決策樹算法在飾品營銷中的應(yīng)用

1、決策樹算法在飾品營銷中的應(yīng)用 摘 要： 闡述了飾品企業(yè)營銷的現(xiàn)狀，提出了將數(shù)據(jù)挖掘技術(shù)應(yīng)用到飾品營銷中的方案。在 分析決策樹算法的基礎(chǔ)上，介紹了決策樹算法及決策樹的構(gòu)造，并使用該算法對企業(yè)客戶進(jìn) 行分類及對新客戶類型預(yù)測，實(shí)現(xiàn)對商業(yè)數(shù)據(jù)中隱藏信息的挖掘，且對該挖掘模型進(jìn)行了驗(yàn) 證。關(guān)鍵詞： 數(shù)據(jù)挖掘；決策樹；飾品營銷；挖掘模型自從有人類開始，飾品便與服裝同時(shí)出現(xiàn)，發(fā)展到今天，已有久遠(yuǎn)的歷史。怎樣將飾品融 入現(xiàn)代文化觀念，怎樣設(shè)計(jì)新的飾品，及什么樣的設(shè)計(jì)才能被消費(fèi)者接受，都是新一代飾品 設(shè)計(jì)所面臨的新問題。信息化的推進(jìn)讓企業(yè)積累了大量的數(shù)據(jù)，企業(yè)必須有效管理已有的信 息，而這些數(shù)據(jù)通常是零散的、

2、不規(guī)范的，像噪聲數(shù)據(jù)、空缺數(shù)據(jù)和不一致數(shù)據(jù)等問題都會 給領(lǐng)導(dǎo)的決策帶來了困擾?，F(xiàn)在企業(yè)面臨的一個共同問題是企業(yè)數(shù)據(jù)量非常大，而其中真正 有價(jià)值的信息卻很少。數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，給企業(yè)決策者帶來了輔助決策支持。企業(yè)可以 利用先進(jìn)的數(shù)據(jù)挖掘和商務(wù)智能分析技術(shù)對信息進(jìn)行加工，企業(yè)領(lǐng)導(dǎo)必須將經(jīng)營模式轉(zhuǎn)變?yōu)?以客戶為中心，為客戶提供個性化服務(wù)。準(zhǔn)確的客戶分類是企業(yè)有效地實(shí)施客戶關(guān)系管理的 基礎(chǔ)?？蛻舴诸愂歉鶕?jù)客戶屬性來劃分客戶集合，通過獲得的客戶類別來分析和預(yù)測客戶的 消費(fèi)模式。建立起一對一的客戶服務(wù)體系，實(shí)行差異化的客戶管理1。1 數(shù)據(jù)挖掘技術(shù) 1.1 數(shù)據(jù)挖掘概念 數(shù)據(jù)挖掘是一種新的商業(yè)信息處理技術(shù)

3、，其主要特點(diǎn)是對商業(yè)數(shù)據(jù)庫中的大 量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和其他模型化處理，從中提取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù) 2。數(shù)據(jù)挖掘技術(shù)在飾品營銷管理上的應(yīng)用主要體現(xiàn)在通過數(shù)據(jù)挖掘來分析不同類型顧客的 需求特征，尋找顧客購買的行為模式及其規(guī)律，從而為營銷策略的制定提供依據(jù)。通過數(shù)據(jù) 挖掘，可以對營銷策略及措施的實(shí)施結(jié)果進(jìn)行分析，進(jìn)而對營銷活動的效果做出評估，為進(jìn) 一步改進(jìn)營銷決策提供參考。1.2 決策樹算法 1.2.1 算法概述 決策樹是數(shù)據(jù)挖掘中應(yīng)用最 廣泛的技術(shù)之一，是用于分類和預(yù)測的主要技術(shù)，決策樹學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算 法，著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分

4、類規(guī)則3。它是運(yùn)用 于分類的一種樹結(jié)構(gòu)，其中的每個內(nèi)部節(jié)點(diǎn)非葉子節(jié)點(diǎn)代表對某個屬性的一次測試，一條邊 代表一個測試結(jié)果，葉子代表某個類或者類的分布，最上面的節(jié)點(diǎn)是根節(jié)點(diǎn)。用決策樹進(jìn)行 分類首先利用訓(xùn)練集建立并精化一棵決策樹，建立決策樹模型，然后利用生成的決策樹對輸 入數(shù)據(jù)進(jìn)行分類，從根節(jié)點(diǎn)依次測試記錄的屬性值，直到到達(dá)某個葉子節(jié)點(diǎn)，從而找到該記 錄所在的類。1.2.2 決策樹構(gòu)造 以信息論原理為基礎(chǔ)，利用信息論中信息增益尋找數(shù)據(jù)庫 中具有最大信息量的字段，建立決策樹的一個節(jié)點(diǎn)，然后根據(jù)字段的不同取值建立樹的分支， 在每個分支中重復(fù)建立樹的下層節(jié)點(diǎn)和分支。設(shè)S是訓(xùn)練樣本的集合，其中每個樣本的類

