本公开涉及用户调查技术，尤其涉及一种用户满意度调查方法、装置、设备及计算机可读存储介质。
背景技术：
随着互联网技术的发展，互联网普及率的不断提升，我国网络购物用户规模的不断扩大，网络购物已逐步成为了人们日常生活中不可缺少的组成部分，且已经成为国民经济重要组成部分。
b2c购物网站服务质量的优劣直接影响网络购物顾客的满意度及至认可度，互联网 新形势下，随着市场透明度和企业、客户、竞争者间的距离不断缩小，充分了解影响顾客满意度的代表性因素，对于在线企业提高服务质量获得竞争优势意义重大，才能在激烈的竞争环境中脱颖而出，占取并扩大市场份额。
现有技术中，可以通过专家意见或者小组讨论方式，来研究目标人群的态度、动机和行为习惯等放面的问题，进而确定满意度的影响因素；还可以通过调查问卷方式采集用户的满意度信息。
但是，专家意见或者小组讨论方式虽然具有一定价值，但是具有较强的主观性，难以量化证明；而问卷方式过于直接，且停留在数字的表面，调查量表设计方式过于机械化，不具有代表性。因此，通过现有技术中调查顾客满意度的方案得到的顾客满意度结果不够准确。
技术实现要素：
本公开提供一种用户满意度调查方法、装置、设备及计算机可读存储介质，以解决现有技术中调查顾客满意度的方案得到的顾客满意度结果不够准确的问题。
本公开的第一个方面是提供一种用户满意度调查方法，包括：
根据预设指标项确定第一调查问卷，并根据所述第一调查问卷得到第一调查结果；
根据所述第一调查结果确定所述预设指标项对应的目标属性类别；
根据所述属性类别确定目标指标项，并根据所述目标指标项确定第二调查问卷；
根据所述第二调查问卷得到第二调查结果；
根据所述第二调查结果确定所述目标指标项对应的第二属性类别，并根据所述目标指标项对应的第二属性类别确定所述目标指标项的重要度调整系数。
本公开的另一个方面是提供一种一种用户满意度调查装置，包括：
第一调查模块，用于根据预设指标项确定第一调查问卷，并根据所述第一调查问卷得到第一调查结果；
第一确定模块，用于根据所述第一调查结果确定所述预设指标项对应的目标属性类别；
第二确定模块，用于根据所述属性类别确定目标指标项，并根据所述目标指标项确定第二调查问卷；
第二调查模块，用于根据所述第二调查问卷得到第二调查结果；
系数确定模块，用于根据所述第二调查结果确定所述目标指标项对应的第二属性类别，并根据所述目标指标项对应的第二属性类别确定所述目标指标项的重要度调整系数。
本公开的又一个方面是提供一种用户满意度调查设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的用户满意度调查方法。
本公开的又一个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的用户满意度调查方法。
本公开提供的用户满意度调查方法、装置、设备及计算机可读存储介质的技术效果是：
本公开提供的用户满意度调查方法、装置、设备及计算机可读存储介质，包括根据预设指标项确定第一调查问卷，并根据第一调查问卷得到第一调查结果；根据第一调查结果确定预设指标项对应的目标属性类别；根据属性类别确定目标指标项，并根据目标指标项确定第二调查问卷；根据第二调查问卷得到第二调查结果；根据第二调查结果确定目标指标项对应的第二属性类别，并根据确定结果确定目标指标项的重要度调整系数。本公开提供的方法、装置、设备及计算机可读存储介质，能够基于第一次调查问卷结果确定出对用户满意度较大的目标指标项，并基于目标指标项进行第二次问卷调查，得到第二调查结果，再对第二调查结果进行整理，划分出用户反馈结果对应的更细的第二属性类别，并根据目标指标项对应的第二属性类别确定目标指标项的重要度调整系数，进而确定出各个目标指标项对用户满意度的影响。
附图说明
图1为本发明一示例性实施例示出的用户满意度调查方法的流程图；
图1a为本发明一示例性实施例示出的kano模型输出结果的示意图；
图2为本发明另一示例性实施例示出的用户满意度调查方法方法的流程图；
图2a为本发明一示例性实施例示出的满意度系数转化前后的示意图；
图3为本发明一示例性实施例示出的用户满意度调查装置的结构图；
图4为本发明另一示例性实施例示出的用户满意度调查装置的结构图；
图5为本发明一示例性实施例示出的用户满意度调查设备的结构图。
具体实施方式
对于够物平台来说，平台所提供的功能影响着用户的满意度，而具体哪些功能会提高用户的满意度，哪些功能会导致用户的满意度差则需要基于用户调查的方式获取，例如问卷调查，并根据调查结果确定出能够提高用户满意度的功能。
图1为本发明一示例性实施例示出的用户满意度调查方法的流程图。
