王 虎，喻 立

(武漢理工大學(xué)管理學(xué)院，湖北武漢 430070)

主動(dòng)服務(wù)就是通過(guò)客戶行為差異分析預(yù)測(cè)出企業(yè)應(yīng)向客戶提供服務(wù)的內(nèi)容和時(shí)機(jī)，構(gòu)建基于客戶實(shí)時(shí)需求的統(tǒng)一信息平臺(tái)，有針對(duì)性地進(jìn)行服務(wù)資源的動(dòng)態(tài)匹配，提升企業(yè)服務(wù)響應(yīng)水平，使企業(yè)將服務(wù)提前，變被動(dòng)服務(wù)為主動(dòng)服務(wù)，提高客戶對(duì)產(chǎn)品的使用滿意度，同時(shí)避免企業(yè)因無(wú)效服務(wù)導(dǎo)致的資源浪費(fèi)。服務(wù)挖掘是企業(yè)開展主動(dòng)服務(wù)的基礎(chǔ)，它是以客戶行為特征［1-2］為主要分析對(duì)象，將專家知識(shí)庫(kù)與客戶行為特征分析相結(jié)合，綜合運(yùn)用數(shù)據(jù)挖掘、知識(shí)管理和數(shù)理統(tǒng)計(jì)等技術(shù)方法和理論，對(duì)客戶所需的服務(wù)進(jìn)行準(zhǔn)確的預(yù)測(cè)，從而獲得最佳主動(dòng)服務(wù)方案的一種科學(xué)方法。

1 服務(wù)挖掘框架

服務(wù)挖掘的基本思路是基于客戶行為數(shù)據(jù)庫(kù)，利用各種分析與統(tǒng)計(jì)工具，獲取每個(gè)客戶對(duì)某一特定產(chǎn)品的消費(fèi)或使用偏好特征，結(jié)合給定的專家知識(shí)以及生產(chǎn)商所提供的服務(wù)指南，挖掘出客戶行為特征對(duì)每項(xiàng)服務(wù)所產(chǎn)生的影響因子，并結(jié)合預(yù)測(cè)模型、標(biāo)準(zhǔn)服務(wù)指南和知識(shí)庫(kù)，預(yù)測(cè)出每個(gè)客戶下一次最有可能接受服務(wù)的項(xiàng)目及時(shí)間。

對(duì)大多數(shù)產(chǎn)品而言，客戶在產(chǎn)品使用時(shí)所表現(xiàn)出的行為差異對(duì)產(chǎn)品的性能狀況有著直接的影響，這種影響對(duì)于缺乏專家知識(shí)的一般客戶來(lái)說(shuō)是很難意識(shí)到的，當(dāng)客戶真正意識(shí)到需要服務(wù)時(shí)，產(chǎn)品往往已經(jīng)出現(xiàn)了明顯的問(wèn)題，即已經(jīng)對(duì)客戶造成了損失。以汽車維修服務(wù)為例，一般情況下都是因?yàn)檐囕v出現(xiàn)了比較明顯的問(wèn)題，客戶主動(dòng)前來(lái)維修站保養(yǎng)維修車輛，這些問(wèn)題實(shí)際上已經(jīng)對(duì)客戶造成了損失，如果能夠掌握客戶車輛的行駛變化規(guī)律，通過(guò)客戶使用行為特征分析，了解車輛的性能變化情況，再結(jié)合規(guī)則庫(kù)和專家知識(shí)庫(kù)的推理，預(yù)測(cè)出車輛即將發(fā)生的問(wèn)題，使客戶在問(wèn)題發(fā)生之前獲得主動(dòng)服務(wù)，從而避免遭受損失［3-4］;另以切削加工機(jī)床為例，經(jīng)過(guò)一段時(shí)間的使用后，機(jī)床的組件會(huì)發(fā)生磨損、偏移和間隙等故障，繼續(xù)使用會(huì)導(dǎo)致大量廢品產(chǎn)生甚至造成重大的安全事故。服務(wù)挖掘通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行挖掘，結(jié)合操作者行為分析，可以預(yù)測(cè)出將要發(fā)生的故障，及時(shí)地解決問(wèn)題，避免更大的損失。由此可以推斷:客戶行為差異對(duì)產(chǎn)品性能狀況的變化有著不同程度的影響，從而導(dǎo)致不同的服務(wù)內(nèi)容和時(shí)機(jī)，這是服務(wù)挖掘的機(jī)理所在?；谶@一點(diǎn)，服務(wù)挖掘試圖對(duì)這種影響程度進(jìn)行衡量，并進(jìn)一步探究其對(duì)標(biāo)準(zhǔn)服務(wù)方案庫(kù)的影響，從而獲得更精確的服務(wù)方案。而如何從客戶行為差異信息中提取對(duì)服務(wù)產(chǎn)生影響的重要因子，建立起反映客戶主要行為特征的行為指標(biāo)體系是進(jìn)行服務(wù)挖掘的基礎(chǔ)。

