大數(shù)據(jù)下基于決策樹算法的企業(yè)客戶關系管理研究

賴錦柏

摘 要：1980年，在阿爾文·托夫勒的著作《第三次浪潮》中作出了如下的預測：未來的世界是被數(shù)據(jù)信息包圍的世界。他將大數(shù)據(jù)形容成“第三次浪潮的華彩樂章”，全新的、將永久改變?nèi)祟愃悸?、生存方式的革新將圍繞數(shù)據(jù)資源展開。正如其所言，時至今日大數(shù)據(jù)的時代已經(jīng)到來，伴隨著大數(shù)據(jù)一起到來的是機器學習、數(shù)據(jù)挖掘和商業(yè)智能在各個領域的運用。同時，大數(shù)據(jù)時代的社會輿情又與傳統(tǒng)的社會輿論有所區(qū)別。在這一背景下，當企業(yè)面臨各類客戶時，如何進行客戶關系管理成了當下的重點研究課題。在數(shù)據(jù)挖掘的各類算法中，決策樹算法是比較優(yōu)秀的一種，通過決策樹算法，能夠幫助企業(yè)更快地定位相關客戶群體，從而進行更優(yōu)決策。

關鍵詞：大數(shù)據(jù);數(shù)據(jù)挖掘;決策樹算法;客戶關系管理

中圖分類號：F272? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2022）09-0008-03

一、研究綜述

（一）大數(shù)據(jù)的定義

1980年，阿爾文·托夫勒在《第三次浪潮》一書里預測未來的生活是被數(shù)據(jù)信息包圍著的全球，將大數(shù)據(jù)形容成“第三次浪潮的華彩協(xié)奏曲”，人們將緊緊圍繞公共數(shù)據(jù)進行新一輪的技術革命。而隨著大數(shù)據(jù)應用的發(fā)展趨勢，大數(shù)據(jù)的內(nèi)涵又有新的論述。Wiki百科對大數(shù)據(jù)的表述就是指所涉及的數(shù)據(jù)規(guī)模極大到?jīng)]法根據(jù)現(xiàn)階段流行工具軟件，在有效時間內(nèi)采擷、管理方法、解決和梳理有關商業(yè)資訊，進而合理地協(xié)助公司完成運營管理決策提升的總體目標。海外學者Tien James認為大數(shù)據(jù)便是一個專業(yè)名詞，適用于數(shù)據(jù)集，其規(guī)模在現(xiàn)階段除能用專用工具計量檢定的能力以外，對數(shù)據(jù)信息開展搜集、瀏覽、剖析或程序流程運用都可以調(diào)控在有效的時間段內(nèi)。

（二）大數(shù)據(jù)時代輿論的特征

隨著大數(shù)據(jù)時代的到來而產(chǎn)生的網(wǎng)絡輿情與傳統(tǒng)的輿情有所不同，但又有著一些相似之處，網(wǎng)絡輿情的形成大致有“沉默的螺旋”“蝴蝶效應”“滾雪球”“群體極化”等幾種傳播學經(jīng)典理論。根據(jù)“沉默螺旋”理論，大多數(shù)人都是受大眾心理的驅(qū)使，盡量避免孤立自己獨特的觀點來面對網(wǎng)絡主流的、即使是未必正確的輿論?！昂钡睦碚搫t是傳統(tǒng)蝴蝶效應的延伸，認為網(wǎng)絡上一些微不足道的輿情都有可能發(fā)展成公眾關注的熱點與焦點。“滾雪球”理論指出，根據(jù)網(wǎng)民的“好奇心”和“關注”，一些問題會從地區(qū)問題轉(zhuǎn)變?yōu)楫a(chǎn)業(yè)問題，甚至向國際問題轉(zhuǎn)變。群體極化理論的觀點是網(wǎng)民在遇到話題時會代入自身的主觀感情從而對問題的看法有所偏頗，而在其他群體成員的認同下，導致了其輿論向極端發(fā)展，進而構成了輿論的非理性，最終影響了整個群體的輿論。

