Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k means

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG LÊ MINH HẢI PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI ĐỘNG DỰA TRÊN THUẬT TOÁN K-MEANS LUẬN VĂN THẠC SỸ KỸ THUẬT HÀ NỘI - 2013 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG LÊ MINH HẢI PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI ĐỘNG DỰA TRÊN THUẬT TOÁN K-MEANS Chuyên ngành: Khoa học máy tính Mã số: 60.48.01 TÓM TẮT LUẬN VĂN THẠC SĨ HÀ NỘI -2013 1 Luận văn được hoàn thành tại: HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học: TS NGUYỄN MẠNH HÙNG Phản biện 1: ………………………………………………………………………… Phản biện 2: ………………………………………………………………………… Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông Vào lúc: giờ ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện của Học viện Công nghệ Bưu chính Viễn thông 2 MỞ ĐẦU 1. Lý do chọn đề tài Đối với một doanh nghiệp thông di động di động việc phát triển thuê bao để kiếm tìm lợi nhuận vào thời điểm hiện tại đã không còn đem lại hiệu quả. Thay vào đó là một phương án kinh doanh tiến đến phát triển chất lượng dịch vụ cung cấp thêm nhiều dịch vụ giá trị gia tăng. Tuy nhiên các dịch vụ truyền thống như thoại, nhắn tin vẫn có thể đem lại nguồn lợi nhuận cao hơn nếu kích thích được nhu cầu sử dụng của khách hàng. Thông thường mỗi cá nhân tùy vào vị trí xã hội, điều kiện kinh tế mỗi vùng mà có nhu cầu sử dụng thoại và tin nhắn khác nhau. Tại một vùng cụ thể, có những thời điểm năng lực mạng vẫn còn khả năng phục vụ nhưng do không có nhu cầu nên toàn bộ tài nguyên hoạt động ở hiệu suất thấp. Đây là những thời điểm các nhà mạng cần tăng cường tận dụng. Giả sử một địa phương có 02 nhóm người có hành vi tương tự nhau được thể hiện bằng biểu đồ như trên, nhóm A thường thực hiện cuộc gọi vào buổi sáng, nhóm B thường thực hiện cuộc gọi vào giờ chiều và tối; ban đầu chúng ta chưa xác định được 02 nhóm này. Để phân tích hành vi sử dụng các dịch vụ cơ bản thì cần khai thác nguồn dữ liệu tổng đài MSC. Các dữ liệu CDR ghi lại lịch sử cuộc gọi tại một địa điểm cụ thể, đây là nguồn dữ liệu rất thích hợp tuy nhiên khối lượng dữ liệu này rất lớn nên cần có các kỹ thuật phân tích 0 10 20 30 40 50 60 70 80 0 2 4 6 8 10 12 14 16 18 20 22 Nhóm B Nhóm A Lưu lượng cuộc gọi theo giờ Tỷ lệ lưu lượng (%) 3 thích hợp. Hiện nay các kỹ thuật khai phá dữ liệu đã đạt được nhiều thành tựu có thể hỗ trợ bài toán phân tích hành vi khách hàng như phân cụm dựa vào thuật toán k-means. Dựa vào thực trạng như trên kết hợp với các kỹ thuật phân cụm trong khai phá dữ liệu đã được phát triển để đưa ra đề tài “Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k-means”. 1. Mục đích của đề tài: đề tài hướng đến phân loại hành vi khách hàng, tìm ra các nhóm khác hàng phổ biến, đang hoạt động trong mạng di động Mobifone; tiến đến đề xuất tích hợp kết quả vào hệ thống báo cáo số liệu sản xuất kinh doanh cho Tập đoàn VNPT 2. Đối tượng và phạm vi nghiên cứu: Việc nghiên cứu sẽ tập trung vào lý thuyết phân cụm dữ liệu theo thuật toán k-means, áp dụng vào phân cụm hành vi sử dụng dịch vụ thoại và nhắn tin của khách hàng VMS Mobifone. 3. Phương pháp nghiên cứu: Tìm hiểu các tài liệu liên quan đến các kỹ thuật phân cụm, tập trung vào thuật toán k-means. 