圖1 服務(wù)挖掘系統(tǒng)框架

基于以上分析，可以獲得服務(wù)挖掘系統(tǒng)的結(jié)構(gòu)框架如圖1所示，該構(gòu)架是對(duì)服務(wù)挖掘系統(tǒng)中的構(gòu)成要件以及要件間的相互關(guān)系的進(jìn)一步描述。根據(jù)服務(wù)挖掘的機(jī)理分析，可以將服務(wù)挖掘系統(tǒng)的構(gòu)架分為4個(gè)層次，從下層基礎(chǔ)到上層應(yīng)用，分別為數(shù)據(jù)采集層、數(shù)據(jù)處理層、客戶行為分析層和服務(wù)應(yīng)用發(fā)布層。

服務(wù)數(shù)據(jù)采集層采集各類數(shù)據(jù)。采集的數(shù)據(jù)包括國(guó)家宏觀數(shù)據(jù)、行業(yè)和企業(yè)微觀數(shù)據(jù)、客戶動(dòng)態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)4個(gè)部分。

數(shù)據(jù)處理層對(duì)底層采集的各類數(shù)據(jù)進(jìn)行整理形成產(chǎn)品和服務(wù)規(guī)則庫(kù)、客戶本體數(shù)據(jù)庫(kù)和客戶行為特征信息庫(kù)。服務(wù)數(shù)據(jù)處理層對(duì)客戶靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)進(jìn)行處理形成客戶行為特征信息庫(kù)和客戶本體數(shù)據(jù)庫(kù)，再通過(guò)對(duì)產(chǎn)品和服務(wù)規(guī)則庫(kù)、客戶服務(wù)信息庫(kù)和客戶本體數(shù)據(jù)庫(kù)的數(shù)據(jù)選擇、預(yù)處理和轉(zhuǎn)換，最終形成主題數(shù)據(jù)倉(cāng)庫(kù)，該庫(kù)主要存儲(chǔ)所有與客戶相關(guān)的個(gè)體信息。產(chǎn)品和服務(wù)規(guī)則庫(kù)主要存儲(chǔ)行業(yè)的現(xiàn)行標(biāo)準(zhǔn)，以及對(duì)現(xiàn)行標(biāo)準(zhǔn)的調(diào)整規(guī)則。在服務(wù)數(shù)據(jù)處理層中，數(shù)據(jù)挖掘引擎將抽取算法提供給由數(shù)據(jù)倉(cāng)庫(kù)中提取的數(shù)據(jù)，結(jié)合規(guī)則庫(kù)以及上一層的專家知識(shí)庫(kù)，抽取數(shù)據(jù)元素間的模式和關(guān)系，再經(jīng)過(guò)濾得到關(guān)注性的知識(shí)和信息，即知識(shí)發(fā)現(xiàn)。

