產(chǎn)品評論數(shù)據(jù)驅動的質量功能展開客戶需求挖掘

胡 堯，肖人彬，張文旭

(華中科技大學 人工智能與自動化學院，湖北 武漢 430074)

0 引言

產(chǎn)品設計對于制造企業(yè)的產(chǎn)品升級換代具有重要的作用，是企業(yè)能否占據(jù)產(chǎn)品優(yōu)勢地位的關鍵[1]。質量功能展開(Quality Function Deployment, QFD)作為以客戶需求為導向的產(chǎn)品設計方法，提供了一種從客戶需求到功能要求之間的轉化模型，并且能夠得出產(chǎn)品設計中的關鍵模塊。QFD是產(chǎn)品設計階段的質量保障方法，也是協(xié)調產(chǎn)品開發(fā)部門各種功能的方法。

由于QFD是以客戶需求為導向的產(chǎn)品設計工具，確定客戶需求及其權重是QFD中最關鍵的階段[2]。在客戶需求挖掘方面，國內外學者主要通過對QFD客戶需求進行科學分類來確定客戶需求。李汝鵬等[3]通過需求信息模糊聚類方法來獲取客戶需求集;耿秀麗等[4]等提出一種基于條件概率的特征選擇技術來識別客戶需求;JIA等[5]整合模糊集理論和質量屋，來降低客戶需求確定的固有不確定性和模糊性;聶大安等[6]使用Kano模型對客戶需求進行分類以確定客戶需求;白濤等[7]提出一種基于模糊Kano模型的客戶需求確定方法;IRELAND等[8]運用“特征—情感”詞對和樸素貝葉斯原理識別客戶需求。還有部分學者使用數(shù)據(jù)挖掘來獲取產(chǎn)品客戶需求[9-13]。對于QFD客戶需求確定的研究，大多數(shù)學者使用模糊集理論或Kano模型確定需求，雖然改善了需求的不確定性，但是分類規(guī)則和隸屬函數(shù)完全靠經(jīng)驗得來。本文在結合當今大數(shù)據(jù)時代背景的優(yōu)勢下，提出一種產(chǎn)品數(shù)據(jù)驅動的客戶需求挖掘方法，旨在挖掘客戶直接表達的顯性需求，因為需求完全從客戶發(fā)表的意見中挖掘得到，所以能夠更加準確地表明客戶對產(chǎn)品的觀點，更具客觀性。

對于制造業(yè)企業(yè)來說，由于客戶需求是指導產(chǎn)品設計的決定性因素，客戶需求權重也成為影響QFD分析結果的關鍵因素。大多數(shù)研究都將確定客戶需求權重作為QFD的重點研究方向之一[14-18]。CHAN等[19-20]使用熵值權重法來計算客戶需求權重;尉少坤等[21]采用層次分析法(Analytic Hierarchy Process, AHP)來確定客戶需求的權重;王曉暾等[22]在融合層次分析法與粗糙集理論的基礎上，提出一種確定QFD中客戶需求重要度的粗糙層次分析法;張雷等[23]利用模糊層次分析法進行分析得到客戶需求重要度;李震[24]提出一種區(qū)間二元語義方法用于確定客戶需求權重;孫園園等[25]提出一種集成卡諾模型和QFD的客戶需求重要度求解方法;耿秀麗等[26]采用云評價標度對顧客需求重要度進行評價;通過完善文獻[27-28]，趙文燕等[29]提出粗數(shù)定義以求得客戶需求權重?？梢钥闯?，在需求權重計算上，大多數(shù)研究還處于采用改進AHP、粗糙集、Kano模型等傳統(tǒng)方法，部分研究使用云模型等數(shù)據(jù)量較小的分析方法，并未結合當今大數(shù)據(jù)時代的數(shù)據(jù)優(yōu)勢。鑒于此，本文采用主客觀結合的方法，利用產(chǎn)品評論數(shù)據(jù)挖掘得到客戶需求的客觀權重。首先將文獻[30]提出的改進比例重要度引入到粗數(shù)向單值權重的轉化過程中，改進了粗數(shù)單值權重轉化公式，充分考慮了每種需求的可改進程度，得到更加合理的主觀權重，再將主客觀權重相結合，得到最終的客戶需求權重。

