分类预测技术在移动通信企业数据挖掘分析中的应用研究

发布时间：2020-06-28 11:42

【摘要】： 随着移动通信市场竞争的不断加剧和市场的日益饱和,移动通信企业的市场营销逐步由过去的产品中心论演变为客户中心论。以客户为中心、深入了解客户、引导客户、留住客户、提升现有客户的价值、提高客户的满意度、降低客户的流失率是提高移动通信企业利润的主要方法；通过品牌迁移实施有效的客户保持、通过投诉客户信用分级管理实现缩短投诉处理流程以及提高投诉处理的有效性是目前移动通信公司经常采用的手段之一。本文针对拜年卡用户品牌迁移以及投诉客户信用评价等市场营销需求,研究了分类预测技术在移动通信企业数据挖掘分析中的应用,设计和开发了具有高度实用性的数据挖掘算法以及适合于移动通信公司市场营销与管理人员使用的数据挖掘模型,提出了具体的技术实施方案,取得了比较好的应用效果。本文所做的工作主要包括两个方面。一是分析了数据仓库、数据挖掘、商业智能技术及其在移动通信企业中的应用,重点分析了数据挖掘技术中的分类预测技术。二是对分类预测技术中的隐马尔可夫模型方法以及层次分析方法进行了具体的研究与工程实现,并将其分别应用于移动通信企业的客户品牌迁移以及客户信用评价分级管理。论文的创新性既在算法研究方面有所体现,又在工程应用方面有所体现。在理论和算法研究方面,针对传统的层次分析方法运算效率低、主观性强的缺点,对传统方法进行了改进,提出了两种改进的层次分析方法,即：邻比判断矢量法、信息增益法。基于邻比判断矢量的层次分析法在计算权值系数时避免了矩阵的本征分解运算,提高了运算效率；基于信息增益的层次分析法避免了在因素之间进行重要性的主观判断,直接通过信息增益确定各因素或指标的重要程度(权值),是一种客观的评价方法,避免了传统层次分析方法中可能存在的主观逻辑上的不一致性以及主观性过强、不一定符合客观实际的问题。在工程应用方面,将基于隐马尔科夫模型的分类预测方法应用于移动通信企业拜年卡客户的品牌迁移,并提出了具体的技术实施方案；将两种改进的层次分析法应用于移动通信企业投诉客户的信用评价中,并提出了具体的技术实施方案；取得了较好的工程应用效果。
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TP311.13;F626
【图文】：

示意图,学习建模,数据分类,示意图

2.4分类预测的基本概念基于数据集的数据分类过程主要包含两个步骤:第一步，如图2.1所示，建立一个描述已知数据集类别或概念的模型，即利用已知类别的数据建立分类模型;该模型是通过对数据库中各数据行内容的分析而获得的。每一数据行都可以是属于一个确定的数据类别，其类别值是由一个属性值来描述的，分类学习方法所使用的数据集称为训练样本集合;因此分类学习又称为监督学习，它是在已知训练样本类别情况下，通过学习建立相应模型;而无教师监督学习则是训练样本的类别与类别个数均未知的情况下进行的。通常分类学习所获得的模型可以分为分类规则形式，决策树形式或者数学公式形式以及其他形式(例如:本文研究的层次分析模型、隐马尔科夫模型等)。例如:给定一个顾客信用信息数据库，通过学习所获得的分类规则可用于对未知的数据进行识别判断，同时也可以帮助用户更好地了解数据库中的内容。馨尽艘名汪明王教李勇年龄<30<加30‘碍0动隧刻图2.1数据分类过程中的学习建模示意图第二步

示意图,数据分类,分类预测,示意图

如果一个学习所获模型的准确率经测试被认为可以接受的，那么就可以使用这一模型对未来数据行或对象进行分类预测。例如:在图2一1中的用训练数据集学习并获得分类规则知识。在图2.2中则利用学习获得的分类规则知识，对已知测试数据进行模型准确率的评估，以及对未知的新顾客进行分类预测。与分类学习方法相比，分类预测方法可以认为是对未知类别数据行或对象的类别(属性)取值，利用学习所获的模型进行预测。从这一角度出发，分类与回归是两种主要预测形式。前者用于预测离散或符号值:后者则是用于预测连续或者有序值。通常数据挖掘中，将预测离散无序类别的数据归纳方法称为分类预测方法，而将预测连续有序值的数据归纳方法称为数值预测方法。目前分类与预测方法已被广泛应用于各行各业，如在信用评估、医疗诊断、性能预测和市场营销等实际应用领域。2.5有关分类与预测的若干问题在进行分类预测之前

【引证文献】