数据挖掘：利用sql实现对电信行业客户建立流失预警模型

电信行业人工智能应用白皮书.pdf

2021电信行业（中国）数字化治理应用白皮书

面向电信行业存量用户的智能套餐个性化匹配模型

MRO资产维护系统在电信行业的应用及典型案例

德勤今日发布《2021科技、传媒和电信行业预测》第二十期（以下简称“报告”），报告针对2021年科技、传媒和电信行业的发展趋势进行预测，并对它们可能会对全球企业和消费者产生的影响进行深入探讨。

欺诈是电信行业面临的主要挑战。 这些欺诈者损失了大量收入，这些欺诈者开发了不同的技术和策略来欺骗服务提供商。 对于要保留在该行业中的任何服务提供商，应将这些欺诈者的活动造成的预期损失降到最低，甚至不能完全消除。 但是由于海量数据的性质和所涉及的数百万订户的缘故，要发现这一群人变得非常困难。 为此，需要一种最佳的分类器和预测概率模型，该模型可以捕获订户的当前和过去的历史，并对它们进行相应的分类。 在本文中，我们开发了一些预测模型和最佳分类器。 我们模拟了八十（80）个订户的样本：他们的呼叫数量和呼叫持续时间，并将其分类为四个子样本，每个样本大小为二十（20）个。 我们获得了各组的先验概率和后验概率。 我们将这些后验概率分布分为两个样本多元数据，每个样本都有两个变量。 我们开发了区分真实订阅者和欺诈订阅者的线性分类器。 最优分类器（βA+ B）的后验概率为0.7368，我们根据该最优点对订户进行分类。 本文关注的是国内用户，感兴趣的参数是每小时的通话次数和通话时间。

直接跑xgb的代码可以出csv提交。 比赛网址： : 比赛数据： : 比赛类型：多分类问题 阿榜排名 方案1：LightGBM模型0.81245（2018-09-13 23:13） 方案2：XGBoost模型0.8254排名30th / 1153（2018-09-14 14:23:04） XGBoost的关键参数 max_depth = 12，learning_rate = 0.05，n_estimators = 752，silent == True，objective =“ multi：softmax”，nthread = 4，gamma = 0，max_delta_step = 0，subsample = 1，colsample_bytree = 0.9，colsample_bylevel = 0.9，reg_alpha = 1，reg_lambda = 1，scale_po

橙色电信的客户流失数据集将用于开发预测模型，该数据集由清除的客户活动数据（功能）以及指定客户是否取消订阅的客户流失标签组成。这里提供了两个数据集：可以下载churn-80和churn-20数据集。 telecom_churn.csv

面向电信行业的下一代云：Oracle Monetization Cloud.pdf