基于數(shù)據(jù)挖掘的電信客戶流失研究

《基于數(shù)據(jù)挖掘的電信客戶流失研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、分類號：學校代碼：10373密級：學號：11012081201碩士學位論文題目：基于數(shù)據(jù)挖掘的電信客戶流失研究論文作者任逸卿指導教師朱昌杰專業(yè)名稱計算機軟件與理論研究方向人工智能與數(shù)據(jù)挖掘學位類別工學碩士淮北師范大學研究生處二○一三年五月基于數(shù)據(jù)挖掘的電信客戶流失研究基于數(shù)據(jù)挖掘的電信客戶流失研究摘要：隨著電信行業(yè)競爭的加劇，客戶流失分析與預測已經(jīng)成為客戶關系管理的重要內容。電信客戶行為數(shù)據(jù)的特征呈現(xiàn)出高維度、數(shù)據(jù)偏斜、非線性。傳統(tǒng)的方法難以消除數(shù)據(jù)之間的冗余以及找到線性規(guī)律，使得預測正確率較低。同時開發(fā)系統(tǒng)過程繁雜，收益偏低，挽留客戶成本過高。本文從以

2、解決以上問題為出發(fā)點，主要研究基于支持向量機的客戶流失預警模型。支持向量機的算法復雜度隨著樣本數(shù)據(jù)維度和樣本總數(shù)量的增加成幾何數(shù)增長。針對這個問題，提出了一種改進的支持向量機分類方法。通過引入分類圓心、分類半徑、分類圓心距等概念，從而更加快速準確的刪除非支持向量點，引入混淆度的概念，解決了如何在樣本嚴重混淆的時候進行剔除混淆點，保證算法的泛化性。實驗證明，采用這種改進的算法能夠在嚴重混淆的訓練樣本中保證準確度的同時提高支持向量機分類速度。我們在Clementine數(shù)據(jù)挖掘工具平臺的基礎上設計了基于傳統(tǒng)支持向量機、改進支持向量機、決策樹和神經(jīng)網(wǎng)絡的客戶流失

3、預警模型。根據(jù)實驗結果對各種分類算法進行了比較，得出了一個針對樣本數(shù)據(jù)的客戶流失原因報告。通過本文的研究，我們解決了客戶流失預警系統(tǒng)開發(fā)費用高，預測效率低下，預測正確率不高的問題。設計了客戶預警流失模型，為企業(yè)制定挽留客戶決策提供了技術支撐。關鍵詞：支持向量機，決策樹，客戶流失，分類圓心，分類半徑，分類圓心距，混淆度，I基于數(shù)據(jù)挖掘的電信客戶流失研究ChurnanalysisbasedondataminingAbstract：Withtheintensificationofcompetitioninthetelecommunicationsindustr

4、y,churnanalysisandforecastinghasbeenanimportantcustomerrelationshipmanagement.Thebehaviordataofthetelecomcustomersishigh-dimensional,dataskewandnonlinear.Itishardforthetraditionalmethodtoeliminatingdataredundancyorfindingtheclassificationthatmakesthecorrectratelow.Atthesametime,I

5、tisdifficulttodevelopaCompletesystem.Allthismakescustomerretentionspendalotofmoney.Thechurnmodelbasedonsupportvectormachineinthethesisisstudiedtosolvetheaboveproblems.Thetime-complexityofsupportvectormachinewillrapidgrowwiththenumberanddimensionsofthesamplegrow.Inordertosolvethep

6、roblem,animprovedSVMalgorithmisproposedbasedonthenewconcept.Withtheconceptsofclass-radius,class-centroid-distanceandclass-centripetal,wecandeletethosenon-SVeffectivelywithhighaccuracyandgeneralitywhenthedatawaspromiscuous.Theexperimentsshowthatourmethodachievedasatisfactoryresult

7、.Basedonthetraditionalsupportvectormachines,improvedsupportvectormachines,decisiontreesandneuralnetworks,wedesignchurnmodelwithClementinewhichisausefuldataminingtool.Wecomparealltheclassificationalgorithmsaccordingtotheexperimentalresultsandgetachurnreport.Throughtheworkinthethes

8、is,weprovideafeasibleandeffectiveapproac