客戶行為分析層是基于服務(wù)數(shù)據(jù)處理層之上的，這一層的目的主要是通過(guò)分析掌握客戶行為特征以及這些特征對(duì)服務(wù)的影響因子?？蛻粜袨榉治鰧拥闹饕獢?shù)據(jù)來(lái)源于數(shù)據(jù)處理層輸出的規(guī)則庫(kù)、客戶行為特征信息庫(kù)和客戶本體數(shù)據(jù)庫(kù)，在分析時(shí)需要運(yùn)用特定的算法對(duì)客戶行為進(jìn)行定量和定性描述，專家知識(shí)庫(kù)中存儲(chǔ)關(guān)于服務(wù)在特定的行為和環(huán)境下受影響程度的相關(guān)知識(shí)，通過(guò)分析判斷客戶行為對(duì)服務(wù)所產(chǎn)生的影響因子。影響因子進(jìn)入到服務(wù)規(guī)則匹配系統(tǒng)中，對(duì)從服務(wù)數(shù)據(jù)處理層進(jìn)行分析獲得的預(yù)測(cè)及相關(guān)知識(shí)給予修正，并進(jìn)一步推斷出具體的服務(wù)內(nèi)容和服務(wù)時(shí)機(jī)。

在整個(gè)服務(wù)挖掘構(gòu)架中，客戶行為分析是服務(wù)挖掘的核心。在客戶行為分析中，包括客戶行為指標(biāo)體系構(gòu)建、客戶行為分析和算法實(shí)現(xiàn)、客戶行為對(duì)服務(wù)內(nèi)容與服務(wù)時(shí)機(jī)的影響分析等主要內(nèi)容。通過(guò)對(duì)客戶行為特征數(shù)據(jù)的選取形成初步的客戶行為指標(biāo)體系，采用數(shù)理統(tǒng)計(jì)方法和人工神經(jīng)網(wǎng)絡(luò)、粗糙集等算法對(duì)指標(biāo)進(jìn)行篩選，進(jìn)而獲得降維后的精煉指標(biāo)體系。在此基礎(chǔ)上對(duì)主題數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行挖掘分析，得到客戶個(gè)性服務(wù)信息提取，運(yùn)用云模型、定性推理和本體論的方法進(jìn)行客戶信息轉(zhuǎn)換，使客戶特征化，從而獲得標(biāo)準(zhǔn)化的客戶行為數(shù)據(jù)，最后綜合客戶群共性特征庫(kù)構(gòu)建影響模型，通過(guò)關(guān)聯(lián)規(guī)則和神經(jīng)網(wǎng)絡(luò)等算法找出個(gè)體影響因子，個(gè)體影響因子可通過(guò)自適應(yīng)學(xué)習(xí)系統(tǒng)的自學(xué)習(xí)方式實(shí)現(xiàn)個(gè)體影響因子的修正?？蛻粜袨榉治隽鞒倘鐖D2所示。

圖2 客戶行為分析流程

在服務(wù)應(yīng)用發(fā)布層，企業(yè)需要對(duì)整個(gè)服務(wù)供應(yīng)鏈系統(tǒng)進(jìn)行重構(gòu)，即有針對(duì)性地整合資源，調(diào)整能力，進(jìn)行計(jì)劃的協(xié)調(diào)，最大限度地發(fā)揮現(xiàn)有資源的作用，滿足重點(diǎn)客戶或絕大部分客戶的服務(wù)需求。服務(wù)質(zhì)量取決于客戶期望的服務(wù)與客戶感知到的實(shí)際服務(wù)之間的差異，由于服務(wù)挖掘是對(duì)最佳服務(wù)的一種事先預(yù)測(cè)，通過(guò)服務(wù)挖掘提供給客戶的服務(wù)與客戶獲得服務(wù)后的滿意度感知會(huì)存在差異，這種差異將及時(shí)反饋到服務(wù)挖掘反饋系統(tǒng)感知器中進(jìn)行自適應(yīng)學(xué)習(xí)，隨后的服務(wù)方案輸出將使客戶的感知差異變小。服務(wù)挖掘反饋系統(tǒng)中將涉及到感知器的設(shè)計(jì)、自適應(yīng)學(xué)習(xí)的算法實(shí)現(xiàn)。

