论文部分内容阅读
本文设计的建筑材料租赁系统，管理者可以利用数据挖掘技术中K-means聚类算法找出不同类别的客户，并针对不同的客户给予不同的优惠措施，这样可以让租赁站管理者了解自己的客户类型，并采取不同的租赁措施。
【关键词】计算机系统；建筑材料租赁；K-means算法；客户利润
现在，全国有上千多家钢模板厂家，钢模板业也逐渐发展为成熟且稳定的行业。建筑材料租赁系统，是以提高建材租赁公司的效率为基础，避免了浪费租赁站的各种纸张、打印等资源，从而降低租赁站的成本；管理者通过租赁系统软件，产生并保存了合同、基本资料等相关资源，避免许多人工方式下的工作劳动，很大程度上提高了租赁站的工作效率。
红兴模板租赁站位于某市，是一个小型的租赁站，经过自身的努力和发展，具备了相当的经济实力和一定的经营规模。租赁站主要租赁模板、扣件、钢管等建筑材料，租赁业务遍布各地，由于其信誉良好，态度真诚，租赁业务蒸蒸日上。
目前红兴租赁站主要通过书面报告、口头汇报等方式收集数据，管理者回到家后，便不能对租赁业务的相关数据进行处理，因此，工作效率较低下，另外，管理者对自己的各种客户也没有进行深入的分析。因此，开发建筑材料租赁系统，是为提高租赁站管理者的工作效率，并借助网络和计算机对每天的租赁业务进行信息化管理，进而提高工作效率。
在租赁站长年累月积累数据中，隐藏着许多为管理者决策提供支持的信息。利用数据挖掘中的分类算法可以预测未来的数据趋势的模型。分类算法中的K-means算法在当前应用较为广泛。该算法不使用目标字段，是一种无监督学习的方法。租赁业务中，可以用K-means算法對租赁客户的利润进行分析，样本的分布情况见表1。
假设k=3，将103、105和108作为初始簇的中心，先对表1中的数据进行规格化，如表2所示。
初始化三个簇的中心为A：{0.33， 0.67， 0.5}，B：{1， 1， 1}和C：{0.33，0.33， 0.24}。接着计算所有客户各对这三个中心点的相异度。
101与A点的距离：
d（x，y）=
=0.37
101与B点的距离：
d（x，y）=
=0.57
101与C点的距离：
d（x，y）=
=0.57
同理，再计算其余客户各到三个点的距离，如下：
102客户：与A点的距离0.9，与B点的距离1.73，与C点的距离0.52
103客户：与A点的距离0，与B点的距离0.9，与C点的距离0.43
104客户：与A点的距离0.74，与B点的距离1.57，与C点的距离0.37
105客户：与A点的距离0.9，与B点的距离0，与C点的距离1.21
106客户：与A点的距离0.52，与B点的距离0.61，与C点的距离0.71
107客户：与A点的距离0.31，与B点的距离0.61，与C点的距离0.69
108客户：与A点的距离0.43，与B点的距离1.21，与C点的距离0.01
将上述每个客户按规则分到最近的簇，并做如下聚类：
客户101聚到A，客户102聚到C，客户103聚到A，客户104聚到C，客户105聚到B，客户106聚到A，客户107聚到A，客户108聚到C。
于是，得到了第一次的聚类结果：
A：101，103，106，107；
B：105；
C：102，104，108。
再根据上边的结果，再次调整各个簇的中心点。
A簇新的中心点计算过程和结果如下：
{（0.67+0.33+0.83+0.5）/4=0.582 5，（0.78+0.67+0.78+0.78）/4=0.752 5，（0.6+0.5+0.45+0.74）/4=0.572 5}={0.582 5，0.752 5，0.572 5}；
同理，计算B簇和C簇的新中心点各为{1，1，1}，{0.133 3，0.146 7，0.113 3}。
这时，再用调整后的新中心点再次进行聚类分析，得到如下结果：
101客户：与A点的距离0.09，与B点的距离0.57，与C点的距离0.96；
102客户：与A点的距离1.11，与B点的距离1.73，与C点的距离0.23；
103客户：与A点的距离0.27，与B点的距离0.9，与C点的距离0.68；
104客户：与A点的距离0.95，与B点的距离1.57，与C点的距离0.08；
105客户：与A点的距离0.65，与B点的距离0，与C点的距离1.51；
106客户：与A点的距离0.28，与B点的距离0.61，与C点的距离1；