5、標(biāo)號都是已知的。假定有m個類，集合S中類別Ci的記錄個數(shù)是Ni個，i=l, 2, ， m。設(shè)屬性A具有值al, ，av，屬性A可以用來對S進(jìn)行分組，將S分為子集S1, & hellip;，Sv，其中Sj包含S中值為aj的那些樣本。設(shè)Sj包含類Ci的Sij個樣本。 根據(jù)A的這種劃分的期望信息稱為屬性A的熵，為：熵是一個衡量系統(tǒng)混亂程度的統(tǒng)計(jì)量。 熵越大，表示系統(tǒng)越混亂。分類的目的是提取系統(tǒng)信息，使系統(tǒng)向更加有序、有規(guī)則組織的 方向發(fā)展。所以自然而然的，最佳的分裂方案是使熵減少量最大。熵減少量就是 Information Gain，所以，最佳分裂就是使Gain(A)最大的分裂方案4。 根據(jù)XG飾品

6、有限公司的客戶 數(shù)據(jù)集D,構(gòu)造“客戶類別&rdquo；的分類決策樹。根據(jù)計(jì)算可以得到各個屬性的Gain 值，決定決策樹各級別的屬性，圖1顯示了該決策樹可預(yù)測列的屬性值。決策樹算法是一個貪心算法，采用自頂向下的遞歸方式，通常分為兩個階段：決策樹的生 成(Building)和決策樹修剪(Pruning)。建立樹的過程是不斷地把數(shù)據(jù)分割的過程，開始時(shí)數(shù) 據(jù)都在根節(jié)點(diǎn)，然后遞歸地進(jìn)行數(shù)據(jù)分片，產(chǎn)生下一級節(jié)點(diǎn)。每次分割對應(yīng)一個問題，也對 應(yīng)一個節(jié)點(diǎn)。樹的剪枝即去掉一些可能是噪聲或異常的數(shù)據(jù)。在微軟的決策樹中，樹中的每 一個節(jié)點(diǎn)代表一列特定事例，將此節(jié)點(diǎn)放在何處由算法計(jì)算做出，而且與其兄弟在不同深度 的節(jié)

7、點(diǎn)可能代表每列不同的事例，樹結(jié)構(gòu)的節(jié)點(diǎn)代表進(jìn)一步對數(shù)據(jù)進(jìn)行分類的單個問題。下 面給出一種二叉樹的建樹算法程序3：Procedure BuildingTree （S，Q） Initialize， root node using data set S； Initialize， queue Q to contain root node While Q is not empty do Dequeue the first node N in Q If node N is not qure then for each attribute k Evaluate splites N into N1 and N

8、2 Append N1 and N2 to Q 2數(shù)據(jù)挖掘技術(shù)在飾品營銷中的應(yīng)用 本文依托項(xiàng)目的企業(yè)目前采取的客戶政策比較被動，靠的是老客戶帶來新客戶，并沒有主動尋找新客戶， 由于種種原因，客戶源非常不穩(wěn)定，因而失去了很大的一片市場。 客戶分類是企業(yè)有效銷 售、營銷、服務(wù)的基礎(chǔ)，是把大量的客戶分成不同的類，在每個類里的客戶擁有相似的屬性， 而不同類別的客戶屬性也不同。通過分類分析推斷哪些客戶群是最有可能購買的客戶，哪些 對企業(yè)最有價(jià)值，為公司帶來最大利潤的客戶群體的特征是什么。影響客戶分類的因素很多， 最主要的因素有客戶自然屬性（如經(jīng)營類型、渠道類型、所在地區(qū)、性別、年齡）、銷售額度 等。在談

9、論客戶價(jià)值的時(shí)候，要了解客戶的購買力、信譽(yù)度等其他的指標(biāo)，可以結(jié)合飾品的 銷售情況和客戶的信息，通過有關(guān)數(shù)據(jù)挖掘算法進(jìn)行分析。2.1 數(shù)據(jù)準(zhǔn)備 根據(jù)客戶分類挖 掘目標(biāo)決定其數(shù)據(jù)來源，在數(shù)據(jù)倉庫中可以選擇客戶信息表和銷售事實(shí)表，它們提供客戶的 基本信息和交易信息，由于交易信息流動性很大，因此只選擇銷售事實(shí)表中2006 年的數(shù)據(jù)。 對客戶信息表的屬性只選擇客戶編碼、年齡、客戶類型、教育程度、性別、經(jīng)營品牌、婚姻 狀態(tài)、擁有車子數(shù)和年收入；對銷售事實(shí)表的屬性只選擇客戶編碼和銷售金額。 由于數(shù)據(jù) 挖掘?qū)?shù)據(jù)有一些特殊的要求，因此必須作進(jìn)一步的數(shù)據(jù)處理工作。屬性的選擇是基于一個 啟發(fā)式規(guī)則或者一個統(tǒng)計(jì)的

