基于模糊神经网络的银行客户满意度评估模型(word原稿可复制可编辑)

1、如果您需要更多资料可以到基于模糊神经网络的银行客户满意度评估模型伊丽莉，庞慧敏 辽宁工程技术大学，辽宁葫芦岛(125105) e-mail：yht57摘 要：本文主要研究模糊综合评判和人工神经网络在银行客户满意度评价中的应用，并提出 基于模糊神经网络的银行客户满意评价模型。该模型首先采用模糊综合评价，计算出模糊综合 评价值，并将其作为神经网络的期望值，采用 bp 算法进行训练，并运用 matlab 工具实现了 仿真计算，通过两者的比较，验证也该模型的有效性。关键词：客户满意度，模糊评价，人工神经网络，模型1. 引言在国民经济体系中，银行直担当着金融中枢的角色，全社会的每个经济单元政府 机关、公

2、共机构、各类企业、家庭和个人都是通过银行建立资金往来关系的。在中国加入世贸 组织的这几年，中国银行界的竞争越发激烈，而且还将不断面临来自外资银行的激烈竞争。国 外银行业长期生存在竞争的环境之中，深知客户是所有资源里最宝贵的资源，客户的满意是企 业生存的关键。,对顾客需求的满足能力是银行可持续发展的关键所在1。因此,如何评判顾客对 银行的满意度也成为银行十分关注的问题。本文以模糊数学为研究工具，研究了客户对不同银 行满意度进行评价的模糊综合评判系统。由于银行的各个评价指标的输入到模糊综合评价值的 输入是一个非线性的复杂变换，一般不便掌握运用。为此，本文研究用神经网络仿真这个评价 过程。2. 客户

3、满意度综合评价的模糊数学模型2.1 评语集合评语集合定义顾客对银行满意程度的等级，这里将个人客户对银行的满意程度评语集取为y= 很满意 y1，一般满意 y2，不满意 y3，很不满意 y4 。2.2 综合评价的因素、因素集本文采用总体满意概念，即顾客对自己在某个银行的所有经历做总体评价后的感知状态。 基于前人的研究，以及银行管理人员、一线柜台人员和个人客户的深度访谈结果，本文将影响 个体客户对银行总体满意程度的主要因素归纳为：银行的服务提供、银行提供的金融产品、银 行的形象、银行营业网点的便利性4。取评价因素集 x=银行的服务提供 x1, 银行提供的金融产品 x2, 银行的形象 x3, 银行营业

4、 网点的便利性 x4对银行各方面表现的模糊评判： 在进行模糊评判时，必须对每个被评价对象在每个方面的表现做出属于不同层次的评价结果程度的数据计算，即构造隶属函数，下面以对银行服务提供的评价为例，说明其原理。 对于银行服务提供各评语评价数据(隶属函数)的计算：如果您需要更多资料可以到设属于很满意、一般满意、不满意、很不满意模糊方案子集的隶属函数分别为 ua(ni)、ub(ni )、uc(ni)、ud(ni)(即对银行服务提供评价为很满意、一般满意、不满意、很不满意程度 的数据)：2u a (n i ) =n i n minn max n min2(1 u a) 3 (1 u a )22224,u

5、 a 0.3u b (n i) = (1 ua ) 3 (1 u a10, 0.3 u a 0.5)(1 ua ) 3 (1 u a2,u a 0.5(1 u a u b) 3 (1 u a u b )4,u a 0.3u c (n i) = (1 u u b) 3 (1 u a u b )10, 0.3 u a 0.5aa(1 u u b) 3 (1 u a u b )2,u a 0.5u d (n i ) = 1 u a (n i ) u b (n i ) u c (n i )其中：ni 代表银行在服务提供这个因素中的得分，nmax 、nmin 分别代表所有顾客在参加问卷调查中对银行服务打

6、分的最大和最小值。这是以功效系数为基础构造的一组隶属函数族，被 评价的银行在服务提供这项因素中得分越高代表顾客的满意的程度越高、相反越低则代表不满 意的程度越高。2.3 模糊综合评价模型 依据对客户的问卷调查数据，用隶属函数对银行在因素 xi,i=1,2,3,4 中的表现做出单层 次综合评判由前面讲的隶属函数计算出被评价银行在子因素 xi 上的单层次综合评判模糊向量 bi：bi=( bi1,bi2,bi3,bi4 )=(u a (n i ), u b (n i ) , u c (n i ) , u d (n i ) ),i1,2,3,4ni 为被评价银行在子因素 xi 上的调查数据。bi 为下

7、一步综合评判中所需总因素集 x 与评语集合 y 的模糊关系矩阵 r 的第 i 行元素。综合各个子因素集评判结果做出总的综合评判 这里 r 由上步评判结果获得，即 b1 ijr = b2 = (b ) b3 b 4 设各个子因素在总评判指标集中的权重模糊向量为 a ,则最终评判结果 s 由下式给出2： b1 s = a o r = a o b2 = (s , s, s , s)(1) b3 1 2,3 4,各评价因素权重选择 b4 通过调查分析，银行服务提供对客户满意的影响最大，接下来依次为银行的形象，银行提供的金融产品，银行营业网点便利性。所以在对满意影响较大的因素应当给与较大的权重。各 评价

