顾客满意度分析模型

自20世纪70年代中期起，专家学者对顾客满意度进行了大量的研究，提出了许多理论模型。其中，奥立佛提出的 “期望一实绩”模型和情感模型，韦斯卜洛克（Robert A Westbrook）和雷利（Michael D Reilly）提出的 “顾客感知的价值差异”模型、ACSI理论模型是较著名的几个模型。

1“期望一实绩”模型

1980年，奥立佛提出了如图1－2所示的 “期望一实绩”模型。奥立佛认为：在消费过程中或消费后，顾客会根据自己的期望，评估产品和服务的实绩。如果实绩低于期望，顾客就会不满意；如果实绩符合或超过期望，顾客就会满意。1982年，美国学者邱吉尔（Gibert A Churchill）和塞普纳（Carol Surprenant）的实证研究结果表明：在许多情况下，期望和实绩都会影响顾客对期望与实绩比较结果的主观感受，也会直接影响顾客满意度。

图1－2 “期望一实绩”模型

2情感模型

根据奥立佛的观点，满意度是顾客在自己的需要得到满足之后产生的心理反应（包括产品和服务没有满足顾客的需要或超额满足顾客的需要而引起的顾客情感反应），在消费过程中或消费后，顾客会根据自己的期望、需要、理想以及其他可能的实绩标准，评估产品和服务。顾客对实绩的评估结果，以及顾客对评估结果的归因，都会影响顾客的情感，顾客的情感会直接影响顾客满意度。此外，美国路易斯安那州立大学助理教授杰亚特（RamaKJayanti）和杰克逊（AJacks）指出，顾客很难根据某些具体的属性评估服务实绩，因此 “期望一实绩”模型并不能全面解释顾客满意度的形成过程。由于顾客亲自参与服务过程，所以企业管理人员在衡量顾客满意度时应参考顾客在消费过程中的情感反应。芬兰学者李佳得（Verouica Liljaneler）和斯占得克（Tore Strandvik）也发现，顾客在消费过程中的情感直接影响顾客的满意程度。奥立佛在不断完善顾客满意度定义的基础上，于2000年提出了如图1－3所示的顾客满意度形成过程模型。

图1－3 顾客满意度形成过程模型

3“顾客感知的价值差异”模型

美国学者韦斯卜洛克和雷利于1984年提出了“顾客感知的价值差异”模型。他们认为：顾客满意度是顾客对自己感觉中的产品和服务实绩与自己需要的消费价值（需要、愿望、期望）进行比较之后产生的一种情绪反应。产品和服务的实绩越符合顾客需要的消费价值，顾客就越满意；产品和服务的实绩越不符合顾客需要的消费价值，顾客就越不满意。但是，韦斯卜洛克和雷利的实证研究方法存在一些的错误。他们的研究结果并不支持他们提出的 “顾客感知的价值差异会直接影响顾客满意程度”的假设。美国康奈尔大学博士汪纯本于1990年在美国对这个模型进行了实证检验，他的研究结果表明，顾客感知的价值差异是影响顾客满意度的重要因素。1991年，美国学者梅耶斯（JamesHMyers）对 “期望一实绩”模型和“顾客感知的价值差异模型”进行了一次比较研究，他的研究结果表明：与实绩和期望之差相比，顾客感知的价值差异对顾客满意度的影响更大。1993年，斯普兰（RichardASpreng）等人的实证研究结果表明：顾客感知的价值差异对顾客满意度有显著影响，而实绩与期望之差对顾客满意程度却没有显著的影响。

4ACSI理论模型

ACSI基于这样一个理论，即顾客满意度同顾客在产品购买前的期望和在产品购买中及购买后的感知有密切关系，并且，顾客的满意程度低或高将会导致两种基本结果：顾客抱怨和顾客忠诚。ACSI使用的是一种由多重指标（问题）支持的6种潜在变量组成的模型（图1－4）。

