利用数据挖掘技术提高饭店竞争力文档格式.docx
《利用数据挖掘技术提高饭店竞争力文档格式.docx》由会员分享，可在线阅读，更多相关《利用数据挖掘技术提高饭店竞争力文档格式.docx（4页珍藏版）》请在冰豆网上搜索。
据统计，数据发掘技术能够发现和跟踪数据集合中潜在的模式，因此，有人认为，在数据库中，处理隐藏的知识、不可意料的模式和新规则的发现的所有方法中，数据挖掘是最有效的。
如果没有数据挖掘技术，许多数据就很可能停留在未使用的阶段。
正是数据挖掘为饭店管理者提供了全面、深入地分析和了解顾客及其行为特征的重要助臂；
也正是由于其创造客户价值的能力，数据挖掘技术已经被国外一些饭店作为一个重要的竞争工具使用。
比如：
HiltonCorporation在它的BeverlyHills总部使用了软件，StarwoodCorporation也引进了UnicaCorp的Affmium软件。
数据挖掘的研究方法和步骤
饭店生存与否的关键，是它是否有能力为顾客提供令其满意的服务和设施，比如饭店的清洁状况、登记入住和结账是否方便快捷、饭店服务员是否有礼貌、价格是否合理等等。
但是要把这些对顾客偏好的了解转化为有效的竞争力，饭店就需要挖掘有效的客户特征信息。
而饭店是否能制定并执行切实可行的市场战略正是取决于饭店对客户偏好和行为特征的了解是否正确和全面。
因此，我们首先需要利用数据挖掘技术发掘出详细有效的客户特征信息。
定义目标
开发任何数据挖掘模型，都应该遵守目标同样的规则：
明确的目标，恰当的数据准备，合适的工具和技术，严格的处理和全面的验证。
常常被忽略也最值得强调的是，数据挖掘模型之间最主要的区别是目标的区别。
其处理步骤往往是相同的。
所以，我们在具体实施中，不仅要从建模的角度强调定义目标的重要性，还需要从商业的角度强调清晰定义目标的重要性。
数据准备
数据准备是数据挖掘模型开发过程的第一个步骤，也是最重要的步骤之一。
虽然数据挖掘的工具也很重要，但是数据是框架，模型的质量与底层的数据密切相关。
数据准备阶段包括这几个部分的工作——数据收集、数据清理、数据集成、数据转换和数据归约。
首先我们必须收集支持模型的有关数据。
只有对目标主体和市场有非常透彻的理解，才可能为目标模型选择出最佳的数据。
在有了建模所需的完整数据集以后，下一步需要对数据进行清理，即检查数据，找出错误、异常值和缺失值。
数据清理是数据准备过程中最花费时间、最乏味，但也是最重要的步骤，因为后面挖掘工作的质量依赖于数据的精确性和正确性。
为了使后面的挖掘工作易于进行，我们还需要进行数据集成，即将来自不同数据源的数据整合成一致的数据存储。
在拥有明确的目标和干净、准确的数据之后，还需要进行数据转换和数据归约，使数据能够发挥最佳效果。
选择数据挖掘工具和技术
数据挖掘工具有很多，比如：
规则归纳、聚类、决策树、遗传算法、神经网络等。
每个工具都有它的优点和缺点，不能简单的说哪种工具好，哪种不好。
我们需要针对具体的情况和饭店计划的目标来选择最适合的工具。
这个步骤包括定义模型结构、搜索和验证。
处理、验证和实现模型
模型开发的一个重要准则是：
用模型开发过程中未使用过的数据来验证模型。
这个准则可以检验模型的健壮性。
所以，在准备好数据、选择好合适的数据挖掘工具后，需要进行的是模型处理之前最后一个步骤——将数据文件分割成建模数据集和验证数据集两个部分。
然后，我们就可以用准备好的数据和数据挖掘工具处理模型了。
而建立的模型是否健壮，就需要在验证数据集上检验模型。
如果模型验证的结果不佳，可能是由于数据有问题、变量匹配差或建模使用的数据挖掘技术不合理等因素造成的，就需要使用合适的验证技术使模型更加严格、有效。
在成功地挖掘出有用的信息后，就可以利用这些信息来制定合适的市场战略。
通过这种方式，我们可以把数据挖掘技术挖掘出来的信息转化成为有效的企业竞争力。
数据挖掘技术在饭店业的应用
这里引用了一个基于韩国豪华饭店的实例研究，旨在说明数据挖掘技术在饭店业的有效性和实用性，并借此案例进一步阐明在饭店业使用数据挖掘技术的具体实施过程。
这个研究的目标是帮助饭店决策者建立饭店顾客的行为模式，并以此作为饭店制定可行市场战略的重要基础。
为了最大化地获取并反映饭店顾客的行为模式，研究者选择了韩国汉城在经营价格、地理位置等方面都相似的11家饭店，并在光顾这11家饭店的顾客中精挑细选出281位顾客，对其进行了问卷调查。
为了获得顾客情况的数据资料，研究者在问卷调查中通过设定的14个问题，主要考察了与之相关联的十多项数据。
这十多项数据来自以下三个方面：
顾客的人口统计学数据；
顾客的行为数据；
顾客的心理或态度数据。
