一、数据挖掘技术在电信IP决策支持系统中的应用（论文文献综述）
刘奕[1]（2020）在《5G网络技术对提升4G网络性能的研究》文中进行了进一步梳理随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
张隽[2]（2015）在《数据挖掘在电信运营商客户关系管理中的应用》文中研究表明最近几年客户关系管理（CRM）和精准营销（Precision Marketing）得到了迅速普及,其中基于客户关系管理系统运营商可以收集到大量客户数据,如何有效的利用收集到的客户数据,避免过度的广告投放带来的巨大成本损耗,同时可以提高顾客的忠诚度及美誉度,从而最大化企业的经营效率及效果是本文的主要研究目的。本文主要将数据挖掘技术应用于电信行业顾客关系管理中,研究数据挖掘技术在电信运营商的顾客细分、产品交叉销售以及顾客流失等方面的应用,具体结果研究内容如下:本文首先介绍了数据挖掘的概念以及客户关系管理以及电信产品客户生命周期等基础理论,并基于数据挖掘技术构建了电信运营商的CRM模型,分析了数据挖掘的过程及主要方法;其次,阐述了电信运营商实施客户细分的意义方法,并从电信客户的基本属性、价值属性以及行为属性中筛选客户细分属性指标,并在传统聚类方法的基础上融入遗传算法,建立电信运营商顾客细分模型,基于顾客价值感知及评价,筛选出具有较高价值的客户作为细分样本,采用客户细分模型进行了实验分析,结合细分结果提出了营销建议;再者,分析电信运营商的各类产品,挖掘各类产品之间的内在关联性,从而判断实施产品交叉销售的必要性及可行性,对Apriori算法加以改进,构建了电信产品交叉销售分析模型,最后对其进行了实验研究,着重分析彩铃业务与其他业务的关联性,并提出具体的交叉销售策略;最后,基于损失矩阵与Boosting技术优化C5.0决策树算法,探索顾客流失的规律以及概率,以便电信运营商进行客户保有,对未来的营销策略提供指导,从而最大化的降低顾客流失,提高企业的市场占有率。本研究以电信行业为具体研究对象,构建了电信运营商客户细分模型、电信产品交叉销售模型以及电信客户流失预测模型等三个子模型,进而优化电信运营商顾客关系管理系统并提高顾客关系管理水平,同时帮助电信运营商能够将营销资源用在最有价值的顾客细分群体,通过交叉销售提高营销效率,并最大化的降低客户流失率,以提高电信运营商的经营效率及效果。
李文英[3]（2009）在《基于数据挖掘的电信客户细分研究》文中进行了进一步梳理目前,国内电信市场竞争变得越来越激烈,客户对电信业务、服务的要求日趋多样化和差异化,对电信服务的整体质量也提出了更高要求。随着3G时代的来临,运营商只有深入分析用户消费行为,精确识别、细分用户,针对不同层次用户进行定向营销,方能更有效地提高客户满意度与忠诚度,进而提升企业的竞争力。论文针对电信领域的客户细分问题,探索了电信企业客户数据的组织、处理和存储方法,应用数据挖掘技术,实现准确、有效的客户细分。论文以客户细分理论和数据挖掘理论为基础,阐述了如何在电信客户生命周期的不同阶段进行不同目的、不同内容的客户细分。接着,分析了电信数据仓库建设过程中的关键问题,重点讨论了电信企业客户历史数据的组织和存储方法。在此基础上,详细讨论了电信客户细分属性选择的原则和方法,为客户细分的展开做好了数据准备。然后,根据电信数据特点,设计了一个基于K-Means算法的电信客户细分数据挖掘模型。在实证分析部分,论文将上述客户细分模型应用到中国电信咸阳分公司固网客户的细分实践中。以客户价值+行为二维属性为基础,选出了55个价值相关属性和38个行为相关属性,然后,运用SPSS16.0进行数据探索分析和皮尔逊相关分析,最终确定出16个价值属性和20个行为属性,形成了客户细分模型的应用研究中所采用的属性“宽表”。接着,采用了Clementine 11.0数据挖掘软件对基于K-Means算法的电信客户细分模型进行验证,将“宽表”中的数据导入该模型,通过K值的不断调整,对样本数据集进行了尝试性运算,最终将总体客户划分为8个客户群。进而,从价值+行为二维维度对客户群进行了特征刻画与定性分析,并针对不同的客户群制定了相应的营销策略。最后,通过建立一个稳定的客户细分决策支持系统模型,将客户细分嵌入到OLTP （On Line Transaction Processing,联机事务处理）中,使客户细分成为方便、实用的日常决策分析工具。
汤九斌[4]（2009）在《基于数据挖掘技术的决策支持系统及其关键技术研究》文中研究指明随着中国加入世界贸易组织的成功,世界经济全球化使我国电信企业面临着前所未有的挑战。能否对问题做出快速科学的决策,对电信企业的成败有着重大的影响。目前各电信运营商普遍采用依靠手工报表分析数据的决策方式,这存在着工作量大,速度慢,容易遗失数据等诸多问题,因此研究与开发适应中国特点的电信企业的决策支持系统已成为国内众多电信运营商的共识。本文所进行的“基于数据挖掘技术的决策支持系统及其关键技术”的研究,作为“电信IP决策支持系统（IPDSS）”项目的核心部分,提出基于数据仓库和数据挖掘相结合的电信决策支持系统的解决方案,并对IPDSS中使用的聚类、预测和建模等关键技术进行研究。针对电信IP业务的特点和需要,本文设计了一个基于.NET框架的决策支持系统。系统以ASP.NET作为Web应用程序模型,以ADO.NET作为数据存取技术基础,采用SQL（structured query language）server 2000作为数据库和数据仓库解决方案,并有效地嵌入了数据挖掘和人工智能技术。该系统可以为电信IP业务的决策提供快速、科学的参考和依据。K-Means算法是一种常用的聚类算法,但是聚类中心的初始化是其中的一个难点。本文提出了一个基于层次思想的初始化方法。