1、人工神經(jīng)網(wǎng)絡在電信業(yè)客戶關系管理中的應用研究 人工神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡（Artificial Neural NetworkANN），簡稱“神經(jīng)網(wǎng)絡（NN）”，作為對人腦最簡單的一種抽象和模擬，是探索人類智能的有力工具。它具有分布并行處理、非線形映射、自適應學習等特性，這使得它在模式識別、控制優(yōu)化、智能信息處理以及故障診斷等方面都有廣泛的應用。 神經(jīng)網(wǎng)絡結構圖神經(jīng)網(wǎng)絡可以具有多層結構，一般具有輸入層、中間層和輸出層。輸入層接受外部的輸入信號，并由各輸入單元傳送給直接相連的中間層各單元；中間層是網(wǎng)絡內部處理單元層，與外部無直接連接。神經(jīng)元網(wǎng)絡所具有的模式變換能力，如模式分類、模式完善、特征抽取等

2、，主要是在中間層進行的。根據(jù)處理功能的不同，中間層可以有多層，也可以沒有；輸出層是網(wǎng)絡輸出運行結果并與顯示設備或執(zhí)行機構相連接的部分。 客戶關系管理 （Customer Relationship Management,CRM） CRM首先是一種管理理念。其核心思想就是將企業(yè)的客戶作為最重要的企業(yè)資源，通過完善的客戶服務和深入的客戶分析來滿足客戶的需要，保證實現(xiàn)客戶的終生價值。 CRM也是一種管理軟件和技術，它將最佳的商業(yè)實踐與數(shù)據(jù)倉庫技術、數(shù)據(jù)挖掘、一對一營銷、銷售自動化以及其他信息技術緊密結合在一起，為企業(yè)的銷售、客戶服務和決策支持等領域提供了一個業(yè)務自動化的解決方案 數(shù)據(jù)準備電信運營商將客

3、戶屬性分為：本地通話費用、上網(wǎng)流量費長、長途通話費用、IP費用、非電信IP計費、非電信IP計費運營商個數(shù)、非電信IP平均計費時長、月平均撥號上網(wǎng)次數(shù)、月平均撥號上網(wǎng)次數(shù)。每個屬性分為7個等級即：非常高，很高，較高，中等，很低，較低，最低。 電信客戶通訊數(shù)據(jù)表規(guī)則 客戶屬性費用等級非常高很高較高中等很低較低最低本地通話費用（元）180-30085-17940-8425-3915-248-143-7上網(wǎng)流量費（元）150-30080-14935-7920-3410-195-90-4長途通話費用（元）250-500150-24990-14948-8925-4710-243-9IP費用（元）250-4

4、50150-24990-14948-8925-4710-242-9非電信IP計費（元）250-450150-24990-14948-8925-4710-241-9非電信IP計費運營商個數(shù)（個）49-8035-5025-3415-249-144-81-3非電信IP平均計費時長（分鐘）350-600250-349150-24960-14935-5920-345-19月平均撥號上網(wǎng)次數(shù)（次）49-8035-5025-3415-249-144-80-3客戶類型對應等級表 客戶屬性客戶類別本地大眾族網(wǎng)絡族長途族IP強勢族非電信IP強勢族本地通話費用非常高中等很低較高很高上網(wǎng)流量費很高非常高較低中等較高長

5、途通話費用很高中等非常高較高很低IP費用很高較高很低非常高很低非電信IP計費較低中等最低中等非常高非電信IP計費運營商個數(shù)較低很低最低中等較高非電信IP平均計費時長較低很低最低較低很高月平均撥號上網(wǎng)次數(shù)最低很低較低中等較高客戶類型本地通話費用上網(wǎng)流量費長途通話費用IP費用非電信IP計費非電信IP計費運營商個數(shù)非電信IP平均計費時長月平均撥號上網(wǎng)次數(shù)本地大眾族214143163244177331221136215200145230275107232203215340289126170216138280264109236162226261網(wǎng)絡族392186313686135810282247213

6、564135911292708694711340133623867100849591339292711245094014根據(jù)以上規(guī)則，隨機生成符合要求的數(shù)據(jù)10000條，每種客戶類型生成2000條 客戶類型本地通話費用上網(wǎng)流量費長途通話費用IP費用非電信IP計費非電信IP計費運營商個數(shù)非電信IP平均計費時長月平均撥號上網(wǎng)次數(shù)長途族195446425116424643641721051773922552862193822761571553623292197IP強勢族118459430980192624126361373725717311997441123926720282011335146413

7、7922242485399940063203016非電信IP強勢族947236394382928830151733527309272992994584140357323293317638373832627296331193634333823426633建立神經(jīng)網(wǎng)絡模型 本網(wǎng)絡的輸入層采用8個節(jié)點 輸出層采用一個節(jié)點將0-1之間分為五個區(qū)間，每個區(qū)間相隔0.2作為一個類型。 訓練次數(shù)為10000次，對隱含層分別為24、16、8、4做比較 ，選取出最佳隱含層節(jié)點數(shù) BP學習算法一種ANN的誤差反向傳播算法其具體算法思想是把網(wǎng)絡學習的過程分為兩個階段：第一階段（正向傳播階段），給出輸入信息，通過輸入

8、層經(jīng)隱含層逐層處理并計算每個單元的實際輸出值；第二階段（反向傳播階段），若在輸出層未得到期望的輸出結果，則逐層遞歸地計算出實際輸出與期望輸出之間的差值（即誤差），以便根據(jù)此差值調節(jié)權值。 隱含層取16時?？梢钥闯龇抡嬷蹬c真實值部分接近，對于客戶前兩個類型（本地大眾族、網(wǎng)絡族）基本能夠判斷前兩個類型，函數(shù)部分收斂。 隱含層取8時?？梢钥闯龇抡嬷甸_始接近真實值，所建立的函數(shù)基本收斂，但是看以看出在部分類型的判斷上還有很大差距。 隱含層取4時。仿真值和真實值基本一致，誤差很小，對于客戶的五個類型都能夠很好的判斷。因此4個節(jié)點的隱含層訓練10000次能過得到一個收斂的函數(shù)。模型結構模型測試 將20%的測試樣本，2000條測試數(shù)據(jù)對4個結點隱含層的神經(jīng)網(wǎng)絡進行預測客戶類型測試。正確的結果有1921條，錯誤的有79條。 結論上面的測試結果可以看出模型的建立是符合預期的要求的，能夠對客戶屬性的判斷