數據挖掘技術在汽車滿意度調研中的應用研究

孫靜偉，郭雅鑫

?

數據挖掘技術在汽車滿意度調研中的應用研究

孫靜偉，郭雅鑫

（中國汽車技術研究中心有限公司，天津 300300）

在客戶導向時代，顧客滿意度直接影響服務型企業績效和發展前景，因而被高度重視。汽車企業若想取得成功，就必須通過構建適合于汽車行業的顧客滿意度測評方法，了解顧客的需求、消費經歷感受以及期望，還要挖掘出客戶的潛在需求。數據挖掘技術為企業解決這些問題提供了新的數據方法和解決方案，從大量的調研業務數據中，挖掘出潛在關聯的信息和數據，并將這些信息應用于商業決策過程中。

數據挖掘；汽車行業；Weka

前言

隨著汽車消費市場的日漸成熟，消費行為也日趨理性。消費者對汽車品牌、安全性、經銷商售后服務質量都會綜合考慮。汽車銷售滿意度評估可以影響潛在消費人群在購買車輛、選擇售后服務、重新購車的意向，甚至可以決定汽車企業在研發、設計、市場占有率方面的汽車整體戰略。因此，汽車企業在關注整體產業增長的同時也要把握消費者的消費趨勢和動態，而傳統滿意度調研已經不能滿足汽車工業飛速發展的需求，需要更加可靠的方法來對汽車滿意度調研進行分析研究。隨著數據挖掘技術應運而出，在大數據處理方面的顯著功效倍加關注。

1 顧客滿意度概述

1.1 顧客滿意度理論定義

顧客滿意度的觀點是20世紀中期由美國一位營銷學者第一次提出。目前對于顧客滿意度在學術上有兩種觀點：一種觀點是從消費過程角度考慮，消費者對在消費前形成的產品預期質量設想與消費后的實際質量做對比產生的差距感。另一種觀點是從狀態角度出發，消費者在經過對產品或服務的可感知的結果與自身的期望值對比后，所形成的滿足或失望的心理狀態。

顧客是企業生產的產品和提供的服務的最終體驗者，在企業與顧客建立長期的伙伴關系的過程中，企業通過不斷創造顧客滿意的產品與服務，使顧客在每一次的購買和售后過程中都得到滿意。如此一個過程會增進顧客對企業的信任，最終使企業能夠獲得長久的效益與發展。對企業而言，滿足顧客實際需要和售后的需求這一過程就是為顧客創造和傳遞企業理念的一個過程，顧客最后所獲取的價值決定了顧客滿意度和對產品的忠誠度。

1.2 顧客滿意度研究現狀及意義

上個世紀中期，我國汽車行業生產力的限制，汽車制造業處于供不應求的狀態，所以企業處于主導地位。但是隨著汽車行業的發展和國民消費水平的提高，原來以汽車企業為主導的賣方市場逐漸轉變為以消費者為主導的買方市場。因此，顧客滿意度的調研為企業提供重要的決策支持。顧客滿意度研究有以下幾點意義：

第一，顧客滿意度調研有利于提高企業的軟實力。

只有了解顧客的需求，才能增強銷售人員自身的綜合素質和服務意識，增強品牌的關注度和認同感。

第二，顧客滿意度調研增強汽車銷售企業競爭力。

汽車銷售企業開展滿意度調研可以有利的了解競爭對手在把握顧客預期期望車型和服務商的訴求，尋找自身差距，挖掘出潛在的顧客需求，增強企業的在市場經濟中的競爭力。

第三，顧客滿意度調研促進產品服務的創新。

開展滿意度調研可以及時動態的把握消費者需求，推動企業對產品服務和研發上的改進和創新，贏得市場競爭力。

2 數據挖掘技術概述

數據挖掘 (Data Mining) 是從海量數據中，通過算法提取出潛在信息和知識的過程。融合了數據庫理論，統計學，人工智能等多領域的綜合技術。

2.1 數據挖掘主要技術

在大數據時代，數據不再采用手工的方式進行分析處理，需要通過自動化的數據分析技術來取代。數據挖掘是一種綜合性技術，其所涉及的學科領域主要包括數學、計算機科學、管理科學和信息科學等，常用的數據挖掘技術有：分類、回歸、聚類和關聯分析。

2.2 使用Weka對數據挖掘進行處理

本文主要采用的是Weka軟件，因為其源碼開放并且結合了大量算法，能夠滿足大量數據分析工作的需要[5]，其中集成了大量能承擔數據挖掘任務的算法，包括對數據進行預處理、關聯規則挖掘、分類、聚類等，并提供了簡潔的可視化的圖形界面。在Weka平臺上可以方便快捷地進行數據分析并進行性能測試。

3 基于數據挖掘的客戶滿意度數據分析

本文所涉及的目標數據源于客戶滿意度問卷調研，本問卷共計調查38家汽車企業。經過數據分析共產生9646條有效數據，有包括人群屬性、車輛屬性、品牌形象、性能、安全性、舒適性等1000多個維度屬性。

3.1 客戶滿意度數據關聯分析算法應用

本文數據源截取購車區域、車型品牌、購車因素、購車渠道、購車人年齡和購車人性別6個維度屬性做數據挖掘分析。如圖1所示購買因素分布圖；購買渠道依舊是4S店試駕是主要渠道，隨著互聯網媒體的發展，大眾媒體廣告也提高了產品的推廣度。

圖 1 購買因素分布圖

本文選擇Apriori算法，是一種挖掘關聯規則的頻繁項集算法，來深入挖掘購車因素，人群屬性以及購車區域等六項維度之間的內在聯系。在Weka中選取Associate中的Apripri算法，將測試參數設置為：最低支持度（lowerBound Min Support = 0.01），最低置（minMetric=0.5），其他保持不變，其運行結果（截取部分）如下所示：

=== Run information ===

Scheme：weka.associations.Apriori -N 20 -T 0 -C 0.5 -D 0.05-U 1.0 -M 0.01 -S -1.0 -c -1

Relation：數據源

Instances：9646

Attributes：6

區域

車型品牌

購買因素

購買渠道

年齡區間

性別

=== Associator model (full training set) ===

Apriori

=======

Minimum support: 0.06 (579 instances)

Minimum metric : 0.5

Number of cycles performed: 19

Generated sets of large itemsets:

Size of set of large itemsets L(1): 27

Size of set of large itemsets L(2): 40

Size of set of large itemsets L(3): 1

Best rules found：

結合以上對汽車滿意度調研數據在線分析和關聯分析的輸出部分結果如下：①在區域上南部沿海地區的女性在購買因素首先考慮舒適性，購買渠道來源于4S店銷售人員的介紹②在購買因素上來源于經銷商售后服務的大多的購買渠道是經過朋友的介紹③購買瑞虎5的車主以男性26-30歲為主④購買渠道來源于專業汽車網站的多以46-50歲男性為主。

3.2 數據挖掘結果評估

隨著中國汽車消費趨勢的發展，客戶消費更加理性，在購車時，品牌還是主要的制約因素，但客戶對車輛安全性、售后服務保證、節能性以及舒適性等要求也提升了高度。經過調查發現，我國絕大多是汽車用戶是首次購車，其中一半以上是中青年群體。調查還發現，消費者的關注點也由最初的關注性能、品牌、舒適度等因素演變為現在的首先關注安全性，其次是外觀因素。價格和節能環保這些經濟元素也成為目前消費者比較關注的因素。

隨著互聯網的普及，客戶購車渠道日益廣泛，在購車之前絕大多數客戶會在汽車的專業性網站上去關注汽車的參數、性能，并與競品車型做橫向比較。也會了解其他已購買者所反饋的信息以此來作為重要參考標準。如何在這些網站上提高自己的知名度和評價指標，是每個車企策劃部門應做的重要工作。經常舉辦的車展活動同樣是潛在購車者獲取信息的重要來源。

4 小結

中國汽車市場隨著市場經濟的發展使得汽車產業從原來的生產主導型邁向了市場消費主導型。客戶的消費和售后需求也發生了很大的改變。汽車生產企業開始越來越重視客戶對汽車滿意度的測評。數據挖掘能根據持車客戶的已有信息進行預測，幫助企業決定自己的技術開發和產品定位以及市場營銷。市場調研已經積累了大量消費者數據,可以通過數據挖掘對這些海量數據進行及時有效地分析從而實現商業價值最大化，為企業做重要決策提供依據。

[1] 袁梅宇.數據挖掘與機器學習——WEKA 應用技術與實踐[M].清華大學出版社,2014.

[2] 陳秋雨等.數據挖掘在客戶關系管理中的應用——以汽車行業為例[J].現代經濟(現代物業下半月刊),2007.

[3] 林雷.中國汽車行業數據挖掘的營銷應用趨勢分析[J].市場研究, 2011(7):5-6.

[4] 朱建平.應用多元統計分析 [M].科學出版社,2011.

[5] Jiawei Han and Micheline Kmaber.Data Mining:Concepts and Techni -ques [M].Simon Fraser University,2012.

Application Research of Data Mining Technology in Automobile Satisfaction Survey

Sun Jingwei, Guo Yaxin

( China Automotive Technology and Research Center Co., Ltd., Tianjin 300300 )

In the era of customers orientation, customers’satisfaction directly affect the service-oriented companies’ business performance and development prospects, and therefore it is highly valued. If auto companies want to get success, they must build the customers satisfaction evaluation methods adapted to the auto industry, understand the customers’ needs, consumption experience feelings and expectations, and dig out the potential needs of customers. In order to solve the management problems, data mining techniques bring new ideas and solutions for enterprises, dig out the potential useful information and data from a large number of actual business data, and apply these information to business decision- making process.

Data Mining; Automobile Industry; Weka

A

1671-7988(2019)05-96-03

U461.99

A

1671-7988(2019)05-96-03

U461.99

孫靜偉（1987.1-)，女，就職于中國汽車技術研究中心有限公司消費事業部，工程師，研究方向：數據分析。

10.16638/j.cnki.1671-7988.2019.05.029