基于FCM与关联规则挖掘的产品服务系统规划分析

杨珍+耿秀丽

摘要：产品服务系统是一种高度集成及优化的“产品+服务”整体解决方案。质量功能展开作为常用的规划工具，传统方法依赖于设计师的知识经验，具有一定主观性，数据挖掘方法可以从已有的设计记录数据库中提取规则集来提高客观度。采用Apriori算法，获取客户需求和功能需求之间的关联规则，辅助PSS规划分析。由于设计数据库庞大，会降低数据挖掘及决策分析效率。在关联规则挖掘前，采用模糊C均值算法对客户群体进行聚类，以降低数据维度，提高挖掘效率。最后以烟机企业产品服务系统为例，验证了该方法的有效性和实用性。

关键词关键词：产品服务系统；规划分析；Apriori算法；模糊C均值

DOIDOI：10.11907/rjdk.171431

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2017）011013704

0引言

產品服务系统（Product Service System， PSS）是一种产品与服务高度集成、整体优化的个性化客户需求满足方案。方案规划作为概念设计的重要环节，对设计质量起着关键作用。质量功能展开（Quality Function Deployment， QFD）是一种常用的方案设计方法，能够将客户需求（Customer Requirements， CRs）进行多层次、多阶段的传递和分配，转化为方案设计不同阶段的功能需求（Function Requirements，FRs）[1]。在现有PSS规划研究中，文献[2]运用QFD的创新方法确定客户需求的重要度，可在概念设计阶段输入准确的需求数据，辅助PSS规划分析；文献[3]提出了客户需求驱动的产品服务系统模块选配方法，其中采用QFD方法将客户需求及重要度转化为方案模块属性以及重要度，以客户满意度最大化为目标，进行PSS方案规划。但这些规划方法依赖于设计者的经验和评估知识，缺乏客观依据，具有一定主观性。实际上，企业中有大量关于客户需求和功能需求的数据，为了挖掘其背后潜藏的信息，文献[4]提出采用聚类方法对客户进行分类，并采用基于优势的粗略集方法提取产品服务配置规则；文献[5]基于关联规则挖掘和粗糙集对客户群体进行分类，提取产品配置和服务的关联规则，辅助产品配置设计；文献[6]提出了一个基于Apriori的关联规则挖掘系统，从已有的销售数据和产品记录中获取客户需求和功能需求之间的关联关系，辅助规划分析。从上述研究中可以得知，数据挖掘方法在PSS规划过程中的应用，提高了方案设计效率。因此，本文采用关联规则挖掘方法，从设计记录数据库中获取客户需求和功能需求之间的关联规则。但设计记录数据库中存在数据量大、规则多等问题，对结果分析产生了一定程度干扰。为此，本文引进模糊C均值（Fuzzy Cmeans， FCM）帮助简化大数据挖掘过程，辅助PSS规划分析。文献[7]结合因子分析的有效性，使用FCM方法进行两步聚类；文献[8]提出采用FCM算法，根据属性的隶属度对一组属性的模糊分区进行归类，并以市场营销技术IPA为实例，将其聚类为4个簇并进行分析。从上述文献中可以发现，模糊C均值是一种高效的聚类方法，可以根据隶属度达到数据自动分类的效果。

因此，本文提出将模糊C均值与Apriori算法结合使用的方法，从企业已有的设计记录数据库中提取客户需求和功能需求之间的关联规则，以辅助PSS规划分析。第一步，使用模糊C均值对客户进行聚类，以提高数据挖掘效率；第二步，采用Apriori算法，针对特定客户群提取CRs和FRs之间的关联规则，辅助针对该群体的方案规划分析，提高设计效率。最后以某企业的烟机产品服务系统为例，验证了所提方法的有效性。

3案例分析

本文以烟机企业开发产品服务系统方案规划为例，从已有的设计数据库中获取客户需求和功能需求的相关数据，利用FCM算法对其进行聚类，并用Apriori算法提取其中的关联规则，以辅助企业后续的PSS规划分析。选出8项客户需求，分别为：技术成熟性（CR1）、运行可靠性（CR2）、产品质量优秀（CR3）、操作快捷方便（CR4）、外观美（CR5）、服务效率高（CR6）、实时监控（CR7）、节能环保（CR8）。这8项客户需求中，CR1、CR2、CR6采用5个评价指标，分别为：低（L）、比较低（ML）、中（M）、比较高（MH）、高（H）； CR3和CR5采用3个评价指标：分别为：好（A）、一般（B）、差（C）；CR4采用3个评价指标，分别为容易（A）、中等（B）、难（C）；CR7采用小时制指标，分别为：12h、24h、48h；CR8采用能耗衡量指标，即能效比的5个等级，由低到高分别为1～5。8项客户需求以及各自的指标如表1所示。

