[摘要] 本文重點(diǎn)討論了在CRM中應(yīng)用關(guān)聯(lián)規(guī)則挖掘技術(shù)進(jìn)行房地產(chǎn)業(yè)客戶意向分析的問題。對調(diào)查數(shù)據(jù)進(jìn)行了挖掘得出了較多有價(jià)值的模型和規(guī)則，并比較客觀地反映了城市居民對住房的需求情況。

[關(guān)鍵詞] 數(shù)據(jù)挖掘客戶關(guān)系管理(CRM)關(guān)聯(lián)規(guī)則[摘要] 本文重點(diǎn)討論了在CRM中應(yīng)用關(guān)聯(lián)規(guī)則挖掘技術(shù)進(jìn)行房地產(chǎn)業(yè)客戶意向分析的問題。對調(diào)查數(shù)據(jù)進(jìn)行了挖掘得出了較多有價(jià)值的模型和規(guī)則，并比較客觀地反映了城市居民對住房的需求情況。

[關(guān)鍵詞] 數(shù)據(jù)挖掘 客戶關(guān)系管理(CRM) 關(guān)聯(lián)規(guī)則

一、引言

消費(fèi)者已經(jīng)進(jìn)入了“以客戶為中心”時(shí)代，各方面的需求都進(jìn)入了個(gè)性化、定制的階段，這也正是目前房地產(chǎn)行業(yè)客戶關(guān)系管理(Customer Relationship Management ， CRM)系統(tǒng)應(yīng)用與現(xiàn)實(shí)的矛盾所在。隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展，能夠幫助企業(yè)從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的CRM數(shù)據(jù)中提取潛在有用的信息和知識(shí)，來解決這些問題。

二、關(guān)聯(lián)規(guī)則挖掘技術(shù)

關(guān)聯(lián)規(guī)則挖掘(Association Rules Mining)是數(shù)據(jù)挖掘技術(shù)中的一個(gè)重要研究方向，它是由Agrawa1，Imielinski和swami于1993年首先提出的。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的眾多知識(shí)類型中最為典型的一種。

關(guān)聯(lián)規(guī)則挖掘的算法有多種， 最經(jīng)典的是Apriori 算法， 許多關(guān)聯(lián)規(guī)則挖掘算法都是基于該算法。因此， 這里用Apriori 算法開采頻集， 并由頻集產(chǎn)生相應(yīng)的關(guān)聯(lián)規(guī)則。具體做法詳見文獻(xiàn)。下面給出發(fā)現(xiàn)頻繁項(xiàng)集的Apriori算法的偽代碼描述。

Input: A dataset D，with min_sup

output: The frequent itemsets of D

Method:

(1)L1=frequent1-itemsets Li(D);

(2)for (k=2:Lk-1≠Φ;k++)

(3)begin

(4)Ck=apriori_gen(Lk-1，min_sup);

(5)for each transactions t∈D

(6)output Ct=subset(Ck，t);

(7)for each candidates C∈Ct

(8)c.count++;

(9)end

(10)Lk={c∈ck|c.count>=min_sup};

(11)end

(12)return L;

上面的代碼清晰的描述了Apirori算法.

三、關(guān)聯(lián)規(guī)則挖掘技術(shù)在房地產(chǎn)客戶關(guān)系管理系統(tǒng)中的應(yīng)用

下面是一個(gè)基于房地產(chǎn)客戶分類的關(guān)聯(lián)分析，如某小區(qū)購置不動(dòng)產(chǎn)隨機(jī)數(shù)據(jù)產(chǎn)生頻繁項(xiàng)目集的過程：

用項(xiàng)目集在數(shù)據(jù)中出現(xiàn)的次數(shù)來作為支持度，設(shè)min_sup=3，從圖中看出，C3到L3的產(chǎn)生過程，引入修剪后候選集的規(guī)模比原來減小了。

根據(jù)交易數(shù)據(jù)，產(chǎn)生頻繁項(xiàng)目集過程：

數(shù)據(jù)說明：I1表示：”購買多層戶型”; I2表示：”購買小高層戶型” ；I3表示：”購買高層戶型”； I4表示：”租賃車位”； I5表示：”購買車位”;例如T1表示:”購買多層戶型”，“租賃車位”。

這關(guān)聯(lián)規(guī)則是否可信，則要根據(jù)規(guī)則的支持度(support)和置信度(confidence)做出量化判斷。由支持度的計(jì)算公式和置信度的計(jì)算公式：

經(jīng)過挖掘發(fā)現(xiàn)一些有價(jià)值的關(guān)聯(lián)規(guī)則：

可見， 表中列出的關(guān)聯(lián)規(guī)則均具有較高的支持率和可信度。然而， 為了更加準(zhǔn)確地挖掘出有意義的關(guān)聯(lián)規(guī)則， 還可以進(jìn)行更深一步地挖掘即對挖掘出的關(guān)聯(lián)規(guī)則更換因果關(guān)系， 形成新的關(guān)聯(lián)規(guī)則。

四、結(jié)束語

房地產(chǎn)行業(yè)是一個(gè)數(shù)據(jù)量大、關(guān)聯(lián)性強(qiáng)、影響因素多的復(fù)雜非線性系統(tǒng)。數(shù)據(jù)挖掘技術(shù)在房地產(chǎn)行業(yè)的應(yīng)用是一個(gè)年輕且充滿希望的研究領(lǐng)域，人們對它的研究正日益廣泛和深入。解決好這些問題，對于政府部門合理分析產(chǎn)業(yè)發(fā)展，制定產(chǎn)業(yè)政策及開發(fā)企業(yè)和個(gè)人正確判斷房地產(chǎn)市場形勢、做出投資或購房決策具有重要意義。

參考文獻(xiàn)：

[1]張蓉:數(shù)據(jù)挖掘技術(shù)在房地產(chǎn)客戶關(guān)系管理系統(tǒng)中的應(yīng)用.現(xiàn)代情報(bào)，2006.6

[2]Pang-Ning Tan Michael Steinbach Vipin Kumar，Introduction to Data Mining，Post Telecom Press ，2006.5

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。