形成規(guī)范化的客戶需求表達能夠減少無用需求特征的分析，顯著提高產(chǎn)品設計的效率。國內外學者也對客戶需求表達的標準進行了研究。伊輝勇等[31]運用向量、矩陣等數(shù)學知識形成需求表達和轉化模型；常艷等[32]根據(jù)客戶現(xiàn)有需求和已有產(chǎn)品信息，從需求特征、特征屬性以及需求之間的關系定義需求表達；經(jīng)有國等[33]提出了一種非結構化客戶需求智能解析的體系結構，并構建了一種標準的客戶需求表達；楊沁等[34]提出一種基于設計結構矩陣的客戶需求表達方法；YANG等[35]建立差異化機制的客戶需求表達模型，保證了需求表達過程的有效性和一致性。目前來看，對于客戶需求表達的研究，大多還是從句法規(guī)則的角度出發(fā)去定義。本文將結合發(fā)明問題的解決理論(Theory of Inventive Problem Solving, TRIZ)中的需求進化理論[36]，提出一種基于TRIZ的需求映射模型，以規(guī)范化QFD客戶需求表達。TRIZ中的需求進化理論，能夠為客戶需求的篩選、權重確定提供合理的依據(jù)。由于挖掘階段提取的需求具有高度耦合性，這會一定程度上阻礙需求的權重分析以及工程特性轉換，本文引入低耦合需求，結合TRIZ定義了一種針對QFD的規(guī)范化客戶需求表達，提高了后續(xù)QFD分析中工程特性權重的準確性，基于TRIZ需求進化定律也使需求分析更加符合實際。

從現(xiàn)有研究文獻中可以發(fā)現(xiàn)：①現(xiàn)階段QFD客戶需求權重及其權重的確定大多數(shù)還處于傳統(tǒng)定性分析、小數(shù)據(jù)體量分析的階段，并未結合大數(shù)據(jù)的優(yōu)勢；②針對在線評論的客戶需求挖掘也只對評論做泛化分析，并未考慮每條評論數(shù)據(jù)的差異性[37-38]，一些高價值評論得不到關注；③QFD客戶需求耦合性高，且較少有研究提出規(guī)范的客戶需求表達形式。據(jù)此，本文在已有研究的基礎上，提出一種產(chǎn)品評論數(shù)據(jù)驅動的QFD客戶需求挖掘方法，期望實現(xiàn)QFD客觀化分析，以指導產(chǎn)品設計。

1 研究框架

產(chǎn)品評論作為一種可靠的數(shù)據(jù)源，包含了大量客戶對于產(chǎn)品的主觀感受以及產(chǎn)品各功能的需求和滿意程度。本文從數(shù)據(jù)驅動的角度出發(fā)，期望構建一個QFD客戶需求獲取框架，通過評論數(shù)據(jù)挖掘得到客戶需求及其權重，并得到產(chǎn)品的功能要求和關鍵模塊，為產(chǎn)品的下一代升級設計提供技術支撐。如圖1所示為本文的研究框架。

在客戶需求挖掘方面，首先通過采集在線評論數(shù)據(jù)，構建評論語料庫；然后采用本文所提出的關注度隱含狄利克雷分布(Attention Latent Dirichlet Allocation, ALDA)模型進行主題提取[39]，對高價值評論賦予更高關注度；進一步結合Word2Vec框架實現(xiàn)主題—需求的映射;最后基于本文所提出的需求映射模型形成規(guī)范化客戶需求集合。在客戶需求權重確定方面，使用改進后的粗數(shù)計算主觀權重;再與產(chǎn)品需求挖掘中主題的權重相結合，得到需求的最終權重，實現(xiàn)主客觀結合的客戶需求權重確定;最后將結果輸入QFD完成客戶需求的轉化，得出產(chǎn)品的功能需求和關鍵模塊，用于指導產(chǎn)品設計。產(chǎn)品評論數(shù)據(jù)作為輸入驅動完成了整個需求挖掘過程。