图1－4 ACSI模型

ACSI的模型显示在6个潜在变量中，顾客期望、顾客对质量的感知和顾客对价值的感知是3个前提变量；顾客满意度、顾客抱怨、顾客忠诚是3个结果变量，前提变量综合影响并决定着结果变量。展开来说就是，顾客满意度是由顾客在购买和使用产品的经历中，产生对产品质量和价值的实际感知，并将这种感知同购买前或使用前的期望值作比较而得到的感受和体验所决定的；若顾客满意度低就将导致顾客抱怨以至投诉，而顾客满意度高就会提高顾客的忠诚程度；如果重视并妥善处理好顾客的投诉，化解了顾客抱怨，同样可以提高顾客忠诚程度。

1） GPT

在Bert 之后，OpenAI 的 GPT-2 就是其中之一。它在文本生成上有着惊艳的表现，其生成的文本在上下文连贯性和情感表达上都超过了人们对目前阶段语言模型的预期。仅从模型架构而言，GPT-2 并没有特别新颖的架构，它和 transformer 的 Decoder 类似。相比较于GPT-1，GPT -2 使用了更大的预料，更大和更深的模型。

从transformer的decoder里移除了decoder对encoder的attention部分。也就是消除掉了seq2seq的过程。

GPT是一个语言模型，每一个时刻只能看见当前时刻前面时刻的信息，是一个auto regressive的过程。

GPT2，hidden state的大小有变化，根据层数的多少有small，medum，large，extra large的划分。

GPT的训练过程是交叉式的预测下一个单词，测试的时候是输入一个句子生成另外一个句子。

GPT的预训练就是训练一个语言模型。而bert的预训练是masked language model和nsp的任务。

GPT由多个decocer block组成，每一个decoder block由masked self-attention和feed forward neural network组成。

一个timestamp的hidden state经过线性层转换为vocab size大小的embedding， 然后经过softmax，算出每个词汇的概率，找出其中概率最大的词作为预测输出，然后下一个时刻的词作为真实输出，计算两者的cross entropy来训练模型。

每一个timestamp后面的位置都mask掉，设置一个负无群大的值，做softmax的时候，该位置的值就为0。

2）总结

transformer decoder的构造

预训练的时候做语言模型的训练

GPT2用更多更深的block

BERT是做NLU，generation做不了

GPT天生就是语言模型，非常适合做generation的任务，在bert里能做的在gpt里也可以做

除了GPT-2 ，GPT-3依旧延续自己的单向语言模型训练方式，只不过把模型尺寸增大到了1750亿，并且使用45TB数据进行训练

由ECT 架构中可知，继续购买意愿是由满意度所影响，而满意度是由期望、绩效及确认等因素所影响。分别说明如下：

1期望(Expectation)　期望是影响满意度的因素之一，因为期望对于消费者形成有关产品或服务评价的判断提供参考标准。所谓的期望，是建立在顾客对于之前的购买经验或亲朋好友的转述或营销人员提供之信息与承诺事项的基础上，是顾客对产品或服务将会发生之情况的预测。Oliver(1981)认为期望包含「发生机率」及「发生之内容评估」，随着消费者对于发生机率和内容评估的个人判断，影响期望的形成。根据此二因素，可将期望分为「高度期望」，即希望发生的事件发生，不希望发生的事 不发生，及「低度期望」，即希望发生的事件不发生，不希望发生的事件发生。　Fornell et al (1996) 研 究认为，第一次购买的消费者在购买前，会先针对想要购买的产品或服务，做外部资料的搜集，如：销售人员的介绍、参考媒体数据或是亲朋好友的口碑等等，但若是再次购买，则除了前述的外部资料的搜集外，另外会加上自己前次购买使用经验的内部信息，当消费者在消费前所搜集的数据愈完整，对于产品或服务的期望就会 愈高。因此，初期阶段的初次使用决策来自于间接经验，相较于来自于直接使用经验的持续使用决策是有所不同的（Venkatesh et al 2000）。

2绩效(Performance)　绩效为一种比较的标准，消费者以此来与期望相比较，用以来评量确认程度。亦即是购买之后，顾客会以所知觉的产品绩效与之前的期望做比较，产生正向或负向的确认，进而影响顾客的满意程度。Oliver and DeSarbo (1988)研究发现，产品绩效的认知对消费者之满意有直接影响，后续的研究亦显示，绩效表现与消费者满意间是正向的关系(Anderson, Fornell and Lehmann,1994; Anderson and Sullivan,1993)。　绩效可以区分为下列三类：「公平绩效(equitable performance)」来自于公平理论(Equity Theory, Adams 1963)，表示以个人的成本和投资与预期报酬的绩效规范标准。「理想产品绩效(ideal product performance)」起源于顾客的偏好和选择的理想点上(Holbrook1984)，表示顾客想象中的最佳产品绩效。「预期产品绩效 (expected productperformance)」起源于预期理论(Expectancy Theory, Tolman 1932)，表示某产品最可能发生的绩效（李敏正，2003）。

