论文部分内容阅读
【摘要】 数据挖掘技术目前是全球各个国家和地区重点投资研究的重大新技术，更是数据库系统研究和应用领域的热点之一。移动通信领域市场竞争日益激烈，中国的三大运营商的经营管理模式开始向“以客户为中心”的趋势发展，数据挖掘技术显得尤为重要。本文阐述了数据挖掘的相关知识，并介绍了数据挖掘技术在电信行业的应用现状。
【关键词】 数据挖掘 概述 应用现状 电信行业
社會的发展和时代的进步给电信行业带来了更加残酷激烈的竞争环境，移动通信产业的服务经济业态进化逐渐完成。移动增值业务作为新兴市场在基本的移动业务上为用户和市场提供了更具针对性的、可供选择的业务，成为了电信行业的重要组成部分。而数据挖掘技术的应用让移动增值业务在飞速发展中找到了扩大企业用户规模的有效途径。
一、数据挖掘概述
1、数据挖掘。数据挖掘是知识发现的核心部分，也是利用知识积累数据的高层次形式，它包含了一系列通过研究数据集探索新模式的技术。数据挖掘指的就是从大量的数据中筛选出有价值的知识的过程，它能做到高度自动化的对数据进行分析并归纳性的进行推理，挖掘出有价值的知识、模型、规则，预测未来、评估风险。数据挖掘在商业中的应用主要表现为在大型数据库中搜集有价值的信息，探索商业规律，验证商业预测。数据挖掘模式分为预测型和描述型两种。数据挖局过程是不断反馈，不断利用分析工具在大量数据中挖掘模型的过程。2、数据挖掘算法。在分类数据挖掘算法中采用的决策树算法常为C5.0、CART等，而回归算法则是逻辑回归、线性回归等。决策树是实例的分类器，其理论依据是信息论。决策树算法的实质是在学习的基础上获得分类规则。决策树的每个分支就是一个分类问题，树叶是带有分类的数据分割。决策树的构造方法是自上而下的递归构造。决策树算法的缺点主要有过度拟合问题、分类规则复杂。作为最基本的回归算法，线性回归的研究内容是自变量的线性组合对一个独立因变量的影响。3、数据挖掘工具。主流的数据挖掘工具可分为数据挖掘和统计分析平台、与数据库集成的数据挖掘平台、行业应用及解决方案三类。数据挖掘平台能根据用户的商业经验快速建立独特的预测性模型，并将结果分享给相关决策人员，以辅助决策。优秀的数据挖掘平台能为用户提供成熟、广泛的数据挖掘技术，以便找到适合需求的分析技术，进而将商务问题最好的解决。Clementine是一个优良的数据挖掘平台，支持整个数据挖掘过程及其标准化流程。4、数据仓库。数据仓库是一个面向主题的数据集合，具有集成性、相对稳定性、反映历史变化等优点，用于支持管理决策。数据仓库中的数据根据一定的主题域进行组织，主题指的是用户在利用数据仓库辅助决策时的关注重点。数据仓库的集成指的是其在对原有分散的数据库中抽取、清理数据，并在此基础上加工、汇总、整理相关数据，以便消除源数据中的不一致性，保证数据库的全局性。
二、数据挖掘技术在电信行业的具体应用领域
1、业务预测。业务预测指的是通过分析历史数据确定业务发展影响因素，并评估这些因素的未来发展，以便确定大致的未来业务量，并有针对性的对预测中有价值的客户进行精确营销。业务预测是企业制定发展计划的重要依据。可以通过对比、验证实际值与预测值测量预测的准确度，以便更加精确的找出相关因素，改进预测方法。移动运营商业务种类很多，需要进行预测的场合也很多。如确定市场未来规模时需预测移动电话客户的增长。2、预测、控制客戶流失。与争取一个新用户相比，挽留一个老客户的代价明显更小。客户的流失与市场份额和营业经济效益有着直接关联，为此，预测客户流失是移动运营商最关注的一个重点。客户流失预测的分析对象已流失的客户和未流失的客户。客户流失预测的工作内容即为从分析对象的自然属性及行为属性等属性中确定流失客户的特点，预测客户未来一段时间的流失概率。3、分析客户呼叫模式。客户呼叫模式的分析工作能促进运用商对客户喜好的了解，而分析结果则是移动运营商市场营销活动的依据。运营商通过分析客户呼叫模式能掌握客户的部分基本特征，如客户打电话的时间喜好。这些基本特征在提取后能为客户差异性分析提供依据。4、特征识别大客户。企业的大客户群体是利润的主要来源，而大客户资源也是企业竞争力的重要体现，更是其他移动运营商的焦点。将大客户单独识别出来并有针对性的制定采取措施可以有效的提高客户的忠诚度，这是移动运营商保持领先的关键。5、管理网络资源。通信网的运行过程会产生大量的运行数据。挖掘这些运行数据是早日发现潜在网络故障的有效手段，这对网络利用率的提高功不可没。数据挖掘可以应用通信网流量峰值预测、故障预测、网络流量优化等方式管理网络资源。
小结：数据挖掘技术在移动通信领域具有巨大的商业应用价值，而新兴市场移动增值业务如果能科学合理的应用数据挖掘技术也能获得良好的收益。但目前数据挖掘技术虽然在移动增值业务中被应用，其实际过程中仍存在一些不足之处，亟需改善、解决。
参 考 文 献
[1]郭勇.简述数据挖掘技术在电信客户分析中的应用研究[J].电脑迷，2016，（1）：40-40.
