面向相似认知用户集群的TRIZ超系统资源需求获取模型
2021-08-12苏珂,崔元
苏 珂,崔 元
(1.齐鲁工业大学(山东省科学院) 山东省科学院自动化研究所,山东 济南 250013;2.齐鲁工业大学(山东省科学院) 艺术设计学院,山东 济南 250353;3.齐鲁工业大学(山东省科学院) 机械与汽车工程学院,山东 济南 250353)
0 引言
大数据时代下,用户个性化需求的海量数据以及产品使用环境的复杂性为产品创新的设计分析带来了巨大的机遇和挑战。产品传递信息的对象以及产品所处环境中的社会或文化因素是TRIZ的超系统资源[1]。通过分析超系统资源与产品间的相互作用,预测产品未来超系统,可以构建潜在使用场景,获取用户反馈,帮助设计师快速、准确地挖掘用户需求[2]。
用户集群概念由菲利普·科特勒等[3]提出,指的是将具有相似属性的用户集合内的功能属性认知偏好相似度高的用户进行聚类,获取的集群即为具有相似认知的用户集群。从用户集群的角度对用户需求进行研究,可更好地挖掘用户的显性和隐性需求[4]。
目前,国内外针对用户需求获取取得了一定成果。代海涛[5]在交互设计中通过创建用户角色形象并应用于情景剧本,构建基于场景的情景演绎法,采用情感分析与潜意识分析方法综合获取用户需求;张青等[6]通过将扩展功能—行为—结构(Feature-Behavior-Structure, FBS)模型融入产品设计过程中,明确了用户模糊需求并对其求解;王晨等[7]通过分析并构建需求本体的方法对用户需求进行了拓展,从个体多维度获取了用户对车辆转向器的需求并进行了产品设计。上述用户需求获取方法大多使用个体需求进行分析建模,未能针对用户集群需求进行分析。苏建宁等[8]通过用户特征信息建立了用户集群,获取了用户集群偏好,并通过区分新用户所在集群确定其需求;刘星辰等[9]通过文本挖掘的方法,将具有近似属性的用户进行集群划分,并构建典型用户画像,为创新设计提供方法。上述用户集群划分方法只针对用户特征信息,未能对具有近似认知的用户进行集群研究。曹国忠等[10]建立了用户产品使用本能层与行为层场景,并将用户反思层情感显性化,确定用户需求;张建辉等[11]将TRIZ中需求进化定律与技术进化定律相结合,建立了产品用户需求获取模型,并对带式输送机进行了优化设计;KAHKASHAN等[12]通过对早期产品间差异度与共同性的分析,计算了用户差异化指数,在产品早期阶段预测用户需求。以上需求获取方法大部分停留在用户现有的使用场景中,未能对用户潜在使用场景与潜在用户进行需求分析。
针对以上问题,本文提出相似认知用户集群的概念,构建了一种面向相似认知用户集群的TRIZ超系统资源需求预测与获取模型。该模型通过F-Kano对用户显性需求进行分类,使用K-modes算法建立具有相似认知的用户集群,确定产品初期设计意象;通过现有产品使用情景,获取影响用户认知的用户属性与产品使用环境属性两种超系统资源,在不改变用户认知类型的前提下,对于目标群体现有产品未能满足的资源进行预测;应用Norman的产品认知模型分析用户认知与系统资源关系,建立产品潜在使用场景;通过新环境的用户认知反馈,确定用户需求结果。本文为设计师提供一种新的产品需求获取方式,可以更准确地获取用户需求,提高用户体验满意度与兴奋度,增加企业市场竞争力。
1 基于用户认知相似度的用户集群获取
1.1用户需求获取与分类
用户需求可以分为显性需求、隐性需求和潜在需求[13]。NORMAN[14]认为,用户对产品的认知可以由浅层生理感受至深层心理反思自下而上地分为感官层、行为层和反思层。用户显性需求是用户在产品的使用过程中,在感觉器官接触反馈、使用过程行为反馈、所处环境心理反思3种认知层次下能够明确认识并主动提出的需求;隐性需求是由于用户自身认知程度混乱,认知深度较浅,在感知交互中已经存在但无法明确表达或尚未意识到的需求[15];潜在需求,是现有产品未能发现并满足已经存在特殊用户属性与使用环境,且用户现有认知并未能深入认识从而产生的需求,属于较深层次的隐性需求[16]。用户需求的发现程度与用户自身认知深度相关,对于用户产品认知流程进行分析,能够获取用户未能发现的深层次潜在需求。
