数据挖掘方法在用户流失预测分析中的应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (9): 154-156.

数据挖掘方法在用户流失预测分析中的应用

刘光远苑森淼董立岩

吉林大学通信学院

收稿日期:2007-01-15 修回日期:1900-01-01 出版日期:2007-03-21 发布日期:2007-03-21
通讯作者: 刘光远

Prediction the Churn of Customers with Data Mining Method

Received:2007-01-15 Revised:1900-01-01 Online:2007-03-21 Published:2007-03-21

摘要/Abstract

摘要： 摘要：移动通信在高速发展的同时，也出现了大量用户离网的问题，如何基于客户信息、消费行为等历史数据，预测客户离网的倾向是一项重要的课题。面对庞大的原始数据集，数据挖掘在这个领域中发挥了重大作用，本文基于客户的历史数据和短期偶发数据，提出了链型挖掘的方法，并结合决策树，形成了一个综合的链型树分类器（Chain Tree Classifier, CTC），对CTC分类器进行了实验仿真，实验结果显示，CTC分类器对移动通信运营商感兴趣的单个事件发生的顺序进行了良好的预测，可以从中得到客户离网可能性的概率，从而帮助运营商寻求相应的方法来留住客户，降低离网率。

关键词: 数据挖掘, 链型树分类器

Abstract: Abstract:In the telecommunication, a major topic is to predict the churn of customers based on the database with customers’ information and calling history. Data Mining plays an important role in the prediction of churn. This paper proposed a chain data mining method to use the historical and temporary data and combined with a Tree database structure to form a Chain Tree Classifier (CTC). Simulation with a group of data shows a satisfied prediction result for the events what the industry of telecom is interested. The method could help the companies to find the corresponding methods to keep the customers and obtain the good revenue.

Key words: Data Mining, Chain Tree Classifier (CTC)

刘光远苑森淼董立岩. 数据挖掘方法在用户流失预测分析中的应用[J]. 计算机工程与应用, 2007, 43(9): 154-156.

[1]	周慧颖, 汪廷华, 张代俐. 多标签特征选择研究进展[J]. 计算机工程与应用, 2022, 58(15): 52-67.
[2]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[3]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[4]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[9]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[10]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[13]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.
[14]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.
[15]	郭鹏，蔡骋. 基于聚类和关联算法的学生成绩挖掘与分析[J]. 计算机工程与应用, 2019, 55(17): 169-179.