關(guān)聯(lián)規(guī)則在電信業(yè)務(wù)交叉銷(xiāo)售中的應(yīng)用

宋 凱，王開(kāi)祥

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽(yáng) 110159)

關(guān)聯(lián)規(guī)則在電信業(yè)務(wù)交叉銷(xiāo)售中的應(yīng)用

宋 凱，王開(kāi)祥

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽(yáng) 110159)

研究關(guān)聯(lián)規(guī)則中的Apriori算法。對(duì)某電信公司各種電信業(yè)務(wù)和客戶(hù)資料進(jìn)行收集和分析，了解該電信公司的經(jīng)營(yíng)模式和營(yíng)銷(xiāo)策略，針對(duì)運(yùn)營(yíng)商的需求，使用Apriori算法對(duì)電信業(yè)務(wù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，結(jié)合實(shí)際情況對(duì)挖掘出來(lái)的結(jié)果進(jìn)行解釋說(shuō)明，并對(duì)模型進(jìn)行優(yōu)化，最終提出業(yè)務(wù)的交叉銷(xiāo)售方式。

關(guān)聯(lián)規(guī)則；支持度；Apriori；挖掘；交叉銷(xiāo)售

業(yè)務(wù)的關(guān)聯(lián)分析也稱(chēng)作業(yè)務(wù)交叉銷(xiāo)售，主要通過(guò)分析客戶(hù)以往的購(gòu)買(mǎi)行為，來(lái)挖掘那些頻繁地被同時(shí)購(gòu)買(mǎi)的產(chǎn)品組合，根據(jù)這些信息可以為只購(gòu)買(mǎi)部分產(chǎn)品的客戶(hù)來(lái)推薦組合中的其他的產(chǎn)品，以這種方法來(lái)提高企業(yè)的利潤(rùn)，它的實(shí)現(xiàn)方法主要有關(guān)聯(lián)規(guī)則、相關(guān)分析和主成分分析[1]。本文以業(yè)務(wù)角度為出發(fā)點(diǎn)，對(duì)電信業(yè)務(wù)進(jìn)行關(guān)聯(lián)分處理，建立一個(gè)電信業(yè)務(wù)交叉銷(xiāo)售模型。通過(guò)模型發(fā)現(xiàn)的知識(shí)，了解電信用戶(hù)頻繁訂購(gòu)的業(yè)務(wù)組合，和一些潛在的關(guān)聯(lián)規(guī)則，企業(yè)可以根據(jù)挖掘出來(lái)的關(guān)聯(lián)規(guī)則和業(yè)務(wù)組合進(jìn)行業(yè)務(wù)營(yíng)銷(xiāo)和業(yè)務(wù)間的捆綁銷(xiāo)售，從而實(shí)現(xiàn)業(yè)務(wù)間的交叉銷(xiāo)售[2]。

1 關(guān)聯(lián)規(guī)則算法

1.1 關(guān)聯(lián)規(guī)則基本概念

假設(shè)A,B是數(shù)據(jù)庫(kù)D中包含的不相交數(shù)據(jù)項(xiàng)目集，A,B?I,A∩B=Φ,那么關(guān)聯(lián)規(guī)則的表達(dá)形式為

R∶A→B

(1)

其中的條件

A∩B=Φ

(2)

不是一定的，但是如果沒(méi)有這個(gè)約束條件就會(huì)產(chǎn)生一些冗余的關(guān)聯(lián)規(guī)則。比如，A→A是最明顯的例子。關(guān)聯(lián)規(guī)則A→B和A→A∪B在數(shù)據(jù)挖掘中具有的意義是相同的[3]。

1.2 Apriori算法

數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則中相當(dāng)經(jīng)典的算法是Apriori算法，該算法具有反單調(diào)性。與FP-tree算法生成頻繁模式樹(shù)的方式不同[4-5]。Apriori算法先生成候選項(xiàng)集判斷是否為頻繁項(xiàng)集。生成的頻繁項(xiàng)集的任一子集一定都是頻繁項(xiàng)集，含有非頻繁項(xiàng)集任意子集的項(xiàng)集一定是非頻繁的。運(yùn)用迭代的思想，首先發(fā)現(xiàn)1頻繁-項(xiàng)集，由頻繁k-1-項(xiàng)集生成k候選項(xiàng)集，逐層掃描數(shù)據(jù)庫(kù)后從候選k-項(xiàng)集中篩選出頻繁k-項(xiàng)集，直到最終剩下的候選項(xiàng)集為空時(shí)算法結(jié)束[6]。

