基于數(shù)據(jù)挖掘的上海電信分公司客戶流失問題實證研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、客戶流失問題一直是電信公司最重視的問題之一,客戶的流失會對企業(yè)造成極大的損失。數(shù)據(jù)挖掘在電信行業(yè)運用越來越廣泛,挖掘的方法逐漸豐富,挖掘的深度也正在逐步加深。為減少客戶流失,基于數(shù)據(jù)挖掘知識的精準營銷備受電信企業(yè)的重視。數(shù)據(jù)量的大爆發(fā)使得數(shù)據(jù)挖掘成為企業(yè)競逐市場的重要手段,本文正式基于此背景下研究電信行業(yè)數(shù)據(jù)挖掘的方法。本文著重研究基于R語言實現(xiàn)電信數(shù)據(jù)預(yù)處理技術(shù)、高維不平衡數(shù)據(jù)的分類算法、流失客戶聚類技術(shù)并分析流失原因。
  電

2、信行業(yè)數(shù)據(jù)的高維度性和不平衡性是造成模型不穩(wěn)定,準確率不高的一個重要原因,一直困擾著挖掘工作者。本文重點研究了處理高維不平衡電信數(shù)據(jù)和建立客戶流失分類模型中的Bagging和AdaBoost以及隨機森林算法。實證結(jié)果表明,AdaBoost分類模型較Bagging分類模型的覆蓋率提高6%。優(yōu)化后的隨機森林模型誤判率由原來的86.96%降低到39.64%,此時模型處于最優(yōu)狀態(tài)。
  本文研究了流失客戶的指標特征,對比分析了流失客戶在通

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論