文摘

评估客户满意度是一个重要的市场营销研究领域中产品定义的属性,可以分为不同的类别根据其对客户满意度的贡献。识别的范畴是很重要的一个属性,以便它可以被管理者优先。卡诺模型是一个众所周知的方法来执行该任务的个人客户。然而,它需要填写一个表单,它是困难和耗时的运动。许多现有的方法需要较少努力从客户端来执行数据收集和可用于一组客户;然而,他们并不适用于个人。在目前的研究中,我们开发一个数据分析方法也使用数据集;然而,它可以识别属性类别为个人客户。该方法是基于概率的方法来分析顾客满意度的变化对应于属性值的变化。我们使用这些信息来揭示一个属性之间的关系和顾客满意的水平,这反过来,允许识别属性类别。 We considered the synthetic and real housing datasets to test the efficiency of the proposed approach. The method correctly categorizes the attributes for both datasets. We also compare the result with the existing method to show the superiority of the proposed method. The results also suggest that the proposed method can accurately capture the behavior of individual customers.

1。介绍

测量客户满意度起着重要的作用在理解客户的行为1]。让客户满意是公司的主要目标之一。每个产品可以被定义为属性,有助于不同水平的客户满意度。一个属性和客户满意度之间的关系是不对称的,非线性2,3]。确定之间的关系是很重要的总客户满意度和对应于特定的属性(表示为属性级的性能),这样经理可以有限的资源集中在关键属性(2,4,5]。经理还想知道个人客户个性化营销的行为。

卡诺模型(2)已成功应用到分类属性对各领域的客户满意度。在某些情况下(6,7),卡诺模型也被用来确定个人属性客户满意度的重要性。卡诺模型是用来将产品属性划分为以下六大类:应达,一维的,有吸引力,漠不关心,相反,可疑的属性。这些属性的定义如下:(1)应达(米)属性:这些属性的客户期望违约。这些属性的高价值贡献小总客户满意度;然而,较低的值导致的高程度的不满。(2)一维(O)属性:这些属性导致的低价值客户的不满,而高值导致更高水平的客户满意度。(3)有吸引力的属性(一个):没有这些属性不会导致客户不满。然而,他们的存在可以增加客户的满意度水平。(4)冷漠(我)属性:这些属性不会导致客户满意度或明显不满。(5)反向(R)属性:这些属性导致的高价值客户的不满,而低价值导致客户满意度水平的增加。(6)有问题(问)属性:客户给了冲突对这些属性的反应;一般来说,这类不被认为是有效的。

卡诺模型是最重要的一个方法提出了确定类别的属性(4,5,8- - - - - -11]。卡诺模型已成功应用于各种领域,如电子学习(12)、项目管理(13),航空公司质量(14),食品和饮料行业(15),智能手机16,旅游17,18)、网站(19),和养老院20.]。

卡诺模型需要填写数据收集表格识别的类别属性对于一个给定的客户(表1)。形式包括两个问题:第一个问题对应属性的存在,第二个问题是相关的。这两个问题意味着五回答选项(预计,中性的,住在一起,不喜欢)。像选项对应的满意程度最高,而不喜欢一个代表了最高程度的不满。这两个答案的组合允许定义一个客户属性的类别。为不同客户类别的属性可能不同;例如,属性可能会应达一个客户,而同样的属性可能与其他客户的吸引力的类别相对应。为一组客户,首先定义一个属性为每个客户的类别。然后,一般来说,属性的类别根据客户的反应的派生通过计算每个类别的频率(14,21]。不同的客户可能将一个属性分类为不同的类别。最常见的反应决定了卡诺分类。例如,对于一个属性X,f_我许多客户分类X作为米,f₂许多客户分类X作为一个,f₃许多客户分类X作为O。最大的价值f_我,f₂,f₃将决定属性的类别X。

卡诺模型可以用来识别属性类别为个人客户,以及一群客户;然而,填写数据收集形式相当具有挑战性和耗时的客户。客户给他们的意见现在和没有条件的一个属性,而事实上,他们可能不会承认这些特定的条件,因此,他们的观点可能不准确地反映了现实。

