響不一樣，本文采用粗糙集理論對客戶特征進(jìn)行分析，計算基于屬性重要程度的客戶特征對服務(wù)項(xiàng)目的隸屬度.

設(shè)由條件屬性集C和服務(wù)決策屬性集D組成的知識表達(dá)系統(tǒng)四元組S＝（U，A，V，F(xiàn)），U 為對象的非空有限集合，亦稱論域；A為屬性的非空有限集合，A＝C∪D，C∩D＝?；V表全體屬性的值域；f為U×A→V的一個映射，稱為信息函數(shù).在客戶群體特征與服務(wù)項(xiàng)目的映射關(guān)系中S表示成一張二維表，其中U是所有服務(wù)記錄的集合，A是所有客戶群特征屬性列的集合，V是二維表中服務(wù)項(xiàng)目取值的集合.

定義：?x，y∈U，如果對?α∈R，R?C都有fα（x）＝fα（y），且有fD（x）≠fD（y），則稱對象x，y在等價關(guān)系R下是不可分辨的，否則稱對象x，y在等價關(guān)系R 下是可分辨的，其中fα（x）是對象x在信息函數(shù)f下對應(yīng)的屬性α的值.這種由R決定的不可分辨關(guān)系可表示為IND（R），在不產(chǎn)生混淆的情況下記為R：

對于一個客戶群體特征與服務(wù)項(xiàng)目的決策表，粗糙集理論除了提供知識約簡和求核方法外，還具備從決策表中抽取規(guī)則的能力，這樣就可以在保持服務(wù)決策一致的條件下刪除多余的客戶群體特征屬性.此時：

為客戶群特征α對客戶群特征屬性全集C相對于服務(wù)決策屬性D的重要程度.其中，γC（D）＝通過計算客戶群特征的重要程度，篩選影響客戶服務(wù)項(xiàng)目的核心屬性，剔除冗余屬性，以便構(gòu)建客戶群體特征與服務(wù)項(xiàng)目的映射模型.

2.2 BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)構(gòu)建

對客戶服務(wù)歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，運(yùn)用粗糙集基于屬性重要程度的約簡算法對客戶特征屬性進(jìn)行約簡，刪除冗余屬性和數(shù)據(jù)，采用K－means算法進(jìn)行客戶群劃分.針對劃分好的每個客戶群，再次運(yùn)用粗糙集基于屬性重要程度的約簡算法，重新計算客戶特征屬性對服務(wù)屬性的支持度，劃分客戶等價類，見表1.根據(jù)約簡后的客戶特征核心屬性數(shù)量確定BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的個數(shù)，根據(jù)每個輸入層屬性特征的等價類的數(shù)量確定與對應(yīng)屬性相連接的隱含層神經(jīng)元數(shù)量，輸入層每個神經(jīng)元只與其在隱含層的等價類神經(jīng)元相連，其連接權(quán)值為該屬性對服務(wù)屬性的支持度.

表1 客戶服務(wù)決策表

2.3 BP網(wǎng)絡(luò)訓(xùn)練及服務(wù)映射

對每個客戶群分別建立單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)，并將每個客戶群服務(wù)樣本數(shù)據(jù)進(jìn)行分組.在訓(xùn)練的時，只在每一組樣本數(shù)據(jù)訓(xùn)練完后才計算全局誤差，直到訓(xùn)練結(jié)束.訓(xùn)練完成后，每個客戶群形成自己的BP網(wǎng)絡(luò)，對應(yīng)相應(yīng)的客戶特征與服務(wù)映射模型.當(dāng)新客戶數(shù)據(jù)到達(dá)時，先劃分新客戶所屬客戶群，再利用對應(yīng)客戶群的BP網(wǎng)絡(luò)映射其所需服務(wù).

3 模擬分析

模擬某汽車4S店客戶服務(wù)的3 000條歷史數(shù)據(jù)，假設(shè)汽車某類客戶群體特征可分為駕齡、年齡、車輛型號、主要用途、車齡、總行駛里程、月行駛里程、平均車速、道路環(huán)境、氣候環(huán)境、保養(yǎng)意識和保養(yǎng)周期12個方面的特征，以客戶是否需要更換剎車片為例，利用Rosetta軟件進(jìn)行數(shù)據(jù)離散化預(yù)處理等，數(shù)據(jù)離散化結(jié)果見表2.

表2 數(shù)據(jù)離散化

表3 客戶屬性篩選機(jī)隸屬度計算

對所有客戶服務(wù)數(shù)據(jù)運(yùn)用Rosetta軟件進(jìn)行基于屬性重要程度的約簡預(yù)處理，剔除年齡、車輛型號、主要用途、平均車速、氣候環(huán)境及保養(yǎng)周期等重要程度較小的屬性，獲得結(jié)果見表3.依據(jù)表3的結(jié)果，刪除其他列屬性，采用K－means算法對服務(wù)數(shù)據(jù)進(jìn)行聚類分析，本文采用SPSS軟件操作，獲得如表4所列的聚類結(jié)果.

表4 最終聚類中心

根據(jù)聚類分析結(jié)果，對客戶群1（其余各群類似處理）再次運(yùn)用Rosetta進(jìn)行屬性約簡，并計算各個客戶群特征對服務(wù)決策屬性的隸屬度，刪除客戶群特征對服務(wù)決策屬性隸屬度小于0.5的特征獲取核心屬性，核心屬性及其隸屬度見表5.