使用VC++語(yǔ)言對(duì)Apriori算法進(jìn)行編程，在Visual C++中調(diào)用程序?qū)崿F(xiàn)對(duì)表1中的樣本事務(wù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則分析。

表1 關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)

圖1 生成頻繁1項(xiàng)集過(guò)程

圖1生成候選1項(xiàng)集，掃描數(shù)據(jù)庫(kù)得到各項(xiàng)目集的支持度的計(jì)數(shù)，除去支持度計(jì)數(shù)小于2的項(xiàng)集即為1-頻繁項(xiàng)集。

圖2 生成頻繁2項(xiàng)集過(guò)程

圖2是由頻繁1項(xiàng)集生成頻繁2項(xiàng)集，通過(guò)掃描數(shù)據(jù)庫(kù)得到各2項(xiàng)集的支持度計(jì)數(shù)，挑選支持度大于等于2的項(xiàng)集，得到頻繁2項(xiàng)集。

圖3 生成頻繁3項(xiàng)集

圖4 生成的強(qiáng)關(guān)聯(lián)規(guī)則

圖3所示是根據(jù)所有非頻繁項(xiàng)集的超集都是非頻繁的，對(duì)候選3項(xiàng)集進(jìn)行剪枝，掃描數(shù)據(jù)庫(kù)得到候選項(xiàng)集，除去小于支持度的候選項(xiàng)集，得到頻繁3項(xiàng)集。同理，得到頻繁4項(xiàng)集和頻繁5項(xiàng)集。再根據(jù)最小支持度，來(lái)判定是否為關(guān)聯(lián)規(guī)則。置信度大于或等于最小置信度的規(guī)則即為強(qiáng)關(guān)聯(lián)規(guī)則[7]。圖4所示即為生成的強(qiáng)關(guān)聯(lián)規(guī)則。

2 數(shù)據(jù)準(zhǔn)備及預(yù)處理

2.1 數(shù)據(jù)準(zhǔn)備

要實(shí)現(xiàn)對(duì)電信業(yè)務(wù)的關(guān)聯(lián)分析，就要大范圍收集電信公司的用戶(hù)數(shù)據(jù)，并需要對(duì)這些數(shù)據(jù)進(jìn)行補(bǔ)全、去噪等數(shù)據(jù)預(yù)處理工作，得到符合構(gòu)建模型所需的格式類(lèi)型的數(shù)據(jù)，還要對(duì)數(shù)據(jù)進(jìn)行初步的分類(lèi)為下一階段的關(guān)聯(lián)分析打下基礎(chǔ)。本文選用某電信公司2010年6-8月份3個(gè)月的客戶(hù)使用的業(yè)務(wù)的數(shù)據(jù)，只選取那些狀態(tài)為正常使用并且不欠費(fèi)用的用戶(hù)，不考慮“停機(jī)”和“銷(xiāo)戶(hù)”的客戶(hù)。選取的業(yè)務(wù)包括：漏話(huà)提示、天氣預(yù)報(bào)、新聞早晚報(bào)、愛(ài)音樂(lè)俱樂(lè)部、189郵箱、遼沈晚報(bào)、短信轉(zhuǎn)移、短信過(guò)濾、主叫短信回復(fù)、定時(shí)短信、翼支付。

由于實(shí)驗(yàn)數(shù)據(jù)中客戶(hù)的業(yè)務(wù)消費(fèi)屬性需要根據(jù)交叉銷(xiāo)售的目的進(jìn)行選擇，本案例根據(jù)實(shí)驗(yàn)數(shù)據(jù)使用語(yǔ)音業(yè)務(wù)原始數(shù)據(jù)。此外，實(shí)驗(yàn)數(shù)據(jù)還包括客戶(hù)手機(jī)卡號(hào)，并將其作為客戶(hù)的唯一編號(hào)。