2 QFD客戶需求挖掘

2.1 數(shù)據(jù)采集與預處理

如圖2所示，對于評論文本級數(shù)據(jù)的預處理，一般可簡化為：數(shù)據(jù)清洗、數(shù)據(jù)去重、分詞、去除停用詞、詞性標注等，將句子轉換為詞匯，形成分詞數(shù)據(jù)語料庫，作為主題提取的輸入。

2.2 ALDA主題提取

通常認為，在一般情況下，典型的高價值評論的觀點清晰明確、情感極性值大，因此這些評論對主題提取的貢獻率相對較高，值得更高的關注度。隱含狄利克雷分布(Latent Dirichlet Allocation, LDA)模型在高效挖掘文本主題上表現(xiàn)突出，而Word2Vec能夠很好地衡量兩個文本之間的相似度，為本文改進LDA模型提供了技術基礎。本文提出一種ALDA模型，通過構建一個評論關注度向量τ，為每一篇文檔分配一個反映其價值的權重τi，價值越高的評論，受到的關注度也越高，權重值為整數(shù)型，關注度向量如下：

(1)

式中τi反映了第i篇評論的關注度，初始值為1。

ALDA模型的算法流程如圖3所示。

(1)首先進行關注度向量更新

通過LDA+Word2Vec模型對分詞語料庫進行訓練，提取t個主題，并計算出每篇評論與每個主題的歐式距離d[18]，然后選取與每一個主題距離最小的前20篇評論，共20t篇評論，形成待更新評論集{UC}，更新其權重τi，更新公式為：

(2)

式中：N為總評論數(shù);dij為第i篇評論與第j個主題的歐式距離，dij∈[0,1)。

(2)τ更新完畢后，執(zhí)行語料庫更新

由于τi在更新公式上反映了每一篇評論在一片區(qū)域的受關注程度，選取每片區(qū)域中關注度τi最高的評論i，重復該評論(τi-1)次，理論上能夠增加評論i包含的詞的共現(xiàn)概率，即增大某些受到高度關注的需求詞權重，加快客戶高期望需求的識別。

語料庫更新：將最高關注度評論i重復(τi-1)次后整合為一篇評論，再進行訓練，此時得出的主題作為最后的主題提取結果。

2.3 主題—需求映射

根據(jù)2.2節(jié)提取的主題，完成主題—需求的映射，形成客戶的需求集合{CN}。由于客戶所發(fā)表的評論本質上反映了該客戶對于該需求的滿足程度，并非客戶的需求，例如主題提取只能得出“拍照”主題，不能得到“拍照質量高”的客戶需求。傳統(tǒng)的方法有使用映射、關聯(lián)規(guī)則、圖論的方法，其都是在定性上進行建模分析，本文嘗試使用Word2Vec框架進行詞向量相近程度計算，選取相近程度高的情感詞與主題匹配，得出共現(xiàn)度較高的共現(xiàn)詞對和詞對相似度：

(1)因為客戶需求代表了一種正向的情感訴求，所以利用得到的共現(xiàn)詞對中具有正向情感的詞對反映客戶需求；

(2)詞對相似度代表進行匹配的兩個詞在語料庫的相近程度，其本質上衡量了客戶對于該功能的滿足程度，可為客戶需求的改進比例提供參考。若客戶發(fā)表的評論對該產(chǎn)品的滿足度高，在一定程度上反映了產(chǎn)品在該功能上表現(xiàn)突出、技術成熟，后續(xù)開發(fā)難度上升，其詞對相似度較高，從而使得改進比例占比應降低，反之亦然。由于改進比例需在100%以上，將1作為下閾值，(1-similarityd)反映了產(chǎn)品在該功能上的可改進程度，二者相加得到本文定義的客戶需求改進比例計算公式：