2 服務(wù)挖掘工具

2.1 數(shù)據(jù)采集

在服務(wù)挖掘中，從數(shù)據(jù)的采集、處理、分析到最后的實(shí)施，需要運(yùn)用各種手段和工具，尤其是各種算法分析工具和數(shù)據(jù)處理工具的合理運(yùn)作是服務(wù)挖掘效率高低的重要決定因素，在服務(wù)挖掘分析中運(yùn)用的主要工具涉及到數(shù)據(jù)采集、客戶行為描述、數(shù)據(jù)預(yù)處理和數(shù)據(jù)分析等方面。

在服務(wù)挖掘中，數(shù)據(jù)的采集是基礎(chǔ)，與其他數(shù)據(jù)挖掘和分析方式不同，服務(wù)挖掘更多地涉及到客戶的私有數(shù)據(jù)的分析和管理，對(duì)數(shù)據(jù)的完備性和及時(shí)性有較高的要求。對(duì)此，企業(yè)應(yīng)建立多元的客戶數(shù)據(jù)采集系統(tǒng)，通過(guò)電子商務(wù)平臺(tái)收集的數(shù)據(jù)是一種比較高效的方式，采用這種方式收集的數(shù)據(jù)具有較高的時(shí)效性，并且是比較清潔的數(shù)據(jù)，可以直接用于客戶行為分析。另外通過(guò)企業(yè)的客戶關(guān)系管理聯(lián)絡(luò)中心和客戶服務(wù)支持中心也可以獲得客戶的有關(guān)信息，但信息收集的效率取決于客戶的配合程度，其時(shí)效性和完備性都難以得到保障，獲得的數(shù)據(jù)需要進(jìn)行清洗、集成、歸約等技術(shù)處理，這種數(shù)據(jù)采集方式是企業(yè)獲取客戶數(shù)據(jù)的主要渠道。

2.2 數(shù)據(jù)預(yù)處理

通過(guò)各種渠道采集的原始數(shù)據(jù)是不完整、不一致或含有噪聲的，因此在數(shù)據(jù)挖掘和分析之前，需要對(duì)原始數(shù)據(jù)進(jìn)行清理、集成、變換和歸約處理，只有高質(zhì)量的數(shù)據(jù)才能保證高質(zhì)量的服務(wù)挖掘效果。在對(duì)數(shù)據(jù)空缺值進(jìn)行填充處理時(shí)可采用多種方式，如平均值填充、人工填寫，或用最可能的值填充，這時(shí)可用Bayesian公式、判定樹等方法通過(guò)對(duì)現(xiàn)有的數(shù)據(jù)進(jìn)行歸納判斷出最可能的值進(jìn)行填充［5-6］;數(shù)據(jù)噪聲是指變量中的隨機(jī)錯(cuò)誤和偏差，在坐標(biāo)上表現(xiàn)為個(gè)別點(diǎn)的尖銳凸起，需要用到分箱法、聚類法和回歸法進(jìn)行處理;數(shù)據(jù)集成是把多個(gè)數(shù)據(jù)源中的數(shù)據(jù)整合到一個(gè)存儲(chǔ)單元中，在集成中會(huì)產(chǎn)生大量的數(shù)據(jù)冗余，往往會(huì)用到相關(guān)性分析，如果兩集合中的數(shù)據(jù)具有較大的相關(guān)性，直接集成會(huì)產(chǎn)生大量數(shù)據(jù)冗余;在數(shù)據(jù)的變換中，常用到分類、概化和規(guī)范化等方法，數(shù)據(jù)歸約是為了提高服務(wù)挖掘的效率，通過(guò)對(duì)部分少量數(shù)據(jù)的挖掘和分析可以達(dá)到對(duì)整體數(shù)據(jù)庫(kù)處理的效果，數(shù)據(jù)歸約方式主要有數(shù)據(jù)立方體聚集、維歸約、數(shù)值歸約和壓縮等方式，常用的工具有線性回歸、多元回歸、直方圖和聚類等;數(shù)據(jù)的離散化主要用到分箱、直方圖和基于熵的離散化等方法。