一般聚类问题均可看作加权聚类,通过层层抽样减少数据量,然后采用自顶向下的方式,从抽样结束层到原始数据层,每层都进行聚类,其中每层初始聚类中心均通过对上层聚类中心进行换算得到,重复该过程直到原始数据层,可得原始数据层的初始聚类中心。模拟数据和真实数据的实验结果均显示基于层次抽样初始化的K-Means算法不仅收敛速度快、聚类质量高,而且对噪声不敏感,其性能明显优于现有相关算法。EPNET是一种进化人工神经网络模型,它能够同时优化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。本文主要研究基于EPNET（Evolutionary Programming Net）的时间序列预测问题,提出了一个基于该模型的时间序列预测算法,并介绍了该算法实现时的有关问题。同时提出基于规划规则的激励学习偏差分析算法用于快速校准模型参数。层次分析法是一种实用的决策方法,这一方法的核心是将决策者定性的经验判断给予量化,从而为决策者提供定量形式的决策依据。本文采用层次分析法作为投资预测模型的基本构建理论与技术,建立投资预测决策模型。此外,针对层次模型为图形模型的特点,本文提出用数据库表文件表示与存储IPDSS模型库中的层次模型,而IPDSS模型库中的其他模型仍以程序文件形式存储。在IPDSS系统中,我们将方法库和模型库中的程序文件合并管理,以减少模型库和方法库的接口,使模型库管理更加方便。
陈金波[5]（2006）在《面向电信CRM的数据挖掘应用研究》文中认为面对电信市场竞争的加剧和信息技术的发展,电信企业必须建立以“客户为中心”的管理模式。因此,利用数据挖掘技术对海量的电信企业客户数据进行挖掘分析,从中发现各种潜在的、有价值的、规律性知识,是当前电信企业提升CRM水平的重要方面,极具理论意义和应用价值。本文运用理论分析与实证研究相结合的方法,针对数据挖掘在电信CRM中的若干个具体应用问题进行研究。主要内容如下:1.详细地分析了电信企业IT系统现状,建立面向客户主题的电信企业数据仓库体系结构,对电信企业数据仓库主题分析进行了研究,设计了相应的数据模型:物理模型和逻辑模型,并对电信企业数据仓库的实现方式进行了分析论述。2.系统地介绍了CRM理论,设计了以客户为中心、闭环的四层电信CRM体系结构;对电信客户管理进行系统地研究,以电信客户生命周期管理理论为框架,建立了基于数据挖掘的电信客户生命周期管理模型。3.依据CLV理论,建立了基于当前价值、增量价值和存量价值的电信客户价值模型;并以此为理论依据,设计了电信客户价值评价指标体系;结合AHP法,提出了电信CLV的计算方法,并对某电信企业客户进行了实证分析。4.建立了遗传算法优化的改进K-means（GLKM）聚类模型,研究了有指导的聚类模型评价方法,并进行了仿真验证;最后利用某电信公司客户数据进行了实证分析,并对客户群进行特征刻画。5.基于代价敏感学习理论,分别利用Under-sampling和AdaCost算法来构建代价最小化的电信客户流失预测模型,并通过总代价比较和模型收益性分析来表明代价最小化的模型具有更高的应用价值。本文的研究工作为电信企业应用数据挖掘技术分析客户行为和提升CRM水平可提供有益参考,在理论研究和工程实践上具有重要意义。
鲁岩[6]（2004）在《电信IP决策支持系统中聚类算法的应用与研究》文中研究说明本文针对电信业务的需求，在项目组的共同努力下，建立了一个面向IP业务的综合决策支持系统。依据决策支持系统基本原理和数据库数据仓库技术，以及微软的．NET架构，构建了包含四库系统、五大功能模块的三层架构的系统。同时针对电信IP业务的特点，集成了多种预测组件，设计了基于B／S结构的用户界面等。本文将重点讲述网络投资模块的设计与实现。 利用数据挖掘技术。对于大量的电信计费数据进行分析，从而得到可靠的决策支持信息是本系统的主要目的之一。本文采用聚类分析的方法，对上述数据进行了分析研究。主要使用了K-Means和K-Medoids这两种方法。文章最后，对基于Voronoi图的聚类分析方法在计费数据中的应用做了初步探讨。
袁新程[7]（2004）在《数据挖掘技术在电信IP决策支持系统中的应用》文中提出随着电信业改革的深入和入世的影响，国内电信企业面临着日益激烈的竞争，在这样的环境下，能否快速做出科学的决策，对企业的发展有着重大的影响。 本文针对电信IP业务种类多，更新快的特点，设计了一个面向IP业务的综合决策支持系统。本系统使用SQL Server 2000构造了面向电信IP业务的星型数据仓库；构建了基于．NET框架的多层架构的系统框架，系统在具体实现时对各层又适当地进行模块化，并用．NET组件和COM／COM+组件实现，提高系统的重用性和扩展性；本系统用关联规则分析和聚类分析等数据挖掘算法对电信计费系统和经营系统的历史数据进行分析，并针对电信IP业务数据的特点对算法进行改进，最后将挖掘出的知识嵌入到系统中为相关决策提供帮助。
倪秀清[8]（2004）在《电信IP决策支持系统中数据仓库及数据挖掘的研究与应用》文中研究表明随着社会的发展，社会的组织化和生产的社会化程度越来越高，信息量越来越大，信息的处理工作越来越重要。80年代末才起步的数据仓库技术则与决策支持系统相依相辅，数据仓库技术采用全新的数据组织方式，对大量的原始数据进行各种处理并转换成有用的信息，用户可以通过分析这些信息从而做出策略性决策。 本文首先简要介绍了决策支持系统的原理和国内外发展动态，并结合江苏省“电信IP决策支持系统（IPDSS）”项目，给出了一个具体且实用的决策支持系统开发所用的设计方法和步骤。在对数据仓库的原理、方法进行系统学习研究之后，本文重点给出了数据仓库在IPDSS中的应用和部署。 然后，我们对数据挖掘（Data Mining，DM）进行了深入的研究，探讨各种DM的方法，以及研究如何将数据库和机器学习等方法有效地结合在一起，应用于具体的电信领域中。其中重点给出了关联规则挖掘方法在电信数据挖掘中的研究和应用，详细地描述了整个数据挖掘的过程、步骤以及注意事项。结合大量的实验分析，论文指出了普通规则评估体系的不足，并在此基础上，对规则评估体系进行了修改。最终的实验结果证明了修改后的算法达到了很好的实用效果。
成明[9]（2006）在《数据挖掘技术在运营分析与决策支持系统中的应用》文中指出电信企业重组之后,吉林省内电信市场的竞争环境日益激烈,随着各类新生的通信手段和通信方式不断涌现,省内各大运营商纷纷出台各种政策去争夺客户、抢占市场。为了提高吉林省通信公司的工作效率和服务质量,建立灵活的营销机制,适应新业务的开展和激烈的市场竞争,运营分析与决策支持系统的建设开始越来越被吉林省通信公司的决策层和专家认可。本文从吉林省通信公司的实际情况出发,运用运营分析和决策支持的相关理论和技术知识,结合国内外电信运营商运营分析系统建设经验,提出了吉林省通信公司运营分析与决策支持系统建设思路和方法,作出了系统建设的逻辑框架和功能框架,并根据系统建设的实际经验,提出了一些系统建设的体会。本文对吉林省通信公司运营分析与决策支持系统的建设有着重要的指导意义,并在实际系统的建设过程中发挥着重要的作用。
刘印[10]（2005）在《数据挖掘技术在固网通信运营业的应用研究》文中进行了进一步梳理本文首先分析了我国固网通信运营业的竞争环境,及在此环境下对有效地保有、获取客户,发现更多的商机,提高企业的运营效益和效率,实现对市场管理的精确化、精细化需求,并结合企业的实际情况,进而提出以数据挖掘为核心的固网通信运营业经营决策支持模式。国内对这方面的研究还处于刚刚起步的阶段,国外在这方面已有较多的研究成果和应用案例。因此,数据挖掘在我国固网通信运营业中的研究有重要的应用价值。本文对于固网通信业经营决策支持模式的探讨和研究,是从企业级数据仓库的构建出发,围绕如何提高企业客户细化和预测能力的问题,针对通信企业积累的大量客户基本信息、客户通话信息、客户帐单信息、客户缴欠费等数据,在数据挖掘方法论的指导下,通过业务问题范围、选取和抽样、探索型数据分析、建模和实施等步骤进行分析,阐述通信企业以数据仓库为核心的数据挖掘模型选择与设计的一般方法,提出我国固网通信运营业的三个数据挖掘应用模型:客户分群,客户流失和客户价值分析。基于这三个数据挖掘应用模型建立了基于客户洞察力的营销框架,整合市场营销战略计划制定,营销活动准备和营销活动执行等环节,并在湖南电信的实际市场营销活动中得到了验证和评价,有效提高营销活动的针对性和成功率。
二、数据挖掘技术在电信IP决策支持系统中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据挖掘技术在电信IP决策支持系统中的应用（论文提纲范文）
（1）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（2）数据挖掘在电信运营商客户关系管理中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 客户关系管理 |
| 1.2.2 数据挖掘在客户关系管理中的应用 |
| 1.3 研究目的与结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 1.4 论文主要创新点 |
| 第二章 数据挖掘理论与方法 |
| 2.1 数据挖掘的定义 |
| 2.1.1 数据挖掘在技术中的定义 |
| 2.1.2 数据挖掘在商业中的定义 |
| 2.1.3 数据挖掘技术与传统数据分析方法的差别 |
| 2.2 数据挖掘的常用方法 |
| 2.2.1 关联规则 |
| 2.2.2 决策树 |
| 2.2.3 遗传算法 |
| 2.2.4 聚类分析 |
| 2.3 数据挖掘的过程 |
| 2.3.1 商业问题理解 |
| 2.3.2 数据准备 |
| 2.3.3 挖掘算法选择 |
| 2.3.4 建立模型及评估 |
| 2.3.5 挖掘结果解释 |
| 2.4 本章小结 |
| 第三章 数据挖掘在电信运营商客户关系管理中的应用研究 |
| 3.1 CRM理论介绍 |
| 3.1.1 CRM的内涵 |
| 3.1.2 CRM的产生背景 |
| 3.1.3 CRM的类型与功能 |
| 3.2 电信运营商的CRM |
| 3.2.1 实施CRM的动因 |
| 3.2.2 实施CRM的目标 |
| 3.2.3 电信CRM的建立 |
| 3.3 数据挖掘技术在电信运营商CRM中的应用 |
| 3.3.1 电信客户生命周期理论 |
| 3.3.2 基于数据挖掘的电信客户生命周期管理模型 |
| 3.4 本章小结 |
| 第四章 电信客户细分模型 |
| 4.1 客户细分意义与方法 |
| 4.1.1 客户细分的意义 |
| 4.1.2 客户细分的方法 |
| 4.2 客户细分算法 |
| 4.2.1 K-means算法 |
| 4.2.2 GA算法基本原理 |
| 4.2.3 初始中心的优化 |
| 4.2.4 消除噪声和孤立点数据 |
| 4.2.5 基于适值函数的K值选择 |
| 4.2.6 GK-means算法 |
| 4.3 实验研究 |
| 4.3.1 数据选取 |
| 4.3.2 细分模型实现 |
| 4.3.3 营销策略与建议 |
| 4.4 本章小结 |
| 第五章 电信产品交叉销售分析模型 |
| 5.1 电信产品实施交叉销售的条件分析 |
| 5.1.1 电信产品实施交叉销售的必要性 |
| 5.1.2 电信行业实施交叉销售的可行性 |
| 5.2 关联规则挖掘概述与实现 |
| 5.2.1 关联规则概念 |
| 5.2.2 Apriori算法概述 |
