数据挖掘在移动通信客户满意度管理中的应用

本文通过介绍数据挖掘的概念和过程，阐明了移动通信客户满意度模型和指标，重点介绍数据挖掘技术在提高移动通信业客户满意度方面的应用过程。     

基于数据挖掘的移动通信业客户流失预警系统设计

借助SASEM平台。对移动通信业务数据使用数据挖掘算法建立客户细分模型,能够刻画移动通信客户的行为特征,并以此建立客户流失预测模型。从而建立一个移动通信业客户流失预警系统。实践证明,该方法实用、可操作性强,对支持企业客户关系管理产生了积极的影响。     

基于数据挖掘的移动通信业客户流失预警系统设计

借助SASEM平台,对移动通信业务数据使用数据挖掘算法建立客户细分模型,能够刻画移动通信客户的行为特征,并以此建立客户流失预测模型,从而建立一个移动通信业客户流失预警系统。实践证明,该方法实用、可操作性强,对支持企业客户关系管理产生了积极的影响。     

移动通信业客户流失行为预测技术的研究

为了科学合理地制定有效的营销和服务策略,以最大程度地降低客户的流失率,结合目前移动通信行业激烈竞争的现状,运用先进的数据挖掘和机器学习相关技术建立预测模型,对移动通信业中客户流失行为进行预测并分析其流失的原因,以便采取相应措施去减小客户的流失率,从而实现其利润最大化。实践证明,该方案在运营商提高客户保持力和实现利润最大化方面已做出积极的贡献。     

基于数据挖掘的移动通讯业客户流失管理

在数据挖掘技术的基础上结合目前移动通讯业激烈竞争的现状,提出了基于SASEnterpriseMiner数据挖掘平台的客户流失管理解决方案,以提高客户流失管理的科学性、最大限度地降低客户流失率、保持移动通讯企业的核心资源、增强移动通讯企业市场竞争力。     

时讯点击

短信息技术鼻祖采华 日前,移动信息科技企业逻捷克与上海大唐移动公司达成战略性联盟,将为国内客户带来尖端科技结合的成果,并协助国内移动通信业开发收益并拓展市场占有率,并将与英斯克(Intrinsic)合作共推旗下产品、与上海大唐联合创建新型实验室。     

数据挖掘在电信业中的应用

介绍了应用于移动通信业的数据挖掘系统，以一些实际数据说明了关联规则挖掘和分类模型挖掘在电信业务中的具体应用。     

基于数据挖掘的移动客户流失分析系统

客户流失是竞争日益激烈的市场中移动公司面临的一大难题。"移动客户流失分析系统"在数据挖掘的基础上,实现了客户流失模型的管理应用,其中关键的环节是通过流失客户的预测和分析,辅助市场经营人员制订相应的策略。文中介绍了决策树和聚类两种数据挖掘算法在该过程中的应用,并对得到的结果进行了说明和分析。实践证明,该系统提供的信息能够科学地帮助移动公司解决客户流失的问题。     

移动通信业中的交叉销售分析

在中国迅速发展的移动通信市场中,中国移动、联通等几大巨头正在展开激烈的竞争。客户每年给移动公司贡献的收入呈逐年下降的趋势,提高现有客户的忠诚度和价值是每个移动公司迫切需要解决的问题,而通过交叉销售则可以达到双赢的目标。结合移动通信领域实际的数据挖掘项目,阐述了交叉销售分析的完整流程,涉及关联分析、聚类分析、预测分析等多项数据挖掘技术,并对挖掘结果的应用进行了探讨。     

数据挖掘在电信行业客户流失分析中的应用

阐明了数据挖掘技术是电信行业提高客户的忠诚度,防止客户流失发生的重要手段,介绍了数据挖掘技术应用于电信行业客户流失分析中的方法、步骤及具体实现过程。     

基于日志的客户感知问题辅助分析系统的应用研究

智能手机的移动业务和移动互联网应用直接影响客户感知,通过挖掘网络日志与手机日志对客户感知问题分析的支撑作用,提出基于日志的客户感知问题辅助分析系统。该系统通过采集、分类和统计,提供异常事件告警和智能分析。通过对上网和彩倩业务的应用实践表明,该系统能提供准确、有效的日志信息,为分析和定位问题提供端到端的数据支持。该系统和思路可扩展应用于长期演进网络的客户感知问题辅助分析。     

CIAS:一个客户智能分析数据挖掘平台

CIAS是将数据挖掘技术应用在CRM领域而开发的一个客户智能分析平台。它将数据挖掘划分为三个层次：算法层、商业逻辑层、行业应用层，构建了一种新型的数据挖掘系统体系结构。CIAS的商业逻辑层包括交叉销售、客户响应、客户细分、客户流失、客户利润，五个商业模型。通过在商业模型和挖掘算法之间建立映射，CIAS使得用户直接利用商业模型解决问题，而不是面对复杂的算法，从而提供友好、易用的数据挖掘应用环境。     

