数据挖掘技术在电信客户细分中的应用研究

论文摘要

随着电信市场竞争的不断加剧,如何针对不同的客户群实施差异化营销和服务,如何对客户进行细分和分类已成为当前电信企业的迫切需求。随着管理信息系统的广泛应用,电信企业积累了越来越多的客户数据,面对海量的客户数据,传统的客户细分方法已无法满足业务发展的复杂分析需求。随着数据挖掘技术在电信企业管理中应用的深入,采用数据挖掘方法进行多层次、多维度、有针对性的客户细分变得十分重要和紧迫。数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。本文针对电信行业客户细分,做了如下主要工作:首先,介绍了国内外电信行业客户细分常用方法,比较分析了各数据挖掘算法的特点。结合电信领域的海量数据及数据高维度特点,重点阐述了经典K-means算法的设计思想,针对K-means算法作了细致全面的分析,确定了以优化初值和提高执行效率作为算法改进的关键点,提出了适合于通信行业客户细分的K-nd算法思想,并完成算法的详细设计。其次,介绍了数据挖掘的整个流程和数据仓库的架构模式,在该系统架构之内,设计实现了客户细分系统。该系统以K-nd为核心,通过修改不同的K值和样本点的个数,对结果进行修正,从而得到了合理的聚类结果。最后,采集省内某地市公司的样本数据,结合部分经验值,对系统进行了验证,并对细分结果进行了分析和比对,实验结果表明,K-nd算法运行效率较高,模型合理,为今后实现与操作型客户关系管理系统的联机互动做了有益的探索。本论文一方面可以在理论上丰富电信企业客户细分和数据挖掘领域的研究,另一方面,在实践上又可为电信企业客户细分问题的解决提供更多的方法选择,进而为我国电信企业在以客户为中心的管理理念背景下,利用数据挖掘技术提高企业竞争力具有一定的指导意义与应用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究目的和意义
• 1.2 问题提出和选题背景
• 1.2.1 问题的提出
• 1.2.2 选题背景
• 1.3 国内外研究现状
• 1.3.1 电信客户细分研究和应用现状
• 1.3.2 数据挖掘研究及其在电信领域的应用
• 1.3.3 数据挖掘在电信应用中存在的问题
• 1.4 研究内容和思路
• 1.5 本文内容安排
• 第二章 数据挖掘技术
• 2.1 数据仓库的概念
• 2.3 数据仓库的结构
• 2.4 数据仓库建设的基本步骤
• 2.5 数据仓库的关键技术
• 2.5.1 OLAP 技术
• 2.5.2 数据挖掘技术
• 2.6 数据挖掘技术的由来
• 2.7 数据挖掘定义
• 2.8 数据挖掘的主要任务
• 2.8.1 数据总结
• 2.8.2 分类
• 2.8.3 关联分析
• 2.8.4 聚类
• 2.8.5 预测
• 2.9 数据挖掘常用技术和工具
• 2.9.1 数据挖掘常用技术
• 2.9.2 数据挖掘常用工具
• 2.10 数据挖掘的实施过程
• 2.11 模型建立的具体步骤
• 第三章 电信客户细分方法研究
• 3.1 客户细分方法
• 3.1.1 经验值
• 3.1.2 RFM 分析
• 3.1.3 客户价值矩阵
• 3.1.4 Hopfield 分析法
• 3.2 电信客户细分方法
• 3.3 基于数据挖掘电信客户细分方法
• 3.4 基于数据挖掘电信客户细分模型设计
• 第四章 电信客户细分数据准备
• 4.1 电信客户特征分析
• 4.2 数据理解
• 4.2.1 客户
• 4.2.2 用户
• 4.2.3 帐单
• 4.2.4 帐户
• 4.2.5 帐本
• 4.2.6 帐务周期
• 4.2.7 清单
• 4.3 客户细分指标的选择
• 4.3.1 电信客户维度分析
• 4.3.2 变量修剪
• 4.4 电信客户细分的数据准备
• 4.4.1 电信数据仓库建设
• 4.4.2 电信数据组织与数据常见问题
• 4.4.2.1 电信数据组织
• 4.4.2.2 常见的数据问题
• 4.5 数据预处理
• 4.5.1 数据抽取
• 4.5.2 数据清洗
• 4.5.3 数据转换
• 4.6 数据整理
• 第五章 聚类算法分析及K-means 算法的改进
• 5.1 聚类概念
• 5.2 聚类算法的比较分析
• 5.2.1 划分方法
• 5.2.2 层次的方法
• 5.2.3 基于密度的方法
• 5.2.4 基于网格的方法
• 5.2.5 基于模型的方法
• 5.3 K-means 聚类算法分析
• 5.3.1 K-means 聚类基本思想
• 5.3.2 K-means 算法处理流程
• 5.4 K-nd 算法
• 5.4.1 初始凝聚点的选择
• 5.4.2 算法效率的改进
• 第六章 客户细分模型的建立与分析
• 6.1 客户细分模型的建立
• 6.1.1 基于K-means 聚类算法的客户细分模型设计
• 6.1.2 聚类分析算法的实现
• 6.1.3 聚类数目的选择
• 6.1.4 聚类结果的优化
• 6.2 客户细分模型的评价
• 6.2.1 无指导的评价
• 6.2.2 有指导的评价
• 6.2.3 K-means 算法与K-nd 算法分析比较
• 6.3 客户细分结果分析
• 第七章 结论与展望
• 7.1 主要结论
• 7.2 后续研究工作的展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果