基于廣義模糊時間序列模型的動態(tài)顧客需求分析與預(yù)測

楊志輝

(東華理工大學(xué) 理學(xué)院, 江西 南昌 330013)

有效地將顧客需求轉(zhuǎn)換為產(chǎn)品工程特性和質(zhì)量因素是現(xiàn)代企業(yè)在設(shè)計新產(chǎn)品或服務(wù)時的一項重要任務(wù)。產(chǎn)品設(shè)計人員在多大程度上能夠理解顧客需求與偏好是新產(chǎn)品設(shè)計的一個關(guān)鍵因素，特別是在概念設(shè)計階段。因此，質(zhì)量功能展開(Quality Function Deployment縮寫為QFD)這種“顧客滿意驅(qū)動型”的產(chǎn)品開發(fā)與設(shè)計和質(zhì)量管理方法一直受到國際質(zhì)量學(xué)術(shù)界的極大關(guān)注(Akao,1990; Hauser et al., 1988)。QFD在產(chǎn)品的研發(fā)階段將顧客需求傳遞給工程特性，有效地將顧客需求和偏好傳遞給產(chǎn)品設(shè)計人員。然而，當(dāng)前全球經(jīng)濟(jì)競爭日趨激烈，新產(chǎn)品不斷升級換代，顧客的消費偏好并非一成不變，產(chǎn)品設(shè)計者必須與時俱進(jìn)，實時捕捉顧客發(fā)出的聲音。顧客需求的動態(tài)變化性，來自于兩方面：一是同一顧客群體在不同時間段對產(chǎn)品或者服務(wù)的消費偏好會發(fā)生變化；另一方面，企業(yè)產(chǎn)品或服務(wù)面對的顧客群體也在不斷變化。為了在產(chǎn)品研發(fā)設(shè)計過程中更準(zhǔn)確地理解顧客需求，產(chǎn)品設(shè)計人員在設(shè)定產(chǎn)品的工程特性最優(yōu)目標(biāo)值時，必須針對顧客需求的動態(tài)性，把握其變化趨勢，對將來的顧客需求重要度做出較為準(zhǔn)確的預(yù)測。

對顧客需求進(jìn)行動態(tài)分析主要有兩個步驟(李中凱等,2009; 陳振頌等，2014)：(1) 及時收集顧客需求重要度在產(chǎn)品研發(fā)設(shè)計周期內(nèi)的各個子周期的數(shù)據(jù)變化；(2) 基于收集到的顧客需求變化數(shù)據(jù)，選擇合適方法對顧客需求重要度的變化趨勢進(jìn)行預(yù)測與分析。模糊集能夠有效地反映事物之間的連續(xù)過渡狀態(tài)，因而在諸多領(lǐng)域得到廣泛的應(yīng)用(趙京梅等，2010；江暉等，2011)?；谀：碚摰哪：龝r間序列模型在處理模糊性的小樣本數(shù)據(jù)時具有天然的優(yōu)越性。然而，已有的模糊時間序列模型往往以模糊關(guān)系出現(xiàn)的頻數(shù)作為從當(dāng)前狀態(tài)轉(zhuǎn)移到下一個狀態(tài)的權(quán)重，進(jìn)一步歸一化，從而確定狀態(tài)轉(zhuǎn)移概率矩陣。很明顯，這種方法更適用于大樣本的時間序列數(shù)據(jù)，而對于小樣本的時間序列數(shù)據(jù)來說是不適用的。在基于遺傳算法的廣義模糊時間序列模型(王慶林等，2015)的研究基礎(chǔ)上，筆者綜合遺傳算法和模糊時間序列模型在分析小樣本模糊數(shù)據(jù)時的優(yōu)越性，基于廣義模糊時間序列模型，對動態(tài)顧客需求進(jìn)行分析與預(yù)測。

