基于客户特征的产品环境需求预测方法研究

2020-03-28张雷，李璟，袁远，秦旭

机械设计与制造 2020年1期

张雷，李璟，袁远，秦旭

（合肥工业大学机械工程学院，安徽合肥 230009）

1 引言

产品的设计是否能够满足客户的需求，对于一款产品是否能够成功起着决定性作用。随着企业的竞争逐渐从“以产值为中心”过渡到“以客户需求为中心”[1]，企业赢得市场的关键就是要对客户需求进行快速反应，这就需要企业对客户需求进行有效预测。近年来，环境问题日趋严重，客户更倾向于选择绿色产品，客户环境需求的预测与分析就成为产品设计的重要环节。

在客户需求预测方面，文献[2]构建了一种应用于短生命周期产品需求预测的BASS模型，解决了需求预测中历史数据缺乏、需求影响因素考虑不充分导致预测精度较低的问题；文献[3]构建了考虑顾客感知要素的多变量灰色组合需求预测模型，将与需求变化相关的质量、性能等顾客感知要素纳入多变量灰色模型以提高预测准确性；文献[4]将广义证据理论引入经典马尔科夫模型，构建了基于开放世界的广义信度马尔科夫模型，以分析客户动态需求；文献[5]提出了一种结合顾客偏好和客户满意度评级的客户需求重要度分析方法以解决QFD中需求的相对重要性分析。

通过以上文献的分析，国内外学者在产品需求预测方面的研究成果较多，并且得到了较为广泛的应用，但是针对产品需求演化和预测的研究主要集中在产品制造过程的供应链预测方面，很少主动考虑客户对产品需求的变化趋势，对产品环境需求的分析与预测更是鲜见。因此提出了一种基于客户特征的产品环境需求预测方法，并通过冰箱产品的环境需求预测进行验证。

2 基于客户特征的产品环境需求预测模型

随着经济与科技的发展，客户对产品的要求不再局限于功能、性能、外观等传统的需求，逐渐关注产品的环境性能，由此衍生出客户环境需求这一概念。为了缩短产品的设计周期，企业必须快速响应客户需求，这就需要企业对不同客户的需求进行预测。基于以上分析，构建了一种基于客户特征的产品环境需求预测模型，如图1所示。（1）需求信息采集。通过环境需求分析，建立需求信息采集模版，获取统一表达的客户特征与客户环境需求。（2）需求信息表达。通过采用感性工学和语义差异法处理客户需求的模糊性，并将客户环境需求转化为二进制编码，使其能够被计算机识别，便于数据处理。（3）环境需求预测。通过建立“客户特征-环境需求”的BP神经网络，挖掘其之间的关系，实现客户环境需求的预测。（4）客户特征影响程度量化。通过信息增益计算不同客户特征的权重，量化各个特征对客户环境需求的影响程度。

图1 基于客户特征的产品环境需求预测模型Fig.1 Forecast Model of Product Environment Requirement based on Customer Attributes

2.1 客户环境需求采集

产品的环境性能涉及选材、制造与回收等多个生命周期环节，与之相对应的客户环境需求主要表现在绿色材料、绿色制造等6个方面，其根本目的是减轻地球的环境负担[6]。环境需求的主要构成，如图2所示。

图2 客户环境需求Fig.2 Customer Environment Requirement

表1 客户需求信息采集模版Tab.1 The Template of Customer Requirement Gathering

具有不同特征的客户，其需求也是不同的。为了获取不同用户的客户特征及其环境需求，依据环境需求分析建立客户环境需求信息采集模版，并将不同客户的需求信息进行统一的表达，从而可以通过采集到的信息对具有不同特征用户的需求进行预测。冰箱产品的客户环境需求采集表，如表1所示。

2.2 需求信息表达

客户需求具有模糊性的特点，即客户的需求描述经常出现表达不清等问题。模糊的客户需求不利于产品的设计开发，为了高效准确地处理客户需求，需要将客户需求转化为能被计算机识别的语言。

依据客户环境需求的模糊程度，将其分为结构型与非结构型两类。结构型客户需求可以准确表达客户对产品的具体需求，包含选项型和参数型两种。选项型是指客户对产品的某一属性进行选择，该属性存在两个（或以上）互斥的选项。参数型是指客户对产品某一属性的要求为参数值（或参数区间）。

