數據挖掘是近年來伴隨著人工智能和數據庫技術發展而出現的一門新興技術。它的核心功能是從巨大的數據集或數據倉庫中獲取有用信息，以供企業分析和處理各種復雜的數據關系。隨著電信市場競爭的日益加劇，運營商普遍開始向“客戶驅動”管理模式轉變。最近幾年，數據挖掘技術以其強大的數據分析功能被普遍應用到電信運營商客戶管理之中。

　　數據挖據的主要方法

　　作為一種先進的數據信息處理技術，數據挖掘與傳統的數據分析的本質區別在于它是數據關系的一個探索過程，而且多數情況下是在未有任何假設和前提的條件下完成的。數據挖掘具備多種不同的方法，供使用者從不同的緯度對數據展開全面分析。

　　(1)相關分析和回歸分析。相關分析主要分析變量之間聯系的密切程度；回歸分析主要基于觀測數據與建立變量之間適當的依賴關系。相關分析與回歸分析均反映的是數據變量之間的有價值的關聯或相關聯系，因此兩者又可統稱為關聯分析。

　　(2)時間序列分析。時間序列分析與關聯分析相似，其目的也是為了挖掘數據之間的內在聯系，但不同之處在于時間序列分析側重于數據在時間先后上的因果關系，這點與關聯分析中的平行關系分析有所不同。

　　(3)分類與預測分析。分類與預測用于提取描述重要數據類的模型，并運用該模型判斷分類新的觀測值或者預測未來的數據趨勢。

　　(4)聚類分析。聚類分析就是將數據對象按照一定的特征組成多個類或者簇，在同一個簇的對象之間有較高的相似度，而不同的簇之間差異則要大很多。在過程上看，聚類分析一定程度上是分類與預測的逆過程。

　　數據挖掘的應用

　　目前，電信運營商面臨激烈的市場競爭，客戶爭奪愈演愈烈，每個企業都存在客戶流失的問題。傳統意義上來講，留住一個客戶所需要的成本是爭取一個新用戶成本的1/5，尤其對于剩余客戶市場日漸稀疏的通信市場來說，減少客戶流失就意味著用更少的成本減少利潤的流失，這點已經為運營商所廣為接受。然而問題所在是當運營商面臨海量的客戶資料時，應如何才能夠從中提取出有效的信息以判斷客戶流失的狀況或者傾向。在此，數據挖掘所提供的數據探索能力得到了充分的發揮，下面簡要地描述數據挖掘在客戶流失分析管理中的應用過程。

　　(1)定義主題客戶流失分析中的主題應當包括流失客戶的特征；現有客戶的流失概率如何(包括不同細分客戶群的流失程度)；哪些因素造成了客戶的流失等。主題是數據挖掘的主要目標，決定了此后過程中數據挖掘的主要努力方向，因此在定義上應當十分明確。

　　(2)數據選擇。數據選擇是數據挖掘的前提，主要是確定數據字段的收集，因為并不是所有的客戶信息都會對客戶的流失產生影響，應盡可能地降低數據的復雜度以發掘較高的關聯度，但是考慮到后期客戶流失的多維分析，應當盡量確保客戶信息的完整性，因此，應對客戶的有價值信息予以區分收集，剔除部分冗余數據，減少數據噪音。此間要注意的是在客戶流失分析上，從數據倉庫中采集數據的主要目的是調查客戶信息的變化情況，因此對數據采集時間間隔的設置顯得尤為重要。若采集時間過長，可能在流失判斷出來時客戶已然流失；若采集時間過于緊密或者實時采集則需要考慮運營商現有系統的支撐能力。

　　(3)分析數據。分析數據主要是對提取的數據進行分析，找到對預測輸出影響最大的數據字段，并決定是否需要定義導出字段。在分析數據時需要謹慎選擇對預測相關的流失客戶數據參與建模才能有效建立模型。分析數據過程還應包括數據清洗和數據預處理。數據清洗和預處理是建模前的數據準備工作，主要包括數據抽樣、數據轉換、缺損數據處理等。數據抽樣是根據事先確定的數據進行樣本抽取，選擇抽樣而不是對整體進行處理，以降低系統的處理量。另外樣本一般分為建模樣本和測試樣本，一部分用來建模，另一部分用來對模型進行修正和檢驗。數據轉換是為了保證數據的質量和可用性，比如某些數據挖掘模型需要對連續數據進行離散化、歸一化處理等。缺損數據有時可以不做處理，由后面具體選擇的數據挖掘模型來處理。

　　(4)模型建立。對數據進行分析并利用各種數據挖掘技術和方法在多個可供選擇的模型中找出最佳模型。初始階段可能模型擬合度不高，需要反復更換模型，直到能夠找到最合適的模型來描述數據，并從中找到規律。建立模型通常由數據分析專家配合業務專家來完成，常用的流失分析模型主要有決策樹、貝葉斯網絡和神經網絡等。

　　(5)模型的評估與檢驗。模型建立之后，一般要通過訓練集的測試才能考慮下一步應用。比較常規的驗證方法是輸入一些歷史的流失客戶數據，運行此模式予以判斷，比較數據挖掘的結果與已知歷史結果的差異。客戶流失判斷一般存在兩種錯誤結果。一是棄真錯誤，即原有歷史客戶具備流失傾向并且已經流失，但是模型未能夠準確預測客戶的流失傾向；二是存偽錯誤，即原有用戶并未有流失的傾向，但被模型判斷為具有流失傾向。

　　(6)應用模型。從前面的工作中可以得出一些簡單的結論，比如通信支出越少的客戶越容易流失、欠費頻率越高的客戶越容易流失等。除此之外，數據挖掘人員還應配合業務專家，根據數據挖掘分析尋找流失的原因，并找出潛在的規律，對未來的客戶流失進行預測，指導業務行為。

　　流失分析中需要注意的問題

　　與其它行業客戶流失分析相比，電信行業以其龐大的客戶群而特征鮮明，因此在一些問題的處理上也應當多加注意。

　　(1)過度抽樣。從實際情況上看，國內電信企業每月的客戶流失率一般在1%～3%左右，如果直接采用某種模型(比如決策樹、人工神經網絡等)可能會因為數據概率太小而導致模型的失效，因此我們需要加大流失客戶在總樣本中的比例，但是這種過度抽樣必須謹慎小心，要充分考慮它的負面效應。

　　(2)模型的有效性。在實際運用的過程中，數據挖掘除了上述提到的兩類錯誤之外還可能存在客戶被判斷具備流失傾向，但當數據返回到客戶服務前臺的時候客戶已經流失的情況，其原因可能存在于不同業務部門之間協調工作的時延過長或者數據采集間隔太長等，這使得流失判定預警喪失了原有的意義。

　　(3)模型的流失后分析。數據挖掘在客戶流失管理中的重要應用不僅僅應包括對客戶流失的提前預警，還應包括客戶流失后的問題分析。按照不同的客戶信息緯度，查找最容易流失的客戶群，同業務部門人員配合，輔以相關調查，力求發現客戶流失的癥結所在。然而，這一部分往往由于過度專注于挖掘模型本身的擬合度而忽略了流失管理的實際價值所在。

　　隨著電信行業競爭的日益加劇，客戶保留和客戶價值開發將成長為電信企業考慮的重點所在，而技術的不斷進步將為深度的數據挖掘提供更多的支持，也必然會被越來越多地應用到運營商的客戶關系管理之中。

通信世界