1 動態(tài)顧客需求分析研究概況

Adiano 等 (1994)認(rèn)為傳統(tǒng)的QFD并不能有效地解決制造過程和顧客需求之間的動態(tài)反饋問題。一般地, 制造過程中產(chǎn)品和過程參數(shù)的調(diào)整常常是由制造中心的內(nèi)部顧客進(jìn)行的，而這種調(diào)整既沒有將外部顧客的需求反映出來, 也不能及時將外部顧客的信息反饋給制造中心。為此, 他們提出了動態(tài)QFD。動態(tài)QFD可以將方法論、統(tǒng)計過程控制等協(xié)同融合在一起, 進(jìn)而可以提升制造過程中學(xué)習(xí)和適應(yīng)的潛在能力。不少學(xué)者建立各種預(yù)測模型對動態(tài)顧客需求進(jìn)行分析與預(yù)測?；疑A(yù)測模型在對小樣本數(shù)據(jù)進(jìn)行預(yù)測時有著較好的精確度。為此，李中凱等(2009)構(gòu)建了基于灰色系統(tǒng)理論的質(zhì)量屋，并對顧客需求的動態(tài)性進(jìn)行分析與預(yù)測；王曉墩等(2010)構(gòu)建了動態(tài)質(zhì)量屋，并提出一種改進(jìn)的灰色預(yù)測模型以模擬并預(yù)測動態(tài)質(zhì)量屋中的顧客需求動態(tài)變化趨勢。Wu 等 (2006)通過市場調(diào)查獲得的數(shù)據(jù)而計算出初始概率和轉(zhuǎn)移概率，建立了Markov鏈模型，對動態(tài)顧客需求進(jìn)行擬合和預(yù)測。然而這種方法的初始概率和轉(zhuǎn)移概率主觀性太大。陳振頌等(2014)使用廣義證據(jù)理論解決了Markov模型中狀態(tài)空間數(shù)值的微變而導(dǎo)致預(yù)測結(jié)果發(fā)生跳躍的問題，并提出基于廣義信度Markov模型的顧客需求動態(tài)分析方法，該方法可以解決Markov鏈上最后一期數(shù)據(jù)的微小波動影響。Asadabadi (2016)應(yīng)用Markov鏈對QFD中的顧客需求的變化趨勢進(jìn)行了評價與分析。王增強(qiáng)等(2013)以直覺模糊數(shù)表示顧客需求重要度，使用IFIOWA算子處理顧客需求重要度的偏好信息，以導(dǎo)出顧客需求重要度的變化趨勢。Coussement 等(2008)使用支持向量機(jī)方法對顧客需求重要度進(jìn)行預(yù)測，但這種方法預(yù)測的精確度容易受到核函數(shù)的影響。陸佳圓等(2011)融合了變精度粗糙集和最小二乘支持向量機(jī)回歸理論，繪制顧客需求重要度的變化趨勢圖, 并在此基礎(chǔ)上對顧客需求重要度的變化趨勢進(jìn)行了預(yù)測與分析。Chong 等 (2010)使用人工免疫和神經(jīng)網(wǎng)絡(luò)系統(tǒng)對顧客需求的動態(tài)性進(jìn)行分析與預(yù)測。Fang 等(2012)在研究顧客對服務(wù)型產(chǎn)品滿意度之時變效應(yīng)的基礎(chǔ)上，提出了一個多變量時間序列模型，以模擬動態(tài)服務(wù)修復(fù)滿意度過程，并使用貝葉斯估計法對顧客需求進(jìn)行預(yù)測。Bostaki等(2014)使用語義變量對顧客需求重要度進(jìn)行描述，闡述了顧客需求重要度未來的不確定性該如何進(jìn)行估計及對工程特性優(yōu)先度變化趨勢的影響。

2 基于廣義模糊時間序列模型的動態(tài)顧客需求分析

最早將模糊集理論應(yīng)用于時間序列數(shù)據(jù)分析與預(yù)測的是Song等(1993，1994)。隨后，眾多學(xué)者對模糊時間序列分析建模開展研究。例如，Tsaur 等 (2012)由預(yù)測值相對當(dāng)前值的趨勢，再對預(yù)測值進(jìn)行調(diào)整，進(jìn)而對模糊關(guān)系進(jìn)行改進(jìn)，以建立模糊時間序列模型；Cai等 (2013)在對模糊時間序列數(shù)據(jù)分析中，以預(yù)測結(jié)果的誤差為目標(biāo)函數(shù)，使用遺傳算法以確定目標(biāo)函數(shù)為最小值的區(qū)間節(jié)點，將此時節(jié)點劃分的區(qū)間作為劃分區(qū)間方案；王慶林等(2015)對廣義模糊時間序列模型中獲取模糊狀態(tài)轉(zhuǎn)移矩陣的方法進(jìn)行改進(jìn)，提出基于遺傳算法的廣義模糊時間序列模型(圖1)。本文將簡要闡述該模型，并著重探討該模型在靜電吸塵器顧客需求重要度動態(tài)數(shù)據(jù)分析中的應(yīng)用。

筆者以陳振頌等(2014)的數(shù)據(jù)為例，說明基于遺傳算法的廣義模糊時間序列預(yù)測方法在動態(tài)顧客需求分析與預(yù)測中的應(yīng)用。

