首页 > 文章中心 > 正文

移动通信客户流失行为预测技术研究

移动通信客户流失行为预测技术研究

前言

客户流失情形时目前移动通信业所不可回避的现实问题,严重困扰着该产业的进一步发展。本文基于数据挖掘技术以及神经网络技术来构建移动通信业客户流失行为预测模型,将主要从模型构建思想、模型预测过程两方面加以论述,以针对移动通信业客户流失行为做出准确预测。

1基于数据挖掘和神经网络技术的客户流失

行为预测模型构建思想本文针对移动通信业客户流失行为所构建的基于数据挖掘和神经网络技术的客户流失行为预测模型的总体构建思想如下:

(1)能够分析海量的样本数据信息,并且根据移动通信业当前已知的领域知识加以梳理与汇总,并构建出初始信息表格。

(2)采用离散的方法对初始信息表格的连续属性进行离散化处理,之后将处理所得到的信息采用基于遗传算法所研发出来的并行约简算法随其进行更加深入的属性约简处理。随后将属性约简之后得到的属性信息作为输入层神经元,继续对相关的数据实施垂直约简,从而将客户流失行为数据中包含的对象信息不一致情形以及冗余或重复的对象。

(3)采用人工神经网络技术(ArtificialNeuralNetworks,ANN)对经过上述步骤处理之后的客户流失行为精简数据信息进行运算,之后引入并行遗传算法(ParrallelGeneticAlgo-rithm,PGA)中的约简算法,提高整个预测模型的预测效率及预测结果。

2基于数据挖掘和神经网络技术的客户流失

行为预测模型预测过程在上述模型构建思想指导下构建出基于数据挖掘和神经网络技术的客户流失行为预测模型后,即可以对移动通信业客户流失行为进行预测,其具体的预测过程如下所述:

2.1连续属性的离散化

在该模型之中,客户流失行为信息依据自身的性质可以分为数值变量以及自然语言变量两种。前者主要是以值来作为最终确定数值的连续量或者是离散量。如果该值性质为连续量,则可以按照模型内附带的规则对其实施离散化处理。若为离散量,不需要再次进行离散化而可以直接使用。自然语言变量则是各种“语言值”的集合体,可以包括诸如性别、规模、业务内容偏好等,均可以成为语言变量。通常情况下基于数据挖掘和神经网络技术的客户流失行为预测模型不建议采用自然语言变量作为该模型的输入变量,因其在使用过程中需要对其现行离散化处理,之后才可以采用粗糙集理论的处理手段加以属性约简。

2.2自动生成决策表

基于数据挖掘和神经网络技术的客户流失行为预测模型完成连续属性的离散化后,根据移动通信领域专家学者的意见与建议对形成的客户流失行为预测信息实施进一步筛选,以此来剔除对于模型预测工作重要性相对较低的冗余信息,在提高预测效率的同时,使得客户流失行为信息更加明确。之后模型将会根据剩余的数据信息自动生成一张二维表格,其中的行则是对流失客户资料信息的具体描述,而列则显示该客户信息的属性。

2.3属性约简

根据并行遗传算法的具体约简方式对客户流失行为相关信息进行属性约简,从而得出该信息的最小约简值,之后将其自身所具有的条件属性设定为人工神经网络的属性空间。

2.4预测效果的检验

当基于数据挖掘和神经网络技术的客户流失行为预测模型根据移动通信业工作人员输入的相关变量及数据信息得出结果之后,需要对预测结果进行验证,利用粗糙集的基本理论、属性约简的基本方法与算法、遗传算法进行再次运算处理,最终得出系统、科学的预测结果及分析报告。

3结论

综上所述,移动通信业客户流失情形对于该产业发展而言极为不利,所以必须对其流失行为进行准确分析,继而通过提高服务质量及改进管理等方式来加以阻止,从而提高移动通信产业的经济收益。本文基于数据挖掘和神经网络技术所构建的客户流失行为预测模型融入了粗糙集的基本理论、属性约简的基本方法与算法、遗传算法,整个模型预测结果能够符合移动通信业当前实际情况,并且其每个预测步骤均进行系统化处理,降低了工作人员主观因素带来的不利影响,值得在该产业中广泛使用。

作者:李红静 单位:铁通呼伦贝尔分公司