基于数据挖掘技术的固网电信客户信用度研究

论文摘要

数据挖掘技术是目前数据仓库领域最强大的数据分析手段。它能利用已知的数据通过建立数学模型的方法找出隐含的规律,再利用这些规律为我们所用,如进行电信客户的深度挖掘,为制定市场营销战略提供参考。本课题的目的就是研究数据挖掘技术的实现,并将此技术运用于电信行业固网客户信用度评估中。使电信企业提高自身的竞争力,获得更多的利润。本文首先介绍了数据挖掘的基础理论,及相关的算法。随后以实际项目为依托,以CRISP_DM(Cross_industry Standard Process for Data Mining)建模过程为框架,逐步按照:商业理解,数据理解,数据准备,建立模型,模型选择与评估,模型发布的步骤,利用数据挖掘软件clementine,实现电信固网客户的信用度评估系统设计与实现。

论文目录

• 内容提要
• 第一章 引言
• 1.1 研究背景
• 1.1.1 数据挖掘技术的背景
• 1.1.2 我国电信行业客户信用度现状
• 1.2 本文主要工作和论文结构
• 1.2.1 论文的主要工作及研究方法
• 1.2.2 论文结构
• 1.3 论文创新点和意义
• 1.3.1 论文创新点
• 1.3.2 论文意义
• 第二章 数据挖掘技术研究综述
• 2.1 数据挖掘的定义及目的
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的目的
• 2.2 数据挖掘的分析方法
• 2.2.1 关联分析
• 2.2.2 序列模式分析
• 2.2.3 分类分析
• 2.2.4 聚类分析
• 2.3 数据挖掘的主流算法
• 2.3.1 神经元网络
• 2.3.2 决策树
• 2.3.3 粗集方法
• 2.3.4 遗传算法
• 2.4 数据挖掘步骤
• 2.4.1 理解和定义问题
• 2.4.2 数据的收集和抽取
• 2.4.3 数据的整合
• 2.4.4 数据的清洗
• 2.4.5 建立挖掘模型
• 2.4.6 数据挖掘结果的评估
• 2.4.7 数据挖掘模型的发布
• 2.5 数据挖掘应用
• 2.5.1 科学研究
• 2.5.2 金融投资
• 2.5.3 市场营销
• 2.5.4 保险业
• 2.5.5 制造业
• 2.5.6 通信网络管理
• 2.6 数据挖掘未来研究方向
• 第三章 运营分析系统简介
• 3.1 分析系统硬件介绍
• 3.2 分析系统软件介绍
• 3.3 分析系统功能介绍
• 第四章 本文使用的主要数据模型及算法简介
• 4.1 神经网络
• 4.1.1 神经网络概述
• 4.1.2 神经元基本模型
• 4.1.3 神经网络的基本原理
• 4.1.4 神经网络信息处理的基本特性
• 4.1.5 神经网络的学习方式及学习算法
• 4.1.5.1 学习方式
• 4.1.5.2 学习算法
• 4.2 决策树
• 4.2.1 决策树算法简介
• 4.2.2 衡量决策树分裂好坏的常用标准
• 4.2.3 决策树的优点
• 4.2.4 决策树的用处
• 4.2.5 算法
• 第五章 固网电信客户信用度评估的设计与实现
• 5.1 项目需求
• 5.2 数据的收集和抽取
• 5.2.1 数据源描述
• 5.2.2 数据质量描述
• 5.3 数据准备
• 5.3.1 数据的整合
• 5.3.2 清洗数据
• 5.3.3 构建数据
• 5.3.4 选择数据
• 5.3.5 确定训练集和结果集
• 5.4 建立挖掘模型
• 5.4.1 神经网络模型
• 5.4.2 C5.0 决策树模型
• 5.5 模型选择
• 5.6 模型发布
• 第六章 总结
• 参考文献
• 论文摘要
• Abstract
• 致谢