数据挖掘建模过程及python处理实例研究

下面是小编为大家整理的数据挖掘建模过程及python处理实例研究,供大家参考。

数据挖掘建模过程及python处理实例研究

摘要：目前，在我国电信行业存在大量业务数据，利用这些数据进一步拓宽通

信业务，已经成为各个通信单位的当务之急。近几年迅速崛起的数据挖掘技术可

以深入分析客户信息、客户价值和行为，从而使营销具有洞察力、精确化，并通

过从数据中挖掘价值来减少营销成本、提高营销效益。本文以通信行业为例，利

用python编程对其数据进行挖掘，并详细介绍了数据挖掘过程，从而促进通信业

务发展，为通信业提供决策支持服务。

关键词：数据挖掘；通信业务数据；python处理

引言

随着中国通信市场的竞争日趋激烈，通信运营商的经营理念已逐步从“技术质量第一”转变

为“服务客户至上”。以前的营销模式无法满足客户的多样化，层次化和个性化需求。长期以来，通信单元的大量详细业务数据已经简单地应用于各种业务系统，并且还没有得到更有效的开发

和利用。

1 数据挖掘模型

本文的数据挖掘示例使用呼叫行为，数据服务使用等作为客户分类变量，并将具有相似通

信行为的人员分组到一个组中。数据挖掘方法论选用CRISP-DM（Cross-Industry Process for Data Mining）过程模型，即交叉行业数据挖掘过程标准。它从数据挖掘技术应用的角度划分挖掘任务，并将数据挖掘技术与实际应用紧密结合。这里，为了简化说明，我们不考虑循环的探索和

调整过程，并直接按顺序检查每个链接，通过问卷调查和访谈实现客户的消费行为和需求。

1.1 数据准备

数据准备过程如下：

（1）确定项目目标，制定挖掘计划。

（2）分析变量的获取。

（3）数据收集和获取。

（4）数据集成。

根据CRISP-DM流程，首先是确定项目目标。本文定义的客户细分的业务目标是“从客户行

为的角度对某个地方的数十万普通客户进行分类，了解不同客户群体的消费者行为特征，为新

业务的发展，现有客户的保留，以及其他通信公司之间的竞争制定有针对性的策略提供依据。

并实现公司战略目标，稳定现有客户，增加客户增长。”之后，应充分获取分析变量，并在确保数据的一致性，完整性，有效性和层次结构的基础上，数据指标完整，应涵盖所有业务分析和

数据挖掘的需求。本文选择的数据源主要包括客户文件记录，客户营销记录，销售订单主表。

1.2建立模型

生成最终数据集后，就可以构建模型以执行集群分析。建模阶段主要是选择和应用各种建

模技术，同时校准其参数以获得最佳值。在建模过程中，本文采用多种技术手段并对建模效果

进行了比较，需要挑选合适的变量参与建模。该模型的建立是一个螺旋式，连续的优化过程。

如果结果不理想，则需要调整聚类模型以优化模型，这称为聚类优化。可以通过调整聚类数量

和调整聚类变量的输入，或者通过多次运行来选择满意的结果来实现聚类优化。通常可以根据

以下原则判断聚类结果是否理想：类间特征差异是否明显；群内特征是否相似；集群结果是否

易于管理并具有业务指导意义。

2 数据挖掘结果分析

根据客户分类的结果，重新定位客户，加深对客户的了解，并在此基础上制定响应策略。

客户分类模型最终产生一些客户分类，根据这些组的特征可以分为三组。各组的频繁与不频繁

通信行为比较见表1。

表1 各组的频繁与不频繁通信行为比较

相关热词搜索： python数据分析实战 建模 实例 数据挖掘