喻立，王虎

（1.清远职业技术学院，广东清远511510；2.武汉理工大学管理学院，湖北武汉430074）

服务挖掘在客户差异化服务中的应用研究*

喻立1，王虎2

（1.清远职业技术学院，广东清远511510；2.武汉理工大学管理学院，湖北武汉430074）

服务挖掘是对客户服务数据库的深度挖掘，旨在甄别有价值的客户，掌握和培育客户忠诚度，从而提供差异化的服务，使客户对服务产品的利用价值最大化。在剖析服务挖掘内涵的基础上，提出了服务挖掘的目标，对其系统进行了逻辑性描述，并给出了一个服务挖掘算法实现的应用案例。

服务挖掘；差异化服务；系统逻辑；算法

1 服务挖掘的目标

服务挖掘是基于客户服务数据库，利用各种分析与统计工具，获取每个客户对某一特定产品的消费或使用偏好特征，并结合给定的专家知识以及生产商提供的服务指南，挖掘出客户行为特征对每项服务所产生的影响因子，并将其作为制定客户服务计划的主要知识保存于知识库中。这一系列的因子将随着客户接受服务时间的不断延续而被持续刷新，结合预测模型、标准服务指南和知识库，预测出每个客户下一次最有可能接受服务的项目以及最有可能接受此项服务的时间，从而为服务商开展差异化的服务提供技术上的支持［1］。

1.1 甄别有价值的客户

不同的客户为企业创造利润的能力是不同的。一个企业80%以上的利润往往来源于20%左右的重要客户，这部分客户应被视为企业重要的资产。企业的资源和能力是有限的，应该把主要的精力和资源投入到重要客户中去。根据客户生命周期理论，客户的生命周期被划分为四个阶段，分别是考察期、发展期、稳定期和衰退期（如图1所示）。企业有价值的客户往往集中在发展后期和稳定期，这些客户经过与企业的多次交易，对企业积累了较高程度的信任，是企业的重要利润源。这类客户通常具有交易频繁、交易额大、交往期长、对价格不敏感等特点，因此企业对这类客户的营销目标是维持双方关系，使客户关系的边际收益长期大于零，能保持稳定的利润来源［2－4］。

图1 客户生命周期曲线

1.2 掌握和培育客户忠诚度

“让顾客满意”是现代管理的核心。在GB/T 19000—ISO9000族标准中对质量的定义为：一组固有特性满足顾客及相关方要求的程度，可见让顾客满意已是国际上企业运作管理的统一标准［5］。通过服务挖掘可以帮助企业了解或掌握客户对服务的期望标准，从而确立影响服务满意度的特征指标。在对客户细分的基础上，刻画了一个客户忠诚度的数学模型如下所示：

式中：fn为客户满意度函数，表示第n次测得的的值为客户在n次测评中满意度的均值；Sn为客户的在n次测评中的满意度方差；Lo为客户忠诚度；xk为影响客户满意度的普通指标系列，k＝1，2，3，…；xk′为影响客户满意度的个性化特征指标系列，k＝1，2，3，…；A为分配的权重，B为Sn所分配的权重；C为其它因素影响调整常数。

由以上表达式可以看出，客户满意度受一组特征指标xk，xk′影响。在客户生命周期的考察期或发展期前期，客户和企业进行初始交易，还没有建立起信任，这时客户还只是企业潜在的有价值客户。在这个时期，客户在意的是企业提供服务的价格、时间、水平等公共指标，即xk的满足，然而此刻客户的满意还不足以对企业产生忠诚。随着双方交易次数的增加，客户会从一系列的满意中逐渐产生行为上的忠诚，这时客户已经进入到客户生命周期中稳定期的前期。随着交易的继续，客户开始产生一些个性化的需求，这时候影响满意度的指标会增加，即出现xk′。当满意持续下去，客户会逐渐对企业产生精神上的忠诚和认可。客户的忠诚度Lo除了受影响外，还会受到方差Sn的影响。仅仅是大并不意味着Lo大，如果方差Sn很大，说明客户的满意是上下波动的，同样会使Lo减小。在理论上Lo值越大，说明客户的忠诚度越高，但应考虑到Sn和阈值的制约。在实际客户忠诚度的衡量中，企业可以通过对历史数据的挖掘得出Sn和的经验阈值，如果实际测得的Sn和任一项不能达到阈值，即便Lo再大，客户忠诚度也不可能高。

