基于FCM與關聯規則挖掘的產品服務系統規劃分析

楊珍+耿秀麗

摘要：產品服務系統是一種高度集成及優化的“產品+服務”整體解決方案。質量功能展開作為常用的規劃工具，傳統方法依賴于設計師的知識經驗，具有一定主觀性，數據挖掘方法可以從已有的設計記錄數據庫中提取規則集來提高客觀度。采用Apriori算法，獲取客戶需求和功能需求之間的關聯規則，輔助PSS規劃分析。由于設計數據庫龐大，會降低數據挖掘及決策分析效率。在關聯規則挖掘前，采用模糊C均值算法對客戶群體進行聚類，以降低數據維度，提高挖掘效率。最后以煙機企業產品服務系統為例，驗證了該方法的有效性和實用性。

關鍵詞關鍵詞：產品服務系統；規劃分析；Apriori算法；模糊C均值

DOIDOI：10.11907/rjdk.171431

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2017）011013704

0引言

產品服務系統（Product Service System， PSS）是一種產品與服務高度集成、整體優化的個性化客戶需求滿足方案。方案規劃作為概念設計的重要環節，對設計質量起著關鍵作用。質量功能展開（Quality Function Deployment， QFD）是一種常用的方案設計方法，能夠將客戶需求（Customer Requirements， CRs）進行多層次、多階段的傳遞和分配，轉化為方案設計不同階段的功能需求（Function Requirements，FRs）[1]。在現有PSS規劃研究中，文獻[2]運用QFD的創新方法確定客戶需求的重要度，可在概念設計階段輸入準確的需求數據，輔助PSS規劃分析；文獻[3]提出了客戶需求驅動的產品服務系統模塊選配方法，其中采用QFD方法將客戶需求及重要度轉化為方案模塊屬性以及重要度，以客戶滿意度最大化為目標，進行PSS方案規劃。但這些規劃方法依賴于設計者的經驗和評估知識，缺乏客觀依據，具有一定主觀性。實際上，企業中有大量關于客戶需求和功能需求的數據，為了挖掘其背后潛藏的信息，文獻[4]提出采用聚類方法對客戶進行分類，并采用基于優勢的粗略集方法提取產品服務配置規則；文獻[5]基于關聯規則挖掘和粗糙集對客戶群體進行分類，提取產品配置和服務的關聯規則，輔助產品配置設計；文獻[6]提出了一個基于Apriori的關聯規則挖掘系統，從已有的銷售數據和產品記錄中獲取客戶需求和功能需求之間的關聯關系，輔助規劃分析。從上述研究中可以得知，數據挖掘方法在PSS規劃過程中的應用，提高了方案設計效率。因此，本文采用關聯規則挖掘方法，從設計記錄數據庫中獲取客戶需求和功能需求之間的關聯規則。但設計記錄數據庫中存在數據量大、規則多等問題，對結果分析產生了一定程度干擾。為此，本文引進模糊C均值（Fuzzy Cmeans， FCM）幫助簡化大數據挖掘過程，輔助PSS規劃分析。文獻[7]結合因子分析的有效性，使用FCM方法進行兩步聚類；文獻[8]提出采用FCM算法，根據屬性的隸屬度對一組屬性的模糊分區進行歸類，并以市場營銷技術IPA為實例，將其聚類為4個簇并進行分析。從上述文獻中可以發現，模糊C均值是一種高效的聚類方法，可以根據隸屬度達到數據自動分類的效果。

因此，本文提出將模糊C均值與Apriori算法結合使用的方法，從企業已有的設計記錄數據庫中提取客戶需求和功能需求之間的關聯規則，以輔助PSS規劃分析。第一步，使用模糊C均值對客戶進行聚類，以提高數據挖掘效率；第二步，采用Apriori算法，針對特定客戶群提取CRs和FRs之間的關聯規則，輔助針對該群體的方案規劃分析，提高設計效率。最后以某企業的煙機產品服務系統為例，驗證了所提方法的有效性。

3案例分析

本文以煙機企業開發產品服務系統方案規劃為例，從已有的設計數據庫中獲取客戶需求和功能需求的相關數據，利用FCM算法對其進行聚類，并用Apriori算法提取其中的關聯規則，以輔助企業后續的PSS規劃分析。選出8項客戶需求，分別為：技術成熟性（CR1）、運行可靠性（CR2）、產品質量優秀（CR3）、操作快捷方便（CR4）、外觀美（CR5）、服務效率高（CR6）、實時監控（CR7）、節能環保（CR8）。這8項客戶需求中，CR1、CR2、CR6采用5個評價指標，分別為：低（L）、比較低（ML）、中（M）、比較高（MH）、高（H）； CR3和CR5采用3個評價指標：分別為：好（A）、一般（B）、差（C）；CR4采用3個評價指標，分別為容易（A）、中等（B）、難（C）；CR7采用小時制指標，分別為：12h、24h、48h；CR8采用能耗衡量指標，即能效比的5個等級，由低到高分別為1～5。8項客戶需求以及各自的指標如表1所示。

