結合數據挖掘的個性化產品配置網絡研究

袁雨陽，吳 曉，何麗娜，王 昕，吳青科

（西南交通大學 機械工程學院，成都 610031）

0 引言

在全球市場競爭環境下，顯著提升的客戶“自我消費”意識以及差異化的客戶購買力使得客戶對產品的需求越來越多樣化、個性化，分化變動的買方市場逐步替代了統一穩定的賣方市場。制造企業需要從以產品為中心的大規模定制轉變為以客戶為中心的個性化定制，向客戶提供個性化產品。企業在激烈競爭中實現轉型成功的關鍵在于能否準確、快速地滿足客戶的個性化需求，這就對個性化產品配置的客戶化、智能化提出要求。構建客戶需求及產品配置方案之間的配置網絡，基于配置網絡實現客戶需求驅動的個性化產品配置是實現客戶化、智能化定制的有效方法。

產品配置是一個產品快速設計的過程，它在企業已有產品標準化和規范化，以及新產品開發成果的基礎上，根據特定客戶訂單需求進行有針對性的目標匹配，最后形成完整的、客戶滿意的產品信息的過程[1]。產品配置實施的一般過程是：建立產品配置模型，提取并表示配置知識，對客戶需求進行分析與分解并驅動配置模型的求解與優化[2]。目前關于產品配置的研究，主要有李妮婭等[3]提出基于結構的產品配置方法；Gasca等[4]將配置建模轉化為基本單元的約束滿足問題，提出了基于約束的配置模型；但斌等[5]提出了基于本體映射面向模糊客戶需求的產品配置方法；王世偉、譚建榮等[6]提出了基于GBOM的產品配置模型；Wang S W，Tan J R 等[7]提出了基于實例的產品配置方法。現有研究中產品配置過程一方面過多依賴于設計者、專家等的主觀決策，容易導致主觀臆斷；另一面現有配置方法需要將客戶需求轉化成產品特性，再基于產品特性配置產品方案，涉及到客戶域、產品技術特性域及配置方案域之間的信息轉換，轉換過程存在信息的缺失及錯誤傳遞，從而導致配置方案的個性化缺失，同時配置效率較低；其次，現有研究缺乏對企業產品交易記錄信息的挖掘，而這些交易記錄能夠客觀反映客戶需求及產品配置方案之間的關系。

個性化產品定制的關鍵在于滿足客戶需求。產品對客戶需求的滿足程度是客戶購買產品的決策依據。因此個性化產品定制的關鍵在于確定客戶需求與產品配置方案之間的關系。而客戶需求的多樣化、個性化產品的復雜化需要設計人員投入大量的精力開展客戶需求域及產品配置方案域的信息表達及關系梳理，從而使設計人員產生感知困擾，導致配置網絡的個性化缺失；同時客戶需求與產品配置方案之間存在復雜的關聯關系，難以應用數學模型準確表達。

企業中大量的個性化產品交易記錄可以客觀、動態地反映客戶需求及產品配置方案之間的關系，為配置網絡的構建提供大數據支持。多層感知機（Multilayer Perceptron，MLP）又稱多層感知神經網絡[8]，是一種模擬人類神經元的傳統監督學習方法，在處理多分類問題時，能夠通過學習非線性函數以無限逼近輸入特征空間X和輸出標簽向量Y之間的實際映射關系[9]。在產品配置網絡中，多層感知機可以通過監督學習，挖掘客戶需求域與產品配置域之間的關系。基于此，本文采用多層感知機基于歷史交易記錄挖掘個性化產品的配置網絡。

針對當前個性化產品配置網絡的構建需求，本文通過對企業的大量交易記錄挖掘，提出一種基于多層感知機配置模型的個性化產品配置網絡構建方法。利用歷史交易數據中的客戶需求和對應的產品配置方案對配置模型進行訓練，得到基于數據挖掘的個性化產品配置網絡。將基于客戶需求的產品配置問題轉化成輸入項為客戶需求特征項，輸出項為實例模塊類別選擇的多分類問題，建立子配置模型。針對新客戶需求，基于配置網絡可得到其對應的產品配置信息，使配置過程更智能化、客戶化，為后續產品配置提供很好的決策信息，避免配置過程中主觀錯誤的產生，并且能夠挖掘企業產品的歷史數據價值，提供數據價值再生思路。目前供應鏈可靠性的研究未能與實時的診斷及預測很好的結合。