2.2 數(shù)據(jù)預(yù)處理

對(duì)大量的電信數(shù)據(jù)進(jìn)行預(yù)處理是一項(xiàng)相當(dāng)繁瑣的工作，卻又是必要的工作[8]。由于人工處理數(shù)據(jù)的時(shí)候會(huì)出現(xiàn)失誤、數(shù)據(jù)收集過(guò)程中的遺漏等現(xiàn)象，導(dǎo)致數(shù)據(jù)通常是不完整的、有噪聲的和不一致的，這些都會(huì)對(duì)挖掘結(jié)果造成影響。所以要對(duì)電信用戶(hù)開(kāi)通的業(yè)務(wù)數(shù)據(jù)進(jìn)行預(yù)處理，可以得到符合數(shù)據(jù)挖掘的數(shù)據(jù)，縮小數(shù)據(jù)挖掘的范圍，提高數(shù)據(jù)挖掘的效率和質(zhì)量。本系統(tǒng)對(duì)數(shù)據(jù)的預(yù)處理主要是采用數(shù)據(jù)變換方法中的屬性構(gòu)造、屬性泛化和屬性的替換[9]。數(shù)據(jù)預(yù)處理最基本的步驟是對(duì)數(shù)據(jù)中不完整的條目進(jìn)行數(shù)值填充，刪除重復(fù)的記錄，檢測(cè)數(shù)據(jù)中不相符的數(shù)據(jù)并對(duì)其進(jìn)行改正。由于原始數(shù)據(jù)中的各類(lèi)業(yè)務(wù)大多是消費(fèi)金額，這里需要將有消費(fèi)的值用1代替，沒(méi)有消費(fèi)的用0代替。對(duì)于其他業(yè)務(wù)，客戶(hù)在本月至少使用過(guò)某業(yè)務(wù)一次，那么該業(yè)務(wù)的值就為1，否則為0。由于數(shù)據(jù)挖掘是要用來(lái)預(yù)測(cè)將來(lái)客戶(hù)可能發(fā)生的行為，則目標(biāo)群體應(yīng)該全部都是具有普遍行為特征的客戶(hù)群體，那么就應(yīng)該將有些不具有普遍行為的客戶(hù)的數(shù)據(jù)去除，減小它們對(duì)于關(guān)聯(lián)結(jié)果的影響。例如，若用戶(hù)的數(shù)據(jù)值全部為“0”，則不具有普遍意義，應(yīng)該將這類(lèi)用戶(hù)的數(shù)據(jù)去除。

處理后的客戶(hù)增值業(yè)務(wù)有11種，如表2所示。

表2 客戶(hù)增值業(yè)務(wù)數(shù)據(jù)表

將用戶(hù)數(shù)據(jù)導(dǎo)入SQL2005[10]中，圖5是客戶(hù)辦理增值業(yè)務(wù)記錄。由于原始數(shù)據(jù)中的用戶(hù)業(yè)務(wù)使用情況是通過(guò)數(shù)“0”，“1”來(lái)標(biāo)記的，應(yīng)該將客戶(hù)使用的數(shù)據(jù)轉(zhuǎn)化成近似項(xiàng)目集的形式。通過(guò)編譯SQL數(shù)據(jù)庫(kù)語(yǔ)句將數(shù)據(jù)樣本轉(zhuǎn)化為項(xiàng)目集合形式。轉(zhuǎn)化后的樣本如圖6所示。

圖5 客戶(hù)使用增值業(yè)務(wù)數(shù)據(jù)

圖6 轉(zhuǎn)化后的數(shù)據(jù)樣本

3 關(guān)聯(lián)規(guī)則挖掘與結(jié)果分析

3.1 基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘

對(duì)電信業(yè)務(wù)的關(guān)聯(lián)規(guī)則采用Apriori關(guān)聯(lián)規(guī)則算法，該算法能夠?qū)Υ髷?shù)據(jù)進(jìn)行關(guān)聯(lián)分析，且運(yùn)算速度性能相對(duì)穩(wěn)定。最小支持度及最小置信度是發(fā)現(xiàn)頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則所必須的閾值。閾值的設(shè)定要結(jié)合具體實(shí)際情況決定，由于電信增值業(yè)務(wù)的使用率高，可以設(shè)定最小支持度為5%、最小置信度為50%。有價(jià)值的規(guī)則包含了潛在的高質(zhì)量和可執(zhí)行的信息。例如“189郵箱&新聞早晚報(bào)&天氣預(yù)報(bào)”是具有價(jià)值的關(guān)聯(lián)規(guī)則。因?yàn)?89郵箱是免費(fèi)的業(yè)務(wù)，而新聞早晚報(bào)和天氣預(yù)報(bào)是額外收取費(fèi)用的業(yè)務(wù)，那么通過(guò)推薦使用“189郵箱”業(yè)務(wù)的用戶(hù)開(kāi)通“新聞早晚報(bào)”和“天氣預(yù)報(bào)”業(yè)務(wù)，進(jìn)而增加了額外的收入。

由關(guān)聯(lián)分析模型得到挖掘結(jié)果后，要從商業(yè)角度出發(fā)對(duì)知識(shí)進(jìn)行分析和說(shuō)明，發(fā)現(xiàn)規(guī)則中與實(shí)際應(yīng)用不相符或沒(méi)有價(jià)值的地方，以此為依據(jù)對(duì)規(guī)則進(jìn)行優(yōu)化。針對(duì)不同用戶(hù)提出有針對(duì)性的營(yíng)銷(xiāo)方案，從而將數(shù)據(jù)挖掘出來(lái)的有效信息轉(zhuǎn)換為能給企業(yè)帶來(lái)利潤(rùn)的商業(yè)行為。

圖7 客戶(hù)數(shù)據(jù)生成的部分規(guī)則

圖7為使用Apriori算法在VC++6.0中調(diào)用SQL 2005中經(jīng)過(guò)數(shù)據(jù)預(yù)處理后所挖掘出來(lái)的關(guān)聯(lián)規(guī)則。從圖7可以看出，部分關(guān)聯(lián)規(guī)則挖掘結(jié)果的置信度相對(duì)較高，而支持度卻偏低。這一現(xiàn)象可能是由于電信業(yè)務(wù)的推廣力度不強(qiáng)所導(dǎo)致的。由規(guī)則1和規(guī)則2可以看出，漏話(huà)提示和短信轉(zhuǎn)移之間的聯(lián)系比較大，客戶(hù)使用其中一種業(yè)務(wù)的人很大程度上同時(shí)使用另一種業(yè)務(wù)，其置信度高達(dá)84%以上。

3.2 數(shù)據(jù)挖掘結(jié)果分析

從第3到8條關(guān)聯(lián)規(guī)則可以得出，漏話(huà)提示業(yè)務(wù)或短信轉(zhuǎn)移業(yè)務(wù)的使用會(huì)影響到愛(ài)音樂(lè)俱樂(lè)部和翼支付業(yè)務(wù)的使用，雖然5、6條規(guī)則的左邊同時(shí)包含了漏話(huà)提示和短信轉(zhuǎn)移業(yè)務(wù)，短信轉(zhuǎn)移業(yè)務(wù)對(duì)規(guī)則支持度和置信度都沒(méi)有太大的影響，所以漏話(huà)提示的影響力更大。可以挖掘出，向使用漏話(huà)提示或短信轉(zhuǎn)移業(yè)務(wù)的客戶(hù)推銷(xiāo)愛(ài)音樂(lè)俱樂(lè)部和翼支付業(yè)務(wù)的成功率比較高。

從第9、10、11條規(guī)則可以發(fā)現(xiàn)，沈陽(yáng)晚報(bào)對(duì)愛(ài)音樂(lè)俱樂(lè)部和翼支付業(yè)務(wù)具有較大的影響，特別是對(duì)愛(ài)音樂(lè)俱樂(lè)部。同時(shí)還顯示出，向沈陽(yáng)晚報(bào)的客戶(hù)推銷(xiāo)愛(ài)音樂(lè)俱樂(lè)部或翼支付中的一種業(yè)務(wù)的成功率比同時(shí)推銷(xiāo)愛(ài)音樂(lè)俱樂(lè)部和翼支付兩種業(yè)務(wù)的成功率高。

類(lèi)似的，第12、13、14條規(guī)則的結(jié)論是天氣預(yù)報(bào)業(yè)務(wù)的開(kāi)通對(duì)愛(ài)音樂(lè)俱樂(lè)部和翼支付有相關(guān)影響，特別是翼支付業(yè)務(wù)。由于目前天氣預(yù)報(bào)業(yè)務(wù)是免費(fèi)試用期，營(yíng)銷(xiāo)員人可以在客戶(hù)購(gòu)買(mǎi)電話(huà)卡初期為客戶(hù)開(kāi)通天氣預(yù)報(bào)體驗(yàn)業(yè)務(wù)，可以為愛(ài)音樂(lè)俱樂(lè)部和翼支付業(yè)務(wù)帶來(lái)增值利潤(rùn)。

