通话数据分析模型_数学建模推荐.docxVIP

通话数据的聚类分析问题 摘要 本文是针对通讯公司对其客户的通话记录，按照所给的数据对这些客户进行分类， 并且为提供的新业务推荐首选人群，此外，还考虑该地的基站建设合理性问题，通过分 析提出合理的建议。 对于问题一，对客户分类采用 k-means 聚类分析的方法，首先对客户进行初步分类， 由于 k-means 算法对脏数字很敏感，因此，建立聚类有效性评价模型，根据有效性的两 条指标——类内紧致性和类间的分离度，定义有效评价函数，由此得出最优的分类数为 3，再次对客户进行分类，得到相应的结果。 类别 1 2 3 3，4，6，7， 10，22，25，28，29，31，33，36，39，43，45，46，47， 8，9， 48，50，55，57，58，59，60，62，63，64，65，66，67， 11~24，26， 68，72，73，74，75，76，77，78，80，81，82，83，84， 27，30，32， 85，86，88，89，90，91，95，96，97，98，99，100， 34，35，37， 101，102，104，105，106，107，108，109，110，111， 38，40，41， 113，114，115，116，117，118，119，121~136，139， 42，44，49， 140，141，142，143，144，145，146，147，149，150， 51，52，53， 151，152，153，155，156，157，159，160，161，162， 54，56，61， 用户 163，164，165，166，167，168，169，170，171，173， 69，70，71， 1,2,5 174，175，176，177，178，179，180，181，182，183， 79，87，92， 184，186~238，240，241，242，243，244，245，246， 93，94， 247，248，249，250，252，253，254，255，256，257， 103，112， 258，259，260，261，262，263，264，265，266，267， 120，137， 268，269，270，271，272，273，274，275，276，277， 138，148， 278，279，280，281，282，283，284，285，286，287， 154，158， 288，289，290，291，292，293，294，295，296，297， 172，185， 298，299 239，251， 300 对于问题二，在问题一的基础之上，对已分类的客户的通话特点进行分析，将客户 群划分为三类：优质客户群，潜在客户群和弱势客户群。针对不同的客户群，举例提出 相应的新业务，优先考虑优质客户群，挖掘潜在客户群，调动弱势客户群的积极性。 对于问题三，考虑基站的密集度和通话时间和次数的关系，在密集度较大的地区适 当增加基站数目，通过合理性分析和实际情况分析，得出结论：15 1 27 11 22 28 30 29 基站周围应新设的基站数分别为 2 1 1 6 4 6 7 10。 关键词：k-means 聚类有效性评价 紧致性和分离度 密集度 一、问题重述与分析 通信公司通常根据客户现有的通话记录来制定合理的决策，进而改善通信设施、拓 展新的通信业务，从而获得最大的利润。电信企业一般从三个方面区别于竞争对手并获 得竞争优势：价格、业务和客户服务。随着市场的开放，客户的选择增加，对市场的认 识也加深了，他们更希望作为一个独立的个体被认识和理解，越希望企业更好的理解和 满足他们的需要，为他们提供个性化的服务。因此，建立以客户为中心的营销服务体系 是各企业的必然选择，提供既能留住老客户又能吸引新客户的决策信息则要求企业要实 施客户细分[1]。 问题一要求根据一家通信公司的 2009 年 6 月某地的 300 个用户 10 天内的通话记录 来对用户进行分类。考虑到通信企业营销的最终目的是在成本最低的情况下获得最大的 收益，且用户的主叫和被叫次数，通话时间的长短都会影响到公司的利润。因而用 SPSS 对通话数据进行分析和统计，得到每个用户在十天内被叫者与主叫者次数之比，平均每 天通话的总时间以及平均每天的通话次数。将这三个指标作为划分客户的依据，对 300 个用户进行聚类分析，再从样本之间的紧致度和分离度出发 ,建立聚类有效性评价模型, 对选择的阈值给出有效性评价,从而确定最佳分类，得到合理的分类方案。 问题二要求合理的选择部分用户作为新业务的首推人选。在问题一的基础上，对已 经分好类的用户的通话情况进行分析，对其赋予合理的社会身份，分析适合这类人群的 通信业务，从而将业务和相对应人群一一对号入座。 问题三