如图1所示，本实施例提供的用户满意度调查方法包括：
步骤101，根据预设指标项确定第一调查问卷，并根据第一调查问卷得到第一调查结果。
本实施例提供的方法中，可以预先设置一些指标项，这些指标项可能会影响用户体验，进而影响用户的满意度。
首先，可以mug模型为基础(mug模型是微软根据市场调查研究所提出的一种针对网站评价模型，该模型包含网站内容、网站的易使用性、促销、网站定制服务以及情感因素这五大类指标)，根据b2c购物网站本身的特点，并从用户感知角度出发构建顾客满意度研究假设模型；还可以基于该研究假设模型确定具体的预设指标项，例如，可以剔除重复交叉的指标项等。
还可以根据研究假设模型设计第一调查问卷，可借助相关第三方平台或纸质的量表实施调研，得到调研数据。
具体的，可以根据kano模型涉及第一调查文件，kano模型是东京理工大学教授狩野纪昭(noriakikano)发明的对用户需求分类和优先排序的有用工具，以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系。在调查问卷中可以对指标项提出正面以及负面的问题，例如，在购物平台中增加预设指标项对应的a功能，顾客满意度是不满意、可以忍受、一般、就应该这样、满意，在购物平台中取消预设指标项对应的a功能，顾客满意度是不满意、可以忍受、一般、就应该这样、满意。
可以在网络中发布该调查问卷，用户可以填写调查问卷，从而返回第一调查结果。还可以印制纸质的调查问卷，在街头进行调查，也能够得到第一调查结果。
步骤102，根据第一调查结果确定预设指标项对应的目标属性类别。
进一步的，可以对第一调查结果进行整理，确定出用户对每个预设指标项的态度。例如，当大部分用户认为增加某一预设指标项对应的功能会满意，取消该功能会不满意，则可以认为该预设指标项是期望型属性。
如下表所示，可以根据用户的回复结果，针对每个预设指标项都设置如下表格，并根据该表格确定出预设指标的目标属性类别。
表1
其中，表格内可以填写概率，也可以填写具体的数值。概率是指处于某一单元格所对应的用户状态占总用户的比例，例如共调查100个用户，对其中一个预设指标项的反馈结果为具备很喜欢、不具备很不喜欢的用户数量为10，则上述表格左下角的位置填写0.1。若直接填数值，则上述表格左下角的位置填写10。
具体的，每个单元格还可以有对应的属性类别，例如，对于一个预设指标项，具备很喜欢、不具备很不喜欢对应的属性类别可以是期望属性。具体可以如下表所示：
表2
其中，a代表魅力属性，指不会被顾客过分期望的需求。对于魅力型需求，随着满足顾客期望程度的增加，顾客满意度也会急剧上升，但一旦得到满足，即使表现并不完善，顾客表现出的满意状况则也是非常高的。反之，即使在期望不满足时，顾客也不会因而表现出明显的不满意。
m代表必备属性，是顾客对企业提供的产品或服务因素的基本要求。是顾客认为产品“必须有”的属性或功能。当其特性不充足时，顾客很不满意；当其特性充足时，顾客也可能不会因而表现出满意。
o代表期望属性，是指顾客的满意状况与需求的满足程度成比例关系的需求，此类需求得到满足或表现良好的话，客户满意度会显著增加，当此类需求得不到满足或表现不好的话，客户的不满也会显著增加。
i代表无差异属性，不论提供与否，对用户体验无影响。是质量中既不好也不坏的方面，它们不会导致顾客满意或不满意。
r代表反向属性，指引起强烈不满的质量特性和导致低水平满意的质量特性，因为并非所有的消费者都有相似的喜好。许多用户根本都没有此需求，提供后用户满意度反而会下降，而且提供的程度与用户满意程度成反比。
q代表可疑结果，指正常情况下不应存在的结果，例如对于一个预设指标项，不可能具备该指标用户很喜欢，不具备也很喜欢，因此，可以认为这种是用户乱答或误答的情况。
具体的，对于同一预设指标项，可以将其中属于同一类属性的概率或数值进行叠加，从而计算出同一属性类别对应的参数，再将参数最大的属性类别确定为预设指标项对应的目标属性类别。
进一步的，若有一些指标项的概率值较为相近，那么直接基于最大值的方式确定其属性则会不准确，此时，可以根据第一调查结果对预设指标项进行聚类，确定出与该预设指标项最为相近的近似指标，并将近似指标所属的类别确定为该预设指标项的类别。基于调查结果对预设指标项进行聚类，也就是基于用户对各个指标项反馈的态度进行聚类，因此，若两个指标项相近，则可以认为用户对二者的态度相似，因此，可以认为他们属于同一类别。
步骤103，根据属性类别确定目标指标项，并根据目标指标项确定第二调查问卷。
图1a为本发明一示例性实施例示出的kano模型输出结果的示意图。