表5 客戶群特征核心屬性及隸屬度

根據(jù)表5所列，對于客戶群更換剎車片服務(wù)決策的核心屬性及隸屬度分別為駕齡（0.76）、月平均里程（0.90）、平均車速（0.86）、道路環(huán)境（0.78）和保養(yǎng)意識（0.76）五個屬性特征.再利用Matlab軟件編程實(shí)現(xiàn)BP網(wǎng)絡(luò)訓(xùn)練算法，根據(jù)前面數(shù)據(jù)約簡的結(jié)果確定BP網(wǎng)絡(luò)結(jié)構(gòu)為5－7－1三層，將客戶服務(wù)記錄輸入神經(jīng)網(wǎng)絡(luò)，以客戶特征為輸入，以服務(wù)為期望輸出，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，可以得出客戶特征與服務(wù)項(xiàng)目的映射關(guān)系.此時整個收斂且穩(wěn)定的BP神經(jīng)網(wǎng)絡(luò)（包括其神經(jīng)網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元個數(shù)、各層之間的權(quán)值和閾值）構(gòu)成核心條件屬性（駕齡、月平均里程、平均車速、道路環(huán)境和保養(yǎng)意識）與決策屬性（更換剎車片）之間的映射關(guān)系.

通過對模擬數(shù)據(jù)的約簡、BP網(wǎng)絡(luò)訓(xùn)練發(fā)現(xiàn)，改進(jìn)之前的收斂速度明顯低于改進(jìn)之后的網(wǎng)絡(luò).在訓(xùn)練次數(shù)同為100的情況下，改進(jìn)前的全局誤差為0.262 753，改進(jìn)后的全局誤差為0.001 136，改進(jìn)后的訓(xùn)練時間也縮短了0.1s左右.所以采用改進(jìn)后的BP網(wǎng)絡(luò)訓(xùn)練方式更能快速收斂，形成穩(wěn)定的BP網(wǎng)絡(luò).同理可以通過該模型訓(xùn)練得出其他各項(xiàng)汽車服務(wù)項(xiàng)目和對應(yīng)服務(wù)時間間隔的BP網(wǎng)絡(luò)結(jié)構(gòu)，從而針對客戶群建立客戶特征與服務(wù)的映射關(guān)系.BP網(wǎng)絡(luò)改進(jìn)前后訓(xùn)練收斂對比圖見圖4.

圖4 BP網(wǎng)絡(luò)訓(xùn)練對比圖

同理，以客戶特征為輸入，以服務(wù)時間間隔為為輸出，可以得出對應(yīng)服務(wù)項(xiàng)目的服務(wù)時間映射關(guān)系，從而實(shí)現(xiàn)根據(jù)客戶特征預(yù)測客戶所需服務(wù)項(xiàng)目，以有的放矢地為客戶提供主動服務(wù)，提高客戶服務(wù)質(zhì)量.

4 結(jié)束語

本文研究了運(yùn)用粗糙集改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法和結(jié)構(gòu)，并采用分群分組的方式改進(jìn)BP網(wǎng)絡(luò)的訓(xùn)練方式，構(gòu)建新的BP神經(jīng)網(wǎng)絡(luò)模式.運(yùn)用該BP網(wǎng)絡(luò)結(jié)構(gòu)，在分析客戶屬性、客戶行為屬性和環(huán)境屬性的基礎(chǔ)上，研究了客戶特征與服務(wù)間的映射模式.

但本文主要針對客戶群體而研究的群體特征與服務(wù)的映射模式，對于每個獨(dú)立的客戶而言，具有自己的個性特征，其個性特征對所需要的服務(wù)項(xiàng)目和時間有較大的影響.所以在之后研究中，將進(jìn)一步研究客戶個性特征與群體特征的差異，及其對服務(wù)內(nèi)容和時間的影響，以調(diào)節(jié)客戶特征與服務(wù)的映射關(guān)系.

［1］王 虎，喻 立.主動服務(wù)導(dǎo)向下的服務(wù)挖掘模型研究［J］.武漢理工大學(xué)學(xué)報：信息與管理工程版，2010，32（2）：284－288.

［2］李敏生，劉 斌.BP學(xué)習(xí)算法的改進(jìn)與應(yīng)用［J］.北京理工大學(xué)學(xué)報，1999，19（6）：721－726.

［3］徐春梅.BP算法改進(jìn)及在控制系統(tǒng)中應(yīng)用［J］.計算機(jī)仿真，2010，27（2）：188－191.

［4］何 明，馮博琴，馬兆豐，等.一種基于粗糙集的粗糙神經(jīng)網(wǎng)絡(luò)構(gòu)造方法［J］.西安交通大學(xué)學(xué)報，2004，38（12）：1240－1242.

［5］萬映紅，胡萬平，曹小鵬.基于粗糙神經(jīng)網(wǎng)絡(luò)的客戶消費(fèi)分類模型研究［J］.管理工程學(xué)報，2011，25（2）：142－148.

［6］葉玉玲.模糊粗糙神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)優(yōu)化［J］.系統(tǒng)工程與電子技術(shù)，2009，31（12）：2989－2993.

［7］薛 鋒，孔 林.粗糙集神經(jīng)網(wǎng)絡(luò)系統(tǒng)在商業(yè)銀行貸款五級分類中的應(yīng)用［J］.系統(tǒng)工程理論與實(shí)踐，2008，28（1）：40－45.

［8］THANGAVEL K，PETHALAKSHMI A.Dimensionality reduction based on rough set theory：A review［J］.Applied Sost Computing，2009，9（1）：1－12.

［9］MICHAEL C，KEN P，STAN L.Customer satisfaction analysis：identification of key－driver［J］.European Journal of Operational Research，2004，154（3）：819－827.

［10］李敏生，劉 斌.BP學(xué)習(xí)算法的改進(jìn)與應(yīng)用［J］.北京理工大學(xué)學(xué)報，1999，19（6）：721－726.

［11］張國翊，胡 錚.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型及其穩(wěn)定性分析［J］.中南大學(xué)學(xué)報：自然科學(xué)版，2011，42（1）：115－124.