| 5.2.3 Apriori算法改进 |
| 5.3 实验研究 |
| 5.3.1 数据选择与处理 |
| 5.3.2 多维多层次关联规则挖掘的实现 |
| 5.3.3 营销策略与建议 |
| 5.4 本章小结 |
| 第六章 电信客户流失预测 |
| 6.1 客户流失分析 |
| 6.1.1 客户流失类型 |
| 6.1.2 客户流失分析的流程 |
| 6.2 客户流失分析模型构建 |
| 6.2.1 C5.0 决策树生成算法 |
| 6.2.2 基于损失矩阵的误差计算剪枝法 |
| 6.2.3 利用Boosting技术迭代建模 |
| 6.3 实验研究 |
| 6.3.1 数据集描述 |
| 6.3.2 流失预测模型实现 |
| 6.3.3 客户挽留建议 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（3）基于数据挖掘的电信客户细分研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 国内外研究与应用现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前研究的不足 |
| 1.4 论文的研究思路与研究内容 |
| 2 理论综述 |
| 2.1 客户细分理论基础 |
| 2.1.1 客户细分的客观依据 |
| 2.1.2 客户细分的基本要求 |
| 2.2 数据挖掘理论 |
| 2.2.1 数据挖掘的过程 |
| 2.2.2 数据挖掘的功能 |
| 2.2.3 数据挖掘算法 |
| 2.2.4 国内外相关数据挖掘产品及其所采用算法 |
| 2.3 客户细分在电信市场营销中的应用分析 |
| 2.3.1 电信客户细分方法概述 |
| 2.3.2 电信客户特征分析 |
| 2.3.3 电信客户细分分类 |
| 2.3.4 电信客户细分变量的选择 |
| 2.3.5 电信客户细分在营销领域中的应用分析 |
| 3 电信客户细分的数据基础方案设计 |
| 3.1 电信数据仓库建设 |
| 3.1.1 电信数据仓库建设的必要性 |
| 3.1.2 电信数据仓库功能需求和主题确定 |
| 3.1.3 电信数据仓库体系结构 |
| 3.1.4 电信数据仓库建设方法的选择 |
| 3.1.5 电信数据仓库ETL子系统设计 |
| 3.2 电信客户细分数据的预处理 |
| 3.2.1 电信客户细分数据的预处理方法 |
| 3.2.2 电信客户细分属性的选择 |
| 3.2.3 电信客户细分数据检测 |
| 3.2.4 电信客户细分属性约简 |
| 3.2.5 电信客户数据转换 |
| 4 基于数据挖掘的电信客户细分模型设计 |
| 4.1 基于数据挖掘的电信客户细分的设计目标 |
| 4.2 客户细分挖掘方法分析 |
| 4.3 电信客户细分挖掘模型的算法选择 |
| 4.3.1 聚类分析算法的选择标准 |
| 4.3.2 聚类分析算法比较分析 |
| 4.4 K-Means算法 |
| 4.5 基于K-Means算法的模型设计 |
| 5 电信客户细分模型在实际中的应用 |
| 5.1 电信客户细分的需求分析 |
| 5.2 电信客户细分的宽表设计 |
| 5.2.1 数据来源 |
| 5.2.2 宽表设计 |
| 5.2.3 宽表属性 |
| 5.3 电信客户细分的数据准备 |
| 5.3.1 数据检测 |
| 5.3.2 属性约简 |
| 5.3.3 数据转换 |
| 5.4 电信客户数据的聚类分析 |
| 5.4.1 价值细分 |
| 5.4.2 行为细分 |
| 5.4.3 价值-行为细分 |
| 5.5 电信客户细分的结果与解释 |
| 5.6 SPSS Clementine模型发布 |
| 5.7 电信客户聚类挖掘模型的确立 |
| 5.8 本章小结 |
| 6 结论 |
| 致谢 |
| 参考文献 |
（4）基于数据挖掘技术的决策支持系统及其关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 电信决策支持系统的研究现状 |
| 1.3 决策支持系统及相关技术 |
| 1.3.1 决策支持系统 |
| 1.3.2 数据仓库技术 |
| 1.3.3 数据挖掘技术 |
| 1.4 本文研究工作概述 |
| 1.4.1 研究内容 |
| 1.4.2 主要创新点 |
| 1.5 本文的内容安排 |
| 第二章 系统分析与设计 |
| 2.1 引言 |
| 2.2 系统分析 |
| 2.2.1 系统需求分析 |
| 2.2.2 系统功能目标 |
| 2.3 NET框架和系统逻辑结构设计 |
| 2.3.1 系统架构的选择——.NET框架 |
| 2.3.2 后台数据库的选择—SQL Server 2000 |
| 2.3.3 系统逻辑结构设计 |
| 2.4 系统功能设计及技术路线 |
| 2.4.1 统计分析功能的技术路线 |
| 2.4.2 决策咨询功能的技术路线 |
| 2.5 本章小结 |
| 第三章 系统关键技术研究Ⅰ——聚类方法研究 |
| 3.1 引言 |
| 3.2 基于层次的K-MEANS初始化算法 |
| 3.2.1 层次抽样初始化的相关理论 |
| 3.2.2 基于层次抽样初始化的聚类算法 |
| 3.2.3 算法时空分析 |
| 3.3 实验结果及分析 |
| 3.3.1 模拟数据实验 |
| 3.3.2 真实数据实验 |
| 3.4 本章小结 |
| 第四章 系统关键技术研究Ⅱ——预测方法研究 |
| 4.1 引言 |
| 4.2 EPNET模型简介 |
| 4.3 基于EPNET的预测方法 |
| 4.3.1 算法描述 |
| 4.3.2 关于算法的几点说明 |
| 4.4 实验结果及分析 |