1.2 具有相似认知的用户集群
用户集群指的是具有相似属性的用户集合[3],由于用户需求来自于其产品认知过程,根据过程中每个用户所具有的环境属性与用户自身属性对现有产品特殊要求,可以得到用户对于产品不同功能属性的认知偏好倾向;以用户产品功能属性认知偏好倾向作为用户集群的判断属性,将集合内功能属性认知偏好相似度高的用户进行聚类,所获取的集群即为具有相似认知的用户集群。对于具有相似认知的集群内用户,其对产品设计方向与功能满足度顺序存在共同要求,同时其使用环境与用户属性存在较高的相似性。GUO等[1]指出,在需求预测过程中对用户现有显性需求与用户属性统计越丰富、精确,在此基础上进行潜在需求预测的准确度与可靠性就越高。同时,随着用户数据规模和维度的大幅增长,从用户集群角度对用户属性进行聚类分析,能够对用户资源属性进行更加详细的统计与挖掘[17]。因此,对具有相似显性需求属性的用户建立集群,统计其超系统资源属性,可以获取较为精确且有针对性的环境资源;在此基础上构建潜在使用场景,可以在满足集群用户产品设计共同诉求的基础上,对产品进行合理的创新设计,设计流程如图1所示。
1.3 用户显性需求模糊Kano优化
Kano模型表述了用户对于不同需求的满意度倾向,而模糊Kano模型针对用户需求具有模糊性与不确定性的特点,允许顾客对多个调查项赋予模糊满意值,综合计算各倾向满意值后,能够获取用户对于某项需求的认知类型[18]。模糊Kano模型根据用户对需求的满意度,将其分为5类,本文选取基本型需求(M)、期望型需求(O)、兴奋性需求(A)3类作为产品主要关注需求。在计算过程中,为了提高需求分析的准确度,根据调查情况与经验,需设定用户模糊需求阈值α,当需求分布值ti,j≥α时,取ti,j=1,否则ti,j=0。当顾客有多种需求偏向时,按基本型、期望型、兴奋型、无关型优先度进行排列选取。使用模糊Kano方法对用户显性需求进行优化,可以获取用户需求重要度排序,从而得到用户产品设计意向与认知类型。
1.4 基于K-modes方法的用户集群构建
由于处理后的用户需求类型属于类别型数据,适合使用K-modes算法对用户进行聚类分析。用户差异度定义为:
(1)
式中dK(xi,zl)表示用户xi与集群中心zi之间的差异度;
(2)
K-modes算法通常采用误差平方和作为算法终止条件:
(3)
其中:
(4)
当目标函数T完成收敛时,用户集群划分结束。选取集群中心用户属性作为该用户集群显性需求属性,以便进行产品潜在需求分析。
2 基于超系统资源演化与潜在情景构建的用户需求获取
TRIZ系统论认为,每个技术系统都由若干子系统组成,并通过子系统之间的相互作用实现一定的功能;而系统所在环境的信息因素称为超系统,超系统通过与产品系统之间的相互作用对产品系统提出要求[5]。由设计驱动的产品创新应当重视产品对周围环境信息因素的表达与反馈[1],产品的使用环境超系统因素决定了用户对于产品的认知倾向与具体需求。对产品的未来超系统资源进行预测,能够构建潜在产品使用场景,将其与用户认知层次之间相互作用进行分析,以获取用户尚未发现与产品尚未满足的需求。
2.1 用户超系统资源预测
根据超系统资源与用户产品使用环境关系,本文在产品现有超系统基础上,对用户自身属性与产品环境因素两种超系统资源进行分析预测。下面详细介绍产品超系统资源预测过程。
2.1.1 根据聚类结果的超系统资源选取
