【正文】 最后，衷心的 感謝我的父母和家人，他們?yōu)槲覍W(xué)業(yè)付出太多的艱辛。在此，特別的向我尊敬的老師表示最誠(chéng)摯的敬意和最衷心的感謝?？死锼箍死赘袷鏍柎暮５傧钠ち_哈爾。 29 參考文獻(xiàn) [1][美 ]菲利普 （ 5）高效率挖掘算法，即算法的運(yùn)行時(shí)間是可預(yù)測(cè)和接受的。 （ 3）研究網(wǎng)路環(huán)境下的數(shù)據(jù)挖掘技術(shù)特別是在 Inter 上建立數(shù)據(jù)挖掘服務(wù)器，與數(shù)據(jù)庫(kù)配合實(shí)現(xiàn)數(shù)據(jù)挖掘。在通信產(chǎn)業(yè)高速發(fā)展的今天，增量市場(chǎng)潛力越來(lái)越小，企業(yè)發(fā)展目標(biāo)越來(lái)越集中于存量市場(chǎng)，誰(shuí)能夠更有效地發(fā)現(xiàn)客戶潛在需求，進(jìn)而更好地滿足客戶需求，誰(shuí)就將在未來(lái)的市場(chǎng)競(jìng)爭(zhēng)中獲得優(yōu)勢(shì)，而電信企業(yè)自身所擁有的海量用戶數(shù)據(jù)、市場(chǎng)業(yè)績(jī)和產(chǎn)業(yè)特點(diǎn)，也使基于數(shù)據(jù)挖掘的精確營(yíng)銷策略大有用武之地。就拿以上數(shù)據(jù)來(lái)分析可知，針對(duì)廣東等發(fā)達(dá)、開(kāi)放的人口眾多地區(qū)就可以進(jìn)行各項(xiàng)的電信營(yíng)銷，開(kāi)展豐富多樣的適合該地區(qū)各個(gè)客戶群體的業(yè)務(wù)，而對(duì)于貴州、青海、西藏等欠發(fā)達(dá)、稍閉塞的人口稀少地區(qū)則應(yīng)該滿足該地區(qū)的日常必備電信服務(wù)這一方面，像長(zhǎng)短話、短信等而對(duì)于 SMS、 3G、夢(mèng)網(wǎng)等則應(yīng)該根據(jù)當(dāng)?shù)貙?shí)際情況酌情而定；對(duì)于 2 者之間的第二類或第三類則應(yīng)該根據(jù)對(duì)比適當(dāng)?shù)淖龀稣{(diào)整，達(dá)到精確營(yíng)銷，使電信的總體資源能夠?qū)θ珖?guó)各個(gè)地區(qū)合理分配，協(xié)調(diào)發(fā)展，從而實(shí)現(xiàn)電信行業(yè)的發(fā)展，為更多的中國(guó)人民帶來(lái)實(shí)惠。 根據(jù)以上的分類我們可以得出各個(gè)地域之間的各種業(yè)務(wù)均值，從而來(lái)分析其中的差別為營(yíng)銷決策提供參考。相反的像貴州、青海、內(nèi)蒙等欠發(fā)達(dá)、欠開(kāi)放的人口稀少地區(qū)則各項(xiàng) 業(yè)務(wù)比較少，其典型的特點(diǎn)是在該地區(qū)其傳統(tǒng)的電信業(yè)務(wù)如長(zhǎng)話固話短信等比新興電信業(yè)務(wù)如 SMS、夢(mèng)網(wǎng)、飛信、 3G 等的比例高。 26 本文就以分成四類來(lái)討論：第一類廣東；第二類江蘇、浙江、山東；第三類北京、湖南、湖北、遼林、四川、上海、安徽、廣西、陜西、山西、福建、河南、河北；第四類甘肅、貴州、西藏等余下地區(qū)。除 去人口因素的影響外，就可以看出這些區(qū)域性的電信客戶存在著差異，即不同的地區(qū)，其內(nèi)的消費(fèi)群體存在著差別。以上 5 個(gè)指 標(biāo)是衡量電信業(yè)務(wù)的主要指標(biāo)，由此來(lái)對(duì)其對(duì)應(yīng)的地區(qū)客戶進(jìn)行精確營(yíng)銷。IP 電話通話時(shí)長(zhǎng) (X3)。由此，電信營(yíng)銷決策者就可以根據(jù)以上情況做出適當(dāng)?shù)臓I(yíng)銷政策 ，提高營(yíng)銷效率，達(dá)到精確營(yíng)銷。而以一群客戶來(lái)整體分類就簡(jiǎn)單許多，從而對(duì)應(yīng)的做出分類也方便，再根據(jù)分類進(jìn)行精確營(yíng)銷也具有重要價(jià)值，因此此方法也是一種電信行業(yè)常用的方法，對(duì)電信企業(yè)的精確營(yíng)銷具有重要意義。