电信运营商为电信消费者提供网络服务,能够取得丰富的数据资源。为了发掘这些数据的价值,本文设计并实现了一个基于运营商大数据的二手房产中介客户分类系统,利用改进的随机森林分类方法、MapReduce并行计算框架、聚类分析等大数据处理技术,并结合数理统计、复杂网络方面的数据分析方法与网络爬虫技术,从每天的运营商通话记录中提取房产中介潜在客户并对其按照租房者、出租者、购房者、售房者以及其他等类别进行划分,以供房产中介进行精准营销。分类算法是整个系统的核心,本文提出一种改进的随机森林分类算法,包括三个改进:(1)通过数学和实验证明,对平衡数据,增加重复抽样的样本量可以有效提高准确率;(2)通过采用简单随机抽样等效替代原有的重复抽样,减少该算法的运行时间,提高系统效率;(3)采用回归分析得到不平衡度与重复抽样的定量关系为..,最终根据运营商大数据的不平衡度得到适用于本系统的重复抽样样本量。系统分为数据采集子系统、数据预处理子系统、数据分析子系统和反馈调整子系统。数据采集子系统主要负责收集房产经纪人数据。数据预处理子系统通过并行化处理技术过滤掉与房产经纪人无关的通话记录,并通过并行化处理技术从中提取出潜在的客户,以及他们的所有通话行为信息。数据分析子系统利用改进的随机森林算法对潜在客户进行分类,特别当系统处于冷启动阶段还没有训练样本时,系统利用数理统计的R语言构建可视化维度图,利用复杂网络中的分析软件Cytoscape构建可视化交互作用网络,利用机器学习的聚类分析方法对初始样本集进行分析,帮助快速获取训练样本以及梳理特征维度组合。反馈调整子系统是将后续系统运行中获得的符合条件的带标签样本加入到训练样本库中,不断对分类系统进行调整,细化分类边界让后续的分类更加准确。通过将改进的随机森林分类算法应用到基于运营商大数据的二手房产中介客户分类系统,采用最初的训练样本作为测试样本进行测试,得到分类错误率为21.1379%左右,比未改进的分类错误率(21.5274%)低0.3895%。应用了改进随机森林算法的分类系统准确率在79%左右,对房产中介销售业绩提升有促进作用。