如图1a所示，魅力需求和必备需求对用户满意度影响较大。因此，可以将属于魅力属性(a)、期望属性(o)、必备属性(m)的预设指标项确定为目标指标项。并基于目标指标项涉及第二调查问卷。第二调查问卷与第一调查问卷的设计方式类似。
步骤104，根据第二调查结果确定目标指标项对应的第二属性类别，并根据目标指标项对应的第二属性类别确定目标指标项的重要度调整系数。
其中，可以对第二调查结果进行整理，得到如表1所示的结果。可以在其中填写概率值或数值，用于表示属于每个单元格的用户数量。
具体的，由于此次调查问卷是针对魅力属性、必备属性以及期望属性的预设指标项，因此，可以认为调查结果中大部分用户会处于这三个单元格内。
进一步的，从图1a中可以看出，魅力属性、必备属性与满意度的关系是非线性的，无法直接计算出这些属性对应的预设指标项在调整后用户的满意度变化情况，因此，可以对第二调查结果中的魅力属性、必备属性进行细分，得到第二属性类别，并基于细分结果，得到目标指标项的重要度调整系数。重要度调整系数越高，说明该目标指标项对用户的满意度影响越大，因此，可以优先调整该目标指标项，从而提高用户的满意度。
实际应用时，可以将魅力属性设置为a1、a2、a3，必备属性设置为m1、m2、m3三个级别。具体的，可以按照表3确定用户对目标指标项的态度以及属性类别的对应关系。
表3
基于本步骤，可以对属性类别进一步的细分，从而提高确定指标项归类的准确度。
其中，可以针对每个指标项的a1和a2计算出调整系数，该调整系数可以认为是当该预设指标项所述类别从a1调整为a2时，其满意度变化情况，还可以计算针对每个指标项的a1和a3计算出调整系数，再根据这两个调整系数确定整体的重要度调整系数。完整的调整系数可以包括a1调整为a2时、a2调整为a3时的调整系数。
本实施例提供的方法用于对用户的满意度进行调查，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。
本实施例提供的用户满意度调查方法，包括根据预设指标项确定第一调查问卷，并根据第一调查问卷得到第一调查结果；根据第一调查结果确定预设指标项对应的目标属性类别；根据属性类别确定目标指标项，并根据目标指标项确定第二调查问卷；根据第二调查问卷得到第二调查结果；根据第二调查结果确定目标指标项对应的第二属性类别，并根据确定结果确定目标指标项的重要度调整系数。本实施例提供的方法，能够基于第一次调查问卷结果确定出对用户满意度较大的目标指标项，并基于目标指标项进行第二次问卷调查，得到第二调查结果，再对第二调查结果进行整理，划分出用户反馈结果对应的更细的第二属性类别，并根据目标指标项对应的第二属性类别确定目标指标项的重要度调整系数，进而确定出各个目标指标项对用户满意度的影响。
图2为本发明另一示例性实施例示出的用户满意度调查方法方法的流程图。
如图2所示，本实施例提供的用户满意度调查方法，包括：
步骤201，基于kano模型确定包括预设指标项的第一调查问卷，并根据第一调查问卷得到第一调查结果。
其中，第一调查问卷包括多个满意度选项，以使被调查用户在满意度选项中选择预设指标项对应的满意度。
具体的，基于kano模型确定的第一调查问卷中，包括正面提问以及负面提问。第一调查问卷的形式可以如下表所示：
可以针对每一个预设指标项都设置上述表格，从而形成包括每个预设指标项的第一调查问卷。被调查用户可以在表格中勾选满意度选项，对于同一个预设指标项，能够得到每个用户的两个满意度评价信息，一个是具备该功能时用户的满意度，另一个是不具备该功能时用户的满意度。基于这两个维度的满意度信息，能够更准确的确定预设指标项对用户满意度的影响。
进一步的，确定预设指标项的方式与步骤101类似，不再赘述。
可以将第一调查问卷以纸质问卷和/或网络问卷的形式进行发放，并收集用户对问卷的反馈结果，得到第一调查结果。
步骤202，获取预设的满意度选项与属性类别的第一对应关系。
实际应用时，可以预先设置第一对应关系，第一对应关系是指满意度选项与属性类别的对应关系。第一对应关系可以如下表所示
对于一个用户来说，可以基于第一对应关系确定出一个预设指标项对于该用户来说的属性类别，例如，某一个预设指标项对于用户甲是必备属性，对于用户乙则可能是期望属性。
同一个预设指标项的调查结果可能会因人而异，因此，需要对大量的用户进行调查，并基于调查结果确定出能够提高大多数用户满意度的指标项。
步骤203，根据第一调查结果、第一对应关系确定预设指标项属于每个属性类别的概率值。