| 4.4.1 实验数据及评价标准 |
| 4.4.2 有关参数的设置 |
| 4.4.3 实验结果与分析 |
| 4.5 时间序列ARMA模型预测 |
| 4.5.1 参数估计 |
| 4.5.2 适用性检验 |
| 4.6 时间序列ARMA模型预测实验及分析 |
| 4.6.1 实例测试 |
| 4.6.2 性能分析 |
| 4.7 预测模型的激励学习 |
| 4.7.1 激励学习规划规则抽取和偏置算法 |
| 4.7.2 实验和分析 |
| 4.8 本章小结 |
| 第五章 系统关键技术研究Ⅲ——决策支持系统中的模型部件研究 |
| 5.1 引言 |
| 5.2 层次分析法(AHP) |
| 5.2.1 层次分析法建模的基本步骤 |
| 5.2.2 群组AHP(Group-AHP) |
| 5.2.3 投资预测模型与AHP |
| 5.3 IPDSS模型部件的设计及实现 |
| 5.3.1 模型库设计 |
| 5.3.2 方法库设计 |
| 5.3.3 模型库与方法库合并 |
| 5.3.4 模型管理系统的实现 |
| 5.4 本章小结 |
| 第六章 系统的实现及功能简介 |
| 6.1 引言 |
| 6.2 系统开发和运行环境 |
| 6.2.1 开发环境 |
| 6.2.2 运行环境 |
| 6.3 系统框架 |
| 6.3.1 逻辑框架 |
| 6.3.2 功能模块结构 |
| 6.4 数据挖掘的实现 |
| 6.4.1 电信数据挖掘系统功能简介 |
| 6.4.2 挖掘过程 |
| 6.5 模型部件的实现及管理 |
| 6.5.1 分析预测模型 |
| 6.5.2 投资预测模型 |
| 6.5.3 投资回报模型 |
| 6.5.4 投资分解模型 |
| 6.5.5 数据挖掘模型 |
| 6.6 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）面向电信CRM的数据挖掘应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语缩写对照表 |
| 图目录 |
| 表目录 |
| 1 绪论 |
| 1.1 问题的提出 |
| 1.2 研究现状 |
| 1.2.1 客户关系管理 |
| 1.2.2 数据挖掘技术 |
| 1.2.3 数据挖掘在CRM中的应用 |
| 1.2.4 面向电信CRM的数据挖掘应用 |
| 1.2.5 目前研究的不足 |
| 1.3 本文的研究内容和结构 |
| 1.4 本文的主要创新点 |
| 2 数据挖掘理论与方法基础 |
| 2.1 数据挖掘过程 |
| 2.1.1 明确商业问题 |
| 2.1.2 数据准备 |
| 2.1.3 选择挖掘算法 |
| 2.1.4 建立并评估模型 |
| 2.1.5 解释挖掘结果 |
| 2.2 数据挖掘功能 |
| 2.2.1 聚类 |
| 2.2.2 分类和预测 |
| 2.2.3 关联和序列模式发现 |
| 2.3 数据挖掘算法 |
| 2.3.1 K-means算法 |
| 2.3.2 决策树 |
| 2.3.3 关联规则 |
| 2.3.4 人工神经网络 |
| 2.3.5 遗传算法 |
| 2.4 本章小结 |
| 3 电信企业数据仓库建设 |
| 3.1 IT系统现状 |
| 3.1.1 业务支撑系统(BSS)简介 |
| 3.1.2 BSS的不足 |
| 3.2 电信企业数据仓库的分析与设计 |
| 3.2.1 数据仓库建设的必要性 |
| 3.2.2 功能需求和主题确定 |
| 3.2.3 体系结构 |
| 3.2.4 分析维度 |
| 3.2.5 分析方法和分析模型体系 |
| 3.2.6 数据模型设计 |
| 3.3 电信企业数据仓库的实现 |
| 3.3.1 建设方法选择 |
| 3.3.2 ETL子系统设计 |
| 3.3.3 粒度设计 |
| 3.4 本章小结 |
| 4 基于数据挖掘的电信企业客户关系管理 |
| 4.1 CRM理论回顾 |
| 4.1.1 CRM的内涵 |
| 4.1.2 CRM的产生背景 |
| 4.1.3 CRM系统的类型与功能 |
| 4.2 电信企业的CRM |
| 4.2.1 实施CRM的动因 |
| 4.2.2 CRM的目标与系统结构 |
| 4.3 基于CLT和DM的电信CRM模型 |
| 4.3.1 CLT理论 |
| 4.3.2 电信CLT管理 |
| 4.3.3 基于DM的电信CLT管理模型 |
| 4.4 本章小结 |
| 5 电信客户生命周期价值模型及其评价 |
| 5.1 CLV模型研究综述 |
| 5.2 电信CLV模型 |
| 5.3 电信客户价值评价指标体系 |
| 5.3.1 客户当前价值 |
| 5.3.2 客户增量价值 |
| 5.3.3 客户存量价值 |
| 5.3.4 递阶层次结构 |
| 5.4 实证研究 |
| 5.4.1 指标赋权 |
| 5.4.2 客户价值评价 |
| 5.4.3 营销建议 |
| 5.5 本章小结 |
| 6 电信客户细分模型 |
| 6.1 客户细分意义与方法 |
| 6.1.1 客户细分的意义 |
| 6.1.2 细分方法演进 |
| 6.2 属性选择 |
| 6.2.1 客户基本属性 |
| 6.2.2 价值属性 |
| 6.2.3 行为属性 |
| 6.3 数据准备 |
| 6.3.1 数据检测 |
| 6.3.2 属性约简 |
| 6.3.3 数据转换 |
| 6.4 客户细分模型 |
| 6.4.1 K-means算法 |
| 6.4.2 LKM算法 |
| 6.4.3 GLKM算法 |
| 6.5 客户细分模型的评价 |
| 6.5.1 无指导的评价 |
| 6.5.2 有指导的评价 |
| 6.6 仿真计算 |