10、度量，一般情況下，所選的屬性都是分類屬性，根據(jù)決策樹算法 對數(shù)據(jù)的特殊要求，如果屬性是連續(xù)的，需要將其離散化，如客戶購買產(chǎn)品的金額。 在數(shù) 據(jù)源視圖中，實(shí)現(xiàn)年齡、年收入等連續(xù)數(shù)據(jù)的離散化。對 vMemberCard 的 Age 和 YearlyIncome 創(chuàng)建命名計(jì)算，手工離散化列，Age的手工離散化方法如下：CASE WHEN age20THEN age20 WHEN age30 THEN 20=age30 WHEN age40 THEN 30=age40 WHEN age50 THEN 40=age=50 THEN age50 END 以同樣方式實(shí)現(xiàn)Yearlylncome的離散化,為數(shù)

11、據(jù)挖掘提供所需的數(shù)據(jù)。艮據(jù)得到的客戶數(shù)據(jù)， 利用信息增益的計(jì)算提取認(rèn)為可能對購買力變量有影響作用的變量作為數(shù)據(jù)挖掘的細(xì)分變量 包含 Age、EducationLevel、Gender、MaritalStatus、Region、NumberCarsOwned、 TotalChildren、Yearlylncome這些字段。本文中將數(shù)據(jù)劃分為2個表，分別作為訓(xùn)練數(shù)據(jù) 集和測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于訓(xùn)練模型，表中有2 300條記錄數(shù)；測試數(shù)據(jù)集用于驗(yàn)證 模型的準(zhǔn)確性，表中記錄有700條。2.2 模型的實(shí)現(xiàn)2.2.1 決策樹算法參數(shù)設(shè)置 Microsoft 決策樹算法有許多參數(shù)。這些參數(shù)可以用來控制樹

12、的增長、樹的形狀和輸入/輸出屬性的設(shè)置。 通過調(diào)整這些參數(shù)的設(shè)置，可以對模型的精確度進(jìn)行微調(diào)，下面介紹本文涉及到的部分參數(shù) 4 。 Complexity_Penalty 參數(shù)：用來控制樹的增長。它是一個浮點(diǎn)類型的參數(shù)，值的范 圍在0到1之間。值設(shè)置一般與輸入屬性的數(shù)量有關(guān)。由于本文采用的輸入屬性少于10個， 因而將這個值設(shè)得比較小。Split_Method參數(shù)：用來控制樹的形狀。Split_Method=l意味 著只能采用二叉 的方式進(jìn)行拆分； Split_Method=2 意味著采用完全拆分方式；而 當(dāng) Split_Method參數(shù)設(shè)置為3,決策樹將會針對實(shí)際的問題自動地選擇這兩種方式中較好

13、的一 種方式來對節(jié)點(diǎn)進(jìn)行拆分。因而，本文將Split_Method設(shè)為3。2.2.2構(gòu)造分類數(shù)據(jù)挖掘模 型使用Analysis Services進(jìn)行本次數(shù)據(jù)挖掘，基于現(xiàn)有數(shù)據(jù)倉庫中的表和列定義挖掘結(jié) 構(gòu)，以DecorationDW.dsv為數(shù)據(jù)源視圖，vMemberCard指定為分析時(shí)要使用的表類型，其中CustomerlD 變量為鍵，MemberCard 變量作為可預(yù)測列，Age、EducationLevel、Gender、 MaritalStatus、 Region、 NumberCarsOwned、 TotalChildren、 YearlyIncome 變量作為輸入 列，采用Micro

14、soft決策樹模型為數(shù)據(jù)挖掘模型，且允許對挖掘模型進(jìn)行鉆取操作。 為了 進(jìn)行準(zhǔn)確預(yù)測，需要對挖掘模型進(jìn)一步處理，選擇 “DecorationDW_OLAP”的 vMemberCard作為預(yù)測模型，Dim_Customer為事例表，此時(shí)就建立了兩張表之間的映射，以 Predic tProbabili ty(v Member Card.Member Card函數(shù)為預(yù)測函數(shù)對客戶的會員卡類型 進(jìn)行歸類、預(yù)測。 經(jīng)過挖掘軟件分析處理后，可以得到該公司客戶群的決策樹模型，將背 景設(shè)為“Copper”后將呈現(xiàn)& ldquo;Copper”客戶群的決策樹模型，。節(jié)點(diǎn)的 底紋顏色越深，表示節(jié)點(diǎn)中的事例越多。例

