一種基于支持向量機的客戶滿意度評價方法

[摘要] 目前激烈的市場競爭環境迫使企業越來越多的關注客戶的需求，因此客戶滿意度這一衡量客戶對企業感知的評價指標就變得日益重要。本文提出了一種基于支持向量機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。實驗結果表明，相對常用的人工神經網絡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確地了解客戶對公司的評價，為客戶關系管理的實施提供了良好的支持。

[關鍵詞] 客戶關系管理支持向量機客戶滿意度人工神經網絡

一、引言

在當今競爭激烈的社會里，對客戶關系進行有效的管理已成為全球范圍內業界研究的熱點。客戶關系管理就是對客戶信息進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。目前已有學者運用模糊層次分析方法，人工神經網絡，未確知理論，四分圖法對客戶滿意度進行研究。支持向量機(SVM）是Vapnik等人提出的一種新的機器學習方法，建立在統計學理論的VC理論和結構風險最小原理基礎上，它能較好地解決小樣本、非線性、高維數和局部極小點等實際問題，并成功運用于分類和時間預測等方面。本文正是基于以上理論，研究SVM在客戶滿意度評價中的應用，以期進一步提高客戶關系管理的科學性。

二、客戶關系管理及客戶滿意度

1.客戶關系管理

隨著信息時代的來臨和世界經濟一體化的發展，市場日趨成熟，人民的生活水平也日漸提高，原先以產品為導向的企業經營模式已經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，企業由此面臨的挑戰日益增長。殘酷的商業現狀迫使企業從“以產品為核心”轉變為“以客戶為中心”，于是面對掌控企業經營命脈的顧客群體，客戶關系管理自然而然地成為了企業的生存之本。

由全球最著名的IT分析公司Gartner Group提出的客戶關系管理是一種全新的商業理念，其核心思想是以客戶為中心，對客戶進行系統化研究，以改進客戶服務水平，它的最終目標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，為企業帶來更多的利潤。目前，關于CRM 的理解，普遍這樣認為：它是企業與客戶進行交互的循環流程， 進而產生、收集和分析客戶數據， 然后企業把結果應用到企業的服務和市場活動中 。由此看來，CRM與數據挖掘領域聯系很大，而SVM作為數據挖掘技術中的一個重要方法，在客戶關系管理中理應有很廣泛的應用。

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據指標，反映的是客戶滿意狀況，目標即在于將客戶滿意這一主觀感知進行量化，以能夠客觀地說明客戶滿意水平。尤其在現今“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感知的評價指標就變得日益重要。它已成為評價一個企業經營管理水平的重要指標，也是企業成敗的關鍵因素，成為管理者非常重視的一個經營指標。

三、SVM基本原理

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

若樣本集線性可分，d維空間中線性判別函數g(x)=ω·x+b，分類面方程為ω·x+b=0。將判別函數歸一化，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為最優當且僅當(ω，b)是下面優化問題的解:

用Lagrange乘子法解上述QP問題，等價于解對偶問題：（2）

對每個訓練樣本xi，都有一個Lagrange乘子αi。解αi＞0所對應的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為最優解，則（3）所以得到的分類決策函數為：（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

1.客戶滿意度評價指標體系

產品客戶滿意度評價指標是用來衡量某一產品滿意度的項目因子或屬性。為了說明情況，本文采用以下評價指標體系，認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的學習樣本是由屬性集組成的，其決策是根據輸入屬性制定的。系統首先利用ReliefF方法對訓練集樣本進行約減，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成的訓練集樣本。然后將樣本輸入SVM進行預測。算法如下：

Step 1:輸入樣本數據，用ReliefF方法對訓練集樣本V進行約簡，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成的訓練集樣本V`;

Step 2:將V`輸入SVM，輸出模型M，M＝SVM(V`);

Step 3：輸入測試數據Vt，輸出預測結果向量Decision，計算正確率Accuracy=SVM(Vt，M)。

五、實例分析

本文的數據均來自于蘇州某電子有限公司，滿意度影響因素a-g分別對應于客戶滿意度評價指標體系的七類指標，h表示客戶滿意度。數據實驗軟件為WEKA。

實驗用的數據集共100個樣本，限于篇幅，文中只列出前10個訓練樣本數據，如表2所示。

我們使用10折交叉驗證的方法，比較支持向量機和人工神經網絡方法在客戶滿意度評價中的效果。支持向量機的算法采用SMOreg。人工神經網絡算法采用多層感知器。支持向量機和人工神經網絡的參數通過反復實驗調整至最優。預測誤差分別見表3和表4。

對比表3和表4可知，相對人工神經網絡，使用支持向量機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，不同指標對評價結果的影響是不一樣的。這里我們使用ReliefF方法，對指標的重要性排序。

實驗結果顯示，在客戶滿意度評價中，g（服務準則）和e（價格感知）的影響最大，而f（企業形象）和b（及時性）則最低。根據專家建議，貢獻最小的評價指標不會對決策產生顯著影響。為了降低客戶滿意度評價方法的復雜度，同時提高其精度，因此我們不妨將屬性f和b約減。從訓練樣本中去掉f和b對應的數據維，將約簡后的樣本數據輸入WEKA，再次用支持向量機進行訓練。訓練結果如表7所示。

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

六、總結與展望

本文嘗試了使用支持向量機方法對客戶滿意度進行預測。從預測結果可以看出，該方法較之傳統的人工神經網絡方法更具優勢，該方法在訓練過程中，所需時間短，避免了過學習和欠學習的現象，且收斂與全局最優，具有很強的推廣能力。