4 規(guī)則優(yōu)化

由挖掘的關(guān)聯(lián)規(guī)則可以發(fā)現(xiàn)，在電信增值業(yè)務(wù)中，短信轉(zhuǎn)移和天氣預(yù)報(bào)業(yè)務(wù)在客戶(hù)中的使用率很高，電信運(yùn)營(yíng)商不需要在這方面過(guò)大的投入和推廣[11]。而189郵箱用戶(hù)使用率相對(duì)比較低的業(yè)務(wù)需要大力推廣，例如翼支付業(yè)務(wù)和定時(shí)短信業(yè)務(wù)等等。若將使用頻率高的業(yè)務(wù)和較低的業(yè)務(wù)放到一起進(jìn)行挖掘，則會(huì)對(duì)有針對(duì)性的推廣產(chǎn)生影響。所以需要對(duì)部分使用率低的業(yè)務(wù)進(jìn)行單獨(dú)的關(guān)聯(lián)規(guī)則挖掘?？梢詫?duì)客戶(hù)使用業(yè)務(wù)的情況由淺到深的探索。

通過(guò)對(duì)這11種業(yè)務(wù)覆蓋率的計(jì)算，統(tǒng)計(jì)結(jié)果如圖8所示。選擇漏話(huà)提示、定時(shí)短信、沈陽(yáng)晚報(bào)、新聞早晚報(bào)、愛(ài)音樂(lè)俱樂(lè)部、短信轉(zhuǎn)移、主叫短信回復(fù)、翼支付和189郵箱這8種業(yè)務(wù)。從33041條記錄中提取出至少使用這8種業(yè)務(wù)中的一種用戶(hù)的數(shù)據(jù)。同樣設(shè)置最小支持度為5%、最小置信度為50%對(duì)優(yōu)化后的數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析。

圖8 客戶(hù)使用業(yè)務(wù)的覆蓋率

圖9 優(yōu)化后的關(guān)聯(lián)規(guī)則部分

圖9為優(yōu)化后的數(shù)據(jù)產(chǎn)生的關(guān)聯(lián)規(guī)則。從圖9中的第1、2條規(guī)則可以發(fā)現(xiàn)，客戶(hù)是否使用定時(shí)短信和漏話(huà)提示或短信轉(zhuǎn)移和沈陽(yáng)晚報(bào)相關(guān)，置信度高達(dá)約83%以上，而且使用沈陽(yáng)晚報(bào)的用戶(hù)，同時(shí)使用漏話(huà)提示會(huì)比同時(shí)使用短信轉(zhuǎn)移更有可能使用沈陽(yáng)晚報(bào)。從第2、3條規(guī)則可知，同時(shí)使用沈陽(yáng)晚報(bào)和短信轉(zhuǎn)移的用戶(hù)，如果營(yíng)銷(xiāo)人員向其推銷(xiāo)單獨(dú)的定時(shí)短信業(yè)務(wù)會(huì)比推銷(xiāo)漏話(huà)提示和定時(shí)短信兩種業(yè)務(wù)成功率更高。從第8、9條規(guī)則可知，同時(shí)使用定時(shí)短信、沈陽(yáng)晚報(bào)和短信轉(zhuǎn)移的客戶(hù)大多會(huì)同時(shí)使用漏話(huà)提示。

由關(guān)聯(lián)規(guī)則挖掘出的不同業(yè)務(wù)間具有的相關(guān)聯(lián)系，可以幫助營(yíng)銷(xiāo)策劃人員設(shè)計(jì)出不同套餐形式的業(yè)務(wù)捆綁套餐和方案，讓用戶(hù)享受驛站購(gòu)齊的電信業(yè)務(wù)服務(wù)。為增值業(yè)務(wù)的推廣打下基礎(chǔ)[12-13]。

5 結(jié)束語(yǔ)

