基于GA-BP神經網絡的顧客滿意度測評研究

天津財經大學 王英娟 彭飛

隨著經濟全球一體化，市場競爭越來越激烈，人們對產品和服務的需求越來越多樣化，企業為了占有更大的市場份額，需要不斷努力滿足顧客的需求。其中顧客作為產品和服務的受用者已成為企業賴以生存的根本，而顧客滿意度對企業生存發展更是至關重要。現在多數企業已經認識到提升顧客滿意度對企業長久發展的重要性。顧客滿意度測評有利于企業了解顧客需求從而有針對性的進行改進。參考相關文獻其中常見的顧客滿意度測評方法有如下幾種：

(1)雙重評價法：這種方式主要是讓受訪者對被調查產品的一些影響滿意度的相關驅動要素進行打分，同時對其重要性程度打分[6]。

(2)采用計量經濟學測評方法：該方法將數量經濟學的方法與顧客滿意理論的內容結合在一起提出一種多元線性回歸模型。此模型注重數據的完整性和一致性。

(3)采用結構方程模型進行測評：結構方程模型是目前國際上流行的顧客滿意度研究分析手段之一。它是一種驗證性多元統計分析技術，通過驗證觀測變量和潛在變量之間的結構來揭示現實生活中的因果關系。當今國內外主流的用戶滿意度研究都是采用

結構方程模型構建，并通過偏最小二乘法(Partial Least Squares，PLS)進行計算分析[6]。

(4)利用神經網絡分析技術進行顧客滿意度測評：神經網絡因對變量的限制較少可以克服傳統多元回歸統計分析的不足。同時此方法與結構方程模型相比能夠更好的反映出各個變量之間的復雜關系。本文運用此方法進行測評研究。

1 遺傳神經網絡結構

BP神經網絡采用梯度下降法來不斷調整網絡的權值和閾值,因此該方法在尋優的過程中容易陷入局部極小，且由于學習速率固定使得網絡收斂速度較慢。而遺傳算法是一種借鑒生物界自然選擇和進化機制發展起來的用于全局優化的迭代算法。為克服BP網絡局部極小的缺點本文將遺傳算法的全局搜索性和BP神經網絡的局部搜索快速性的優點結合起來。

遺傳神經網絡的算法執行過程為初始群體的設定、編碼方式的選擇、個體適應度計算、選擇、交叉、變異、BP神經網絡訓練得出問題的最優解[5]。該算法的基本處理流程如圖1所示。

2 基于遺傳神經網絡的顧客滿意度測評模型建立

本測評模型首先采用遺傳算法進行全局尋優；尋優后利用解碼將遺傳算法的基因群體還原為BP神經網絡的權值和閾值，然后對BP神經網絡進行訓練和顧客滿意度的測評；最后由網絡輸出最終測評結果[6]。基于遺傳神經網絡的測評模型如圖2所示。

圖1 遺傳神經網絡處理流程圖

圖2 基于GA-BP神經網絡的顧客滿意度測評模型

2.1 評價指標的確定

此模型評價指標由輸入指標和輸出指標組成[1]。輸入指標：(1)企業形象(知名度X1、知曉度X2、美譽度X3)[5]；(2)顧客期望(顧客的總體期望X4、顧客對產品或服務質量滿足需求程度的期望X5、顧客對產品或服務質量穩定性的期望X6)；(3)顧客對產品質量的感知(顧客對產品質量滿足需求的感知X7、顧客對產品質量可靠性的評價X8、顧客對產品質量的總體評價X9)；(4)顧客對服務質量的感知(顧客對服務質量滿足需求的感知X10、顧客對服務質量可靠性的評價X11、顧客對服務質量的總體評價X12)；(5)顧客對價值的感知(顧客對總價值的感知X13、給定質量下對價值級別的評價X14、給定價格下對質量級別的評價X15)[9]；(6)企業的服務質量(服務人員的專業知識X15、服務人員的態度X16、服務人員的儀容儀表X17)[5-9]；(7)購買環境(商品種類X18、環境設施X19、設施安全性X20)。GA-BP網絡輸出指標：顧客滿意度(總體滿意度Y1、同預期相比較Y2、同其他品牌相比較Y3)[1]。