2.3 客戶行為描述

在數(shù)據(jù)采集和數(shù)據(jù)挖掘分析過(guò)程中，不可避免地要建立定性描述的語(yǔ)言值和定量表示數(shù)值間的互換模型，實(shí)現(xiàn)數(shù)值與符號(hào)值之間的隨時(shí)轉(zhuǎn)換，連續(xù)量與離散量之間的隨時(shí)轉(zhuǎn)換，建立定性與定量彼此間的相互聯(lián)系、相互依存、性中有量和量中有性的映射關(guān)系。云模型和粗糙集是在客戶行為描述中常用到的方法和工具。

在統(tǒng)計(jì)數(shù)學(xué)和模糊數(shù)學(xué)的基礎(chǔ)上，可以用云模型來(lái)統(tǒng)一刻畫語(yǔ)言值與數(shù)值間的隨機(jī)性和模糊性。它是用語(yǔ)言值描述的某個(gè)定性概念與其定量表示之間的不確定性轉(zhuǎn)換模型。云的數(shù)字特征反映了定性概念的定量特征，分別用期望值Ex(Expected value)、熵 En(Entropy)和超熵 He(Hyper entropy)3個(gè)數(shù)值表示［7］。云的數(shù)字特征是描述云模型、產(chǎn)生虛擬云、實(shí)現(xiàn)云計(jì)算和完成云變換的數(shù)值基礎(chǔ)，也是從含有不確定性的空間數(shù)據(jù)庫(kù)或空間數(shù)據(jù)倉(cāng)庫(kù)中發(fā)現(xiàn)空間知識(shí)的基礎(chǔ)［8］。云模型使得定性概念與定量數(shù)據(jù)之間的轉(zhuǎn)換變得清晰、具體和可操作，同時(shí)又較真實(shí)地反映了轉(zhuǎn)換過(guò)程的不確定性［9］。

粗糙集理論是一種刻畫不完整性和不確定性信息的數(shù)學(xué)工具，能有效地分析不精確、不一致、不完整等各種不完備的信息，還可以對(duì)數(shù)據(jù)進(jìn)行分析和推理，從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律［10］。粗糙集的主要優(yōu)勢(shì)之一是它不需要任何預(yù)備的或額外的有關(guān)數(shù)據(jù)信息，如統(tǒng)計(jì)學(xué)中的數(shù)據(jù)的概率分布或者模糊集理論中的隸屬度等，因此對(duì)問(wèn)題的不確定性的描述或處理是比較客觀的［11］。粗糙集理論是利用數(shù)據(jù)本身提供的信息，在保留關(guān)鍵信息的前提下對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)并求得知識(shí)的最小表達(dá)，運(yùn)用粗糙集方法能識(shí)別并評(píng)估數(shù)據(jù)之間的依賴關(guān)系［12］。

2.4 服務(wù)挖掘涉及的算法

在服務(wù)挖掘中，要運(yùn)用概率統(tǒng)計(jì)工具和多種算法，各種算法有其各自的特點(diǎn)，適合于不同場(chǎng)合。人工神經(jīng)網(wǎng)絡(luò)、粗糙集、遺傳算法、決策樹和關(guān)聯(lián)規(guī)則是在分析中常用到的算法，在不同的服務(wù)挖掘中運(yùn)用最合適的算法，即算法匹配是服務(wù)挖掘能否有效的關(guān)鍵。如人工神經(jīng)網(wǎng)絡(luò)就適合于對(duì)數(shù)值型數(shù)據(jù)的處理，主要用于分類和預(yù)測(cè)，具有較強(qiáng)的魯棒性和容錯(cuò)性，運(yùn)算速度較快;而決策樹方法則適合于對(duì)非數(shù)值型數(shù)據(jù)的分析和處理，主要用于預(yù)測(cè)分析，粗糙集用于對(duì)不精確、不完整數(shù)據(jù)的處理，發(fā)現(xiàn)隱含知識(shí)、揭示內(nèi)在規(guī)律，關(guān)聯(lián)規(guī)則適合于對(duì)離散變量的處理，用于發(fā)現(xiàn)變量之間的內(nèi)在聯(lián)系和規(guī)律［13］。

3 服務(wù)挖掘模型

服務(wù)挖掘模型是建立在客戶行為差異對(duì)產(chǎn)品性能變化的影響規(guī)律和影響程度這一機(jī)理分析基礎(chǔ)之上的。

客戶行為差異是衡量客戶個(gè)體行為與群用戶行為之間關(guān)系的標(biāo)尺，是實(shí)現(xiàn)服務(wù)挖掘的關(guān)鍵。通過(guò)比較和度量個(gè)體行為特征與客戶群共性特征的偏差，將偏差與歷史服務(wù)數(shù)據(jù)進(jìn)行比對(duì)，可以找出客戶行為偏差對(duì)服務(wù)的影響規(guī)律，從而挖掘出所需的服務(wù)。行為差異是客戶行為與服務(wù)之間的聯(lián)系紐帶，將個(gè)性和共性特征歸納入庫(kù)進(jìn)行關(guān)聯(lián)規(guī)則運(yùn)算，可以找到其間的聯(lián)系，進(jìn)而與客戶服務(wù)數(shù)據(jù)庫(kù)對(duì)應(yīng)，形成服務(wù)方案，從而有針對(duì)性地為客戶提供其所需的服務(wù)。根據(jù)客戶行為數(shù)據(jù)，對(duì)客戶的使用行為習(xí)慣進(jìn)行統(tǒng)計(jì)分析，獲得客戶使用行為的規(guī)律以及客戶對(duì)某一特定產(chǎn)品的使用偏好特征，通過(guò)聚類分析來(lái)劃分不同的客戶群，建立客戶行為指標(biāo)體系，對(duì)客戶的行為特征進(jìn)行定量化描述，通過(guò)關(guān)聯(lián)分析等方法挖掘出客戶行為特征對(duì)每項(xiàng)服務(wù)所產(chǎn)生的行為差異影響因子，并結(jié)合標(biāo)準(zhǔn)服務(wù)指南和專家知識(shí)庫(kù)，預(yù)測(cè)出每個(gè)客戶下一次最有可能接受服務(wù)的內(nèi)容和時(shí)間，經(jīng)客戶認(rèn)可后的服務(wù)方案將保存于知識(shí)庫(kù)中或?qū)υ械闹R(shí)庫(kù)給予更新和完善，產(chǎn)生偏差的服務(wù)方案將反饋到自適應(yīng)學(xué)習(xí)系統(tǒng)中進(jìn)行自學(xué)習(xí)后的偏差識(shí)別，并對(duì)原有的服務(wù)方案重新調(diào)整。服務(wù)挖掘模型如圖3 所示［14］。

圖3 服務(wù)挖掘模型

在服務(wù)挖掘模型中，客戶的個(gè)性服務(wù)規(guī)則匹配是難點(diǎn)，其中涉及到數(shù)據(jù)和算法的匹配。不同客戶的消費(fèi)習(xí)慣是不同的，如某些汽車用戶對(duì)汽車的使用很有規(guī)律，用途也比較單一，維修部門里有經(jīng)驗(yàn)的專業(yè)人員通過(guò)用戶使用的時(shí)間就可以判斷出車輛狀況的變化規(guī)律，而另外的用戶在使用上可能沒有規(guī)律，其消費(fèi)行為受到很多主客觀因素影響，對(duì)不同類型的客戶采取統(tǒng)一的算法是不科學(xué)的。目前服務(wù)挖掘所提供的常用算法有決策樹、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、粗糙集和關(guān)聯(lián)原則等，這些算法在不同場(chǎng)合中各有優(yōu)缺點(diǎn)。另外一個(gè)難點(diǎn)就是客戶數(shù)據(jù)的收集，服務(wù)挖掘中所涉及的客戶數(shù)據(jù)一般是客戶的私有數(shù)據(jù)，目前服務(wù)挖掘的應(yīng)用領(lǐng)域還主要集中在通信、保險(xiǎn)、汽車修理服務(wù)和銀行等服務(wù)領(lǐng)域，這是因?yàn)樵谶@些服務(wù)領(lǐng)域中關(guān)于客戶的信息比較豐富，客戶私有數(shù)據(jù)相對(duì)容易獲得，因此如何有效地獲得客戶的私有數(shù)據(jù)是服務(wù)挖掘在應(yīng)用領(lǐng)域得以推廣的關(guān)鍵。