许多现有的方法(3,15,21- - - - - -23)是基于客户提供的数据集的估计的满意程度对每个属性在一个给定的总满意度从产品规模和评估。因此,几种方法(3,15,21- - - - - -23)提出了采用这种类型的数据预测的类别属性。很容易收集这些数据集作为客户对产品属性的描述他们的经验,而且这些值可能更准确,因为他们是基于实际经验。然而,这些方法可以用来定义属性的类别不适用所有客户提出了一个数据集和为个人客户识别属性类别。这种类型的数据集的一个例子是在桌子上2。四个客户(N₁,N₂,N₃,N₄)提供他们满意的程度根据规模的估计三个属性(1 - 5的X,Y,Z)。他们还评估他们的总满意度从产品规模的1 - 5。

在本文中,我们提出一个新颖的方法,采用顾客满意度数据(同样的这些数据表中给出的例子2),可用于确定一个属性的类别为个人客户或一组客户。

该方法是基于概率的方法用于识别属性级性能之间的关系和总体水平的客户满意度。然后,定义的规则Ahmad et al。22)是用于指定一个属性的类别。该方法并不意味着任何假设底层的统计分布;因此,它可以避免misspecification模型。

卡诺模型显示五个类别,而后来的研究(3,15,22- - - - - -24]关注三因子理论(基本(应达)、性能(一维),和兴奋(吸引力)。一般来说,现有的方法这三个类别的分类属性到一个或一个随机(冷漠)类别。这些研究之后,我们的方法将一个属性分为四类。

本文的其余部分以以下方式结构。部分2提供了文献调查。部分3讨论了该方法。中给出的研究结果与讨论部分4。完成论文的结论和讨论未来的研究方向。

2。文献调查

在之前的相关研究,发现属性级性能和总客户满意度之间的关系是非线性和不对称。这些关系的基础上,属性可以分为不同的类别。提出了不同的方法对产品的属性进行分类。在本节中,我们将讨论这些方法。

卡诺问卷(2)是使用最广泛的方法之一,对属性进行分类。这种方法意味着每个客户必须填写一份调查问卷。的基础上获得响应,一个属性的类别定义对应于每个客户。此后,一般来说,多数投票是用来确认为一群客户类别。一些研究[25,26)表明,使用最频繁的反应方法可能不会导致精确的分类属性。不同的研究(4,5)得出结论,卡诺问卷是最有效的方法对属性为相应的类别进行分类。然而,他们有了困难在收集所需的数据应用这种方法。

金刚砂,田27)提出了一个简单的直接使用属性分类方法。在这种方法中,客户应该是卡诺分类理论提供的信息,然后被要求分类的属性到一个类别。这种方法被认为是简单的;然而,这是一个具有挑战性的和费时的任务向客户解释卡诺分类清楚。

各种方法的基础上,提出了使用数据集的概念类似于表中给出的一个2。这些方法都是基于回归方法。例如,布兰德(28)使用哑变量回归对属性进行分类。在这种方法中,系数的值代表一个属性的影响总客户满意度。这些系数是用来识别属性的类别(3,23,29日,30.]。林等。23)建议使用哑变量回归到卡诺分类属性类别可能提供不准确的结果的情况下客户反应是倾斜的。他们提议将主持回归应用于处理这种情况下的目标向卡诺分类属性类别。陈(15)认为,使用主持回归可能导致误导性的分类由于成立了属性和总客户满意度之间的影响。为了克服这一缺陷,正确识别这些元素之间的关系,陈(15提出了采用岭回归。主要是前面提到的方法是基于使用线性回归函数。芬恩(31日)建议应用多项式回归检测非线性效应。然后,林等。21]使用逻辑回归函数来捕获属性级性能之间的非线性关系和水平的客户满意度。在这种方法中,客户满意度的可能性被认为确定属性类别。

Vavra [32)提出考虑共同明确的重要性(基于直接评级或客户语句)和隐式属性的一个通过回归分析(派生)旨在识别其类别。然而,几项研究[3,29日,30.)证明了回归分析单独执行比这更好的方法。

