数据挖掘在移动通信业客户流失管理中的应用

介绍了利用数据挖掘技术处理移动通信业中的客户流失问题,包括建立客户流失预测模型的过程,对模型的评价及与营销活动的关系,其中针对传统ID3算法的不足,提出了一种加权熵的思想,对ID3算法进行了改进,并运用该改进的算法实现了整个建模过程。     

数据挖掘在4G用户离网预警中应用研究

随着通信运营商之间的竞争日趋激烈,如何精确预测、定位用户离网倾向显得越来越重要。因此,文章提出了一种基于数据挖掘技术的用户离网预警的方法。首先设计了预离网识别模型总体框架,并提出了用户特征的提取方法。然后利用BP神经网络对用户是否有离网倾向进行快速识别。实验结果表明文章提出的方法能有效预测用户的预离网倾向,为企业提前开展预警挽留流程和提前启动关怀流程提供了有力支撑,从而提升了4G用户的保有率。     

数据挖掘在客户流失管理中的应用

客户流失是通信行业的难题。阐述了数据挖掘技术的数据分析、信息处理和预测功能,并举例介绍了数据挖掘在客户流失管理中的应用。     

基于数据挖掘的移动通信业客户细分研究

随着3G时代的到来,移动通信业竞争日益加剧,客户细分工作显得越来越重要.本文以CRISP-DM方法论为基础,探讨聚类分析方法在移动通信客户细分领域的应用,并重点比较了经过R型聚类提取细分变量前后聚类效果.     

基于数据挖掘的电信客户流失预测分析

针对电信客户日益严重地流失问题,通过某电信运营商的历史资料,对电信PAS流失客户的自然属性和行为属性进行研究,利用决策树算法建立了客户流失预测模型。通过对模型进行评估分析,得到预测效果较好的模型,最后加入成本因素,进一步优化了模型。     

基于数据挖掘的移动通信业客户细分研究

随着3G时代的到来,移动通信业竞争日益加剧,客户细分工作显得越来越重要。本文以CRISP—DM方法论为基础,探讨聚类分析方法在移动通信客户细分领域的应用,并重点比较了经过R型聚类提取细分变量前后聚类效果。     

数据挖掘技术在暗网威胁情报信息中的应用

Tor暗网隐藏服务是目前最为流行的暗网之一,是各类违法内容的主要载体,如何获取尽可能多的Tor网隐藏服务数据,并对其内容实体、非法事件进行检测与分析,是对暗网内容进行监管的重要途径。该研究方案对如何针将暗网中的数据进行采集与分析进行了详细的设计,针对不同的网站运用此方案都可以有效地对暗网进行访问并采集数据,并且相比人工采集来说,最大限度地使用了网站的查询接口,提高查询量。     

衰退和离网阶段的客户生命周期管理在中国电信之应用研究

随着我国电信业发展开始饱和、竞争加剧、客户流失加大,各大运营商纷纷引进客户生命周期管理这一新兴理论.本文以该理论的应用为基础,着重探讨如何构建电信客户挽留体系对衰退和离网阶段的客户进行有效的管理,保持有价值的客户,延长其在网时间,从而提高客户生命周期总价值.     

数据挖掘在电信客户价值管理中的应用

电信业竞争本质上是对价值客户的竞争,客户价值管理可以增强企业的竞争优势。数据挖掘是企业进行客户价值管理的有效工具,介绍了数据挖掘技术在电信客户价值管理中的应用。     

数据挖掘技术在光传送网管理系统中的应用

光传送网管理系统负责管理包含光传送网层网络实体的网络单元,是电信管理网的一部分。将数据挖掘技术引入光传送网管理领域,构建一套基于数据挖掘技术的光传送网管理系统。首先分析数据挖掘在光传送网管理系统中应用的必要性,然后建立基于数据挖掘的光传送网管理系统的体系结构和功能模型,最后构建该系统的数据挖掘流程图。该系统具有智能性、自动性和远程性,为光传送网管理系统的开发和利用奠定了基础。     

基于数据挖掘技术的电信业客户流失管理框架

本文首先阐述了客户资源的重要性,然后对客户流失这一当今运营商普遍遭遇的难题进行了分析.接着从理论上指出了过去客户保持手段的弊端,分析了防止客户流失的新思路和途径,并总结和归纳了电信业以客户流失管理为主题的数据挖掘项目的几个关键点.在此基础上,提出了基于数据挖掘的客户流失解决方案框架.     

