毕业论文网
这是一篇与顾客满意度论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
基于顾客满意度的产品设计方案评价方法
摘 要：顾客满意度是评价产品设计成败的重要指标.考虑到受访者评价过程以及KANO问卷信息量化过程中的不确定性,采用云模型对满意度评价语义变量进行量化,并采用云相似度算法确定各功能需求的类型.基于KANO问卷分析的结果建立了产品功能需求实现程度与顾客满意度之间的S-FR函数,实现了顾客满意度的量化,进而构建了满意度矩阵.将熵值法用于计算各功能需求权重,并采用TOPSIS法计算各备选方案的相对贴进度,从而实现方案的最终排序.最后以实例验证了所提方法的可行性和有效性.
关键词：云模型；KANO模型；熵值法；TOPSIS
中图分类号：TB文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.35.095
0引言
随着消费市场由企业主导型向顾客主导型的转变,如何更好地满足顾客多样化的需求,提升顾客满意度,成为企业产品设计以及产品设计方案评价过程中最为关键的出发点和落脚点.针对顾客需求分析以及顾客需求与顾客满意度间的相互关系,日本学者狩野纪昭(NoriakiKano)提出了KANO模型.产品功能需求是顾客需求的直接体现,文献[2]运用KANO模型的基本理论,结合在线问卷调查,对微信功能需求进行了分析,最后提供了微信差异化服务的优化改进建议.然而以往研究中KANO模型常常只是用于需求类型的定性分析,如何更好地实现需求与满意度的定量化是KANO模型研究的重点.文献[3]考虑到产品/服务属性绩效与顾客满意之间的非线性关系,构建了一种定量化KANO模型,实现了顾客需求分类的客观化.文献[4]采用调研的方式统计分析需求项实现程度与顾客满意度之间的关系,建立了顾客满意度数学模型,实现了顾客满意度的量化计算.文献[5]通过KANO模型中的满意系数和不满意系数确定出需求满意度函数上两点坐标,进而求得需求实现程度和顾客满意度之间的函数方程.
KANO模型中需求问卷信息的量化和集结是需求类型分析以及顾客满意度量化的基础和关键,然而传统KANO模型中往往根据KANO问卷统计的需求类型频数来确定最终需求类型,未能充分考虑到需求评价过程中的不确定性.鉴于此,文献[6-8]提出采用模糊KANO问卷来实现需求的调查和统计.在模糊KANO问卷中受访者需要凭借自我经验赋予满意度语义变量相应的百分比,然而这同样存在着极大的主观性,评价过程中的不确定性问题并没有得到很好的解决.为了更好地刻画了自然语言中定性概念的不确定性,李德毅院士于1995年在概率论和模糊数学基础上提出了云模型的概念,云模型同时研究了模糊性和随机性以及两者之间的关联性.云模型的提出为方案评价方法以及决策问题的研究提供了新支持工具,将云模型分别于AHP以及VIKOR相结合,用于解决不确定环境下的多准则和多属性群决策问题.本文采用云模型作为满意度语义变量的量化工具,并将云相似度算法用于KANO模型中需求类型的分析和满意度的量化.
方案的比较和排序决定着最终方案的选择.逼近理想解排序法（TechniqueforOrderPreferencebySimilaritytoSolution,TOPSIS）是一种常用的方案优选方法,它在对方案进行排序时能同时兼具接近正理想解并远离负理想解两个准则,从而使得排序结果更具有折中性.基于云模型的距离测度算法提出了一种云-TOPSIS的多属性群决策方法.本文以顾客满意度作为指标,采用TOPSIS法对备选方案进行排序,并将熵值法用于计算各功能需求的权重.
本文将云模型与KANO模型相结合,首先采用云模型对产品功能需求的KANO问卷信息进行量化和集结,并采用云相似度算法确定各功能需求的类型；然后以云-KANO的需求分析结果,建立了功能需求实现程度与顾客满意度之间的S-FR函数,并根据S-FR函数的计算结果构建了满意度矩阵；最后以熵值法计算功能需求权重,并采用TOPSIS法对备选方案进行排序和优选.以某企业某型号轿车的动力系统方案评价为例验证了所提方法的可行性和有效性.
1云模型概述
定义1设X为一定量论域,U是论域X上的定性概念,若定量值x∈X,且x是定性概念U的一次随机实现,x对U的隶属度μ(x)∈［0,1］是具有稳定倾向的随机数.x∈U均有x→μ(x),则x在论域U上的分布称为隶属云,简称为云.
定义2利用云的数字特征,通过特定的算法对定性概念所进行的一次随机数值转化结果称为云滴,一颗云滴中包含了论域X中的一个元素x和该元素在此次转换中对概念U的隶属度μ(x),记为(x,μ(x)).