1.3 提供准确的服务

服务具有如下特点：生产率难以确定，质量标准难以建立，纯服务性生产不能通过库存来调节。这些无疑增加了服务的难把握性，表现为服务质量的好坏很难由企业自己去控制，因为它是由客户的主观感知来决定的，而且企业很难在顾客最需要的时候提供最准确的服务。所谓准确指的是在服务的内容和服务时机的准确掌握上，因为服务尤其是纯服务性生产很难通过库存来调节或保值。以运输服务能力为例，多余的运输能力对顾客来说是没有任何价值的，如不能马上被消化掉，只会变成企业的沉默成本。顾客什么时候需要服务，需要什么样的服务，顾客的满意点在哪里，服务提供商需要发现这些有价值的信息，从而把握服务的准确时机，并改进服务的方式和内容。

2 服务挖掘的系统逻辑

服务挖掘需要为客户传递准确的服务，正如生产管理当中的准时制（JIT），对下游工序的要求要准确地响应，实现拉动式的服务。不同的客户对服务的内容和时间的要求是不一样的，除了需要有准确的信息作支持外，还要求整个服务供应链能有效地进行资源整合、能力协调和计划协调。服务挖掘的整个流程围绕客户的信息展开，首先要对客户的消费行为给予关注，并将其作为数据收集起来。比如一个汽车用户的个人基本信息、车辆使用情况和历史维修信息等，这些信息经过整理后会存放在客户信息库。而知识库主要存储客户的使用习惯信息和零件寿命指标等，规则库存储的则是一系列产品服务的规范等。客户信息库、知识库和规则库的数据经过清洗、提取和转换后会存储在数据仓库，数据仓库中的数据是用于服务挖掘主题的，应该具有统一的格式、表示方式和代码含义，用相同的单位表示。在数据仓库中，所有的数据都是围绕一定的主题进行组织的，针对同一主题的数据主要存放在同一数据库中，而关系型数据不同，其针对同一主题的数据是分布在相关各个数据表中的。服务挖掘在数据仓库的基础上进行数据和算法的匹配，然后结合客户行为分析，对客户进行识别并挖掘出客户所需要的服务，即可形成客户分类及需求信息。

在了解客户分类及需求信息的基础上，企业需要对整个服务供应链系统进行重构，即有针对性地进行资源的整合、能力的调整、计划的协调，使其能在不增加成本的情况下，满足重点客户或绝大部分客户的服务需求。客户在接受服务之后会产生新的信息，其中一部分信息是非常重要的，如顾客满意度、所使用产品目前的性能指标等。这些信息都应该反馈到客户数据采集系统中，并对客户信息库中的数据进行刷新。

在服务挖掘系统中，可以分为三个层次，从下层基础到上层的分析应用，分别为服务数据采集层、服务数据管理层和服务挖掘分析层。服务数据采集层可以采集各类数据，包括公共数据和私有数据两大类。公共数据有国家的政策、法规，也有行业的标准和规则，而私有数据则分为客户消费数据和客户本体数据。客户消费数据于消费前、消费中、消费后分别采集相应数据，客户本体数据包括了自然属性和社会属性的数据。对于客户数据的分析，都是属于客户识别的内容。服务数据管理层主要是整理形成规则库、客户行为信息库与客户本体信息库这三大数据库，并进行数据清洗、数据集成等处理过程。服务挖掘分析层是完成客户行为分析，构建主题数据仓库，提供算法，从而进行服务挖掘，其中客户行为分析是关键部分。在客户行为分析中，包括指标体系的判定、技术方法的分析、对服务内容与服务时机的影响分析等内容。

3 服务挖掘的算法实现

在服务挖掘中，要运用到概率统计工具和多种算法，各种算法有各自的特点，适合于不同场合。人工神经网络、粗糙集、遗传算法、决策树、关联规则是在分析中常用到的算法，在不同的服务挖掘中运用最合适的算法，即算法匹配是服务挖掘能否有效的关键。比如人工神经网络就适合于对数值性数据的处理，主要用于分类和预测，具有较强的鲁棒性和容错性，运算速度较快；决策树方法适合于对非数值性数据的分析和处理，主要用于预测分析；粗糙集用于对不精确、不完整数据的处理，发现隐含知识，并揭示内在规律；关联规则适合于对离散变量的处理，用于发现变量之间的内在联系和规律。以下给出一个基于客户行为的设备故障诊断BP神经网络算法实现［6－7］。

