绩效评价流程及模糊数转换方法

（1）构建客户感知集合

首先确定参与评价的k个客户集合：G={g_k}，并设定粒度为7的客户模糊语言集合：{P（远超期望），H（高于期望），M（完全符合期望），G（基本符合期望），O（不太符合期望），L（低于期望），N（远低期望）}，把客户的初始评价矩阵转化为规范化的模糊语言评价矩阵：

由于采取与期望的对比结果作为评价语言，因此，避免了传统模糊决策中需要考虑绩效型与成本型变量的转化步骤。

（2）客户权重集合

首先结合服务类型与客户特征，从t个角度对客户进行考核：行业地位、合同额度、企业信誉、公正性、社会形象、企业关系、人员素质，定义为集合K=（K₁，K₂，…，K_t），决策者针对集合K的评价集为I=（I₁，I₂，…，I_t），评价采用模糊语言表达，模糊语言判断矩阵定义为A=（a_ij）m×n，a_ij由7个语言元素构成：{非常重要，很重要，重要，一般重要，不太重要，很不重要，非常不重要}，并借助模糊数来表达。

（3）模糊数转换

对模糊评价的比较，应首先把模糊数转换为精确数。这里采用COWA算子的方法，把梯形模糊数转化为所需要的精确数。文献[27]中已经对COWA算子做了如下定义。

在连续区间[a，b]，定义COWA算子f_Q为

其中，Q为基本的单位区间单调函数。

因此，可以借助COWA把模糊数转化为精确实数。如三角模糊数转化公式为

同样，梯形模糊数转化公式为(www.xing528.com)

把得到的精确数归一化，即可得到参评客户的权重。

（4）模糊评价集结

利用下列OWA算子对评价矩阵的属性值进行集结

其中，ω=（ω₁，ω₂，…，ω_n）是与函数OWA相关联的加权向量，ω_j∈[0，1]，j=1，2，…，n，且有；b_j是一组数据（a₁，a₂，…，a_n）中第j大的元素。

得到客户评价方案的综合属性值：

其中，是，，…，中第j个最大的元素，且w是与f相关联的加权向量。

利用优化OWA算子对第t位客户评价方案的综合属性值进行集结，得到该评价方案的群体综合属性值为

其中，是，，…，中第k个最大的元素，且v是与g相关联的加权向量。

（5）绩效指标排序

利用群体综合属性值z_i对绩效指标进行排序，按自底向上的顺序选出最需改进的服务绩效指标，结合客户反馈意见提出改进方案，从而提高客户满意度。