数据挖掘技术在客户分析中的应用.pdfVIP

数据挖掘技术在客户分析中的应用 1 2 2 祖巧红 胡吉全 陈定方 （1,2.武汉理工大学物流工程学院，武汉 430063） 摘 要：本文对五种数据挖掘预测算法分别进行介绍，并结合实例对各种方法适用的情况进 行了比较，以便在对客户的不同情况进行分析的时候采取有效的预测方法。其中，回归预测 是比较传统的预测方法，常根据历史记录分析得出总体趋势；决策树方法是一种类似于 “枝 丫”形状的 “二分制”数据分析和预测方法，主要用于对数据进行归类分割和预测，来解决 定性分析的问题；神经网络方法主要对客户行为进行分析和预测，从定量的角度进行分析； 聚类和邻点预测方法主要是对未来数据进行预测；规则导引则是从一个样本数据库中发现并 归纳出“数据行为”模式。 关键词：数据挖掘 决策树 神经网络 聚类 邻点预测 1.综述 理论上，数据挖掘技术或方法有很多，技术的 “变种”也不少，数据仓库技术也支持多 种预测模型以便对客户进行相应的分类和分析，针对各种具体情况，采取不同的预测方法是 我们在进行客户分析中非常迫切解决的问题，因此我们有必要对它们进行分析比较。 2．常用的预测方法 2.1 回归预测 回归预测是比较传统的预测方法，是根据历史记录分析得出总体趋势，并将这种趋 势用某种数学方程式表示。利用这个方程式，就可以输入未来的一个或多个变量计算出预测 结果。如果方程式的变量是一次方的，那么就称为直线线性回归，如果是多次方的，称为曲 线线性回归。 最简单的一元线性回归预测预测模型为 Y=a+bX 。 一个实用的一元线性预测模型的建立就是为用户提供一个求解参数 a 和 b 的过程。不断 输入历史数据 X 和 Y 值，反复校准，反复验证，直到求解出误差率最小的参数，并确定 a 和 b 的值。计算机运算大量的数据的能力是非常强大的，利用误差比较法不断对参数进行修正 便可以得到最佳模型。 现 实 生 活 中 问 题 ， 其 预 测 模 型 就 会 变 为 多 元 多 次 的 ， 其 数 学 模 型 为 Y=a+b X +b X +b X +…+b X 。当然对于参数求解法的整个过程还是一样的，对于人脑是 1 1 2 2 3 3 n n 无法想像，但对于可以高速处理数据的电脑，再复杂的模型都是可以得出结果的，至于结果 准确不准确，有赖于历史数据的多寡以及很多其他的“不可测因素”的干扰程度了。 2.2 决策树 决策树是一种类似于“枝桠”形状的“二分制”数据分析和预测方法，主要用于对数据 进行归类分割和预测。决策树运用最多的是，市场营销部门根据客户的特征，对客户大市场 进行“分割”，从而得到相对较小的客户群体。这样市场预算有限的情况下，可以针对性地 -1- 开展市场营销活动，从而节省资金，避免浪费，提高促销活动地汇报率。另外，决策树也广 泛用于其他数据挖掘工具，如神经网络地数据预处理工具，通过对数据地初步探索，找出最 相关地变量集。 图 1 对客户流失情况进行分析预测的决策树例子 图 1 是一个典型的对“流失客户”特征进行分析的决策树，每个“树丫”的生长，表示 了流失客户的进一步划分，直到这个树丫无法继续细分，或者说，这个树丫所代表的客户群 其性质 “相当类似”，任何更多的细分都没有什么意义了，这就是树的 “枝末”，也是最后的 最小分割，如果这种最小分割达到一个客户，就是所谓的 “一对一营销”的理想境界了。营 销人员便可以对一个或多个 “枝末”客户进行促销，以实现留住客户，提高促销成功率的目 的。 决策树的目的是对一个数据样本进行最大限度的分割，也就是让这棵树得到合理生长。 要坐到这一点，对每个节点所提的问题要尽量有效，并且，所有问题要尽量同要探索的业务 目的相关。在对一个数据样本分析之前，如何知