一种基于BP神经网络的B2C电子商务顾客满意度评价模型，本文主要内容关键词为：神经网络论文,模型论文,评价论文,电子商务论文,顾客满意度论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F272文献标志码：A文章编号：1671—1807(2008)05—0049—04
如何在网络环境下提高顾客的满意度，进而获得顾客的忠诚，关系到采用B2C模式电子商务企业的运营绩效，因此，电子商务企业需要研究网络环境下顾客的心理和行为，了解影响其满意的因素，进而根据网上消费的特点，建立顾客满意测评的指标体系，对顾客满意度进行调查和评价，进而再依据顾客满意理论，改进企业的电子商务实绩，促进自身良性发展。为了满足B2C电子商务企业的这一现实需要，近几年来，国内外研究者对该领域的顾客满意度评价模型和方法进行了研究，目前比较常见的评价方法大致有两种，其一是美国统筹学家萨蒂教授于20世纪80年代提出的层次分析法(AHP)，但其存在以下几点缺陷：①指标体系的建立有很大的主观性；②易将相差悬殊的要素放在同一层次比较，从而影响结果的精度；③容易忽视很多动态因素[1]。因此，利用此法产生的评价结果准确性有限。另外一种常用的方法为模糊综合评判法，该方法的缺陷是决策结果受主观因素影响较大，最优度不高。
BP神经网络(即误差反向传播)是目前使用较广泛的一类神经网络模型[2]，实质就是调节各层的权值使其学会并记忆学习样本集，训练过程由正向过程(计算节点误差)和反向过程(调整连接权值)两部分组成。BP算法结构简单、使用方便可以解决大多数神经网络所面临的问题，如模式识别、函数逼近、数据压缩等。本文基于BP神经网络算法建立了B2C电子商务企业顾客满意度评价模型，并利用MATLAB软件中的神经网络工具箱对创建的网络模型进行了实现、训练和验证，验证结果表明该模型克服了层次分析法和模糊综合评价法等存在的缺陷，可以得到较为准确的评价结果。
1 B2C电子商务企业顾客满意度评价指标体系的建立
对顾客满意度的评价是一个综合评价的过程，评价的指标选择是关键点，要科学地对B2C电子商务企业实施顾客满意度评价，就必须有一套符合B2C服务模式的顾客满意度评价指标体系。在B2C模式下，电子商务企业的顾客在购买、消费企业提供的产品和服务时，会和普通顾客一样，总是倾向于将它分解为若干影响顾客满意度的主要因素，如服务、质量、服务态度等，然后依次做出评价，最终综合起来才能得到对企业的满意或不满意的结果。根据顾客满意理论[3]，在建立顾客满意指标体系的过程中，必须要找出影响顾客满意的关键因素，在B2C模式下，影响顾客满意的因素首先是顾客购买的产品的各方面特性，它是电子商务满足顾客需求的核心所在，其次是相应企业的电子商务系统的技术和功能特性，它们是最先被顾客感知和评价的东西，此外，电子商务企业的服务因素是有助于企业与顾客完成产品交换的所有支持性、增值性工作和努力，它是提高顾客价值的必要因素，本文根据以上因素建立了B2C电子商务企业的顾客满意度评价一级指标(系统、产品、服务)，并逐层细化，将这些主要指标进行细分，从而形成了表1所示的评价指标体系。
2 基于BP神经网络的分销商绩效评价模型
2.1 BP神经网络方法
反向传播神经网络(BP网)是目前最成熟，应用最广泛的人工神经网络之一，其基本的网络是三层前馈网络，包括输入层、隐含层、输出层。对于输入信号，要先向前传播到隐含节点，经过函数作用后，再把隐含节点的输出信息传递到输出节点，最后得到输出变量结果神经元节点函数通常取为S型函数。BP网可以实现从输入到输出的任意复杂的非线性映射关系，并具有良好的泛化能力，能够完成复杂模式识别的任务。一个拥有3层的BP网络的典型结构如图1所示。
图1 单隐层结构的BP神经网络结构
