網(wǎng)絡(luò)化物業(yè)管理系統(tǒng)中數(shù)據(jù)挖掘的應(yīng)用

郎振紅

(天津電子信息職業(yè)技術(shù)學(xué)院,天津 300132)

網(wǎng)絡(luò)化物業(yè)管理系統(tǒng)中數(shù)據(jù)挖掘的應(yīng)用

郎振紅

(天津電子信息職業(yè)技術(shù)學(xué)院,天津 300132)

針對(duì)住宅小區(qū)日益走向物業(yè)化管理,眾多的物業(yè)公司都應(yīng)用計(jì)算機(jī)實(shí)施網(wǎng)絡(luò)化的物業(yè)管理及物業(yè)管理系統(tǒng)中已經(jīng)存在大量數(shù)據(jù)的現(xiàn)狀,認(rèn)為可以構(gòu)建數(shù)據(jù)挖掘模型,通過(guò)頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則,最終得出有效的物業(yè)費(fèi)收取決策,使物業(yè)公司的效益實(shí)現(xiàn)最大化。

數(shù)據(jù)挖掘;關(guān)聯(lián)規(guī)則;物業(yè)管理

隨著城市各種高檔小區(qū)、公寓、別墅的拔地而起,與之配套的物理管理也逐步走向網(wǎng)絡(luò)化管理、智能化管理和現(xiàn)代化管理。但絕大多數(shù)的物業(yè)公司都是自主經(jīng)營(yíng)、自負(fù)盈虧,物業(yè)費(fèi)的收取成為各物業(yè)公司一項(xiàng)非常重要的工作。多數(shù)小區(qū)物業(yè)公司都已經(jīng)應(yīng)用了計(jì)算機(jī)網(wǎng)絡(luò)管理,經(jīng)過(guò)數(shù)年的正常運(yùn)轉(zhuǎn)后,在物業(yè)管理系統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)中積累了大量的收費(fèi)信息數(shù)據(jù)和用戶基本信息數(shù)據(jù)?？梢越Y(jié)合當(dāng)今較為流行的數(shù)據(jù)挖掘技術(shù)充分利用這些積累的數(shù)據(jù)信息,從中挖掘出有用信息,以便提高信息利用率,更合理地配置現(xiàn)有資源,實(shí)現(xiàn)物業(yè)公司的最大利潤(rùn)率。本文主要闡述利用數(shù)據(jù)挖掘技術(shù)如何實(shí)現(xiàn)物業(yè)管理系統(tǒng)的信息挖掘操作,并為物業(yè)公司制定出相應(yīng)的收費(fèi)決策。

一、數(shù)據(jù)挖掘的相關(guān)理論知識(shí)

1.數(shù)據(jù)挖掘技術(shù)

所謂數(shù)據(jù)挖掘(Data Mining)是指從大量數(shù)據(jù)中提取或發(fā)現(xiàn)知識(shí)[1]。它通常要利用相關(guān)的數(shù)據(jù)挖掘模型,從大量的紛繁復(fù)雜的數(shù)據(jù)中抽取用戶感興趣的數(shù)據(jù)信息,并且通過(guò)支持度與可信度的計(jì)算將抽取出來(lái)的數(shù)據(jù)信息進(jìn)行量化,從而識(shí)別出用戶真正感興趣的、具有極強(qiáng)關(guān)聯(lián)關(guān)系的信息,作為用戶決策的依據(jù)和挖掘潛在需求的參考。在實(shí)際的數(shù)據(jù)挖掘中,面對(duì)大量的數(shù)據(jù)信息提取和發(fā)現(xiàn)知識(shí)的具體操作步驟為:定義分析主題,進(jìn)行數(shù)據(jù)預(yù)處理;設(shè)計(jì)數(shù)據(jù)模型,進(jìn)行數(shù)據(jù)變換和選擇;綜合使用多種數(shù)據(jù)挖掘方法建立數(shù)據(jù)挖掘模型;對(duì)挖掘出的模式進(jìn)行評(píng)估和實(shí)施[2]。