1 性化產品配置網絡模型的表達

智能化和客戶化的需求使得產品配置問題十分復雜，運用多層感知機技術，將產品配置問題轉化為從客戶需求域到產品配置域的映射問題，將配置網絡轉化為由多個子配置模型組合而成的網絡。客戶需求域由客戶需求特征項組成，產品配置域由產品配置方案組成，配置方案由產品的實例模塊構成。個性化產品配置的基礎是模塊化產品開發，本文所處理的產品配置方案都是基于模塊來開展配置。設產品共有m個模塊，需要建立m個子配置模型，子配置模型的配置結果組合得到產品配置方案。在子配置模型中，輸入項為客戶需求特征項，其數值是客戶對產品的需求數值，輸出項為產品實例模塊的類別選擇，即選擇的實例模塊。

如圖1所示，客戶需求域中，共有n項客戶需求特征項，客戶Ci的需求特征項為Ci=（Ci1，Ci2，…，Cin）。Cij（其中1≤i≤d，1≤j≤n，d為客戶的個數）是第i個客戶的第j個客戶需求特征項值，表示第i個客戶對第j個需求的期望數值，數值類型分為連續型、離散型、布爾型等。

圖1 基于多層感知機的產品配置網絡構建方法

產品配置域由產品配置方案信息構成，被選擇實例模塊的信息組成配置信息。設某產品有m個模塊，模塊Mk有若干個實例模塊Mk=（IMk1，IMk2，…，IMkm（k））。IMku（1≤K≤m，1≤u≤m（k））表示第K個模塊的第u個實例模塊，m（k）為第k個模塊的實例模塊數量。第i個產品的配置方案為Pi=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m），表示從m個模塊中選擇的實例模塊的組合信息。對于實例模塊有系數X，滿足，Xki∈[0，1]，Xki取值為0時表示不選擇第k個模塊的第i個實例模塊，Xki取值為1時表示第K個模塊的第i個實例模塊參與產品配置。

基于客戶需求和產品配置的描述，在歷史交易記錄中客戶需求Ci和產品配置方案Pi之間存在一一對應的關系。產品配置網絡模型構建的目的為根據歷史交易記錄挖掘配置網絡，完成從客戶需求域到產品配置方案域的映射，基于配置網絡確定新客戶需求所對應的配置方案，即C*→P*。

2 基于多層感知機的個性化產品配置網絡構建

2.1 多層感知機

多層感知機在感知機結構基礎上加入隱含層，增加模型復雜度的同時增強了模型的表達能力，且輸出層神經元可以有多個輸出，能夠靈活應用于分類回歸問題。

多層感知機結構圖如圖2所示，由輸入層、隱含層、輸出層組成，屬于全連接神經網絡。各層級中同層各個神經元相互獨立，互不連接，相鄰兩層之間的神經元全連接。每個神經元都有對應的輸入權值、偏差，以及激活函數，連接強度由神經元之間的權值大小決定。輸入層和輸出層神經元個數可以是一個，也可以是多個，隱含層層數可以為單層，也可以為多層。數據在神經元之間的傳遞具有方向性，前向計算時，由輸入向輸出逐層級計算，反向計算時，誤差反向傳播修正連接權值。

圖2 多層感知機神經網絡模型結構圖

設X是輸入層神經元的標記，輸入層神經元個數有n個；H是隱藏層神經元標記，隱藏層神經元個數有d個，激活函數為fh；輸出層神經元標記為Y，輸出層神經元個數有m個，對應的激活函數為fY。在本文中，輸入層神經元為客戶需求特征項，輸出層神經元為所選擇的實例模塊編碼。

隱含層中，第j個神經元的輸出為：

輸出層中，第k個神經元的輸出為：

其中v，w為權重；a，b為隱含層和輸出層偏差。

常見的激活函數有Sigmoid函數，tanh函數，以及relu函數等。Sigmoid函數比較簡單，有用良好的非線性映射；tanh函數輸出均值是0，收斂速度較Sigmoid函數快；relu函數的梯度收斂快，且梯度計算量相對前兩種函數較少。

由于本文主要研究的是多分類問題，所以選用relu函數作為激活函數，有：

2.2 個性化產品配置網絡模型構建

產品方案由選擇的各個模塊中的實例模塊組合而成，個性化產品配置問題在大數據背景下轉換成從客戶需求域到產品配置域之間的映射問題，實現基于客戶需求的產品智能配置。

本文考慮將產品配置網絡劃分成多個子配置模型，每個子配置模型的輸入項為客戶需求特征項Ci=（Ci1，Ci2，…，Cin），輸出項表示某模塊中選擇的實例模塊，以模塊1為例，M1有三個實例模塊（IM11，IM12，IM13），輸出值可為（1，2，3），若輸出值為2，則表示在模塊1中選擇實例模塊IM12。

最后將得到的多個子配置模型結果組合，即可得到一個完整的由客戶需求驅動的產品配置方案Pg=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m）。如圖3所示多層感知機子配置模型的流程為：