选取目标用户集群kn,获取具有相似需求倾向的用户集群超系统资源。根据产品的不同,统计目标集群内用户属性,如性别、年龄、职业、受教育程度、产品使用习惯等,建立集合En,(n=1,2,…,n);统计集群内用户使用环境属性,使用环境属性一般分为使用区域社会属性与具体使用场所物理属性。使用区域社会属性即使用地社会文化属性,分为风俗习惯、当地文化等;使用场所的物理属性可分为温度、湿度、光照、空间大小、高度等。选取产品使用区域属性与具体使用场所属性并建立集合F1、F2。其中,F1={使用地社会文化属性};F2={使用场所物理属性}。
2.1.2 产品潜在超系统资源获取
(1)根据目标用户集群超系统属性调查结果,构建现有产品超系统资源表达式。
现有产品超系统资源属性表达式为:
(5)
式中:P为产品超系统资源属性;E为用户超系统资源;F为环境超系统资源;ei(i=1,2,…,m)为用户超系统资源属性;vj(j=1,2,…,n)为环境超系统资源属性。
(2)对每种超系统资源属性,根据用户集合En与集合Fn属性类型,通过对现有产品全部超系统资源调查与设计师的分析补充,建立超系统资源类型可能性全集UEx、UFx。
(3)选取可进行预测的超系统资源,对其进行可拓展性分析。根据现有产品尚未满足的超系统资源属性,建立集合En与集合Fn在全部可能性资源属性集合下的超系统资源补集⊂UEn、⊂UFn。分析补集中资源属性与用户集群需求倾向的相容性,整理符合集群需求倾向的潜在超系统资源,建立潜在超系统资源集合。
(4)更新产品潜在超系统资源表达式P′。若环境中资源补集⊂UEn存在,则证明产品存在未被发现的潜在用户;若环境中资源补集⊂UFn存在,则证明产品存在未被应用的潜在使用环境。根据拆品潜在超系统资源表达式P′,组合潜在超系统资源,在集群认知倾向不变的情况下进行需求获取。
2.2 基于用户认知的使用场景资源分解
2.2.1 目标产品子系统分析
选取典型目标产品,分析各部分功能作用,使用鱼骨法将其划分为不同子系统,如图2所示。将每个子系统按功能细化为功能元件,以便下一步对用户认知—系统相关作用进行分析。
2.2.2 基于用户认知的资源相关作用分析
基于产品使用流程分解,获取用户行为层反馈,如图3所示。用户行为层的认知来自于用户在产品使用过程中产品功能对于用户需求以及产品环境信息的响应。获取行为层需求时,建立用户产品使用流程分解,分析子行为中用户在潜在超系统资源下对产品的行为意图以及作用子系统,获取对于现有产品的用户行为层反馈。
基于行为—系统交互获取感官层反馈,如图4所示。感官层的认知来自于产品使用过程中用户感觉器官受到产品整体以及子系统的信息刺激。获取感官层需求时,建立用户使用流程分解,分析产品子系统与用户感觉器官的交互以及特殊物理超系统资源对感觉器官的刺激,获取对于现有产品的用户感官层反馈。
基于反思—系统交互获取反思层反馈,如图5所示。反思层的认知,来自于用户所在的社会环境对于用户自身认知的要求与反馈。获取反思层需求时,将用户自身属性代入社会环境中,分析用户所在社会层次对于用户自身所产生的作用,以及用户自身审美、价值认同等个人属性,获取对于现有产品的用户反思层反馈。
2.3 基于用户集群倾向相关性的可拓展超系统资源选取
在预测超系统资源的过程中,应保持用户需求倾向不发生改变。根据现有产品中超系统资源与用户需求倾向的反馈关系,建立系统资源—高倾向需求相关度矩阵,确定可进行拓展分析并建立潜在使用场景的超系统资源。
2.4 用户潜在使用场景构建与分析
利用预测超系统资源,构建用户产品使用潜在环境,分析新环境下用户产品使用过程,获取现有产品难以满足的潜在用户需求。根据用户子系统分解、行为分解、感官层反馈与行为层反馈,结合系统超资源预测结果,建立基于用户使用行为树的产品潜在使用场景并获取潜在需求,如图6所示。建立新环境下子功能需求—元件满足度矩阵,如表1所示。表1中,显著满足标记为++,部分满足为+,无关标记为/,完全无法满足标记为-。通过矩阵分析元件与子需求之间的关系和需求满足程度,确定因无法满足潜在需求而需进行创新设计的子系统元件,从而进行针对性设计。