数据挖掘技术也被应用于对属性进行分类。Robnik-Šikonja和Vanhoof24)采用减压(33]属性选择方法估计的影响(正面或负面)的每个属性级的性能值总体水平的客户满意度。按照程度的影响是如何改变的属性级性能的变化值,属性的类别可以被识别。该方法是计算昂贵的,因为它考虑了k最近的邻居的每个成员的一组训练点。Ahmad et al。22)提出了一个基于规则的方法来识别属性的类别。首先,支持设置和获得了每个属性级的性能级别的意义之间的相互关联属性级的性能价值和客户满意度水平。这些量作为输入用于拟议的规则,这反过来,是用来定义属性的类别。Ahmad et al。22]介绍了他们的研究结果在楼市数据证明了该方法的有效性。邓et al。34)使用神经网络来识别属性和客户满意度之间的关系。富勒和Matzler18)认为,属性取决于特定的客户群体中扮演不同的角色。他们使用k——聚类(35)来创建不同的集群,然后应用三因子理论,应用与虚拟变量回归分析,获得集群。结果在不同的集群表示明确的客户群体之间的差异。

文献调查表明,使用数据集的方法基于类似于表中给出的一个2不能用于预测属性类别为个人客户,而方法如卡诺和金刚砂,田27问卷是困难和耗时的客户的观点。因此,有必要的方法可以使用数据表中给出2,同时,该方法应该能够预测一个属性的类别的个人客户。随着数据挖掘技术可以有效地处理大量的数据,我们希望该方法应该能够使用数据挖掘技术,可以处理大量数据。

节3我们描述一个新颖的方法,采用表中给出的数据集相似2和可以预测的类别属性的客户和一群顾客。该方法采用数据挖掘技术;因此,它可以处理大量数据。

3所示。该方法

建议的方法的动机是,作为一个属性的属性值(属性级性能)客户变化尽管所有其他属性不变,它将影响客户满意度,这两个变量之间的关系将表明这个属性的类别。在本节中,我们首先讨论Robnik-Šikonja和Kononenko提出的方法36)旨在确定每个属性值对分类的重要性。然后,我们分析这种方法可以结合Ahmad建议的规则等。22)根据三因子分类属性分类理论。

Robnik-Šikonja和Kononenko36)提出了一种方法来解释类预测单个数据点的。在这种方法中,他们建议评估每个属性值的贡献的类数据点。估计的贡献一个属性(一个)的预测数据点(N),他们都遵循以下步骤:(我)训练一个分类器在一个完整的数据集(2)预测数据的类概率点(N)(3)预测数据的类概率点(N没有属性()一个)

如果第二和第三类概率情况下的差异很大,这意味着属性一个在预测中扮演一个重要的角色。作者认为,很难预测类不考虑所有属性,因此,他们已经取代了属性的实际值一个的数据点N与所有可能的值一个并以加权平均每个预测的先验概率值。这些类概率是没有属性的数据点一个。作为该方法的动机,我们认为一个属性值对预测的重要性可以评估数据点。因此,我们分别计算每个属性值的重要性。接下来,我们将讨论规则提出的Ahmad et al。22一个属性划分为不同的类别。

Ahmad et al。22)提出了一种概率统计方法来识别一个属性的类型基于给定的客户满意度数据。在这种方法中,他们利用支持的概念集和鉴别力的属性值(37]预测属性类别。一组支持被定义为类的一个子集,最强的与属性值的关系。属性值代表的鉴别力程度属性值与设定的支持。此外,他们提出了规则来识别属性的类别。为了确保完整性,我们首先讨论算法(37)用于计算支持设置和属性值的辨别能力。艾哈迈德和戴伊(37)提出,如果一个属性值( ,r的属性值我th属性)是重要的和大,在哪里适当的子集米类。这种行为意味着价值的数据点为我th属性一个_我,以及数据点的值表示 ,将被归类为互补的子集。可以有2^米−1适当的子集。的数量 −1是定义为属性值的辨别能力 。子集提供数量的最大值 ,这是用 ,被称为支持组 。艾哈迈德和戴伊(37)提出了一个算法来识别支持设置和属性值的鉴别力的线性时间对数据点的数量。算法如算法1所示。