Id=[1+(1-similarityd)]×100%。

(3)

式中：Id為客戶需求d的改進比例，Id∈(1,2);similarityd為客戶需求d的詞對相似度，similarityd∈(0,1)。該改進比例為第4章中的客戶需求權重計算提供了依據(jù)。

3 QFD客戶需求表達

產(chǎn)品評論需求的高度耦合性和復雜性會導致權重計算困難、工程模塊相關性高等問題，嚴重影響了產(chǎn)品優(yōu)化設計的效率。本文所提出的基于TRIZ的需求映射模型(TRIZ-based Needs Mapping model, TNM)，形成了一種針對QFD的規(guī)范客戶需求表達形式。引入低耦合需求(Low Coupling Needs, LCN)一方面可降低需求耦合度，另一方面提高了后續(xù)QFD分析中工程特性權重的準確性。

3.1 需求映射

定義一個需求域C與功能域F，需求域C由2.3節(jié)中得到的客戶需求集合中的每一個需求CN構成，

C={CN1,CN2,…,CNn}。

(4)

功能域F由產(chǎn)品相關具體功能模塊FR構成，其由產(chǎn)品設計手冊或設計人員確定，

F={FR1,FR2,…,FRn}。

(5)

將第i個客戶需求CNi映射到功能域F中，尋找與CNi相關度較高的功能需求并與CNi關聯(lián)，這些功能需求即視為低耦合需求LCN，形成低耦合需求集L，

L={LCNi1,LCNi2,…,LCNin}。

(6)

3.2 進化度計算

Petrov在分析人類需求變化規(guī)律的基礎上認為，與技術系統(tǒng)進化理論相似，需求概括起來也有5條需求進化定律，即需求理想化、需求動態(tài)化、需求專門化、需求集成化、需求協(xié)調化[40]。

需求進化理論表明需求進化的方向，可以用來預測用戶未來的需求，從而在宏觀上指導LCN的設計，但卻未涉及需求進化的細節(jié)。TRIZ理論中的技術進化路線從微觀層面分析了產(chǎn)品各個進化方向上的具體進化階段，從而用于預測產(chǎn)品的進化潛力。本文將需求進化理論與技術進化模式相融合，從宏觀和微觀兩個層次上分析客戶需求的進化方向，將前人總結的10個進化模式與5個需求定律相融合，完成進化度計算。

如圖5所示為本文所提的TNM模型，考慮宏觀與微觀分析的復合影響計算出進化模式的權重，將需求映射得到的低耦合需求集分別與10個進化模式進行矩陣相關度計算，若需要進化或改進，則進行標記，否則不標記。進化模式權重計算規(guī)則為：

(7)

式中：ek為進化模式k的權重;dp為需求定律p的權重;σkp為進化模式k與需求定律p間的映射權重。所有的需求定律權重與映射權重均滿足歸一化要求。

進化度計算規(guī)則為：

(8)

式中：degreeij為LCNij的進化度;scoreij為LCNij帶有標記的進化模式權重ek總和;mark為CNi所有LCN的權重scoreij總和。將degreeij進行歸一化處理，得到LCNij的最終進化度，其值越大，則其對應的LCNij為CNi更重要的開發(fā)模塊。

3.3 規(guī)范化客戶需求表達

根據(jù)TNM模型，可形成本文所提出的規(guī)范化客戶需求表達，其表達形式為：

〈CN:LCNi1(degreei1)|LCNi2(degreei2)|…

|LCNin(degreein)〉。

(9)

該規(guī)范化客戶需求表達表示了客戶的一種顯性需求，且LCN及其進化度為后續(xù)QFD功能需求的選取以及關系矩陣的確定提供了直接參考。

4 QFD客戶需求權重確定方法

客戶需求權重的確定是QFD識別關鍵模塊的決定性因素，權重反映了客戶需求的重要性，直接影響到今后產(chǎn)品設計的方向。在已有研究的基礎上，本文采用主客觀結合的方法得到客戶需求的最終權重。低耦合需求只影響工程特性的轉換，因此只對規(guī)范化客戶需求表達中的客戶需求進行分析。

