[摘 要] 本文通过调查问卷的方式对北京某大型超市的顾客满意度进行了调研，在对调查问卷分析处理的基础上，建立了基于bp神经网络的超市顾客满意度评价模型，并对该超市的顾客满意度进行了评价研究。
[关键词] bp神经网络 超市 顾客满意度 调查问卷
超市顾客满意度体现了超市的价值，也是超市生存发展壮大的根本。顾客满意度评价作为超市了解顾客满意程度的一种手段和工具，对于超市来说具有重要的意义。超市通过顾客满意度评价，一方面可以和过去的经营业绩进行比较，另一方面可以与行业内其他超市顾客满意水平进行横向比较，认清自己在市场竞争中的位置，识别主要的竞争者以及市场中存在的机遇和障碍。对顾客满意的评价信息进行分析还可以帮助超市了解自己的薄弱环节，推动超市经营机制的改革，帮助超市制定正确的发展战略和市场政策，更合理的分配超市有限的资源，最大可能地提高顾客满意战略的效益。顾客满意度评价模型是超市评价其顾客满意度的关键问题。本文在对调查问卷的分析处理的基础上，综合考虑多种因素，建立了基于bp神经网络的超市顾客满意度评价模型。
一、超市顾客满意度指标体系的建立
评价指标体系主要根据超市顾客满意度的主要因素和管理侧重点来确定。在确定顾客满意度指标时应当遵循全面性、代表性、区分度和效用性等原则，同时也必须根据超市的需要来确定评价指标，同时随着超市顾客信用管理水平的改善和营销环境的变化，应及时作适当调整。
1.超市顾客满意度指标选取原则
一个好的指导原则是整个评价系统的灵魂，指导原则决定整个评价体系的效果。如何建构整体体系，必须以设计原则为起点。根据指标选择原则建立的超市顾客满意度评价指标体系，能够在不同方面反映超市顾客满意度，选取超市顾客满意度评价指标应遵循如下原则:
（1)代表性原则。为了全面描述超市的顾客满意度，应选取少数几个具有代表性的、蕴含信息量大的指标，可以在比较低的成本条件下得到比较高的信息水平。
（2)独特性原则。对超市顾客满意度的评价应当考虑超市的顾客需求和经营特点，建立一套独特的指标体系，目的是通过这些特点了解顾客对超市的满意程度。
（3)独立性原则。独立是指各选取指标之间相互独立，坐标间重复信息过多，将不利于指标评价作用的发挥。
（4)操作性原则。所选取的指标要与国际惯例接轨，同时又符合我国超市的发展水平现状，各项指标应该力求能从广泛的经济数据中获取相关的可靠信息，要求数据来源确凿可靠，推理过程科学合理，易于量化，适于操作，并且指标间的相关性较弱。
2.指标体系的建立
基于以上原则，根据消费心理学原理，结合超市的具体情况以及市场调研特点和实践，本文选择的调研指标包括以下几个部分:
(1)商品特征。对商品特征的印象是超市满意度的核心, 顾客对商品的感知度, 对顾客满意度起决定性的作用。
(2)服务状况。顾客对超市服务的感知应来自两个方面: 一是超市员工的服务状况;二是超市服务状况。
(3)店容店貌。店容指超市内外的容貌、面貌, 即超市形象。
(4)购物环境。超市购物环境直接影响到消费者的购物情绪。
（5)其他。根据调研实际需要, 还可设计一些附加指标,但不亦过多。
具体指标体系如表所示。
二、顾客满意度调查问卷设计及调研
搜集多组被评价超市的代表顾客的指标值，获得合适的数据是构建模型的重要步骤。根据建立的指标体系及问卷设计的原则来选择合适的问题进行调查，在设计问卷的过程中，为了方便顾客在问卷上反映自己对某超市的满意度，尽量将各个指标简单化，使之通俗易懂且便于评价打分。
由于超市顾客满意度由一系列的指标来反应，最后的总体满意度如何确定是问卷设计过程中的一个难题，知道每个指标的值很难得出顾客的满意度，那么bp神经网络训练集中的输出值就无法确定，因此本文在问卷的最后，调查了顾客对超市满意度的总体评价，但顾客的总体满意度跟之前的各个指标很可能出现不匹配的情况，所以为了减少由于主观因素而影响评价模型的准确性，增加了样本的数量，对明显不合理的问卷进行筛选。
问卷一共有20个问题,分别对应于5个指标,比如商品满意度一般包括商品质量、商品价格、商品种类、商品花色款式和食品安全,而问卷中只能单独调查顾客对各个小项目的满意度,由各个小项目的值得到一个指标的值,而每个小项在一个指标中所占的比例不尽相同,因此本文确定了每个小项所占的权重,具体如下：
商品特征:质量(0.25)、价格(0.25)、种类(0.25)、花色款式(0.1)、食品安全(0.15)
服务状况:员工素质和员工服务态度(0.4)、结算环节(0.2)、提供咨询和投诉处理(0.2)，员工仪表(0.2)
店容店貌:外观设计(0.2)、商品陈列(0.4)、商品标识(0.4)
购物环境:环境卫生(0.3)、音乐背景(0.2)、进出线路(0.3)、购物安全(0.2)
其他部分:超市硬件(0.4)、超市信誉(0.2)、促销活动(0.4)
三、基于bp神经网络的超市顾客满意度评价模型构建
根据所确立的顾客满意度评价指标体系和bp神经网络结构来确定所要构建的评价系统模型。基于bp神经网络算法，该模型是由输入层、输出层和一个隐层构成的三层前馈网络。输入层将评价指标归一化处理后的样本数值作为神经元；输出层是对顾客信用等级的衡量，是一个从定性到定量，再从定量到定性的过程，通过bp神经网络模型将定性转化为定量输出，再根据输出结果和事先确定的标准，对顾客信用做出定性评价。而隐含层在设计上是一个难点，设置多少个隐节点取决于训练样本数的多少、样本的大小以及样本中蕴含规律的复杂程度。