| 6.7 本章小结 |
| 7 电信客户细分实证研究 |
| 7.1 宽表设计 |
| 7.1.1 数据来源 |
| 7.1.2 宽表设计 |
| 7.1.3 宽表属性 |
| 7.2 数据准备 |
| 7.2.1 数据检测 |
| 7.2.2 属性约简 |
| 7.2.3 数据转换 |
| 7.3 建立与评估模型 |
| 7.3.1 价值细分 |
| 7.3.2 行为细分 |
| 7.3.3 价值-行为细分 |
| 7.4 结果与解释 |
| 7.5 本章小结 |
| 8 电信客户流失预测模型 |
| 8.1 研究背景与问题定义 |
| 8.1.1 背景 |
| 8.1.2 问题理解 |
| 8.2 电信客户流失预测研究综述 |
| 8.2.1 客户流失的影响因素 |
| 8.2.2 预测的相关方法 |
| 8.3 数据理解与数据准备 |
| 8.3.1 数据理解 |
| 8.3.2 建模数据采集 |
| 8.3.3 不对称样本分布问题的处理 |
| 8.4 代价最小化的电信客户流失预测模型 |
| 8.4.1 流失预测与代价敏感学习 |
| 8.4.2 C4.5 决策树算法 |
| 8.4.3 组合分类器与AdaCost算法 |
| 8.4.4 建模思路 |
| 8.5 模型评估 |
| 8.5.1 不考虑代价的模型评价指标 |
| 8.5.2 考虑代价的模型评估方法 |
| 8.6 本章小结 |
| 9 电信客户流失预测实证研究 |
| 9.1 数据准备 |
| 9.1.1 样本数据采集 |
| 9.1.2 数据集描述 |
| 9.1.3 属性约简 |
| 9.2 代价敏感客户流失预测的实证研究 |
| 9.3 模型的收益性分析 |
| 9.4 营销建议 |
| 9.4.1 规则导出示例 |
| 9.4.2 客户挽留流程 |
| 9.4.3 挽留策略设计 |
| 9.5 本章小结 |
| 10 总结与展望 |
| 10.1 论文的主要结论 |
| 10.2 研究局限与研究展望 |
| 11 参考文献 |
| 12 作者在学期间发表与投稿的论文以及主持和参加的科研项目 |
| 作者在学期间发表、录用和已投的论文 |
| 作者在学期间主持和参加的科研项目 |
| 科研获奖 |
| 致谢 |
（6）电信IP决策支持系统中聚类算法的应用与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 本文研究的内容及其结构安排 |
| 1.3 本文主要的工作成果和创新点 |
| 2 电信IP决策支持系统 |
| 2.1 决策支持系统简介 |
| 2.1.1 发展和定义 |
| 2.1.2 体系结构 |
| 2.2 IP决策支持系统架构分析 |
| 2.2.1 总体结构 |
| 2.2.2 三层逻辑结构 |
| 2.3 系统功能模块分析与设计 |
| 2.3.1 五大功能模块 |
| 2.3.2 四库系统 |
| 2.4 开发和运行环境 |
| 3 网络投资模块的设计与实现 |
| 3.1 模块功能分析 |
| 3.2 模块中使用的模型分析 |
| 3.2.1 层次分析模型 |
| 3.2.2 投资回报分析模型 |
| 3.3 模块采用的技术分析 |
| 3.3.1 NET技术 |
| 3.3.2 数据库技术 |
| 4 数据挖掘技术 |
| 4.1 数据挖掘的产生 |
| 4.2 数据挖掘的定义 |
| 4.3 数据挖掘技术 |
| 4.4 数据仓库技术 |
| 5 数据挖掘在系统中的应用 |
| 5.1 数据挖掘与电信业 |
| 5.2 数据挖掘与系统中的数据 |
| 5.3 计费数据整理 |
| 5.3.1 数据抽取 |
| 5.3.2 数据清洗 |
| 5.3.3 数据转换 |
| 5.3.4 数据转储 |
| 5.4 聚类分析在计费数据分析中的应用 |
| 5.4.1 聚类简介 |
| 5.4.2 几种聚类方法在电信数据聚类中的应用 |
| 6 VORONOI图和DELAUNAY三角形研究 |
| 6.1 VORONOI图和DELAUNAY三角形简介 |
| 6.2 VORONOI图在计算机科学中的应用 |
| 6.3 使用DELAUNAY三角形对K-MEDOIDS方法的改进 |
| 6.4 改进的K-MEDOIDS方法的实验 |
| 结束语 |
| 致谢 |
| 参考文献 |
（7）数据挖掘技术在电信IP决策支持系统中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 决策支持系统的产生背景 |
| 1.2 国内外决策支持系统的发展状况 |
| 1.3 论文的研究背景及意义 |
| 1.4 本文研究的内容及其结构安排 |
| 第二章 决策支持系统及相关技术 |
| 2.1 决策支持系统的相关概念 |
| 2.1.1 决策问题的分类 |
| 2.1.2 人类决策的过程 |
| 2.1.3 决策支持系统的定义 |
| 2.2 决策支持系统体系结构 |
| 2.2.1 系统结构 |
| 2.2.2 人机界面 |
| 2.2.3 四库系统 |
| 2.3 数据仓库技术 |
| 2.3.1 DW的特性 |
| 2.3.2 DW体系结构 |
| 2.3.3 DW实现方法 |
| 2.4 数据仓库与决策支持系统 |
| 第三章 数据挖掘技术 |
| 3.1 数据挖掘的产生和发展 |
| 3.2 数据挖掘相关理论 |
| 3.2.1 数据挖掘的定义和特点 |
| 3.2.2 数据挖掘的方法和技术 |
| 3.2.3 数据挖掘的分析方法 |
| 3.3 数据挖掘的结构和步骤 |
| 3.3.1 数据挖掘系统的结构 |
| 3.3.2 数据挖掘的步骤 |
| 3.4 挖掘算法介绍 |
| 3.4.1 关联规则挖掘 |
