基于云模型的配送客户价值模糊综合评价研究

刘秋萍

摘要：为了构建符合配送企业实际情况的客户价值评价指标体系，分别从客户当前价值和潜在价值进行评价。针对价值评价范围的模糊性问题，引进交叉量化的评价标准云模型。为克服评价过程中隶属度函数单一主观性，引入云模型代替原隶属度函数，更好体现评价指标定性评分的随机性和模糊性。最后选取某企业的配送客户数据分别用云模型评价法和常规模糊综合评分对客户进行分类，结合配送客户实际情况，验证了所提出的客户价值分类方法是有效的。

关键词：配送客户价值;云模型;模糊综合评价

一、引言

不同的客户为企业创造的经济效益是不同的，为了更大化配送企业的经济效益，通过对客户进行精确的分类管理，针对不同客户提供差异化的服务方式，对提高配送客户的满意度和忠诚度具有较大帮助，且能实现企业配送资源的优化分配管理。

目前国内外学者对于客户价值评价指标和评价方法的相关研究。包志强，等学者在传统的RFM模型基础上进行改进，提出RFA模型，应用K-means聚类算法对客户进行细分。Permana D等从客户生命周期价值的出发，分别应用马尔可夫模型，kano模型等为客户未来潜在的价值进行评估。Mosavi A B等学者使用模糊层次分析方法来解决评价客户价值时评价指标存在的模糊性和不确定因素，但却没法克服模糊隶属度函数的选择存在的主观性。研究如何能针对客户评价指标的模糊性和不确定性进行。

可见，国内外学者客户价值分类的指标选取和评价方法有较深入的研究，但对配送客户需求多样化，累积的客户数据量庞大且动态变化，对于一些定性指标如何定量化评价，以及评价标准区间的模糊性或者重叠部分如何确定，评价过程中的不确定如何处理等问题的相关研究却比较少。李德毅学者提出的云模型主要是由以下三个数字特征表示，分别为期望（EX）、熵（En）、超熵（He），能有效实现定性和定量互相转化的特点。因此本文将云模型应用到客户价值分类，将客户价值评价指标的相关参考文献和配送企业客户的实际情况相结合，确定评价指标体系，然后构建不同评语量化区间存在相交的标准云模型解决评价分界过于绝对性，跟传统的模糊评价方法比较，该方法更能客观对配送客户进行分类。

二、配送客户等级划分及评价指标体系建立

（一）配送客户等级划分

本文对配送客户等级划分主要建立在企业视角，配送能为客户带来当前和未来所有可变现的经济利益价值。假设评价值设定为[0，10]，考虑到定性评价模糊性，相邻集合之间没有严格条件设定，本文在原来模糊综合评判评语集之间没有交集的情况下允许评语集与评语集之间有交集，确定配送客户5个等级：低端客户[0，3），开发客户（2，5），常规客户（4，8），良性客户（6，9），高端客户（8，10]。

（二）配送客户等级价值评价体系的建立

配送客户价值的评价体系指标的设计应该遵循科学性的原则，结合物流配送企业的实际情况，构建符合冷链物流配送客户的评价指标体系（具体如图1所示）。层级划分主要依据AHP法，将评价体系中作用、影响程度不同的指标分列不同层次上。

（三）评价指标权重的确定

根据指标间的相对重要性程度，邀请相关行业专家和企业高管评估指标的重要性，应用层次分析法确定各指标权重。

三、配送客户价值等级评价模型

（一）配送客户的评语集云模型

（二）基于云模型的配送客户等级综合评价方法

1. 根据配送客户价值指标体系构成因素集，设为U={U1 U2 U3 … Um}，通过配送企业业务主管和配送人员对客户的了解，分别对配送客户的各指标因子打分，为了使计算过程更加简便，假定评分区间为[0，10]，确定各指标分数值Xi。

2. 咨询该领域的专家和配送企业的相关主管各指标的相对重要性程度，依据层次分析法确定各级指标的权重W={w1 w2 w3 … wm}。

3. 将下层指标得到的评分值代入到标准云模型中，可得下层指标相对于上层级指标的隶属度值Ri=（ri1 ri2 ri3 … rin）（i=1，2，3…）。

4. 云模型综合评价C是评价集V上的模糊子集，则有式（2）

模糊综合评价法R代表隶属度函数的集合，不同问题可设定不同隶属度函数。由于该方法一般是用固定的隶属度函数相关曲线表现问题描述的映射，不能准确的表达问题的模糊性和随机性。为让隶属度更加客观，更好表述不同评价等级之间的交叉关系，将模糊综合评价法中的隶属度函数用正太云模型来计算。具体公式为μc=exp-，评分值相当于云滴x，且满足x～B（Ex，En2），En′～N（En，He2）

