前言：本站為你精心整理了移動通信客戶流失行為預測技術研究范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

前言

客戶流失情形時目前移動通信業所不可回避的現實問題，嚴重困擾著該產業的進一步發展。本文基于數據挖掘技術以及神經網絡技術來構建移動通信業客戶流失行為預測模型，將主要從模型構建思想、模型預測過程兩方面加以論述，以針對移動通信業客戶流失行為做出準確預測。

1基于數據挖掘和神經網絡技術的客戶流失

行為預測模型構建思想本文針對移動通信業客戶流失行為所構建的基于數據挖掘和神經網絡技術的客戶流失行為預測模型的總體構建思想如下：

（1）能夠分析海量的樣本數據信息，并且根據移動通信業當前已知的領域知識加以梳理與匯總，并構建出初始信息表格。

（2）采用離散的方法對初始信息表格的連續屬性進行離散化處理，之后將處理所得到的信息采用基于遺傳算法所研發出來的并行約簡算法隨其進行更加深入的屬性約簡處理。隨后將屬性約簡之后得到的屬性信息作為輸入層神經元，繼續對相關的數據實施垂直約簡，從而將客戶流失行為數據中包含的對象信息不一致情形以及冗余或重復的對象。

（3）采用人工神經網絡技術（ArtificialNeuralNetworks，ANN）對經過上述步驟處理之后的客戶流失行為精簡數據信息進行運算，之后引入并行遺傳算法（ParrallelGeneticAlgo-rithm，PGA）中的約簡算法，提高整個預測模型的預測效率及預測結果。

2基于數據挖掘和神經網絡技術的客戶流失

行為預測模型預測過程在上述模型構建思想指導下構建出基于數據挖掘和神經網絡技術的客戶流失行為預測模型后，即可以對移動通信業客戶流失行為進行預測，其具體的預測過程如下所述：

2.1連續屬性的離散化

在該模型之中，客戶流失行為信息依據自身的性質可以分為數值變量以及自然語言變量兩種。前者主要是以值來作為最終確定數值的連續量或者是離散量。如果該值性質為連續量，則可以按照模型內附帶的規則對其實施離散化處理。若為離散量，不需要再次進行離散化而可以直接使用。自然語言變量則是各種“語言值”的集合體，可以包括諸如性別、規模、業務內容偏好等，均可以成為語言變量。通常情況下基于數據挖掘和神經網絡技術的客戶流失行為預測模型不建議采用自然語言變量作為該模型的輸入變量，因其在使用過程中需要對其現行離散化處理，之后才可以采用粗糙集理論的處理手段加以屬性約簡。

2.2自動生成決策表

基于數據挖掘和神經網絡技術的客戶流失行為預測模型完成連續屬性的離散化后，根據移動通信領域專家學者的意見與建議對形成的客戶流失行為預測信息實施進一步篩選，以此來剔除對于模型預測工作重要性相對較低的冗余信息，在提高預測效率的同時，使得客戶流失行為信息更加明確。之后模型將會根據剩余的數據信息自動生成一張二維表格，其中的行則是對流失客戶資料信息的具體描述，而列則顯示該客戶信息的屬性。

2.3屬性約簡

根據并行遺傳算法的具體約簡方式對客戶流失行為相關信息進行屬性約簡，從而得出該信息的最小約簡值，之后將其自身所具有的條件屬性設定為人工神經網絡的屬性空間。

2.4預測效果的檢驗

當基于數據挖掘和神經網絡技術的客戶流失行為預測模型根據移動通信業工作人員輸入的相關變量及數據信息得出結果之后，需要對預測結果進行驗證，利用粗糙集的基本理論、屬性約簡的基本方法與算法、遺傳算法進行再次運算處理，最終得出系統、科學的預測結果及分析報告。

3結論

綜上所述，移動通信業客戶流失情形對于該產業發展而言極為不利，所以必須對其流失行為進行準確分析，繼而通過提高服務質量及改進管理等方式來加以阻止，從而提高移動通信產業的經濟收益。本文基于數據挖掘和神經網絡技術所構建的客戶流失行為預測模型融入了粗糙集的基本理論、屬性約簡的基本方法與算法、遺傳算法，整個模型預測結果能夠符合移動通信業當前實際情況，并且其每個預測步驟均進行系統化處理，降低了工作人員主觀因素帶來的不利影響，值得在該產業中廣泛使用。

作者：李紅靜 單位：鐵通呼倫貝爾分公司