| 3.4.2 聚类分析 |
| 3.5 数据挖掘在电信行业中的应用 |
| 第四章 电信IP决策支持系统总体设计 |
| 4.1 需求分析 |
| 4.1.1 开发要求 |
| 4.1.2 功能模块设计 |
| 4.2 系统技术选择 |
| 4.2.1 逻辑结构的选择 |
| 4.2.2 系统架构的选择 |
| 4.2.3 后台数据库的选择 |
| 4.3 系统框架设计 |
| 4.3.1 数据层 |
| 4.3.2 业务(逻辑)层 |
| 4.3.3 表现层 |
| 4.4 系统开发和运行环境 |
| 4.4.1 开发坏境 |
| 4.4.2 运行坏境 |
| 第五章 电信IP决策支持系统的实现 |
| 5.1 建立四库系统 |
| 5.1.1 数据库与数据仓库 |
| 5.1.2 方法库 |
| 5.1.3 模型库 |
| 5.1.4 知识库 |
| 5.2 业务逻辑实现 |
| 5.3 设计人机界面 |
| 第六章 数据挖掘在系统中的应用 |
| 6.1 挖掘目标 |
| 6.2 数据准备 |
| 6.2.1 数据抽取 |
| 6.2.2 数据清洗、集成与转换 |
| 6.2.3 数据转储 |
| 6.3 关联规则挖掘 |
| 6.3.1 APRIORI多维关联规则 |
| 6.3.2 无意义规则的剔除 |
| 6.3.3 结果分析 |
| 6.4 聚类分析 |
| 6.4.1 K-平均聚类 |
| 6.4.2 噪声处理 |
| 6.4.3 结果分析 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）电信IP决策支持系统中数据仓库及数据挖掘的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 前言 |
| 1.1 课题背景 |
| 1.2 DSS的产生背景 |
| 1.3 DSS理论及其发展动态 |
| 1.3.1 DSS发展的理论基础 |
| 1.3.2 DSS发展动态 |
| 1.4 论文主要内容 |
| 第二章 电信IP决策支持系统 |
| 2.1 系统概述 |
| 2.2 系统的设计步骤 |
| 2.2.1 建立数据仓库 |
| 2.2.2 构建方法库和模型库 |
| 2.2.3 建立决策支持模型 |
| 2.2.4 设计人机界面 |
| 2.3 系统结构及其功能 |
| 2.3.1 系统结构介绍 |
| 2.3.2 系统功能概述 |
| 第三章 数据仓库相关技术研究及其在IPDSS中的应用 |
| 3.1 数据仓库及其研究 |
| 3.1.1 DW的产生 |
| 3.1.2 DW的特性 |
| 3.1.3 DW体系结构 |
| 3.1.4 DW实现方法 |
| 3.2 联机分析处理技术及其应用研究 |
| 3.2.1 OLAP的概念 |
| 3.2.2 MOLAP的研究 |
| 3.2.3 ROLAP的研究及实现 |
| 3.2.4 MOLAP和ROLAP的比较 |
| 3.3 IPDSS数据仓库的设计和实现 |
| 3.3.1 数据仓库后端--数据装载器的设计 |
| 3.3.2 牧据仓库自身设计 |
| 3.3.3 数据仓库前端设计 |
| 第四章 数据挖掘技术综述 |
| 4.1 数据挖掘的产生 |
| 4.2 数据挖掘的一般性讨论 |
| 4.2.1 什么是数据挖掘 |
| 4.2.2 数据挖掘的功能和分类 |
| 4.2.3 数据挖掘的方法和过程 |
| 4.3 数据挖掘的应用、研究及发展趋势 |
| 4.3.1 数据挖掘的应用领域 |
| 4.3.2 数据挖掘的研究动态 |
| 4.3.3 数据挖掘的发展趋势 |
| 第五章 关联规则挖掘算法研究及其在电信系统中的应用 |
| 5.1 关联规则挖掘研究 |
| 5.1.1 购物篮分析--一个引发关联规则挖掘的例子 |
| 5.1.2 关联规则挖掘的基本概念 |
| 5.1.3 Apriori算法 |
| 5.2 电信宽带数据挖掘研究与实现 |
| 5.2.1 问题描述 |
| 5.2.2 挖掘过程 |
| 5.2.3 电信数据挖掘系统功能介绍 |
| 5.2.4 试验结果分析 |
| 5.3 算法有效性的改进 |
| 5.3.1 有效性改进的动机 |
| 5.3.2 关联规则评估体系的修改 |
| 5.3.3 实验结果分析和结论 |
| 结束语 |
| 致谢 |
| 参考文献 |
（9）数据挖掘技术在运营分析与决策支持系统中的应用（论文提纲范文）
| 第一章 吉林省通信公司运营分析与决策支持系统的建设背景 |
| 1.1 吉林省通信公司简介和市场环境的分析 |
| 1.2 吉林省通信公司运营分析与决策支持系统的建设背景 |
| 1.3 吉林省通信公司运营分析与决策支持系统建设的意义 |
| 1.4 课题目标 |
| 1.4.1 研究目标 |
| 1.4.2 承担的主要工作 |
| 第二章 运营分析与决策支持系统的需求分析 |
| 2.1 总体需求分析 |
| 2.2 决策支持系统和其它系统的逻辑关系图 |
| 2.3 决策支持系统逻辑关系图 |
| 2.4 运营分析与决策支持系统的业务功能需求 |
| 第三章 运营分析与决策支持系统的相关概念及设计思路 |
| 3.1 数据仓库技术的相关概念 |
| 3.1.1 数据仓库 |
| 3.1.2 数据仓库的相关概念 |
| 3.1.3 数据挖掘 |
| 3.2 系统的建设目标 |
| 3.3 系统的建设原则 |
| 第四章 运营分析与决策支持系统的设计 |
| 4.1 体系结构 |
| 4.1.1 系统结构 |
| 4.1.2 网络结构 |
| 4.2 元数据 |
| 4.2.1 元数据类型 |
| 4.2.2 元数据管理 |
| 4.3 数据获取 |
| 4.3.1 概述 |