数据挖掘在移动通信市场的应用

数据挖掘在企业市场营销中得到广泛应用。在移动通信领域,数据挖掘技术和方法被用于进行客户行为分析、建立交叉销售模型、客户忠诚度分析、反欺诈分析、流失预警等等。     

Key-Attributes-Based Ensemble Classifier for Customer Churn Prediction

Recently, it has been seen that the ensemble classifier is an effective way to enhance the prediction performance. However, it usually suffers from the problem of how to construct an appropriate classifier based on a set of complex data, for example, the data with many dimensions or hierarchical attributes. This study proposes a method to constructe an ensemble classifier based on the key attributes. In addition to its high-performance on precision shared by common ensemble classifiers, the calculation results are highly intelligible and thus easy for understanding. Furthermore, the experimental results based on the real data collected from China Mobile show that the key-attributes-based ensemble classifier has the good performance on both of the classifier construction and the customer churn prediction.     

移动式数据挖掘平台模型

本文提出了一种移动式网络海量数据挖掘平台，给出了数据挖掘任务的形式化描述，详细讨论了平台的体系结构、工作原理与流程。该平台克服了传统网络计算模式的缺陷，支持对异质、分散数据源和知识源的挖掘和检索，具有开放性、可伸缩性、灵活性、可扩展性、健壮性。     

Web日志数据挖掘中数据预处理模型的研究与建立

数据的质量直的好坏接关系到数据挖掘的结果,因此数据预处理是Web日志数据挖掘首要的步骤,基于前期提出的几种数据预处理方法,提出了通用的Web日志挖掘的数据预处理模型,将Web日志数据的预处理分为5个步骤:数据清理、用户标识、会话标识、路径补充和格式化,并结合旅游网站进行了实例验证。证明该数据预处理模型是完全可行,并且具有良好的通用性和可扩展性。     

基于数据挖掘的移动用户预测

随着3G市场的深入以及4G商用的开始,移动通信行业面临着激烈的竞争,企业的发展型态已由过去以产品为中心的经营方式转变成为以客户为中心的消费型态。企业的发展必须以对客户的需求和消费行为的了解为重心,否则将会流失重大的商机。对于移动通信行业来说,如何通过数据挖掘技术去找优质客户群及可能流失的客户群具有十分重要的意义。利用数据挖掘技术,通过建立模型,预测电信企业的客户流失情况,为企业提高效益提供参考。     

基于数据挖掘的电信故障分类及回归预测

基于数据挖掘技术,针对电信故障海量数据特点,合理选择属性值和标签值,运用交叉验证、网格划分、遗传算法和粒子群算法进行参数寻优,运用支持向量机SVM理论,建立电信故障分类模型和预测模型。通过仿真分析,并且与电信故障实际数据对比,表明该分类模型和预测模型的精度高,误差小,为今后控制电信故障,改善网络运行质量提供理论依据和数据支持。     

Data Mining and Causal Modeling of Customer Behaviors

This paper shows how to apply data-mining and modeling methods to learn predictive models of customer behaviors from survey and behavioral data. The models predict transition rates of individual customers among states, including product adds and drops and account attrition rates. A key insight is that classification tree algorithms from data mining can be used to test conditional independence (Cl) relations among variables in large multivariate data sets. This suggests constructive techniques for (a) Building causal graph models from data; and (b) Using data to define the states of a dynamic transition process. The resulting models can be used to help optimize product offers, forecast demand for products, and plan marketing campaigns. We use several real data sets to illustrate how to: (a) Develop predictive models from survey data and from billing data, (b) Validate model assumptions by using classification trees to identify and test conditional independence relations, (c) Evaluate model performance compared to other (e.g., logistic regression or discriminant analysis) models using cross-validation, and (d) Recommend the next logical product to offer to each customer and the best customers to target for each product in order to maximize sales.