15、如，在第2級中 YearlyIncome=“Low” 該節(jié)點(diǎn)的底紋顏色較深，說明其中客戶類型為“Copper”的事例 Yearlylncome二 “Low ”所占的比重較大。通過對決策樹模型的分析可得出一些有用的信息，為公司管理層提供決策支持： (1)在現(xiàn) 有的數(shù)據(jù)基礎(chǔ)上，通過分類分析推斷哪些客戶群是最有可能購買的客戶，哪些對企業(yè)最有價(jià) 值，為公司帶來最大利潤的客戶群體的特征是什么。(2)通過決策樹了解到影響各種類型客戶的因素，可隨時(shí)關(guān)注各類潛在客戶的動態(tài)，擴(kuò)大客戶群。(3)根據(jù)分析得到的各類客戶類型的特征及其購買力，輔助公司更準(zhǔn)確地對客戶進(jìn)行定位，企業(yè)可以給不同類型的客戶提供 個性化的服務(wù)，

16、建立與客戶的一種持續(xù)的個性化的關(guān)系，保持他們對企業(yè)和產(chǎn)品的忠誠，擴(kuò) 大市場，促進(jìn)銷售。(4)根據(jù)各類客戶類型所占有的比重，調(diào)整公司的生產(chǎn)計(jì)劃，以更好地適應(yīng)市場，以客戶為中心。 2.2.3 使用模型預(yù)測客戶 該企業(yè)采用的銷售方式比較靈活，針 對于不同購買量的用戶采取不同的折扣，客戶類型分為經(jīng)銷商(即簽約客戶)、零售商和散客。 一般地級市銷售額達(dá)到一百萬以上的稱為經(jīng)銷商，可以享受相當(dāng)優(yōu)惠的條件，而地級市以下 的銷售額達(dá)到幾十萬元的稱為零售商，普通的少量額度的客戶稱為散客。公司總共有3 個品 牌的產(chǎn)品，分為內(nèi)銷和外銷兩種方式，客戶根據(jù)自身情況可以與公司簽訂合約，不同銷售方 式有不同的優(yōu)惠政策。企業(yè)根

17、據(jù)以往客戶的購買行為作為先驗(yàn)知識，對每類用戶進(jìn)行分類， 根據(jù)每類客戶的特征預(yù)測當(dāng)前客戶將會成為哪類客戶。輸入一個新客戶屬性，通過DMX語句預(yù)測此客戶類型， 如下所示： SELECT v Member Card.Member Card ， PredictProbability(v Member Card. Member Card) From v MemberCard NATURAL PREDICTION JOIN (SELECT 30=age40 AS Age ， BachelorsASEducationLevel， FemaleASGender， Married AS Marital Stat

18、us，2 AS Number Cars Owned， 華東 AS Region，1 AS Total Children，Moderate AS YearlyIncome) AS t 查詢將以表的形式返回有關(guān)具有指定特征的客戶的會員卡類型和概率，。從 該圖，可以看出輸入的此類客戶最有可能成為Copper類會員，企業(yè)可以根據(jù)挖掘信息對新客 戶采取一定的優(yōu)惠政策，從而增加客戶量。2.2.4 驗(yàn)證挖掘模型準(zhǔn)確性 以上用了訓(xùn)練集中的2 300條記錄進(jìn)行決策樹模型的構(gòu)造，這 個構(gòu)造出的決策樹是否準(zhǔn)確，對其他的記錄是否具有判定和預(yù)測的作用，必須要對其進(jìn)行驗(yàn) 證。在Analysis Services中，把擁有700條記錄的測試數(shù)據(jù)集作為輸入表，對前面構(gòu)造的 挖掘模型進(jìn)行驗(yàn)證，把& ldquo;v Member Card”作為可預(yù)測的列名。經(jīng)過處理分析后， 得到如圖 4 的提升圖。從圖4中的“挖掘圖例”表中可以得到：該決策樹挖掘模型的得分為0.89，分 值較高；在樣本總體 50%時(shí)，理想模型的總體正確率是50%，而本文構(gòu)建的決策樹模型的總體 正確率是 46.5%。說明這個模型的準(zhǔn)確率比較高，可以為決策支持提供幫助。 因此，飾品 企業(yè)可以根據(jù)以上所得的決策樹