其中，可以根据第一调查结果、第一对应关系得到预设指标项对于每个用户来说，属于哪种属性类别。具体可以根据第一调查结果在上表中找到对应的单元格，并将单元格中的属性类别作为用户对应的属性类别。例如一个预设指标项对于五个用户来说，分别是魅力属性、魅力属性、魅力属性、魅力、必备属性。
本实施例提供的方案是根据用户反馈信息得到预设指标项对于满意度的影响，因此，可以根据预设指标项对于每个用户来说，属于的属性类别，确定出该预设指标最终的目标属性类别。例如，一个预设指标对于大部分用户来说，都是魅力属性，则可以认为该预设指标属于魅力属性。
进一步的，为了准确的确定预设指标对用户的影响，可以根据每个属性类别对应的用户数量，确定出预设指标项属于每个属性类别的概率值，具体可以用每个属性类别对应的用户数量与调查用户总数量的比值，作为预设指标项属于该属性类别的概率值。例如，共调查了5位用户，一个预设指标项对于其中的4位用户来说是魅力属性，对于其中的1位用户来说是必备属性，则该预设指标项属于魅力属性的概率为80％，属于必备属性的概率为20％。
步骤204，根据概率值确定第一参数以及第二参数。
实际应用时，可以按照每个指标项的隶属度，采用隶属度最大的原则进行分类，即将概率值最大的属性类别确定为预设指标项的属性类别。但是，当预设指标项的两个属性类别概率值相近时，直接采用隶属度最大原则可能会造成结果不准确，例如，某一预设指标项属于魅力属性的概率值是47％，属于必备属性的概率值是45％，若调查人群数量较少，那么一个用户反馈的结果就有可能造成预设指标项所属属性类别不同的情况，这种情况下，若有的用户未认真填写问卷，则会直接造成结果错误的问题。
因此，本实施例提供的方法还根据概率值确定第一参数以及第二参数，并基于第一参数以及第二参数确定预设指标项所属的属性类别。
其中，本实施例提供的方法中，属性类别可以具体包括：魅力属性、期望属性、必备属性、无差异属性、反向属性、可疑结果。
根据概率值确定第一参数以及第二参数可以包括：
确定预设指标项对应的魅力属性、期望属性、必备属性、无差异属性、反向属性、可疑结果对应的总概率和。
具体的，可以根据表格的形式统计预设指标项对应用户满意度结果，并根据表格确定该预设指标项属于各个属性类别的概率值，例如某一预设指标项对应的调查结果可以是：
从中可以看出，用户对于具备某一预设指标项的态度是很喜欢，不具备该预设指标项的态度是很不喜欢的概率值是28.8％。可以根据第一对应关系确定出预设指标项属于每个属性类别的概率值，其中，魅力属性为36.7％，期望属性为28.8％，必备属性为2.9％，无差异属性为21.6％，反向属性为0.7％，可疑结果为9.4％。
可以将每个属性类别的概率值相加，得到总概率和，即将上述概率值进行叠加，得到总概率和为100.1％。
确定预设指标项对应的必备属性、期望属性、魅力属性对应的第一概率和。
其中，可以继续计算第一概率和，第一概率和是指必备属性、期望属性、魅力属性对应的概率值之和，可以得到第一概率和为68.4％。
确定预设指标项对应的概率值中的最大值和最小值，并确定最大值与最小值的差值，在上述例子中，差值为36％。
将第一概率和与总概率和的比值确定为第一参数，将差值与总概率和的比值确定为第二参数。
具体的，可以计算第一概率与总概率和的比值，即68.4％与100.1％的比值68.3％，作为第一参数。还可以计算差值与总概率和的比值，即36％与100.1％的比值35.96％，作为第二参数。
步骤205，根据第一参数、第二参数确定预设指标项是否为待确定指标项。
进一步的，第一参数可以用来表示具备该预设指标项对于提升用户满意度的影响参数，第一参数越高，则可以认为用户对该预设指标项的需求程度越高。第二参数可以用来表示预设指标项属于各个属性类别的平均程度，第二参数值越低，则说明预设指标项属于各个属性类别的概率值越平均。
实际应用时，若第一参数大于等于第一预设值，第二参数小于等于第二预设值，则确定预设指标项为待确定指标项。可以预先设置第一预设值以及第二预设值，例如，第一预设值可以是60％，第二预设值可以是6％。若第一参数大于等于第一预设值，则认为设置预设指标项对应的功能，能够提高用户的满意度，若第二参数小于等于第二预设值，则可以认为预设指标项属于各个属性类别的平均程度，若同时满足这两个条件，则可以认为预设指标项的各个属性类别对应的概率值很相近，少量的用户调查结果就能够改变最终确定的属性类别，此时，则可以认为该预设指标项有可能属于概率值最大的属性类别，也有可能属于概率值次大的属性类别。此时，可以将预设指标项确定为待确定指标项。
若预设指标项不是待确定指标项，则执行步骤206。
步骤206，将最大的概率值对应的属性类别确定为预设指标项对应的目标属性类别。