（三）數(shù)據(jù)挖掘的內(nèi)涵

數(shù)據(jù)挖掘也叫作資料勘探，其內(nèi)涵是從極其龐雜的數(shù)據(jù)中將埋藏在內(nèi)的具有某些特定關系的相關內(nèi)容進行自動化檢索的進程。數(shù)據(jù)挖掘是以一個全新的角度為立足點，將各種信息技術性開展合理結合，同時結合發(fā)展趨勢而成的能夠?qū)Υ罅康臉I(yè)務流程數(shù)據(jù)信息開展較為系統(tǒng)的剖析和篩選的合理專用工具，主要是協(xié)助企業(yè)從不斷更替并累積起來的數(shù)據(jù)信息中挑選對企業(yè)本身有效的信息，數(shù)據(jù)挖掘?qū)⑵髽I(yè)制定的業(yè)務流程總體目標為根據(jù)，對全部商業(yè)服務大環(huán)境中的海量信息開展數(shù)據(jù)分析，從而篩選出對本身有使用價值的數(shù)據(jù)信息，為企業(yè)能夠更好地開展商業(yè)服務、管理決策提出合理的根據(jù)。

運用數(shù)據(jù)挖掘?qū)Ａ繑?shù)據(jù)信息開展挖掘的分析方法有很多，主要是歸類、多元回歸分析、聚類算法、關聯(lián)規(guī)則、特征分析、轉(zhuǎn)變和誤差值剖析、Web網(wǎng)頁挖掘等，不同的分析方法可以從多角度對數(shù)據(jù)信息開展挖掘，使結果更加精準。

（四）決策樹算法

決策樹算法是一種依據(jù)已知的概率，即樣品數(shù)據(jù)具有不同的特性，形成可以用于分析對象的一種算法。數(shù)據(jù)分類算法家族中，決策樹算法都是用于確定決策的經(jīng)典算法。首先，所有數(shù)據(jù)特性都被視為包含所有特性的樹木節(jié)點。統(tǒng)計的如果是一個橫向特性，關于分點數(shù)據(jù)的信息被記錄為純度的基礎，以便將節(jié)點劃分。第二，比較已登記數(shù)據(jù)的特點，確定最佳特點，并找出將數(shù)據(jù)集從樣本中隔開的分界點。最后，決策樹按照這些規(guī)則建立。

決策樹算法的基本思想是利用屬性選擇度量（ASM）來確保屬性是決策節(jié)點，并將數(shù)據(jù)集分割成更小的子集，使數(shù)據(jù)集被分割成更小的子集，思想是選擇最好的屬性來劃分。通過遞歸，對每一個子集重復這個過程，就滿足了其中一個條件，可以開始構建樹形結構，直到用來劃分數(shù)據(jù)的屬性選擇度量的最佳分割標準集合，它是一種啟發(fā)式算法，也稱為分割規(guī)則。這是因為它有助于確定給定節(jié)點上元組的斷點，其過程如圖1所示。

用決策樹學習的核心問題之一是特征的區(qū)分。經(jīng)典的三種情況可以得出三種有代表性的決策樹算法。

同時，決策樹算法可以較好地應對過擬合的風險，可通過“剪枝”來一定程度避免因決策分支過多，以至于把訓練集自身的一些特點當作所有數(shù)據(jù)都具有的一般性質(zhì)而導致的過擬合，進而提高決策樹的泛化能力，而“剪枝”又可以分為先剪枝和后剪枝兩種方案。

二、模型構建

（一）指標選擇

以消費者為對象，對其采用問卷調(diào)查的形式，針對影響消費者對品牌好感度的因素分析，選定的評價指標應力求全面反映消費者對品牌的好感。對品牌評價進行決策樹分析，最終將指標分為：K1，即商品價格;K2，即商品使用壽命;K3，即商品售后;K4，即網(wǎng)絡上該商品的普遍評價;K5，即對該商品的感受。并對10種商品進行商品體驗。其中將K1分為5級：A為0～100元;B為100～300元;C為300～500元;D為500～1 000元;E為1 000元以上;將其他四個評價等級也分為5級，分別為：A為優(yōu)秀（90—100）;B為良好（80—90）;C為中等（70—80）;D為合格（60—70）;E為不合格（<60）;獲得10種商品評價如表4所示。

（二）模型構建

通過表4所示的評價結果，利用ID3算法構成決策樹，部分程序代碼如下：

Print（Start training）

Tree=train（train_features，train_labels，list（range（feature_len）））

Time_3=time.time（）

Print（training cost %f second'%（time_3—time_2））

Print（Start predicting）

Tests_predict=predicting（test_features，tree）time_4= time.time（）

Print（predicting cost %f second'%（time_4—time_ 3））

根據(jù)表4中獲得的質(zhì)量評價結果和建立的決策樹，確定樣本期望信息熵為：

I（S）=-log2（）-log2（）-log2（）=1.25775996

對于商品價格K1，存在有Values（K1）=（A，B，C），SA={6，8}，|SA|=2，SB={1，2，3，5，9，10}，|SB|=6，SC={4，7}，|SC|=2，計算獲得商品價格K1條件期望信息，可得到E（K1）=0.758。