這 類以地理位置為基準(zhǔn)的細(xì)分方法的優(yōu)點(diǎn)在于易于辨認(rèn)、易于集中媒介溝通渠道、易于組織分銷，但缺點(diǎn)是作為描述性因素，對(duì)未來(lái)的購(gòu)買行為不是很確定，因?yàn)楦鱾€(gè)區(qū)域的客戶群總體上有差異、有分別，但是落實(shí)到具體的每一個(gè)客戶則不清楚，因此本文只對(duì)地域性差異引起的客戶進(jìn)行總體上的營(yíng)銷規(guī)劃，而不對(duì)單個(gè)客戶進(jìn)行精確營(yíng)銷，所以本文相當(dāng)于把精確營(yíng)銷的實(shí)際操作應(yīng)用得更廣義即把地域性的客戶群當(dāng)成單個(gè) 21 的客戶來(lái)處理，從而來(lái)進(jìn)行精確營(yíng)銷；即是在合適的時(shí)候以合適的方式把合適的產(chǎn)品推銷給合適的地區(qū)，從而間接地營(yíng)銷給該地區(qū)的主流客戶。要因地制宜，制定合理的規(guī)劃。電信行業(yè)從事的業(yè)務(wù)多種多樣，本文就幾種常見(jiàn)業(yè)務(wù)來(lái)對(duì)客戶進(jìn)行分類。 20 （二）聚類分析技術(shù)在電信行業(yè)中的應(yīng)用 1 問(wèn)題與背景 電信行業(yè)業(yè)務(wù)營(yíng)銷狀況直接影響著電信行業(yè)的發(fā)展，而電信行業(yè)的業(yè)務(wù)狀況直接決定者是客戶。是對(duì)樣品進(jìn)行分類處理，可以揭示樣品之 間的親疏程度 型聚類分析。主要應(yīng)用于處理一些出現(xiàn)異常數(shù)據(jù)的情況，如氣象災(zāi)害性天氣的預(yù)報(bào)，這些數(shù)據(jù)采用回歸和判別效果不好，而聚類預(yù)報(bào)可以彌補(bǔ)回歸分析及判別分析方法不足，是一個(gè)值得重視的方法。 。 。 。 。 19 聚類分析的種類 （ 1）按照分組理論依據(jù)不同分類 。類與類之間的距離。聚類分析時(shí)，用來(lái)描述樣品或變量的親疏程度通常有兩個(gè)途徑，一是把每個(gè)樣品或變量看成是多維空間上的一個(gè)點(diǎn)。而聚類操作中要?jiǎng)澐值念愂鞘孪任粗?，類的形成完全是?shù)據(jù)驅(qū)動(dòng)的，屬于一種無(wú)指導(dǎo)的學(xué)習(xí)方法，也稱之為無(wú)監(jiān)督學(xué)習(xí)。聚類分析就是從給定的數(shù)據(jù)集中搜索數(shù)據(jù)對(duì)象之間所存在的有價(jià)值聯(lián)系，根據(jù)數(shù)據(jù)之間的相似程度，將數(shù)據(jù)分成不同的簇或類 (Cluster)，同一類中的數(shù)據(jù)之間具有較高的相似度，而不同類中的數(shù)據(jù)差別較大。 四、數(shù)據(jù)挖掘中的聚類分析 “物以類聚，人以群分”。 數(shù)據(jù)挖掘流程 （ 1）定義商業(yè)問(wèn)題：首先確定數(shù)據(jù)挖掘主題的商業(yè)理解包括商業(yè)目標(biāo)、成功評(píng)價(jià)標(biāo)準(zhǔn)、挖掘主題細(xì)分、挖掘模型成功評(píng)價(jià)標(biāo)準(zhǔn)等。 不透 明，無(wú)法解釋結(jié)果是如何產(chǎn)生的及其在推理過(guò)程中所用到的規(guī)則。 適于對(duì)記錄分類，對(duì)結(jié)果進(jìn)行預(yù)測(cè)，生成結(jié)果易解釋，易理解，可用于聚類、分類、序列模式。 機(jī)器學(xué)習(xí)技術(shù) 決策樹(shù)分析 決策過(guò)程可見(jiàn)，可解釋結(jié)果是如何產(chǎn)生的，計(jì)算簡(jiǎn)單、可處理類別、連續(xù)變量得出相應(yīng)的規(guī)則。 算法較復(fù)雜，劃分類別的標(biāo)準(zhǔn)、分類界限較模糊。 可用于數(shù)據(jù)之間的直觀、表層的聯(lián)系進(jìn)行分析，算法簡(jiǎn)單。 關(guān)聯(lián)和序列分析 通過(guò)計(jì)算支持度，置信度挖掘各因素之間的因果關(guān)系、關(guān)聯(lián)程度、能預(yù)測(cè)潛在顧客。 潛在的規(guī)則需決策者根據(jù)結(jié) 果進(jìn)行判斷、預(yù)測(cè)、統(tǒng)計(jì)需要大量的歷史數(shù)據(jù)。 數(shù)據(jù)挖掘技術(shù)分類如下表 1 17 各種數(shù)據(jù)挖掘技術(shù)功能比較 分類 數(shù)據(jù)挖掘技術(shù) 優(yōu)點(diǎn) 缺點(diǎn) 應(yīng)用范圍 統(tǒng)計(jì)模型 統(tǒng)計(jì)分析 不需決策者干預(yù)，能直接統(tǒng)計(jì)平均值、最大值、最小值等指標(biāo)。因此，利用數(shù)據(jù)挖掘技術(shù)可能會(huì)發(fā)現(xiàn)大量的規(guī)則。 （ 4）數(shù)據(jù)挖掘中，規(guī)則的發(fā)現(xiàn)基于統(tǒng)計(jì)規(guī)律。 （ 2）查詢一般是決策制定者 (用戶 )提出的即時(shí)隨機(jī)查詢，往往不能形成精確的查詢要求，需要靠系統(tǒng)本身尋找其可能感興趣的東西。這都能幫你更好的理解你的數(shù)據(jù)，加快知識(shí)發(fā)現(xiàn)的過(guò)程。而且在知識(shí)發(fā)現(xiàn)的早期階段， OLAP 工具還有其他一 些用途。 數(shù)據(jù)挖掘和 OLAP 具有一定的互補(bǔ)性。比如，一個(gè)用數(shù)據(jù)挖掘工具的分析員想找到引起電話欺詐的風(fēng)險(xiǎn)因素。 數(shù)據(jù)挖掘與 OLAP 不同的地方是，數(shù)據(jù)挖掘不是用于驗(yàn)證某個(gè)假定的模式 (模型 )的正確性，而是在數(shù)據(jù)庫(kù)中自己尋找模型。 OLAP 分析過(guò)程在本質(zhì)上是一個(gè)演繹推理的過(guò)程。如果這個(gè)假設(shè)沒(méi)有被證實(shí)，他可能去察看那些高話費(fèi)的賬戶，如果還不行，他也許要把收入和高話費(fèi)一起考 慮，一直進(jìn)行下去，直到找到他想要的結(jié)果或放棄。用戶首先建立一個(gè)假設(shè)，然后用 OLAP 檢索數(shù)據(jù)庫(kù)來(lái)驗(yàn)證這個(gè)假設(shè)是否正確。 OLAP 是決策 支持領(lǐng)域的一部分。 數(shù)據(jù)挖掘和 OLAP 到底有何不同 ?這是一個(gè)必須理清的問(wèn)題。數(shù)據(jù)挖掘所得到的信息應(yīng)具有先前未知，有效和可實(shí)用三個(gè)特征。南京大學(xué)、四川聯(lián)合大學(xué)和上海交通大學(xué)等單位探討、研究了非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)發(fā)現(xiàn)以及 Web 數(shù)據(jù)挖掘。目前，國(guó)內(nèi)的許多科研單位和高等院校競(jìng)相開(kāi)展知識(shí)發(fā)現(xiàn)的基礎(chǔ)理論及其應(yīng)用研究，這些單位包括清華大學(xué)、中科 院計(jì)算技術(shù)研究所、空軍第三研究所、海軍裝備論證中心等。1993 年國(guó)家自然科學(xué)基金首次支持對(duì)該領(lǐng)域的研究項(xiàng)目。讀者可以訪問(wèn) datamininglab. ，該網(wǎng)站提供了許多數(shù)據(jù)挖掘系統(tǒng)和工具的性能測(cè)試報(bào)告。至于 DMKD 書(shū)籍，可以在任意一家計(jì)算機(jī)書(shū)店找到十多本。并行計(jì)算、計(jì)算機(jī)網(wǎng)絡(luò)和信息工程等其他領(lǐng)域的國(guó)際學(xué)會(huì)、學(xué)刊也把數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)列為專題和?？懻?，甚至到了膾炙人口的程度。1999 年，亞太地區(qū)在北京召開(kāi)的第三屆 PAKDD 會(huì)議收到 158 篇論文，空前熱烈。 數(shù)據(jù)挖掘的研究歷史和現(xiàn)狀 從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)知識(shí) (KDD)一詞首次出現(xiàn)在 1989 年舉行的第十一屆國(guó)際聯(lián)合人工智能學(xué)術(shù)會(huì)議上。而 挖掘后獲得的知識(shí) 13 包括關(guān)聯(lián)規(guī)則、特征規(guī)則、區(qū)分規(guī)則、分類規(guī)則、總結(jié)規(guī)則、偏差規(guī)則、聚類規(guī)則、模式分析及趨勢(shì)分析等。 OLAP 可以看作一種廣義的數(shù)據(jù)挖掘方法，它旨在簡(jiǎn)化和支持聯(lián)機(jī)分析，而數(shù)據(jù)挖掘的目的是使這一過(guò)程盡可能自動(dòng)化。在深層次上 ，則從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)前所未有的、隱含的知識(shí)。這種新式的商業(yè)信息處理技術(shù)，可以按商業(yè)既定業(yè)務(wù)目標(biāo)，對(duì)大量的商業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，并進(jìn)一步將其模型化。盡管如此，數(shù)據(jù)挖掘技術(shù)也己用來(lái)增強(qiáng)信息檢索系統(tǒng)的能