4.1 數(shù)據(jù)驅動的客觀權重確定

本文設定主題個數(shù)與需求個數(shù)相等，在進行需求權重的計算時，由于客戶的關注點更多在需求主題上，本文認為需求主題在一定程度上代表了需求的重要度，因此將需求主題的權重作為產(chǎn)品的客戶需求權重。

參考ALDA模型得到的主題結果，將一個主題中前5個主題詞的權重值的和作為本主題j的權重λj：

(10)

式中：k為主題詞的序號;pjk為與第j個主題相關的主題詞k的概率值。

4.2 基于粗數(shù)的主觀權重確定

文獻[27]中定義描述屬性的值包括n類，記為R={R1,R2,…,Rn}，n類之間存在關系R1

R(X)=Ri;

(11)

R(X)=Ri;

(12)

(13)

(14)

本文將文獻[30]中的改進比例重要度引入粗數(shù)的單值權重轉化工作中，由于2.3節(jié)的詞對相似度在一定程度上反映了該需求的改進比例，可將其運用到改進比例重要度的計算中。在此基礎上，本文增設兩個閾值b1和b2，b1表示改進比例的最大滿意度值，b2表示實現(xiàn)改進比例所需總投入的最大可接受值，b1和b2的值可根據(jù)企業(yè)的實際情況而定。通過比較閾值并考慮客戶需求的改進比例重要度，能夠顯著優(yōu)化區(qū)間權重向單值權重的轉化規(guī)則。

(15)

區(qū)間權重轉化為單值權重的式(14)可改進為：

(16)

式(16)表明：①當改進比例小于企業(yè)最大滿意度值，且總投入已超過最大可接受值時，將該客戶需求的單值權重設為粗數(shù)下限；②當改進比例達到企業(yè)最大滿意度值，且總投入未超過最大可接受值時，將該客戶需求的單值權重設為粗數(shù)上限；③其他情況時，將結合改進比例重要度進行確定，改進比例重要度越大，單值權重越靠近除數(shù)上限，反之亦然。

4.3 客戶需求最終權重確定

(17)

5 實例研究

5.1 QFD客戶需求挖掘

5.1.1 數(shù)據(jù)采集與預處理

選取手機作為本文實例研究中的工業(yè)產(chǎn)品，參考華為公司近3年發(fā)布的手機，最終選取華為P20 6 G(RAM)+64 G(ROM)系列作為實例的具體產(chǎn)品對象。本文爬取了共21 175條關于該產(chǎn)品的在線評論，爬取的評論信息包括具體評論、評論作者、評論時間等，并對數(shù)據(jù)進行預處理，得到分詞結果，如圖6所示。

5.1.2 ALDA主題提取

選取已經(jīng)預處理好的21 175條分詞評論作為語料庫，根據(jù)實驗選取產(chǎn)品的主要功能至少包含10種以上，為了準確識別主題，分別設置每一個主題的詞數(shù)為10、15和20進行實驗。實驗表明，主題詞數(shù)為20時效果最佳，最終設置主題數(shù)為14，每一個主題的詞數(shù)為20。通過ALDA模型，分別計算出主題j的詞組和各評論i分詞后詞組映射的Word2Vec坐標，兩詞組坐標之間進行差值平方和，即為主題j與各評論i的歐式距離doc_t[i][j]，并得到200條受關注評論，更新其權重，再執(zhí)行語料庫更新。

表1列舉了在更新訓練后的部分10個主題與受關注評論的歐式距離。通過均值結果顯示，受關注文檔與主題的歐氏距離有顯著的縮小，這表明提取的主題更能貼近受關注評論的觀點，且每篇文檔與主題的歐氏距離最小值均變小，說明受關注評論對某一主題的影響變大，排除了由于距離處于中間值較多而導致均值變小的情況。

