數據分析論壇 - 數據挖掘理論 - 數據挖掘技術(shù)在移動(dòng)通信中的應用 - powered b...
數據挖掘技術(shù)在移動(dòng)通信中的應用
慧聰通信商務(wù)網(wǎng) 2004-02-10 14:26:41
王燕莉 安世全
重慶郵電學(xué)院計算機學(xué)院
1 引言
數據挖掘匯集了統計學(xué)、人工智能、數據庫等學(xué)科的內容，是一門(mén)新興的交叉學(xué)科。這門(mén)學(xué)科旨在幫助人們從海量數據中發(fā)現有價(jià)值的信息，目前在商業(yè)中的應用剛剛起步。國內日趨激烈的移動(dòng)通信市場(chǎng)競爭促使各移動(dòng)通信運營(yíng)商去降低運營(yíng)成本、提供差異化的客戶(hù)服務(wù)，而數據挖掘技術(shù)的應用可以幫助運營(yíng)商分析客戶(hù)消費行為，識別客戶(hù)特征，輔助運營(yíng)商進(jìn)行有效的市場(chǎng)營(yíng)銷(xiāo)和客戶(hù)服務(wù)。
2 數據挖掘技術(shù)概述
“數據挖掘包含了一系列旨在從數據集中發(fā)現有用而尚未發(fā)現的模式（Pattern）的技術(shù)。”[1]。確切地說(shuō)，數據挖掘是一種知識發(fā)現的過(guò)程，它主要基于統計學(xué)、人工智能、機器學(xué)習等技術(shù)，高度自動(dòng)化地分析數據，做出歸納性的推理，從中挖掘出潛在的模式，并對未來(lái)情況進(jìn)行預測，以輔助決策者評估風(fēng)險、做出正確的決策。數據挖掘與聯(lián)機分析處理（On-Line Analytical Processing, OLAP）都是分析型工具。聯(lián)機分析處理作為驗證型分析工具，“更多地依賴(lài)用戶(hù)輸入的問(wèn)題和假設”[2]， 使得用戶(hù)能夠快速地檢索到所需要的數據，而數據挖掘能夠自動(dòng)地發(fā)現隱藏在數據中的模式（Pattern）。
在實(shí)際應用中，數據挖掘主要采用以下幾種方法進(jìn)行模式的發(fā)現：
?。?）相關(guān)分析和回歸分析：相關(guān)分析主要分析變量之間聯(lián)系的密切程度；而回歸分析主要基于觀(guān)測數據建立變量之間適當的依賴(lài)關(guān)系。相關(guān)分析是回歸分析的基礎。
?。?）時(shí)間序列分析：與相關(guān)分析類(lèi)似，目的也是為了挖掘出數據之間的聯(lián)系，但時(shí)間序列分析更加側重于數據在時(shí)間先后上的因果關(guān)系。
?。?）分類(lèi)分析：分類(lèi)分析首先為每一個(gè)觀(guān)測賦予一個(gè)標記，然后檢查這些被標記的觀(guān)測，描述出這些觀(guān)測的特征。這種描述可以是一個(gè)數學(xué)公式或者模型，利用它可以分類(lèi)新的觀(guān)測。常用的幾種典型的分類(lèi)模型有線(xiàn)性回歸模型、決策樹(shù)模型、基于規則模型和神經(jīng)網(wǎng)絡(luò )模型等。
聚類(lèi)分析：與分類(lèi)分析不同，聚類(lèi)分析的輸入是一組未標定的記錄，目的是根據一定的規則，合理地劃分記錄集合。聚類(lèi)分析和分類(lèi)分析是一組互逆的過(guò)程，因此在很多分類(lèi)分析中適用的算法也同樣適用于聚類(lèi)分析。
3 數據挖掘在移動(dòng)通信中的應用
目前移動(dòng)通信運營(yíng)商都具有業(yè)務(wù)營(yíng)運系統、客戶(hù)服務(wù)呼叫中心、業(yè)務(wù)受理網(wǎng)站等客戶(hù)信息系統，這些系統具有如下特點(diǎn)：
?。?）各個(gè)信息系統都各自比較完整地管理著(zhù)客戶(hù)某一部分的信息，眾多的客戶(hù)數據、市場(chǎng)營(yíng)銷(xiāo)數據、帳務(wù)數據以不同的數據格式和訪(fǎng)問(wèn)方式分散在不同的系統中，形成眾多的信息孤島，在各個(gè)信息孤島中存在著(zhù)冗余和不一致，不能滿(mǎn)足數據挖掘過(guò)程中數據必須具有單一視圖（Single View）的要求。
?。?）這些系統都是聯(lián)機事務(wù)處理（On-Line Transaction Processing, OLTP）系統，實(shí)時(shí)處理在線(xiàn)事務(wù)，不能適應數據挖掘應用大規模、頻繁的檢索和查詢(xún)操作。因此，數據挖掘的前提是必須建立企業(yè)級的客戶(hù)信息數據倉庫，能夠把不同聯(lián)機事務(wù)處理系統的客戶(hù)數據聚集在一起，提供一個(gè)正確、完整和單一的客戶(hù)數據環(huán)境。
3.1 數據倉庫的建立
數據倉庫作為數據挖掘的基礎，不同于傳統的聯(lián)機事務(wù)處理系統，它具有面向主題的、集成的、不可更新以及隨時(shí)間變化的特性。各個(gè)聯(lián)機事務(wù)處理系統作為數據倉庫的原始數據源，以文件方式提供客戶(hù)基本資料、客戶(hù)呼叫清單、客戶(hù)帳單、客戶(hù)聯(lián)系歷史記錄等數據。數據倉庫通過(guò)ETL過(guò)程（抽取、轉換和加載）處理這些接口文件，并且按不同的主題域組織、存儲和管理這些客戶(hù)數據。通過(guò)數據倉庫接口，對數據倉庫中的客戶(hù)數據進(jìn)行聯(lián)機分析和數據挖掘。整個(gè)數據倉庫的體系結構見(jiàn)圖1，主要由數據源、企業(yè)級數據倉庫和決策支持三個(gè)部分組成。
3.2 數據挖掘的主題定義
在建立完成企業(yè)級的客戶(hù)信息數據倉庫之后，可以基于這個(gè)數據倉庫平臺進(jìn)行數據挖掘工作。但在數據挖掘工作開(kāi)展之前，必須明確數據挖掘所需要解決的問(wèn)題和所需要達到的預定目標。也只有在目標明確定義的前提下，數據挖掘的工作才有方向和意義。本文針對移動(dòng)通信運營(yíng)商市場(chǎng)運營(yíng)的特點(diǎn)，定義了以下主題作為數據挖掘的目標。
3.2.1 客戶(hù)行為分析
利用分類(lèi)分析法和聚類(lèi)分析法對客戶(hù)通話(huà)行為進(jìn)行分析，從而得出客戶(hù)在消費習慣、生活方式、社會(huì )聯(lián)系等方面的特征。對客戶(hù)行為分析的根本目的是為了按不同特征劃分客戶(hù)群，針對不同客戶(hù)群的特征，運營(yíng)商可以進(jìn)行不同的市場(chǎng)營(yíng)銷(xiāo)活動(dòng)和客戶(hù)服務(wù)。在客戶(hù)群劃分中典型的應用就是針對某一客戶(hù)群的消費特征進(jìn)行某種移動(dòng)業(yè)務(wù)的營(yíng)銷(xiāo)。
3.2.2 優(yōu)惠策略仿真預測
優(yōu)惠是市場(chǎng)營(yíng)銷(xiāo)中十分重要的一部分，優(yōu)惠策略的不恰當，常常會(huì )得到適得其反的市場(chǎng)效果。優(yōu)惠策略仿真預測就是通過(guò)已建立的客戶(hù)行為模型仿真客戶(hù)對優(yōu)惠策略的反應，從而預測優(yōu)惠策略實(shí)施的效果。通過(guò)對優(yōu)惠策略的仿真，可以預測優(yōu)惠策略的成功與否，從而進(jìn)行相應的調整和優(yōu)化。
3.2.3 客戶(hù)忠誠度分析
客戶(hù)忠誠度分析主要通過(guò)對客戶(hù)消費金額和帳務(wù)支付的分析建立客戶(hù)價(jià)值模型，從而獲得客戶(hù)價(jià)值和離網(wǎng)傾向?？蛻?hù)是運營(yíng)商價(jià)值之所在，通過(guò)對客戶(hù)忠誠度分析，有針對性的對高價(jià)值客戶(hù)進(jìn)行優(yōu)質(zhì)服務(wù)，對有離網(wǎng)傾向的客戶(hù)及時(shí)進(jìn)行挽留活動(dòng)對提高運營(yíng)商市場(chǎng)占有率，降低營(yíng)銷(xiāo)成本是十分有用的。
3.2.4 反欺詐分析
目前，移動(dòng)運營(yíng)商面臨的一個(gè)最嚴重的問(wèn)題是欠費問(wèn)題，其中很大一部分是欺詐消費，因此反欺詐消費已經(jīng)成為移動(dòng)通信發(fā)展的關(guān)鍵。通過(guò)對客戶(hù)數據的多維分析、聚類(lèi)分析和孤立點(diǎn)分析可以建立客戶(hù)欺詐消費模型，從而可以有效的對客戶(hù)消費行為進(jìn)行監控，對滿(mǎn)足欺詐消費模型的消費行為進(jìn)行告警。