根据支持的概念集和属性值的识别能力,Ahmad et al。22)提出以下规则来识别一个属性的类别:(一)基本属性:规则。有两种类型的支持属性值集。其中一个只包含客户不满意值,而其他支持设置只有客户满意的。(b)性能属性:规则。有不同的支持为不同的属性值集合;这些支持集值从强烈不满值强满意的属性值变化。(c)兴奋的属性:规则。大部分的属性值也有类似的支持集识别能力较低,有不满和满意度值;其余属性值与大客户满意度值集的支持。(d)随机的属性:规则。所有属性值也有类似的支持组与顾客满意和不满的价值观,和歧视的权力属性值有非常低的值。

在该方法中,我们为每个属性值计算类概率为个人客户,然后为完整的数据集。概率是用来识别一个属性的类型,通过使用艾哈迈德等的规则(22]。首先,我们提出的方法为个人客户计算属性的类别。(我)个别顾客:选择的方法开始训练分类器在给定的客户满意度的数据集(表中给出的一个例子2)。数据的属性值是整数。的客户满意度数据为选定的客户的类别属性计算受聘为训练分类器的输入。这个属性的值被改变,保持所有其他属性值固定创建各种数据点,然后用于训练分类器的输入。存储类的输出由概率。例如,如果我th属性(一个_我)年代属性值,通过改变客户行数据的属性值,年代数据将被创建。这些年代数据点作为训练分类器将创建的输入年代的类概率数据点集。我们把每一个概率属性值。我们假设这个概率与属性值的集合,而不是单个属性值;然而,计算支持设置和属性值的辨别能力,使用类概率之间的差异,是由于不同的给定属性的属性值。因此,我们使用这些类对于一个给定的概率属性值。获得的年代套类概率是然后用来计算支持集和属性值的辨别能力。让我们考虑C作为一组米类与C_j随着j类。计算的支持rth属性值的我th属性, ,我们要求和 。分类器提供的值为一个类(类概率值对于一个给定的属性值)对所有属性值,然后用于计算 ,类的平均概率的所有其他属性值,定义如下: 然后使用这些概率计算支持集和歧视的权力属性值的一个给定的属性使用Ahmad提出的算法和戴伊(37]。这些值用于计算属性的类别通过考虑提出的规则Ahmad et al。22]。提出了算法过程2。我们描述了过程考虑表中给出的示例数据集2。计算属性的类型Z对于一个客户N₂五个不同的输入行计算通过改变属性的值Z从1到5,如下所示:(2、3、1),(2、3、2),(2、3、3),(2、3、4),(2、3、5)。这些行然后输入一个接一个地变成一个完整的数据分类器训练,为每个输入行和类概率计算。支持集和识别不同的属性值Z(1 - 5)然后这些类概率的基础上派生而来。最后,获得的支持集和歧视的权力是用来确定类别的属性Z为客户N₂。接下来,我们将呈现一组客户的过程。(2)一组客户:计算一个属性的类型的一组客户,首先,每个属性值的组类概率为教客户,正如前面所讨论的那样。然后,平均每个属性值的概率计算所有客户。这些概率是用来定义支持为不同的属性值集和鉴别力,正如前面所讨论的那样。然后使用这些值来确定类别属性的所有客户提出的使用规则Ahmad et al。22]。算法中给出的步骤3。

4所示。结果与讨论

在本节中,我们将使用两个数据集的实验结果:合成和真实的住房。我们遵循的步骤呈现在图1。我们选择随机森林38作为一个分类器。随机森林是由许多决策树,可以用来准确地执行分类使用默认参数。换句话说,随机森林是健壮的性能对参数的选择。他们可以生产类概率对于一个给定的数据点。Weka [39)实现随机森林是用来进行实验。的决策树分类器被设置为100。其他参数设置为默认值。我们使用由随机森林模型计算的概率(算法2和3)。然后使用这些概率的类别属性为个人客户和集团客户(算法1节和规则3)。

4.1。合成数据集的准备

Robnik-Šikonja和Vanhoof24)提出一个方法来获得一个合成数据集和客户满意度的数据集的属性。这样的合成数据集主要有以下四个属性:基本(B)、性能(P)、激情(E)和随机的(R)。这四个属性被认为是代表他们的贡献整体客户满意度。假设每个属性值从1到5,代表特定属性的属性级性能。

