企业CRM系统中决策树算法的应用.pdf

"企业CRM系统中决策树算法的应用" 本文主要研究了企业 CRM 系统中决策树分类算法的应用情况，通过对 ID3 算法的研究，挖掘出理想客户，提升客户价值，提高企业竞争能力和盈利能力。 一、决策树分类算法 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。 二、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。 三、训练数据源 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。 四、数据预处理 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。 五、ID3 算法分类模型的建立 由表 1 可知：类标号属性有两个不同的值，因此有两个不同的类（即 m=2）设类 C1 对应于 good，类 C2 对应于 bad。类 good 有 18 个样本，类 bad 有 8个样本。为了计算每个属性的信息增益，先使用 Is1,s2,,sm 以初始信息熵为：I(s1,s2) = I(18,8)=181888log2log226262626 p log p ，所i2ii 1826826188log2log2*0.53 *1.7  0.8905261826182626 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=9s21=2 时， I(s11,s21)= - 9922log2log2111111118844log2log212121212当 age 在 31-50 间：s12=8s22=4 时，I(s12,s22)= -1122当 age>=50：s13=1s23=2 时，I(s13,s23)= -log2log23333若按 age 划分样本，所需的信息熵为：E(age)= 11123I(s11,s21) I(s12,s22) I(s13,s23) =0.8192 类似的，可以得到：262626E(education)=9554412884455500(log2log2) ，E(area)=0.9457，E(level)=0.9625 六、结论 本文通过对 ID3 算法的研究，成功地将决策树分类算法应用于企业 CRM 系统中，挖掘出理想客户，提升客户价值，提高企业竞争能力和盈利能力。该算法可以帮助企业 CRM 系统更好地分类客户，预测销售业绩，提高销售效率和盈利能力。