2.2 網絡設計

GA-BP神經網絡包含輸入層、隱含層和輸出層。其中隱含層中的傳遞函數采用sigmoid型函數，輸出層節點的激活函數設定為線性激活函數[8]。

2.3 樣本收集

依據上文提供的20個指標進行相關指標值的收集。

2.4 遺傳優化和網絡訓練

實際中所收集到的數據往往不是在同一個數量級，所以將所收集的樣本數據映射到[-1，1]之間，先做歸一化處理，這樣有利于提高神經網絡的訓練速度。

2.5 樣本測試

對已訓練好的BP神經網絡采用待檢測的樣本進行有效性驗證。

3 實例分析

通過對某商場進行顧客滿意度調查得出相關實例數據。通過MATLAB軟件對數據進行處理。選取53組調研數據進行分析，其中50組數據對GA-BP神經網絡進行訓練；再選取沒有參加訓練的3組數據對經過學習的BP網絡進行預測，將網絡得出的預測值與實際值進行比較分析，計算兩者之間的誤差，以檢驗該方法的正確性和實用性。

此GA-BP神經網絡共設計為三層，其中輸入層節點20個，隱含層節點4個，輸出節點3個。隨機產生100個個體作為初始種群，遺傳代數設定為100，交叉概率Pc為0.7，變異概率Pm為0.05。設定后分別進行選擇、交叉和變異操作，從中得到BP神經網絡的初始權值和閾值。取神經網絡自適應學習速率為0.01，訓練次數800，網絡訓練為0.0001。經過實驗BP網絡輸出和GA-BP網絡輸出預測結果與實際值對比如表1所示、誤差如表2所示。

表1 BP、GA-BP網絡訓練結果與實際值比較分析

表2 BP、GA-BP網絡誤差比較

從圖3、圖4中可以得出：BP網絡經過563次迭代達到實驗要求的預測精度，而經GA優化的BP神經網絡僅需經過232次迭代即可滿足誤差精度要求，并且從預測的結果來看, GA-BP網絡預測的誤差小于BP網絡，其MSE = 0.3885，而BP網絡MSE = 0.5366。

4 結語

本文借鑒遺傳算法和BP神經網絡各自的優點建立了基于GA-BP神經網絡的顧客滿意度測評模型。通過實例數據分析，此遺傳神經網絡對顧客滿意度的測評比BP神經網絡評價更有效、更準確。此研究結果表明將遺傳算法與神經網絡互相結合是有一定應用價值的，這也為我們利用神經網絡進行建模預測提供了新的發展思路。

圖3 BP神經網絡訓練誤差

圖4 GA-BP網絡訓練誤差

[1]Yao-Hung Hsieh, Chiuhsiang Joe Lin, James C.Chen.Customer satisfaction measurement with neural network[J].Human Systems Management, 2007/1,26(1).

[2]高琴,張衛綱.基于BP神經網絡的客戶滿意度評價模型[J].江蘇商論,2007(06).

[3]曾鳳章,王元華.神經網絡在顧客滿意度測評中的應用[J].北京理工大學學報(社會科學版),2005(01).

[4]金少勝,周潔紅.神經網絡在顧客滿意度研究中的應用[J].統計與決策,2003.

[5]趙富強.基于PLS路徑模型的顧客滿意度測評研究[D].天津大學博士學位論文,2010,6.

[6]趙富強,王荃,張磊.基于RBF神經網絡的農機企業顧客滿意度測評研究[J].中國農機化,2011(3).

[7]劉永坤.基于遺傳神經網絡的建筑工程快速估價研究[M].華東交通大學,2006.

[8]趙富強,姚紹文,徐建剛.基于遺傳神經網絡的農業機械化水平測評研究[J].中國農機化,2010(4).

[9]余琳娜.基于顧客滿意的D企業第三方物流配送優化策略研究[D].天津大學碩士學位論文,2009,3.

[10]李曄.基于一種改進遺傳算法的神經網絡[D].太原理工大學碩士論文,2007,4.