4. Kết cấu của luận văn Luận văn gồm 3 chương Chương 1: Bài toán phân nhóm khách hàng dựa trên hành vi sử dụng dịch vụ dị động. Chương này luận văn trình bày nhu cầu phân tích số liệu di động để đưa ra được thông tin về thói quen sử dụng dịch vụ viễn thông, dịch vụ truyền thống thoại và nhắn tin, trên một địa bàn. Chương 2: Thuật toán k-means. Chương này luận văn trình bày một trong những thuật toán phân cụm k-means và đánh giá khả năng áp dụng đối với bài toán phân cụm hành vi khách hàng sử dụng dịch vụ viễn thông. Chương 3: Áp dụng thuật toán k-means vào phân cụm hành vi sử dụng dịch vụ thoại và nhắn tin. Chương này luận văn trình bày các bước xử lỷ dữ liệu, xây dựng các nguồn dữ liệu đầu vào, thực hiện phân cụm theo phương pháp k-means và cuối cũng sẽ đánh giá một số thông tin rút ra được từ kết quả sau khi phân cụm. 4 CHƯƠNG 1. BÀI TOÁN PHÂN NHÓM KHÁCH HÀNG DỰA TRÊN HÀNH VI SỬ DỤNG DỊCH VỤ DỊ ĐỘNG 1.1. Đặt vấn đề 1.1.1. Một số định nghĩa Định nghĩa tổng lượng sử dụng của mạng trong một khoảng thời gian         (1)  t là khoảng thời gian xem xét.  L t là tổng lượng sử dụng dịch vụ (là giây với dịch vụ thoại, số lượng tin nhắn đối với dịch vụ nhắn tin).  n là tổng số thuê bao trong vùng đang xem xét.  C i t là tổng lượng sử dụng của khách hàng C i trong khoảng thời gian xem xét t.          (2)  m là số cuộc gọi của khách hàng i trong khoản thời gian t.  D i,j là thời lượng cuộc gọi của khách hàng i trong cuộc gọi thứ j trong khoảng thời gian t. Với dịch vụ tin nhắn giá trị này = 1 hay C i t = m. Khung thời gian có L t nhỏ nhất là khoảng thời gian cần kích thích để các thuê bao sử dụng sử dụng nhiều hơn. Định nghĩa hành vi: Hành vi nói chung là một khái niệm rộng. Trong luận văn này, khái niệm hành vi dùng để chỉ hành động thực hiện dịch vụ của khách hàng dựa vào vùng nơi thuê bao thực hiện dịch vụ và thời điểm thực hiện dịch vụ. 1.1.2. Nhu cầu phân tích hành vi sử dụng dịch vụ di động Hiện tại hệ thống báo cáo số liệu kinh doanh được tập đoàn VNPT khai thác đang cung cấp dữ liệu dạng tổng hợp. Tuy nhiên câu hỏi chỉ ra tính chất của dữ liệu chưa được khai thác. Luận văn đề xuất việc phân tích dữ liệu lịch sử cuộc gọi của khách hàng để tìm ra các nhóm hành vi. Xem xét các nhóm hành vi có thể chỉ ra được tác động của nhóm này đối 5 với năng lực mạng tại một địa bàn cụ thể; từ đó trợ giúp việc thiết kế các gói khuyến mại để tận dụng năng lực mạng. 1.1.3. Các khía cạnh phục vụ phân tích hành vi Thời điểm thực hiện dịch vụ: là một thuộc tính của hành vi sử dụng dịch vụ của khách hàng, chỉ ra thời điểm khách hàng bắt đầu sử dụng dịch vụ gọi điện hoặc nhắn tin. Lượng sử dụng dịch vụ: trong một khung thời gian được chia theo thuộc tính thời điểm, tổng lượng thời gian đàm thoại hoặc số tin nhắn của một khách hàng là lượng sử dụng dịch vụ của khách hàng trong khung thời gian đó. Địa điểm phát sinh cuộc gọi: Một nhóm hành vi sẽ là đặc trưng về lượng sử dụng của các thuê bao trong nhóm trên mỗi khung giờ được xem xét trên một địa phương cụ thể. Địa điểm phát sinh cuộc gọi là vùng quản lý trạm phát sóng phục vụ cho khách hàng đó. Trong luận văn địa điểm được phân tích ở cấp tỉnh/thành phố. 1.2 Trình bày một số giải pháp cho bài toán 1.2.1 Các giải pháp theo thống kê thông thường Phương pháp tổng hợp số liệu phổ biến là sử dụng các lệnh thống kê, sử dụng truy vấn dữ liệu theo chuẩn SQL 2.0. Để tìm ra các nhóm và số lượng khách hàng thuộc các nhóm đó cần thực hiện hai bước:  Khảo sát thị trường tìm ra các đặc trưng về thời điểm gọi, lượng sử dụng điển hình.  