楊志輝

(東華理工大學 理學院, 江西 南昌 330013)

有效地將顧客需求轉換為產(chǎn)品工程特性和質量因素是現(xiàn)代企業(yè)在設計新產(chǎn)品或服務時的一項重要任務。產(chǎn)品設計人員在多大程度上能夠理解顧客需求與偏好是新產(chǎn)品設計的一個關鍵因素，特別是在概念設計階段。因此，質量功能展開(Quality Function Deployment縮寫為QFD)這種“顧客滿意驅動型”的產(chǎn)品開發(fā)與設計和質量管理方法一直受到國際質量學術界的極大關注(Akao,1990; Hauser et al., 1988)。QFD在產(chǎn)品的研發(fā)階段將顧客需求傳遞給工程特性，有效地將顧客需求和偏好傳遞給產(chǎn)品設計人員。然而，當前全球經(jīng)濟競爭日趨激烈，新產(chǎn)品不斷升級換代，顧客的消費偏好并非一成不變，產(chǎn)品設計者必須與時俱進，實時捕捉顧客發(fā)出的聲音。顧客需求的動態(tài)變化性，來自于兩方面：一是同一顧客群體在不同時間段對產(chǎn)品或者服務的消費偏好會發(fā)生變化；另一方面，企業(yè)產(chǎn)品或服務面對的顧客群體也在不斷變化。為了在產(chǎn)品研發(fā)設計過程中更準確地理解顧客需求，產(chǎn)品設計人員在設定產(chǎn)品的工程特性最優(yōu)目標值時，必須針對顧客需求的動態(tài)性，把握其變化趨勢，對將來的顧客需求重要度做出較為準確的預測。

對顧客需求進行動態(tài)分析主要有兩個步驟(李中凱等,2009; 陳振頌等，2014)：(1) 及時收集顧客需求重要度在產(chǎn)品研發(fā)設計周期內的各個子周期的數(shù)據(jù)變化；(2) 基于收集到的顧客需求變化數(shù)據(jù)，選擇合適方法對顧客需求重要度的變化趨勢進行預測與分析。模糊集能夠有效地反映事物之間的連續(xù)過渡狀態(tài)，因而在諸多領域得到廣泛的應用(趙京梅等，2010；江暉等，2011)?；谀：碚摰哪：龝r間序列模型在處理模糊性的小樣本數(shù)據(jù)時具有天然的優(yōu)越性。然而，已有的模糊時間序列模型往往以模糊關系出現(xiàn)的頻數(shù)作為從當前狀態(tài)轉移到下一個狀態(tài)的權重，進一步歸一化，從而確定狀態(tài)轉移概率矩陣。很明顯，這種方法更適用于大樣本的時間序列數(shù)據(jù)，而對于小樣本的時間序列數(shù)據(jù)來說是不適用的。在基于遺傳算法的廣義模糊時間序列模型(王慶林等，2015)的研究基礎上，筆者綜合遺傳算法和模糊時間序列模型在分析小樣本模糊數(shù)據(jù)時的優(yōu)越性，基于廣義模糊時間序列模型，對動態(tài)顧客需求進行分析與預測。

