基于GA-BP神经网络的顾客满意度测评研究

天津财经大学 王英娟 彭飞

随着经济全球一体化，市场竞争越来越激烈，人们对产品和服务的需求越来越多样化，企业为了占有更大的市场份额，需要不断努力满足顾客的需求。其中顾客作为产品和服务的受用者已成为企业赖以生存的根本，而顾客满意度对企业生存发展更是至关重要。现在多数企业已经认识到提升顾客满意度对企业长久发展的重要性。顾客满意度测评有利于企业了解顾客需求从而有针对性的进行改进。参考相关文献其中常见的顾客满意度测评方法有如下几种：

(1)双重评价法：这种方式主要是让受访者对被调查产品的一些影响满意度的相关驱动要素进行打分，同时对其重要性程度打分[6]。

(2)采用计量经济学测评方法：该方法将数量经济学的方法与顾客满意理论的内容结合在一起提出一种多元线性回归模型。此模型注重数据的完整性和一致性。

(3)采用结构方程模型进行测评：结构方程模型是目前国际上流行的顾客满意度研究分析手段之一。它是一种验证性多元统计分析技术，通过验证观测变量和潜在变量之间的结构来揭示现实生活中的因果关系。当今国内外主流的用户满意度研究都是采用

结构方程模型构建，并通过偏最小二乘法(Partial Least Squares，PLS)进行计算分析[6]。

(4)利用神经网络分析技术进行顾客满意度测评：神经网络因对变量的限制较少可以克服传统多元回归统计分析的不足。同时此方法与结构方程模型相比能够更好的反映出各个变量之间的复杂关系。本文运用此方法进行测评研究。

1 遗传神经网络结构

BP神经网络采用梯度下降法来不断调整网络的权值和阈值,因此该方法在寻优的过程中容易陷入局部极小，且由于学习速率固定使得网络收敛速度较慢。而遗传算法是一种借鉴生物界自然选择和进化机制发展起来的用于全局优化的迭代算法。为克服BP网络局部极小的缺点本文将遗传算法的全局搜索性和BP神经网络的局部搜索快速性的优点结合起来。

遗传神经网络的算法执行过程为初始群体的设定、编码方式的选择、个体适应度计算、选择、交叉、变异、BP神经网络训练得出问题的最优解[5]。该算法的基本处理流程如图1所示。

2 基于遗传神经网络的顾客满意度测评模型建立

本测评模型首先采用遗传算法进行全局寻优；寻优后利用解码将遗传算法的基因群体还原为BP神经网络的权值和阈值，然后对BP神经网络进行训练和顾客满意度的测评；最后由网络输出最终测评结果[6]。基于遗传神经网络的测评模型如图2所示。

图1 遗传神经网络处理流程图

图2 基于GA-BP神经网络的顾客满意度测评模型

2.1 评价指标的确定

此模型评价指标由输入指标和输出指标组成[1]。输入指标：(1)企业形象(知名度X1、知晓度X2、美誉度X3)[5]；(2)顾客期望(顾客的总体期望X4、顾客对产品或服务质量满足需求程度的期望X5、顾客对产品或服务质量稳定性的期望X6)；(3)顾客对产品质量的感知(顾客对产品质量满足需求的感知X7、顾客对产品质量可靠性的评价X8、顾客对产品质量的总体评价X9)；(4)顾客对服务质量的感知(顾客对服务质量满足需求的感知X10、顾客对服务质量可靠性的评价X11、顾客对服务质量的总体评价X12)；(5)顾客对价值的感知(顾客对总价值的感知X13、给定质量下对价值级别的评价X14、给定价格下对质量级别的评价X15)[9]；(6)企业的服务质量(服务人员的专业知识X15、服务人员的态度X16、服务人员的仪容仪表X17)[5-9]；(7)购买环境(商品种类X18、环境设施X19、设施安全性X20)。GA-BP网络输出指标：顾客满意度(总体满意度Y1、同预期相比较Y2、同其他品牌相比较Y3)[1]。

2.2 网络设计

GA-BP神经网络包含输入层、隐含层和输出层。其中隐含层中的传递函数采用sigmoid型函数，输出层节点的激活函数设定为线性激活函数[8]。

2.3 样本收集

依据上文提供的20个指标进行相关指标值的收集。

2.4 遗传优化和网络训练

实际中所收集到的数据往往不是在同一个数量级，所以将所收集的样本数据映射到[-1，1]之间，先做归一化处理，这样有利于提高神经网络的训练速度。

2.5 样本测试

对已训练好的BP神经网络采用待检测的样本进行有效性验证。

3 实例分析

通过对某商场进行顾客满意度调查得出相关实例数据。通过MATLAB软件对数据进行处理。选取53组调研数据进行分析，其中50组数据对GA-BP神经网络进行训练；再选取没有参加训练的3组数据对经过学习的BP网络进行预测，将网络得出的预测值与实际值进行比较分析，计算两者之间的误差，以检验该方法的正确性和实用性。

此GA-BP神经网络共设计为三层，其中输入层节点20个，隐含层节点4个，输出节点3个。随机产生100个个体作为初始种群，遗传代数设定为100，交叉概率Pc为0.7，变异概率Pm为0.05。设定后分别进行选择、交叉和变异操作，从中得到BP神经网络的初始权值和阈值。取神经网络自适应学习速率为0.01，训练次数800，网络训练为0.0001。经过实验BP网络输出和GA-BP网络输出预测结果与实际值对比如表1所示、误差如表2所示。

表1 BP、GA-BP网络训练结果与实际值比较分析

表2 BP、GA-BP网络误差比较

从图3、图4中可以得出：BP网络经过563次迭代达到实验要求的预测精度，而经GA优化的BP神经网络仅需经过232次迭代即可满足误差精度要求，并且从预测的结果来看, GA-BP网络预测的误差小于BP网络，其MSE = 0.3885，而BP网络MSE = 0.5366。

4 结语

本文借鉴遗传算法和BP神经网络各自的优点建立了基于GA-BP神经网络的顾客满意度测评模型。通过实例数据分析，此遗传神经网络对顾客满意度的测评比BP神经网络评价更有效、更准确。此研究结果表明将遗传算法与神经网络互相结合是有一定应用价值的，这也为我们利用神经网络进行建模预测提供了新的发展思路。

图3 BP神经网络训练误差

图4 GA-BP网络训练误差

[1]Yao-Hung Hsieh, Chiuhsiang Joe Lin, James C.Chen.Customer satisfaction measurement with neural network[J].Human Systems Management, 2007/1,26(1).

[2]高琴,张卫纲.基于BP神经网络的客户满意度评价模型[J].江苏商论,2007(06).

[3]曾凤章,王元华.神经网络在顾客满意度测评中的应用[J].北京理工大学学报(社会科学版),2005(01).

[4]金少胜,周洁红.神经网络在顾客满意度研究中的应用[J].统计与决策,2003.

[5]赵富强.基于PLS路径模型的顾客满意度测评研究[D].天津大学博士学位论文,2010,6.

[6]赵富强,王荃,张磊.基于RBF神经网络的农机企业顾客满意度测评研究[J].中国农机化,2011(3).

[7]刘永坤.基于遗传神经网络的建筑工程快速估价研究[M].华东交通大学,2006.

[8]赵富强,姚绍文,徐建刚.基于遗传神经网络的农业机械化水平测评研究[J].中国农机化,2010(4).

[9]余琳娜.基于顾客满意的D企业第三方物流配送优化策略研究[D].天津大学硕士学位论文,2009,3.

[10]李晔.基于一种改进遗传算法的神经网络[D].太原理工大学硕士论文,2007,4.