2.關(guān)聯(lián)規(guī)則

所謂關(guān)聯(lián)是指兩個(gè)或多個(gè)變量的取值之間存在某種規(guī)律性。在眾多的數(shù)據(jù)當(dāng)中如果兩個(gè)或多個(gè)數(shù)據(jù)之間存在著某種聯(lián)系或規(guī)律性的關(guān)系稱(chēng)之為數(shù)據(jù)關(guān)聯(lián),它是數(shù)據(jù)庫(kù)中存在的一類(lèi)重要的可被發(fā)現(xiàn)的知識(shí)[3]。通過(guò)關(guān)聯(lián)的分析可以找出數(shù)據(jù)倉(cāng)庫(kù)中潛在的數(shù)據(jù)信息的關(guān)系網(wǎng),以此作為發(fā)現(xiàn)知識(shí)的出發(fā)點(diǎn)規(guī)劃出相應(yīng)的關(guān)聯(lián)函數(shù),并且計(jì)算生成規(guī)則的可信度,以此作為數(shù)據(jù)挖掘的基礎(chǔ)信息,完成數(shù)據(jù)挖掘操作以及實(shí)現(xiàn)系統(tǒng)分析與決策處理。迄今為止,最典型的關(guān)聯(lián)規(guī)則的應(yīng)用案例就是“啤酒和尿布”的實(shí)例。通過(guò)數(shù)據(jù)挖掘商家了解到關(guān)聯(lián)信息之后,便從貨架上物品擺放的位置、倉(cāng)庫(kù)儲(chǔ)備商品的數(shù)量等方面進(jìn)行規(guī)劃并作出相應(yīng)的進(jìn)貨計(jì)劃方案和銷(xiāo)售決策方案。

3.關(guān)聯(lián)規(guī)則挖掘算法

Apriori算法是最經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法,是由Agrawal首次提出的,是基于計(jì)算候選集的遞推方法,其思想是利用已知的高頻數(shù)據(jù)集推導(dǎo)其他高頻數(shù)據(jù)項(xiàng)集,是一種寬度優(yōu)先算法[4]。該算法的核心思想就是尋找頻繁項(xiàng)集,并且利用了頻繁項(xiàng)集的向下封閉性,即頻繁項(xiàng)集的子集必須是頻繁項(xiàng)集。根據(jù)這一突出的特點(diǎn)產(chǎn)生新的候選項(xiàng)集,然后計(jì)算支持?jǐn)?shù),將小于規(guī)定數(shù)據(jù)值的分支進(jìn)行修剪,最終完成關(guān)聯(lián)規(guī)則的挖掘操作。但該算法存在著候選項(xiàng)集數(shù)目龐大,最小支持度設(shè)定困難等缺陷,本文提出了一種改進(jìn)的Apriori算法的設(shè)計(jì)思想。

二、應(yīng)用關(guān)聯(lián)規(guī)則對(duì)物業(yè)系統(tǒng)中數(shù)據(jù)的挖掘

1.定義分析主題進(jìn)行數(shù)據(jù)預(yù)處理

通過(guò)對(duì)物業(yè)管理系統(tǒng)中數(shù)據(jù)的挖掘操作找出相應(yīng)的關(guān)聯(lián)規(guī)則,最終得出居住在本小區(qū)內(nèi)不同類(lèi)型的業(yè)主交納物業(yè)費(fèi)的習(xí)慣,以便物業(yè)公司的收費(fèi)人員因人而異采取不同的收費(fèi)策略。針對(duì)與該主題相關(guān)的數(shù)據(jù)信息和背景知識(shí)進(jìn)行如下的分析處理。

(1)業(yè)主交費(fèi)政策。每月的前十天收取本月物業(yè)費(fèi),但為了鼓勵(lì)業(yè)主主動(dòng)上交費(fèi)用,并對(duì)沒(méi)有特殊原因而逾期交費(fèi)用的業(yè)主進(jìn)行相應(yīng)的懲罰,物業(yè)公司制定了業(yè)主交費(fèi)的相應(yīng)政策。按月交費(fèi)的業(yè)主按實(shí)際費(fèi)用收取;一次性上交三個(gè)月物業(yè)費(fèi)的可以享受2%的優(yōu)惠;一次性上交六個(gè)月的可以享受5%的優(yōu)惠。故意拖欠物業(yè)費(fèi)的,在當(dāng)月10日之后至月末之前交費(fèi)的業(yè)主,加收1%的懲罰款;超出當(dāng)月月末應(yīng)當(dāng)加收5%的懲罰款;如果再延長(zhǎng)一個(gè)月加收10%的懲罰款,以這種遞進(jìn)關(guān)系以此類(lèi)推。因此,交費(fèi)金額P與交費(fèi)時(shí)間T之間存在著T→P的對(duì)應(yīng)關(guān)系。

