移动决策 数据挖掘 决策树
技术／应用Ｔｅｃｈｎｏｌｏｇｙ／Ａｐｐｌｉｃａｔｉｏｎ
表１预流失用户名单
说明：如果一个用户当月本地通话次数大于４次小于等于１６次，三个月来总通话次数平均值小于等于０．２８次，三个月来本地通话次数平均值比上总通话次数平均值的比率大于０．８６０００００１，年龄小于等于３５岁，而且当月出帐费用小于等于１７．５４０００１元，那么我们预测这个用户将会离网，数据库中共有２６２４人，符合上述描述的有２２６３人，预测精度为
９．预测模型的应用
首先进行参数设置与原始名单生成：可进行３２个属性中的选取，对当月用户数据进行流失分析，获取分析结果；同时为提高预流失用户的接通率，对处于停机状态或其他条件的用名单进行过滤，并可通过设置相关的模型参数阈值，选取满足模型阈值条件的用户作为预流失用户，对选取的名单进行下载，以提交后续处理，实施用户挽留、用户回访、用户调查等处理。如表１所示。
８６．２４２％，预测精度符合应用用户的要
求。
７．流失原因分析
通过对Ｃ网、Ｇ网以及不同地区的离网用户模型的分析，获取不同地区不同网别的流失用户特征。
本应用中Ｇ网流失用户特征分析：流失用户特征１：入网时长小于等于
结束语
总而言之，数据挖掘技术在电子商务时代的移动通信运营商决策管理中有着广阔的应用前景，决策树分析方法因其可理解性好挖掘速度快，在电信数据挖掘中有着重要的特殊作用和较大的应用潜力。需要指出的是，除基于决策树分析方法进行电信数据挖掘之外，电信数据挖掘的实现还需要关联规则、神经网络、贝叶斯信念网络等多种数据挖掘方法融合，可以说谁在这一领域应用中领先一步，谁就赢得了市场的先机，有效提升其企业的核心竞争力。因此，在电信行业进行数据建模具有广泛的应用前景与收益。
作者单位：
张献华，云南财经大学信息学院。田亮，昆明理工大学管理与经济学院。叶幸春，深圳现代计算机有限公司。
５０个月，而且工作时段通话次数小于等
于１７次；
流失用户特征２：最近一个月的消费比率大于２．８８，而且半年内套餐平均价值小于等于０．８３；
流失用户特征３：拨出交往圈比上拨出交往圈平均值的比例小于等于０．５５。
８．流失用户ＫＰＩ分析
根据抽取的数据信息统计流失用户地域和业务类型三个ＫＰＩ数据，分时间、
维度，对主动流失用户数、被动流失用户数、流失用户数、在网用户数、主动流失率、被动流失率、流失率和离网用户数八个指标进行数据统计，建立ＫＰＩ指标库．
中国新通信
８２
ＣＨＩＮＡＮＥＷＴＥＬＥＣＯＭＭＵＮＩＣＡＴＩＯＮＳ