1.1云的合成
云的合成就是将两个或多个云模型进行叠加进而得到一个综合云模型的过程.设〖AKc^〗i等于(Exi,Eni,Hei),(i等于1,2,…,n)为一组云模型,λi(i等于1,2,…,n)为云模型c^i所对应的权重,根据独立正态分布的运算法则,该组云模型综合云c^等于(Ex,En,He)的计算方法如下：
1.2云相似度算法
云相似度是指两朵不同的云之间的相似程度,本文采用文献[15]所提的云相似度算法用于计算云模型的相似度,具体步骤如下：
输入：两个云模型c^1等于(Ex1,En1,He1),c^1等于(Ex2,En2,He2)和云滴数n.
输出：两个云模型间的距离d(c^1,c^1).
步骤1：两个云模型c^1等于(Ex1,En1,He1),c^1等于(Ex2,En2,He2)通过云发生器各生成n个云滴.
步骤2：按横坐标从小到大分别对c^1,c^2的云滴进行排序.
步骤3：对云滴进行筛选,保留落在[Ex-3En,Ex+3En]范围内的云滴.
步骤4：设筛选后的两朵云的云滴数分别为n1和n2,假设n1n2,将第一朵云从n1个云滴中随机选取n2个云滴,对云滴按横坐标从小到大进行排序,保存在集合Drop1和Drop2中,若n1<n2,则与此类似.
步骤5：将两个集合Drop1、Drop2按对应的次序计算各云滴（x,μ（x））之间的平均距离：
算法中步骤3中采用区间[Ex-3En,Ex+3En]对云滴进行筛选,是因为该区间范围内的云滴占据了云模型中绝大部分云滴,为云模型的有效云滴,因此可以将多出的云滴直接舍弃.步骤4是指当筛选出的云滴数不一致时,则以较少的云滴数作为统一的云滴数.步骤5是对两个云模型间的距离进行求解,它等于两个云模型有效云滴之间的平均距离.步骤6是基于云距离的计算从而对云相似度进行计算,xmax-xmin表示有效论域的取值范围.
2基于云-KANO的顾客满意度量化
顾客满意度体现在产品各评价指标对顾客需求的满足程度上,KANO模型通过对需求的分类,将需求分为基本型（M）、期望型（O）、兴奋型（A）、无关型（I）、相反型（R）以及问题型（Q）六种需求类型.实际研究应用中一般只考虑基本型（M）、期望型（O）、兴奋型（A）三种需求类型.
2.1基于云模型的功能需求类型分析
采用KANO问卷对顾客功能需求的类型进行调查,如表1所示.令KANO问卷的语义变量集为U等于{满足,必须这样,中立,可忍受,不满},针对某一功能需求FRj,受访者从多个表示满意度的语义变量中选取一个最佳选项.
发放并回收KANO问卷,筛选出有效的KANO问卷数为z.对有效问卷进行统计,令Pjk,Njk(1k5)分别表示功能需求FRj可以实现和不能实现下的各语义变量频数,即考虑到定性语义变量量化过程中的不确定性,采用云模型对该功能需求的KANO问卷中的满意度语义变量进行量化,满意度语义变量与云模型的转换关系如表2所示.
将需求评价矩阵Rj与KANO模型需求分类评估表（表3）进行对照,计算矩阵Rj中每一种需求类型h（h等于M,O,A,I,R,Q）的评价数值之和Tjh,即Tjh等于∑Rj·xy,Tjh反应了功能需求FRj隶属于h类需求的程度.Tjh值最高的需求类型即为该产品功能的需求类型,当两种需求类型的Tjh值相等且均为最大时,按M、O、A、I优先顺序依次划分需求类型.
2.2KANO模型定量分析
令备选方案为Ai(i等于1,2,…,m),随着方案的不同产品功能需求参数间可能存在着差异,需求参数的类型可分为效益型和成本型：效益型表示参数值越大越好,成本型表示参数值越小越好.令Xij表示方案Ai中功能需求FRj的参数值,则产品功能需求FRj在方案Ai中的实现程度xij可表示为：
KANO模型的定量分析就是对功能需求不同实现程度下顾客满意度量化的过程,图1为KANO模型中不同需求类型的满意度曲线.针对具体产品功能需求FRj,其实现程度与顾客满意度之间的S-FR函数可用形如s等于af(x)+b的函数进行表示,其中s表示顾客满意度,x表示功能需求实现程度,f(x)表示函数类型,具体表达式根据需求类型而定,求解过程为：首先确定（1,CSj）,（0,DSj）两点坐标,然后将两点坐标带入函数s等于af(x)+b求得参数a和b的值,最后将a和b带入求得函数S-FR的表达式.