1 動態(tài)顧客需求分析研究概況

Adiano 等 (1994)認為傳統(tǒng)的QFD并不能有效地解決制造過程和顧客需求之間的動態(tài)反饋問題。一般地, 制造過程中產(chǎn)品和過程參數(shù)的調整常常是由制造中心的內部顧客進行的，而這種調整既沒有將外部顧客的需求反映出來, 也不能及時將外部顧客的信息反饋給制造中心。為此, 他們提出了動態(tài)QFD。動態(tài)QFD可以將方法論、統(tǒng)計過程控制等協(xié)同融合在一起, 進而可以提升制造過程中學習和適應的潛在能力。不少學者建立各種預測模型對動態(tài)顧客需求進行分析與預測?；疑A測模型在對小樣本數(shù)據(jù)進行預測時有著較好的精確度。為此，李中凱等(2009)構建了基于灰色系統(tǒng)理論的質量屋，并對顧客需求的動態(tài)性進行分析與預測；王曉墩等(2010)構建了動態(tài)質量屋，并提出一種改進的灰色預測模型以模擬并預測動態(tài)質量屋中的顧客需求動態(tài)變化趨勢。Wu 等 (2006)通過市場調查獲得的數(shù)據(jù)而計算出初始概率和轉移概率，建立了Markov鏈模型，對動態(tài)顧客需求進行擬合和預測。然而這種方法的初始概率和轉移概率主觀性太大。陳振頌等(2014)使用廣義證據(jù)理論解決了Markov模型中狀態(tài)空間數(shù)值的微變而導致預測結果發(fā)生跳躍的問題，并提出基于廣義信度Markov模型的顧客需求動態(tài)分析方法，該方法可以解決Markov鏈上最后一期數(shù)據(jù)的微小波動影響。Asadabadi (2016)應用Markov鏈對QFD中的顧客需求的變化趨勢進行了評價與分析。王增強等(2013)以直覺模糊數(shù)表示顧客需求重要度，使用IFIOWA算子處理顧客需求重要度的偏好信息，以導出顧客需求重要度的變化趨勢。Coussement 等(2008)使用支持向量機方法對顧客需求重要度進行預測，但這種方法預測的精確度容易受到核函數(shù)的影響。陸佳圓等(2011)融合了變精度粗糙集和最小二乘支持向量機回歸理論，繪制顧客需求重要度的變化趨勢圖, 并在此基礎上對顧客需求重要度的變化趨勢進行了預測與分析。Chong 等 (2010)使用人工免疫和神經(jīng)網(wǎng)絡系統(tǒng)對顧客需求的動態(tài)性進行分析與預測。Fang 等(2012)在研究顧客對服務型產(chǎn)品滿意度之時變效應的基礎上，提出了一個多變量時間序列模型，以模擬動態(tài)服務修復滿意度過程，并使用貝葉斯估計法對顧客需求進行預測。Bostaki等(2014)使用語義變量對顧客需求重要度進行描述，闡述了顧客需求重要度未來的不確定性該如何進行估計及對工程特性優(yōu)先度變化趨勢的影響。

2 基于廣義模糊時間序列模型的動態(tài)顧客需求分析

最早將模糊集理論應用于時間序列數(shù)據(jù)分析與預測的是Song等(1993，1994)。隨后，眾多學者對模糊時間序列分析建模開展研究。例如，Tsaur 等 (2012)由預測值相對當前值的趨勢，再對預測值進行調整，進而對模糊關系進行改進，以建立模糊時間序列模型；Cai等 (2013)在對模糊時間序列數(shù)據(jù)分析中，以預測結果的誤差為目標函數(shù)，使用遺傳算法以確定目標函數(shù)為最小值的區(qū)間節(jié)點，將此時節(jié)點劃分的區(qū)間作為劃分區(qū)間方案；王慶林等(2015)對廣義模糊時間序列模型中獲取模糊狀態(tài)轉移矩陣的方法進行改進，提出基于遺傳算法的廣義模糊時間序列模型(圖1)。本文將簡要闡述該模型，并著重探討該模型在靜電吸塵器顧客需求重要度動態(tài)數(shù)據(jù)分析中的應用。

筆者以陳振頌等(2014)的數(shù)據(jù)為例，說明基于遺傳算法的廣義模糊時間序列預測方法在動態(tài)顧客需求分析與預測中的應用。

某機械企業(yè)生產(chǎn)一種靜電吸塵器。為了提高企業(yè)市場競爭力，該企業(yè)決定引入QFD，通過前期市場調查，獲得靜電吸塵器六項主要顧客需求，這些顧客需求分別為：除塵效果見效快(CR1)、除塵效率高(CR2)、運行投資少(CR3)、設備重量輕且占地少(CR4)、結構簡單易操作(CR5)、運行穩(wěn)定可靠(CR6)。依據(jù)該企業(yè)靜電吸塵器的開發(fā)周期，以半個月為子周期，開展市場調查分析研究，得到12個子周期SP1,SP2, …,SP12的顧客需求重要度變化數(shù)據(jù)，如表1所示。