在工厂机床设备保养维护的过程中，一般是运行一段时间后对机床进行拆分解体，然后进行彻底清洗和润滑保养，但有些机床在保养后仍然出现加工精度低、光洁度不够，甚至出现加工锥度问题。通过调查发现存在了皮带轮打滑、尾座发生轻微偏移、刀架松动、进刀箱与导轨之间存在间隙、制动带磨损、主轴箱漏油、轴承损坏等7种故障，分别用F1～F7表示。这些故障和操作人员的日常操作行为有较大的关系，如机床的转速、进刀量、吃刀深度、工作时间等。比如某车床的操作人员在流水生产线上主要从事粗加工切削，习惯选择中高转速、进刀量大、吃刀较深的方式，较易引起刀架松动和皮带松动。再如流水线末端为精加工车床，其操作人员一般会选择低转速、进刀量小、吃刀很浅的方式，吃刀一般在0.5～1mm之间，但由于连续运转时间长，也容易造成皮带松动，但很少出现其它形式故障。经过数理分析，以操作者所选择的转速、进刀量、吃刀深度、工作时间、工作环境、保养周期、润滑液使用等7个变量为影响因子，代表用户使用行为习惯，分别用V1～V7表示。关于这些因素的数据可以从设备运行日志、产品加工工艺说明书等资料中获得。BP神经网络输入实际这些特征量的提取，因此，网络的输入是一个7维向量。经归一化的7组样本数据如表1所示。

表1 故障模式和影响特征参数

选取BP网络结构为NN（7，31），即隐含层个数为31，输出层神经元个数为7个。这里隐含层的神经元个数不是固定的，需要不断调整。当网络的输出单元值为1时表示故障存在，其值为0时表示故障不存在。本例可运用MATLAB7实现，基于BP神经网络的训练结果如图2所示。经过36次训练后，网络的性能就达到了要求。

图2 基于BP神经网络的训练结果

接下来用以下4组新数据对网络进行测试。测试参数如表2所示。

表2 测试参数

得到以下输出，如表3所示。

表3 输出特征值

根据上述输出结果可以得出，第一组输出的特征值会导致故障F4，按照欧式范数理论，其测试误差为0.017 3；第二组输出的特征值会导致故障F4，测试误差为0.036 9；第三组输出的特征值会导致故障F3，测试误差为0.002 0；第四组输出的特征值会导致故障F3，测试误差为0.079 6，4组测试的误差都非常小。本算例给出的是设备出现单一故障的场合，运用BP神经网络可以较准确地进行诊断，为维修服务人员开展准确的服务，并提供有价值的信息，但对于复合故障，选用BP网络进行诊断则会出现较大误差，还需要其它的算法来匹配。

4 结语

由于服务的难把握性，服务提供商很难在客户最需要的时候提供最准确的服务，尤其是对价格昂贵的机械设备、车辆、精密仪器等，用户的个性操作习惯与设备产品的特性变化存在较大的关联。对于缺乏产品使用知识的用户，经常是当设备产品出现了明显的故障才会产生服务需求，但也往往在这个时候，设备的性能包括使用寿命已受到不可逆转的影响。通过服务挖掘，可以获得用户行为特征对每项服务所产生的影响因子，结合预测模型、标准服务指南和专业知识库的构建，可以实现对最佳服务时机的有效预测，使被动服务转变为主动服务，从而提升客户对产品的使用价值。

［1］王虎，喻立.主动服务导向下的服务挖掘模型研究［J］.武汉理工大学学报（信息与管理工程版），2010（4）：284－288.

［2］Andreassen Tor W，Streukens Sandra.Online complaining Understanding the adoption process and the role of individual and situational characteristics［J］.managing service quality，2013，23（1）：4－24.［3］陈明亮.基于全生命周期利润的客户细分方法［J］.经济管理，2002（20）：35－40.

［4］李志刚.客户关系管理理论与应用［M］.北京：机械工业出版社，2006.

［5］Rigby Darrell K，Reichheld Frederlek F，Sehefter Phil.Avoid the Four Perils of CRM［J］.Harvard Business Review February，2002，80（2）：101－109.

［6］王燕妮，樊养余.改进BP神经网络的自适应预测算法［J］.计算机工程与应用，2010（17）：67－73.

［7］陈思.一种BP神经网络学习率的改进方法［J］.长春师范学院学报（自然科学版），2010（8）：25－30.

The Study on the Application of Service Mining Based on Customer Differentiated Service

YU Li1，WANG Hu2
（1.Qingyuan Vocational Technical College，Qingyuan 511510，China；2.School of Management，Wuhan University Of Technology，Wuhan 430070，China）

Serviceminingmeans the customer service databasemining，which intends to identify valuable customers，keep customers’loyalty，then provide differentiated services，and ensure tomaximize the value of service products.Based on the analysis of the servicemining connotation，this paper proposes servicemining target，the logical description of its system，and an implementation case of servicemining algorithm.

Servicemining；Differentiated services；System logic；Algorithm

TP311.13

A

2095－2562（2016）01－0040－04

（责任编辑：贺嫁姿）

2015－04－15；

2015－11－02

国家自然科学基金项目（71071122）

喻立（1968—），男，湖北监利人，副教授，博士，主要研究方向为管理科学与工程、供应链管理。

王虎（1961—），男，湖北荆州人，教授，博士生导师，主要研究方向为信息管理与信息系统、数据挖掘。