[2]梁霄波.电信客户细分中基于聚类算法的数据挖掘技术研究[J].现代电子技术，2016，39（15）：95-98.
[3]杨逸凡，赵夏.数据挖掘在电信客户流失分析中的应用[J].甘肃科技纵横，2015，44（5）：30-33.
【关键词】 数据挖掘 概述 应用现状 电信行业
社會的发展和时代的进步给电信行业带来了更加残酷激烈的竞争环境，移动通信产业的服务经济业态进化逐渐完成。移动增值业务作为新兴市场在基本的移动业务上为用户和市场提供了更具针对性的、可供选择的业务，成为了电信行业的重要组成部分。而数据挖掘技术的应用让移动增值业务在飞速发展中找到了扩大企业用户规模的有效途径。
一、数据挖掘概述
1、数据挖掘。数据挖掘是知识发现的核心部分，也是利用知识积累数据的高层次形式，它包含了一系列通过研究数据集探索新模式的技术。数据挖掘指的就是从大量的数据中筛选出有价值的知识的过程，它能做到高度自动化的对数据进行分析并归纳性的进行推理，挖掘出有价值的知识、模型、规则，预测未来、评估风险。数据挖掘在商业中的应用主要表现为在大型数据库中搜集有价值的信息，探索商业规律，验证商业预测。数据挖掘模式分为预测型和描述型两种。数据挖局过程是不断反馈，不断利用分析工具在大量数据中挖掘模型的过程。2、数据挖掘算法。在分类数据挖掘算法中采用的决策树算法常为C5.0、CART等，而回归算法则是逻辑回归、线性回归等。决策树是实例的分类器，其理论依据是信息论。决策树算法的实质是在学习的基础上获得分类规则。决策树的每个分支就是一个分类问题，树叶是带有分类的数据分割。决策树的构造方法是自上而下的递归构造。决策树算法的缺点主要有过度拟合问题、分类规则复杂。作为最基本的回归算法，线性回归的研究内容是自变量的线性组合对一个独立因变量的影响。3、数据挖掘工具。主流的数据挖掘工具可分为数据挖掘和统计分析平台、与数据库集成的数据挖掘平台、行业应用及解决方案三类。数据挖掘平台能根据用户的商业经验快速建立独特的预测性模型，并将结果分享给相关决策人员，以辅助决策。优秀的数据挖掘平台能为用户提供成熟、广泛的数据挖掘技术，以便找到适合需求的分析技术，进而将商务问题最好的解决。Clementine是一个优良的数据挖掘平台，支持整个数据挖掘过程及其标准化流程。4、数据仓库。数据仓库是一个面向主题的数据集合，具有集成性、相对稳定性、反映历史变化等优点，用于支持管理决策。数据仓库中的数据根据一定的主题域进行组织，主题指的是用户在利用数据仓库辅助决策时的关注重点。数据仓库的集成指的是其在对原有分散的数据库中抽取、清理数据，并在此基础上加工、汇总、整理相关数据，以便消除源数据中的不一致性，保证数据库的全局性。
二、数据挖掘技术在电信行业的具体应用领域
1、业务预测。业务预测指的是通过分析历史数据确定业务发展影响因素，并评估这些因素的未来发展，以便确定大致的未来业务量，并有针对性的对预测中有价值的客户进行精确营销。业务预测是企业制定发展计划的重要依据。可以通过对比、验证实际值与预测值测量预测的准确度，以便更加精确的找出相关因素，改进预测方法。移动运营商业务种类很多，需要进行预测的场合也很多。如确定市场未来规模时需预测移动电话客户的增长。2、预测、控制客戶流失。与争取一个新用户相比，挽留一个老客户的代价明显更小。客户的流失与市场份额和营业经济效益有着直接关联，为此，预测客户流失是移动运营商最关注的一个重点。客户流失预测的分析对象已流失的客户和未流失的客户。客户流失预测的工作内容即为从分析对象的自然属性及行为属性等属性中确定流失客户的特点，预测客户未来一段时间的流失概率。3、分析客户呼叫模式。客户呼叫模式的分析工作能促进运用商对客户喜好的了解，而分析结果则是移动运营商市场营销活动的依据。运营商通过分析客户呼叫模式能掌握客户的部分基本特征，如客户打电话的时间喜好。这些基本特征在提取后能为客户差异性分析提供依据。4、特征识别大客户。企业的大客户群体是利润的主要来源，而大客户资源也是企业竞争力的重要体现，更是其他移动运营商的焦点。将大客户单独识别出来并有针对性的制定采取措施可以有效的提高客户的忠诚度，这是移动运营商保持领先的关键。5、管理网络资源。通信网的运行过程会产生大量的运行数据。挖掘这些运行数据是早日发现潜在网络故障的有效手段，这对网络利用率的提高功不可没。数据挖掘可以应用通信网流量峰值预测、故障预测、网络流量优化等方式管理网络资源。
小结：数据挖掘技术在移动通信领域具有巨大的商业应用价值，而新兴市场移动增值业务如果能科学合理的应用数据挖掘技术也能获得良好的收益。但目前数据挖掘技术虽然在移动增值业务中被应用，其实际过程中仍存在一些不足之处，亟需改善、解决。
参 考 文 献
[1]郭勇.简述数据挖掘技术在电信客户分析中的应用研究[J].电脑迷，2016，（1）：40-40.
[2]梁霄波.电信客户细分中基于聚类算法的数据挖掘技术研究[J].现代电子技术，2016，39（15）：95-98.
[3]杨逸凡，赵夏.数据挖掘在电信客户流失分析中的应用[J].甘肃科技纵横，2015，44（5）：30-33.