量化客户需求强度-建立VOC
2014-11-07 07:07
204 查看
转载自:http://www.itongji.cn/article/0R35502011.html
最小二乘法回归、岭回归等都是线性方程,都是假设自变量与因变量之间是线性相关关系,得出的回归系数也是线性回归系数。但是在大部分的企业服务管理实践中,服务要素表现与客户总体满意度之间的关系并不全是线性关系。日本质量管理大师KANO提出了著名的KANO模型,将质量要素分成3类,如下图所示:
(注:KANO的计算与应用,将另文叙述。不需另外设计问题,不需改变问卷问题与结构,绝对业内唯一之量化方法。)
从上图可知,除了期望要素与客户满意度的关系是明显的线性关系外,基本要素、激励要素与满意度的关系都是明显的非线性关系。用线性方程去模拟非线性关系,就相当于把曲线拉直了量,其中不免会损失大量的信息,造成数据结果的失真。
如果应用非线性回归方法,由于其模型可能的表达式种类繁多,而且事先并不清楚曲线形态,也就很难选择模型表达式,在实际应用中很难操作。
人工神经网络(ANN)又称神经网络,是在现代神经科学研究的基础上发展起来的一种新型信息处理和计算系统,具有极强的非线性处理、容错抗噪能力。神经网络可以避开过程的复杂性和不明确性,更智能地考虑因素和结果的映射关系。
人工神经网络在满意度调查中的运用价值在于更精确地计算各因素对整体满意度的影响力,更为重要的是,人工神经网络跳出了传统统计处理技术的诸多限制,如多元正态分布、方差齐等很多实际应用中很难达到的要求,能更为有效地处理非线性问题、缺失值问题等。
人工神经网络技术借助计算机的高性能运算能力,在数据之间进行反复的拟合以达到最稳定的平衡。人工神经网络示意图:
上图是神经网络分析可展现的结果,x1、x2…xn 表示输入的各因素的满意度数据,Wj1、Wj2…Wjn 表示各因素对整体满意度的影响力。
上文电信客户满意度推导重要性(驱动力/影响力),用神经网络分析结果如下:
对应的数据如下:
(注:神经网络软件可用:Neuroshell2 或Clementine中的神经网络模块,上述是用Clementine完成)
从上表可知,神经网络计算的结果中没有出现负值,仔细对照的话,可发现与上文中最小二乘法回归分析结果大小顺序基本一致,可以作为相互的验证。
其实,80%的情况下,线性方程都能很好模拟出自变量与因变量之间的关系,数据结果也是合理和令人满意的。除非数据的质量比较差,有较多的噪音;或者说自变量与因变量之间有非常明显的非线性关系,导致模型拟合度很差,这个时候就可以应用神经网络来处理。当然,要求高的话要用神经网络都是可以的,只是对研究人员的要求更高了。
最小二乘法回归、岭回归等都是线性方程,都是假设自变量与因变量之间是线性相关关系,得出的回归系数也是线性回归系数。但是在大部分的企业服务管理实践中,服务要素表现与客户总体满意度之间的关系并不全是线性关系。日本质量管理大师KANO提出了著名的KANO模型,将质量要素分成3类,如下图所示:
(注:KANO的计算与应用,将另文叙述。不需另外设计问题,不需改变问卷问题与结构,绝对业内唯一之量化方法。)
从上图可知,除了期望要素与客户满意度的关系是明显的线性关系外,基本要素、激励要素与满意度的关系都是明显的非线性关系。用线性方程去模拟非线性关系,就相当于把曲线拉直了量,其中不免会损失大量的信息,造成数据结果的失真。
如果应用非线性回归方法,由于其模型可能的表达式种类繁多,而且事先并不清楚曲线形态,也就很难选择模型表达式,在实际应用中很难操作。
人工神经网络(ANN)又称神经网络,是在现代神经科学研究的基础上发展起来的一种新型信息处理和计算系统,具有极强的非线性处理、容错抗噪能力。神经网络可以避开过程的复杂性和不明确性,更智能地考虑因素和结果的映射关系。
人工神经网络在满意度调查中的运用价值在于更精确地计算各因素对整体满意度的影响力,更为重要的是,人工神经网络跳出了传统统计处理技术的诸多限制,如多元正态分布、方差齐等很多实际应用中很难达到的要求,能更为有效地处理非线性问题、缺失值问题等。
人工神经网络技术借助计算机的高性能运算能力,在数据之间进行反复的拟合以达到最稳定的平衡。人工神经网络示意图:
上图是神经网络分析可展现的结果,x1、x2…xn 表示输入的各因素的满意度数据,Wj1、Wj2…Wjn 表示各因素对整体满意度的影响力。
上文电信客户满意度推导重要性(驱动力/影响力),用神经网络分析结果如下:
对应的数据如下:
(注:神经网络软件可用:Neuroshell2 或Clementine中的神经网络模块,上述是用Clementine完成)
从上表可知,神经网络计算的结果中没有出现负值,仔细对照的话,可发现与上文中最小二乘法回归分析结果大小顺序基本一致,可以作为相互的验证。
其实,80%的情况下,线性方程都能很好模拟出自变量与因变量之间的关系,数据结果也是合理和令人满意的。除非数据的质量比较差,有较多的噪音;或者说自变量与因变量之间有非常明显的非线性关系,导致模型拟合度很差,这个时候就可以应用神经网络来处理。当然,要求高的话要用神经网络都是可以的,只是对研究人员的要求更高了。
相关文章推荐
- 全局系统性地把握客户感知-建立VOC
- 核心竞争力是建立在以市场和客户需求为前提上的
- ######纯注解ssh环境:crm系统实体类设计 ①客户信息的【数据字典】表的产生原因+②设计理解:【字典类没有添加客户属性的原因】=深刻理解类间关联,建立在有需求的基础上。
- 往往客户的需求是逐渐被深入的真正的实际需求往往没刚开始所说的那么简单容易就可以搞定
- 如何面对客户的紧急需求
- 建立需求模型——用况图
- 客户提出一些硬性需求,无法验证,该如何应对
- 客户需求从何而来?如何应对?
- 关于客户需求问题
- 客户需求何时休?
- 移动支付,支付联盟建立的市场需求
- 如何写CRM需求——客户服务管理篇
- SAP用户增强总结-采购订单建立增加客户数据增强示例
- 如何拉动内需,击中客户深层需求,4个经典案例分析!
- 需求分析的六个原则(一)永远不要显得比客户更聪明
- 项目需求和客户交流的心得体会
- 在项目开始前,为客户做专门的“需求变更流程”培训是必要的
- 微信小程序现实问题之低素质客户需求问题
- 项目那点儿事(六) ---焦油坑[需求变更]之充满想象力的客户
- 《华为研发》阅读 - 23 (市场,客户需求,客户价值)