TWI505667B - 完成有關於通訊網路節點之預測分析的方法與系統 - Google Patents
完成有關於通訊網路節點之預測分析的方法與系統 Download PDFInfo
- Publication number
- TWI505667B TWI505667B TW100141118A TW100141118A TWI505667B TW I505667 B TWI505667 B TW I505667B TW 100141118 A TW100141118 A TW 100141118A TW 100141118 A TW100141118 A TW 100141118A TW I505667 B TWI505667 B TW I505667B
- Authority
- TW
- Taiwan
- Prior art keywords
- nodes
- group
- information
- communication event
- event information
- Prior art date
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5064—Customer relationship management
Description
本發明係關於有關通訊網路節點之預測分析的執行方法及系統,尤其係關於通訊網路最佳化。
許多電信網路運用有關個別節點之資訊,例如末端使用者裝置或服務提供及其使用模式,將電信系統最佳化。典型的範例有詐欺、錯誤以及服務使用率預測或技術服務最佳化。所有作業絕大多數取決於全面並且充分的技術屬性集合,以及有關個別節點的相關資訊(例如詳細的使用率模式、有關裝置、節點、服務及其對應能力等的技術屬性與資訊)。
問題在於只有一些電信網路的節點上,才能獲得足夠詳細程度的技術資訊。這些節點可特徵化為資訊豐富節點。不過,對於其他節點而言,並不是這樣,對於那些節點只知道初級部分,甚至是不足的技術屬性。這些節點可特徵化為資訊貧乏節點。這是一項嚴重的缺點,限制了套用相同技術最佳化等級、分析見解以及有關網路內所有節點的統計代表之能力。
藉由進一步例示此問題空間,電信(Telco)服務供應商公司可當成範例。雖然這種公司通常具有關於該等裝置的許多資訊以及具有合法契約的客戶之技術使用模式(這在即使使用Telco供應商專用裝置時也可能),這並不適用於可能使用任何裝置以及可展現出任何使用模式的預付客戶。根據許多國家的法規與習慣,只能收集到少量有關這種客戶與其行動裝置的技術與非技術資訊。在極端案例中,一節點只有識別(ID)知道並且未連結至技術裝置,也不知道兩不同的ID實際上代表相同的節點。唯一知道的資訊成分為通訊屬性和模式以及地理位置,如同建立連線所需。
運用資料將電信網路內處理最佳化的一般方法為傳統預測分析作業,目前已經發展出許多方法來處理這些作業。所有這些方法都假設可充分獲得技術等級上有關該等節點的資訊,以及較高等級上有關該等客戶的資訊。
M. C. Mozer、R. Wolniewicz、D. B. Grimes、E. Johnson、H. Kaushansky的文章「Predicting Subscriber Dissatisfaction and Improving Retention in the Wireless Telecommunications Industry」出版於IEEE Transactions on Neural Networks,特別發表於Data Mining and Knowledge Representation,2000,例如將焦點放在使用來自網路/呼叫資料記錄(call data record,CDR)、計費以及服務、市場與人口的應用的資料。有些地方可取得關於預付訂戶的人口統計,這可用於預測分析。
最近,呼叫者之間關係的資訊也已經列入考量。K. Dasgupta、R. Singh、B. Viswanathan、D. Chakraborty、S. Mukherjea、A. A. Nanavati、A. Joshi的文章「Social Ties and their Relevance to Churn in Mobile Telecom Networks」刊登在Proceedings of 11th International Conference on Extending Database Technology(EDBT),Nantes,France,2008,詳述集中在與流失模型與預測相關社交網路上的預測流失演算法。此範例源自於網路內個體屬性比起其與網路內其他個體的繫結(關係)比較不重要之觀點。
US 20080167934 A1描述一種獲得表示客戶使用客戶服務的資訊之方法,其中該客戶維持方法,而非提供所獲得資訊的分析。這些服務可關於固線裝置型服務(包含網際網路協定語音(Voice over Internet Protocol,VoIP)電話、個人電腦(Personal Computer,PC)桌面客戶端等)或行動裝置,例如行動電話、個人數位助理(personal digital assistant,PDA)、膝上型電腦等等。
除了之前針對電信的工作以外,在此也有一些預測分析領域當中的一般工作可列入考慮。一般來說,在預測分析當中假設所有資料記錄(在本案例中代表網路內的節點)都依照相同功能來說明。唯一的例外為遺失值,也就是說,可能遺失某些資訊的個別記錄,例如屬性或部件、技術規格與其他方法。目前有許多不同方法處理這種遺失值,並且大部分預測分析工具(例如IBM InfoSphere Warehouse或IBM SPSS Modeler)都運用至少這些方法。大部分方法都是利用預設值或由其他功能、規則或方法所決定之值,來取代遺失值。後者使用欄位之間的一般關聯性(例如「年齡」可用於預測「收入」)。這種方法並未將記錄之間的唯一特性與關係列入考慮,這特別適用於電信網路。另外,只有大部分值都未遺失時才有效。最後,假設針對含完整資訊的記錄以及含遺失值的記錄,建立相同的預測模型。若含遺失值的記錄並未彼此對稱,這會導入可觀的偏差。