(2)數(shù)據(jù)庫(kù)的基本信息。物業(yè)公司管理系統(tǒng)使用的是關(guān)系數(shù)據(jù)庫(kù)SQL Server2005,這個(gè)數(shù)據(jù)庫(kù)系統(tǒng)具有數(shù)據(jù)倉(cāng)庫(kù)的功能,可以作為數(shù)據(jù)挖掘的后臺(tái)數(shù)據(jù)倉(cāng)庫(kù)使用。為了更有效地進(jìn)行關(guān)聯(lián)規(guī)則的應(yīng)用,本文選取了表1作為數(shù)據(jù)挖掘的基礎(chǔ)信息。

表1 關(guān)系數(shù)據(jù)庫(kù)中的數(shù)據(jù)表

其中,交費(fèi)月份為業(yè)主所交納該筆費(fèi)用應(yīng)為哪一個(gè)月份的物業(yè)費(fèi),而交費(fèi)時(shí)間為業(yè)主交費(fèi)的具體日期。由于具體交費(fèi)金額是根據(jù)房產(chǎn)面積進(jìn)行計(jì)算的,因此,數(shù)據(jù)表中較為明顯的關(guān)系是A→P。

(3)數(shù)據(jù)庫(kù)構(gòu)建技術(shù)。本系統(tǒng)的開(kāi)發(fā)平臺(tái)使用的是具有數(shù)據(jù)倉(cāng)庫(kù)功能的關(guān)系數(shù)據(jù)庫(kù)SQL Server 2005,并且運(yùn)用了OLAP工具建立的多維數(shù)據(jù)模型。該模型將數(shù)據(jù)看作立方體(data cube)形式,其中,數(shù)據(jù)立方體由維和事實(shí)定義。根據(jù)關(guān)聯(lián)規(guī)則的相關(guān)性分析,可以得出與業(yè)主交費(fèi)記錄相關(guān)的維度表與其事實(shí)表的模型,如圖1所示。

圖1 維度表與其事實(shí)表模型圖

2.分析數(shù)據(jù)信息并設(shè)計(jì)數(shù)據(jù)模型

(1)不同時(shí)間交費(fèi)信息的泛化分析。交費(fèi)記錄都詳細(xì)而明確地記載在管理系統(tǒng)中,因此,在不同時(shí)間段交費(fèi)的業(yè)主數(shù)量與具體的交費(fèi)時(shí)間之間可以形成明確的量化關(guān)系,通過(guò)二維表格的形式予以表達(dá),見(jiàn)表2。

(2)不同交費(fèi)方式信息的泛化分析。根據(jù)業(yè)主的具體情況可以采取不同的交費(fèi)方式,但是每戶業(yè)主的交費(fèi)方式不是一成不變的,因此本文以2009年11月為例將交費(fèi)方式與該方式對(duì)應(yīng)的業(yè)主數(shù)量進(jìn)行量化,見(jiàn)表3。

表2 2009年11月物業(yè)費(fèi)不同時(shí)間段交費(fèi)信息表

表3 2009年11月物業(yè)費(fèi)不同交費(fèi)方式信息表

3.業(yè)主信息匯總分析

(1)業(yè)主住房面積分析。選取共有2 170戶業(yè)主的小區(qū),對(duì)住房面積進(jìn)行聚類(lèi)分析,并在住房面積與住房類(lèi)型之間進(jìn)行概化分析,得出房型可分為一室小戶型(面積=56 m2)、兩室中等戶型(56 m2<面積≤90 m2)、三室一廳大戶型(90 m2<面積≤114 m2)、三室兩廳大戶型(114 m2<面積≤132 m2)和四室超大戶型(132 m2<住房面積≤168 m2)等信息。由于物業(yè)費(fèi)的計(jì)算是根據(jù)住房面積按每平米進(jìn)行核算,收取金額是與住房面積有密切關(guān)系的,面積越大交納的費(fèi)用就越高,所以,在住房面積與實(shí)際所要交納的物業(yè)費(fèi)用之間存在著很強(qiáng)的關(guān)聯(lián)關(guān)系,因此,在建立數(shù)據(jù)模型進(jìn)行關(guān)聯(lián)挖掘時(shí)可以考慮選取住房類(lèi)型作為關(guān)聯(lián)挖掘的依據(jù)執(zhí)行下鉆操作。