首先對顧客需求CR1的重要度進行分析與預測。

由表1中的顧客需求CR1的重要度變化數(shù)據(jù)，得到Dmin=0.192 1，Dmax=0.232 5。論域U=[0.188 1，0.236 5]。在論域U上定義5個模糊集A1(少)、A2(偏少)、A3(適量)、A4(多)、A5(偏多)。可以確定使得樣本的預測值與真實值的均方誤差RMSE最小的個體的正態(tài)模糊數(shù)的主值分別為μ=[0.189 96, 0.197 23, 0.209 888, 0.219 47, 0.236 54]，每個正態(tài)模糊數(shù)的展值分別為σ=[0.028 92, 0.006 45, 0.013 14, 0.008 85, 0.021 79]。在該個體下，可得模糊集A1(少)、A2(偏少)、A3(適量)、A4(多)、A5(偏多)。將樣本數(shù)據(jù)模糊化，各子周期顧客需求重要度對這5個模糊集的隸屬度計算結果如表2所示。

圖1 基于遺傳算法的廣義模糊時間序列預測方法流程圖Fig.1 Flow chart of generalized fuzzy time series prediction method based on GA

建立模糊狀態(tài)轉移矩陣FTM(1，1)、FTM(1，2)、FTM(1，3)如下。

使用同樣的方法和步驟，對顧客需求CR2，CR3，CR4，CR5和CR6各個子周期的重要度進行擬合，所得擬合結果與預測值如表1所示。

本文所提出的基于遺傳算法的廣義模糊時間序列預測方法對顧客需求CR1，CR2，CR3，CR4，CR5，CR6的重要度的擬合值與實際值的RMSE分別為0.001 5，0.000 934，0.000 427，0.000 743，0.001 2，0.001 6。相比較而言，這些RMSE都是比較小的。與陳振頌等(2014)提出的基于廣義信度的Markov模型相比，本文所使用的方法可以得到顧客需求重要度變化的具體值，而非僅僅指出預測值以多大的概率落入某個狀態(tài)。因而，本文的方法顯得更為可行。

為了進一步說明本文提出的方法在動態(tài)顧客需求分析與預測中的可行性和有效性，下面將Tsaur(2012)、Cai等(2013)提出的方法也應用于靜電吸塵器顧客需求重要度預測，其RMSE計算結果如表4所示。

表1 靜電吸塵器顧客需求重要度各子周期真實值、擬合值與誤差

表2 顧客需求CR1重要度模糊化結果

表3 靜電吸塵器顧客需求CR1重要度的擬合值及誤差

表4 本文模型與其他模型計算的RMSE的比較

與Tsaur(2012)、Cai等(2013)提出的方法相比，本文提出的基于遺傳算法的廣義模糊時間序列預測方法，在靜電吸塵器顧客需求重要度的動態(tài)變化趨勢分析中的效果是更優(yōu)的。

3 結語

對顧客需求重要度進行動態(tài)分析是QFD研究的一個重要課題。根據(jù)顧客需求重要度的模糊性和動態(tài)性，本文構建了一種基于遺傳算法的廣義模糊時間序列預測方法，以解決具有模糊性和動態(tài)性的顧客需求重要度預測問題。鑒于傳統(tǒng)的遺傳算法主要用于解決單個決策變量問題，為更好解決多決策變量問題，本文融入遺傳算法于廣義模糊時間序列模型，提出了一種基于改進遺傳算法的廣義模糊時間序列預測方法，該方法可以避免傳統(tǒng)的模糊時間序列模型在劃分區(qū)間上的主觀隨意性。