Sử dụng các giá trị đặc trưng của từng nhóm, xây dựng lệnh thống kê. Việc khảo sát thường đem lại kết quả chính xác không cao và tốn nhiều thời gian. Do hành vi sử dụng dịch vụ biến đổi liên tục phụ thuộc vào các sự kiện kinh tế chính trị, vì vậy việc phân tích nhóm cần thực hiện nhiều lần tại các thời điểm trong năm và trong nhiều năm; điều này khối lượng cần khảo sát sẽ chiếm nhiều chi phí. Phương pháp thống kê truyền thống tỏ ra không thích hợp để giải quyết bài toán. 1.2.2 Giải pháp ứng dụng các kỹ thuật khai phá dữ liệu Khai phá dữ liệu là vấn đề nhận được nhiều sự quan tâm. Nhu cầu khai phá dự liệu là nhu cầu tiếp theo sau khi một doanh nghiệp đã tổ chức được hệ thống cơ sở dữ liệu. 6 Hình 1. 1 Sự phát triển của hệ thống cơ sở dữ liệu (dựa trên [2, tr.2]) Hệ quản trị cơ sở dữ liệu quan hệ được xuất hiện từ những năm 1970 đến đầu 1980, đại diện là các tên tuổi lớn như Oracle, DB2, MS SQL, MySQL. Đến nay, hệ quản trị cở sở dữ liệu quan hệ có nhiều cải tiến mạnh mẽ và được ứng dụng rất rộng rãi. Các doanh nghiệp đã tích lũy các số liệu kinh doanh qua thời gian dài nhờ sử dụng cở sở dữ liệu, tuy nhiên các mẫu báo cáo kinh doanh thông thường vẫn chưa khai thác hết thông tin mà các dữ liệu đó đang cất giữ. Chính vì vậy các kỹ thuật khai phá dữ liệu được nghiên cứu và ứng dụng. Các kiến thức tìm được nhờ ưng dụng kỹ thuật khai phá dữ liệu gồm: Nhận biết và phân biệt các lớp dữ liệu: Nhận biết đặc tính dữ liệu là việc tìm ra một tổng kết về các đặc điểm chung hoặc các tính năng của một lớp dữ liệu mục tiêu. Phân biệt các lớp dữ liệu là việc so sánh các đặc tính dữ liệu của một lớp dữ liệu với một lớp khác hoặc một tập các lớp khác đã biết. Khai thác mẫu phổ biến: Mẫu phổ biến là các mẫu dữ liệu hay xuất hiện trong tập dữ liệu đang xét. Mẫu thường xuyên bao gồm các kiểu như tập phổ biến. các mẫu tuần tự. 7 Phân loại và dự báo: quá trình của việc tìm kiếm một mô hình (hoặc chức năng) mô tả và phân biệt các lớp dữ liệu hoặc các khái niệm, sử dụng các mô hình tìm được để dự đoán lớp của các đối tượng mà chưa gán được lớp. Phân cụm dữ liệu: Khác với phân loại và dự báo dữ liệu, phân cụm dữ liệu là phân tích dữ liệu mà không tham khảo một lớp dữ liệu biết trước nào. Với một nguồn dữ liệu biểu diễn một tập các đối tượng, phân cụm dữ liệu sẽ nhóm các đối tượng thành các nhóm dựa trên sự tối đa hóa sự sai khác các phần tử ở các nhóm khác nhau và tối thiểu hóa sự sai khác giữa các phần tử cùng nhóm. Phân tích bất thường: Một cơ sở dữ liệu có thể chứa các đối tượng dữ liệu mà không tuân thủ với các hành vi chung, mang các đặc điểm về dữ liệu khác nhiều so với đại bộ phận các đối tượng còn lại. Các đối tượng dữ liệu đó có thể coi là dữ liệu bất thường. Đánh giá dữ liệu theo thời gian: tìm ra các mô hình mô tả xu hướng của dữ liệu thay đổi theo thời gian. 1.2.3 Phân cụm dữ liệu Quá trình nhóm một tập hợp các đối tượng vật lý hay trừu tượng thành các lớp đối tượng tương tự được gọi là phân cụm. Một cụm là một tập các đối tượng dữ liệu tương tự và không giống các đối tượng trong các cụm khác. Hình 1. 2 Hình ảnh phân cụm các điểm trong mặt phẳng hai chiều [2, tr.64] 8 Phân cụm dữ liệu thực hiện gom nhóm dữ liệu theo hướng ngược lại. