基于云模型的配送客戶價值模糊綜合評價研究

劉秋萍

摘要：為了構建符合配送企業實際情況的客戶價值評價指標體系，分別從客戶當前價值和潛在價值進行評價。針對價值評價范圍的模糊性問題，引進交叉量化的評價標準云模型。為克服評價過程中隸屬度函數單一主觀性，引入云模型代替原隸屬度函數，更好體現評價指標定性評分的隨機性和模糊性。最后選取某企業的配送客戶數據分別用云模型評價法和常規模糊綜合評分對客戶進行分類，結合配送客戶實際情況，驗證了所提出的客戶價值分類方法是有效的。

關鍵詞：配送客戶價值;云模型;模糊綜合評價

一、引言

不同的客戶為企業創造的經濟效益是不同的，為了更大化配送企業的經濟效益，通過對客戶進行精確的分類管理，針對不同客戶提供差異化的服務方式，對提高配送客戶的滿意度和忠誠度具有較大幫助，且能實現企業配送資源的優化分配管理。

目前國內外學者對于客戶價值評價指標和評價方法的相關研究。包志強，等學者在傳統的RFM模型基礎上進行改進，提出RFA模型，應用K-means聚類算法對客戶進行細分。Permana D等從客戶生命周期價值的出發，分別應用馬爾可夫模型，kano模型等為客戶未來潛在的價值進行評估。Mosavi A B等學者使用模糊層次分析方法來解決評價客戶價值時評價指標存在的模糊性和不確定因素，但卻沒法克服模糊隸屬度函數的選擇存在的主觀性。研究如何能針對客戶評價指標的模糊性和不確定性進行。

可見，國內外學者客戶價值分類的指標選取和評價方法有較深入的研究，但對配送客戶需求多樣化，累積的客戶數據量龐大且動態變化，對于一些定性指標如何定量化評價，以及評價標準區間的模糊性或者重疊部分如何確定，評價過程中的不確定如何處理等問題的相關研究卻比較少。李德毅學者提出的云模型主要是由以下三個數字特征表示，分別為期望（EX）、熵（En）、超熵（He），能有效實現定性和定量互相轉化的特點。因此本文將云模型應用到客戶價值分類，將客戶價值評價指標的相關參考文獻和配送企業客戶的實際情況相結合，確定評價指標體系，然后構建不同評語量化區間存在相交的標準云模型解決評價分界過于絕對性，跟傳統的模糊評價方法比較，該方法更能客觀對配送客戶進行分類。

二、配送客戶等級劃分及評價指標體系建立

（一）配送客戶等級劃分

本文對配送客戶等級劃分主要建立在企業視角，配送能為客戶帶來當前和未來所有可變現的經濟利益價值。假設評價值設定為[0，10]，考慮到定性評價模糊性，相鄰集合之間沒有嚴格條件設定，本文在原來模糊綜合評判評語集之間沒有交集的情況下允許評語集與評語集之間有交集，確定配送客戶5個等級：低端客戶[0，3），開發客戶（2，5），常規客戶（4，8），良性客戶（6，9），高端客戶（8，10]。

（二）配送客戶等級價值評價體系的建立

配送客戶價值的評價體系指標的設計應該遵循科學性的原則，結合物流配送企業的實際情況，構建符合冷鏈物流配送客戶的評價指標體系（具體如圖1所示）。層級劃分主要依據AHP法，將評價體系中作用、影響程度不同的指標分列不同層次上。

（三）評價指標權重的確定

根據指標間的相對重要性程度，邀請相關行業專家和企業高管評估指標的重要性，應用層次分析法確定各指標權重。

三、配送客戶價值等級評價模型

（一）配送客戶的評語集云模型

（二）基于云模型的配送客戶等級綜合評價方法

1. 根據配送客戶價值指標體系構成因素集，設為U={U1 U2 U3 … Um}，通過配送企業業務主管和配送人員對客戶的了解，分別對配送客戶的各指標因子打分，為了使計算過程更加簡便，假定評分區間為[0，10]，確定各指標分數值Xi。

2. 咨詢該領域的專家和配送企業的相關主管各指標的相對重要性程度，依據層次分析法確定各級指標的權重W={w1 w2 w3 … wm}。

3. 將下層指標得到的評分值代入到標準云模型中，可得下層指標相對于上層級指標的隸屬度值Ri=（ri1 ri2 ri3 … rin）（i=1，2，3…）。

4. 云模型綜合評價C是評價集V上的模糊子集，則有式（2）

模糊綜合評價法R代表隸屬度函數的集合，不同問題可設定不同隸屬度函數。由于該方法一般是用固定的隸屬度函數相關曲線表現問題描述的映射，不能準確的表達問題的模糊性和隨機性。為讓隸屬度更加客觀，更好表述不同評價等級之間的交叉關系，將模糊綜合評價法中的隸屬度函數用正太云模型來計算。具體公式為μc=exp-，評分值相當于云滴x，且滿足x～B（Ex，En2），En′～N（En，He2）