其中，若预设指标项不是待确定指标项，则可以直接采用最大隶属度原则确定该指标项对应的目标属性类别。
若预设指标项是待确定指标项，则执行步骤207。
步骤207，根据第一调查结果对预设指标项进行聚类处理，确定出与待确定指标项属于同一类别的相似指标项。
其中，本实施例提供的方案是根据用户对各个预设指标项的满意度调查结果确定出的属性类别，用户的满意度决定了各个预设指标项所述的属性类别，因此，可以根据第一调查结果，对预设指标项进行聚类，属于同一类的指标项，其所属的属性类别也相同。可以根据聚类结果，确定出与待确定指标项属于同一类别的相似指标项。
具体的，可以根据满意度选项确定被调查用户对每个预设指标项对应的分值。可以首先根据一个用户对预设指标项的调查结果，确定该指标项对于该用户来说，属于的属性类别，再根据属性类别确定出分值，例如，魅力属性可以是5分，必备属性可以是4分，期望属性可以是3分等。对于第i个被调查用户，第j个预设指标来说，可以用aij表示该预设指标项对应的一个分值，若包括m个用户，则该预设指标项对应的分值可以是a1j…aij…amj。
进一步的，根据分值确定每个预设指标项对应的平均分。可以将同一个预设指标项对应的分值进行叠加，再除以分值数量，从而计算得到平均分，例如，可以将a1j到amj进行叠加，再除以m，得到平均分
实际应用时，根据每个指标项对应的中间参数值，确定预设指标的相关矩阵。首先可以根据中间参数值确定预设指标项的参数，具体可以计算预设指标项的中间参数的平均值，从而得到预设指标项的参数，例如计算
其中，根据相关矩阵中的数值确定与待确定指标项属于同一类别的相似指标项。由于矩阵中的数值是指标项间的关系系数，rij即为第i个预设指标项与第j个预设指标项间的系数值，因此，可以根据该数值确定出相似的指标项。
具体的，可以在相关系数矩阵r中的非对角元素中，按最大元素法找到的最大元素rij所在的行与列的指标项聚为新的一类。按最小的方法计算新类与其他指标项之间的相关系数。假设u1,u2聚为新的一类，则ri,12＝min(ri,1,ri,2)。再判断混合类指标与非混合类指标的相关系数，确定混合类指标的属性归类。
步骤208，将相似指标项对应的目标属性类别确定为待确定指标项对应的目标属性类别。
进一步的，若两个指标类别相似，则可以相似指标项对应的目标属性类别确定为待确定指标项对应的目标属性类别。其中相似指标项不是待确定指标项，即能够采用最大隶属度原则确定该相似指标项的属性类别。
步骤209，将目标属性类别是魅力属性、期望属性、必备属性的预设指标项确定为目标指标项。
由于魅力属性、期望属性、必备属性对用户的满意度系数影响较大，因此，可以重点关注这三类属性的预设指标项，可以将这三类预设指标项确定为目标指标项。
步骤210，基于kano模型确定包括目标指标项的第二调查问卷，并根据第二调查问卷得到第二调查结果。
其中，第二调查问卷包括多个满意度选项，以使被调查用户在满意度选项中选择目标指标项对应的满意度。
确定第二调查问卷的方式与确定第一调查问卷的方式类似，只是包括的指标项不同。当然，也可以直接使用第一调查问卷中的目标指标项对应的内容，确定第二调查问卷。
其中，第二调查结果还可以是根据第二调查问卷，在第一调查结果中筛选得到的。
步骤211，获取预设的满意度选项与第二属性类别的第二对应关系。
本实施例提供的方案中，为了更细化的确定目标指标项对于用户的满意度影响，对属性类别进行了调整，使得属性类别更加丰富。调整后的属性类别为第二属性类别，包括魅力属性一级、魅力属性二级、魅力属性三级、期望属性、必备属性一级、必备属性二级、必备属性三级、无差异属性、反向属性、可疑结果。满意度选项与第二属性类别的第二对应关系可以如下表所示：
其中，魅力属性一级、魅力属性二级、魅力属性三级对于用户满意度的影响逐渐减弱，必备属性一级、必备属性二级、必备属性三级对于用户满意度的影响逐渐减弱。
步骤212，根据目标指标项对于每个被调查用户所属的第二属性类别，确定出目标指标项属于每个第二属性类别的概率值。
具体的，可以整理第二调查结果，并确定每个用户对目标指标项的反馈在上表中对应的单元格，从而确定出对于每个用户来说，该目标指标项属于各个第二属性类别的概率值。
步骤213，根据概率值确定目标指标项当前状态的第一满意度以及目标指标项调整后的第二满意度。
其中，目标指标项当前状态是指产品或服务中，当前对于该目标指标项的设置情况，例如，不具备某一功能。目标指标项调整后的状态是指对该功能进行调整，例如增加该功能。可以根据确定的概率值，分别确定这两个状态的满意度结果。