8、因素权重 ai，i1,2,3,4 因此 a（a1,a2, a3, a4 ）3. 基于模糊数学原理的银行客户满意度评价的神经网络模型构造近年来国内外专家将神经网络应用到预测、分类、模式识别和过程控制等数据的处理当中， 这种新的方法的应用相对于传统的数据处理方法更加适合处理模糊的、非线性的和模式特征不 明确的问题2。尽管用前述的模糊综合评判模型可以对银行的客户满意度进行评价，但是过程复杂，而且 权重的确定等问题上不能有很好的确定性，所以这里用计算的模糊评价数据为样本建立神经网 络，仿真模糊综合评价系统。反向传播（back propagation）学习算法即 bp 算法，相应的神经网络就是 bp 网

9、络。bp 学 习算法也是一种多层次前馈网络使用的监控式学习算法。bp 算法的思想是使用梯度搜索理论， 以使得网络实际输出（计算输出）与期望输出（目标输出）的均方差达到最小。网络的学习过 程是，将输出层误差反向传播回去，并借以修正权值。在这里，把 4 个评价指标因素作为神经 网络系统的输入，把模糊综合评价结果，作为系统的输出。设 bp 网络的输入层为x x1，xn其中 x 是客户对银行满意进行评价的各个指标因素。这里 n=4。neti = vij x iio = a(net )(2)(3)i i其中 xi 是上一层第 i 个节点的输出，vij是上一层第 i 个节点与本层第 j 个节点的连接权值。

10、对于输入层，任何节点的输入与输出相等。 a ( x ) 为系统的激励函数或传递函数，取 s 型连续 可微函数，例如 sigmoid：网络的输出层为 x1 e x a(x) =1 + ey) = wi oii(5)(6)i其中， y) 是神经网络系统的输出变量，输出层传递函数取 logsig 函数， w 为权系数。设准则函数为( y y) 2 e 2e =(7)2 2为了保证系统的全局稳定性，把对不同银行的模糊综合评价得分（输出 y）作为反馈信号，将 其与神经网络辨识器的输出 y) 比较 ，使 e，其中 为一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。 根据反向传播计算公式，可

11、得如下权系数学习规律：wi = eiwi= y y)o(8) ij = y y)a(neti )wi x其中， 为学习修正率，0 1。另外由（4）可得： a(x) = a(x) a2 (x) 。(9)bp 网络的 matlab 实现3：可以利用 matlab 提供的有关函数实现网络建立、训练和仿真。 建立 bp 网络：newff(minmax(p),3,1,tansig,logsig,traingdx)；训练网络：net=train(net,p,t)仿真：y=sim(net,testp)4. 样本数据的仿真计算4.1 样本输入数据处理通过对客户发放对某市某商业银行在银行服务、金融产品，银行形象

12、及银行网点的便利性 的满意程度的问卷调查后的统计，并将统计分析后的数据作为神经网络系统的样本输入。用模 糊综合评判值作为期望输出。采用三层 bp 神经网络进行评价，网络中输入层、隐层和输出层的结点数分别为 4、12、1，激活函数分别采用 sigmoid，logsig，学习率 0.9,学习训练算法采用反向传播（bp）算法。4.2 样本输出数据处理评价因素集 x=x1,x2,x3,x4=银行的服务提供, 银行提供的金融产品, 银行的形象, 银行 营业网点的便利性，评语集合 y= y1, y2, y3, y4=很满意，一般满意，不满意，很不满意 。 权重向量依据调查统计的分析结果 a=（0.34,0

13、.15,0.23,0.28），将其带入模糊综合评价矩阵计算 出相应的模糊评价值。见下表 1：表 1 模糊关系矩阵tab1 fuzzy relation matrix很满意一般满意不满意很不满意银行的服务提供058024015003提供的金融产品026033025016银行的形象047041007005银行网点便利性031039016014按上面的公式得出的模糊评价值为（0.4311,0.3346,0.1494,0.0849）4.3 网络建立与仿真用以上所述模型，建立一个 4121 的网络，分别利用 matlab 中的函数 newff()、train()、sim()建立、训练和仿真网络。这里隐层

14、和输出层传递函数分别取 tansig 和 logsig，目标误差为00001，训练过程见图 1，各样本仿真值与模糊评价值误差见表 2。从表 2 可以看出，原始模 糊评价数据与神经网络系统的仿真值比较接近，相对误差较小。表 2 训练结果对比tab2 test results compare预期结果0.43110.33460.14940.0849测试结果0.43240.33210.13970.1019图1 神经网络训练过程fig1 neural network training process综上所示，神经网络系统的仿真值和样本的模糊评价值几乎没有差异，网络输出值与期望 值很接近证明经过训练后的

15、bp 网络是可行的。5总结本文采用模糊综合评价和人工神经网络的模型来研究某地区客户对某银行的满意度分析， 通过分析可以得知此地区对该银行的满意程度比较高，但银行在某些方面的表现却低于客户的 期望，说明这也是银行需要关注的方面。随着全球经济的不断发展，银行业作为国民经济的重 要一部分也同样面临着激烈的竞争，客户是银行竞争的焦点，因此，通过本文介绍的模型用来 研究客户的满意程度是可行的。参考文献1 邵兵家，于同奎客户关系管理理论与实践m清华大学出版社，2006.32 郭嗣琮，陈刚 信息科学中的软计算方法m 辽宁：东北大学出版社，2001.113 董长虹matlab 神经网络与应用m北京：国防工业出

16、版社，2005.14 林景丹，李青原商业银行个人客户满意度影响因素的实证分析j财会通讯学术版，20076the evaluation model of bank client satisfaction based onfuzzy artificial neural networkyi lili,pang huiminliaoning technical university, liaoning, huludao(125105)abstractthis paper, mainly study the application of fuzzy evaluation and neural network in bank client satisfaction, put forward the evaluation model based on fuzzy artificial neural network. the model first adopt fuzzy evaluation, work out the data and use the sample data