论文部分内容阅读
客户关系管理(CRM)是一种旨在改善企业与客户之间关系的新型管理机制,它通过提供优质和个性化的服务吸引和保持更多的客户。经过多年信息管理系统的使用,企业的数据库中拥有关于客户的大量数据,这些数据背后隐藏着许多重要的信息,数据挖掘能够创建对客户进行分类和预测的模型,帮助用户从大量的数据中抽取有用的信息,从而很好地支持企业经营管理者的决策。
本文在介绍了数据挖掘技术和CRM的基本概念的基础上,分析了数据挖掘技术在CRM中的应用。由于决策树技术在CRM中有着广泛的应用,本文着重对决策树技术进行了研究。针对SPRINT算法在数值型属性分裂过程中计算量大、效率低的缺点,本文提出了一种新的数值型属性的分裂方法,并对SPRINT算法进行了改进。
SPRINT算法在数值型属性的分裂过程中要对整个训练集进行预排序和对所有的不同取值都要进行评估,这种方法计算量大,效率低。本文提出的纯区间归约的数值型属性分裂方法将属性值域用等宽直方图的方法划分为多个区间,对纯区间进行归约,对非纯区间进行精确计算,避免了对整个训练集的预排序。理论分析和实验结果表明,这种方法保证了分裂精度,减小了计算量。
论文的最后按照CRISP-DM标准的数据挖掘流程,用改进的SPRINT算法构建了客户信用卡的分类模型,用PMML规范表示挖掘得到的决策树模型,以方便在不同数据挖掘工具之间共享模型。