论文部分内容阅读
随着电信体制改革和不断深化,以及中国加入WTO后电信行业逐步放开,国外各大电信运营商不断地参与到我国的电信运营中来,我国电信行业竞争将日趋激烈。科学和合理地制定有效的营销和服务策略去最大程度地降低客户的流失率,尤其是优质客户和各类大客户,变得尤为重要。因此预测客户在未来一段时期内流失倾向和流失原因并有针对性地提供相应的关怀服务成为降低客户流失率的关键。 在我国,电信运营商经过多年来不断发展、壮大,已经拥有许多成熟的数据库应用系统,并产生大量的业务处理数据。已经具备对客户关系分析的物质基础。但是,面对海量的数据,想要科学和合理地分析和预测出客户在未来一段时期内的流失的倾向性,流失客户具有哪些特征,以及如何更有针对性地对流失客户进行关怀服务以挽留客户,传统意义上的基于人工管理的分析市场和客户行为的方法已显得无能为力。因此,必须利用先进的数据挖掘技术和机器学习技术,来提高对客户行为的预测能力。数据挖掘技术、成熟的数据挖掘算法对海量数据的处理能力,以及人工智能研究领域中机器学习技术研究的不断深入和发展,都为研究移动通信业的客户流失行为预测提供了必要的技术和理论支持。 本文从提高数据挖掘的效率和精度的目的出发,对BP神经网络预测模型进行了有益的改善,同时给出了基于粗糙集理论的并行遗传属性约简和BP神经网络相结合的客户流失预测方法。通过并行遗传属性约简算法对神经网络的输入属性空间进行约简,采用神经网络对约简后的数据进行挖掘。此方法充分发挥了粗糙集理论在约简知识方面的能力和神经网络预测精度高的特点,应用于移动通信业客户流失行为预测技术研究中,取得了很好的效果。 在上述研究的基础上,本文构建移动通信业客户流失行为预测系统基本框架,结合预测系统的自身特点,建立客户流失行为预测模型,给出移动通信业客户流失行为预测的解决方案。并对预测模型进行性能评估。评估结果表明本论文建立的预测模型是科学的、基本上符合实际情况。本文构建的预测模型对解决移动通信业客户流失行为预测方面的问题具有普遍意义。