可以设初始顾客满意度和初始感知满意度分别为s0和p0，调整后的满意度分别为s1和p1，可以根据概率值得到这些参数，其中，s0＝cp0k，s1＝cp1k(c为常数)，能够得到：
设iradj为调整过后的第二满意度，ir0为最初第一满意度，则可以得到：
iradj＝(ir0)1/k
步骤214，根据第一满意度、第二满意度与目标指标项的满意度系数间的预设关系，转化得到线性公式。
步骤215，根据线性公式确定目标指标项的重要度调整系数。
根据iradj＝(ir0)1/k可以得到k值。再对上式进行转化，得到线性公式，具体以魅力属性为例：
令重要度调整系数k等于1/k根据上述公式可得：
ln(radj)＝kln(ir0)
令x＝ln(ir0)，y＝ln(iradj)，即可得到线性转化公式：y＝kx。
图2a为本发明一示例性实施例示出的满意度系数转化前后的示意图。
如图2a所示，转化前，第一满意度与第二满意度间是非线性的关系，转化后，第一满意度与第二满意度是线性的关系。图中k、k a、k a b依次为魅力属性三级、魅力属性二级以及魅力属性一级的重要度调整系数。
其中k、a、b可基于满意度的量表调查获取。
另外，根据细分化属性归类方法，并结合包括细分化的属性分类可知魅力属性三级(a3)、魅力属性二级(a2)以及魅力属性一级(a3)的满意度提升幅度相同，因而可得：
对公式进行转换，可以得到
因此，还可以先确定出k、a的值，再计算出b值。
目标指标项的属性类别从a1调整为a2，重要度调整系数为a，目标指标项的属性类别从a2调整为a3，重要度调整系数为b。相应的，可以计算得到目标指标项的属性类别在m1(必备属性一级)，m2(必备属性二级)，m3(必备属性三级)间调整时的重要度调整系数。最终可以对调整系数排序，从而确定出对用户满意度影响最大的目标指标项。
图3为本发明一示例性实施例示出的用户满意度调查装置的结构图。
如图3所示，本实施例提供的用户满意度调查装置，包括：
第一调查模块31，用于根据预设指标项确定第一调查问卷，并根据所述第一调查问卷得到第一调查结果；
第一确定模块32，用于根据所述第一调查结果确定所述预设指标项对应的目标属性类别；
第二确定模块33，用于根据所述属性类别确定目标指标项，并根据所述目标指标项确定第二调查问卷；
第二调查模块34，用于根据所述第二调查问卷得到第二调查结果；
系数确定模块35，用于根据所述第二调查结果确定所述目标指标项对应的第二属性类别，并根据所述目标指标项对应的第二属性类别确定所述目标指标项的重要度调整系数。
本实施例提供的用户满意度调查装置，包括：第一调查模块，用于根据预设指标项确定第一调查问卷，并根据第一调查问卷得到第一调查结果；第一确定模块，用于根据第一调查结果确定预设指标项对应的目标属性类别；第二确定模块，用于根据属性类别确定目标指标项，并根据目标指标项确定第二调查问卷；第二调查模块，用于根据第二调查问卷得到第二调查结果；系数确定模块，用于根据第二调查结果确定目标指标项对应的第二属性类别，并根据目标指标项对应的第二属性类别确定目标指标项的重要度调整系数。本实施例提供的装置，能够基于第一次调查问卷结果确定出对用户满意度较大的目标指标项，并基于目标指标项进行第二次问卷调查，得到第二调查结果，再对第二调查结果进行整理，划分出用户反馈结果对应的更细的第二属性类别，并根据目标指标项对应的第二属性类别确定目标指标项的重要度调整系数，进而确定出各个目标指标项对用户满意度的影响。
本实施例提供的用户满意度调查装置的具体原理和实现方式均与图1所示的实施例类似，此处不再赘述。
图4为本发明另一示例性实施例示出的用户满意度调查装置的结构图。
如图4所示，在上述实施例的基础上，本实施例提供的用户满意度调查装置，所述第一调查模块31具体用于：
基于kano模型确定包括所述预设指标项的所述第一调查问卷；
其中，所述第一调查问卷包括多个满意度选项，以使被调查用户在所述满意度选项中选择所述预设指标项对应的满意度。
所述第一确定模块32具体用于：
获取预设的所述满意度选项与所述属性类别的第一对应关系；
根据所述第一调查结果、所述第一对应关系确定所述预设指标项属于每个所述属性类别的概率值；
根据所述概率值确定第一参数以及第二参数；
根据所述第一参数、第二参数确定所述预设指标项是否为待确定指标项，若否，则将最大的所述概率值对应的所述属性类别确定为所述预设指标项对应的所述目标属性类别。
若确定所述预设指标项为待确定指标项，则所述装置还包括第三确定模块36，用于：
根据所述第一调查结果对所述预设指标项进行聚类处理，确定出与所述待确定指标项属于同一类别的相似指标项；
将所述相似指标项对应的所述目标属性类别确定为所述待确定指标项对应的所述目标属性类别。
