基于clementine神经网络的电信客户流失预测

《基于clementine神经网络的电信客户流失预测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于clementine神经网络的电信客户流失模型应用昆明理工大学信息与自动化学院颜昌沁胡建华周海河摘要本文针对目前电信行业中一个日益严峻的问题：客户离网进行研究，以电信行业为背景，通过收集客户的基本数据、消费数据和缴费行为等数据，建立离网客户的流失预测模型。进行客户流失的因素分析以及流失预测。以某电信分公司决策支撑系统为背景，通过在电信一年半时间的领域调研和开发实践，以此为基础，使用了统计分析和数据挖掘的技术，对PAS客户流失主题进行了较为完善、深入的分析与研究，为电信经营分析系统作了有益的尝试与探索。针对PAS客户流失分析主题，本文选取了3个月的PAS在网用户和流失用户及其流失前的历史消

2、费信息为样本，确定了个体样本影响流失的基本特征向量和目标变量。通过对大量相关技术和统计方法的研究，最终确定了clementine的神经网络模型来作为电信客户流失的预测模型。实践证明，本论文整体的技术路线是可行的，神经网络模型对电信客户流失预测有较高的准确性，所发现的知识具有一定的合理性和参考价值,对相关领域的研究起到了一定的推动作用。关键词：数据挖掘、客户流失、统计分析、神经网络一、引言本文是基于中国电信某分公司经营分析支撑系统项目为背景来展开的。电信分公司经营分析支撑系统是电信运营商为在激烈的市场竞争中生存和持续发展，尽可能全面地满足企业经营管理工作的需要，跟上市场形势的变化，使庞大的数据

3、库系统有效地产生企业知识，以新经营管理支撑手段及时准确地了解市场竞争、业务发展和资源使用情况，以便及时发现问题和解决问题，并根据分析结果及时调整政策而开发的分析系统。根据调查机构的数据显示，“用户保持率”增加5%，就有望为运营商带来85%的利润增长，发展一位新客户的成本是挽留一个老客户的4倍；客户忠诚度下降5%，则企业利润下降25%；向新客户推销产品的成功率是15%，然而，向老客户推销产品的成功率是50%。这些数据表明：如何防范老客户流失必须要引起高度重视。对企业而言，长期的忠诚客户比短期获取的客户更加有利可图。因为长期顾客较容易挽留，服务成本比新顾客低，而且能够为公司宣传、带来新的客户，因

4、此客户离网成为电信运营商们最为关注的问题之一。本文针对电信分公司PAS流失客户，从时间、地域、产品类型、在网时长、用户状态、消费金额、年龄等角度进行分析,通过构建数据仓库模型得到数据挖掘需要的样本集，通过聚类及知识领域的指导来生成关于PAS客户流失的神经网络模型，找出PAS客户流失的特征和规律，来辅助电信公司制定营销政策。二、研究现状及神经网络模型特点国内的电信企业出于市场竞争的需求，大多己建立或在建“电信经营分析系统”，客观上为深层次的数据分析提供了良好的数据平台。但是在分析及应用开发上，大多数的“经营分析系统”都基于固定报表、即时查询以及主观探索OLAP基础之上，深层次的数据挖掘大多处于

5、理论探讨和尝试的阶段。在国外，不少知名的电信公司利用数据挖掘技术提升利润空间，通过建立流失客户的预测模型，对高流失概率的客户进行针对性的市场挽留工作，能够明显减小在网客户的离网率。目前采用的流失预测的数据挖掘模型包括决策树、神经网络、逻辑回归、聚类关联性分析等，其中大多数流失模型采用决策树进行建模，比如C4.5及其扩展、CART等模型。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含生其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。Clementine是一个数据挖掘工具平台，通过此平台可以采用商业技术快速建立预测性模型，并将其应用于商业活动，从而改进决策过

6、程。Clementine参照行业标准CRISP-DM模型设计而成，可支持从数据到更优商业成果的整个数据挖掘过程。在clementine中有各种不同的模型节点，如：K-Means节点将数据集聚类到不同分组（或聚类）。分类和回归树（C&RT）节点生成可用于预测和分类未来观测值的决策树。线性回归是一种通过拟合直线或平面以实现汇总数据和预测的普通统计方法。二元分类器节点用于创建和对比二元结果（是或否，流失或不流失等）的若干不同模型，使用户可以选择给定分析的最佳处理方法。Logistic回归是根据输入字段值对记录进行分类的统计技术。本文选择的是神经网络模型节点来进行电信的客户流失预测。神经网络节点使用

7、的模型是对人类大脑处理信息的方式简化了的模型。此模型通过模拟大量类似于神经元的抽象形式的互连简单处理单元而运行。神经网络是功能强大的一般函数估计器，只需要最少的统计或数学知识就可以对其进行训练或应用。神经网络是神经系统运转方式的简单模型。其基本单元是神经元，通常将其组织到层中，这些处理单元都位于层中。通常在神经网络中有三个部分：一个输入层，其中的单元表示输入字段；一个或多个隐藏层；一个输出层，带有一个或多个表