根據上述指標， 提取設計記錄數據庫中的客戶Ck（k=1，2，3，…，l）的需求CRi（i=1，2，3，…，h）的數據。根據量化分析表的規則，本文以級別1～5衡量需求CR1、CR2、CR6由低到高的指標，以級別1～3衡量CR3、CR4、CR5由差到好或由難到簡單的指標；以級別1～3衡量CR712h～48h的評價指標。經過上述規則轉換后的500條數據記錄結果如表2所示。

在這500條記錄中，可以將客戶需求劃分為不同類別。為了更準確地歸類這些需求，基于煙機產品服務需求設計記錄數據庫中的數據。本文利用Matlab軟件，采用模糊C均值聚類算法對客戶進行分類，大致分為技術型企業、過渡型企業、服務型企業，具體如圖3所示。

圖3基于FCM的研究客戶聚類分析

由得出的結果可知，每個客戶對功能的需求都會有所偏好，比如：技術型企業的客戶會著重關注功能使用和機械運轉速度方面，而服務型企業在功能、智能化方面會要求嚴格些。所以本文對客戶需求和功能需求的關聯關系進行了深度挖掘，以幫助企業在市場上更好地定位自己的產品。功能需求的評價指標與客戶需求的可選值類似，而能耗的評價指標是采用能耗比的5個等級，具體如表3所示。將記錄集中的客戶需求與功能需求數據提取出來，具體如表4所示。endprint

從現有關聯規則庫中提取規則集，假設將規則集中閾值的最小支持度和最小置信度分別設為20%與60%，計算Dk記錄集內CRs與FRs之間的支持度和置信度，挖掘結果如表5所示。

綜合圖3的FCM聚類結果以及表5 中CRs和FRs的關聯規則分析可知，服務型企業偏好智能化、質量高以及服務效率高的煙機產品；技術性企業對操作方便和運行高效的產品更感興趣，尤其是在控制技術、集成化功能方面，而對煙機質量以及智能服務方面的關注會少一些。

4結語

隨著服務業在企業地位中的提升，PSS已經成為企業為客戶提供價值的重要手段。針對過去基于QFD的方案規劃具有主觀性等問題，本文提出采用Apriori算法和FCM算法相結合的方法，首先對客戶進行聚類，然后從聚類后的記錄集Dk提取客戶需求和功能需求之間的關聯規則，輔助PSS規劃分析。本文方法已用于煙機的PSS規劃分析研究，通過實例分析，表明該方法的設計效率高、實用性強。通過數據挖掘技術，雖然能夠得出CRs和FRs之間的關系，但是FRs內部涉及功能和服務之間的關系仍有待進一步研究。

參考文獻參考文獻：

[1]CHAN LK AND WU ML. Quality function deployment： a literature review [J]. European Journal of Operational Research， 2002，143：463497.

[2]耿立沙，孔造杰，耿立校.QFD客戶需求重要度確定方法創新研究[J].當代經濟管理，2016，38（9）：2025.

[3]耿秀麗，徐士東，葉春明.客戶需求驅動的產品服務系統模塊選配方法[J].計算機集成制造系統，2016，22（1）：5561.

[4]HJ LONG，LY WANG，SX ZHAO，et al.An approach to rule extraction for product service system configuration that considers customer perception[J].International Journal of Production Research，2016（18）：124.

[5]JIAO JX ， ZHANG YY.Product portfolio identification based on association rule mining [J]. ComputerAided Design，2005，37：149172.

[6]SH LIAO， HK CHANG. A rough setbased association rule approach for a recommendation system for online consumers[J].Information Processing&Management，2016，52（6）：11421160.

[7]G AKMAN.Evaluating suppliers to include green supplier development programs via fuzzy cmeans and VIKOR methods[J]. Computers & Industrial Engineering，2014，86（C）：6982.

[8]OI BAN，AI BAN，DA TUSE.Importanceperformance analysis by fuzzy CMeans algorithm[J].Expert Systems with Applications， 2015，50：916.

[9]Z JALALI. Development of slope mass rating system using Kmeans and fuzzy cmeans clustering algorithms[J]. International Journal of Mining Science & Technology，2016，26（6）： 959966.

[10]MA KHALILIA，J BEZDEK，M POPESCU，et al.Improvements to the relational fuzzy Cmeans clustering algorithm[J].Pattern Recognition，2014，47（12）：39203930.

責任編輯（責任編輯：黃健）endprint