所述第三确定模块36具体用于：
根据所述满意度选项确定所述被调查用户对每个所述预设指标项对应的分值；
根据所述分值确定每个所述预设指标项对应的平均分，并根据所述分值与所述平均分，确定每个所述指标项对应的中间参数值；
根据每个所述指标项对应的中间参数值，确定所述预设指标的相关矩阵；
根据所述相关矩阵中的数值确定与所述待确定指标项属于同一类别的相似指标项；
其中，所述相关矩阵的行数和列数均等于所述预设指标项的项数。
所述属性类别包括：魅力属性、期望属性、必备属性、无差异属性、反向属性、可疑结果；
所述第一确定模块32具体用于：
确定所述预设指标项对应的所述魅力属性、所述期望属性、所述必备属性、所述无差异属性、所述反向属性、所述可疑结果对应的总概率和；
确定所述预设指标项对应的所述必备属性、所述期望属性、所述魅力属性对应的第一概率和；
确定所述预设指标项对应的所述概率值中的最大值和最小值，并确定所述最大值与最小值的差值；
将所述第一概率和与所述总概率和的比值确定为所述第一参数，将所述差值与所述总概率和的比值确定为所述第二参数。
所述第一确定模块32具体用于：
若所述第一参数大于等于第一预设值，所述第二参数小于等于第二预设值，则确定所述预设指标项为待确定指标项。
所述根据所述属性类别确定目标指标项，包括：
将属性类别是所述魅力属性、所述期望属性、所述必备属性的所述预设指标项确定为所述目标指标项。
所述第二确定模块33具体用于：
基于kano模型确定包括所述目标指标项的所述第二调查问卷；
其中，所述第二调查问卷包括多个满意度选项，以使被调查用户在所述满意度选项中选择所述目标指标项对应的满意度。
所述系数确定模块35具体用于：
获取预设的所述满意度选项与第二属性类别的第二对应关系；
根据所述第二调查结果、所述第二对应关系，确定所述目标指标项对于每个所述被调查用户所属的第二属性类别。
所述系数确定模块35具体用于：
根据所述目标指标项对于每个所述被调查用户所属的第二属性类别，确定出所述目标指标项属于每个所述第二属性类别的概率值；
根据所述概率值确定所述目标指标项当前状态的第一满意度以及所述目标指标项调整后的第二满意度；
根据所述第一满意度、所述第二满意度与所述目标指标项的满意度系数间的预设关系，转化得到线性公式；
根据所述线性公式确定所述目标指标项的重要度调整系数。
所述第二属性类别包括：
魅力属性一级、魅力属性二级、魅力属性三级、期望属性、必备属性一级、必备属性二级、必备属性三级、无差异属性、反向属性、可疑结果。
本实施例提供的用户满意度调查装置的具体原理和实现方式均与图2所示的实施例类似，此处不再赘述。
图5为本发明一示例性实施例示出的用户满意度调查设备的结构图。
如图5所示，本实施例提供的用户满意度调查设备包括：
存储器51；
处理器52；以及
计算机程序；
其中，所述计算机程序存储在所述存储器51中，并配置为由所述处理器52执行以实现如上所述的任一种用户满意度调查方法。
本实施例还提供一种计算机可读存储介质，所述计算机程序被处理器执行以实现如上所述的任一种用户满意度调查方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
1.一种用户满意度调查方法，其特征在于，包括：
根据预设指标项确定第一调查问卷，并根据所述第一调查问卷得到第一调查结果；
根据所述第一调查结果确定所述预设指标项对应的目标属性类别；
根据所述属性类别确定目标指标项，并根据所述目标指标项确定第二调查问卷；
根据所述第二调查问卷得到第二调查结果；
根据所述第二调查结果确定所述目标指标项对应的第二属性类别，并根据所述目标指标项对应的第二属性类别确定所述目标指标项的重要度调整系数。
2.根据权利要求1所述的方法，其特征在于，所述根据预设指标项确定第一调查问卷包括：
基于kano模型确定包括所述预设指标项的所述第一调查问卷；
其中，所述第一调查问卷包括多个满意度选项，以使被调查用户在所述满意度选项中选择所述预设指标项对应的满意度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一调查结果确定所述预设指标项对应的目标属性类别，包括：
获取预设的所述满意度选项与所述属性类别的第一对应关系；
根据所述第一调查结果、所述第一对应关系确定所述预设指标项属于每个所述属性类别的概率值；
根据所述概率值确定第一参数以及第二参数；
根据所述第一参数、第二参数确定所述预设指标项是否为待确定指标项，若否，则将最大的所述概率值对应的所述属性类别确定为所述预设指标项对应的所述目标属性类别。