基于数据挖掘的客户细分框架模型

数据挖掘技术在客户关系管理领域的应用较广泛,能提高客户细分能力。针对目前客户细分研究缺乏统一研究框架的问题,分析现有的客户关系管理系统构架及其与客户细分的集成关系,对客户细分问题进行构架性研究,提出一种基于数据挖掘的客广细分框架模型,包括空间逻辑模型和数据-功能-方法模型。     

Customer segmentation based on survival character

Customer Segmentation is an increasingly pressing issue in today’s over-competitive commercial area. More and more literatures have researched the application of data mining technology in customer segmentation, and achieved sound effectives. But most of them segment customer only by single data mining technology from a special view, rather than from systematical framework. Furthermore, one of the key purposes of customer segmentation is customer retention. Although previous segment methods may identify which group needs more care, it is unable to identify customer churn trend for taking different actions. This paper focus on proposing a customer segmentation framework based on data mining and constructs a new customer segmentation method based on survival character. The new customer segmentation method consists of two steps. Firstly, with K-means clustering arithmetic, customers are clustered into different segments in which customers have the similar survival characters (churn trend). Secondly, each cluster’s survival/hazard function is predicted by survival analyzing, the validity of clustering is tested and customer churn trend is identified. The method mentioned above has been applied to a dataset from China Telecom, which acquired some useful management measures and suggestions. Some propositions for further research is also suggested.     

支持向量机在银行贷款客户分类中的应用研究

随着客户关系管理系统的不断发展和应用,使用先进的算法进行客户分析变得越来越重要。尤其是象银行这种以客户为导向的行业,客户分析是十分必要的。当前,支持向量机方法作为一种统计学习理论的分类方法已经发展的比较成熟而且成功应用到了很多领域。文章解决的主要问题是对银行的客户数据根据其属性对客户进行分类,为银行的客户关系管理系统提供一种可靠的分类方法。文中主要介绍了银行的客户分类学习的过程和结果,如,客户数据清洗,数据预处理,SVM进行数据分类,多类分类处理,客户属性选择等问题。     

数据挖掘技术在证券客户关系中的应用

研究证券管理问题,客户关系管理系统(CRM)是现代经营管理科学与现代信息技术结合的科学问题.数据挖掘技术是有效地利用现有数据资源的重要手段.重点是针对数据挖掘技术在证券客户关系管理中的具体问题.运用数据仓库技术建立了客户交易行为数据仓库,并运用聚类技术完成了基于证券公司客户交易行为数据仓库的证券公司客户细分.基于数据挖掘的CRM是对传统企业管理思想的一个创新,充分体现了管理的科学性和艺术性.对企业的经营决策和客户关系管理都具有相当重要的作用和意义.     

聚类数据挖掘在商场顾客分析中的应用

数据挖掘用于从大量数据中发现知识,提供决策支持.本文对聚类数据挖掘应用于商场顾客分析的实现问题进行了研究.基于重庆两百商场OLTP数据库,构建了数据仓库,针对商场顾客群特征,以及顾客特征与购买商品类别之间的关系问题,建立了两个聚类数据挖掘模型,并对数据挖掘结果进行了分析.     

基于信息融合的电信客户流失预测研究

针对数据挖掘方法在电信客户流失预测中的局限性,提出将信息融合与数据挖掘相结合,分别从数据层、特征层、决策层构建客户流失预测模型。确定客户流失预测指标;根据客户样本在特征空间分布的差异性对客户进行划分,得到不同特征的客户群;不同客户群采用不同算法构建客户流失预测模型,再通过人工蚁群算法求得模型融合权重,将各模型的预测结果加权得到预测最终结果。实验结果表明,基于信息融合的客户流失预测模型确实比传统模型更优。     

数据挖掘在CRM中的应用设计

讨论了在客户关系管理 (CRM)中用于客户细分和建立客户轮廓的数据挖掘技术。首先指出 CRM的概念和分类 ,然后分析了几种数据挖掘方法 ,最后提出面向 CRM的数据挖掘应用设计。     

Mining affective needs of automotive industry customers for building a mass-customization recommender system

Mass customization systems aim to receive customer preferences in order to facilitate personalization of products and services. Current online configuration systems are unable to efficiently identify real customer affective needs because they offer an excess variety of products that usually confuse customers. On the other hand, mining affective customer needs may result in recommender systems, which can enhance existing configuration systems by recommending initial configurations according to customer affective needs. This paper introduces a mass customization recommender system that exploits data mining techniques on automotive industry customer data aiming at revealing associations between user affective needs and the design parameters of automotive products. One key novelty of the presented approach is that it deploys the Citarasa engineering, a methodology that focuses on the provision of the appropriate characterizations on customer data in order to associate them with customer affective needs. Based on the application of classification techniques we build a recommendation engine, which is evaluated in terms of user satisfaction, tool’s effectiveness, usefulness and reliability among other parameters.