表1 高關注度評論與各主題的歐氏距離

將LDA提取到的主題內的詞向量和改進后ALDA提取到的主題內的詞向量進行t-SNE降維，變?yōu)槎S向量，再進行歸一化處理，并進行可視化，實驗結果如圖7所示。

圖7為列舉的10個主題中的主題1，再選取主題1內概率最高的前10個詞，對10個詞進行降維可視化，結果表明改進后主題內詞的聚類效果更好。將提取的所有主題結果進行歸納，形成主題集合{人臉識別，AI拍照，屏幕，照片像素，機身，系統(tǒng)，續(xù)航，手感，充電，游戲速度，指紋識別，音質，信號，內存}。

5.1.3 主題—需求映射

人臉識別、AI拍照、指紋識別3個主題也可作為客戶需求表達，因此不用進行映射過程。除上述3個主題外，選取出現(xiàn)較多的正向情感特征詞作為候選詞與主題進行匹配，通過Word2Vec進行相似度計算，與相似度較大的正向情感特征詞進行結合，形成客戶需求，并按照公式計算改進比例Id，例如對主題“屏幕”的映射如表2所示。

表2 Word2Vec相似度計算

重復上述步驟(如表3)，最后得到客戶需求集合C：{人臉識別；AI拍照；屏幕清晰；照片像素高；機身顏色美觀；系統(tǒng)流暢；續(xù)航持久；手感好；充電快速；游戲順暢；指紋識別；音質高；信號穩(wěn)定；內存大}，及其對應的改進比例。

表3 主題—需求映射

5.2 QFD客戶需求表達

5.2.1 需求映射

結合產(chǎn)品領域知識，可形成產(chǎn)品功能域F：{人臉識別算法；前置攝像頭；后置攝像頭；光圈；智能場景識別；占屏比；屏幕分辨率；屏幕材質；配色美觀；RAM；ROM；GPU；機身材質；機身重量；電池容量；充電功率；CPU；功耗技術；立體外放音質；耳機音質；通訊基帶}等；基于TNM模型映射，形成低耦合需求LCN，如表4所示。

表4 低耦合需求及其進化度確定

5.2.2 進化度計算

根據(jù)TNM模型，進行進化度計算，表5顯示了領域需求“人臉識別”的LCN進化度計算。

表5 進化度矩陣計算

將所有領域需求與進化模式進行相關度匹配，進而計算出LCN的進化度，結果如表4所示。

5.2.3 規(guī)范化客戶需求表達

根據(jù)LCN及其進化度，按照規(guī)則形成規(guī)范化客戶需求表達，如表6所示。

表6 規(guī)范化客戶需求表達

續(xù)表6

5.3 QFD客戶需求權重確定

5.3.1 ALDA主題權重計算

在ALDA主題提取結果的基礎上，選取了部分比較典型的產(chǎn)品需求主題，通過主題下的詞分布可計算主題的權重值，如表7所示。

表7 主題權重計算

最后經(jīng)過歸一化處理，可得到需求主題權重，如表8所示。

表8 主題集合及其權重

續(xù)表8

5.3.2 基于粗數(shù)的單值權重計算

由決策者C1，C2，C3，C4，C5組成評審專家決策群體，對各客戶需求的初始矩陣進行評價。根據(jù)粗數(shù)的計算公式(11)～式(13)，計算出各需求的粗數(shù)，如表9所示。

表9 5個專家對14個需求的重要性評價

根據(jù)式(3)可計算得到各需求的改進比例，其中實現(xiàn)客戶需求滿意度的改進比例所需的總投入Pj可由專家進行打分得到。根據(jù)企業(yè)的實際情況取b1=120%，b2=1.25，再根據(jù)式(16)計算各客戶需求的單值權重，最后經(jīng)過歸一化處理得到主觀權重，如表10所示。