107客户：与A点的距离0.19，与B点的距离0.61，与C点的距离0. 69；
108客户：与A点的距离0.59，与B点的距离1.21，与C点的距离0.3。
第二次迭代后的结果为：
客户101聚到A，客户102聚到C，客户103聚到A，客户104聚到C，客户105聚到B，客户106聚到A，客户107聚到A，客户108聚到C。
结果并没有发生大的变化，说明聚类结果趋于收敛，于是我们可以给出最终的聚类结果：
A类客户：101，103，106，107；
B类客户：105；
C类客户：102，104，108。
经过上述计算过程，我们可以知道105是B类客户，此类客户产生的利润呈年年增长的趋势，幅度增长的也大；101、103、106、107是A类客户，这种客户为租赁站产生的利润也年年增长，但其创造的利润不如B类客户创造的利润多；102、104、108是C类客户，此类客户所创造的利润极稳定，也没有不是一直增长，为租赁站创造的利润也不多。如图2所示。
基于以上详细的计算过程，租赁站将不同的租赁措施针对于三类不同的客户。对于B类最好的客户，尽可能提供价格上或其它方面的优惠；对于A类中等客户，要重点找出利润低下的原因，并采取措施让这些客户逐步增加建材租赁利润；对于C类这些不太好的客户，则重点要找出建材租赁利润不断变化的原因，争取让其先变成A类客户，再争取向B类客户迈进。
作者简介
张亚娜（1979-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院副教授。研究方向为系统设计与开发。
贺宏（1979-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院副教授。 研究方向为数据库设计与开发。
韩莉（1977-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院讲师。研究方向为数据库设计与开发。
曹鑫（1981-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院讲师。 研究方向为系统设计与开发。
作者单位
石家庄信息工程职业学院 河北省石家庄市 050035
【关键词】计算机系统；建筑材料租赁；K-means算法；客户利润
现在，全国有上千多家钢模板厂家，钢模板业也逐渐发展为成熟且稳定的行业。建筑材料租赁系统，是以提高建材租赁公司的效率为基础，避免了浪费租赁站的各种纸张、打印等资源，从而降低租赁站的成本；管理者通过租赁系统软件，产生并保存了合同、基本资料等相关资源，避免许多人工方式下的工作劳动，很大程度上提高了租赁站的工作效率。
红兴模板租赁站位于某市，是一个小型的租赁站，经过自身的努力和发展，具备了相当的经济实力和一定的经营规模。租赁站主要租赁模板、扣件、钢管等建筑材料，租赁业务遍布各地，由于其信誉良好，态度真诚，租赁业务蒸蒸日上。
目前红兴租赁站主要通过书面报告、口头汇报等方式收集数据，管理者回到家后，便不能对租赁业务的相关数据进行处理，因此，工作效率较低下，另外，管理者对自己的各种客户也没有进行深入的分析。因此，开发建筑材料租赁系统，是为提高租赁站管理者的工作效率，并借助网络和计算机对每天的租赁业务进行信息化管理，进而提高工作效率。
在租赁站长年累月积累数据中，隐藏着许多为管理者决策提供支持的信息。利用数据挖掘中的分类算法可以预测未来的数据趋势的模型。分类算法中的K-means算法在当前应用较为广泛。该算法不使用目标字段，是一种无监督学习的方法。租赁业务中，可以用K-means算法對租赁客户的利润进行分析，样本的分布情况见表1。
假设k=3，将103、105和108作为初始簇的中心，先对表1中的数据进行规格化，如表2所示。
初始化三个簇的中心为A：{0.33， 0.67， 0.5}，B：{1， 1， 1}和C：{0.33，0.33， 0.24}。接着计算所有客户各对这三个中心点的相异度。
101与A点的距离：
d（x，y）=
=0.37
101与B点的距离：
d（x，y）=
=0.57
101与C点的距离：
d（x，y）=
=0.57
同理，再计算其余客户各到三个点的距离，如下：
102客户：与A点的距离0.9，与B点的距离1.73，与C点的距离0.52