S. Thrun與J. O'Sullivan的文章「Discovering Structure in Multiple Learning Tasks: The TC Algorithm」刊登於Proceedings of the 13th International Conference on Machine Learning ICML,1996,說明將差異作業最佳化的兩組記錄間之資訊傳輸,其中所有節點共享同一組已知功能。
在最佳化預測分析作業當中,現有的先前技術並無將電信網路內大量節點遺失資訊的問題充分列入考慮。
正常訂戶(第一組節點,資訊豐富節點)可使用預測分析當成通訊模式,並且可供給簡介資訊(通訊事件資訊與屬性)。
預測分析用在預付客戶(第二組節點,資訊貧乏節點)上就有問題,因為這些節點只有通訊事件資訊。
本發明的目的在於提供一種關於通訊網路節點,尤其是包含資訊貧乏節點時之預測分析的執行方法及系統。
該等目的由獨立專利申請項的特徵所達成,其他申請專利範圍與說明則揭示本發明的優勢具體實施例。
本發明提供有關通訊網路節點之預測分析的執行方法,包括以下步驟:
- 提供通訊事件資訊給該通訊網路的一第一組節點與一第二組節點,
- 提供一組屬性給該等第一組節點,
- 使用該等屬性與該通訊事件資訊,來決定該等第一組節點之間的一群組集合,
- 至少根據可供該第二群組使用的該通訊事件資訊,指派該等第二組節點中每一個給該等群組集合的至少一群組,該指派導致該等第二組節點的會員資格資訊,
- 根據該第二組與該會員資格資訊的該通訊事件資訊,獲取或供應該等第二組節點之一預測模型。
有利的是,利用將以感測為準的屬性與信號與該等第一組節點之一者匹配,豐富了一通訊網路內該等第二組節點的資料。這在該等第二組節點為一電信網路內資訊貧乏節點,以及該等第一組節點為已知此資料的資訊豐富節點時,特別有其好處。然後可傳輸此資訊,將原來不知道這些技術屬性與資訊成分的該等資訊貧乏節點之預測作業最佳化。此傳輸可改善一開始只擁有少數資訊成分的節點之預測模型化,否則會在只使用這些節點上的原始資料時導致貧乏、不足的預測模型化能力。因此,運用來自資訊豐富節點的技術資訊,可豐富資訊貧乏節點的資訊集合。
該通訊事件資訊可例如包括通訊模式,本發明具備許多有利的預測分析用途,例如有關錯誤、詐欺、客戶滿意度、訂戶流失、位置與呼叫模式、服務使用率或技術服務最佳化的預測。
根據本發明,從該等第一組節點的該等資訊豐富節點至較少資訊的節點之選擇性資訊傳輸,用於該等第二組節點的資訊貧乏節點之分析作業的最佳化與改善,可包含進階分析眼光,其中包含用於該等資訊貧乏節點的預測分析與深層統計分析。假設此最佳化針對兩種節點的運作方式都不一樣,並且資訊應該用分別最佳化的方式傳輸。
可能的應用區域為由後付訂戶(即第一組節點)與預付訂戶(即第二組節點)所構成或至少包括之電信網路內的最佳化。雖然對於後付訂戶而言,可收集關於技術使用率模式並且足夠豐富的資訊集合,不過這對於預付客戶並不一定。
相較於先前技術,本發明方法具備下列優點
- 考量到該網路節點所取得的圖形結構與許多模式,
- 以關於節點遺失的大量技術資訊,支援潛在的眾多節點,
- 允許將充分的資訊子集從資訊豐富節點選擇性傳輸至資訊貧乏節點,而仍舊個別處置,套用不同的最佳化方法,對應至兩種節點的資訊之內容、結構以及屬性,
- 不假設可實際重新建構遺失的資訊,而是只有將擁有些微資訊的節點之預測模型最佳化。
該方法另包括以下步驟,指派至少一會員資格權重給該等第二組節點的每一節點。較佳是每一該等第二組節點至每一群組的該等會員資格權重可用來當成該預測模型的額外特徵。
該方法可包括以下步驟,根據可用於該等第一組節點與該等第二組節點的該通訊事件資訊來完成該指派步驟。
該指派步驟可包括計算該等第一組節點的每一群組節點之集合分配,並且使用一統計方法,將該等第二組節點的節點之通訊事件資訊與該等群組的該集合分配做比較。
該方法可包括以下步驟,其中該指派包括描述該通訊事件資訊,含下列至少之一者:服務使用期間、該時間上的分配以及地理分配。
該方法可包括該等第一組節點係關於資訊豐富節點,並且該等第二組節點係關於資訊貧乏節點。尤其是,資訊豐富節點可關於正常訂戶,並且資訊貧乏節點可關於預付訂戶。
該方法可包括以下步驟,根據一般與時間呼叫模式、地理模式、通訊模式及/或服務使用率模式,指派該等第二組節點的節點至該等第一組節點之間的一或多個群組(訂戶區段群組)。
在手段上,該通訊事件資訊可包括通訊模式。
進一步,提出一種用於在資料處理系統內執行的資料處理程式,其包括該程式在電腦上執行時,用於執行關於一通訊網路節點的該預測分析方法之軟體程式碼部分。
根據本發明的其他態樣,提出一種電腦程式產品,其儲存在一電腦可使用的媒體上,包括電腦可讀取程式裝置,在該程式於該電腦上執行時,讓一電腦執行關於一通訊網路的節點之該預測分析方法。特別包括下列步驟
- 提供通訊事件資訊給該通訊網路的一第一組節點與一第二組節點,
- 提供一組屬性給該等第一組節點,
- 使用該等屬性與該通訊事件資訊,來決定該等第一組節點之間的一群組集合,
- 至少根據可供該第二群組使用的該通訊事件資訊,指派該等第二組節點中每一個給該等群組集合的至少一群組,該指派導致該等第二組節點的會員資格資訊,
- 根據該第二組與該會員資格資訊的該通訊事件資訊,獲取或供應該等第二組節點之一預測模型。
本發明的進一步態樣為一種資料處理系統,用於執行包括軟體程式碼部分來執行該預測分析方法的一資料處理程式。
根據本發明,提供有關通訊網路節點之預測分析的執行方法,包括以下步驟:
- 提供通訊事件資訊(例如通訊模式)給該通訊網路的一第一組節點與一第二組節點,
- 提供一組屬性給該等第一組節點,
- 使用該等屬性與該通訊事件資訊,來決定該等第一組節點之間的一群組集合,
- 至少根據可供該第二群組使用的該通訊事件資訊,指派該等第二組節點中每一個給該等群組集合的至少一群組,該指派導致該等第二組節點的會員資格資訊,
- 根據該第二組與該會員資格資訊的該通訊事件資訊,獲取或供應該等第二組節點之一預測模型。
一節點的屬性就是與該節點相關聯的裝置之特性、與該節點相關聯的訂閱之特性及/或與該節點相關聯的訂戶之特性。裝置特性的範例為該裝置的類型以及該裝置的能力。訂閱屬性的範例為例如所使用的服務即時數量、服務類型、期間等等。訂戶特性的範例為例如年齡、性別、地理資訊、教育程度、職業、收入等等。
通訊事件資訊就是有關通訊網路節點之間通訊的資訊,通訊事件資訊通常指出彼此通訊的節點,以及何時發生這種通訊。通訊事件資訊的範例為說明哪個節點以及已知節點何時通訊的通訊模式。通訊資訊及/或通訊模式可指出通訊持續時間,以及節點之間發生通訊的頻率。
