企业crm系统中决策树算法的每应用.doc

企业CRM系统中决策树算法的应用 河北金融学院 郭佳 许明 保定市科技局《基于数据挖掘的客户关系管理系统应用研究》09ZG009 摘要：客户资源决定企业的核心竞争力，更多的关心自己的销售群体，并与之建立良好的、长期的客户关系，提升客户价值，对全面提升企业竞争能力和盈利能力具有重要作用。本文以某企业销售业绩为对象，利用决策树分类算法，得到支持决策，从而挖掘出理想客户。 关键字：客户关系管理；数据挖掘；分类算法 决策树分类是一种从无规则、无序的训练样本集合中推理出决策树表示形式的分类规则的方法。该方法采用自顶向下的比较方式，在决策树的内部结点进行属性值的比较，然后根据不同的属性值判断从该结点向下的分支，在决策树的叶结点得到结论。 本文主要研究决策树分类算法中ID3算法在企业CRM系统中的应用情况。 1.ID3算法原理 ID3 算法是一种自顶向下的决策树生成算法，是一种根据熵减理论选择最优的描述属性的方法。该算法从树的根节点处的训练样本开始，选择一个属性来区分样本。对属性的每一个值产生一个分支。分支属性的样本子集被移到新生成的子节点上。这个算法递归地应用于每个子节点，直到一个节点上的所有样本都分区到某个类中。 2.用于分类的训练数据源组 数据挖掘的成功在很大程度上取决于数据的数量和质量。我们应从大量的企业客户数据中找到与分析问题有关的，具有代表性的样本数据子集。然后，进行数据预处理、分析，按问题要求对数据进行组合或增删生成新的变量，从而对问题状态进行有效描述。 在本文研究的企业数据中，是将客户的年龄概化为“小于等于30”、“30到50之间”和“大于50”三个年龄段，分别代表青年、中年和老年客户，将产品价格分为高、中、低三档等，详见表1，将企业CRM系统数据库中销售及客户信息汇总为4个属性2个类别。4个属性是客户年龄段、文化程度、销售地区、产品档次，类别是销售业绩，分为好和差两类。 表1训练样本集合 表训练数据中各属性的说明 ，所以初始信息熵为： I(s1,s2) = I(18,8)= 0.8905 然后计算客户年龄、文化程度、产品档次和销售区域4个属性的熵。首先观察age属性的每个样本值的good、bad分布，分别计算每个分布的信息熵： 当age=30：s11=9 s21=2时， I(s11,s21)= - 当age在 31-50间：s12=8 s22=4时，I(s12,s22)= - 当age=50：s13=1 s23=2时，I(s13,s23)= - 若按age划分样本，所需的信息熵为： E(age)==0.8192 类似的，可以得到： E(education)= =0.7669 E(production)= =0.853 E(area)= 通过以上属性，对当前分支节点进行相应样本集合划分，从而获得的信息增益分别为： Gain(age) = I(s1,s2)- E(age) =0.8905-0.8192=0.0713 Gain(education) = I(s1,s2)- E(education) =0.8905-0.7769=0.1236 Gain(production) = I(s1,s2)- E(production) =0.8905-0.853=0.0375 Gain(area) = I(s1,s2)- E(area) =0.8905-0.783=0.1075 Gain(equipment) =1.576 - 0.873 = 0.703 从计算结果得到education属性具有最高信息增益，因此education属性成为决策树根节点的测试属性。如下图所示： 1 I =30 low bad 2 I =30 high good 3 Ⅱ=30 medium bad 4 Ⅱ =30 high good 15 I 31-50 high good 16 I 31-50 medium good 17 I 31-50 low good 18 Ⅱ31-50 high bad 19 Ⅱ31-50 low bad 8 I =30 high good 9 I =30 medium good 10 Ⅱ=30 medium good 11 I =30 low good 12 I 31-50 medium good 13 Ⅱ31-50 medium good 14 I 31-50 low bad 22 Ⅱ 31-50 high bad 23 I 31-50 high good 24 I =50 high bad 25 Ⅱ =50 high bad 26 I =50 medium good 5 I =30 high good 6 I =30 low good 7