何鸿凌[1]2004年在《基于神经网络的客户离网预警管理研究》文中研究指明人工神经网络（下面简称神经网络）被广泛应用在数据挖掘、挖掘，人工智能等多个领域。本文讨论将神经网络技术用于电信行业，帮助电信企业准确、高效地识别出有离网倾向的客户，从而及时地为该企业挽回由于客户离网带来的损失，增强企业的综合竞争力。客户离网前通常会表现出与忠诚度高的客户不同的行为，例如：经常性呼转到某一固定的号码，或主被叫不对称等。当我们学习到这些可以识别用户有无离网倾向的特征后，可以归纳、总结这些特征，并用使用它们来预测一个用户的行为。由于这些特征繁多，而且相互关联，通过行业专家人工判断的准确性和及时性都得不到保障。而且这些特征并非是通过简单的线性组合来标识用户是否离网的函数，他们是各种各样的变量，难以处理。通过神经网络技术，将预处理后的已经离网和未离网的客户的特征信息作为网络的输入，并给出教师信号进行学习，将学习得到的网络架构和网络节点连接权值存储起来，用于将新一批客户进行分类，这就是基于神经网络的客户离网预警管理的主要原理。通常的用于进行类标签识别的分类数据挖掘技术有：决策树、神经网络和粗糙集。使用神经网络来进行客户离网预警的优点在于其模型建立简单，识别精度高。通过神经网络识别出客户离网倾向后，还需要通过信息化的手段来管理这些离网客户，指导客户经理一对一关怀，并将预测错误的用户标识出来，用于系统再学习，提高识别的精度。实践表明，采用了这种基于神经网络的客户离网预警管理后，明显改善了电信企业客户流失率，为电信企业挽回了巨大的损失，这在当前竞争激烈的国内和国际电信服务工作中是相当重要的。
单其帅[2]2014年在《基于粗糙集-BP神经网络的电信企业客户失风险预警研究》文中指出随着中国电信行业的几次重大改革，各个电信运营商之间的竞争也日趋激烈，这都集中表现在客户资源的争夺上，拥有更多的客户资源是各运营商在竞争中获胜的关键，但是在电信行业，各个公司在去争夺新的一批客户的同时，会伴随着原来老客户的大量流失。在我国，这种问题已经引起了广大电信运营商的特别关注，并已成为其议事的核心主题，同时，也是电信各个企业急于想解决的问题，这就要求在客户流失之前，必须充分了解到客户流失的趋势，并采取合理的措施来挽留。首先，本文对电信行业的发展现状进行了介绍，并分析了客户流失风险的概念和客户流失风险的特点，引入了粗糙集理论和神经网络理论，为建立电信企业客户流失风险预警指标体系奠定了扎实的理论基础。其次，利用调查所得到的结果，深入分析了电信企业客户流失的成因和因素，通过对文献的查阅和学习，总结了客户流失风险预警指标体系的创建原则及方法，经过在现实情况下的调查和访谈，最后利用粗糙集属性约简算法建立了电信企业客户流失风险预警的指标体系。然后，通过对BP神经网络算法的特点和建模步骤的分析，构建了适用于电信企业客户流失风险预警的BP网络模型，把所得到的客户流失风险指标数据进行处理然后代人到所建好的模型当中，通过网络的训练和仿真检测，证明了BP网络模型的可用性。最后，把构建好的BP网络模型应用到中国移动M分公司，进行实证研究，得出预警结果，根据预警结果制定相关措施来提高客户的挽留率。
郑伯锋[3]2010年在《面向移动大客户的离网预警模型设计与实现》文中指出对于电信运营商而言,争取和保留客户是电信运营商生存和发展的根基,而充分发掘客户的盈利潜力则是提高核心竞争力的关键。电信业市场中存在着20／80原则,即：企业80%的利润由20%的大客户所贡献。大客户也就成为移动通信企业争取的焦点,但发展新的大客户所需成本要远远大于留住已有大客户的成本。因此,减少大客户流失是移动运营商的战略任务,而能否及时预警可能离网的大客户则是能否顺利完成该战略任务的关键。本文以移动大客户的离网预警模型的研究与实现为中心。首先,概述了面向预测的典型数据挖掘算法,包括：贝叶斯算法、神经网络、聚类算法等。其次,结合客户关系管理理论和数据挖掘规范流程,提出了基于贝叶斯网络的移动大客户离网预警模型。该模型以大客户的在网行为特征为依据,在分析客户离网因素的基础上,利用贝叶斯数据挖掘算法分析客户的离网预期。然后,以此模型为依托,设计实现了大客户离网预警系统。论文详细描述了系统网络结构、软件结构、数据库、核心算法等主要部分,并通过应用案例、评价等方面对系统性能进行了分析。分析表明,该模型能成功预警可能的离网大客户,对维持移动运营商的核心竞争力起到了关键作用。同时,也有效降低了公司的运营成本,证明了模型的有效性和系统的实用性。
