鄭皎 章恒全 焦俊

摘 要：顧客滿意度是評價產(chǎn)品設(shè)計成敗的重要指標?？紤]到受訪者評價過程以及KANO問卷信息量化過程中的不確定性，采用云模型對滿意度評價語義變量進行量化，并采用云相似度算法確定各功能需求的類型?；贙ANO問卷分析的結(jié)果建立了產(chǎn)品功能需求實現(xiàn)程度與顧客滿意度之間的S-FR函數(shù)，實現(xiàn)了顧客滿意度的量化，進而構(gòu)建了滿意度矩陣。將熵值法用于計算各功能需求權(quán)重，并采用TOPSIS法計算各備選方案的相對貼進度，從而實現(xiàn)方案的最終排序。最后以實例驗證了所提方法的可行性和有效性。

關(guān)鍵詞：云模型；KANO模型；熵值法；TOPSIS

中圖分類號：TB 文獻標識碼：A doi：10.19311/j.cnki.1672-3198.2018.35.095

0 引言

隨著消費市場由企業(yè)主導(dǎo)型向顧客主導(dǎo)型的轉(zhuǎn)變，如何更好地滿足顧客多樣化的需求，提升顧客滿意度，成為企業(yè)產(chǎn)品設(shè)計以及產(chǎn)品設(shè)計方案評價過程中最為關(guān)鍵的出發(fā)點和落腳點。針對顧客需求分析以及顧客需求與顧客滿意度間的相互關(guān)系，日本學(xué)者狩野紀昭（NoriakiKano）提出了KANO模型。產(chǎn)品功能需求是顧客需求的直接體現(xiàn)，文獻[2]運用KANO模型的基本理論，結(jié)合在線問卷調(diào)查，對微信功能需求進行了分析，最后提供了微信差異化服務(wù)的優(yōu)化改進建議。然而以往研究中KANO模型常常只是用于需求類型的定性分析，如何更好地實現(xiàn)需求與滿意度的定量化是KANO模型研究的重點。文獻[3]考慮到產(chǎn)品/服務(wù)屬性績效與顧客滿意之間的非線性關(guān)系，構(gòu)建了一種定量化KANO模型，實現(xiàn)了顧客需求分類的客觀化。文獻[4]采用調(diào)研的方式統(tǒng)計分析需求項實現(xiàn)程度與顧客滿意度之間的關(guān)系，建立了顧客滿意度數(shù)學(xué)模型，實現(xiàn)了顧客滿意度的量化計算。文獻[5]通過KANO模型中的滿意系數(shù)和不滿意系數(shù)確定出需求滿意度函數(shù)上兩點坐標，進而求得需求實現(xiàn)程度和顧客滿意度之間的函數(shù)方程。

KANO模型中需求問卷信息的量化和集結(jié)是需求類型分析以及顧客滿意度量化的基礎(chǔ)和關(guān)鍵，然而傳統(tǒng)KANO模型中往往根據(jù)KANO問卷統(tǒng)計的需求類型頻數(shù)來確定最終需求類型，未能充分考慮到需求評價過程中的不確定性。鑒于此，文獻[6-8]提出采用模糊KANO問卷來實現(xiàn)需求的調(diào)查和統(tǒng)計。在模糊KANO問卷中受訪者需要憑借自我經(jīng)驗賦予滿意度語義變量相應(yīng)的百分比，然而這同樣存在著極大的主觀性，評價過程中的不確定性問題并沒有得到很好的解決。為了更好地刻畫了自然語言中定性概念的不確定性，李德毅院士于1995年在概率論和模糊數(shù)學(xué)基礎(chǔ)上提出了云模型的概念，云模型同時研究了模糊性和隨機性以及兩者之間的關(guān)聯(lián)性。云模型的提出為方案評價方法以及決策問題的研究提供了新支持工具，將云模型分別于AHP以及VIKOR相結(jié)合，用于解決不確定環(huán)境下的多準則和多屬性群決策問題。本文采用云模型作為滿意度語義變量的量化工具，并將云相似度算法用于KANO模型中需求類型的分析和滿意度的量化。

方案的比較和排序決定著最終方案的選擇。逼近理想解排序法（TechniqueforOrderPreferencebySimilaritytoSolution，TOPSIS）是一種常用的方案優(yōu)選方法，它在對方案進行排序時能同時兼具接近正理想解并遠離負理想解兩個準則，從而使得排序結(jié)果更具有折中性。基于云模型的距離測度算法提出了一種云-TOPSIS的多屬性群決策方法。本文以顧客滿意度作為指標，采用TOPSIS法對備選方案進行排序，并將熵值法用于計算各功能需求的權(quán)重。

本文將云模型與KANO模型相結(jié)合，首先采用云模型對產(chǎn)品功能需求的KANO問卷信息進行量化和集結(jié)，并采用云相似度算法確定各功能需求的類型；然后以云-KANO的需求分析結(jié)果，建立了功能需求實現(xiàn)程度與顧客滿意度之間的S-FR函數(shù)，并根據(jù)S-FR函數(shù)的計算結(jié)果構(gòu)建了滿意度矩陣；最后以熵值法計算功能需求權(quán)重，并采用TOPSIS法對備選方案進行排序和優(yōu)選。以某企業(yè)某型號A級轎車的動力系統(tǒng)方案評價為例驗證了所提方法的可行性和有效性。