3确认(Confirmation)　确认是影响满意度的重要因素。确认是由实际绩效(performance)表现和预期(expectation)的差距而来的，亦即确认系由合并期望与绩效所共同决定的(Churchilland Suprenant, 1982)。　在ECT 的文献中，确认的概念化可分成三种：客观确认(objectiveconfirmation) 、推论确认(infered confirmation) 、知觉确认(perceived confirmation)。 「客观确认」是预期与产品绩效间的客观性差异，亦即为客观的绩效表现与预期间的差异，客观的绩效表现通常被研究者视为已存在。「推论确认」是由预期与绩效表现的差距而来，所以推论确认是研究者从消费者购前与购后的反应推论而得，其计算概念可以是整体绩效水平，或是某一特定产品属性的绩效水平。「知觉确认」 是以消费者主观去评估绩效表现与比较基准的差异，此评估的直接感受，其中包括了心理因素，其测量问题常是绩效表现与预期接受的程度，其测量的尺度常用「比预期的好」及「比预期的差」(邱庆德，2003)。

4满意度(Satisfaction)　Oliver(1980)认为满意度是一种概括的心理状态，发生于情感围绕于不确认的期望和消费者之前有关消费经验的感觉。另外，从社会及应用心理学的角度来看，Oliver(1981)认为满意是初始标准与来自于初始参考点所知觉(perceived)、差距(discrepancy)的函数。易言之，满意度被视为期望(Expectation)水平与确认 （confirmation）的知觉函数。Westbrook(1987)发现，满意度经常被视为购后行为之中介变项，链接了购前选择产品信念到购后选择之认知架构、消费者沟通及再次购买的意愿。