某機(jī)械企業(yè)生產(chǎn)一種靜電吸塵器。為了提高企業(yè)市場競爭力，該企業(yè)決定引入QFD，通過前期市場調(diào)查，獲得靜電吸塵器六項主要顧客需求，這些顧客需求分別為：除塵效果見效快(CR1)、除塵效率高(CR2)、運行投資少(CR3)、設(shè)備重量輕且占地少(CR4)、結(jié)構(gòu)簡單易操作(CR5)、運行穩(wěn)定可靠(CR6)。依據(jù)該企業(yè)靜電吸塵器的開發(fā)周期，以半個月為子周期，開展市場調(diào)查分析研究，得到12個子周期SP1,SP2, …,SP12的顧客需求重要度變化數(shù)據(jù)，如表1所示。

首先對顧客需求CR1的重要度進(jìn)行分析與預(yù)測。

由表1中的顧客需求CR1的重要度變化數(shù)據(jù)，得到Dmin=0.192 1，Dmax=0.232 5。論域U=[0.188 1，0.236 5]。在論域U上定義5個模糊集A1(少)、A2(偏少)、A3(適量)、A4(多)、A5(偏多)。可以確定使得樣本的預(yù)測值與真實值的均方誤差RMSE最小的個體的正態(tài)模糊數(shù)的主值分別為μ=[0.189 96, 0.197 23, 0.209 888, 0.219 47, 0.236 54]，每個正態(tài)模糊數(shù)的展值分別為σ=[0.028 92, 0.006 45, 0.013 14, 0.008 85, 0.021 79]。在該個體下，可得模糊集A1(少)、A2(偏少)、A3(適量)、A4(多)、A5(偏多)。將樣本數(shù)據(jù)模糊化，各子周期顧客需求重要度對這5個模糊集的隸屬度計算結(jié)果如表2所示。

圖1 基于遺傳算法的廣義模糊時間序列預(yù)測方法流程圖Fig.1 Flow chart of generalized fuzzy time series prediction method based on GA

建立模糊狀態(tài)轉(zhuǎn)移矩陣FTM(1，1)、FTM(1，2)、FTM(1，3)如下。

使用同樣的方法和步驟，對顧客需求CR2，CR3，CR4，CR5和CR6各個子周期的重要度進(jìn)行擬合，所得擬合結(jié)果與預(yù)測值如表1所示。

本文所提出的基于遺傳算法的廣義模糊時間序列預(yù)測方法對顧客需求CR1，CR2，CR3，CR4，CR5，CR6的重要度的擬合值與實際值的RMSE分別為0.001 5，0.000 934，0.000 427，0.000 743，0.001 2，0.001 6。相比較而言，這些RMSE都是比較小的。與陳振頌等(2014)提出的基于廣義信度的Markov模型相比，本文所使用的方法可以得到顧客需求重要度變化的具體值，而非僅僅指出預(yù)測值以多大的概率落入某個狀態(tài)。因而，本文的方法顯得更為可行。

為了進(jìn)一步說明本文提出的方法在動態(tài)顧客需求分析與預(yù)測中的可行性和有效性，下面將Tsaur(2012)、Cai等(2013)提出的方法也應(yīng)用于靜電吸塵器顧客需求重要度預(yù)測，其RMSE計算結(jié)果如表4所示。

表1 靜電吸塵器顧客需求重要度各子周期真實值、擬合值與誤差

表2 顧客需求CR1重要度模糊化結(jié)果

表3 靜電吸塵器顧客需求CR1重要度的擬合值及誤差

表4 本文模型與其他模型計算的RMSE的比較

與Tsaur(2012)、Cai等(2013)提出的方法相比，本文提出的基于遺傳算法的廣義模糊時間序列預(yù)測方法，在靜電吸塵器顧客需求重要度的動態(tài)變化趨勢分析中的效果是更優(yōu)的。

3 結(jié)語

對顧客需求重要度進(jìn)行動態(tài)分析是QFD研究的一個重要課題。根據(jù)顧客需求重要度的模糊性和動態(tài)性，本文構(gòu)建了一種基于遺傳算法的廣義模糊時間序列預(yù)測方法，以解決具有模糊性和動態(tài)性的顧客需求重要度預(yù)測問題。鑒于傳統(tǒng)的遺傳算法主要用于解決單個決策變量問題，為更好解決多決策變量問題，本文融入遺傳算法于廣義模糊時間序列模型，提出了一種基于改進(jìn)遺傳算法的廣義模糊時間序列預(yù)測方法，該方法可以避免傳統(tǒng)的模糊時間序列模型在劃分區(qū)間上的主觀隨意性。