(2)業(yè)主所從事的職業(yè)性質(zhì)分析。業(yè)主的工作性質(zhì)決定了其收入以及在家時(shí)間,收入和時(shí)間又與選擇交納物業(yè)費(fèi)用的方式之間存在著較強(qiáng)的關(guān)聯(lián)關(guān)系,因此,將此小區(qū)所有業(yè)主的工作性質(zhì)、收入與在家時(shí)間進(jìn)行了劃分,即工作性質(zhì)=企、事業(yè)單位(周一至周五每天工作8小時(shí)),收入=中等,在家時(shí)間=每天晚上和周末;工作性質(zhì)=自由職業(yè),收入=中、低檔間波動(dòng),在家時(shí)間=不確定;工作性質(zhì)=擁有私家公司,收入=較高,在家時(shí)間=周末;工作性質(zhì)=退休,收入=較低,在家時(shí)間=全天候;工作性質(zhì)=無(wú)職業(yè),收入=無(wú)保障,在家時(shí)間=全天候?？梢?jiàn),工作性質(zhì)是進(jìn)行數(shù)據(jù)挖掘的又一依據(jù)。

4.改進(jìn)的關(guān)聯(lián)規(guī)則挖掘

考慮頻繁項(xiàng)目集的子集也是頻繁的,非頻繁項(xiàng)目集的超集也是非頻繁的,為了節(jié)省系統(tǒng)的運(yùn)行時(shí)間,提高數(shù)據(jù)挖掘效率,因此考慮減少無(wú)用的候選項(xiàng)子集,從而實(shí)現(xiàn)不用剪枝的下一級(jí)候選頻繁項(xiàng)集[5-6]。具體的算法思想是:先設(shè)定最小支持度,掃描事務(wù)數(shù)據(jù)庫(kù),用一張?zhí)囟ǖ臄?shù)據(jù)表B記載事務(wù)中的項(xiàng)集和出現(xiàn)次數(shù),將該表存入候選1-項(xiàng)集的數(shù)據(jù)表中,將小于最小支持度的項(xiàng)集刪除,便得到頻繁1-項(xiàng)集。然后在任意兩個(gè)不同的頻繁1-項(xiàng)集引用中一個(gè)去掉第一個(gè)元素,另一個(gè)去掉最后一個(gè)元素后如果完全相等,則這兩個(gè)頻繁1-項(xiàng)集引用可以合并成一個(gè)2-項(xiàng)集引用,因此,將頻繁1-項(xiàng)集連接產(chǎn)生2-項(xiàng)集,將其存入候選2-項(xiàng)集的數(shù)據(jù)表,然后接著掃描事務(wù)數(shù)據(jù)庫(kù),對(duì)每個(gè)候選項(xiàng)集的支持計(jì)數(shù),便得到頻繁2-項(xiàng)集,同理重復(fù)執(zhí)行上述的步驟,直至候選項(xiàng)集的所有子集都不是頻繁項(xiàng)集時(shí),便找到了所有的頻繁項(xiàng)集,算法終止[7-8]。

(1)設(shè)置數(shù)據(jù)挖掘的基本屬性信息。首先設(shè)定最小支持度為2%,可信度為50%,然后設(shè)定所要考察的數(shù)據(jù)信息,本次挖掘選擇了2009年11月份該小區(qū)的物業(yè)交費(fèi)數(shù)據(jù),從數(shù)據(jù)庫(kù)中抽出如下的字段:房產(chǎn)面積、工作性質(zhì)、交費(fèi)金額、交費(fèi)時(shí)間、優(yōu)惠政策、懲罰政策等作為數(shù)據(jù)挖掘依據(jù)。

(2)生成頻繁項(xiàng)集。根據(jù)改進(jìn)的Apriori算法得到候選項(xiàng)集C1,計(jì)算最小支持度,將小于2%的信息刪除,得到頻繁項(xiàng)集L1,以L1及數(shù)據(jù)表B為基礎(chǔ),構(gòu)造候選集C2,計(jì)算最小支持度,將小于2%的信息刪除,得到頻繁項(xiàng)集L2,以此類(lèi)推,直至形成頻繁項(xiàng)集合L為止。

(3)產(chǎn)生關(guān)聯(lián)規(guī)則。在頻繁項(xiàng)集中將可信度大于50%的規(guī)則作為數(shù)據(jù)挖掘的范圍,剔除不符合邏輯的規(guī)則,最終得到強(qiáng)關(guān)聯(lián)規(guī)則,如表4。

表4 業(yè)主與交費(fèi)傾向的強(qiáng)關(guān)聯(lián)規(guī)則

(4)總結(jié)物業(yè)收費(fèi)策略。為了使得物業(yè)公司效益最大化,本文通過(guò)構(gòu)造的數(shù)據(jù)挖掘模型,制定出相應(yīng)的收費(fèi)策略:

①對(duì)于中、小戶型的業(yè)主,職業(yè)或是退休或是在企、事業(yè)單位上班,由于他們?cè)诩視r(shí)間比較固定,每月收入固定且屬于中等收入水平,因此,一次性上交三個(gè)月費(fèi)用的優(yōu)惠政策對(duì)他們極有吸引力,物業(yè)公司可以在周末采用上門(mén)收費(fèi)的方式,以便減少不交或漏交費(fèi)用情況的發(fā)生。

②對(duì)于大戶型或超大戶型的業(yè)主,職業(yè)是擁有私家公司,由于他們?cè)诩視r(shí)間不固定,但月收入較高,這些業(yè)主看中的不是優(yōu)惠政策而是時(shí)間,因此,對(duì)于他們最好采取一次性交納六個(gè)月費(fèi)用的政策,物業(yè)公司可以先通過(guò)電話與這些業(yè)主商議交費(fèi)時(shí)間,采用個(gè)案分析法,通?？梢詫⑹召M(fèi)時(shí)段規(guī)定在六月或年底一次性收取。

③對(duì)于大、中、小戶型的業(yè)主,職業(yè)或是企、事業(yè)單位或是自由職業(yè),這些人占小區(qū)的人數(shù)比例較大,收入有保障,在家時(shí)間基本可以確定,因此,物業(yè)公司可以采取在每月規(guī)定的交費(fèi)時(shí)間段,組織專(zhuān)門(mén)的人員進(jìn)行集中式收費(fèi)。

④對(duì)于中、小戶型的無(wú)職業(yè)者的業(yè)主,由于他們收入無(wú)保障,但他們?cè)诩視r(shí)間較多,物業(yè)公司可以派人多次上門(mén)催交,也可以適當(dāng)采取一些減免政策,保證物業(yè)公司的損失降到最低。

三、結(jié) 語(yǔ)

該模型的實(shí)際使用確實(shí)收到了預(yù)期的效果,無(wú)論從理論應(yīng)用、方法改進(jìn)、算法設(shè)計(jì)等方面都體現(xiàn)出該數(shù)據(jù)挖掘模型構(gòu)造的成功。但是從挖掘的靈活性、交互性、智能性等方面還有待于提高。

[1]Han Jiawei,Kamber M.數(shù)據(jù)挖掘:概念與技術(shù)[M].范明,孟小峰,譯.北京:機(jī)械工業(yè)出版社,2001.

[2]冀振明,陶世群.基于電信運(yùn)營(yíng)中大客戶流失的數(shù)據(jù)挖掘模型[J].計(jì)算機(jī)工程與應(yīng)用,2004(23):169-171.

[3]董引娣.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則在零售業(yè)中的應(yīng)用[J].重慶科技學(xué)院學(xué)報(bào):自然科學(xué)版,2010(1):121-123,146.

[4]王偉勤,鄭海.Apriori算法的進(jìn)一步改進(jìn)[J].計(jì)算機(jī)與數(shù)字工程,2009(4):20-23.

[5]戰(zhàn)立強(qiáng),劉大昕.頻繁項(xiàng)集快速挖掘算法研究[J].哈爾濱工程大學(xué)學(xué)報(bào),2008(3):266-271.

[6]戴小廷.Apriori算法的改進(jìn)及其在電力數(shù)據(jù)挖掘中的應(yīng)用[J].沈陽(yáng)理工大學(xué)學(xué)報(bào),2010(1):18-22.

[7]董祥軍,王淑靜,宋瀚濤,等.負(fù)關(guān)聯(lián)規(guī)則的研究[J].北京理工大學(xué)學(xué)報(bào),2004(11):978-981.

[8]董萍.關(guān)聯(lián)規(guī)則在學(xué)生成績(jī)中的數(shù)據(jù)挖掘[J].三門(mén)峽職業(yè)技術(shù)學(xué)院學(xué)報(bào),2009(4):117-120.

The Use of Data Mining in Networked Property Management System

LANG Zhen-hong
(Tianjin Vocational College of Electronics and Information Technology,Tianjin 300132,China)

It is pointed out that building data mining model is feasible,based on the current situation:the housing districts are moving towards property management day by day;many property managementcompanies tend touse computers and achievenetworked property management;there are a large number of data in property management system.The association rules will be generated through frequent items.An effective charging policy of property management fee will be drawed finally,maximizing the benefit of property management companies.

data mining;association rules;property management

TP 311.13

A

1008-3863(2011)04-0088-04

2011-01-19

郎振紅(1975-),女,天津人,天津電子信息職業(yè)技術(shù)學(xué)院講師,碩士。

【責(zé)任編輯 祝 穎】