5. 根據指标体系层数，重复3～4步，直到算到顶层配送客户的等级评价值。

四、实例分析

本文随机选取冷链物流配送企业L的10家客户为研究对象。目前该企业主要采用ABC法根据配送客户近期的配送量进行简单的分类，主要是考虑配送客户的当前价值，而未考虑配送客户的潜在价值，可见本文提供评价指标体系等级划分方法可解决此问题。

（一）数据的获取

本文随机抽取配送企业的10个客户样本，并将配送客户名称假定为Si……S10。评价体系中分为两部分，一部分为主观评价数据，包括费用指标，客户忠诚度指标，客户成长性指标。这部分数据主要通过问卷，邀请业务经理，配送主管，财务主管共10位本着实事求是的态度打分。

另一部分为客观数据，该部分数据从客户管理系统导出。不同企业评分规则可能略有差异，本文参照该企业实际管理情况进行评分，具体规则如下：

当次配送货物数量a11，评分设为SCOREa11，当a11大于配送车辆载重20%（设为x），评为10分，否则SCOREa11=（1-（x-a11）/x）*10。

统计周期内的配送总数量a12，评分设为SCOREa12，当a12大于配送企业规定的业绩指标（设为y），评分为10，否则SCOREa11=（1-（y-a12）/y）*10。

统计周期内的平均每次配送数量a13，评分设为SCOREa13，当a13大于配送车辆载重20%（设为z），评为10分，否则SCOREa13=（1-（z-a11）/z）*10。

（二）指标权重的确定

根据1介绍的方法，邀请行业相关专家对指标体系的比较分析和统计，具体评判矩阵和各指标权重结果如下：

（三） 评价综合结果分析

以客户S1为例，将表S1客户的得分值带入标准的云模型中得到相应的隶属度矩阵：

（四）对比分析

根据方法1：基于云模型的模糊评价法;方法2：综合模糊评判法，评价人员之间给出评分，评分对应的等级，若存在评分出现在两个等级区间的，取较低等级的来计算;方法3：综合模糊评判法，评价人员之间给出评分，若存在评分出现在两个等级区间的，取较高的等级计算。方法2和方法3隶属度函数rij=，由于对等级规则的临界区间的不确定，分子的大小存在不同。

从表1看出，10个客户当中有8个客户评价是一致的，存在的不一致的客户分类是S2、S4，且是在临近等级存在差异。客户S2主要分歧在于是良性客户还是高端客户，两者的评分标准分别是（6，9）和（8，10]，由于方法3使用取较高等级的评语，最后得到高端客户。客户S4的分歧在于是常规客户还是开发客户，两者的评分标准是（4，8）和（2，5）。由于方法2取较低等级评语，最后得到开发客户。而根据评分用标准云求出的最大隶属值S2落在良性客户区间，S4落在常规客户区间。最后回归到现在，根据S2最近的配送情况，最后配送企业的相关评价主管一致认为该客户为S2为良性客户，S4为常规客户。可看出，基于云模型的模糊评价方法可以有效避免常规综合模糊方法中隶属度产生的主观性影响。此外，该方法更符合实际对评价等级模糊临界点的界定。

五、结语

根据配送企业客户的实际情况，建立客户当前价值、潜在价值的综合评价指标体系。评价指标的存在定性指标难以量化以及评价区间标准的模糊性，为避免评价过程中的不确定性和人为的主观判断，利用云模可相互转化的定性定量特征，通过云模型构建相关的隶属度函数，避免常规模糊评判中隶属度函数单一主观的缺陷。最后通过实例验证本文提出关于客户价值分类方法的有效性和可行性。

参考文献：

[1]包志强，赵媛媛，赵研，胡啸天，高帆.基于RFA模型和聚类分析的百度外卖客户细分[J].计算机科学，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]. 国防工业出版社， 2014.

[5]刘杰，王宇，李文立.基于云模型的商家信誉综合评价方法[J].大连理工大学学报（社会科学版），2017（01）.

（作者单位：江苏大学管理学院）