Анализ и прогнозирование оттока клиентов в телекоммуникационных компаниях на основе технологии Data Mining

• Автор: Пальмов, Сергей Вадимович
• Шифр специальности: 05.13.13
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Самара
• Количество страниц: 176 с. : ил.

ГЛАВА 1. CRM-СТРАТЕГИЯ В ТЕЛЕКОММУНИКАЦИЯХ
1.1. Применение CRM для персонификации клиентов
1.2. Биллинговая система: описание, назначение, функции
1.2.1. Процедуры тарификации и биллинга
1.2.2. Структура и функции биллинговой системы
1.2.3. История развития биллинговых систем
1.2.4. Тенденции и перспективы развития биллинговых систем
1.2.5. Требования, предъявляемые к современным биллинговым системам
1.2.6. Характеристика современного рынка биллинговых систем
1.3. Выводы
ГЛАВА 2. ТЕХНОЛОГИЯ DATA MINING - АНАЛИТИЧЕСКИЙ ИНСТРУМЕНТАРИЙ CRM-СИСТЕМ
2.1. Определение Data Mining
2.2. Процесс обнаружения новых знаний с помощью технологии Data Mining
2.3. Классы систем Data Mining
2.4. Модели Data Mining
2.5. Задачи Data Mining
2.6. Классификация и регрессия
2.6.1 Постановка задачи
2.6.2. Представление результатов
2.6.3. Деревья решений
2.7. Кластеризация
2.7.1. Алгоритмы кластеризации
2.8. Поиск ассоциативных правил (ограниченный перебор)
2.8.1. Постановка задачи
2.8.2. Алгоритмы поиска ассоциативных правил
2.8.3. Сиквенциальный анализ
2.9. Примеры практического применения Data Mining
2.10. Data Mining в телекоммуникациях
2.11. Выводы
ГЛАВА 3. АНАЛИЗ ПЕРСПЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ ДЕРЕВЬЕВ РЕШЕНИЙ И АССОЦИАТИВНЫХ ПРАВИЛ ДЛЯ ПРОГНОЗИРОВАНИЯ ОТТОКА КЛИЕНТОВ
3.1. Постановка задачи

3.2. Моделирование базы данных персонифицированного трафика клиентов
3.3. Краткое описание программы моделирования баз данных персонифицированного трафика
(«Г енератор»)
3.3.1. Рабочее окно программы
3.3.2. Алгоритм работы программы «Генератор»
"ф 3.4. Прогноз лояльности потенциального клиента при помощи алгоритма поиска ассоциативных
правил (алгоритм Apriori - система WizWhy)
3.5. Прогноз лояльности потенциального клиента при помощи алгоритма деревьев решений
3.5.1. Выбор типа алгоритма деревьев решений
3.5.2. Бинарное дерево решений (алгоритм CART)
3.5.3. Не бинарное дерево решений (алгоритмы ID3 иС4.5)
3.5.4. Прогноз лояльности потенциального клиента
3.6. Выводы
ГЛАВА 4. РАЗРАБОТКА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ОТТОКА КЛИЕНТОВ НА ОСНОВЕ ТЕХНОЛОГИИ DATA MINING
^ 4.1. Описание разработанного алгоритма и системы «Forecaster»
4.2. Структура рабочего окна системы Forecaster

4.3. Пример прогнозирования лояльности потенциального клиента системой Forecaster
tf 4.4. Сравнение систем WizWhy и Forecaster
4.5. Выводы
ЗАКЛЮЧЕНИЕ
ПРИЛОЖЕНИЕ 1. ТЕКСТ ПРОГРАММЫ «ГЕНЕРАТОР
ПРИЛОЖЕНИЕ 2. ТЕКСТ ПРОГРАММЫ «FORECASTER»
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

В настоящее время наблюдается интенсивное развитие телекоммуникационных систем, сопровождающееся жёсткой конкурентной борьбой за клиента. При таком состоянии рынка телекоммуникационных услуг, одной из главных проблем компаний-операторов является отток клиентов (chum) [66]. Традиционные способы предотвращения вышеуказанного явления (ценовые войны и массовая реклама) уже не эффективны. Поэтому, в последние годы для привлечения и удержания клиентов всё чаще используется концепция CRM (Customer Relationship Management - Управление Взаимоотношениями с Клиентами; её основателями являются Д. Пеппере, М. Роджерс и Ф. Райчхелд).
Вероятность того, что клиент откажется от услуг компании определяется его лояльностью (loyalty) компании [34]. Чтобы спрогнозировать этот показатель необходимо выявить скрытые закономерности между лояльностью и персонифицированным трафиком, который содержит личностные характеристики клиента. В CRM, анализ данных, направленный на выявление скрытых закономерностей, реализуется при помощи методов современной информационной технологии Data Mining (Интеллектуальный Анализ Данных). Одним из её основателей является Г. Пиатецкий-Шапиро. Data Mining является мультидисциплинарной областью, возникшей и развивающейся на основе достижений статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др. Большой вклад в развитие внесли работы М. Бонгарда, Ф. Розенблатта, Мак-Каллока, Питса, Е.Фикса, Д. Ходжеса, Г.С. Лбова, Фогеля (Fogel), Уолша (Walsh), А.Г. Ивахненко, Бреймана (Breiman), Рипли (Repley), Фрейдмана (Freidman), Олшена (Olshen), Стоуна (Stone).
В настоящее время различные методы технология Data Mining (алгоритмы поиска ассоциативных правил, нейронные сети, деревья
выполнении сиквенциального анализа требуется установить порядковое отношение между объектами множества I. Способы установки таких отношений различны. При анализе последовательности событий, происходящих во времени, объектами множества I являются события, а порядковые отношения - это хронология их появления.
Примером области применения сиквенциального анализа могут служить телекоммуникации. Одна из задач, которую решают с его помощью - исследование данных об аварийных ситуациях в различных узлах сети. Информация о последовательности сбоев и интервалах между ними помогает обнаруживать неполадки и предотвращать их появление в будущем [4].
2.9. Примеры практического применения Data Mining
Data Mining может применятся везде, где есть какие-либо данные. Однако, в настоящее время, интеллектуальный анализ данных главным образом используется в коммерческих предприятиях, накопивших в ходе своей деятельности большие объёмы данных. Опыт многих организаций показывает, что отдача от использования Data Mining может быть весьма высокой, вплоть до 1000%. Известны сообщения об экономическом эффекте, в 10-70 раз превысившем первоначальные затраты от $350 до $750 тыс. Известен проект стоимостью в $20 млн., который окупился всего за четыре месяца. Внедрение системы интеллектуального анализа данных в сети универсамов в Великобритании привело к годовой экономии $700 тыс. [55, 70].
При грамотном [13] использовании технология Data Mining может оказать неоценимую помощь в конкурентной борьбе; кратко охарактеризуем некоторые возможные бизнес-приложения Data Mining [36]: