面向企业关系价值分析的数据挖掘方法研究

摘要

随着经济全球化进程的加快，越来越多的企业已经认识到，只有从战略的高度出发，寻求、培育和发展合作伙伴，组成关系网络，才能适应新时期下的竞争环境。然而，在企业合作环境下，企业的长期战略是要确定企业和各关系方的关系层次，而关系价值是关系层次的直接决定性因素。因此，深入开展企业关系价值的研究工作具有重要理论意义和现实意义。现有的企业关系理论和分析方法多从客户视角来研究企业与客户之间的关系价值，研究视角较为单一。为了真实、全面地反映出企业关系价值分析对形成核心竞争力和实现经济可持续发展的作用，更需要明确地从企业视角来探讨企业间的关系价值的构成内容。因此，针对目前企业关系价值研究中存在的问题，本文做了较为深入的研究工作，以期为企业关系价值分析研究提供一种全新的理论与方法框架。
　　首先，本文在对国内外不同学者所界定的关系价值的基本含义进行概括的基础上，从一个全新的角度，对企业关系价值的内涵进行了界定。通过对影响企业关系价值主要因素的分析，确定了企业关系价值的基本构成维度，并详细阐述了企业关系价值创造的主要过程。针对企业关系价值分析问题的特点，在依据初始测量指标选取原则的基础上，利用文献梳理和深度访谈两种方法来获取反映不同企业关系价值层面的初始测量指标，并生成相应的初始测量量表。同时依据预调研的结果，采用内部一致性和探索性因子分析方法对初始测量指标进行净化，构建了反映企业关系价值的度量指标体系，并以此为依据，通过正式调研来获取企业关系价值分析的数据。
　　其次，针对企业关系价值细分及群体特征发现问题，本文设计了分析规则提取框架来挖掘隐藏在企业关系价值数据集中的规律。该框架结合了聚类分析和决策树两种方法，首先根据企业关系价值数据集高维和数据边界难以确定的特性，设计了基于系统能量理论的聚类集成算法对不同合作企业的关系价值进行聚类分析，并把企业关系价值分为不同的群体；然后利用决策树 C4.5算法，挖掘出每个企业关系价值群体数据中隐藏的规则，并对规则进行分析，最终发现企业关系价值的群体特征。
　　再次，针对企业关系价值识别和企业关系价值定位问题，本文根据企业关系价值难以量化度量的特点，在对企业关系价值进行聚类分析和规则提取的基础上，提出了企业关系价值分级度量的主要思想，并设计了企业关系价值分级度量模型的基本框架。同时，根据企业关系价值数据指标体系的特点，在基于模糊支持向量机基本原理的基础上，结合一对多多分类方法，构建了一种实用的企业关系价值分级度量模型，来对企业关系价值进行度量，并最终确定企业关系价值所属级别。
　　另外，针对企业关系价值提升问题，本文首先依据企业关系价值的数据集特点，创新性地将动态模糊逻辑理论应用于动作关联规则挖掘中，利用动态模糊隶属函数对数据集进行动态模糊化，并以此为基础，提出了模糊动作关联规则的概念及确切的形式化描述。同时，设计出了 FARM模糊动作关联规则算法，对企业关系价值真实数值型数据进行挖掘，并挖掘出提升企业关系价值的主要规则。
　　最后，依据上述研究工作成果，设计并开发出面向企业关系价值分析的数据挖掘原型系统，利用该系统对企业关系价值进行了实例分析，以期为企业间合作提供一个有效的决策支持平台。

目录

面向企业关系价值分析的数据挖掘方法研究

STUDY ON Data Mining methods oF ENTERPRISE Relationship Value ANALYSIS

摘要

Abstract

第1章 绪论

1.1 课题背景

1.2 问题提出

1.3 研究目的与意义

1.3.1 研究目的

1.3.2 研究意义

1.4 国内外研究现状及评述

1.4.1 企业关系价值研究现状

1.4.2 相关数据挖据方法研究现状

1.4.3 企业关系价值分析数据挖掘方法研究现状

1.4.4 企业关系价值分析研究评述

1.5 技术路线与研究方法

1.5.1 技术路线

1.5.2 研究方法

1.6 研究内容与论文结构

1.6.1 研究内容

1.6.2 论文结构

第2章 企业关系价值分析的基本理论及数据基础

2.1 企业关系价值内涵及特征

2.1.1 企业关系价值内涵

2.1.2 企业关系价值特征

2.2 企业关系价值影响因素及构成维度

2.2.1 企业关系价值影响因素

2.2.2 企业关系价值构成维度

2.3 企业关系价值的创造过程

2.3.1 企业关系价值创造的层次结构

2.3.2 企业关系价值创造承载要素

2.3.3 企业关系价值创造模式

2.4 企业关系价值分析的数据基础

2.4.1 初始测量量表开发

2.4.2 预调研及初始测量量表净化

2.4.3 度量指标体系构建

2.4.4 企业关系价值分析数据来源

2.5 企业关系价值分析的逻辑体系

2.6 本章小结

第3章 企业关系价值分析规则提取

3.1 企业关系价值分析规则提取基本框架

3.2 聚类集成算法

3.2.1 聚类集成基本理论

3.2.2 聚类集成算法框架

3.2.3 K-ETMC聚类集成算法

3.2.4 聚类集成算法实验结果

3.3 决策树算法

3.3.1 C4.5决策树算法

3.3.2 决策树的规则提取

3.4 企业关系价值分析规则提取实例

3.4.1 数据预处理

3.4.2 分析规则提取过程

3.4.3 规则分析

3.5 本章小结

第4章 企业关系价值分级度量模型

4.1 企业关系价值分级度量模型的建立

4.1.1 模型建立思想

4.1.2 企业关系价值分级度量模型框架

4.2 统计学习理论与支持向量机

4.2.1 机器学习

4.2.2 经验风险最小化原则

4.2.3 统计学习理论

4.2.4 支持向量机理论

4.3 模糊支持向量机方法

4.3.1 模糊隶属度的确定

4.3.2 模糊支持向量机算法描述

4.4 企业关系价值分级度量实例

4.4.1 样本数据的选取及数据预处理

4.4.2 企业关系价值分级度量结果

4.5 本章小结

第5章 企业关系价值提升规则的挖掘

5.1 问题描述

5.2 动态模糊逻辑

5.2.1 动态模糊逻辑相关定义

5.2.2 动态模糊逻辑的基本运算

5.2.3 动态模糊隶属函数的确定

5.3 模糊动作关联规则

5.3.1 模糊动作关联规则的相关定义

5.3.2 模糊动作关联规则的形式化描述

5.4 FARM算法

5.4.1 算法描述

5.4.2 算法挖掘过程

5.4.3 算法性能测试

5.5 企业关系价值提升规则挖掘实例

5.5.1 企业关系价值提升规则挖掘结果

5.5.2 企业关系价值提升规则分析

5.6 本章小结

第6章 企业关系价值的数据挖掘系统及应用验证

6.1 企业关系价值数据挖掘系统结构

6.2 企业关系价值数据挖掘过程

6.3 系统实现

6.3.1 系统实现技术

6.3.2 系统开发环境

6.3.3 系统的主界面

6.4 系统应用实例及分析

6.4.1 应用实例

6.4.2 应用效果分析

6.5 本章小结

结论

参考文献

附录

攻读博士学位期间发表的学术论文

攻读博士学位期间的主要科研成果

哈尔滨工业大学博士学位论文原创性声明

哈尔滨工业大学博士学位论文使用授权书

致谢

个人简历