指派就是指派一資訊貧乏節點給已經判斷為資訊豐富節點的至少一群組。根據可用於該等資訊貧乏節點與資訊豐富節點的該通訊事件資訊,完成指派。
屬於已知群組的資訊豐富節點之通訊事件資訊經過處理,獲得描述在已知群組內通訊之特性。資訊貧乏節點的該通訊事件資訊與該等群組的該通訊特性比較,找出最合適的群組。此指派以計算用於每一資訊豐富節點群組的集合分配為準。這種集合分配的範例為例如高斯混合呈現服務使用率(Gaussian mixtures representing service usage)。例如Kullback-Leibler分散這類統計方法可用來比較資訊貧乏節點的通訊事件資訊與該等群組的集合分配。其他可用於描述該等群組通訊事件資訊的特性為例如:服務使用期間、經過時間的分配(例如經過天數)或地理分配,若可取得時。
舉一些例子,所提出的預測分析可至少用於下列目的:預測錯誤、詐欺、客戶滿意度、訂戶流失、服務使用率以及位置與呼叫模式。
例如藉由訓練可取得預測模型,訓練該預測模型的構成是有:找出統計模型,其將代表進行預測分析提案的一些目標變數(例如流失),關聯於一組節點屬性以及對於不同群組的會員資格。這可藉由將會員資格編碼至每個群組一個輸入變數,並指派給群組會員資格來達成。訓練本身可有不同的完成方法,大多數為受注目的決定或回歸樹與神經網路。
相較於確實嘗試找出真正遺失值的先前技術方法,本說明書的方式選擇性傳輸足夠的資訊片段(也就是,指派該等資訊貧乏節點給判定為該等資訊豐富節點的一或多個群組),用於將資訊貧乏節點的預測模型最佳化。這之下的理論根據為通常無法正確找出詳細資訊,並且要找出遺失值的任何嘗試都只能在不滿意的低自信度等級之下,關於這些值的準確度、完整度以及關聯性來執行。若完成結果都一樣,會導致運用錯誤資訊來運作(假設處理的其他部分都正確),並且會在分析處理中導入在稍後階段中難以偵測的任何誤差類型。
相較之下,本發明方法首先使用分段演算法,濃縮資訊豐富節點(即是第一組節點)內的資訊,將這些節點分成「一般」節點叢集,如此在該等第一組節點之間產生一群組集合。若這些節點可用的資訊充足,則可輕鬆完成此作業。然後已知用於資訊貧乏節點(即是第二組節點)的基本資訊(例如通訊模式),用於針對一或多個該等一般群組來匹配每一節點。此作業比起實際插入真正遺失資訊要簡單許多。然後使用一般群組的會員資格當成該預測模型化處理中的特色,其可部分從用於該等資訊豐富節點的模型化處理中取得,或甚至與之完全無關。
在下列當中,詳細說明範例具體實施例,其中假設一組該等資訊豐富節點已知但是該等資訊貧乏節點未知的詳細屬性。通訊事件資訊,也就是哪個節點與哪個其他節點通訊,都可用於所有節點以及某些基本服務使用率模式和地理資訊。
有利的是,其可獲得該等資訊貧乏節點的詳細資訊。請注意,其並非用於取得個別節點的正確值,而是足夠取得滿足所要預測分析作業所需的適當詳細資訊程度。若該預測模型在節點之間針對容量小於或大於1 GB做出重要分割,則節點容量為0.5或0.6 GB對於預測就無關緊要了。
這使用三步驟處理可觀察到,其中第一和第三步驟通用,可使用對應作業的任意現有驗算法來實施。第二步驟代表使用資訊讓節點豐富的該提案創新方法之核心,然後最後步驟可為任何預測分析作業與演算法。
在第一步驟中,該等資訊豐富節點(即是該等第一組節點)根據該預測分析作業的關聯性分成多個群組。然後,此群組集合(通常大約十個群組)內含有關該等資訊豐富節點的基本資訊。這種群組G1的範例為G1:=(CAPACITY<30.0 GB AND SPEED>20)。包括多種演算法的現有並且已知的分析模型可用來建立該等資訊豐富節點之充分分割,造成該等資訊豐富節點之間的群組集合。
在第二步驟中,此資訊連結至資訊貧乏節點(即是該等第二組節點),將每一資訊指派給該等資訊豐富節點之間的一或多個群組。藉由運用下列兩者都知道的資訊,可達成此目的,這兩者為:第一通訊視線資訊以及若合適的話,地理資訊。如此,使用有關該等資訊豐富節點的認知與分析見解,豐富有關資訊貧乏節點的分析見解,其中該指派透過可比較或類似通訊特性來建立。然後使用節點對群組的此群組會員資格,使用單一新屬性豐富資訊貧乏節點的資料,換言之,就是內含有關該等資訊豐富節點的濃縮資訊之集合資訊群組。
在第三步驟中,任何預測分析演算法都可套用至該豐富資料集,進行有關錯誤、詐欺等等的預測。
換言之,所提出方法由下列三種主要步驟構成:
- 第一步驟:在該等資訊豐富節點中找出一般與相關群組。
- 第二步驟:將每一資訊貧乏節點指派給使用通訊模式的一或多個這些群組。根據該群組定義指派給一或多個群組。
- 第三步驟:根據此通訊資料及其對於集合資訊群組的會員資格,取得或供應資訊貧乏節點的預測模型。
在資料內找出一般群組為預測分析的標準作業,並且解決任何最新的叢集式演算法。這些演算法也可自動決定對於特定內容最好的群組數量。
若無有關任何特殊預測分析作業的資訊,則使用資訊豐富節點內的所有資訊叢集成群組。若對於可用的分析或預測作業有充分認知,在完全了解相關屬性之下,只根據此資訊就可輕鬆建立群組。在上述範例中,只有容量與速度相關聯。
在下列相關簡單範例中,例如,識別三個群組G1、G2和G3:
G1:=CAPACITY<1GB AND DATA=YES
G2:=CAPACITY<1GB AND DATA=NO
G3:=CAPACITY>=1GB
在具備已定義的集合資訊群組時,則必須只根據通訊資料將資訊貧乏節點指派至這些群組。如此,提出多策略方式,用於例如下列一或多個資訊片段:
- 一般呼叫模式(不同呼叫類型的分配)
- 時間呼叫模式(天/週呼叫的分配)
- 地理模式(呼叫來自何處)
- 通訊模式(呼叫哪個後付訂戶)
- 服務使用率模式(使用哪種Telco服務、如何以及何時使用)。
對於一開始的兩個來說(即是一般與時間呼叫模式),可在每一該等群組內計算一集合的分配。然後可使用統計方法,評估哪個群組(G1、G2或G3)最有可能屬於具有已知行為的資訊貧乏節點。例如:群組G1節點最好在夜間不要通訊。使用資訊豐富節點的已知一般與時間呼叫模式,就可了解這些假設並使之有效。
針對第三證據片段(地理模式),可評估哪個節點位於資訊豐富節點的中間四周,並且隨時間推移在此資訊之間取得大多數票選。
任何上述個別取得的見解並不必然要正確,不過若其結合成類似的整體方法,則指派資訊貧乏節點至單一或甚至多個群組當中的錯誤可大幅減少。雖然仍舊有模稜兩可的情況,不過節點的指派將不局限於一個群組。若指派節點至一個以上的群組,則會由不同群組會員資格以及一些整體權重將其記錄加倍。
