基于用户感性需求的产品设计方案评估方法

张 璐， 李巨韬， 赵艳云， 田正清

(天津大学 机械工程学院,天津 300191)

0 引言

用户的感性需求是用户期望在使用产品的过程中获得积极的情感体验的一种内隐需求。产品的造型、色彩、材质等都传递给用户强烈的视、触觉刺激，用户通过对这些信息的解码处理，产生对产品的主观再现印象，引发不同的心理感受，进一步影响用户的购买决策。因此在产品的功能、性能相似时能否给予用户期待的情感体验成为产品是否成功的关键因素之一，也是产品设计方案决策的重要研究方向。感性工学是由日本广岛大学研究人员提出的通过感性意象分析用户感性喜好的技术。感性意象是由用户接收到产品传递的信息刺激后产生的高度凝聚的心理感受，一般可用形容词描述。感性意象将用户内心情感活动通过语言外显，是目前研究产品情感需求的重要思路。当前国内外研究学者针对于感性意象指导产品的设计工作进行了大量研究。Chang等对感性意象的聚类分析和主因素分析法得出了影响汽车方向盘情感体验的设计要素及其相关性[1]；Kim等基于感性意象和心理学情感模型，从而得出了三类不同情感活动在手机设计要素中的作用[2]；苏建宁等运用产品的感性意象结合遗传算法实现了产品进化设计[3]。以上研究都表明了感性意象在产品设计过程中对用户情感需求能进行有效地描述。而在产品方案决策方面仍然缺乏对用户情感需求的关注，以用户感性需求为导向的产品方案决策方法鲜有研究。

由于情感的抽象性和意象认知的复杂性，准确地刻画用户的情感需求，避免用户情感信息获取和处理中的主观性影响是用户情感需求研究中的重点。许多学者提出了大量的研究方法和模型，常用方法有模糊层次评价法[4,5]、粗糙集[6,7]、灰色关联法[8,9]、QFD[10]、TOPSIS[11]等及其综合应用。其中TOPSIS通过计算与正负理想解的值，有效地利用原始数据反映备选方案的差异，因而在多指标下的决策问题中也广泛使用。然而由于情感信息的模糊性和不确定性，以及产品决策中相关属性的复杂性，基于精确数的传统TOPSIS方法并不适用于处理模糊的数据信息。因此文中在感性意象的指导下，采用基于模糊数的熵理论给各意象计算权重并用模糊TOPSIS[12]为备选方案进行排序。同时结合灰色关联理论进行产品设计方案的比较，最大限度地减少用户个人主观因素对于结果的影响，同时减少信息的失真，使得评价结果更加客观准确。

1 产品设计方案评价方法流程

设m个产品设计备选方案组成备选方案集S={S1,S2,…,Sm},(m≥2)；产品意象认知的调查和分析产生目标意象集T={T1,T2,…,Tn},(n≥2)；参与评价的目标用户集U={U1,U2,…,Ul},(l≥2)。按照图1所示流程进行建模。

图1 产品设计方案评价方法流程

2 产品设计方案评价方法建模

2.1 目标意象评价值的模糊化处理

三角模糊数由于计算简单被广泛应用于量化不确定语言变量。根据语言标度变换法[13]，可将目标意象的原始语言评价依照表1量化为三角模糊数评价级。

表1 语言变量对应的三角模糊评级

(1)

2.2 目标意象模糊评级的规范化

为了减少评级量纲的影响，便于后续的计算，需将模糊评级进行规范化处理。由于目标意象均为效益型指标，故按照以下方法进行规范化处理:

(2)

2.3 确定目标意象熵权

熵是热力学中微观状态无序性一种度量。与热力学中的熵类似，信息熵是信息无序度的度量，信息熵与信息无序度成正比，即与信息权重成反比。信息熵具有客观性强的优势，能最大限度降低评价过程中主观性对信息权重计算的影响[14]。

目标意象Tj下各方案的三角模糊评级的上界、中值和下界的熵值分别为

(3)

(4)

2.4 加权目标意象模糊评级的集结

对所有的模糊评级进行加权集结，得到加权规范化评价决策矩阵Z：

(5)

2.5 确定模糊最优解和模糊最劣解

对于效益型指标，每个指标值越大越好，因此模糊最优解由各方案的目标意象的三角模糊评级中最大序列构成，而模糊最劣解由最小序列构成，即：

(6)

(7)

2.6 计算各方案到模糊最优、劣解的距离

产品设计备选方案Si与模糊最优解和模糊最劣解的Euclid距离分别为:

(8)

(9)

2.7 计算模糊相似关联度

产品设计备选方案Si在目标意象Tj下和模糊最优、劣解的灰色关联系数rij分别为：

(10)

(11)

(12)

2.8 产品设计备选方案优度排序

分别对产品方案Si与模糊最优、劣解的距离及灰色关联系数进行无纲量化处理：

(13)

(14)

