基于Boosting算法的某移动通信公司客户离网分析与预测

发布时间：2021-01-12 21:03

　　资源对于很多企业来说是非常有限的,如何合理利用有限的资源是企业发展过程中必须要考虑的问题之一,移动通信行业由于其行业的特殊性,问题尤其显得突出。目前许多运营商仍然将大量的精力及资源投入到发展新客户中去,而对于公司现有的客户却没有相应有效的维护机制,导致了发展一批客户的同时,却失去了更多地用户,形成了所谓的“旋转门效应”,这种情况不仅使得运营商未从中获益,而且造成了运营商内部的资源浪费。为了对移动通信行业客户流失问题进行研究分析,本文选择某移动通信公司作为研究对象。通过对该公司内部情况的了解以及对问题的深入分析,最终总结出问题的关键在于该公司的客户数据量庞大,客户行为存在许多不确定性,很难对其进行有效维护,而且操作过程耗费资源量大,则需要引入可以对所有在网客户将来行为进行预测的机制。基于以上考虑,本文总结了该公司客户流失产生的六条基本原因,并采用了逐步筛选的方法,分别从身份证信息是否完整、数据时间的界定等方面对该公司提供的客户基本信息及消费信息等数据进行了相应的数据处理,进而概括出15个可能影响客户流失的变量,然后利用了直方图检验和卡方检验对变量的预测能力做出了相应的检验,最终确定了其中... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

身份证信息是否完整对应的客户离网率

图 3-2 离网客户的年龄分布据图 3-2 的离网客户的年龄分布，我们可以发现将年龄大致可以：0-23 岁、24-30 岁、31-46 岁、47-60 岁、61 岁以上，其中 0-23一些值得考虑的问题，一般初中以下不会办理身份证，即可以将认为是 6-23 岁。另外，考虑到有一部分客户在数据库中是没有身则这些客户的年龄也相应地缺失了，则本文将这部分客户作为一年龄段进行对比分析。经过相应地数据处理，得到如下图 3-3 所

图 3-2 离网客户的年龄分布据图 3-2 的离网客户的年龄分布，我们可以发现将年龄大致可以：0-23 岁、24-30 岁、31-46 岁、47-60 岁、61 岁以上，其中 0-23一些值得考虑的问题，一般初中以下不会办理身份证，即可以将认为是 6-23 岁。另外，考虑到有一部分客户在数据库中是没有身则这些客户的年龄也相应地缺失了，则本文将这部分客户作为一年龄段进行对比分析。经过相应地数据处理，得到如下图 3-3 所

【参考文献】：
期刊论文
[1]基于Boosting RBF神经网络的入侵检测[J]. 党长青,刘洁,牛分中.  计算机工程与应用. 2008(15)
[2]Boosting算法在基因表达谱样本分类中的应用[J]. 刘全金,李颖新.  计算机工程与应用. 2008(14)
[3]基于Boosting RBF神经网络的人体行为识别[J]. 叶银兰.  计算机工程与应用. 2008(13)
[4]Boosting算法及其在中医亚健康数据分类中的应用[J]. 李霞,何丽云,刘超.  中国卫生统计. 2008(02)
[5]基于boosting算法的交通事件检测[J]. 孙熙,李夏苗.  交通运输系统工程与信息. 2007(05)
[6]一种基于Boosting的油田水淹层识别算法[J]. 尚福华,易雄鹰.  西南民族大学学报(自然科学版). 2007(01)
[7]Boosting算法及其在化学数据挖掘中的应用[J]. 姚志湘,杨锦瑜,张倩,刘雪颖,陈晓伟.  广西工学院学报. 2006(04)
[8]基于数据挖掘的移动通信客户消费行为分析[J]. 刘蓉,陈晓红.  计算机应用与软件. 2006(02)
[9]电信行业客户流失分析的决策树技术[J]. 郭彦伟.  科技和产业. 2005(11)
[10]南京移动客户流失分析[J]. 蒋正君.  江苏通信技术. 2005(06)

硕士论文
[1]两类Cox风险模型的破产问题的研究[D]. 杨圣举.天津工业大学 2007



本文编号：2973540