隆曼[4]2013年在《基于数据挖掘的电信行业客户流失管理研究》文中研究指明随着全球电信业务不断走向自由化和国际化,各国电信业市场竞争日益激烈。在我国,电信业各运营商为了争夺更多的客户,除了通过简单的价格竞争以外,还不断推出新套餐和新业务来优先获取客户资源。行业之间竞争不断加剧,双卡情况越来越严峻,这也在很大程度上加大了客户的不稳定性；另外,互联网技术的快速发展对传统的电信业务也产生了巨大的影响,分流了大量电信用户。有相关研究表明,挽留一位老客户比发展一位新客户花费更低的成本但得到的收益却更高,而要从竞争对手手里挖出客户更是难上加难。面对当前的市场竞争形势和市场态势,电信运营商必须在发展新客户的同时,全面开展客户流失管理,有效地开展存量运营,稳固自己的现有客户,不断完善客户针对性营销服务策略,通过客户关系管理的不断实践来挽留客户,从而实现企业经济效益和社会效益的最大化。目前,电信行业的客户流失管理工作目前还存在一些不足：(1)预警时客户往往已经真实离网,无法进行挽留；(2)没有进一步分析客户离网的真正原因和客户是否能留得住；(3)缺乏有针对性的挽留工作。笼统的挽留已经不能有效地对客户进行挽留,必须根据客户离网的真正原因,及各种行为习惯、偏好等信息采取有针对性的挽留措施,真正的投其所好,才能更好的对客户进行挽留,减少客户流失。为满足这些需求,本文的主要研究内容有：(1)通过阅读大量有关数据挖掘在客户流失管理中的应用的相关文献,指出当前的研究所存在的不足及未来的发展趋势,并且对客户关系管理的理论知识和数据挖掘的主要分类算法进行了系统的介绍。(2)利用Logistic方法对Z市移动客户的价值流失和离网流失分阶段进行建模分析,同时对客户流失规律进行分析后设定相关规则对客户的流失进行监控,模型和规则双管齐下,使预测更全面,最终得到将要流失客户的名单。(3)针对将要流失的客户名单,分析客户流失的原因,并建立挽留机会模型,计算客户挽留成功的概率。(4)最后从营销的角度出发,结合客户的流失原因,对可挽留的客户制定合适的营销计划。文章通过Z市移动通信公司客户流失管理的实证分析,为数据挖掘技术在电信行业的客户关系管理和客户行为分析的应用提供了有益参考,并且对电信行业发展和维护与客户的良好关系,增强企业的竞争力也有较大的现实意义。
胡丽, 张卫国, 文俊浩, 康治平[5]2006年在《基于离网预警模型的客户管理》文中研究说明如何有效地从企业的运营过程中收集大量数据,从中提取出有价值的信息,是许多企业在竞争环境中所面临的重要问题。文章以移动客户离网分析及预警系统为例,采用数据挖掘技术建立离网预警模型。
陈慧贤[6]2011年在《基于数据挖掘技术的电信客户维系挽留系统分析及应用》文中进行了进一步梳理随着3G技术的日益成熟并即将大规模产业化,各电信业运营商之间的竞争日趋激烈,客户便成了企业的宝贵资源。各电信运营商在纷纷提出由“生产型”企业向“利润型”企业转变的战略转型的同时,提高企业客户关系管理能力逐渐成为工作焦点。而电信运营商如何发挥自身优势,规范客户维系挽留工作,减少客户流失,将直接影响到其在电信市场上的地位。本文在研究了目前我国通信业市场的发展、客户流失现状以及数据挖掘技术在各领域客户关系管理中的应用价值后,对某省电信运营商数据挖掘技术在客户关系管理中的应用现状做了调研和分析,针对该企业目前尚没有清晰统一的系统平台来实现客户的规范管理、预警、营销挽留和客户评估,缺乏对实际应用的指导的管理现状,本文提出了基于数据仓库技术、数据挖掘技术为基础的客户维系挽留系统建设。本文在明确系统建设目标定位的前提下,重点分析和设计了由数据源、数据仓库以及数据挖掘引擎体系构成的电信运营商C网、宽带、融合业务的客户维系系统建设架构。同时,数据挖掘模型的建立作为系统建设中的重点环节,本文利用软件Spss Clementine,结合企业的实际需要及重点关注问题,按照数据挖掘标准流程(CRISP-DM),着重对客户流失预警模型的设计、建模和评估过程进行了详细的分析,并以某省电信C网部分用户数据为例,通过决策树、神经网络、Logistic算法,建立模型,对模型进行了评估,并对客户维系挽留工作措施进行对策研究分析。最后,本文分析了本系统建设今后改进的方向和功能点。本文对某省电信运营商客户维系挽留系统的分析和设计对其客户维系挽留工作提供了系统化和规范化管理平台,可以让业务人员在系统展示界面方便的使用数据挖掘功能,进行便捷的操作和智能化的分析。同时该系统设计按月输出预警名单,可使及时地有针对性的进行营销活动,开展维系挽留工作。该系统的建立为企业向以客户为中心的精细化营销方向转变,做出了有益的探索,具有较强的现实意义。
刘晨晨[7]2017年在《基于数据挖掘的通信客户流失预警模型研究》文中研究表明作为客户关系管理中很重要的一部分,客户流失管理正越来越受到企业的关注和重视。客户流失预警作为一种有效的客户流失管理方法,通过构建预警模型,对潜在流失客户进行预测分析,及时预警并采取相应挽留措施,可以有效减少不必要的客户流失,一定程度上减少企业损失。通信运营企业有数量庞大的客户群,因此拥有丰富的客户数据,同时对客户流失预警管理有强烈的需求。在这样的背景下,本文提出了基于数据挖掘的通信客户流失预警模型研究,结合数据挖掘从海量数据中提取有效信息的能力,通过构建模型对通信客户的潜在流失行为进行预警研究。本文在研读了国内外学者的研究成果之后,对近年来预警模型的构建和数据挖掘算法在模型构建中的应用进行了综述和总结。并对客户流失概念、数据挖掘相关理论和预警模型构建相关技术进行了介绍,奠定本文的理论研究基础。在模型数据准备方面,本文以某市通信运营企业客户数据为实证研究对象,主要从无用特征删除、缺失值填充、数据离散化、非均衡数据均衡化四个方面进行方法探讨和实际操作处理,确保了模型构建的较高的数据质量。在关键特征选择方面,针对通信客户数据的特征维度高的特点,对比分析了卡方检验、主成分分析以及Fisher比率叁种常用的关键特征选择方法的效果。对比实验结果发现,基于不同算法的流失预警模型在采用不同的关键特征选择方法时会得到不同的预测效果,相比较而言,Fisher比率筛选更优化特征子集的能力比卡方检验和主成分分析更强,对于基于不同算法的流失预警模型都能得到更好的预测效果。在预警模型构建方面,本文提出构建通信客户流失组合预警模型。相较于一般的组合预警模型,本文加入了基于Fisher比率的特征选择步骤,根据各单项预警模型的最佳特征子集优化训练集。选用C5.0决策树、BP神经网络、支持向量机(SVM)叁种数据挖掘算法构建基本通信客户流失预警模型,利用拉格朗日函数求解得到使组合预警与各单项预警偏差最小的最佳组合流失预警模型权重,根据权重线性组合叁个基本预警模型的预测结果来构建组合流失预警模型,在此基础上得到通信客户流失组合预警模型的预测结果。实证结果表明,组合流失预警模型比各单项基本流失预警模型预测效果更好,可以一定程度上减少通信运营企业的收入损失。
张臻[8]2013年在《基于数据挖掘的电信客户离网预警分析》文中认为作为电信运营商的经营分析中一个重要主题，客户离网分析主要任务是基于已离网客户和未离网客户的消费行为等数据，进行数据挖掘以建立客户离网预警模型，并分析离网客户的行为特点，以此为制订市场营销策略的决策依据。本文主要通过基于商业理解、数据理解、数据预处理、模型建立、模型评估和模型部署这一CRISP-DM数据挖掘流程对移动客户进行了离网预警研究。首先对客户离网进行定义，继而对比logistic回归、决策树、最近邻分类器、贝叶斯分类器、神经网络、支持向量机和组合分类器等预警分析领域常用的分类算法的主要特点。在此基础上，选取了天津移动公司2012年10月到12月的客户消费和行为数据，建立预警模型对其2013年1月是否在网进行了预测。通过对比七种预警算法的实证分析结果发现：（1）不考虑不平衡类问题的情况下，决策树和组合分类器两种分类算法的效果最好（主要考虑训练集和测试集的误判率），决策树和Adaboost组合分类器的训练集的误判率分别为0.128%和0.235%，测试集的误判率分别为4.84%和3.87%；（2）支持向量机、神经网络和最近邻叁种算法较为耗时；（3）虽然logistic回归模型对分类的依据能作出很好的解释，但其误判率较高；（4）由于所选变量之间有一定相关性，实证分析时发现贝叶斯分类器的误判率比较高。