1 云模型概述

該車動力系統(tǒng)的各功能需求參數(shù)如表6所示，由公式（8、9）計算各功能需求參數(shù)的實現(xiàn)程度xij，并將xij代入表6中相應(yīng)的S-FR公式得到滿意度矩陣S，進而由熵值法計算得到功能需求FRj的權(quán)重wj為：0.138，0.187，0.083，0.075，0.079，0.131，0.179，0.128。將功能需求權(quán)重wj分別與滿意度矩陣S第j列各元素sij相乘從而得到加權(quán)滿意度矩陣V，并由式（10-11）確定正、負理想解為：V+={0.060，0.103，0.238，0.178，0.612，0.277，1.935，2.243}，V-={-0.711，-0.816，-0.658，-0.693，0.014，-0.538，0.083，0.282}。由公式（23-24）計算各備選方案與正負理想解間的距離，進而由公式（25）計算各備選方案的相對貼近度，結(jié)果如表7所示。根據(jù)表7中的計算結(jié)果對各備選方案的優(yōu)劣排序為：A3A2A4A1A5。

為更好地表明本文所提方法的可行性和有效性，不采用云模型對KANO問卷信息進行量化，而是采用頻數(shù)統(tǒng)計結(jié)果計算得到S-FR函數(shù)，并最終由TOPSIS法對各備選方案進行排序，排序結(jié)果為A3A4A2A1A5。

通過以上計算結(jié)果的對比，傳統(tǒng)TOPSIS的排序與本文所提方法均以方案A3為最優(yōu)選擇，但在對A4A2的排序上均有不同，且對A3與A4的貼近度計算差異較大。與傳統(tǒng)KANO方法相比，本文將云模型用于KANO模型中問卷的量化，更有效地保證了不確定信息量化的準確性，從而使排序結(jié)果更可靠。

6 結(jié)束語

顧客滿意度是評價產(chǎn)品設(shè)計成敗的重要指標，也是影響產(chǎn)品市場競爭力的重要因素。本文以顧客滿意度作為方案評價優(yōu)選的衡量指標，所提方法的特點如下：

（1）將云模型與KANO模型相結(jié)合，采用云模型作為滿意度語義變量的量化工具，并將用云的相似度算法用于確定功能需求評價矩陣，更好地表達了定性概念的模糊性和隨機性。

（2）在KANO問卷信息集結(jié)的基礎(chǔ)上，對產(chǎn)品功能需求實現(xiàn)程度與顧客滿意度之間的函數(shù)關(guān)系進行擬合，進而建立了S-FR方程，使得顧客滿意度的量化更加精確合理。

（3）根據(jù)S-FR方程計算各備選方案的滿意度，構(gòu)建了滿意度矩陣，以熵值法計算各功能需求權(quán)重，最后基于TOPSIS法對各備選方案進行排序優(yōu)選，使得排序結(jié)果更具有折中性。

通過對某型號A級轎車動力系統(tǒng)的方案評價，驗證了所提理論與方法的有效性與可行性。

參考文獻

[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]涂海麗，唐曉波.微信功能需求的KANO模型分析[J].情報雜志，2015，34（5）：174-179.

[3]孟慶良，蔣秀軍.基于定量化KANO模型的顧客需求最終重要度確定方法[J].統(tǒng)計與決策，2012，（6）：32-35.

[4]孫園園，劉飛，李麗.基于KANO-QFD的個性化產(chǎn)品屬性指標重要度確定方法[J].計算機集成制造系統(tǒng)，2014，20（11）：2697-2704.

[5]JIP，JINJ，WANGT，etal.Quantification and integration of Kanos 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 Kanos model[J].Expert Systems with Applications，2009，36（3）：4479-4484.

[7]白濤，李中凱.基于模糊KANO模型的顧客需求重要度計算方法[J].中國機械工程，2012，23（8）：975-980.

[8]耿秀麗，徐士東，葉春明.考慮定量KANO分析的產(chǎn)品功能需求優(yōu)化設(shè)計[J].計算機集成制造系統(tǒng)，2016，22（7）：1645-1653.

[9]李德毅，孟海軍，史雪梅.隸屬云和隸屬云發(fā)生器[J].計算機研究和發(fā)展，1995，32（6）：16-21.

[10]李德毅，劉常昱.論正態(tài)云模型的普適性[J].中國工程科學(xué)，2004，6（8）：28-34.

[11]沈進昌，杜樹新，羅祎，等.基于云模型的模糊綜合評價方法及應(yīng)用[J].模糊系統(tǒng)與數(shù)學(xué)，2012，26（6）：115-123.

[12]徐士東，耿秀麗，董雪琦.基于云模型的改進FMEA風(fēng)險評估方法[J].計算機工程與應(yīng)用，2018，54（2）：228-233.

[13]徐選華，王佩，蔡晨光.基于云相似度的語言偏好信息多屬性大群體決策方法[J].控制與決策，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]鄭皎，章恒全，焦俊，等.云模型與VIKOR集成的多屬性群決策方法[J].計算機工程與應(yīng)用，2017，53（24）：94-99.

[16]張芳蘭，楊明朗，劉衛(wèi)東.基于模糊TOPSIS方法的汽車形態(tài)設(shè)計方案評價[J].計算機集成制造系統(tǒng)，2014，20（2）：276-286.

[17]徐士東，耿秀麗.云模型與TOPSlS相結(jié)合的多屬性群決策方法[J].計算機應(yīng)用研究，2017，34（10）：2964-2967.