例如使用資訊貧乏節點的小測試集合來手動評估完整資訊,找出影響因素的最佳組合(也就是關於哪個資訊片段用於決定資訊貧乏節點指派給該等群組)。
根據該已豐富的資料集,使用任何最新演算法可建立預測模型。每一該等資訊貧乏節點都用群組會員資格當成額外屬性來擴充。在本範例中,這表示每一資訊貧乏節點G1、G2或G3的群組會員資格。如上述,資訊貧乏節點一分為二,分別為對應的權重以及不同的群組指派。
所描述的預測分析方法示範於圖1的具體實施例內,其中顯示上述關鍵能力與步驟的詳細描述。圖1例示來自資訊豐富預付訂戶(「第一組節點」)和資訊貧乏後付訂戶(「第二組節點」)的資料輸入成分,以及獲得有關預付訂戶所需分析見解的關鍵步驟。
來自後付訂戶資訊101的輸入應為:
- 人口資訊
- CDRs
- 服務使用率模式
來自預付訂戶資訊102的輸入應為:
- 地理模式(來自公開可用來源的選擇性相關人口資訊)
- CDRs
- 服務使用率模式
- 社交網路模式
將傳入的資料集中、充分傳輸並儲存在資料收集系統103內。下列為使用資料收集系統103內所儲存資料的所需處理步驟104:
- 後付訂戶區段,即使用該等後付訂戶的屬性以及通訊事件資訊,來決定該等後付訂戶之間的一組群組;
- 指派預付至後付訂戶的一個以上的群組;
- 有關預付訂戶的分析見解。
分析見解可包括例如預測有關錯誤、詐欺、客戶滿意度、訂戶流失、位置與呼叫模式、服務使用率及/或技術服務最佳化。
針對所提出方法一般適用於所有不同通訊網路節點集合的通訊事件資訊,在本發明的有利具體實施例內,可使用針對該通訊事件資訊的通訊模式。
在手段上,預測分析可用於一個以上目的,例如
- 分析CDRs來決定Telco系統預付訂戶的位置與呼叫模式;
- 分析服務與產品使用率,來決定Telco系統預付訂戶的使用率案例模式;
- 將CDR衍生見解與服務使用率模式與全體可用的人口資料比較;
- 將CDR衍生見解與服務使用率模式與來自任何特定Telco服務供應商的現有後付訂戶見解與人口資料比較。
藉由包括運用現有訂戶區段技術,例如俗稱的k手段演算法,可套用提出的方法,其為叢集分析方法,目標在於將n個觀察數量分割為k個叢集。
預付訂戶可根據例如一般呼叫模式、時間呼叫模式、地理模式、通訊模式及/或服務使用率模式,指派給一或多個訂戶區段群組,本發明也可用這種方式來應用。
優點在於,其可整合並組合來自該比較演算法的見解與上述分析方式。本發明尤其允許用於根據廣泛預付訂戶見解的訂戶區段強化,或用於新服務供應的預付訂戶之服務使用率預測。
本發明可採用整個硬體具體實施例、整個軟體具體實施例或包含硬體與軟體元件的具體實施例之形式。在較佳具體實施例內,本發明在軟體內實施,這包含但不受限於韌體、常駐軟體、微碼等等。
更進一步,本發明可採用電腦程式產品形式,其可從電腦可使用或電腦可讀取媒體存取,提供電腦或任何指令執行系統所使用或連接的程式碼。為了說明起見,電腦可使用或電腦可讀取媒體可為可以包含、儲存、通訊、傳播或傳輸程式,來讓指令執行系統、設備或裝置使用或相連的任何裝置。
該媒體可為電、磁、光學、電磁、紅外線或半導體系統(或設備或裝置)或傳播媒體。電腦可讀取媒體的範例包含半導體或固態記憶體、磁帶、可移除式電腦磁片、隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、硬碟以及光碟。目前光碟的範例包含唯讀記憶光碟(compact disk-read only memory,CD-ROM)、可抹寫式光碟(compact disk-read/write,CD-R/W)以及DVD。
適合儲存及/或執行程式碼的資料處理系統將包含至少一個直接或透過系統匯流排間接耦合至記憶體元件的處理器。該記憶體元件可包含實際執行程式碼期間運用的本機記憶體、大量儲存體以及提供至少某些程式碼暫存的快取記憶體,以便減少執行期間必須從大量儲存體擷取的時間碼次數。
輸入/輸出或I/O裝置(包含但不受限於鍵盤、顯示器、指標裝置等等)可直接或透過中間I/O控制器耦合至系統。
網路配接卡也可耦合至系統,讓該資料處理系統變成耦合至其他資料處理系統,或透過中間私用或公用網路連接至遠端印表機或儲存裝置。數據機、纜線數據機以及乙太網路卡只是一些目前可用的網路配接卡種類。
圖2圖解描述資料處理系統的示範具體實施例,該系統由包括中央處理單元202、電腦可用媒體,包括由匯流排系統206連接至中央處理單元202的電腦可讀取程式204之電腦200、連接至輸入與輸出裝置208、210的IO系統所構成。該電腦另連接至網路通訊單元214。該資料處理系統包括軟體程式碼部分,用於該程式於該電腦200上執行時,根據本發明較佳具體實施例至少之一者,來執行該預測分析方法。
先前技術通常聚焦在人口資訊的確切預測上,將遺失資訊加入至具有預付客戶記錄的客戶關係管理(customer relationship management,CRM)系統。根據本發明,可改善預測分析作業。針對此目標,並不需要預測確切的個別人口,例如AGE=23,而是使用統計集合資訊。
好處在於此統計集合資訊比較能承受錯誤,並且減少該預測分析作業的不正確預測數量。另外,其耐用度減少了手動調整的總量。
即使預測確切人口失敗時也可使用本發明方法。從技術觀點來說,首先使用將統計區段特殊化成群組集合,然後在這些區段或群組上完成指派,而不是在原始個別值上。此步驟允許提出的方法顯著降低預測空間的複雜度,接著減少所需資料總量並且讓模型更耐用以及提高可用度。因此,不需要相同模式用於第一組與第二組節點,例如後付與預付訂戶。如此,本說明書提出兩種訂戶的獨立模型以及從一般(後付)訂戶將盡可能多的資訊傳輸至預付訂戶之耐用方式。
101...後付訂戶資訊
102...預付訂戶資訊
103...資料收集系統
104...所需處理步驟
200...電腦
202...中央處理單元
204...電腦可讀取程式
206...匯流排系統
208...輸入與輸出裝置
210...輸入與輸出裝置
214...網路通訊單元
從上述具體實施例的詳細說明中,但不受限於該等具體實施例,將對本發明連同上述與其他目的及優點有最佳了解,其中:
圖1為根據本發明的預測分析系統範例具體實施例之關鍵能力與步驟描述,例示分析來自預付與後付訂戶的資料之範例,以及取得有關預付的所需分析見解之關鍵步驟;以及