4.根据权利要求3所述的方法，其特征在于，若确定所述预设指标项为待确定指标项，则所述方法还包括：
根据所述第一调查结果对所述预设指标项进行聚类处理，确定出与所述待确定指标项属于同一类别的相似指标项；
将所述相似指标项对应的所述目标属性类别确定为所述待确定指标项对应的所述目标属性类别。
5.根据权利要求4所述的方法，其特征在于，所述对所述预设指标项进行聚类处理，确定出与所述待确定指标项属于同一类别的相似指标项，包括：
根据所述满意度选项确定所述被调查用户对每个所述预设指标项对应的分值；
根据所述分值确定每个所述预设指标项对应的平均分，并根据所述分值与所述平均分，确定每个所述指标项对应的中间参数值；
根据每个所述指标项对应的中间参数值，确定所述预设指标的相关矩阵；
根据所述相关矩阵中的数值确定与所述待确定指标项属于同一类别的相似指标项；
其中，所述相关矩阵的行数和列数均等于所述预设指标项的项数。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述属性类别包括：魅力属性、期望属性、必备属性、无差异属性、反向属性、可疑结果；
根据所述概率值确定第一参数以及第二参数包括：
确定所述预设指标项对应的所述魅力属性、所述期望属性、所述必备属性、所述无差异属性、所述反向属性、所述可疑结果对应的总概率和；
确定所述预设指标项对应的所述必备属性、所述期望属性、所述魅力属性对应的第一概率和；
确定所述预设指标项对应的所述概率值中的最大值和最小值，并确定所述最大值与最小值的差值；
将所述第一概率和与所述总概率和的比值确定为所述第一参数，将所述差值与所述总概率和的比值确定为所述第二参数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一参数、第二参数确定所述预设指标项是否为待确定指标项，包括：
若所述第一参数大于等于第一预设值，所述第二参数小于等于第二预设值，则确定所述预设指标项为待确定指标项。
8.根据权利要求7所述的方法，其特征在于，所述根据所述属性类别确定目标指标项，包括：
将所述目标属性类别是所述魅力属性、所述期望属性、所述必备属性的所述预设指标项确定为所述目标指标项。
9.根据权利要求1所述的方法，其特征在于，所述根据所述目标指标项确定第二调查问卷包括：
基于kano模型确定包括所述目标指标项的所述第二调查问卷；
其中，所述第二调查问卷包括多个满意度选项，以使被调查用户在所述满意度选项中选择所述目标指标项对应的满意度。
10.根据权利要求1所述的方法，其特征在于，所述根据所述第二调查结果确定所述目标指标项对应的第二属性类别包括：
获取预设的所述满意度选项与第二属性类别的第二对应关系；
根据所述第二调查结果、所述第二对应关系，确定所述目标指标项对于每个被调查用户所属的第二属性类别。
11.根据权利要求10所述的方法，其特征在于，所述根据所述目标指标项对应的第二属性类别确定所述目标指标项的重要度调整系数，包括：
根据所述目标指标项对于每个所述被调查用户所属的第二属性类别，确定出所述目标指标项属于每个所述第二属性类别的概率值；
根据所述概率值确定所述目标指标项当前状态的第一满意度以及所述目标指标项调整后的第二满意度；
根据所述第一满意度、所述第二满意度与所述目标指标项的满意度系数间的预设关系，转化得到线性公式；
根据所述线性公式确定所述目标指标项的重要度调整系数。
12.根据权利要求10或11所述的方法，其特征在于，所述第二属性类别包括：
魅力属性一级、魅力属性二级、魅力属性三级、期望属性、必备属性一级、必备属性二级、必备属性三级、无差异属性、反向属性、可疑结果。
13.一种用户满意度调查装置，其特征在于，包括：
第一调查模块，用于根据预设指标项确定第一调查问卷，并根据所述第一调查问卷得到第一调查结果；
第一确定模块，用于根据所述第一调查结果确定所述预设指标项对应的目标属性类别；
第二确定模块，用于根据所述属性类别确定目标指标项，并根据所述目标指标项确定第二调查问卷；
第二调查模块，用于根据所述第二调查问卷得到第二调查结果；
系数确定模块，用于根据所述第二调查结果确定所述目标指标项对应的第二属性类别，并根据所述目标指标项对应的第二属性类别确定所述目标指标项的重要度调整系数。
14.一种用户满意度调查设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-13任一种所述的方法。
15.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如权利要求1-13任一种所述的方法。
技术总结