表10 各客戶需求的主觀權重計算

續(xù)表10

上述需求中：①需求1、2、6、14屬于滿足Ij>b1且Pjb2條件、改進重要性小的需求，例如在拍照像素上，該系列產(chǎn)品已處于領先水平，可改進度不高且改進成本較大，可將其權重設為粗數(shù)下限；③其他需求屬于改進重要性處于中等水平的需求，可參考改進比例重要度進行權重確定。

5.3.3 客戶需求最終權重計算

根據(jù)式(17)，在得到客觀需求權重和主觀需求權重的基礎上，根據(jù)經(jīng)驗設置主觀系數(shù)α=0.5，即視客觀權重與主觀權重同等重要，得到需求最終權重，如表11所示，以此輸入到QFD中進行關鍵模塊的分析。

表11 客戶需求權重計算結果

5.4 產(chǎn)品QFD分析

經(jīng)過專家分析得到功能要求和關系度矩陣，圖8展示了華為P20手機的QFD質量屋模型?？蛻粜枨蠛凸δ芤笾g的關系程度使用相對標度1-3-5-7-9規(guī)則表示：1表示弱相關，3表示較弱強度相關，5表示中強度相關，7表示強強度相關，9表示最相關。本文定義的規(guī)范化客戶需求表達為關系度矩陣的確定做出了貢獻。例如，人臉識別的需求表達為<人臉識別：人臉識別算法(0.6)|前置攝像頭(0.1)|GPU(0.3)>，其中低耦合需求人臉識別算法占了較大的進化度，說明開發(fā)“人臉識別算法”功能模塊對于實現(xiàn)“人臉識別”這一客戶需求的作用更大，因此在關系度矩陣中，可將二者關系度設置為9。式(3)也為QFD右屋的改進比例提供了客觀的數(shù)據(jù)，由于改進比例與客戶滿意度競爭能力評估值具有正向關系，其結果也將直接驅動企業(yè)對于產(chǎn)品改進方案的評估與調整。

通過工程措施重要度的比較，可得出產(chǎn)品開發(fā)中的重要功能開發(fā)模塊，結果顯示重要功能開發(fā)模塊包括：高清前置攝像頭、高清后置攝像頭、屏幕材質良好、大RAM、高速GPU、良好機身材質、高速CPU。這些功能要求是從評論數(shù)據(jù)挖掘得到的關鍵模塊，因此具有更大的市場價值，可對其進行改進升級，并作為下一代產(chǎn)品的主打模塊。

6 結束語

本文在大數(shù)據(jù)背景下對產(chǎn)品評論數(shù)據(jù)驅動的QFD客戶需求挖掘進行了研究，主要研究工作和結論如下：

(1)在客戶需求挖掘部分，因為結果完全來源于客戶表達的觀點，所以更加直接地表達了客戶需求，也避免了傳統(tǒng)由人工調研確定需求而造成需求不確定性的問題。

(2)考慮到每條評論數(shù)據(jù)的有用性差異，所提出的ALDA模型通過構建能夠代表每條評論重要度的關注度向量，并經(jīng)過關注度向量更新和語料庫更新兩個步驟，能夠主動挖掘并關注到高價值評論，使挖掘結果更貼合高價值評論的觀點。

(3)定義了規(guī)范的QFD客戶需求表達，所提出的TNM模型能使低耦合需求更加合理、科學，進化度也為后續(xù)QFD關系度矩陣的確定提供了參考。

(4)通過引用改進比例重要度并增設兩個閾值，改進了粗數(shù)中單值權重的轉化規(guī)則。數(shù)據(jù)驅動的需求權重使權重確定更具準確性，降低了主觀意見造成的影響。

本文還選取了一款大規(guī)模定制下的工業(yè)產(chǎn)品進行實例分析，驗證了所提方法的可行性和有效性。本文的數(shù)據(jù)選取是在固定的時間段，挖掘的是靜態(tài)的客戶需求。但在不同時間段，客戶需求會有相應的變動，如何構建動態(tài)的客戶需求挖掘模型以指導產(chǎn)品動態(tài)設計將成為下一步研究的方向。