比較樣本的信息熵有：Gain（K1）=I（S）-E（K1）=0.503，同理可得到其他屬性的信息熵分別為Gain（K2）=0.607，Gain（K3）=0.476，Gain（K4）=0.432。

比較樣本的信息熵有：Gain（K2）>Gain（K1）>Gain（K3）>Gain（K4）?？梢钥闯?，樣本中商品使用壽命屬性信息增益具有做大值，因此選擇教學內(nèi)容K2作為根節(jié)點測試屬性，在每個值根節(jié)點創(chuàng)建分支，并基于ID3從根節(jié)點進行進一步細分。若根節(jié)點到當前節(jié)點路徑包含了所有樣本的全部屬性，或?qū)儆谕挥柧殬颖緦?，則算法完成，根據(jù)教學內(nèi)容K2測試屬性建立的決策樹形圖如圖1所示。

（三）決策結果

根據(jù)已建立的決策樹可以確定知識的表述形式為：

if（K2=A），then K5=優(yōu)秀;

If（K2=B），then K5=良好;

根據(jù)分析可知，商品使用壽命，即耐用程度K2在商品評價中占主導地位，若商品使用壽命為優(yōu)秀時，獲得的商品評價為優(yōu)秀;若商品使用壽命為良好，則商品評價為良好。因此對商品評價中，商品的質(zhì)量應作為主要的考慮因素，同時兼顧售后等其他樣本。

結語

大數(shù)據(jù)時代對企業(yè)的生存帶來了新機遇，也帶來了很多的挑戰(zhàn)，如何迎合客戶喜好、如何進行更好的售后服務等等，都是企業(yè)要考慮的問題，但企業(yè)應將顧客對商品耐用程度的需求放在首位，應從如何提高商品壽命，降低次品率考慮。

數(shù)據(jù)挖掘?qū)τ诂F(xiàn)代企業(yè)而言是一種可以用于分類客戶、進行產(chǎn)品定位等功能的重要輔助工具，其應用領域仍然有很大的開發(fā)空間。因此，研究人員應不斷深入挖掘數(shù)據(jù)挖掘這一實用工具的應用潛力。

參考文獻：

[1]? 毛國軍，段立娟，王實.數(shù)據(jù)挖掘原理與算法[M].北京：清華大學出版社，2005.

[2]? 王玨，周志華，周傲英.機器學習及其應用[M].北京：清華大學出版社，2006.

[3]? 閆友彪，陳元琰.機器學習的主要策略綜述[J].計算機應用研究，2004，（7）：4-10.

[4]? 王愛平，張功營，劉方.EM算法研究與應用[J].計算機技術與發(fā)展，2009，（9）：108-110.

[5]? 孫志軍，薛磊，許陽明，等.深度學習研究綜述[J].計算機應用研究，2012，（8）：2806-2810.

[6]? 李旭然，丁曉紅.機器學習的五大類別及其主要算法綜述[J].軟件導刊，2019，（7）：4-9.

[7]? 吳玉軒.機器學習算法在金融市場風險預測中的應用[J].信息系統(tǒng)工程，2019，（2）.

[8]? 李赟妮.神經(jīng)網(wǎng)絡模型在銀行互聯(lián)網(wǎng)金融反欺詐中的應用探索[J].金融科技時代，2018，（8）：24-28.

[9]? 王雅靜.銀行個人客戶信用評分模型研究——基于決策樹算法[J].現(xiàn)代商貿(mào)工業(yè)，2015，（19）：6465.

[10]? 嚴蔚敏，李冬梅，吳偉民.數(shù)據(jù)結構：C語言版[M].北京：人民郵電出版社，2011.

[11]? West D.Neural network credit scoring models[J].Computers & Operations Research，2000，（11-12）： 1131-1152.

[12]? Domingosp.The master algorithm：how the quest for the ultimate? learning machine will remake our world[M].England：Reed Business Information Ltd.，2015.

[13]? Sun H.N.，HU X.G.Attribute Selection for Decision Tree Learning with Class Constraint[J].Chemometrics and Intelligent Laboratory Systems，2017，（163）：16-23.

[14]? KE G.L.，Meng Q.，F(xiàn)inley T.，et al.Light GBM： A Highly Efficient Gradient Boosting Decision Tree//Guyon I，Luxburg U V，Bengio S，et al.，eds.Advances in Neural Information Processing Systems 30.Cambridge，USA：The MIT Press，2017：3149-3157.