3.2.5 競爭對手分析
成熟的市場(chǎng)必然是一個(gè)競爭比較充分的市場(chǎng)。不同運營(yíng)商客戶(hù)之間的互聯(lián)互通是最基本的前提，因此通過(guò)對客戶(hù)與競爭對手客戶(hù)之間通話(huà)的行為分析，可以建立有關(guān)競爭對手經(jīng)營(yíng)和客戶(hù)服務(wù)的模型，比如競爭對手客戶(hù)發(fā)展模型，通過(guò)對這些模型的使用，可以制定有效的市場(chǎng)應對策略。
3.3 數據挖掘的過(guò)程
在數據挖掘目標明確的前提下，可以基于已經(jīng)建成的企業(yè)級客戶(hù)信息數據倉庫進(jìn)行數據挖掘工作。本文將遵循以下步驟：?jiǎn)?wèn)題定義、數據準備、數據探索、建立模型、模型檢驗、模型應用以及投資回報分析，其中問(wèn)題定義已經(jīng)在上文主題定義部分完成。
在問(wèn)題定義之后，需要創(chuàng )建一個(gè)數據集市作為數據挖掘和分析的對象，一般抽取數據倉庫中與問(wèn)題相關(guān)的數據子集作為數據集市。在創(chuàng )建集市過(guò)程中可以使用隨機抽樣、等距抽樣、分層抽樣和分類(lèi)抽樣等抽樣技術(shù)來(lái)減少數據集市的數據量；通過(guò)對數據的刪選和對小概率事件的放大，使得數據集市中數據的特征和規律性更加顯著(zhù)。
在數據探索過(guò)程中，通過(guò)多維分析和可視化展現探索數據的特征，通過(guò)對數據進(jìn)行增刪操作或者根據現有變量重新組合生成一些新的變量來(lái)更加有效的描述數據特征；其中，對數據統計特性的分析在數據探索過(guò)程中起著(zhù)十分重要的作用。建立數學(xué)模型是數據挖掘工作的核心環(huán)節，目前比較常用的建模方法有神經(jīng)元網(wǎng)絡(luò )模型、決策樹(shù)模型和回歸模型。數據挖掘中具體使用哪一種方法，取決于數據集市的特征和需要實(shí)現的目標，在實(shí)際應用中，往往是對多種建模方法的比較和綜合。在建模過(guò)程中，把數據分層為訓練數據和校驗數據，訓練數據主要使用于建模過(guò)程中求解模型參數，而校驗數據主要用于模型檢驗。因此模型檢驗階段的主要工作是把檢驗數據代入已經(jīng)建立的模型中，觀(guān)察模型的響應，通過(guò)比較模型的響應和真實(shí)的數據，從而評估模型的準確程度。如果模型的準確性比較差，就需要重新進(jìn)行數據探索、建立新的模型、直至新模型檢驗。因此，在實(shí)際應用中，數據探索、建立模型、模型檢驗是反復迭代的過(guò)程，見(jiàn)圖2。
數據挖掘的過(guò)程就是一個(gè)不斷探索數據特征、建立和檢驗模型，發(fā)現客戶(hù)消費行為特征的過(guò)程；移動(dòng)運營(yíng)商只有把模型的結果應用到市場(chǎng)營(yíng)銷(xiāo)和客戶(hù)服務(wù)過(guò)程中，才能真正發(fā)揮數據挖掘的作用。
4 結論
移動(dòng)通信市場(chǎng)的激烈競爭導致了面向市場(chǎng)營(yíng)銷(xiāo)和客戶(hù)服務(wù)的數據倉庫的建設以及數據挖掘技術(shù)的應用，本文在介紹了數據挖掘技術(shù)的基礎上，重點(diǎn)闡述了移動(dòng)通信運營(yíng)商數據挖掘平臺的建立，以及基于這個(gè)平臺展開(kāi)數據挖掘的過(guò)程和數據挖掘的主題分析。應該說(shuō)，運營(yíng)商對各種技術(shù)應用的最終目的是實(shí)施以客戶(hù)服務(wù)為中心的客戶(hù)關(guān)系管理（Customers Relation Management, CRM），但在目前情況下，本文認為，移動(dòng)運營(yíng)商當務(wù)之急是在建立數據倉庫的基礎上成功實(shí)施多主題的數據挖掘。
本站僅提供存儲服務(wù)，所有內容均由用戶(hù)發(fā)布，如發(fā)現有害或侵權內容，請
點(diǎn)擊舉報。