令CSj为顾客满意度指数,DSj为顾客不满意度指数：
Ⅲ.基本型满意度曲线的拟合函数为sij等于ajM(－e－xij)+bjM,则曲线参数a3,b3为：
3基于熵值法的功能需求权重计算
将方案Ai的产品功能需求FRj实现程度xij带入相应的S-FR函数,计算得到方案Ai中功能需求FRj的满意度sij,进而得到满意度矩阵S等于［sij］m×n.针对某一功能需求,若其在各方案间满意度的偏离程度越大,则该功能需求对方案综合满意度的影响越大,权重就越大；反之,若其在各方案间满意度的偏离程度越小,则该功能需求对方案综合满意度的影响越小,权重也就越小.鉴于此,本文采用熵值法来计算产品功能需求权重,具体步骤如下：
步骤1：针对功能需求FRj,计算方案Ai的满意度比重pij.
其中,λ>0,ln为自然对数,针对某一功能需求,如果各方案满意度均相等,那么pij等于sij/∑mi等于1sij等于1/m,此时,ej取极大值,即,ej等于-λ∑mi等于1(1/m)ln(1/m),令λ等于1/ln m,于是有0≤ej≤1.
步骤3：计算功能需求FRj的差异性系数gj.
功能需求FRj满意度的熵值ej越大,其偏离程度越小,在方案整体满意度中所起的作用越小,权重就越小；功能需求FRj满意度的熵值ej越小,其偏离程度越大,在方案整体满意度中所起的作用越大,权重就越大.差异性系数gj可定义为：
4基于TOPSIS法的方案排序
TOPSIS法是方案评价和决策问题中一种常用的方案优选方法,它使得方案在接近正理想解的同时远离负理想解,为选择更加折中合理的方案,本文采用TOPSIS对方案进行排序,具体步骤如下：
步骤1：建立加权满意度矩阵.
将各功能需求权重wj分别与满意度矩阵S等于［sij］m×n第j列各元素sij相乘从而得到加权满意度矩阵V：
步骤2：确定方案满意度的正、负理想解.
正理想解为各功能需求满意度最大值的组合,负理想解为各功能需求满意度最小值的组合,即：
5案例分析
随着我国经济高速发展,国民购买力提升,以私家车为主的乘用车逐渐成为汽车市场消费的主力.某企业是国内一家自主品牌汽车制造商,其经营范围涵盖了普通家用轿车、SUV、MVP等主流的家用乘用车类型.本文以该企业某型号轿车为例,针对该型车动力系统的设计方案采用所提方法进行评价分析,从而确定符合顾客满意度的设计方案.
汽车动力系统的功能需求主要包括：最大马力（FR1）、最大功率（FR2）、最大功率转速（FR3）、最大扭矩（FR4）、最大扭矩转速（FR5）、排量（FR6）、综合油耗（FR7）、档位数（FR8）.采用KANO问卷对各功能需求的类型进行调查,受访者包括研发人员、以往顾客、销售人员、维修人员以及随机人员,受访者采用满意度语义变量（满足,必须这样,中立,可忍受,不满）对以上各功能需求在功能需求实现和不能实现情况下的满意度进行评价.总共发放200份问卷,收回整理并最终获取有效问卷171份.
由公式（7）计算得到最大马力（FR1）的功能需求评价矩阵R1,并将该矩阵与KANO模型需求分类评估表（表3）进行对照,计算得T1M等于0.161,T1O等于0.544,T1A等于0.220,T1I等于0.065,T1R等于0.007,T1Q等于0.002,因此汽车最大马力（FR1）的需求类型为期望型.
与此类似,计算各功能需求的Tjh值,从而得到各功能需求分类评价结果,并由公式（10、11）分别计算各功能需求的CSj值和DSj值,并由公式（12-14）计算出各产品功能需求的S-FR拟合函数,如表5所示.
该车动力系统的各功能需求参数如表6所示,由公式（8、9）计算各功能需求参数的实现程度xij,并将xij代入表6中相应的S-FR公式得到满意度矩阵S,进而由熵值法计算得到功能需求FRj的权重wj为：0.138,0.187,0.083,0.075,0.079,0.131,0.179,0.128.将功能需求权重wj分别与满意度矩阵S第j列各元素sij相乘从而得到加权满意度矩阵V,并由式（10-11）确定正、负理想解为：V+等于{0.060,0.103,0.238,0.178,0.612,0.277,1.935,2.243},V-等于{-0.711,-0.816,-0.658,-0.693,0.014,-0.538,0.083,0.282}.由公式（23-24）计算各备选方案与正负理想解间的距离,进而由公式（25）计算各备选方案的相对贴近度,结果如表7所示.根据表7中的计算结果对各备选方案的优劣排序为：A3＞A2＞A4＞A1＞A5.