算法的学习过程由正向传播过程和反向传播过程组成，在前一个过程中，输入信息从输入层经隐含单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层的神经元状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。
算法的基本计算步骤：
1)初始化。在依据实际问题(输入变量和输出变量个数)给出网络连接结构，随机地设置所有联接权值为任意小。
5)返回2)步，重复之，直到误差e满足为止[4]。
2.2 评价指标的归一化
由于评价指标体系中，既有定性指标，又有定量指标，为使各指标在整个系统中具有可比性，必须对各指标进行归一化处理。
1)对于定量指标，因其衡量单位不同，必须对其进行归一化处理，方法如下：
A、当目标越大评价越好时，
2)对于定性指标，采用专家打分法。为了保持与定量指标之间的可比性，也将其进行归一化处理。
2.3 基于BP神经网络的顾客满意度评价模型构建
1)评价模型结构设计[5]。1989年Robea Hecht Nielson证明了对于任何在闭区间的一个连续函数都可以用一个隐层的BP网络来逼近，因此3层的BP神经网络可以完成任意的N维到M维的映射，因此在BP网络中多采用单隐层网络，本文所构建的评价模型也采用了单隐层的网络结构，同时将3级指标数作为输入层节点数，共有11个节点，本文中隐含层初选节点数为4个。对于输出层的节点数，本文希望将可以通过输出层的结果对各电子商务企业的顾客满意度作一个合适的评价，因此按照将输出层的节点设置为5个，即输出为10000表示满意度评价结果为非常满意，输出为01000表示满意度评价结果为比较满意，输出为00100表示满意度评价结果为基本满意，输出为00010表示满意度评价结果为不满意，输出为00001表示满意度评价结果为非常不满意。
2)BP网络学习。按照前述的指标体系，按学习样本，即将不同电子商务企业顾客调查的各项指标值进行归一化处理，输入按上述结构建立的BP神经网络，按照BP算法，确定各层神经元之间的权重计算输出。
3)根据输出按评价标准对企业的顾客满意度进行评价。
3 模型训练和验证
根据上述构建的电子商务企业顾客满意度评价模型，利用MATLAB的神经网络工具箱建立一个输入层、隐含层和输出层的节点数分别为11、4、5的BP神经网络模型，用于进行网络训练和检验。
本文事先收集到15家采用B2C模式进行运营的电子商务企业的顾客满意度评价的实际数据和结果，通过对指标的归一化处理整理成为训练和检验的基本数据(表2)，将其中第1、3、4、5、7、8、9、10、11、13、14、15家企业作为训练样本进行网络中权值的训练，可以得到输入层与隐含层、隐含层与输出层之间的权值和阈值。该网络经初始化，预设误差为0.01，当训练到1666步之后，网络误差达到了设定的误差要求(图2)。
当网络训练完成之后，将第2、6、12家企业作为验证样本，输入验证样本以验证网络的适应性，网络输出的结果如表3所示，网络验证的结果和预期评价结果比较为表4所示。
从验证及比较结果可看出，网络评价的结果和实际评价的结果基本上是一致的，这标志着基于BP神经网络的B2C电子商务企业顾客满意度评价模型已经成功建成，学习样本的训练也已结束。以后在对有关电子商务企业顾客满意度进行评价时，只需输入被评价样本的标准化指标数据，就可以得到评价数据。
4 结论
本文基于BP神经网络算法建立了B2C电子商务企业顾客满意度评价模型，这是一种可行和有效的方法。该模型采用的BP神经网络计算方法，是一种非线性方法，不带有明显的主观成分和人为因素，只需将处理过的数据输入到网络中，通过MATLAB的神经网络工具箱计算即可得到评价结果，从而有效避免了传统评价方法的主观性和简单性，使评价结果更有效、更客观，相信基于BP神经网络评价方法将成为评价B2C电子商务企业顾客满意度评价模型的有效方法。
标签：电子商务论文; 顾客满意度论文; 神经网络模型论文; 网络模型论文; 网络节点论文; bp神经网络论文; bp算法论文;