值得强调的是，研究者为模型选择的数据是基于对饭店业本身以及顾客、市场情况等方面透彻理解之上的，比如研究者所考察的顾客对于饭店提供的某些服务的满意度数据，是从已经被证实与饭店服务质量紧密相关的属性中挑选出来的。
同时应指出，由于顾客满意度数据等是无法从饭店数据库得到的，所以研究者使用了问卷调查这一方式对建模数据进行了完善。
在获得了建模所需的数据之后，研究者首先对收集的数据进行了清理，即填写缺失值，平滑噪声数据，识别、删除孤立点，并纠正数据的不一致性。
但仅仅有准确的数据是不够的，还需要对一些数据进行处理。
在这个研究实例中，研究者主要是把对一些顾客属性数据转化为了简单的、便于处理的数字。
把研究中的11家饭店名称用数字1-11表示；
饭店把性别属性转化为0＝男性，1＝女性；
把国籍属性转化为：
1＝美国，2＝欧洲，3＝日本，4＝韩国，5＝除了日韩的亚洲；
把顾客对各项指标的满意度属性都转化为：
5=非常满意，4＝比较满意，3＝一般，2＝比较不满意，1＝完全不满意；
把顾客支付方式转化为1＝旅行支票，2＝现金，3＝信用卡；
把顾客旅游目的转化为1＝商务旅行，2＝旅游。
然后，研究者把所有的数据都安排到一个Excel文件中，并将其转化为SPSS格式，使后面的工作便于展开。
针对这个研究的目标——预测顾客在饭店选择、房间类型选择、支付方式等问题上的顾客行为模式，我们需要挖掘顾客行为模式与其人口统计学资料、对饭店各项服务或设施的满意度情况之间的相互关系。
而挖掘出的信息的商业价值在于为饭店经理人提供决策依据。
所以，挖掘出的信息必须是饭店经理人容易理解的。
这样，信息最终才能转化为饭店的优势竞争力。
正是由于上述各种原因，研究者在诸多数据挖掘技术中选择了结构和生成规则易于理解的决策树。
而在CART、、CHAID等多种建立决策树的算法中，研究者选择了，是由于其速度快、内存占用小、修剪能力和交互验证的特征能够使预测更精确。
为了能在具体实施中仅仅提炼出对饭店管理者设计有关战略有用的信息，而不是产生大量的规则集，研究者对训练数据集设置了一个精确度为50％的阀值，而且只选择了预测精确性超过80％的规则。
研究者最终使用SPSS的数据挖掘应用工具Clementine还是挖掘出了50多条有关规则。
这50多条规则从顾客的年龄、国籍、职业、性别、旅行目的、选择饭店、支付方式、光顾频率、在饭店的停留时间等各个方面具体剖析了顾客的行为模式，揭示了导致或影响这些顾客行为的各种因素，其中一些能够为饭店管理者提供决策上的支持。
挖掘出的这50多条规则中，有一些规则是比较明显的，是有经验的饭店管理者在管理工作中已经发现或是可以察觉的规则；
而另一些规则却是潜在的、是饭店管理者不易察觉或无法察觉的。
同时，挖掘出来的这50多条规则并不一定都是有用的或是有意义的，在管理者具体把这些规则用于管理实践中时，不同的战略目标往往需要不同的规则作为基础。
比如，研究者挖掘出了如下有关顾客光顾情况的规则：
若顾客为30多岁的男性或30岁至40多岁的女性，并已经光顾过某个饭店四次，那么这位顾客很有可能再光顾这家饭店或与之类似的饭店；
而40多岁的男性顾客已经光顾过某家饭店四次，则不太可能再次光顾这家饭店或与之类似的饭店；
光顾过某家饭店多于五次的女性顾客很可能再光顾这家饭店或与之类似的饭店十次以上；
如果顾客已经光顾过某家饭店两次，而且他住在饭店的标准层，又是直接在饭店预订房间的，同时他对于饭店房间的大小比较满意，那么这位顾客很可能再光顾这家饭店或与之类似的饭店五到九次。
上述有关顾客光顾情况表明：
这家饭店的管理者在对有价值顾客进行定位时，可以首先排除已经光顾过本饭店四次的40多岁的男性顾客，并把已经光顾过本饭店五次以上的女性顾客定位为最有价值顾客，同时把已经光顾过本饭店四次的30多岁的男性和30至40多岁的女性定位为比较有价值顾客。
这样，管理者就可以通过诸如仅针对有价值顾客进行常客奖励计划，以保留核心顾客，培养其忠诚度；
同时饭店还可以注意顾客预订房间的方式和选择的房间类型，并使饭店房间的布置更显宽敞来提高顾客满意度，着重对直接预订标准层房间，且已经光顾过饭店两次的顾客进行顾客有效的保留措施。
当然，上面所提到的定位有价值顾客和顾客保留只是数据挖掘运用到饭店管理中的两个例子；
在实际中，这些挖掘出来的规则还可以运用于饭店市场拓展、市场细分、顾客需求分析、创建个性化服务等很多方面。
有效的运用数据挖掘工具，并将其转化为切实可行的措施，能够给我们的饭店带来极具竞争力的优势。
特别是在数据挖掘技术在饭店业的应用还处于初始阶段的今天，早期有效采用数据挖掘技术能使其在饭店业中提升地位，更具竞争力。
参考资料：
1.刘静艳、颜亮，酒店常客奖励计划在我国的应用[J]，旅游科学，2002吴东晓，基于顾客的饭店品牌价值影响因素的实证研究[J]，南开管理评论，2003
升级会员 