为更好地表明本文所提方法的可行性和有效性,不采用云模型对KANO问卷信息进行量化,而是采用频数统计结果计算得到S-FR函数,并最终由TOPSIS法对各备选方案进行排序,排序结果为A3＞A4＞A2＞A1＞A5.
通过以上计算结果的对比,传统TOPSIS的排序与本文所提方法均以方案A3为最优选择,但在对A4A2的排序上均有不同,且对A3与A4的贴近度计算差异较大.与传统KANO方法相比,本文将云模型用于KANO模型中问卷的量化,更有效地保证了不确定信息量化的准确性,从而使排序结果更可靠.
6结束语
顾客满意度是评价产品设计成败的重要指标,也是影响产品市场竞争力的重要因素.本文以顾客满意度作为方案评价优选的衡量指标,所提方法的特点如下：
（1）将云模型与KANO模型相结合,采用云模型作为满意度语义变量的量化工具,并将用云的相似度算法用于确定功能需求评价矩阵,更好地表达了定性概念的模糊性和随机性.
（2）在KANO问卷信息集结的基础上,对产品功能需求实现程度与顾客满意度之间的函数关系进行拟合,进而建立了S-FR方程,使得顾客满意度的量化更加精确合理.
（3）根据S-FR方程计算各备选方案的满意度,构建了满意度矩阵,以熵值法计算各功能需求权重,最后基于TOPSIS法对各备选方案进行排序优选,使得排序结果更具有折中性.
通过对某型号轿车动力系统的方案评价,验证了所提理论与方法的有效性与可行性.
参考文献
[1]Kano N,Seraku N,Takahashi F,etal.Attractive quality and mustbe quality[J].The Journal of the Japanese Society for Quality Control,1984,14(2):39-48.
[2]涂海丽,唐晓波.微信功能需求的KANO模型分析[J].情报杂志,2015,34(5):174-179.
[3]孟庆良,蒋秀军.基于定量化KANO模型的顾客需求最终重要度确定方法[J].统计与决策,2012,(6):32-35.
[4]孙园园,刘飞,李丽.基于KANO-QFD的个性化产品属性指标重要度确定方法[J].计算机集成制造系统,2014,20(11):2697-2704.
[5]JIP,JINJ,WANGT,etal.Quantification and integration of Kano´s mode linto QFD for optimising product design[J].International Journal of Production Research,2014,52(21):6335-6348.
[6]Lee Y C,Huang S Y.A new fuzzy concept approach for Kano´s model[J].Expert Systems with Applications,2009,36(3):4479-4484.
[7]白涛,李中凯.基于模糊KANO模型的顾客需求重要度计算方法[J].中国机械工程,2012,23(8):975-980.
[8]耿秀丽,徐士东,叶春明.考虑定量KANO分析的产品功能需求优化设计[J].计算机集成制造系统,2016,22(7):1645-1653.
[9]李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究和发展,1995,32(6):16-21.
[10]李德毅,刘常昱.论正态云模型的普适性[J].中国工程科学,2004,6(8):28-34.
[11]沈进昌,杜树新,罗祎,等.基于云模型的模糊综合评价方法及应用[J].模糊系统与数学,2012,26(6):115-123.
[12]徐士东,耿秀丽,董雪琦.基于云模型的改进FMEA风险评估方法[J].计算机工程与应用,2018,54(2):228-233.
[13]徐选华,王佩,蔡晨光.基于云相似度的语言偏好信息多属性大群体决策方法[J].控制与决策,2017,32(3):459-466.
[14]YANGXJ,YANLL,ZENGL.How to handle uncertainties in AHP:The Cloud Delphi hierarchical analysis[J].Information Sciences,2013,(222):384-404.
[15]郑皎,章恒全,焦俊,等.云模型与VIKOR集成的多属性群决策方法[J].计算机工程与应用,2017,53(24):94-99.
[16]张芳兰,杨明朗,刘卫东.基于模糊TOPSIS方法的汽车形态设计方案评价[J].计算机集成制造系统,2014,20(2):276-286.
[17]徐士东,耿秀丽.云模型与TOPSlS相结合的多属性群决策方法[J].计算机应用研究,2017,34(10):2964-2967.
顾客满意度论文范文结:
适合顾客满意度论文写作的大学硕士及相关本科毕业论文，相关顾客满意度开题报告范文和学术职称论文参考文献下载。
1、客户满意度论文