的基本属性B,总客户满意度C(B根据方程()表示2)如下:

关于性能属性P,总客户满意度C(P)估计根据以下方程:

兴奋的属性E,总客户满意度C(E)被定义为

关于随机属性R,总客户满意度C(R)是由

总客户满意度是获得顾客满意度值的总和所产生的不同属性,作为代表

因此,625数据点生成根据不同的组合值(1 - 5)的四个属性;估计他们的贡献整体客户满意度(方程(2)- (5),然后,总客户满意度值计算为每个点(方程(6))。这是观察到,C不同的数据集内从−2到6。

随机森林是用来计算类为每个属性值的概率。算法1是用于获得支持集和歧视的权力属性值为每个属性使用概率估计类。然后,这些值用于确定类别的属性。

支持的属性集B展示在表3。较低的属性值(< 4),支持设置有小的客户满意度值,而对于更大的,客户满意度的支持设置更大的值。由于应用的规则中提到的部分3,得出的结论是,支持的属性值集合的行为表明,属性是一个基本的一个。支持设置属性值的属性P提供在表3。这是观察到的值支持集增加属性的值P增加根据节中给出的规则3,这表明性能属性的行为。关于属性E,支持设置相应的属性表3。支持设置属性值低E有较小的客户满意度和中值,这些值的歧视权力很小(约0.04),而对于五的属性值,支持设置组成的大客户满意度值。歧视这个属性的值是0.2。这种行为是符合规则的兴奋属性。因此,属性E得出的结论是一个兴奋属性。支持的属性集R提供在表3。这些支持集表示不同类型的客户满意度值,不显示任何模式,增加属性值。所有属性值有非常小的歧视的权力(< 0.01)。按照规定提出了部分3这表示一个随机属性的行为。因此,属性R被认为是一个随机属性。结果证实,该方法可以用来预测正确的类别属性。

4.2。波士顿住房数据集

没有公开的基准数据集。研究人员通常使用自己的数据集的方法。这些数据集是不公开的,因为保密的问题。波士顿住房数据集是一个公开的数据集,用于测试类似的方法(22]。Ahmad et al。22解释他们的结果在这个数据集使用领域知识。因此,很容易在这个数据集分析结果。

在这里,我们讨论的结果在波士顿住房数据集测试该方法。这个数据集是来自UCI机器学习库(40]。一个二进制和13个连续属性以及房屋的价格构成了数据集。表4代表了这些属性的信息。房子的价格作为目标变量。考虑到房价与顾客满意度成正比(41),房子的价格是客户满意度的表示。在这些实验中,假设房价镜子的客户满意度可能不是完全正确,在许多情况下,顾客满意度取决于价格。相同频率离散化应用于所有连续属性和房价转换为整数值属性(属性值1 - 5)。

作为其中一个属性是二进制,我们获得了其他12个属性的属性类型。我们计算了支持组中的所有属性值使用方法部分3。表5表示支持的所有属性值对应不同的属性集。的基础上获得支持每个属性值的设置和辨别力,得到每个属性的类型,如表所示6。两个特性被认为是基本的,六个属性与性能的,三个人被认为是兴奋的属性。此外,一个属性被认为是随机的(有识别力的权力的属性值< 0.005)。

此外,我们比较所获得的结果与使用提出的方法Ahmad et al。22]。表7介绍了属性的两个方法提供类似的类别。12个属性,认为两种方法匹配属性和10日有差异的两个属性:7和12(表8)。根据该方法开发的Ahmad et al。22),属性7是一个基本的属性,而本文提出的方法表明,这是一个性能。属性7与业主单位的比例在1940年之前建造的,因此,很可能与老建筑的数量的增加,房屋价格会降低,性能属性的指示。12是一个兴奋属性属性根据艾哈迈德法等。22];然而,该方法得出结论,这是一个性能属性。该属性由镇有关黑人的比例。相关的属性比例更可能有更多/更少的消极或积极的影响与比例的变化。因此,本文的结果很可能是正确的。应该注意的是,一些属性展示不同的属性在不同的范围,因此,不同的方法可能捕获各种影响不同,这可能会导致这些方法定义不同的类别。