| 4.3.2 源数据 |
| 4.3.3 吉林省通信公司的源数据 |
| 4.3.4 数据加载 |
| 4.3.5 数据审计 |
| 4.4 数据存储 |
| 4.4.1 数据存储方式 |
| 4.4.2 中央数据仓库的意义 |
| 4.4.3 吉林省通信公司数据特性分析 |
| 4.4.4 数据仓库设计原则 |
| 4.4.5 数据集市 |
| 4.5 数据访问 |
| 4.5.1 概述 |
| 4.5.2 联机分析处理 |
| 4.5.3 即席查询 |
| 4.5.4 预定义报表 |
| 4.5.5 门户入口 |
| 4.6 数据挖掘 |
| 4.6.1 概述 |
| 4.6.2 数据挖掘方法 |
| 4.6.3 数据挖掘的体系结构 |
| 4.6.4 数据挖掘过程 |
| 4.6.5 数据挖掘工具要求 |
| 第五章 运营分析与决策支持系统的功能实现 |
| 5.1 NCR 数据挖掘方法论 |
| 5.2 TERADATA WAREHOUSE MINER简介 |
| 5.3 大客户流失预测数据挖掘分析 |
| 5.3.1 大客户流失预测数据挖掘分析概述 |
| 5.3.2 定义业务问题范围 |
| 5.3.3 数据准备 |
| 5.3.4 值分析 |
| 5.3.5 统计分析 |
| 5.3.6 直方图分析 |
| 5.3.7 建模过程 |
| 5.3.8 模型发布以及营销建议 |
| 5.4 商企客户分群数据挖掘分析 |
| 5.4.1 商企客户分群数据挖掘分析概述 |
| 5.4.2 定义业务问题范围 |
| 5.4.3 建模过程 |
| 5.4.4 模型评估暨客户群特征刻画 |
| 5.4.5 模型发布以及营销建议 |
| 第六章 运营分析系统建设的体会及应用展望 |
| 6.1 关注运营分析与决策分析建设过程中几个误区 |
| 6.2 对运营分析与决策系统的应用展望 |
| 附录术语解释 |
| 参考文献 |
| 论文摘要 |
| ABSTRACT |
| 致谢 |
（10）数据挖掘技术在固网通信运营业的应用研究（论文提纲范文）
| 图目录 |
| 表目录 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容、重点和创新点 |
| 1.4 论文的组织结构 |
| 第二章 我国固网通信运营业的现状和竞争分析 |
| 2.1 固网通信运营业发展概况 |
| 2.1.1 我国固网通信运营业发展概况 |
| 2.1.2 我国固网通信运营业发展趋缓 |
| 2.1.3 固网通信运营业的转型迫在眉睫 |
| 2.2 我国固网通信运营市场的竞争分析 |
| 2.3 数据挖掘在固网通信企业的应用 |
| 2.3.1 数据挖掘在我国固网通信企业的应用概况 |
| 2.3.2 国内数据挖掘应用中存在的问题 |
| 2.4 我国固网通信运营业应用数据挖掘的必要性 |
| 第三章 以数据挖掘为核心的固网通信运营业经营决策支持模式 |
| 3.1 电信业企业级数据仓库 |
| 3.1.1 数据仓库的实施 |
| 3.1.2 中国电信企业级逻辑数据模型CTG-EDM |
| 3.1.3 应用解决方案框架 |
| 3.2 以数据挖掘为核心的经营决策支持模式 |
| 3.3 数据挖掘主题的选取 |
| 3.3.1 客户分群 |
| 3.3.2 客户流失分析 |
| 3.3.3 客户价值分析 |
| 第四章 固网通信企业数据挖掘模型的分析 |
| 4.1 数据挖掘过程模型 |
| 4.2 客户分群模型 |
| 4.3 客户流失预测模型 |
| 4.4 客户价值分析模型 |
| 第五章 基于数据仓库、数据挖掘的固网通信企业洞察力营销 |
| 5.1 洞察力营销（IDM） |
| 5.1.1 客户分群 |
| 5.1.2 理解客户 |
| 5.1.3 营销策划和预测 |
| 5.1.4 组织和执行营销活动 |
| 5.1.5 评估和优化营销活动 |
| 5.1.6 基于数据仓库和数据挖掘的洞察力营销 |
| 5.2 选择目标客户群 |
| 5.3 客户流失预测 |
| 5.4 开发营销活动创意 |
| 5.5 设计产品组合方案 |
| 5.5.1 设计针对性的产品/产品组合价格结构 |
| 5.5.2 设计针对性的渠道方案 |
| 5.5.3 评估Offer 的挑战和风险 |
| 5.6 市场测试 |
| 5.7 营销执行 |
| 5.8 营销评估和优化 |
| 第六章 结束语 |
| 致谢 |
| 参考文献表 |
四、数据挖掘技术在电信IP决策支持系统中的应用（论文参考文献）
- [1]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [2]数据挖掘在电信运营商客户关系管理中的应用[D]. 张隽. 上海交通大学, 2015(03)
- [3]基于数据挖掘的电信客户细分研究[D]. 李文英. 西安理工大学, 2009(S1)
- [4]基于数据挖掘技术的决策支持系统及其关键技术研究[D]. 汤九斌. 南京理工大学, 2009(01)
- [5]面向电信CRM的数据挖掘应用研究[D]. 陈金波. 东南大学, 2006(04)
- [6]电信IP决策支持系统中聚类算法的应用与研究[D]. 鲁岩. 南京理工大学, 2004(01)
- [7]数据挖掘技术在电信IP决策支持系统中的应用[D]. 袁新程. 南京理工大学, 2004(01)
- [8]电信IP决策支持系统中数据仓库及数据挖掘的研究与应用[D]. 倪秀清. 南京理工大学, 2004(04)
- [9]数据挖掘技术在运营分析与决策支持系统中的应用[D]. 成明. 吉林大学, 2006(10)
- [10]数据挖掘技术在固网通信运营业的应用研究[D]. 刘印. 国防科学技术大学, 2005(11)