103客户：与A点的距离0，与B点的距离0.9，与C点的距离0.43
104客户：与A点的距离0.74，与B点的距离1.57，与C点的距离0.37
105客户：与A点的距离0.9，与B点的距离0，与C点的距离1.21
106客户：与A点的距离0.52，与B点的距离0.61，与C点的距离0.71
107客户：与A点的距离0.31，与B点的距离0.61，与C点的距离0.69
108客户：与A点的距离0.43，与B点的距离1.21，与C点的距离0.01
将上述每个客户按规则分到最近的簇，并做如下聚类：
客户101聚到A，客户102聚到C，客户103聚到A，客户104聚到C，客户105聚到B，客户106聚到A，客户107聚到A，客户108聚到C。
于是，得到了第一次的聚类结果：
A：101，103，106，107；
B：105；
C：102，104，108。
再根据上边的结果，再次调整各个簇的中心点。
A簇新的中心点计算过程和结果如下：
{（0.67+0.33+0.83+0.5）/4=0.582 5，（0.78+0.67+0.78+0.78）/4=0.752 5，（0.6+0.5+0.45+0.74）/4=0.572 5}={0.582 5，0.752 5，0.572 5}；
同理，计算B簇和C簇的新中心点各为{1，1，1}，{0.133 3，0.146 7，0.113 3}。
这时，再用调整后的新中心点再次进行聚类分析，得到如下结果：
101客户：与A点的距离0.09，与B点的距离0.57，与C点的距离0.96；
102客户：与A点的距离1.11，与B点的距离1.73，与C点的距离0.23；
103客户：与A点的距离0.27，与B点的距离0.9，与C点的距离0.68；
104客户：与A点的距离0.95，与B点的距离1.57，与C点的距离0.08；
105客户：与A点的距离0.65，与B点的距离0，与C点的距离1.51；
106客户：与A点的距离0.28，与B点的距离0.61，与C点的距离1；
107客户：与A点的距离0.19，与B点的距离0.61，与C点的距离0. 69；
108客户：与A点的距离0.59，与B点的距离1.21，与C点的距离0.3。
第二次迭代后的结果为：
客户101聚到A，客户102聚到C，客户103聚到A，客户104聚到C，客户105聚到B，客户106聚到A，客户107聚到A，客户108聚到C。
结果并没有发生大的变化，说明聚类结果趋于收敛，于是我们可以给出最终的聚类结果：
A类客户：101，103，106，107；
B类客户：105；
C类客户：102，104，108。
经过上述计算过程，我们可以知道105是B类客户，此类客户产生的利润呈年年增长的趋势，幅度增长的也大；101、103、106、107是A类客户，这种客户为租赁站产生的利润也年年增长，但其创造的利润不如B类客户创造的利润多；102、104、108是C类客户，此类客户所创造的利润极稳定，也没有不是一直增长，为租赁站创造的利润也不多。如图2所示。
基于以上详细的计算过程，租赁站将不同的租赁措施针对于三类不同的客户。对于B类最好的客户，尽可能提供价格上或其它方面的优惠；对于A类中等客户，要重点找出利润低下的原因，并采取措施让这些客户逐步增加建材租赁利润；对于C类这些不太好的客户，则重点要找出建材租赁利润不断变化的原因，争取让其先变成A类客户，再争取向B类客户迈进。
作者简介
张亚娜（1979-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院副教授。研究方向为系统设计与开发。
贺宏（1979-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院副教授。 研究方向为数据库设计与开发。
韩莉（1977-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院讲师。研究方向为数据库设计与开发。
曹鑫（1981-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院讲师。 研究方向为系统设计与开发。
作者单位
石家庄信息工程职业学院 河北省石家庄市 050035