1.输入节点的确定
网络输入全面描述了超市顾客满意度的指标。因此，不同的超市顾客满意度的指标体系对应不同的网络模型，也形成不同的输入节点数，输入节点数等于满意度指标数。由前面的超市顾客满意度指标体系可知，顾客满意度指标包括商品特征、服务状况、店容店貌、购物环境和其他五个部分，所以确定输入节点数为5个。
2.输出节点的确定
输出节点对应于评价结果，输出为1表示很不满意、2表示不满意、3表示不太满意、4表示一般、5表示较满意、6表示满意、7表示很满意，因此输出节点确定为1个。
3.隐层节点的确定
隐节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值,而每个权值都是增强网络映射能力的一个参数。隐节点数太少就不足以提炼训练集中的规律，过多也可能把样本中非规律性的噪声等牢记,因此必须选择合适的隐节点数才能使训练达到要求。确定隐节点数的最佳方法是试凑法，先设置较少的隐节点数再逐渐增加,由于神经网络的并行分布结构和非线性动态特性，还没有得到一个简单通用的隐含层单元的确定公式。因此结合文中实际情况,并参考以下经验公式:
其中：n为输入层节点数，l为输出层节点数，a为1到10之间的常数。
再用试凑法进行研究，确定隐含层单元个数，本文最终选取的隐节点数为9个。
四、基于bp神经网络的超市顾客满意度评价模型仿真研究
本文采用动量及自适应的梯度递减训练函数即traingdx。对于梯度下降法，训练成功与否与学习率的选取有很大关系。自适应学习算法能够自适应调整学习率来增加稳定性，提高速度和精度。
调研中对100个顾客进行了随机访问，在访问过程中注意协调各种年龄段、收入水平及职业等，使得问卷更具有代表性，增加了问卷的有效性，并舍弃严重不合理问卷，抽取90个调研数据，其中54个作为建模的训练样本集，另外36个数据作为测试样本集用于测试网络。
在进行网络训练之前，首先要对输入输出训练数据进行归一化，这样做的好处是可以防止权值调整进入误差曲面的平坦区和训练后误差不均等。文中选用的归一化函数为prestd，使用该函数进行归一化的结果是使得数据的平均值为0，标准差为1。
输入要评价的顾客指标值，根据输出值，对超市的顾客满意度状态给出评价结论。顾客的满意程度用李克特量表分成七级来衡量：很不满意、不满意、不太满意、一般、较满意、满意、很满意，输出节点输出的评价结果分别用1到7数字表示。
首先对网络进行初始化，设定输入节点数为5，隐节点数为9，输出节点数为1，误差要求为0.001，训练次数为20000次。建立一个bp神经网络模型，训练网络时将输出值同理想值进行比较，如有误差就进行反向传播输出，修正权重系数，如此反复直到误差小于设定的误差。输入训练样本后, 系统按期望输出与实际输出误差平方和的最小化规则来学习, 调整权值矩阵和阈值向量。当误差减小到要求范围时, 系统停止学习, 此时权值矩阵与阈值向量固定下来，成为系统内部知识。为了使训练更有效，在测试样本中加入两组数据作为教师信号，即p=[1 1 1 1 1；7 7 7 7 7]，t=[1 7]，这两个信号是两个极端，即对每个指标都很不满意且最后结论为对超市的满意度为很不满意，或者对各个指标都是很满意，而对超市的总体满意度也是很满意。
当训练到出现如下字符
traingda, performance goal met.
停止训练，同时图像界面动态图停止，如图1所示。
当训练误差达到要求时，用测试样本对网络进行测试。通过对每一个测试数据的仿真输出和期望输出的比较，可以看出该神经网络的仿真误差的大小，以直观地表现出仿真得出的结果与理想值之间的关系，如图2所示。图中o代表期望输出，*代表仿真输出。
从图中可以看出，只有少数几个误差较大，大部分的输出结果是令人满意的，因此采用bp神经网络模型对超市顾客满意度进行评价具有较高的精确度。
五、结束语
本文在问卷调查的基础上，运用人工神经网络的理论,建立了对超市顾客满意度进行评价的bp神经网络模型,并在matlab仿真环境中测试了该神经网络评价模型的功能。从测试结果来看,该网络达到了设计要求,对超市顾客满意度的评价的正确率较高，证明了利用bp人工神经网络模型对超市顾客满意度进行评价比传统的评价方式更为科学有效。
参考文献：
[1]张葛祥 李 娜:matlab仿真技术与应用[m]．北京:清华大学出版社，2003
[2]altmar e marcog:corporate distress diagnosis:comparisons using linear discriminate analysis and neural networks[j].journal of banking and finance，1994．6
[3]郝 勇:运用bp神经网络研究上证公用事业指数的波动[j].
上海工程技术大学学报，2005．3
[4]苏变萍 王一平:基于bp神经网络的信息商品价格预测模型[j].统计与信息论坛，2007．3
[5]李穗丰 陈燕清:bp神经网络及其在数椐分类中的应用[j].电脑与电信，2006．6
本文链接：http://www.qk112.com/lwfw/jsjlw/jisuanjiyingyong/244471.html