表1 需求满足关系矩阵
续表1
3 面向相似认知集群的系统资源用户需求获取模型
面向相似认知集群的系统资源用户需求获取模型如图7所示。
面向相似认知集群用户的系统资源用户需求获取模型基本流程如下:
(1)获取需进行创新设计产品现有用户显性需求,并对用户需求进行模糊Kano优化,完成认知信息的处理。
(2)通过K-modes方法分析处理后的用户需求数据,建立相似认知用户集群,获取具有相似认知的用户超系统资源,为下一步超系统资源预测建立基础。
(3)确定需要研究的用户认知类型集群,在现有用户集群超系统资源的基础上对其进行收集、分析和预测,获取尚未发现潜在超系统资源。
(4)在超系统资源预测的结果上,将产品进行子系统分解,构建新环境下用户行为树,分析新环境下用户感官层与反思层作用关系以及感受。
(5)在感官分析与元件需求相互关系基础上,建立产品潜在使用场景,逐步分析用户潜在环境产品使用流程,获取用户潜在需求。通过对用户潜在使用场景的分析预测,可以科学地获取用户潜在需求,提供产品创新目标。
4 实例研究
圆捆机是一种能够对秸秆、牧草等农作物进行高效收集、切割、打捆、包膜等工作的农用机械。某企业要求在现有圆捆机的基础上,面对具有高性能需求的用户对产品进行创新设计,以满足潜在市场需求。
4.1 用户集群分析
(1)通过模糊Kano方法明确用户显性需求倾向。通过对市面上常见的圆捆机进行功能特点分析,获取以下圆捆机用户显性需求,如表2所示。发放模糊Kano问卷,对用户需求属性以及用户年龄、性别、受教育程度、使用环境、社会环境进行调查,部分受调查用户用户基本属性如表3所示。共发放模糊Kano问卷80份,回收有效问卷72份。将调查问卷进行模糊Kano计算,用户模糊需求阈值α设置为0.4[19],对照模糊Kano需求分类表,获取用户个人显性需求倾向。
表2 调查的显性需求
续表2
(2)在用户需求分类基础上,使用K-modes方法,对用户进行基于相似认知类型的种群聚类。将用户显性需求作为聚类因子进行用户聚类。将模糊Kano优化的用户需求偏好数据导入MATLAB软件,使用K-modes算法对调查用户进行基于认知分类的属性聚类,由式(3)和式(4)得到用户集群={k1,k2,k3,k4},对其进行特征归纳,得到用户群体认知偏好标签,如表4所示。
表3 超系统资源统计
表4 用户集群分类表
4.2 用户超系统资源统计与预测
分析目标用户集群超系统信息,在不影响用户认知类型的情况下,选取存在进化拓展可能性的超系统资源。本文选取目标用户群为K3(高价值及高性能需求型),该集群中的用户基本型需求为{FR1、FR2、FR4、ER1、ER3、ER4},期望型需求为{FR3、FR6、SR1、SR2、VR2、VR3、ER2},兴奋型需求为{FR5、FR7、VR1}。统计问卷中用户群体超系统资源,如表3所示。根据式(5),构建现有产品超系统资源表达式建立系统资源—高需求倾向相关性矩阵,如表5所示。根据用户认知水平与集群用户需求类型,在保证用户高价值高性能认知的基础上,选择用户年龄、种植环境、作业环境、地形、主要农作物5种超系统资源建立可能性全集,进行拓展性分析。用户资源方面,对于用户年龄属性,存在较年轻(15~25岁年龄段)与较年老(50~65岁年龄段)两种拓展资源。对具有该两种属性的用户,存在知识水平不高、机械操作能力不强、故障处理能力较差的问题。产品使用环境方面,对于产品种植环境资源,存在较小面积种植区域拓展资源;对于作业环境资源,存在平均温度较高、作业环境较为潮湿两种拓展资源;对于地形资源,存在山区、丘陵、水田等拓展资源;对于目标作物,存在水稻等拓展资源。综合获取超系统拓展资源,构建潜在产品超系统资源表达式P′,建立产品预测使用场景。
