经济学家

 找回密码
 快速注册

QQ登录

只需一步,快速开始

查看: 760|回复: 1

基于粗糙集数据挖掘技术在客户价值分析技术的应用

[复制链接]
发表于 2012-5-16 05:55 | 显示全部楼层 |阅读模式
                                  
                                  
                                  

                    
                        
                      [摘要] 在企业经营中可以取得客户信息的若干数据,对于如此众多纷繁复杂、凌乱的数据,如何来发现对企业经营决策有用的信息,是一个很重要而且复杂的过程。这里我们需要首先谈到数据挖掘的发展和在价值管理中的应用。
  [关键词] 数据挖掘 粗糙集 客户价值
  
  一、粗糙集概述
  基于粗糙集理论的数据挖掘系统一般由数据准备(包括数据清洗、数据选择、数据预处理、数据表示)、对象分类、对象重要性分析、属性之间的依赖关系分析、基于粗糙集或其拓广理论的数据约简和求核、决策算法、规则生成、规则合并、知识表示、评价等部分组成。
  粗糙集理论作为数据挖掘的一种方法,近年来得到了广泛关注和青睐。这不仅是因为它具有良好的数学基础和性质,而且还因为它恰好反映了人们用粗糙集方法处理不分明问题的常规性,即以不完全信息或知识去处理一些不分明现象的能力,或依据观察、度量到的某些不精确的结果而进行分类数据的能力。
  二、客户价值
  一般而言,客户价值包含两个方面的价值:一是客户对于供应商的价值;二是供应商为客户所提供的价值。前者是指从供应商角度出发,根据客户消费行为和消费特征等变量所测度出的客户能够为企业创造出的价值,它是企业进行客户细分的重要标准。后者是从客户角度出发,对于供应商提供的产品和服务,客户基于自身的价值评价标准而识别出的价值,这一价值在营销学中通常称为客户让渡价值。
  两种价值的概念是基于不同的出发点,所以,从企业角度来看,产品和服务具有较高的客户让渡价值才有可能销售出去,而营销活动的目的就是要增加这一价值,并将高的让渡价值信息传递给客户。而前一种客户价值用于区分不同价值客户,识别那些价值高的客户,有针对性的提供让渡价值,是客户关系管理的基础。
  三、基于粗糙集的决策树技术的客户价值评价
  1.客户价值评价的指标体系
  在整个客户生命周期上管理客户价值是CRM的基本思想,因此,企业在评价客户有价值与否时,不仅要参照该客户当前的价值表现,更重要的是依据其对该客户潜在价值的预测判断。客户当前价值决定了企业当前的赢利水平,是企业感知客户价值的一个重要方面。客户潜在价值关系到企业长远利润,直接影响到企业是否继续投资于该客户关系的一个重要因素。客户价值评价指标体系如图所示。
  图 客户价值评价指标体系结构图
  2.基于粗集的决策树技术的客户价值评价规则的获取
  决策树分析是一种机器学习算法,主要是从大量的历史数据,最好是具有专家认证的数据中,归纳总结隐藏在其中的知识模型,并可通过这个知识模型对新的数据进行预测。决策树算法的最大特点是支持非数值型数据。该方法利用信息论中的信息增益寻找示例数据库中具有最大信息量的属性字段,建立决策树的一个节点,再根据该属性字段的不同取值建立树的分支在每个分支集中重复建立树的下一个节点和分支的过程。树的质量取决于分类精度和树的大小。一般来说,决策树的构造主要由两个阶段组成。第一阶段,建树阶段。选取部分受训数据建立决策树,决策树是按广度优先建立直到每个叶节点包括相同的类标记为止。第二阶段,调整阶段。用剩余数据检验决策树,如果所建立的决策树不能正确回答所研究的问题,我们要对决策树进行调整1剪枝和增加节点直到建立一棵正确的决策树,这样在决策树每个内部节点处进行属性值的比较,在叶节点得到结论。从根节点到叶节点的一条路径就对应着一条规则,整棵决策树就对应着一组析取表达式规则。一般而言,对于给定的样本,从随机取样的样本中抽取中的客户进行决策树模型分析,将剩余的客户用来检验模型的准确度,并列出计算结果和规则。判断其精度的指标是回归评估系数。一般讲,回归评估系数大于时可认为回归拟合比较准确。
  四、结束语
  当今的世界人们面临着越来越海量的数据信息,同时在更多的机遇面前,企业的竞争就需要以更低的成本、更加迅疾的速度做出这样或那样的大量及时而准确的决策。面临这样的世界态势,一个组织或企业要想有活力,并取得丰厚的效益,就要有组织地授权更多的人适时供应他们准确无误的数据信息,并让他们利用更加得心应手,顺应决策者逻辑思维和他的主导作用的工具做出正确的决策。
  随着数据仓库的出现,其面向主题、集成、不可更新、随时间变化等等特性可以更好地支持决策分析的数据集合。传统数据库中的数据用以支持事务处理,属操作型数据而数据仓库中的数据是用以支持分析处理的分析型数据。数据仓库正是为了进行快速而有效地决策分析产生的。随着数据仓库的出现,原有的数据库工具已无法满足需求,数据挖掘正好可以帮助决策者在数据仓库中寻找数据间的潜在关联,发现被忽略的要素,提取隐藏其中的信息,为问题的解决提供更多的知识,辅助决策者进行趋势预测及行为决策。
  我们通过综合运用数据挖掘的模型和技术来对客户价值进行分析,得出的结果应该能够支持管理层做出决策,能够有利于企业的经营目标的实现。但是,建立客户价值管理的决策支持系统的前提是具有以客户为主题的数据仓库。数据仓库能够支持大量的数据存储,快速并行的处理保存历史序列数据,能够进行趋势分析支持数据的集成和综合。所以,以客户为主题的数据仓库才是理想的客户价值管理的决策支持系统数据库,这也是我们建立决策支持系统的基础。
  
  参考文献:
  [1]康小东:基于数据仓库的数据挖掘技术.北京:机械工业出版社:2004
  [2]李雄飞李军:数据挖掘与知识发现.北京:高等教育出版社:2003
  [3]王实高文:数据挖掘中的聚类方法[J].计算机科学,2000,(4)
  注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

                        
发表于 2012-8-23 14:04 | 显示全部楼层
好象关心数据挖掘的人很少,支持一下楼主
回复 支持 反对

使用道具 举报

关闭

广告上一条 /1 下一条

小黑屋|手机版|南康家具|家具批发|整体橱柜|经济学家 赣ICP备11002034号

GMT+8, 2017-8-18 22:24 , Processed in 0.337852 second(s), 20 queries .

Powered by Discuz! X3.3

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表