【摘要】将决策树算法应用到产品满意因素分析领域，探讨了决策树算法在客户分析产品满意因素时的应用策略，建立了产品满意因素分析模型，模型的结果分析说明了应用策略的合理性。

【关键词】决策树；客户分析；模型建立

随着经济的全球化、市场的国际化，国内市场环境已渐趋合理且竞争日益加剧。在产品制造领域，以生产为中心、销售产品为目的的市场战略逐步被以客户为中心、服务为目的的市场战略所取代。新的市场战略指导下，企业纷纷加大了产品客户满意因素的分析，生产并销售出让客户更为满意的产品，达到了吸引潜在客户、巩固现有客户、加大产品市场占有率的目标。

针对产品客户满意因素分析这一预测分类问题，引入了决策树算法，探讨了决策树算法在产品客户满意因素分析中的应用策略，建立了产品满意因素分析模型，实现了决策树在产品客户满意因素分析中的应用。

一、决策树简介

决策树是通过一系列规则对数据进行分类的过程，它提供了一种在什么条件下会得到什么值的类似规则的方法。可以用一棵倒置的树状结构来形象地描述决策树，一棵决策树包含一个根节点、零个或者多个内部节点和一个或者多个叶子节点。它利用树结构的不同对记录集进行不同的分类，树的每个叶节点就代表某个条件下记录集中的一个子集，根据记录集中属性的不同来进行属性的分裂，建立下层节点，即进行树的分支，整个过程自顶向下递归构造决策树，这就是决策树生成的思想。假设记录集为S，下面是生成初步决策树的递归算法：

partition(S)

if (all tuples in S are of the same class) then return；

/*无需分类*/

for each value of attribute A do evaluate the split on that value；

/*评估分裂的算法见下文*/

use best split found to partition S into S1 and S2；

partition(S1)； /*递归调用partition( )*/

partition(S2)；

在决策树的生成过程中，需要对一个根节点或者内部节点进行依据记录集属性的分裂，选择不同的属性，会使划分出来的记录子集不同，从而决策树生长的快慢和得到的信息规则都会受到有很大的影响。如何找到最优的分裂，从而建立下层节点，这是决策树建立过程中一个重要问题。基尼指数(Gini Index)是用得较多的一种决策树分裂评估准则，其定义为：

(1)式中，S是被分类的属性关系，设有N个元组； 为各类在S中出现的相对频度；n是S中所含的类的个数。一个属性关系的基尼指数愈小，其分类情况愈好。如果S按某种条件分裂为S1和S2，设S，S1和S2的元组数分别为N，N1和N2，则此分裂的基尼指数可定义为：

利用(2)式可以评估每个分裂的好坏，取最小者作为优选的分裂。

二、决策树在产品满意因素分析中的应用策略

1、属性字段的选取

调查客户对产品属性的满意程度和需求趋势等相关信息，选取重要的产品属性字段。面对众多的产品属性，选取客户较为关心的属性字段进行产品客户分析。

目前选取的某产品的输入属性字段一共有7个变量，分别为：产品重量、产品外形、产品颜色、产品价格、产品配置、产品质量、产品维护。

2、数据采集和数据处理

根据选取的产品属性字段，调查客户对产品不同属性组合的满意程度，听取客户对新产品的属性组合的需求趋势，搜集一定量的客户调查记录。然后将采集到的有效数据记录做统一的处理、分类工作，直到满足数据建模要求。

经过处理我们得到了如表1所示的部分数据，该产品的属性字段含义如下：

A．产品重量：1表示≤1000kg；2表示＞1000kg

B．产品外形：2表示2门；4表示4门

C．产品颜色：1表示红；2表示黑；3表示其他

D．产品价格：1表示≤￥150，000；2表示＞￥150，000

E．产品配置：1表示基本；2表示较高；3表示更高；4表示最高

F．产品质量：1表示一般；2表示较高

G．产品维护：1表示定期维护；2表示不定期维护

H．产品满意：1表示满意；0表示不满意

3、生成决策树模型

运用决策树算法进行建模是整个产品客户分析中最为关键、最为核心的阶段。该阶段的主要任务是选择合适的输入变量，设置合适的决策树参数来建立模型。常用的决策树训练可分成两个阶段：首先，根据最优的分裂标准选择某个属性对训练集进行划分，递归调用直到每个划分中的所有记录都属于同一个类，建立初步的树；然后，对建立的树进行剪枝，消除错误的分支并限制树的深度。

设定决策树分裂时一个分支的最小样本数为2，连续值分叉结点的最大分叉数设为3，选用基尼指数作为决策树分裂评估标准，并对决策树进行深度剪枝，决策树最大深度为5，得到下面的决策树规则和图1所示的决策树图。

决策树规则：

规则1

如果: 颜色属于 [0.99 ，2.07)

并且: 配置属于 [0.99 ，1.20)

那么: 满意===> 1

规则2

如果: 颜色属于 [0.99 ，2.07)

并且: 配置属于 [1.20 ，3.20)

并且: 价格属于 [0.99 ，1.07)

那么: 满意===> 0

规则3

如果: 颜色属于 [0.99 ，2.07)

并且: 配置属于 [1.20 ，3.20)

并且: 价格属于 >=1.07

那么: 满意===> 1

规则4

如果: 颜色属于 [0.99 ，2.07)

并且: 配置属于 >=3.20

那么: 满意===> 1

规则5

如果: 颜色属于 >=2.07

并且: 价格属于 [0.99 ，1.10)

那么: 满意===> 1

规则6

如果: 颜色属于 >=2.07

并且: 价格属于 >=1.10

那么: 满意===> 0

分析决策树图和相关规则，我们可以得到产品客户满意因素分析初步结果。根据上述决策树中的规则1，我们可以得到这样的知识：如果产品颜色是红色或者是黑色，并且产品配置是普通配置，那么客户对该产品一般都较为满意，该产品有一定的需求量。再如规则6，如果产品颜色是其他颜色，并且产品价格超过￥150，000，那么客户对该产品一般不是很满意，该产品的需求量也不高。

三、结束语

本文重点探讨了决策树在产品客户分析中的应用策略，并用决策树方法构建了产品满意因素分析预测模型，用于分析预测客户对产品属性的满意程度和需求趋势。本文采用了基尼指数生成决策树的方法，介绍了生成决策树模型的主要步骤。产品客户分析算例证明，该算法分析预测效果好，性能稳定，为产品生产和销售服务等工作提供了重要参考和建议。

【参考文献】

[1] 潘微, 叶晓俊. 提高客户满意度的决策支持模型[J]. 哈尔滨工业大学学报, 2005,37(4):504-506.

[2] 郭玉滨. 决策树算法研究综述[J]. 电脑知识与技术学术交流, 2006,(1): 155-160.

[3] Breiman L, Friedman J H, Olshen R A, et al. Classification and Regression Trees[R]. Montery, CA: Wadsworth International Group, 1984.推荐访问:园林

园林

园林

园林