原生家庭是一个人成长中最重要的环境之一，它对个人的成长、个性和心理健康有着深刻的影响

对于那些在原生家庭中受到伤害的人来说，他们可能会带着这些心理创伤一生，所以学会如何治愈原生家庭带来的伤痛，对我们的健康与幸福是至关重要的

1理解情感寄托模型

情感寄托模型（Attachment Theory）是心理学中一种关于个人与他人之间的情感连接方式的理论

它强调个体在童年时期与母亲（或主要照顾者）建立的情感联系对个人的成长和人际关系产生了深远的影响

如果一个人在童年时期缺乏安全的情感寄托，那么他将会在心理上长期承受这种伤害

在这种情况下，治愈原生家庭带来的伤痛的第一步是理解自己与原生家庭之间的情感寄托模型，找到问题的症结所在

2接纳自己的情感

对于那些在原生家庭中受到伤害的人，他们可能会压抑内心的情感和感受，甚至想方设法逃避这些负面情绪

这种做法纵然不利于治愈，却可能会带来更严重的后果，因此，接纳自己的情感是治愈原生家庭带来的伤痛的关键步骤之一

如果一个人能够接纳自己的情感并学会表达出来，那么他就能更好地控制自己的负面情绪，并且不断地与内心进行互动，从而让自己更加健康、坚定

3寻找更高的情感寄托

在情感寄托模型中，如果一个人与原生家庭的情感连接受到伤害，他就可能需要寻找到更高的情感寄托来治愈伤痛

这种情感寄托可以是其他亲属、朋友、情侣、论坛和社交平台等

通过建立新的情感寄托，一个人可以从一个新的角度重新审视自己与原生家庭之间的关系，并逐渐接受自己的伤痛和情感需要

这样做也有助于个人重新建立信任并加强自我保护机制icon

4心理治疗

最后，对于那些伤痛过深的人来说，心理治疗也是一种非常有效的治愈手段

从专业的角度出发，心理治疗可以帮助受伤者更好地处理他们的情感和观念，学会与原生家庭中的人沟通和表达

在心理治疗中，受者不仅能得到专业的指导与治疗，更能够快速、有效地澄清自己的想法和情感，找到更好的治愈方向

治愈原生家庭带来的伤痛并不是一件容易的事情，需要我们的不断努力和探索

但是，只要能够认真面对自己的情感和伤痛，学会寻找新的情感寄托，就能慢慢找回内心的平衡和幸福，最终拥有一个健康、幸福的人生。

人们期盼着能拥有并使用更为人性化和智能化的计算机。在人机交互中，从人操作计算机，变为计算机辅助人；从人围着计算机转，变为计算机围着人转；计算机从认知型，变为直觉型。显然，为实现这些转变，人机交互中的计算机应具有情感能力。情感计算研究就是试图创建一种能感知、识别和理解人的情感，并能针对人的情感做出智能、灵敏、友好反应的计算系统。

情感被用来表示各种不同的内心体验（如情绪、心境和偏好），情绪被用来表示非常短暂但强烈的内心体验，而心境或状态则被用来描述强度低但持久的内心体验。情感是人与环境之间某种关系的维持或改变，当客观事物或情境与人的需要和愿望符合时会引起人积极肯定的情感，而不符合时则会引起人消极否定的情感。

情感具有三种成分：⑴主观体验，即个体对不同情感状态的自我感受；⑵外部表现，即表情，在情感状态发生时身体各部分的动作量化形式。表情包括面部表情（面部肌肉变化所组成的模式）、姿态表情（身体其他部分的表情动作）和语调表情（言语的声调、节奏、速度等方面的变化）；⑶生理唤醒，即情感产生的生理反应，是一种生理的激活水平，具有不同的反应模式。

概括而言，情感的重要作用主要表现在四个方面：情感是人适应生存的心理工具，能激发心理活动和行为的动机，是心理活动的组织者，也是人际通信交流的重要手段。从生物进化的角度我们可以把人的情绪分为基本情绪和复杂情绪。基本情绪是先天的，具有独立的神经生理机制、内部体验和外部表现，以及不同的适应功能。人有五种基本情绪，它们分别是当前目标取得进展时的快乐，自我保护的目标受到威胁时的焦虑，当前目标不能实现时的悲伤，当前目标受挫或遭遇阻碍时的愤怒，以及与味觉（味道）目标相违背的厌恶。而复杂情绪则是由基本情绪的不同组合派生出来的。

情感测量包括对情感维度、表情和生理指标三种成分的测量。例如，我们要确定一个人的焦虑水平，可以使用问卷测量其主观感受，通过记录和分析面部肌肉活动测量其面部表情，并用血压计测量血压，对血液样本进行化验，检测血液中肾上腺素水平等。

确定情感维度对情感测量有重要意义，因为只有确定了情感维度，才能对情感体验做出较为准确的评估。情感维度具有两极性，例如，情感的激动性可分为激动和平静两极，激动指的是一种强烈的、外显的情感状态，而平静指的是一种平稳安静的情感状态。心理学的情感维度理论认为，几个维度组成的空间包括了人类所有的情感。但是，情感究竟是二维，三维，还是四维，研究者们并未达成共识。情感的二维理论认为，情感有两个重要维度：⑴愉悦度（也有人提出用趋近-逃避来代替愉悦度）；⑵激活度，即与情感状态相联系的机体能量的程度。研究发现，惊反射可用做测量愉悦度的生理指标，而皮肤电反应可用做测量唤醒度的生理指标。

在人机交互研究中已使用过很多种生理指标，例如，皮质醇水平、心率、血压、呼吸、皮肤电活动、掌汗、瞳孔直径、事件相关电位、脑电EEG等。生理指标的记录需要特定的设备和技术，在进行测量时，研究者有时很难分离各种混淆因素对所记录的生理指标的影响。情感计算研究的内容包括三维空间中动态情感信息的实时获取与建模，基于多模态和动态时序特征的情感识别与理解，及其信息融合的理论与方法，情感的自动生成理论及面向多模态的情感表达，以及基于生理和行为特征的大规模动态情感数据资源库的建立等。

