Научный журнал

Фундаментальные исследования

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Ариничев И.В. 1

---

1 ФГБОУ ВО «Кубанский государственный университет»

В настоящей статье предлагается оригинальный подход к оценке глобальной удовлетворенности потребителей бизнес-организаций на основе многокритериального анализа. В основу подхода положен механизм машинного обучения, который включает два этапа: обучение и тестирование. Учитывая качественный характер исходной информации был выбран логический алгоритм машинного обучения, основанный на построении классифицирующих бинарных решающих деревьев и позволяющий восстанавливать нелинейные зависимости между целевой переменной и признаками. Логический алгоритм позволяет 1) отнести произвольного потребителя к одному из классов удовлетворенности, предопределённых заранее в зависимости от предпочтений руководства компании; 2) измерить вес/важность каждого критерия и проранжировать их в порядке возрастания значимости; 3) построить диаграмму действий, демонстрирующую сильные и слабые стороны компании по каждому критерию. Предложенная методика доведена до конкретных шагов и проиллюстрирована на численном примере.

Статья в формате PDF

0 KB

удовлетворенность клиентов

решающее дерево

алгоритм классификации

машинное обучение

1. Ариничев И.В. Экономико-математическая модель оценки качества обслуживания потребителей бизнес-организаций / И.В. Ариничев // Экономика и предпринимательство. – 2016. – № 10–3(75–3). – С. 599–604.

2. Ариничев И.В. Количественная оценка потребительской удовлетворенности на основе многокритериального анализа / И.В. Ариничев // Актуальные проблемы экономической теории и практики: Сб. науч. тр. [под ред. профессора В.А. Сидорова]. – 2016. – № 21. – С. 131–140.

3. Воронцов К.В. Математические методы обучения машин по прецендентам (теория обучения машин) [Электронный ресурс]. – Режим доступа: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf.

4. Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. – Симферополь: ДИАЙПИ, 2014. – 228 с.

5. Massnick F. The customer is CEO: How to measure what your customers want – and make sure they get it, AMACOM. – New York, 1997.

6. Dutka A. AMA Handbbok of customer satisfaction: A guide to research, planning, and implementation, NTC Publishing Group. – Illinois, 1995.

7. Siskos Y., Grigoroudis E. Measuring Customer Satisfaction for Various Services Using Multicriteria Analysis. – Springer, 2010.

Измерение удовлетворенности клиентов является одним из наиболее важных вопросов, касающихся коммерческих организаций всех видов. Философия клиентоориентированности современных бизнес-организаций и реализации основных принципов непрерывного совершенствования оправдывает важность оценки и анализа удовлетворенности клиентов. В настоящее время удовлетворенность рассматривается в качестве наиболее надежной характеристики обратной связи потребителя, принимая во внимание, что она эффективно, содержательно и объективно отражает предпочтения и ожидания клиентов. Таким образом, удовлетворенность клиента сегодня может рассматриваться как возможный стандарт качества для любых коммерческих компаний. В то же время невозможно постоянно мотивировать сотрудников компании нематериальными и абстрактными понятиями. По этой причине удовлетворенность должна быть переведена в ряд измеряемых параметров, непосредственно связанных с работой людей, т.е. в фактор, который можно понять и на который можно повлиять. Кроме того, измерение обеспечивает чувство достижения и выполнения цели для всех сотрудников, участвующих в любой стадии процесса обслуживания клиентов, а применение системы измерения поможет выявить потенциальные различия в восприятии качества обслуживания между потребителем и руководством организации бизнеса.

Не останавливаясь подробно на классификации определений, отметим, что существуюет два основных подхода к потребительской удовлетворенности – как результат и как процесс [1, 6]:

1) первый подход определяет удовлетворенность как конечный результат или состояние в результате опыта потребления продукта или услуги;

2) второй подход подчеркивает восприятие, оценку и психологический процесс, который способствует удовлетворению.

Рис. 1. Иерархическая структура критериев удовлетворенности в магазине быстрого питания

Обширные исследования в рассматриваемой области определили несколько альтернативных подходов к оценке и анализу удовлетворенности с самых разных точек зрения. Эти подходы включают в себя как простейшие количественные инструменты, такие как арифметические средние оценок клиентов по шкале Лайкерта, некоторые виды статистического анализа, включая регрессионный и факторный анализ, модели причинно-следственной связи, поведенческие модели потребителей и другие, так и более продвинутые: такие как мультиноминальная и порядковая регрессия, MUSA-метод [2, 7]. Тем не менее на практике исследователь встречается с рядом ограничений, препятствующих их успешному использованию. Так, некоторые из методов не учитывают качественный характер суждений клиентов, что является исходной информацией для расчетов. Чаще всего опрос клиентов компании производится в виде обычной анкеты, в которой его просят высказать свое суждение по тому или иному критерию (сервис, персонал, расположение организации и т.д.), и оценка может выставляться по качественной порядковой шкале, например от «ужасно» до «великолепно». Другой проблемой является неинтерпретируемость результатов моделирования, т.к. ввиду сложности и громоздкости вычислений в некоторых методах коэффициенты на выходе становятся непрозрачными и не содержат в себе ясного экономического смысла. Таким образом, успешно справляясь с задачей измерения в одних экономических условиях, данный аналитический метод становится совершенно непригодным для оценки качества в других.