最优方案应该是与模糊最优解距离最小，与模糊最劣解距离最大；同时与模糊最优解的关联度最大，与模糊最劣解的关联度最小。由于距离和关联度均为非负数，因此可建立以下目标函数，求解方案Si与理想解的相对贴合度μi：

(15)

(16)

将产品方案按照相对贴合度μi进行排序，μi越大方案越优。

3 实例研究

3.1 感性意象的认知调查和目标意象的提取

基于产品的高同质化和对用户情感需求的高关注度，选取智能手表作为研究案例。由市场调查得到了53款智能手表产品样本，113个智能手表的感性意象。通过8人焦点小组和K-means聚类分析，将意象按语义相似度聚类，得到15个初选意象。基于15个初选意象对53款智能手表产品样本进行SD调查，得到初选意象评价值并做主成分分析，结果如图2所示。从图中可以看出大部分信息集中在前4个成分中，从第5个成分开始进入平台。选取特征值大于1的成分作为主要成分，即前4个成分，结果如表2所示。

图2 意象的成分碎石图

成分特征值贡献度%累计贡献度%16.27341.82041.82023.45023.00364.82331.75611.70776.53041.1537.68584.214

选取每个成分中负荷值最高的意象，建立目标意象词库。最终选出的目标意象词为：“时尚的”、“科技的”、“友好的”和“舒适的”。

3.2 构建备选方案的目标意象评估矩阵

通过8人焦点小组(5名工业设计研究生，3名非工业设计研究生)和KJ法从53款智能手表产品样本中选取代表性样本，最终确定如图3所示的9款智能手表设计方案构成备选方案集。对备选方案创建4个目标意象的5级SD调查问卷，如图4所示。采用滚雪球抽样对年龄在15岁到27岁的使用智能手表的用户发放并收回了107份问卷调查，最终有效问卷84份。

图3 产品设计备选方案

图4 语义差分调查问卷

将调查结果按照表1量化后，由式(1)和(2)得出规范化目标意象模糊评级矩阵，如表3所示。

表3 规范化目标意象模糊评级矩阵

由式(3)和(4)算出4个目标意象的熵权分别为：0.235，0.372，0.141，0.252。则集结的加权规范化目标意象模糊评级矩阵，如表4所示。

表4 加权规范化目标意象模糊评级矩阵

3.3 产品设计备选方案的优度排序

在加权规范化目标意象模糊评级矩阵中提取出最大序列和最小序列，确定模糊最优解和模糊最劣解分别为：

H+=[(0.151,0.316,0.520), (0.229,0.508,0.857),

(0.085,0.184,0.306),(0.174,0.364,0.599)]

H-=[(0.060,0.176,0.353),(0.050,0.190,0.449),

(0.037,0.108,0.217), (0.061,0.188,0.385)]

利用式(8)和(9)分别计算每个产品设计备选方案到模糊最优解和模糊最劣解的距离，利用式(10)到(12)计算每个产品设计备选方案到模糊最优解和模糊最劣解的灰色关联系数，并用式(13)和(14)进行无量纲化处理，结果如表5所示。

表5 与模糊最优、劣解的距离和灰色关联系数

应用式(15)到式(16)可分别算出各产品设计备选方案与理想解的相对贴合度分别为0.9662，0.5433，0.4753，0.0841，0.9523，0.4301，0.0008，0.8193，0.3747。由相对贴合度可得产品设计备选方案的最终排序为：S1>S5>S8>S2>S3>S6>S9>S4>S7。

实际销售排序与计算出的排序对比如图5所示。实际销售排序由2016年11月至2017年6月的天猫、京东等电商平台中该9款智能手表销售量统计排序得出。由相对贴合度计算出的样本排序与实际销量排序走向趋同，样本1 Apple Watch在两种排序中均为最优设计。故该评估方法对产品设计方案的决策问题具有一定的指导性和有效性。

图5 相对贴合度和电商销售排序结果对比

4 结论

本文构建了基于用户感性需求的产品设计方案评估方法，对功能和性能具有高同质化的产品提出了新的评估标准。通过感性意象刻画用户的感性需求，采用主成分分析提取需实现的目标意象，明确用户对产品的主要情感期望；以三角模糊数代替精确数科学地量化模糊的、不确定的情感需求信息；采用信息熵来确定各目标意象的权重，减少了评价信息中夹带的主观性；通过结合灰色关联的模糊TOPSIS计算备选方案与理想解的相对贴合度，同时从距离远近和形状相似两个方面逼近理想解，更综合地实现方案的优选。实例研究表明该方法的可行性和有效性。

此项研究中为便于对方法的效果进行验证，采用已上市的产品组成备选方案。目前设计方案的研究方法大多也依据市场已有产品的评价推演设计方案的决策，并得到较好的指导意义。但用已上市的产品与用设计方案的评价结果有一定的差异，需要在后续的研究中优化。此外，用户的情感是复杂的。感性工学中感性意象可以有效外显用户的情感需求，但过于单一和简单，因此需要后续的研究采用更加精准的方法全面地刻画用户的感性需求，同时配合相应的算法，进一步提升产品设计方案评估的综合性和适用性。