数据挖掘技术在电信业务中的应用研究

论文摘要

数据挖掘技术是目前数据库领域最强大的数据分析手段。它的分析方法是利用已知的数据通过建立数学模型的方法找出隐含的规则。在电信领域中,理解不同客户群体的偏好、购物态度和价格观念是市场营销成功的关键。如何利用数据挖掘技术对客户的业务规则进行分析是新兴的电信行业关注的重要课题。本文介绍了数据挖掘技术的相关概念及其在电信领域的应用,对典型的聚类技术和关联规则挖掘技术进行了的分析。重点研究了适用于电信业务中客户细分和关联规则提取的数据挖掘算法。针对电信企业行业的特点,设计了一个基于数据挖掘技术的客户业务模型,采用K-means聚类技术和FP-growth关联规则挖掘技术进行电信业务的规则提取。首先根据电信数据集的客户属性进行聚类分析,将客户类型进行细分。然后通过关联规则挖掘技术客户的业务行为进行规则提取,从而对客户进行有针对的业务推荐。在模型基础上,设计了一系列针对电信数据挖掘的实验,对实验的思想、实现过程及性能评价进行了详细的论述。实验结果表明,该技术对于海量的电信业务数据具有挖掘时间短、规则准确率高等优点。总之,通过本文的工作,得出了应用数据挖掘对电信业务规则进行分析的过程。即依据历史数据和相关的数学模型,利用数据挖掘等分析方法,对客户的类型进行细分,然后对不同类型的客户属性、定制业务情况、客户服务投诉或交费等信息进行规则挖掘,提炼出该类型客户的行为特征,再将这些特征规则应用于现有的客户服务,从而可以对客户进行有针对性地业务推荐,采取相应的营销手段做到客户保持和客户发展。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 问题提出
• 1.2 国内外研究与应用现状
• 1.3 本文的研究工作
• 1.4 全文组织结构
• 第2章 相关技术及研究背景
• 2.1 数据挖掘概念
• 2.1.1 商业角度
• 2.1.2 技术含义
• 2.1.3 理论基础
• 2.2 数据挖掘方法简介
• 2.2.1 技术分类
• 2.2.2 表示模式和方法
• 2.2.3 数据挖掘的基本过程
• 2.3 K-means聚类技术
• 2.3.1 K-means算法简介
• 2.3.2 使用误差平方和准则函数的K-means算法
• 2.4 关联规则挖掘技术
• 2.4.1 关联规则概述
• 2.4.2 Apriori算法
• 2.4.3 FP-growth关联规则挖掘算法
• 2.5 电信业务挖掘背景
• 2.6 本章小结
• 第3章 电信业务数据挖掘方法
• 3.1 电信业务客户规则挖掘目标与任务
• 3.2 电信业务客户规则挖掘过程
• 3.2.1 业务问题定义
• 3.2.2 数据选择和清洗
• 3.2.3 模型的建立
• 3.3 数据准备
• 3.3.1 数据源
• 3.3.2 输入变量选择
• 3.3.3 选择目标用户
• 3.3.4 数据处理中的关键问题
• 3.3.5 数据记录举例
• 3.4 本章小结
• 第4章 基于聚类技术的客户细分模型
• 4.1 电信客户细分功能概述
• 4.2 电信客户细分功能模型
• 4.3 数据预处理
• 4.3.1 数据属性的原则
• 4.3.2 数据清洗
• 4.4 使用K-means算法实现结果
• 4.4.1 结果分析
• 4.4.2 低端客户的再次聚类结果
• 4.5 本章小结
• 第5章 基于关联规则挖掘的客户业务推荐
• 5.1 电信数据挖掘应用总体结构
• 5.2 业务挖掘流程设计
• 5.3 实验设计
• 5.3.1 总体设计
• 5.3.2 详细设计
• 5.4 关于推荐过程几点问题的说明
• 5.4.1 由频繁模式生成关联规则
• 5.4.2 推荐工作流程
• 5.5 实验评测
• 5.5.1 实验环境
• 5.5.2 实验结果
• 5.5.3 性能分析
• 5.5.4 错误率比较
• 5.6 本章小结
• 第6章 结束语
• 6.1 本文的主要贡献
• 6.2 未来工作
• 参考文献
• 致谢