动态网络社区检测在电信业客户流失分析中的应用

发布时间：2017-07-08 04:08

  本文关键词：动态网络社区检测在电信业客户流失分析中的应用

  更多相关文章： 客户流失分析 动态网络社区检测 群体演化 客户关系管理 电信

【摘要】：通信技术的快速发展和互联网技术的创新使得电信企业之间的竞争日益加剧。微信、微博等即时通讯和在线社会媒体的流行使得人与人之间的通信方式和模式变得多元化，电信业客户对运营商的服务满意度和忠诚度日趋下降，给传统通信企业带来了巨大的冲击。因此，客户流失管理成为运营商既重要又紧迫的任务。分析客户行为的变化是客户流失预测的重要基础，及时发现具有流失倾向的客户，可以为电信运营商预防、维系和挽留现有客户等提供强有力的辅助作用。 如何及时、有效地预测和挽留即将流失的客户是电信运营商实施客户关系管理的关键问题，它对运营商保持客户资源和提升市场竞争力具有决定性的作用。目前，国内外对电信业客户流失分析的研究主要根据客户的历史消费汇总特征和人口统计信息等属性型数据，并采用传统数据挖掘技术中的分类或聚类方法建立流失预测模型，以分析客户在未来一段时间的流失倾向性。然而，传统的电信客户流失分析不但没有考虑客户之间社会关系对其流失行为的影响，而且建立的模型是基于历史的静态数据而不能很好地预测未来动态变化的客户行为。此外，流失分析的对象是单个客户个体，使得具有大量客户的电信运营商在客户维系和管理上需要消耗较高的成本。 电信客户的社交关系对其流失行为具有重要的影响作用，本文旨在通过电信客户之间的通话详细记录（关系型数据）探索客户的社会关系网络（称为电信呼叫网络），从中发现客户社区（即具有紧密社会关系的社交圈）及其变化特性，及早地预测客户社区的流失倾向性。本文从客户社会关系及其变化的角度研究客户流失行为，不仅考虑了流失行为的社会因素，而且基于动态电信呼叫网络建立的预测模型能很好地应用于不断变化的新数据，并以客户群为对象分析客户流失，，大大降低了管理成本。然而，现有研究在面向大规模动态网络的快速社区检测及演化分析的效率和拓展性方面仍存在不足，因此，本文提出一种增量式动态网络社区检测方法，通过增量式社区更新和社区结构压缩存储的方式解决现有方法的局限性，进而提出一种基于动态网络社区检测的电信客户流失分析框架。 实验结果表明：本文提出的面向大规模动态网络的社区检测及演化分析方法，能快速、准确地发现现实网络中的客户社区及变化特征。基于电信运营商提供的客户通话详细数据构建的电信呼叫网络，采用本文提出分析框架构建的流失分析模型，能有效地预测客户社区的流失倾向性。总地来说，本文研究不仅为电信业客户流失管理提供一种新的视角和手段，同时也丰富了社会网络分析及其相关领域的研究。
【关键词】：客户流失分析 动态网络社区检测 群体演化 客户关系管理 电信
【学位授予单位】：广东外语外贸大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：F626;F274
【目录】：

• 摘要4-5
• Abstract5-10
• 第1章 绪论10-16
• 1.1 研究背景10-12
• 1.2 研究内容和目标12-13
• 1.2.1 研究目标12
• 1.2.2 研究内容12-13
• 1.3 主要贡献13-14
• 1.3.1 理论贡献13-14
• 1.3.2 实践贡献14
• 1.4 研究的创新点14
• 1.5 本文框架14-16
• 第2章 文献综述16-28
• 2.1 电信客户流失概述16-17
• 2.1.1 基本概念16
• 2.1.2 客户流失原因的分类16-17
• 2.2 基于传统数据挖掘的电信客户流失分析17-21
• 2.2.1 数据挖掘技术概述17-19
• 2.2.2 基于分类的客户流失分析19-20
• 2.2.3 基于聚类的客户流失分析20
• 2.2.4 基于混合方法的客户流失分析20-21
• 2.2.5 传统电信客户流失分析的局限性21
• 2.3 社会网络分析理论21-26
• 2.3.1 基本概念21-22
• 2.3.2 社区检测及其应用22-24
• 2.3.3 社区质量评估方法24-26
• 2.4 基于社会网络分析的电信客户流失分析26
• 2.5 小结26-28
• 第3章 动态网络社区检测方法28-38
• 3.1 基本概念28-29
• 3.2 动态网络社区检测方法的分类29-31
• 3.2.1 基于两阶段的的方法29-30
• 3.2.2 基于多目标优化的方法30-31
• 3.2.3 增量式社区检测方法31
• 3.3 现有动态网络社区检测方法的局限性31-32
• 3.4 一种面向大规模动态网络的社区检测方法32-37
• 3.4.1 相关定义和概念32-35
• 3.4.2 增量式社区检测与更新35-36
• 3.4.3 基于二分条件的社区演化分析36-37
• 3.5 小结37-38
• 第4章 基于动态网络社区检测的电信客户流失分析框架38-45
• 4.1 基于社会网络的电信客户流失相关概念38-41
• 4.1.1 电信客户的社会关系与社区38-39
• 4.1.2 基于社区演化的客户流失分析39
• 4.1.3 基于 k-means 聚类的社区分类及特征分析39-41
• 4.2 研究框架与方法41-44
• 4.2.1 电信呼叫网络的构造和流失客户标记42-43
• 4.2.2 构建社区发现与演化模型43
• 4.2.3 客户群流失预测及评估43-44
• 4.3 小结44-45
• 第5章 模型构建与应用45-57
• 5.1 数据理解与准备45-51
• 5.1.1 数据概况45-46
• 5.1.2 数据预处理46-49
• 5.1.3 电信呼叫网络的统计特征理解49-51
• 5.2 流失预测模型构建与结果分析51-55
• 5.2.1 社区检测与更新结果51-53
• 5.2.2 基于 k-means 聚类的客户社区分类及特征分析53-54
• 5.2.3 社区演化分析与流失预测54
• 5.2.4 具有流失倾向的客户价值度量54-55
• 5.3 模型评估55
• 5.4 模型应用55-56
• 5.5 小结56-57
• 第6章 总结与展望57-60
• 6.1 研究工作总结57-58
• 6.2 研究的不足及展望58-60
• 参考文献60-63
• 致谢63-64
• 在学期间的研究成果及发表的学术论文64-65
• 在学期间参与的科研项目65

【参考文献】

中国期刊全文数据库 前6条

1 罗彬;邵培基;罗尽尧;刘独玉;夏国恩;;基于竞争对手反击的电信客户流失挽留研究[J];管理科学学报;2011年08期

2 杨楠;林松祥;高强;孟小峰;;一种从马尔可夫聚类簇发现潜在WEB社区特征的方法[J];计算机学报;2007年07期

3 邝涛;张倩;;改进支持向量机在电信客户流失预测的应用[J];计算机仿真;2011年07期

4 公茂果;张岭军;马晶晶;焦李成;;Community Detection in Dynamic Social Networks Based on Multiobjective Immune Algorithm[J];Journal of Computer Science & Technology;2012年03期

5 黄发良;肖南峰;;基于线图与PSO的网络重叠社区发现[J];自动化学报;2011年09期

6 罗彬;邵培基;罗尽尧;刘独玉;夏国恩;;基于蚁群算法的成本敏感线性集成多分类器的客户流失研究[J];中国管理科学;2010年03期

本文编号：532949