神经网络在客户关系中的研究和应用课件

1、人工神经网络在电信业客户关系管理中的应用研究 人工神经网络 人工神经网络（Artificial Neural NetworkANN），简称“神经网络（NN）”，作为对人脑最简单的一种抽象和模拟，是探索人类智能的有力工具。它具有分布并行处理、非线形映射、自适应学习等特性，这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。 神经网络结构图神经网络可以具有多层结构，一般具有输入层、中间层和输出层。输入层接受外部的输入信号，并由各输入单元传送给直接相连的中间层各单元；中间层是网络内部处理单元层，与外部无直接连接。神经元网络所具有的模式变换能力，如模式分类、模式完善、特征抽取等

2、，主要是在中间层进行的。根据处理功能的不同，中间层可以有多层，也可以没有；输出层是网络输出运行结果并与显示设备或执行机构相连接的部分。 客户关系管理 （Customer Relationship Management,CRM） CRM首先是一种管理理念。其核心思想就是将企业的客户作为最重要的企业资源，通过完善的客户服务和深入的客户分析来满足客户的需要，保证实现客户的终生价值。 CRM也是一种管理软件和技术，它将最佳的商业实践与数据仓库技术、数据挖掘、一对一营销、销售自动化以及其他信息技术紧密结合在一起，为企业的销售、客户服务和决策支持等领域提供了一个业务自动化的解决方案 数据准备电信运营商将客

3、户属性分为：本地通话费用、上网流量费长、长途通话费用、IP费用、非电信IP计费、非电信IP计费运营商个数、非电信IP平均计费时长、月平均拨号上网次数、月平均拨号上网次数。每个属性分为7个等级即：非常高，很高，较高，中等，很低，较低，最低。 电信客户通讯数据表规则 客户属性费用等级非常高很高较高中等很低较低最低本地通话费用（元）180-30085-17940-8425-3915-248-143-7上网流量费（元）150-30080-14935-7920-3410-195-90-4长途通话费用（元）250-500150-24990-14948-8925-4710-243-9IP费用（元）250-4

4、50150-24990-14948-8925-4710-242-9非电信IP计费（元）250-450150-24990-14948-8925-4710-241-9非电信IP计费运营商个数（个）49-8035-5025-3415-249-144-81-3非电信IP平均计费时长（分钟）350-600250-349150-24960-14935-5920-345-19月平均拨号上网次数（次）49-8035-5025-3415-249-144-80-3客户类型对应等级表 客户属性客户类别本地大众族网络族长途族IP强势族非电信IP强势族本地通话费用非常高中等很低较高很高上网流量费很高非常高较低中等较高长

5、途通话费用很高中等非常高较高很低IP费用很高较高很低非常高很低非电信IP计费较低中等最低中等非常高非电信IP计费运营商个数较低很低最低中等较高非电信IP平均计费时长较低很低最低较低很高月平均拨号上网次数最低很低较低中等较高客户类型本地通话费用上网流量费长途通话费用IP费用非电信IP计费非电信IP计费运营商个数非电信IP平均计费时长月平均拨号上网次数本地大众族214143163244177331221136215200145230275107232203215340289126170216138280264109236162226261网络族392186313686135810282247213

6、564135911292708694711340133623867100849591339292711245094014根据以上规则，随机生成符合要求的数据10000条，每种客户类型生成2000条 客户类型本地通话费用上网流量费长途通话费用IP费用非电信IP计费非电信IP计费运营商个数非电信IP平均计费时长月平均拨号上网次数长途族195446425116424643641721051773922552862193822761571553623292197IP强势族118459430980192624126361373725717311997441123926720282011335146413

7、7922242485399940063203016非电信IP强势族947236394382928830151733527309272992994584140357323293317638373832627296331193634333823426633建立神经网络模型 本网络的输入层采用8个节点 输出层采用一个节点将0-1之间分为五个区间，每个区间相隔0.2作为一个类型。 训练次数为10000次，对隐含层分别为24、16、8、4做比较 ，选取出最佳隐含层节点数 BP学习算法一种ANN的误差反向传播算法其具体算法思想是把网络学习的过程分为两个阶段：第一阶段（正向传播阶段），给出输入信息，通过输入

8、层经隐含层逐层处理并计算每个单元的实际输出值；第二阶段（反向传播阶段），若在输出层未得到期望的输出结果，则逐层递归地计算出实际输出与期望输出之间的差值（即误差），以便根据此差值调节权值。 隐含层取16时。可以看出仿真值与真实值部分接近，对于客户前两个类型（本地大众族、网络族）基本能够判断前两个类型，函数部分收敛。 隐含层取8时。可以看出仿真值开始接近真实值，所建立的函数基本收敛，但是看以看出在部分类型的判断上还有很大差距。 隐含层取4时。仿真值和真实值基本一致，误差很小，对于客户的五个类型都能够很好的判断。因此4个节点的隐含层训练10000次能过得到一个收敛的函数。模型结构模型测试 将20%的测试样本，2000条测试数据对4个结点隐含层的神经网络进行预测客户类型测试。正确的结果有1921条，错误的有79条。 结论上面的测试结果可以看出模型的建立是符合预期的要求的，能够对客户属性的判断