圖2為用於執行根據本發明方法的資料處理系統之示範具體實施例。
101...後付訂戶資訊
102...預付訂戶資訊
103...資料收集系統
104...所需處理步驟
Claims (18)
- 一種有關通訊網路節點之預測分析的執行方法,包括以下步驟:- 使用一電腦的一處理器提供通訊事件資訊給該通訊網路的一第一組節點與一第二組節點,- 提供一組屬性給該等第一組節點,其中該等屬性無法由該等第二組節點的節點獲得,- 使用該等屬性與該通訊事件資訊,來決定該等第一組節點之間的一群組集合,- 至少根據可供該第二群組使用的該通訊事件資訊,指派該等第二組節點中每一個給該等群組集合的至少一群組,該指派導致該等第二組節點的會員資格資訊,及其中該會員資格資訊成為該等第二組節點的每一個節點的一第一屬性,- 指派該等第二組節點中每一個給至少一會員資格權重,其中該權重成為該第二組節點的每一個節點的一第二屬性,以及- 至少根據該第二組與該會員資格資訊的該通訊事件資訊、該會員資格資訊的第一屬性、及該權重的第二屬性,獲取或供應該等第二組節點之一預測模型。
- 如申請專利範圍第1項之方法,其中來自該等第二組節點的一節點指派給多於一群組,該節點增加至具有指派給該節點的該權重的一小部分的每一個群組。
- 如申請專利範圍第1項之方法,其中根據可用於該等第一組節點與該等第二組節點的該通訊事件資訊來完成該指派步 驟。
- 如申請專利範圍第1項之方法,其中該指派步驟包括:計算該等第一組節點的每一節點群組之一集合分配,並且使用一統計方法,將該等第二組節點的節點之通訊事件資訊與該等群組的每一個群組的該集合分配做比較。
- 如申請專利範圍第1項之方法,其中該指派步驟包括:以服務使用的期間、隨時間的分配、及地理分配至少之一者,描述該通訊事件資訊。
- 如申請專利範圍第1項之方法,其中該等第一組節點係關於資訊豐富節點,並且該等第二組節點係關於資訊貧乏節點。
- 如申請專利範圍第1項之方法,其中指派該等第二組節點的節點的步驟更包括:根據一般呼叫模式、時間呼叫模式、地理模式、通訊模式及/或服務使用率模式中至少一者,指派該等第二組節點的每一個節點至一個以上的訂戶區段群組。
- 如申請專利範圍第1項之方法,更包括:使用預測分析以實施至少一比較網路/呼叫資料記錄取得見解和服務使用率模式與全體可用人口資料,及/或使用預測分析比較網路/呼叫資料記錄取得見解和服務使用率模式與現有後付訂戶見解和來自任何特定電信服務供應商的人口資料。
- 如申請專利範圍第1項之方法,其中該通訊事件資訊包括通訊模式。
- 如申請專利範圍第1項之方法,其中該預測模型利用訓練獲得;或其中訓練的執行方式為,找出一統計模型,其關聯於一個以上的變數,代表使用該第二組節點的一屬性集合及其對於不同群組的會員資格資訊,來完成預測分析的目的。
- 一種電腦程式產品,用以實現關於一通訊網路的節點的預測分析,該電腦程式產品包括;儲存一電腦可讀取程式的一電腦可讀取程式裝置,其中在一電腦上執行時,該電腦可讀取程式實施:- 提供通訊事件資訊給該通訊網路的一第一組節點與一第二組節點,- 提供一組屬性給該等第一組節點,其中該等屬性無法由該等第二組節點的節點獲得,- 使用該等屬性與該通訊事件資訊,來決定該等第一組節點之間的一群組集合,- 至少根據可供該第二群組使用的該通訊事件資訊,指派該等第二組節點中每一個給該等群組集合的至少一群組,該指派導致該等第二組節點的會員資格資訊,及其中該會員資格資訊成為該等第二組節點的每一個節點的一第一屬性,- 指派該等第二組節點中每一個給至少一會員資格權重,其中該權重成為該第二組節點的每一個節點的一第二屬 性,以及- 至少根據該第二組與該會員資格資訊的該通訊事件資訊、該會員資格資訊的第一屬性、及該權重的第二屬性,獲取或供應該等第二組節點之一預測模型。
- 如申請專利範圍第11項之電腦程式產品,其中在該電腦上執行時,該電腦可讀取程式實施:指派至少一會員資格權重給該等第二組節點中的每一個節點。
- 如申請專利範圍第12項之電腦程式產品,其中在該電腦上執行時,該電腦可讀取程式實施:使用該等第二組節點中的每一個節點的該至少一會員資格權重做為該預測模型的外加特徵。
- 如申請專利範圍第11項之電腦程式產品,其中根據可用於該等第一組節點與該等第二組節點的該通訊事件資訊來完成該指派步驟。
- 一種資料處理系統,用以實現關於一通訊網路的節點的預測分析,包括;一處理器:及一儲存裝置連接至該處理器,其中該儲存裝置儲存一程式於其上,及其中該處理器設定以執行該程式實施多個操作步驟,其中該等操作步驟包括:- 提供通訊事件資訊給該通訊網路的一第一組節點與一 第二組節點,- 提供一組屬性給該等第一組節點,其中該等屬性無法由該等第二組節點的節點獲得,- 使用該等屬性與該通訊事件資訊,來決定該等第一組節點之間的一群組集合,- 至少根據可供該第二群組使用的該通訊事件資訊,指派該等第二組節點中每一個給該等群組集合的至少一群組,該指派導致該等第二組節點的會員資格資訊,及其中該會員資格資訊成為該等第二組節點的每一個節點的一第一屬性,- 指派該等第二組節點中每一個給至少一會員資格權重,其中該權重成為該第二組節點的每一個節點的一第二屬性,以及- 至少根據該第二組與該會員資格資訊的該通訊事件資訊、該會員資格資訊的第一屬性、及該權重的第二屬性,獲取或供應該等第二組節點之一預測模型。
- 如申請專利範圍第15項之資料處理系統,其中在該電腦上執行時,該電腦可讀取程式實施:指派至少一會員資格權重給該等第二組節點中的每一個節點。
- 如申請專利範圍第16項之資料處理系統,其中該等操作步驟更包括:使用該等第二組節點中的每一個節點的該至少一會員資格權重做為該預測模型的外加特徵。
- 如申請專利範圍第15項之資料處理系統,其中根據可用於該等第一組節點與該等第二組節點的該通訊事件資訊來完成該指派步驟。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP10195219 | 2010-12-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201233099A TW201233099A (en) | 2012-08-01 |
TWI505667B true TWI505667B (zh) | 2015-10-21 |
Family
ID=44906125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW100141118A TWI505667B (zh) | 2010-12-15 | 2011-11-10 | 完成有關於通訊網路節點之預測分析的方法與系統 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8644468B2 (zh) |
EP (1) | EP2652909B1 (zh) |
CN (1) | CN103250376B (zh) |
TW (1) | TWI505667B (zh) |
WO (1) | WO2012079835A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268595A1 (en) * | 2012-04-06 | 2013-10-10 | Telefonaktiebolaget L M Ericsson (Publ) | Detecting communities in telecommunication networks |
US8804929B2 (en) * | 2012-10-30 | 2014-08-12 | Alcatel Lucent | System and method for generating subscriber churn predictions |
CN105684391B (zh) * | 2013-11-04 | 2019-06-07 | 伊尔拉米公司 | 基于标签的访问控制规则的自动生成 |
EP3066607B1 (en) | 2013-11-04 | 2018-12-12 | Illumio, Inc. | Pairing in a distributed network management system that uses a logical multi-dimensional label-based policy model |
US9674300B2 (en) | 2015-04-22 | 2017-06-06 | At&T Intellectual Property I, L.P. | Apparatus and method for predicting an amount of network infrastructure needed based on demographics |
US11023803B2 (en) * | 2017-04-10 | 2021-06-01 | Intel Corporation | Abstraction library to enable scalable distributed machine learning |
CN108429802B (zh) * | 2018-03-07 | 2021-01-26 | 国家计算机网络与信息安全管理中心 | 物联网设备信息获取方法及装置 |
US11538049B2 (en) * | 2018-06-04 | 2022-12-27 | Zuora, Inc. | Systems and methods for predicting churn in a multi-tenant system |
US10353764B1 (en) | 2018-11-08 | 2019-07-16 | Amplero, Inc. | Automated identification of device status and resulting dynamic modification of device operations |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009077655A1 (en) * | 2007-12-14 | 2009-06-25 | Xtract Oy | A method and an arrangement for segmentation of customers in a customer management system |
US20090190729A1 (en) * | 2008-01-28 | 2009-07-30 | International Business Machines Corporation | System and computer program product for predicting churners in a telecommunications network |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822410A (en) | 1996-01-11 | 1998-10-13 | Gte Telecom Services Inc | Churn amelioration system and method therefor |
US7035855B1 (en) * | 2000-07-06 | 2006-04-25 | Experian Marketing Solutions, Inc. | Process and system for integrating information from disparate databases for purposes of predicting consumer behavior |
US6741995B1 (en) | 1999-03-23 | 2004-05-25 | Metaedge Corporation | Method for dynamically creating a profile |
US8346208B2 (en) * | 2005-06-23 | 2013-01-01 | Groundhog Technologies, Inc. | Method and system for identifying mobile user cluster by call detail record |
US20100076994A1 (en) | 2005-11-05 | 2010-03-25 | Adam Soroca | Using Mobile Communication Facility Device Data Within a Monetization Platform |
US8712828B2 (en) | 2005-12-30 | 2014-04-29 | Accenture Global Services Limited | Churn prediction and management system |
US20070185867A1 (en) | 2006-02-03 | 2007-08-09 | Matteo Maga | Statistical modeling methods for determining customer distribution by churn probability within a customer population |
US8023423B2 (en) * | 2006-07-10 | 2011-09-20 | Telcordia Licensing Company, Llc | Automated policy generation for mobile communication networks |
US8199901B2 (en) | 2007-01-04 | 2012-06-12 | Xora, Inc. | Method and apparatus for customer retention |
US8046322B2 (en) * | 2007-08-07 | 2011-10-25 | The Boeing Company | Methods and framework for constraint-based activity mining (CMAP) |
WO2009053955A2 (en) * | 2007-10-25 | 2009-04-30 | Markport Limited | Modification of service delivery infrastructure in communication networks |
KR101136730B1 (ko) * | 2007-12-08 | 2012-04-19 | 에스케이플래닛 주식회사 | 광고 방법 및 그 sns 광고시스템 |
US20090187520A1 (en) | 2008-01-23 | 2009-07-23 | Chao Liu | Demographics from behavior |
US8194830B2 (en) * | 2008-01-28 | 2012-06-05 | International Business Machines Corporation | Method for predicting churners in a telecommunications network |
US8615419B2 (en) | 2008-05-07 | 2013-12-24 | Nice Systems Ltd | Method and apparatus for predicting customer churn |
FI20085843A0 (fi) | 2008-09-08 | 2008-09-08 | Xtract Oy | Menetelmä ja järjestely käyttäjän demografisen tiedon ennustamiseksi |
US8473327B2 (en) * | 2008-10-21 | 2013-06-25 | International Business Machines Corporation | Target marketing method and system |
US7647287B1 (en) | 2008-11-21 | 2010-01-12 | International Business Machines Corporation | Suggesting a relationship for a node pair based upon shared connections versus total connections |
US8700551B2 (en) * | 2009-08-10 | 2014-04-15 | Venture Lending & Leasing Vi, Inc. | Systems and methods for identifying provider noncustomers as likely acquisition targets |
US8457605B2 (en) * | 2010-10-04 | 2013-06-04 | Telefonica, S.A. | Method for gender identification of a cell-phone subscriber |
-
2011
- 2011-08-26 US US13/219,362 patent/US8644468B2/en active Active
- 2011-11-03 WO PCT/EP2011/069328 patent/WO2012079835A1/en unknown
- 2011-11-03 CN CN201180059406.1A patent/CN103250376B/zh active Active
- 2011-11-03 EP EP11778603.8A patent/EP2652909B1/en active Active
- 2011-11-10 TW TW100141118A patent/TWI505667B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009077655A1 (en) * | 2007-12-14 | 2009-06-25 | Xtract Oy | A method and an arrangement for segmentation of customers in a customer management system |
US20090190729A1 (en) * | 2008-01-28 | 2009-07-30 | International Business Machines Corporation | System and computer program product for predicting churners in a telecommunications network |
