人工神經(jīng)網(wǎng)絡(luò)在電信業(yè)客戶關(guān)系管理中的應(yīng)用研究.pdf

1、CRM是英文Customer Relationship Management的縮寫，中文譯為“客戶關(guān)系管理”，從本質(zhì)上看，CRM是利用信息技術(shù)來(lái)實(shí)現(xiàn)關(guān)系營(yíng)銷戰(zhàn)略?？蛻敉炝羰荂RM的重要內(nèi)容，通過(guò)對(duì)客戶進(jìn)行離網(wǎng)預(yù)測(cè)進(jìn)而實(shí)現(xiàn)客戶挽留是電信業(yè)CRM的重要功能。 盡管國(guó)內(nèi)外電信業(yè)都是CRM應(yīng)用最廣泛的行業(yè)，但由于國(guó)內(nèi)電信業(yè)CRM的建設(shè)缺乏從整個(gè)企業(yè)的戰(zhàn)略高度來(lái)進(jìn)行統(tǒng)籌規(guī)劃，沒(méi)有使運(yùn)營(yíng)商實(shí)現(xiàn)自身經(jīng)營(yíng)模式及戰(zhàn)略的根本轉(zhuǎn)變。同時(shí)，國(guó)內(nèi)電信業(yè)C

2、RM對(duì)客戶離網(wǎng)流失控制的關(guān)注非常有限，普遍采用決策樹(shù)建模預(yù)測(cè)客戶離網(wǎng)的準(zhǔn)確率不是很理想，現(xiàn)有客戶流失管理工作未形成自動(dòng)化，存在手工操作、數(shù)據(jù)準(zhǔn)確性差、效率低等諸多問(wèn)題。 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，NN)系統(tǒng)從20世紀(jì)40年代末誕生以來(lái)，在短短半個(gè)多世紀(jì)里，由于它具有信息的分布存儲(chǔ)、并行處理以及自學(xué)能力等優(yōu)點(diǎn)，已經(jīng)在信息處理、模式識(shí)別、智能控制及系統(tǒng)建模等領(lǐng)域越來(lái)越廣泛地應(yīng)用。尤其是基于誤

3、差反向傳播(Error Back Propagation)算法的多層前饋網(wǎng)絡(luò)(Mulfiple．Layer Feedforward Network)(簡(jiǎn)稱BP網(wǎng)絡(luò))，以任意精度逼近任意的連續(xù)函數(shù)而廣泛應(yīng)用于非線性建模、函數(shù)逼近、模式分類等方面。電信業(yè)客戶離網(wǎng)行為預(yù)測(cè)可看作一個(gè)模式分類問(wèn)題，從神經(jīng)網(wǎng)絡(luò)的應(yīng)用范疇來(lái)看，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行客戶離網(wǎng)預(yù)測(cè)應(yīng)是合理的，但在國(guó)內(nèi)外相關(guān)文獻(xiàn)上未見(jiàn)有關(guān)BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于電信業(yè)客戶離網(wǎng)的論述。

4、本文對(duì)CRM基礎(chǔ)理論、eTOM模型以及國(guó)內(nèi)運(yùn)營(yíng)商支撐系統(tǒng)的現(xiàn)狀進(jìn)行了研究，創(chuàng)新性地提出了中國(guó)電信業(yè)CRM體系框架，為電信運(yùn)營(yíng)商的CRM規(guī)劃和建設(shè)提供了一個(gè)可供參考的藍(lán)本。在此框架的基礎(chǔ)上自行設(shè)計(jì)了客戶挽留閉環(huán)流程。 本文在研究BP神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于電信業(yè)客戶離網(wǎng)預(yù)測(cè)，結(jié)合電信業(yè)客戶的消費(fèi)特征，提取了可能影響客戶離網(wǎng)的諸多因素，構(gòu)建了電信業(yè)客戶離網(wǎng)預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型。并從神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、學(xué)習(xí)算法、

5、訓(xùn)練方式等的選擇對(duì)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于客戶離網(wǎng)預(yù)測(cè)可能出現(xiàn)的局部極小、過(guò)擬合、收斂速度慢等問(wèn)題進(jìn)行了嘗試。 仿真結(jié)果表明，本文研究選定的120-30-2的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、改進(jìn)的BP算法、引入驗(yàn)證樣本及時(shí)停止訓(xùn)練的方式，使得模型的離網(wǎng)預(yù)測(cè)準(zhǔn)確率達(dá)到90％，并具有較快的收斂速度，有效地避免了局部極小和過(guò)擬合現(xiàn)象發(fā)生，本文設(shè)計(jì)的客戶離網(wǎng)預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型有很高的準(zhǔn)確性和很強(qiáng)的泛化能力，適于應(yīng)用推廣。 最后，在取得的仿真研究成果基