基于企业数据仓库的数据挖掘在电信行业中的研究

摘要

电信南北市场的拆分，电信业务领域的全面开放，小灵通和移动业务的激烈竞争使得目前的中国电信市场烽烟四起。“客户—产品—市场—利润”成为目前各电信运营商的基本发展思路，在海量的业务数据基础上，我们的电信企业是否能清楚的分析了解自己和主要竞争对手的情况呢? 他们可以利用的手段和工具又有哪些呢? 本文从阐述数据仓库和数据挖掘的概念出发，介绍了企业数据仓库的构建，并提出了电信系统的企业数据仓库设计。接着在企业数据仓库的基础上提出了适应于电信行业数据挖掘模块的设计实现，将适合电信行业的数据挖掘模块和企业数据仓库结合起来，满足电信行业的数据挖掘需求。 在对电信行业企业数据仓库进行了深入的研究之后，针对电信行业中常见的电信业务的关联分析和客户价值分析的聚类识别，本文提出了经典的apriori算法和基于 K-means算法的遗传算法。 介绍了关联分析的概念和原理，随后提出了经典的apriori算法，并分析了电信业务的一些特点，使电信企业是通过向用户提供更多更好的业务服务内容，促进用户的使用率来提高企业自身的经济效益的。 基于K-means算法的遗传算法实现了适合海量数据挖掘的遗传算法和K-means算法的混合。该算法通过遗传算法，可以显著地降低对数据库的浏览次数，提高算法性能，并能够准确充分地反映大客户的特征，从而实现对客户特征的聚类。

目录

文摘

英文文摘

声明

第1章引言

1.1研究背景

1.2课题来源

1.3研究的主要内容

1.4本文的结构

第2章数据仓库与数据挖掘

2.1数据仓库

2.1.1什么是数据仓库(Data Warehouse)

2.1.2数据仓库的体系结构

2.1.3数据仓库的设计过程

2.2数据挖掘技术

2.2.1数据挖掘的概念

2.2.2数据挖掘的方法及工具

2.2.3数据挖掘的实施步骤

2.2.4数据挖掘应用现状

2.3数据仓库与数据挖掘的关系

2.4本章小结

第3章电信企业数据仓库设计

3.1数据仓库的建设目标

3.2数据仓库的用户

3.3数据仓库的功能和数据源

3.4数据仓库的需求设计

3.4.1分析主题的设计

3.4.2维度设计

3.4.3指标设计

3.5EDW数据仓库软硬件结构

3.5本章小结

第4章电信业务中的关联分析

4.1关联分析问题背景

4.2关联规则研究

4.2.1基本概念[14]

4.2.2.关联规则挖掘的算法

4.3关联分析的过程

4.3.1数据准备

4.3.2算法分析

4.4本章小节

第5章基于K-means遗传算法的客户价值分析

5.1问题描述

5.2 K-means聚类算法思想及基本步骤

5.3遗传算法介绍

5.3.1遗传算法(Genetic Algorithm)基本流程

5.3.2遗传算法(Genetic Algorithm)的特点

5.4基于K-means算法的遗传算法在EDW中的实现

5.4.1基于K-means的遗传算法流程

5.4.2算法定义

5.4.3选择操作

5.4.4变异操作

5.4.5 K-means与遗传算法的映射

5.5本章小结

第6章总结与展望

6.1总结

6.2问题与展望

致谢

参考文献