圖3 子配置模型流程

1）數據采集及處理。從歷史配置數據中提取出客戶需求數值，以及其對應的產品配置方案信息，對客戶需求特征項數據進行歸一化處理。選擇需要配置的模塊，即選擇需要訓練的子配置模型，對其實例模塊進行編碼，以此替代實例模塊編號。客戶需求特征項Ci=（Ci1，Ci2，…，Cin）和對應實例模塊的編碼（Q）組成樣本集（Ci，Q）。采用隨機算子對樣本集進行隨機分類，百分之70樣本集作為測試集，百分之30樣本集作為訓練，對子配置模型進行訓練。

2）配置模型的建立。建立多層感知機子配置模型，設置輸入層和輸出層神經元個數，以及隱含層層數。輸入層神經元個數為客戶需求特征項數，輸出層神經元只有一個，其值表示某實例模塊對應的編碼。隱含層越多，越容易擬合更復雜的函數，理論上只要隱含層的節點足夠多，可以擬合任意函數，但是隱含層過多會導致訓練過慢且出現過擬合、參數難以調試、梯度彌散等問題，所以需要根據具體問題選擇隱含層層數和節點。

3）配置模型的訓練。利用處理后的樣本數據對建立好的子配置模型進行訓練，以此來建立從客戶需求域向產品配置域映射的轉化模型。

4）配置模型的驗證。完成訓練后，通過測試集對模型的可行性和準確性進行驗證。

5）構建配置網絡。同理，其他子配置模型也可應用相同流程構建，從而得到整個網絡模型，完成配置網絡的構建。

3 實例分析驗證

本文以某公司某品牌的洗衣機為例，對所提方法進行驗證。該洗衣機的主要模塊有10個，包括箱體模塊，門體模塊，洗滌劑抽屜模塊，傳動模塊，洗滌模塊，減振模塊，給排水模塊，控制系統模塊，除菌模塊，操作面板模塊。各模塊有對應實例模塊，如表1所示。

表1 洗衣機產品模塊信息表

以傳動模塊（M4）示例。將歷史客戶需求特征項數據和對應的產品配置信息中M4選用的實例模塊整理得到訓練集（Ci，Q）。其中，Ci是歷史客戶需求數據庫中的客戶需求數據，Q是模塊編碼數字，表示最終選定產品配置信息中模塊4選擇的實例模塊。Ci和Q具體信息如圖4所示。

圖4 傳動模塊子配置模型信息

據2.2中描述的流程，運用PYTHON對子配置模型進行編程，利用處理好的樣本數據集（Ci，Q）對其進行訓練。部分樣本數據集如表2所示。

表2 部分樣本數據信息

首先劃分數據集，設計一個隨機種子，隨機劃分70%的總體數據作為訓練樣本集，30%的總體數據作為測試樣本集。在配置網絡建立過程中，輸入項為客戶需求特征項數據，根據數據，輸入層神經元個數為12個，輸出神經元個數為1個，其值表示選擇的實例模塊對應的編碼，M4有四個實例模塊（IM41，IM42，IM43，IM44），輸出值可為（1，2，3，4），若輸出值為3，則表示選擇實例模塊IM43。隱含層選用2層，激活函數選擇relu函數，訓練次數100次，如圖5所示為訓練過程中分類預測精度呈現曲線，訓練完成時訓練過程準確精度98%。

圖5 子分類模型的訓練過程

將測試樣本輸入訓練所得到的模型，測試精度如圖6所示，target_y集是測試樣本結果，pred_y集是預測結果，測試后得到測試精度達到90%以上。經過分析，本論文提出的方案是可行的。

圖6 測試結果對比圖

4 結語

本文針對從客戶需求到產品配置過程中存在的主觀性和復雜性問題，提出利用多層感知機挖掘歷史交易記錄中客戶需求與產品模塊實例之間的關系，從而構建個性化產品的配置網絡，并基于此實現客戶需求驅動的個性化產品設計。該方法有以下優勢：

1）根據客戶需求，建立子分類模型，實現多維客戶需求域向產品配置域映射分析，降低了客戶需求向產品配置方案轉化過程中的復雜程度，可以基于客戶需求得到與其對應的產品配置信息，實現了個性化產品配置的客戶化。

2）區別與傳統的客戶需求向產品配置信息轉化方法，基于配置網絡的個性化產品定制無需專家參與，可有效避免主觀錯誤的產生，在一定程度上降低轉化過程中的主觀性和模糊性，提高配置的準確性。

3）利用監督學習的思想，挖掘客戶需求數據與產品配置信息之間的關系，可自動確定配置方案，實現了配置過程的智能化。并且配置網絡可隨著歷史交易記錄的增加而動態更新，有效提高了配置的準確性、自適應性，同時提升了數據的使用價值。