一種基于支持向量機(jī)的客戶滿意度評價方法

[摘要] 目前激烈的市場競爭環(huán)境迫使企業(yè)越來越多的關(guān)注客戶的需求，因此客戶滿意度這一衡量客戶對企業(yè)感知的評價指標(biāo)就變得日益重要。本文提出了一種基于支持向量機(jī)的客戶滿意度評價方法，并且給出了一個客戶滿意度評價實例。實驗結(jié)果表明，相對常用的人工神經(jīng)網(wǎng)絡(luò)BP算法，該方法提高了客戶滿意度分析的精度，能夠幫助決策者更準(zhǔn)確地了解客戶對公司的評價，為客戶關(guān)系管理的實施提供了良好的支持。

[關(guān)鍵詞] 客戶關(guān)系管理支持向量機(jī)客戶滿意度人工神經(jīng)網(wǎng)絡(luò)

一、引言

在當(dāng)今競爭激烈的社會里，對客戶關(guān)系進(jìn)行有效的管理已成為全球范圍內(nèi)業(yè)界研究的熱點。客戶關(guān)系管理就是對客戶信息進(jìn)行分析處理并做出決策的過程，而客戶滿意度是做出正確決策和有效措施的基礎(chǔ)。目前已有學(xué)者運用模糊層次分析方法，人工神經(jīng)網(wǎng)絡(luò)，未確知理論，四分圖法對客戶滿意度進(jìn)行研究。支持向量機(jī)(SVM）是Vapnik等人提出的一種新的機(jī)器學(xué)習(xí)方法，建立在統(tǒng)計學(xué)理論的VC理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，它能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題，并成功運用于分類和時間預(yù)測等方面。本文正是基于以上理論，研究SVM在客戶滿意度評價中的應(yīng)用，以期進(jìn)一步提高客戶關(guān)系管理的科學(xué)性。

二、客戶關(guān)系管理及客戶滿意度

1.客戶關(guān)系管理

隨著信息時代的來臨和世界經(jīng)濟(jì)一體化的發(fā)展，市場日趨成熟，人民的生活水平也日漸提高，原先以產(chǎn)品為導(dǎo)向的企業(yè)經(jīng)營模式已經(jīng)逐漸不能滿足消費者多樣化、個性化消費的需求。與此同時，顧客獲取市場的信息變得越來越容易，其消費行為也更加成熟，企業(yè)由此面臨的挑戰(zhàn)日益增長。殘酷的商業(yè)現(xiàn)狀迫使企業(yè)從“以產(chǎn)品為核心”轉(zhuǎn)變?yōu)椤耙钥蛻魹橹行摹保谑敲鎸φ瓶仄髽I(yè)經(jīng)營命脈的顧客群體，客戶關(guān)系管理自然而然地成為了企業(yè)的生存之本。

由全球最著名的IT分析公司Gartner Group提出的客戶關(guān)系管理是一種全新的商業(yè)理念，其核心思想是以客戶為中心，對客戶進(jìn)行系統(tǒng)化研究，以改進(jìn)客戶服務(wù)水平，它的最終目標(biāo)是提高客戶滿意度和忠誠度，留住老客戶，不斷爭取新客戶和新商機(jī)，為企業(yè)帶來更多的利潤。目前，關(guān)于CRM 的理解，普遍這樣認(rèn)為：它是企業(yè)與客戶進(jìn)行交互的循環(huán)流程， 進(jìn)而產(chǎn)生、收集和分析客戶數(shù)據(jù)， 然后企業(yè)把結(jié)果應(yīng)用到企業(yè)的服務(wù)和市場活動中 。由此看來，CRM與數(shù)據(jù)挖掘領(lǐng)域聯(lián)系很大，而SVM作為數(shù)據(jù)挖掘技術(shù)中的一個重要方法，在客戶關(guān)系管理中理應(yīng)有很廣泛的應(yīng)用。

2.客戶滿意度

客戶滿意是顧客對其要求已被滿足的感受，而客戶滿意度就是對客戶滿意水平的量化數(shù)據(jù)指標(biāo)，反映的是客戶滿意狀況，目標(biāo)即在于將客戶滿意這一主觀感知進(jìn)行量化，以能夠客觀地說明客戶滿意水平。尤其在現(xiàn)今“以客戶為中心”的市場背景下，客戶滿意度這一衡量客戶對企業(yè)感知的評價指標(biāo)就變得日益重要。它已成為評價一個企業(yè)經(jīng)營管理水平的重要指標(biāo)，也是企業(yè)成敗的關(guān)鍵因素，成為管理者非常重視的一個經(jīng)營指標(biāo)。

三、SVM基本原理

SVM是從線性可分情況下的最優(yōu)分類超平面發(fā)展而來的。對兩類分類問題，設(shè)訓(xùn)練樣本集為(xi，yi)，i=1，2……，n，n為訓(xùn)練樣本的個數(shù)，xi∈Rd為訓(xùn)練樣本，yi∈{1，-1}是輸入樣本xi的類標(biāo)記（期望輸出）。SVM算法的出發(fā)點是尋找最優(yōu)分類超平面。最優(yōu)分類超平面不但能將所有樣本正確分開（訓(xùn)練錯分率為0），而且能夠使兩類間的邊際(margin)最大，邊際定義為訓(xùn)練數(shù)據(jù)集到該分類超平面的最小距離之和。最優(yōu)分類超平面意味著對測試數(shù)據(jù)平均分類誤差最小。