非结构型客户需求主要是描述型，即客户对产品某一属性要求的描述，其模糊程度较高，表现客户对产品属性的倾向程度。描述型的客户需求包含客户的感性评价，通过感性工学的方法收集客户对其的评价[7]，并采用语义差异法建立“对象-感性评价-倾向程度”的Likert量表[8]，经过统计分析确定客户的需求。

表2 非结构型需求三点Likert量表示例Tab.2 Examples of the Three-Point Likert Scale for Non-structural Requirement

在明确不同类型的客户需求之后，将其转化为二进制编码以便于被计算机识别、处理。在转化过程中，“1”表示肯定选择，“0”表示否定。部分环境需求表达案例，如表3所示。

表3 客户环境需求表达案例Tab.3 Customer Environment Requirement Expression Case

2.3 环境需求预测

人工神经网络通过挖掘预先设定的输入-输出数据的关系，来根据新的输入数据预测输出结果[9]。通过建立“客户特征-客户环境需求”的BP神经网络，可以挖掘出其之间的关系，从而指导企业针对不同的用户群体进行产品设计。BP神经网络的结构，如图3所示。图中：I、H、O—神经网络的输入层、隐含层和输出层；i、k—各层级的输入、输出。WIH—隐含层和输入层之间的连接权；I—神经网络模型的输入，则隐含层的输入可用，如式（1）所示。

f（x）表示激发函数，一般选择Sigmoid函数，f（x）＝1/（1+e-x）则隐含层的输出可用，如式（2）所示。

WHO表示输出层和隐含层之间的连接权，则输出层的输入为：

神经网络模型的输出为：

神经网络的隐含层的节点数可用经验公式5和6确定，k，p分别表示输入层、输出层的节点数，n为（1～10）之间的整数。

图3 BP神经网络Fig.3 BP Neural Network

2.4 客户特征影响程度量化

不同的客户特征对客户环境需求的影响程度不同，为了对其进行量化评估，采用信息增益来计算各个客户特征的权值，从而确定其对客户环境需求的影响程度。

3 实例研究

冰箱是常用的家电产品之一，也是客户需求导向的产品之一。随着环保要求的提高，冰箱市场的竞争也愈发激烈。针对冰箱产品的客户环境需求涉及到绿色材料、环境排放等方面，并且不同的客户对同一产品属性的要求也各不相同。为提高产品的市场竞争力，预测不同客户的环境需求非常重要。

以某款冰箱网上客户对其评价为例，通过构建的客户环境需求采集表，如表1所示。采集相关的客户需求信息及客户特征。将客户环境需求其进行编码，如表4所示。

表4 客户环境需求编码Tab.4 Coding of Customer Environment Requirement

为了对客户环境需求进行预测，将客户特征集合［年龄，消费等级，教育背景，消费习惯］作为BP神经网络的输入。将客户特征进行编码，以便被人工神经网络识别和计算，如表5所示。

以客户对冰箱的能耗等级的需求为例，采用BP神经网络对需求组进行训练，神经网络的输入是长度为4的客户特征向量，如［0，1，3，3］T，输出为长度为 4 的客户环境需求向量，如［0，1，0，0］T，通过多组数据组训练神经网络。与神经网络的输入、输出向量相对应，其输入、输出层的节点数都为4个，神经网络的隐含层的神经元数量可用经验公式5和6确定，本案例取10。

表5 客户特征编码Tab.5 Coding of Customer Attributes

图4 BP神经网络训练结果Fig.4 The Result of BP Neural Network Training

在MATLAB2016b中利用BP神经网络进行运算，将数据源的70%进行训练网络，30%用以对神经网络的精度进行验算和调整。在同时保证神经网络算法震荡的稳定性和收敛速度的情况下[10]，设定神经网络的学习速率为0.1，目标误差为1e-003。训练结果，如图4所示。通过分析训练结果，期望输出和实际输出的误差较小，能够挖掘出客户特征与客户环境需求之间的关系。神经网络训练的数据，如表6所示。