重點(diǎn)研究了數(shù)據(jù)挖掘技術(shù)中的關(guān)聯(lián)規(guī)則算法在電信增值業(yè)務(wù)關(guān)聯(lián)規(guī)則中的實(shí)際應(yīng)用。首先對(duì)收集到的電信用戶(hù)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，將用戶(hù)數(shù)據(jù)轉(zhuǎn)化為滿(mǎn)足數(shù)據(jù)挖掘格式的數(shù)據(jù)。使用Apriori算法，通過(guò)ODBC數(shù)據(jù)訪問(wèn)技術(shù)調(diào)用數(shù)據(jù)庫(kù)，實(shí)現(xiàn)對(duì)用戶(hù)業(yè)務(wù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘，并對(duì)挖掘出來(lái)的知識(shí)進(jìn)行解釋說(shuō)明。根據(jù)客戶(hù)使用業(yè)務(wù)的覆蓋率，對(duì)關(guān)聯(lián)規(guī)則進(jìn)行優(yōu)化，得到更為準(zhǔn)確的挖掘結(jié)果，并將這些關(guān)聯(lián)規(guī)則轉(zhuǎn)化成商業(yè)模式，實(shí)現(xiàn)業(yè)務(wù)捆綁和交叉銷(xiāo)售，幫助營(yíng)銷(xiāo)人員進(jìn)行方案制定。

[1]彭宏,劉洋,鄭維維.股票數(shù)據(jù)流的相關(guān)性技術(shù)方法[J].華南理工大學(xué)(自然科學(xué)版),2006,34(1):86-89.

[2]Cheng-Hsiung Weng,Yen-Liang Chen.Mining fuzzy association rules from uncertain data[J].knowledge information system,2010,23(2):129-152.

[3]Yi Hu,Brajendra Panda.Design and Analysis of Techniques for Detection of Malicious Activities in Database Systems[J].Journal of Network and Systems Management,2005,13(3):269-291.

[4]Xiang M,Shi WR,Jiang CJ,et al.Energy efficient clustering algorithm for maximizing lifetime of wirelesss ensornetworks[J].AEU-Int’l Journal of Electronic and Communication,2010,64(4):289-298.

[5]Younis O,Fahmy S.HEED:a hybrid,energy-efficient distributed clustering approach for ad hoc sensor networks[J].IEEE Transaction on Mobile Computing,2004,3(4):366-379.

[6]陳娜.數(shù)據(jù)挖掘技術(shù)的研究現(xiàn)狀及發(fā)展方向[J].電腦與信息技術(shù),2006,14(1):46-49.

[7]Hamid Mahmoodian M,Hamiruce Marhaban,Raha Abdulrahim,et al.Using fuzzy association rule mining in cancer classification[J].Australasian College of Physical Scientists and Engineers in Medicine,2011,34(1):41-54.

[8]Jim Gray.Data Mining Practical Machine Learning Tools and Techniques 2rd Edition(SECOND EDITION)[M].NEW YORK:Elsevier,2005.

[9]Duham M H.Data Mining Introductory and Advanced Topics[M].Pearson Education,2003.

[10]Roland Vouman,Josvan Dongen.Pentagon Solutions,Business Intelligence and Data Warehousing with Pentagon and MySQL[M].US:Willey,2009.

[11]鐘楊俊,文堂柳.可視化數(shù)據(jù)挖掘方法與技術(shù)[J].附件電腦,2008,24(8):59-95.

[12]蔣盛益,李霞,鄭琪.數(shù)據(jù)挖掘原理與實(shí)踐[M].北京:電子工業(yè)大學(xué)出版社,2011.

[13]劉明吉,王秀峰,黃亞樓.數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理[J].計(jì)算機(jī)科學(xué),2000,10(4):54-58.

(責(zé)任編輯：馬金發(fā))

Application of Association Rules in Telecom Business Cross-selling

SONG Kai，WANG Kaixiang

(Shenyang Ligong University,Shenyang 110159,China)

The Apriori algorithm of association rules is studied.All consumers’ data involued in telecommunication of a telecompany is collected and analyzed.Understanding the telecommunications company’s business model and marketing strategy,according to the need of the operators,the improved AprioriTid-M algorithm is used to perfect the association rules of the telecom.Combined with the situation of the company,the mined data is analyzed.The model is optimized and the way of cross-selling is proposed.

association rules;confidence;Apriori;mining;cross-selling

2015-01-05

遼寧省科學(xué)計(jì)劃項(xiàng)目(2012217005)；遼寧省科學(xué)事業(yè)公益研究基金資助項(xiàng)目(2012004002)

宋凱(1964—)，男，教授/博導(dǎo)，博士，研究方向：計(jì)算機(jī)視覺(jué)、智能檢測(cè)與控制等.

1003-1251(2015)04-0075-05

TP319

A