若樣本集線性可分，d維空間中線性判別函數(shù)g(x)=ω·x+b，分類面方程為ω·x+b=0。將判別函數(shù)歸一化，使離分類面最近樣本的|g(x)|=1。若分類面對所有樣本都能夠正確分類，則滿足:

yi(ω·x1+b)≥1，i=1，2……，n （1）分類超平面H0∶ω·x1+b＝0為最優(yōu)當(dāng)且僅當(dāng)(ω，b)是下面優(yōu)化問題的解:

用Lagrange乘子法解上述QP問題，等價于解對偶問題：（2）

對每個訓(xùn)練樣本xi，都有一個Lagrange乘子αi。解αi＞0所對應(yīng)的xi稱為支持向量，它滿足式（1）中的等式約束。支持向量距最優(yōu)超平面最近，通常只是全體樣本中的很少一部分，是對分割兩類非常重要的樣本點。

若αi為最優(yōu)解，則（3）所以得到的分類決策函數(shù)為：（4）

其中x為待分類樣本，SV為支持向量集，b*為分類閾值，可用任一支持向量求得。

四、客戶滿意度評價方法的實現(xiàn)

1.客戶滿意度評價指標(biāo)體系

產(chǎn)品客戶滿意度評價指標(biāo)是用來衡量某一產(chǎn)品滿意度的項目因子或?qū)傩浴榱苏f明情況，本文采用以下評價指標(biāo)體系，認(rèn)為客戶滿意度受以下7個因素影響，如表1所示。

2.客戶滿意度評價方法算法描述

客戶滿意度評價系統(tǒng)的學(xué)習(xí)樣本是由屬性集組成的，其決策是根據(jù)輸入屬性制定的。系統(tǒng)首先利用ReliefF方法對訓(xùn)練集樣本進(jìn)行約減，分辨出重要度較小的樣本屬性，將其從輸入屬性集中約減，從而獲得了由最少屬性構(gòu)成的訓(xùn)練集樣本。然后將樣本輸入SVM進(jìn)行預(yù)測。算法如下：

Step 1:輸入樣本數(shù)據(jù)，用ReliefF方法對訓(xùn)練集樣本V進(jìn)行約簡，分辨出重要度較小的樣本屬性，將其從輸入屬性集中約減，從而獲得了由最少屬性構(gòu)成的訓(xùn)練集樣本V`;

Step 2:將V`輸入SVM，輸出模型M，M＝SVM(V`);

Step 3：輸入測試數(shù)據(jù)Vt，輸出預(yù)測結(jié)果向量Decision，計算正確率Accuracy=SVM(Vt，M)。

五、實例分析

本文的數(shù)據(jù)均來自于蘇州某電子有限公司，滿意度影響因素a-g分別對應(yīng)于客戶滿意度評價指標(biāo)體系的七類指標(biāo)，h表示客戶滿意度。數(shù)據(jù)實驗軟件為WEKA。

實驗用的數(shù)據(jù)集共100個樣本，限于篇幅，文中只列出前10個訓(xùn)練樣本數(shù)據(jù)，如表2所示。

我們使用10折交叉驗證的方法，比較支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)方法在客戶滿意度評價中的效果。支持向量機(jī)的算法采用SMOreg。人工神經(jīng)網(wǎng)絡(luò)算法采用多層感知器。支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的參數(shù)通過反復(fù)實驗調(diào)整至最優(yōu)。預(yù)測誤差分別見表3和表4。

對比表3和表4可知，相對人工神經(jīng)網(wǎng)絡(luò)，使用支持向量機(jī)的方法來量化客戶滿意度的精度更高。

在對客戶滿意度評價時，不同指標(biāo)對評價結(jié)果的影響是不一樣的。這里我們使用ReliefF方法，對指標(biāo)的重要性排序。

實驗結(jié)果顯示，在客戶滿意度評價中，g（服務(wù)準(zhǔn)則）和e（價格感知）的影響最大，而f（企業(yè)形象）和b（及時性）則最低。根據(jù)專家建議，貢獻(xiàn)最小的評價指標(biāo)不會對決策產(chǎn)生顯著影響。為了降低客戶滿意度評價方法的復(fù)雜度，同時提高其精度，因此我們不妨將屬性f和b約減。從訓(xùn)練樣本中去掉f和b對應(yīng)的數(shù)據(jù)維，將約簡后的樣本數(shù)據(jù)輸入WEKA，再次用支持向量機(jī)進(jìn)行訓(xùn)練。訓(xùn)練結(jié)果如表7所示。

對比表3和表6可見，在進(jìn)行屬性約簡后，基于支持向量機(jī)的客戶滿意度評價方法的性能指標(biāo)都有了一定程度的提高。

六、總結(jié)與展望

本文嘗試了使用支持向量機(jī)方法對客戶滿意度進(jìn)行預(yù)測。從預(yù)測結(jié)果可以看出，該方法較之傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法更具優(yōu)勢，該方法在訓(xùn)練過程中，所需時間短，避免了過學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象，且收斂與全局最優(yōu)，具有很強的推廣能力。