4 結(jié)論

以主動(dòng)服務(wù)為導(dǎo)向的服務(wù)挖掘是基于客戶行為、知識(shí)、服務(wù)規(guī)范和客戶數(shù)據(jù)的綜合應(yīng)用，也是企業(yè)為客戶提供最佳服務(wù)管理的思想方法。在服務(wù)領(lǐng)域，根據(jù)整理的客戶數(shù)據(jù)和選擇的算法，在服務(wù)挖掘的推理層進(jìn)行數(shù)據(jù)和算法的匹配，結(jié)合客戶行為分析，挖掘出客戶所需要的服務(wù)，從而得到最佳服務(wù)解決方案。

［1］馬剛，李洪心，楊興凱.客戶關(guān)系管理［M］.大連:東北財(cái)經(jīng)大學(xué)出版社，2008:12-65.

［2］曲昭偉，鄭巖，李廷杰.基于聚類實(shí)現(xiàn)客戶行為分析［J］.東北師大學(xué)報(bào):自然科學(xué)版，2006(6):19-21.

［3］WANG H，GONG C Q，LI Y.Service-mining based on the knowledge and customer databases［C］//Proceedings of 6thIEEE/ACIS ICIS 2007.［S.l.］:［s.n.］，2007:561-568.

［4］龔春強(qiáng).服務(wù)挖掘模型與算法研究［D］.武漢:武漢理工大學(xué)圖書館，2007.

［5］陳京民.數(shù)據(jù)倉(cāng)庫(kù)原理、設(shè)計(jì)與應(yīng)用［M］.北京:中國(guó)水利水電出版社，2004:153-175.

［6］王實(shí)，高文，李錦濤.Web數(shù)據(jù)挖掘［J］.計(jì)算機(jī)科學(xué)方法，2004(4):58-60.

［7］李德毅.知識(shí)表示中的不確定性［J］.中國(guó)工程科學(xué)，2000，2(10):73-79.

［8］范定國(guó)，賀碩，段副，等.一個(gè)基于云模型的綜合評(píng)判模型［J］.科學(xué)技術(shù)發(fā)展與經(jīng)濟(jì)，2003(9):157-159.

［9］周林.基于云理論和粗糙集的電信家庭客戶聚類分析預(yù)處理研究［D］.上海:同濟(jì)大學(xué)圖書館，2008.

［10］PAWLAK Z.Rough sets［J］.International Journal of Computer and Information Sciences，1982，11(5):341-356.

［11］趙炎，周文.基于粗糙集理論的知識(shí)密集型服務(wù)業(yè)集群創(chuàng)新能力評(píng)價(jià)研究［J］.軟科學(xué)，2009(4):46-55.

［12］RYBINSKIO M.Reducing information systems with uncertain attributes［C］//9thInternational Symposium on Foundations of Intelligent Systems.［S.l.］:［s.n.］，1996:366-375.

［13］陳榮秋，馬士華.生產(chǎn)與運(yùn)作管理［M］.北京:高等教育出版社，2005:288-290.

［14］王虎，毛文婷.基于云模型的電信客戶行為關(guān)聯(lián)規(guī)則研究［J］.武漢理工大學(xué)學(xué)報(bào):信息與管理工程版，2009，31(5):769-772.