5. 根據指標體系層數，重復3～4步，直到算到頂層配送客戶的等級評價值。

四、實例分析

本文隨機選取冷鏈物流配送企業L的10家客戶為研究對象。目前該企業主要采用ABC法根據配送客戶近期的配送量進行簡單的分類，主要是考慮配送客戶的當前價值，而未考慮配送客戶的潛在價值，可見本文提供評價指標體系等級劃分方法可解決此問題。

（一）數據的獲取

本文隨機抽取配送企業的10個客戶樣本，并將配送客戶名稱假定為Si……S10。評價體系中分為兩部分，一部分為主觀評價數據，包括費用指標，客戶忠誠度指標，客戶成長性指標。這部分數據主要通過問卷，邀請業務經理，配送主管，財務主管共10位本著實事求是的態度打分。

另一部分為客觀數據，該部分數據從客戶管理系統導出。不同企業評分規則可能略有差異，本文參照該企業實際管理情況進行評分，具體規則如下：

當次配送貨物數量a11，評分設為SCOREa11，當a11大于配送車輛載重20%（設為x），評為10分，否則SCOREa11=（1-（x-a11）/x）*10。

統計周期內的配送總數量a12，評分設為SCOREa12，當a12大于配送企業規定的業績指標（設為y），評分為10，否則SCOREa11=（1-（y-a12）/y）*10。

統計周期內的平均每次配送數量a13，評分設為SCOREa13，當a13大于配送車輛載重20%（設為z），評為10分，否則SCOREa13=（1-（z-a11）/z）*10。

（二）指標權重的確定

根據1介紹的方法，邀請行業相關專家對指標體系的比較分析和統計，具體評判矩陣和各指標權重結果如下：

（三） 評價綜合結果分析

以客戶S1為例，將表S1客戶的得分值帶入標準的云模型中得到相應的隸屬度矩陣：

（四）對比分析

根據方法1：基于云模型的模糊評價法;方法2：綜合模糊評判法，評價人員之間給出評分，評分對應的等級，若存在評分出現在兩個等級區間的，取較低等級的來計算;方法3：綜合模糊評判法，評價人員之間給出評分，若存在評分出現在兩個等級區間的，取較高的等級計算。方法2和方法3隸屬度函數rij=，由于對等級規則的臨界區間的不確定，分子的大小存在不同。

從表1看出，10個客戶當中有8個客戶評價是一致的，存在的不一致的客戶分類是S2、S4，且是在臨近等級存在差異。客戶S2主要分歧在于是良性客戶還是高端客戶，兩者的評分標準分別是（6，9）和（8，10]，由于方法3使用取較高等級的評語，最后得到高端客戶。客戶S4的分歧在于是常規客戶還是開發客戶，兩者的評分標準是（4，8）和（2，5）。由于方法2取較低等級評語，最后得到開發客戶。而根據評分用標準云求出的最大隸屬值S2落在良性客戶區間，S4落在常規客戶區間。最后回歸到現在，根據S2最近的配送情況，最后配送企業的相關評價主管一致認為該客戶為S2為良性客戶，S4為常規客戶。可看出，基于云模型的模糊評價方法可以有效避免常規綜合模糊方法中隸屬度產生的主觀性影響。此外，該方法更符合實際對評價等級模糊臨界點的界定。

五、結語

根據配送企業客戶的實際情況，建立客戶當前價值、潛在價值的綜合評價指標體系。評價指標的存在定性指標難以量化以及評價區間標準的模糊性，為避免評價過程中的不確定性和人為的主觀判斷，利用云模可相互轉化的定性定量特征，通過云模型構建相關的隸屬度函數，避免常規模糊評判中隸屬度函數單一主觀的缺陷。最后通過實例驗證本文提出關于客戶價值分類方法的有效性和可行性。

參考文獻：

[1]包志強，趙媛媛，趙研，胡嘯天，高帆.基于RFA模型和聚類分析的百度外賣客戶細分[J].計算機科學，2018（S2）.

[2]Permana D， Pasaribu U S， Indratno S W， et al. Classification of customer lifetime value models using Markov chain[J]. Journal of Physics： Conference Series， 2017（01）.

[3]Mosavi A B， Afsar A. Customer Value Analysis in Banks Using Data Mining and Fuzzy Analytic Hierarchy Processes[J]. International Journal of Information Technology & Decision Making，2018（04）.

[4]李德毅， 杜鹢. 不確定性人工智能.[M]. 國防工業出版社， 2014.

[5]劉杰，王宇，李文立.基于云模型的商家信譽綜合評價方法[J].大連理工大學學報（社會科學版），2017（01）.

（作者單位：江蘇大學管理學院）