表5 统资源—高需求倾向相关性矩阵
续表5
4.3 潜在使用场景构建与需求分析
(1)选取市场上一款较常见的拖拽式圆捆机,将其按功能结构进行子系统划分,如图8和图9所示。本文将圆捆机按功能不同划为8个子系统,按照需求功能相关关系,选取捡拾、切割、行走、压实4个系统进行重点分析。通过鱼骨图对产品相关子系统及元件进行分析,如图10所示。
(2)结合超系统资源预测结果,对潜在使用环境下现有产品使用场景进行流程分解,以便逐步进行用户认知反馈分析与需求获取,如表6所示。
(3)场景分析与需求处理。以场景5为例,通过用户超系统资源以及认知反馈,构建产品各步骤使用场景,分析并获取用户各方面需求。获取流程与结果如表7所示。将目标产品子系统与用户潜在情景需求一一对应,建立如表8所示子系统—潜在需求相关性与满足度矩阵,确定未能满足新需求的子系统。对各使用步骤进行分析,总结用户需求,如表9所示。
(4)针对用户集群基本倾向需求的关键部位创新设计。以打捆装置为例,文献[20]认为,圆捆机打捆过程主要存在两种故障因素:
1)秸秆卷捆钢辊缠辊现象。缠辊现象主要是由于秸秆与钢辊之间摩擦力不足,钢辊间隙过大所导致;同时,提高摩擦力可以提高钢辊对秸秆的导送能力,提高打捆的效率和质量。针对在打捆过程中起到输送作用的钢辊进行创新优化:在钢辊表面设计凸棱与条板,增加钢辊与秸秆的接触面积,减少钢辊间的间隙距离;采用橡胶包裹钢辊表面,起到提高摩擦力和保护钢辊的作用。
表6 用户行为分解与功能反馈
表7 潜在使用场景构建与需求分析
表8 相互作用矩阵
表9 设计要求总结
2)在打捆作业时,秸秆会滞留在打捆室侧壁,对作业起到阻碍作用。对打捆室侧壁进行创新优化,将其设计为与秸秆工作方向相同的旋转圆型内壁,起到辅助秸秆输送和解决秸秆滞留的作用。打捆装置创新与工作效果如图11和图12所示。
(5)圆捆机创新方案生成与评价实现。针对以上提出的用户需求,将各相关子系统元件进行创新设计并组合,获取圆捆机创新方案。同时列出了市面一款较为高端的进口圆捆机,如表10所示。
表10 产品创新方案
采用有效价值分析法对方案进行评估。首先采用AHP层次分析法获取各评价项权重,如表11所示,各项均已通过一致性检验。在产品方案评估中,绝对总评价值定义为:
(6)
(7)
其中:m为待评价的方案数;n为评价因素数;Gwj与Gwgj分别为不加权与加权评价值之和;Wij与Wgij分别为不加权与加权的单项评价值;gi为加权系数。方案加权评估如表12所示,其中方案2总评价值最高,且能适应用户各方面潜在需求,确定其为最优方案,示意图如图13所示。
表11 需求权重获取
表12 方案评价值
5 结束语
为解决用户认知差异性与局限性所带来的用户潜在需求获取不充分的问题,本文提出一种面向相似认知用户集群的超系统资源需求获取模型。
(1)根据不同用户自身属性与环境属性在认知过程中对产品的不同需求倾向,使用模糊Kano方法获取用户需求倾向,并使用K-modes方法构建具有相似认知的用户聚类。
(2)收集并分析聚类用户现有超系统资源,在不改变用户认知倾向的前提下对其进行预测。根据预测结果结合用户认知流程构建产品潜在使用场景,通过用户行为流程分解和分解场景分析获取用户潜在需求,建立子系统—需求满足度矩阵确定产品元件创新方向。
(3)构建了面向相似认知用户集群的Triz超系统资源需求获取模型,将该模型应用于自走式圆捆机的设计过程中,并使用AHP和有效价值分析法对产品设计方案进行了评价,验证了模型的可行性与有效性。
下一步,将针对用户使用过程中无意识隐性需求进行更富有针对性的研究,以提高产品需求获取的多样性与深度,为产品创新提供更为有效的设计方法。