Also Published As
Publication number | Publication date |
---|---|
US8644468B2 (en) | 2014-02-04 |
EP2652909B1 (en) | 2019-01-02 |
TW201233099A (en) | 2012-08-01 |
CN103250376A (zh) | 2013-08-14 |
US20120155290A1 (en) | 2012-06-21 |
WO2012079835A1 (en) | 2012-06-21 |
CN103250376B (zh) | 2017-07-07 |
EP2652909A1 (en) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI505667B (zh) | 完成有關於通訊網路節點之預測分析的方法與系統 | |
Meade et al. | Forecasting in telecommunications and ICT—A review | |
Qureshi et al. | Telecommunication subscribers' churn prediction model using machine learning | |
Lee et al. | Forecasting mobile broadband traffic: Application of scenario analysis and Delphi method | |
US7698248B2 (en) | Method and system for auditing processes and projects for process improvement | |
Balasubramanian et al. | Churn prediction in mobile telecom system using data mining techniques | |
US8788438B2 (en) | Method performed in a computer system for aiding the assessment of an influence of a user in or interacting with a communication system by applying social network analysis, SNA, functions, a computer system, computer program and computer program product | |
WO2016002133A1 (ja) | 予測システムおよび予測方法 | |
CN109978575B (zh) | 一种挖掘用户流量经营场景的方法及装置 | |
Chen et al. | Merging anomalous data usage in wireless mobile telecommunications: Business analytics with a strategy-focused data-driven approach for sustainability | |
US20210357953A1 (en) | Availability ranking system and method | |
Panpanich et al. | Analysis of handover of work in call center using social network process mining technique | |
WO2010026297A1 (en) | A method and an arrangement for predicting customer demographics | |
US10055469B2 (en) | Method and software for retrieving information from big data systems and analyzing the retrieved data | |
CN109766541B (zh) | 一种营销策略的识别方法、服务器和计算机存储介质 | |
Droftina et al. | A diffusion model for churn prediction based on sociometric theory | |
US7995735B2 (en) | Method and apparatus for managing customer data | |
CN115297016B (zh) | 一种基于深度学习的电力网络活跃度评价和预测方法 | |
Chang et al. | A two-layer clustering model for mobile customer analysis | |
CN107608979A (zh) | 识别用户潜在求助的知识点的方法及装置 | |
SPAHO et al. | Modeling and Forecasting the Diffusion of Mobile Telephony in Albania and Turkey | |
Dyagilev et al. | On information propagation in mobile call networks | |
Droftina et al. | Predicting influential mobile-subscriber churners using low-level user features | |
US20240111750A1 (en) | Disambiguation of feature graph databases | |
US20230297909A1 (en) | System and method for predicting service metrics using historical data |