Цель данной работы – предложить способ оценки глобальной удовлетворенности клиентов компании на основе их частных суждений по нескольким критериям, оценить вклад каждого критерия в результат.

Отметим, что количество частных критериев может быть произвольным и определяется на каждом предприятии индивидуально. В рамках данной работы нами были выбраны четыре критерия (персонал, продукт, сервис и доступность) для магазинов «быстрого питания» (рис. 1).

Прежде всего формализуем поставленную задачу. Объектом x из множества всех объектов X в данной задаче будем считать клиента/респондента, пришедшего для обслуживания в данную компанию. Чтобы задать объект, введем его признаковое описание , где – удовлетворенность i-го клиента x по j-му частному критерию, . Тогда вектор задает полное признаковое описание объекта. Степень удовлетворенности будем рассматривать по следующей порядковой шкале D = {«Очень доволен», «Доволен», «Нейтрален», «Недоволен», «Очень недоволен»}. Ответы yj, которые характеризуют нам глобальную удовлетворенность потребителя и которые, согласно поставленной цели, подлежат определению, будем также считать принадлежащими множеству Y = Dj. В действительности, данная шкала не освобождена от критики и выбрана нами для конкретизации проводимого исследования. В общем случае она может быть выбрана произвольной в соответствии с пожеланиями руководства организации. Например, рассматривая в качестве множества ответов Y = {–1, 1} мы получаем задачу классификации, решая которую, можно ответить на вопрос: вернется ли данный клиент еще раз в компанию (y = 1) или уже нет (y = –1). В нашем примере мы имеем также задачу классификации, но на пять непересекающихся классов.

Чтобы успешно определять глобальную удовлетворенность произвольно выбранного клиента, необходимо рассмотреть два этапа [3, 4].

1. Этап обучения – это этап, на котором по обучающей выборке X^l (выборка признаковых описаний объектов для которых заранее известны ответы Y^l) на основе некоторого метода μ строится алгоритм классификации .

2. Этап применения, на котором построенный на первом этапе алгоритм a классифицирует произвольные объекты, которые не входили в обучающую выборку

Учитывая специфику задачи и качественный характер суждений клиентов, был выбран логический алгоритм классификации степени потребительской удовлетворенности, который представляет собой бинарное дерево (ациклический граф), каждой внутренней вершине v∈V_внутр которого приписан предикат , а каждой листовой (терминальной) вершине v∈V_лист – метка класса . В настоящей работе были использованы одномерные предикаты вида , где θ_j – некоторое пороговое значение j-го признака объекта.

Бинарный решающий алгоритм стартует из корневой вершины v0 и вычисляет значение предиката . Если оно равно нулю, то алгоритм переходит в левую дочернюю вершину, иначе в правую, вычисляет значение предиката в новой вершине и делает переход или влево, или вправо. Процесс продолжается, пока не будет достигнута листовая вершина; алгоритм возвращает тот класс, который приписан этой вершине.

Рис. 2. Рекурсивная процедура построения решающего бинарного дерева

Для построения решающего дерева в настоящей работе была использована рекурсивная процедура Induction of Decision 3 (LearnID3), псевдокод которой представлен на рис. 2.

Наиболее важным шагом рассмотренного выше алгоритма является поиск предиката с максимальной информативностью. При определении предиката, который бы максимально хорошо выделял бы какую-то группу классов от всех остальных классов, в зависимости от выбора критерия ветвления, возникает большое разнообразие методов построения решающих деревьев.

В настоящей работе был использован наиболее распространённый и часто используемый критерий Джини, показывающий, сколько пар объектов, лежащих в одном и том же классе, одновременно попадут либо в левую, либо в правую дочернюю вершину дерева (значения предиката на них совпадают):

.

Рассмотрим численный пример, демонстрирующий процесс отнесения клиента к одному из классов глобальной удовлетворенности на основании частных критериев (рис. 1). В таблице представлен фрагмент обучающей выборки.

В результате применения процедуры ID3 было построено бинарное решающее дерево (рис. 4), двигаясь из начальной вершины которого любой объект будет отнесён к одному из пяти классов удовлетворенности.

Обучающая выборка для численного эксперимента

Рис. 3. Решающее бинарное дерево классификации объектов

Библиографическая ссылка