基于Clementine逻辑回归的电信客户分类.pdfVIP

科技信息 0IT技术论坛0 SCmNCETEcHN0L0GYINFORMATION 2008年 第 36期 基于 Clementine逻辑回归的电信客户分类 颜 昌沁 胡建华 周海河 (昆明理工大学信息与 自动化学院 云南 昆明 650051) 摘【 要】本文研究的是电信行业中客户分类的问题，通过调研和开发实践，使用了统计分析和数据挖掘的技术，对电信客户分类主题进行 了较 为完善 、深入的分析 与研 究。使 用大量相关技术和统计 方法，最终确 定了逻辑回归模型作为电信客户分类的预 测模型 ，为 电信经营分析 系 统作 了有益的尝试与探 索 关【键词 】数据挖掘 ；客户分类；统计分析；逻辑回归 一 、 引言 的项 ，以确定能否在不对模型功能造成重大减损的情况下删除其 中任 本文是基于 中国电信某分公司经营分析支撑系统项 日为背景来 何项 。当无法再添加任何项来改进模型、也无法删除任何项而不减损 展开的。客户分类是 电信公司重点关注 的问题 ，不 同类型 的客户带来 模型功能时 ．最终模型便 已生成 。选择主效应是 因为用全析 因有可能 的客户价值是不 同的，针对不同类型的客户制定 的服务策略也是不同 出现过度拟合 ，选择分类则可以显示输 出字段预测值和实 际值 的百分 的，所以要求将客户分为不同的类型 ，提高向客户推销产品的成功率 ， 比矩阵 。 防范客户流失 本文从时间、地域 、产品类型、在网时长 、用户状态 、消 在生成 的模型 中高级选项卡 E显示 的项 目取决于在建模节 点选 费金额、年龄等角度进行分析，通过构建数据仓库模型得到数据挖掘 中的选项，它显示观测值处理概要 ，落在 目标字段每个类别中正确率 需要的样本集，通过聚类及知识领域的指导来生成关于客户分类的逻 及总的正确率 。如果基于训练数据将所有客户分配到空模型，则得到 辑 回归模型 ，找 出电信客户分类的特征和规律 ．来辅助 电信公司制定 的正确率将是29l2％。而在经过模型训练 以后 ，将这些预测与空模型 营销政策。 的结果相 比．分配的正确率提高了3O个百分点，达到 59．4％。可以看 二、研究现状及逻辑回归模型特点 出模型在识别客户类别 1时表现优异 ，正确率达到7O％以上 ，而在识 国内的电信企业 出于市场竞争 的需求 ，大多 已建立或在建 “电信 别客户类别 2时稍有不足。因为公司投资的最高回报来 自于落在类别 经营分析系统”，客观上为深层次 的数据分析提供 了良好 的数据平 台。 1和类别 3中的客户 ，所 以模型的表现 比较令人满意 ，达到 了预期 的 但是在分析及应用开发上 ，大多数 的系统都基于 固定报表、即时查询 目标 。在模型的准确度达到要求以后 ，将生成的模型导入到业务支撑 以及主观探索OLAP基础之上，缺少深层次的数据挖掘。在国外，不少 系统中，在导出模板 中，选择数据库 ，输入服务器地址及数据库名称 ， 知名的电信公司利用数据挖掘技术提升利润空间，通过建立 电信客户 还可在模型里导出PMML及 SQL等。总体挖掘过程和分类准确率情 分类模型，对不 同类型的客户制定不 同的服务策略，提高客户价值。 况如下图所示 ： Clementine是一个数据挖掘工具平台，通过平 台可以采用商业技 ⑩ 一 @ 一⑩ 势擞 术快速建立预测性模型 ，其参照行业标准 CRISP—DM模型设计而成 ， … I 攒耩傩 可采用的分类模型包括 ：K—Means模型、逻辑 回归模型、判别分析模型 @ 一 档_ 币 r『 等 本文选择的是多项逻辑回归模型来进行 电信 的客户分类 ，它根据 L『2舯l8lj1l8一!L—L…～707一％ 输入字段值对记录进行分类 的统计技术 ，类似于线性