王凯[9]2014年在《数据挖掘在移动离网用户分析模型中的研究与应用》文中进行了进一步梳理我国电信业自2008年重组以后,中国移动与中国联通、中国电信两家运营商之间传统竞争优势的差距都在不断缩小，竞争越来越激烈；同时随着移动互联网时代的到来，OTT（over the top）业务对传统通信业的冲击也越来越迅猛，中国移动的市场份额近年逐年下降。造成移动市场逐渐被蚕食局面的主要因素就是客户流失，移动客户流失的原因多种多样，但是在通常情况下，在客户流失之前，其业务习惯往往会发生某种变化，通过对其业务习惯的监测、判断，能够提前针对此类客户采取关怀手段挽留客户。流失预警就是针对此类客户流失签的分析及预判。本文基于郑州移动通信市场，通过对客户数据库中的数据进行挖掘分析，分析郑州移动用户的离网现状、离网原因，挖掘出能够作为客户流失预警的影响因子。影响因子主要包括以下几个方面：通话时长以及通话次数、通话费用、上网流量变化、用户投诉次数、呼转异网次数等，通过分析，计算出各个影响因子的阈值。基于决策树算法，以客户离网行为分析为前提，依据现有的离网客户数据来归纳其特性，将离网行为影响因子量化后，利用决策树算法自动判断出客户离网规则，并确定用户是否具有离网倾向。该预警模型构建简单方便、分类速度快、准确度高，通过试验分析，验证该模型在实际运行中具有良好的预测效果，能够在客户流失预警中扮演重要作用。
夏梦擎[10]2012年在《基于客户生命周期的电信企业客户流失分析与防范对策研究》文中指出随着2008年我国电信行业的进一步改革重组,中国移动、中国联通和中国电信叁家电信企业的竞争日趋白热化,对客户资源的争夺也愈加激烈。但是残酷的竞争并没有为电信企业带来稳定的客户群体和高额的收益回报,相反,我国电信企业的客户流失现象已经越来越严重。众所周知,客户是现代企业利润的主要来源,居高不下的客户流失率将会给企业造成巨大的经济利益损失。因此,如何完善客户关系管理工作,如何进行客户的维系及保有,已成为企业实现利润最大化的关键。这就需要电信企业及早辨识出有流失倾向的客户,根据客户关系发展所处的阶段采取相应的营销措施,尽力避免客户关系出现退化现象,通过延长这一关系的生命周期来获得客户所能为企业带来的更大的价值。由于客户生命周期阶段的划分及客户是否具有流失倾向是较难度量的,因此本文在充分借鉴前人研究成果的基础上,采取规范分析与实证研究相结合的方法,结合数据挖掘的相关技术,进行了以下几方面的工作:1、通过对国内外相关领域理论文献的梳理,了解关于客户流失管理理论的有关概念以及电信企业客户流失的定义、原因等基本内容,并且选择CC联通公司2G客户的历史消费行为数据作为研究对象,通过深入了解通信行业背景和相关理论,构建客户流失预警模型。2、提出如何通过客户行为及其消费情况两方面来判定某一位客户正处于其生命周期的哪一阶段。3、针对客户流失预警模型提供的预流失客户名单,结合这部分客户所处生命周期的具体阶段,提出相应合理的客户流失应对策略。论文最后对文章的不足和进一步研究方向做了说明和解释。
参考文献：
[1]. 基于神经网络的客户离网预警管理研究[D]. 何鸿凌. 重庆大学. 2004
[2]. 基于粗糙集-BP神经网络的电信企业客户失风险预警研究[D]. 单其帅. 河北工程大学. 2014
[3]. 面向移动大客户的离网预警模型设计与实现[D]. 郑伯锋. 湖南大学. 2010
[4]. 基于数据挖掘的电信行业客户流失管理研究[D]. 隆曼. 西南财经大学. 2013
[5]. 基于离网预警模型的客户管理[J]. 胡丽, 张卫国, 文俊浩, 康治平. 统计与决策. 2006
[6]. 基于数据挖掘技术的电信客户维系挽留系统分析及应用[D]. 陈慧贤. 贵州财经学院. 2011
[7]. 基于数据挖掘的通信客户流失预警模型研究[D]. 刘晨晨. 华中师范大学. 2017
[8]. 基于数据挖掘的电信客户离网预警分析[D]. 张臻. 天津大学. 2013
[9]. 数据挖掘在移动离网用户分析模型中的研究与应用[D]. 王凯. 郑州大学. 2014
[10]. 基于客户生命周期的电信企业客户流失分析与防范对策研究[D]. 夏梦擎. 南京邮电大学. 2012
标签：信息经济与邮政经济论文; 电信论文; 通信论文; 数据挖掘技术论文; 数据挖掘算法论文; 神经网络模型论文; 预测模型论文; 企业特征论文; 客户管理论文; 客户分析论文; 工作管理论文; 运营商论文; 决策树论文; 数据分析论文;