一种基于支持向量机客户满意度评价方法.docVIP

一种基于支持向量机客户满意度评价方法 　　[摘要] 目前激烈的市场竞争环境迫使企业越来越多的关注客户的需求，因此客户满意度这一衡量客户对企业感知的评价指标就变得日益重要。本文提出了一种基于支持向量机的客户满意度评价方法，并且给出了一个客户满意度评价实例。实验结果表明，相对常用的人工神经网络BP算法，该方法提高了客户满意度分析的精度，能够帮助决策者更准确地了解客户对公司的评价，为客户关系管理的实施提供了良好的支持。 　　[关键词] 客户关系管理支持向量机客户满意度人工神经网络 　　 　　一、引言 　　 　　在当今竞争激烈的社会里，对客户关系进行有效的管理已成为全球范围内业界研究的热点。客户关系管理就是对客户信息进行分析处理并做出决策的过程，而客户满意度是做出正确决策和有效措施的基础。目前已有学者运用模糊层次分析方法，人工神经网络，未确知理论，四分图法对客户满意度进行研究。支持向量机(SVM）是Vapnik等人提出的一种新的机器学习方法，建立在统计学理论的VC理论和结构风险最小原理基础上，它能较好地解决小样本、非线性、高维数和局部极小点等实际问题，并成功运用于分类和时间预测等方面。本文正是基于以上理论，研究SVM在客户满意度评价中的应用，以期进一步提高客户关系管理的科学性。 　　 　　二、客户关系管理及客户满意度 　　 　　1.客户关系管理 　　随着信息时代的来临和世界经济一体化的发展,市场日趋成熟，人民的生活水平也日渐提高，原先以产品为导向的企业经营模式已经逐渐不能满足消费者多样化、个性化消费的需求。与此同时，顾客获取市场的信息变得越来越容易，其消费行为也更加成熟，企业由此面临的挑战日益增长。残酷的商业现状迫使企业从“以产品为核心”转变为“以客户为中心”，于是面对掌控企业经营命脉的顾客群体，客户关系管理自然而然地成为了企业的生存之本。 　　由全球最著名的IT分析公司Gartner Group提出的客户关系管理是一种全新的商业理念，其核心思想是以客户为中心，对客户进行系统化研究，以改进客户服务水平，它的最终目标是提高客户满意度和忠诚度，留住老客户，不断争取新客户和新商机，为企业带来更多的利润。目前，关于CRM 的理解，普遍这样认为：它是企业与客户进行交互的循环流程, 进而产生、收集和分析客户数据, 然后企业把结果应用到企业的服务和市场活动中 。由此看来，CRM与数据挖掘领域联系很大，而SVM作为数据挖掘技术中的一个重要方法，在客户关系管理中理应有很广泛的应用。 　　 　　2.客户满意度 　　客户满意是顾客对其要求已被满足的感受，而客户满意度就是对客户满意水平的量化数据指标，反映的是客户满意状况，目标即在于将客户满意这一主观感知进行量化，以能够客观地说明客户满意水平。尤其在现今“以客户为中心”的市场背景下，客户满意度这一衡量客户对企业感知的评价指标就变得日益重要。它已成为评价一个企业经营管理水平的重要指标，也是企业成败的关键因素，成为管理者非常重视的一个经营指标。 　　 　　三、SVM基本原理 　　 　　SVM是从线性可分情况下的最优分类超平面发展而来的。对两类分类问题，设训练样本集为(xi,yi)，i=1，2……，n，n为训练样本的个数，xi∈Rd为训练样本，yi∈{1,-1}是输入样本xi的类标记（期望输出）。SVM算法的出发点是寻找最优分类超平面。最优分类超平面不但能将所有样本正确分开（训练错分率为0），而且能够使两类间的边际(margin)最大，边际定义为训练数据集到该分类超平面的最小距离之和。最优分类超平面意味着对测试数据平均分类误差最小。 　　若样本集线性可分，d维空间中线性判别函数g(x)=ω?x+b，分类面方程为ω?x+b=0。将判别函数归一化，使离分类面最近样本的|g(x)|=1。若分类面对所有样本都能够正确分类，则满足: 　　yi(ω?x1+b)≥1，i=1，2……，n （1）分类超平面H0∶ω?x1+b＝0为最优当且仅当(ω,b)是下面优化问题的解: 　　用Lagrange乘子法解上述QP问题，等价于解对偶问题：（2） 　　对每个训练样本xi，都有一个Lagrange乘子αi。解αi＞0所对应的xi称为支持向量，它满足式（1）中的等式约束。支持向量距最优超平面最近，通常只是全体样本中的很少一部分，是对分割两类非常重要的样本点。 　　若αi为最优解，则（3）所以得到的分类决策函数为：（4） 　　其中x为待分类样本，SV为支持向量集，b*为分类阈值，可用任一支持向量求得。 　　 　　四、客户满意度评价方法的实现 　　 　　1.客户满意度评价指标体系 　　产品客户满意度评价指标是用来衡量某一产品满意度的项目因子或属性。为了说明情况，本文采用以下评价指标体系