FNN模糊神经网络——信息系统客户服务感知评价

案例描述
信息系统是否真正减轻业务人员的日常工作量提高工作效率？如何从提供“被动”服务转变为根据客户感知提供“主动”服务，真正实现电网企业对信息系统服务的有效管理？如何构建一套适合企业的信息系统客户服务感知模型，通过模型准确定位信息系统客户服务过程中存在的问题，并通过建立信息系统客户服务管控体系，不断完善和优化运维服务，提高客户服务水平，提升信息系统客户服务满意度？已成为企业有效促进信息化工作水平提高的重要工作。
案例分析
信息系统客户服务感知是指客户对信息系统的体验和感受，反映当前信息系统的质量与用户期望的差距。
在信息系统客户服务感知综合评价中，涉及到大量的复杂现象和多种因素的相互作用，而且，评价中存在大量的模糊现象和模糊概念。因此，在综合评价时，有学者采用模糊综合评价的方法进行定量化处理，评价出信息系统客户服务感知等级，并已取得一定的效果。但采用这种方法进行信息系统客户服务感知建模，各输入指标权重的确定需要用专家的知识和经验，具有很大的主观性，存在明显的缺陷，所以不太适用。
本用例的是使用信息系统的主体（感知用户）对信息系统的服务效果进行主观感知评价，然后将各影响因素的感知结果融合得到信息系统的总体满意度评价等级中，是对模糊输入信号进行融合处理，模糊神经网络结合了模糊评价法与神经网络评价法的优点，在解决这类问题时具有明显优势。
预测建模
操作步骤一：评价指标体系设计
信息系统客户服务感知评价指标主要基于以下原则设计：
1）评价指标能真实反映用户对信息系统的服务评价。
2）样本数据方便采集，即评价指标数据能被用户感知。
3）通过对这些评价指标的改进，能真正定位信息系统服务过程中存在的问题，达到不断完善和优化信息系统的目的。
基于以上原则及与业务人员深入沟通，最后确立了信息系统客户服务感知评价指标体系，指标体系涵盖了系统本身和系统运维服务方面的指标，共6个一级指标和18个二级指标，如图16。



操作步骤二：样本准备
用户感知样本数据主要通过对公司的个人问卷调查获得，共涉及19个业务部门、5类岗位、21个应用系统，经数据预处理后，将其中的19个业务系统的样本数据用于预测建模，任意保留两个业务系统的数据用于模型验证。
操作步骤三：属性选择
属性选择，也叫属性约简，是指在不丧失特定的应用数据原有价值的基础上去除不相关和冗余的属性，选择最小部分的属性，形成子集。这种方式能够提高数据的质量，并能够加快学习的速度，属性选择是机器学习过程中的重要的一部分。
从广义上可将属性选择算法分为过滤器(Filter) 和嵌入方式(Wrapper) 两种算法，FCBF(Fast Correlation-based Feature Select ion) 属于后者，所以在处理属性维度较大的感知评价数据上有一定优势。一般来说，如果一个特征和某个类的相关性足够，同时它与其它任意特征的相关性又都没达到某一水平，则认为这个特征对这个类来说是好的特征。FCBF用对阵不确定性(Symmetrical Uncertainty,SU) 作为衡量指标，利用了SU的值来进行属性选择，SU 取值在[0,1]之间，1表示两个随机变量可以相互完全预测对方的值，0 则表示两个随机变量彼此独立。SU 的值越大，代表其特征的优越性就越大。
表1为FCBF搜索策略基于对称不确定性的评估排序方法的属性选择结果。



表1的排序结果也反映了各评价指标与总体评价结果的相关程度。
从表1可知，影响信息系统总体评价满意度的指标主要为第7、第16、第17和第8个属性，分别对应运行稳定性、投诉渠道畅通性、故障处理及时性、响应及时性。
在感知评价建模中进行属性选择不仅能够找到最合适于进行信息系统客户满意度评价的最小属性集合，也能够提高算法性能。实验结果表明在识别的准确率上使用全部的评价指标只略高于利用属性选择算法选择出来的属性集的准确率，但是在算法效率上后者高出很多。因此属性选择是感知建模过程中的关键的一步。
操作步骤四：模型构建
模糊神经网络模型构建流程如图3：



操作步骤五：模型评价
在模型训练完成后，分别用生产管理系统、营销管理系统对已构建的感知评价模型进行验证。表2为对两系统的评价指标进行数据融合后的结果。
表14评价指标融合后结果

[align=center]序号[/align]	[align=center]感知评价模型[/align]	[align=center]模型评价结果[/align]
[align=center]生产管理系统[/align]	[align=center]营销管理系统[/align]
[align=center]1[/align]	[align=center]回归分析[/align]	[align=center]3.7586[/align]	[align=center]3.9299[/align]
[align=center]2[/align]	[align=center]BP神经网络[/align]	[align=center]3.9367[/align]	[align=center]3.9644[/align]
[align=center]3[/align]	[align=center]RBF神经网络[/align]	[align=center]3.8080[/align]	[align=center]3.8104[/align]
[align=center]4[/align]	[align=center]FNN神经网络[/align]	[align=center]3.5736[/align]	[align=center]3.6386[/align]

[align=center] [/align]
本文中，除了用模糊神经网络完成信息系统客户服务感知评价建模外，同时通过回归分析、BP神经网络、RBF神经网络建模，对不同模型算法的建模结果进行对比分析。不同模型算法的预测评价结果如表3。
表15不同算法评价结果

[align=center]序号[/align]	[align=center]感知评价模型[/align]	[align=center]模型评价结果[/align]
[align=center]生产管理系统[/align]	[align=center]营销管理系统[/align]
[align=center]1[/align]	[align=center]回归分析[/align]	[align=center]3.7586[/align]	[align=center]3.9299[/align]
[align=center]2[/align]	[align=center]BP神经网络[/align]	[align=center]3.9367[/align]	[align=center]3.9644[/align]
[align=center]3[/align]	[align=center]RBF神经网络[/align]	[align=center]3.8080[/align]	[align=center]3.8104[/align]
[align=center]4[/align]	[align=center]FNN神经网络[/align]	[align=center]3.5736[/align]	[align=center]3.6386[/align]

[align=center] [/align]
由表3知，不同感知模型的评价结果基本都能反映用户对应用系统的满意度评价情况，具体哪个算法最优，可通过不同算法在模型验证时的均方根误差来衡量，对比分析结果如表3。



从建模过程及验证结果来看，FNN神经网络虽然比回归分析、BP神经网络、RBF神经网络等算法建模速度稍慢，但总的来说,FNN神经网络比回归分析、BP神经网络、RBF神经网络等算法的预测精度均要高，这也体现了模糊神经网络用于信息系统客户服务感知建模的优势。



上机操作环境：www.tipdm.cn