[发明专利]一种电信用户细分方法

说明书

技术领域

本发明属于计算机软件领域，特别涉及一种电信用户细分方法，及该方法在商业智能软件的应用。 

技术背景

随着电信市场的逐步开发，竞争日趋激烈，电信运营商的经营模式逐渐从“技术驱动”向“市场驱动”、“客户驱动”转化。这就要求运营商要采取以“客户为中心”的策略，根据客户的实际需求提供个性化的服务解决方案。由于电信市场的规模庞大，客户的背景、收入、年龄、教育程度、行为特征的不同，对电信业务的需求也呈现多层次、个性化、差异化的趋势，因此必须根据客户的特点对客户进行细分，并在此基础上对不同的细分市场提供有针对性的差异化服务。 

发明内容

数据挖掘的常用算法有人工神经网络、遗传算法、决策树算法、聚类算法、粗糙集方法等，在电信领域里常用于业务预测、客户的呼叫模式分析、大客户特征的识别、客户群体的细分、客户流失的预测与控制等 

基于上述分析，本发明设计了一种电信用户细分方法。 

为了实现发明目的，采用的技术原理如下： 

方法采用系统聚类算法及RBF神经网络。 

对于样本的聚类，系统聚类法是统计学聚类分析应用最为广泛的一种。而对于聚类的泛化，本发明选用了训练速度快，预报精度高的RBF神经网络作为 模型的核心算法。 

系统聚类法的基本原理是： 

①将n个样本或指标各自看成一类，得到n个类； 

②计算样本(或指标)之间的亲疏程度，也就是它们的距离； 

③将亲疏程度最高(即距离最近)的两类合并为一类，形成一个新的类； 

④考虑合并后的类与其他类之间的亲疏程度，再进行合并。重复这一过程，经过n-1次合并后，所有的样本(或指标)成为一类； 

⑤聚类图，将上述合并的全部聚类过程用直观图画出； 

⑥决定类的个数，并由上述步骤得到相应的聚类分析结果。 

RBF神经网络是将多变量插值的径向基函数RBF(Radial Basis Function)应用于神经网络设计而构成的，其结构与多层前向网络相似。构成RBF神经网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可将输入矢量直接(即不通过权连接)映射到隐含层空间。当RBF的中心点确定后，这种映射关系也就确定了，而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和。 

附图说明

图1是本发明的客户细分聚类模型的体系结构图。 

具体实施方式

根据电信行业的特性，将客户细分聚类模型分为数据获取、数据存储和数据访问三层，如图一所示。 

数据获取层：将BOSS(Business Operation SupportSystem)、MIS(Management Information System)、OA(OfficeAutomatization)和其它外部来源数据中进行抽取、清洗、转换，并加载到数据仓库。 

数据存储层：实现对电信业数据仓库中数据和元数据的集中存储与管理，并可根据需求建立面向部门和主题的数据集市。 

数据应用层：实现对数据仓库中数据的分析与处理，进行数据挖掘，建立客户细分模型，形成市场经营和决策工作所需要的科学、准确、及时的业务信息和知识。 

在数据应用层，根据不同的划分标准，建立相应的聚类模型，得到不同的RBF神经网络的模型参数，进行训练得到不同的细分结果。