欧洲和美国的各大信息技术实验室正加紧进行情感计算系统的研究。剑桥大学、麻省理工学院、飞利浦公司等通过实施“环境智能”、“环境识别”、“智能家庭”等科研项目来开辟这一领域。例如，麻省理工学院媒体实验室的情感计算小组研制的情感计算系统，通过记录人面部表情的摄像机和连接在人身体上的生物传感器来收集数据，然后由一个“情感助理”来调节程序以识别人的情感。如果你对电视讲座的一段内容表现出困惑，情感助理会重放该片段或者给予解释。麻省理工学院“氧工程”的研究人员和比利时IMEC的一个工作小组认为，开发出一种整合各种应用技术的“瑞士军刀”可能是提供移动情感计算服务的关键。而目前国内的情感计算研究重点在于，通过各种传感器获取由人的情感所引起的生理及行为特征信号，建立“情感模型”，从而创建个人情感计算系统。研究内容主要包括脸部表情处理、情感计算建模方法、情感语音处理、姿态处理、情感分析、自然人机界面、情感机器人等。

情境化是人机交互研究中的新热点。自然和谐的智能化的人机界面的沟通能力特征包括：⑴自然沟通：能看，能听，能说，能触摸；⑵主动沟通：有预期，会提问，并及时调整；⑶有效沟通：对情境的变化敏感，理解用户的情绪和意图，对不同用户、不同环境、不同任务给予不同反馈和支持。而实现这些特征在很大程度上依赖于心理科学和认知科学对人的智能和情感研究所取得的新进展。我们需要知道人是如何感知环境的，人会产生什么样的情感和意图，人如何做出恰当的反应，从而帮助计算机正确感知环境，理解用户的情感和意图，并做出合适反应。因此，人机界面的“智能”不仅应有高的认知智力，也应有高的情绪智力，从而有效地解决人机交互中的情境感知问题、情感与意图的产生与理解问题，以及反应应对问题。

显然，情感交流是一个复杂的过程，不仅受时间、地点、环境、人物对象和经历的影响，而且有表情、语言、动作或身体的接触。在人机交互中，计算机需要捕捉关键信息，觉察人的情感变化，形成预期，进行调整，并做出反应。例如，通过对不同类型的用户建模（例如，操作方式、表情特点、态度喜好、认知风格、知识背景等），以识别用户的情感状态，利用有效的线索选择合适的用户模型（例如，根据可能的用户模型主动提供相应有效信息的预期），并以适合当前类型用户的方式呈现信息（例如，呈现方式、操作方式、与知识背景有关的决策支持等）;在对当前的操作做出即时反馈的同时，还要对情感变化背后的意图形成新的预期，并激活相应的数据库，及时主动地提供用户需要的新信息。

情感计算是一个高度综合化的技术领域。通过计算科学与心理科学、认知科学的结合，研究人与人交互、人与计算机交互过程中的情感特点，设计具有情感反馈的人机交互环境，将有可能实现人与计算机的情感交互。迄今为止，有关研究已在人脸表情、姿态分析、语音的情感识别和表达方面取得了一定的进展。

目前情感计算研究面临的挑战仍是多方面的：⑴情感信息的获取与建模，例如，细致和准确的情感信息获取、描述及参数化建模，海量的情感数据资源库，多特征融合的情感计算理论模型；⑵情感识别与理解，例如，多模态的情感识别和理解；⑶情感表达，例如，多模态的情感表达（图像、语音、生理特征等），自然场景对生理和行为特征的影响；⑷自然和谐的人性化和智能化的人机交互的实现，例如，情感计算系统需要将大量广泛分布的数据整合，然后再以个性化的方式呈现给每个用户。

情感计算有广泛的应用前景。计算机通过对人类的情感进行获取、分类、识别和响应，进而帮助使用者获得高效而又亲切的感觉，并有效减轻人们使用电脑的挫败感，甚至帮助人们理解自己和他人的情感世界。计算机的情感化设计能帮助我们增加使用设备的安全性，使经验人性化，使计算机作为媒介进行学习的功能达到最佳化。在信息检索中，通过情感分析的概念解析功能，可以提高智能信息检索的精度和效率。

展望现代科技的潜力，我们预期在未来的世界中将可能会充满运作良好、操作容易、甚至具有情感特点的计算机。