根据上述指标， 提取设计记录数据库中的客户Ck（k=1，2，3，…，l）的需求CRi（i=1，2，3，…，h）的数据。根据量化分析表的规则，本文以级别1～5衡量需求CR1、CR2、CR6由低到高的指标，以级别1～3衡量CR3、CR4、CR5由差到好或由难到简单的指标；以级别1～3衡量CR712h～48h的评价指标。经过上述规则转换后的500条数据记录结果如表2所示。

在这500条记录中，可以将客户需求划分为不同类别。为了更准确地归类这些需求，基于烟机产品服务需求设计记录数据库中的数据。本文利用Matlab软件，采用模糊C均值聚类算法对客户进行分类，大致分为技术型企业、过渡型企业、服务型企业，具体如图3所示。

图3基于FCM的研究客户聚类分析

由得出的结果可知，每个客户对功能的需求都会有所偏好，比如：技术型企业的客户会着重关注功能使用和机械运转速度方面，而服务型企业在功能、智能化方面会要求严格些。所以本文对客户需求和功能需求的关联关系进行了深度挖掘，以帮助企业在市场上更好地定位自己的产品。功能需求的评价指标与客户需求的可选值类似，而能耗的评价指标是采用能耗比的5个等级，具体如表3所示。将记录集中的客户需求与功能需求数据提取出来，具体如表4所示。endprint

从现有关联规则库中提取规则集，假设将规则集中阈值的最小支持度和最小置信度分别设为20%与60%，计算Dk记录集内CRs与FRs之间的支持度和置信度，挖掘结果如表5所示。

综合图3的FCM聚类结果以及表5 中CRs和FRs的关联规则分析可知，服务型企业偏好智能化、质量高以及服务效率高的烟机产品；技术性企业对操作方便和运行高效的产品更感兴趣，尤其是在控制技术、集成化功能方面，而对烟机质量以及智能服务方面的关注会少一些。

4结语

随着服务业在企业地位中的提升，PSS已经成为企业为客户提供价值的重要手段。针对过去基于QFD的方案规划具有主观性等问题，本文提出采用Apriori算法和FCM算法相结合的方法，首先对客户进行聚类，然后从聚类后的记录集Dk提取客户需求和功能需求之间的关联规则，辅助PSS规划分析。本文方法已用于烟机的PSS规划分析研究，通过实例分析，表明该方法的设计效率高、实用性强。通过数据挖掘技术，虽然能够得出CRs和FRs之间的关系，但是FRs内部涉及功能和服务之间的关系仍有待进一步研究。

参考文献参考文献：

[1]CHAN LK AND WU ML. Quality function deployment： a literature review [J]. European Journal of Operational Research， 2002，143：463497.

[2]耿立沙，孔造杰，耿立校.QFD客户需求重要度确定方法创新研究[J].当代经济管理，2016，38（9）：2025.

[3]耿秀丽，徐士东，叶春明.客户需求驱动的产品服务系统模块选配方法[J].计算机集成制造系统，2016，22（1）：5561.

[4]HJ LONG，LY WANG，SX ZHAO，et al.An approach to rule extraction for product service system configuration that considers customer perception[J].International Journal of Production Research，2016（18）：124.

[5]JIAO JX ， ZHANG YY.Product portfolio identification based on association rule mining [J]. ComputerAided Design，2005，37：149172.

[6]SH LIAO， HK CHANG. A rough setbased association rule approach for a recommendation system for online consumers[J].Information Processing&Management，2016，52（6）：11421160.

[7]G AKMAN.Evaluating suppliers to include green supplier development programs via fuzzy cmeans and VIKOR methods[J]. Computers & Industrial Engineering，2014，86（C）：6982.

[8]OI BAN，AI BAN，DA TUSE.Importanceperformance analysis by fuzzy CMeans algorithm[J].Expert Systems with Applications， 2015，50：916.

[9]Z JALALI. Development of slope mass rating system using Kmeans and fuzzy cmeans clustering algorithms[J]. International Journal of Mining Science & Technology，2016，26（6）： 959966.

[10]MA KHALILIA，J BEZDEK，M POPESCU，et al.Improvements to the relational fuzzy Cmeans clustering algorithm[J].Pattern Recognition，2014，47（12）：39203930.

責任编辑（责任编辑：黄健）endprint