该方法的重要方面,它还可以预测个别客户属性的类型。为了证实这一点,我们选择了三个客户随机:一个高度不满意(满意1),一个高度满意(满意5),一个平均满意(满意3)客户。每个客户由一行,行数据用于预测客户属性的类型。非常不满意的客户,这项研究的结果发表在表9和10。我们观察到六个属性是基本的,而四个属性对应的性能属性。没有分为兴奋的一个属性,而两个属性是随机属性。它可以得出结论,一个很高的客户期望从产品(大量的基本属性)更可能是不满意。是很困难的,很高的期望的客户将得到适当的产品属性,因此,这可能会导致客户的不满。此外,顾客并不认为许多属性是兴奋的不太可能高度满意。获得的结果表明,满足客户有6个属性作为基本的兴奋和零属性的,这类似于一个高度的行为不满意的客户。因此,可以得出结论,该方法可以正确地分类属性也非常不满意客户。

客户的高度满意,这项研究的结果发表在表11和12。我们观察到七个属性是兴奋的;没有一个属性归类为基本属性;和两个属性被归类为表现的,而三个属性被归类为随机的。我们认为客户没有过高的期望从产品可能会更满意(少量的基本属性),和一个顾客认为更多的属性一样兴奋的可能是更满意兴奋属性只参与了客户满意度。中观察到的类似的行为是获得预测(零基本属性和大量的兴奋的),因此,我们可以得出结论,该方法可以正确地分类属性。

的平均满意客户,这项研究的结果发表在表13和14。顾客试图表达他的意见通过观察性能更可能是一个中等满意顾客并不指望从产品(低数量的基本属性),但其性能相当的重视。也兴奋的属性增加他/她满意。类似的观察行为从使用该方法获得的结果。六个属性被归类为表现的,而零属性分类为基础,和三个属性分为兴奋属性。大量的性能属性表明,客户满意度主要是依赖于产品的性能。

因此,我们得出结论,进行实验的结果表明,该方法能够预测不同属性的类别为一群客户正确,此外,它可以被用来预测属性为个人客户类别。

5。结论

三因子理论是一个重要的工具来评估客户满意度。有两种主要方法开发确定类别的产品属性,这是基于他们的贡献水平的客户满意度。第一种方法有困难与数据采集相关的任务,而第二种方法有一个缺陷,它不能被用来识别属性为个人客户类别。在本文中,我们提出一个新颖的方法,可以应用到数据收集的方式类似于第二种方法;然而,该方法可以用来预测属性类别为个人客户和集团客户。结果使用合成客户满意度数据集进行实验表明,该方法能够识别的结构被认为是正确的数据集。波士顿住房数据集被用来进行实验。获得的实验结果与结果由艾哈迈德et al。22]。一般来说,结果是相似的;分析观察到的差异,我们认为这是更有可能的是,该方法提供了正确的分类结果。为不同类型的客户的结果。他们演示了该方法识别的功能属性的类别为个人客户和一群顾客。该方法使用的数据集是基于客户的经验对于给定属性。因此,它不能用于确定类别的新属性,不存在的数据集。

作为讨论的部分4.2、波士顿住房数据集不是实验的理想选择(它没有顾客满意属性)。然而,我们使用它的实验,因为它是一个公开的数据集,已经使用在类似的实验22]。专门为比较研究的目的收集的数据(卡诺问卷+数据集如表2)是一个更好的选择测试方法类似卡诺分类通过这些方法可以直接由卡诺比卡诺分类获得问卷。研究人员在这个领域应该拿出公开基准数据集,这样不同的方法可以比较在相同的数据集。

在未来,我们计划额外的数据集上测试该方法。这是一个具有挑战性的任务为测试获得数据集不同的研究论文中给出的数据集不公开。我们还将研究属性的组合可能导致客户满意度的总体水平。该方法无法找到相关属性的客户满意度;我们将提出修改的方法,这样的优势类别也可以计算。

数据可用性

使用的数据来支持本研究的发现是公开的http://archive.ics.uci.edu/ml。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个项目是由院长以来科研(域),阿卜杜拉国王大学,吉达,在批准号df - 767 - 830 - 1441。因此,作者欣然承认安全域的技术和财政支持。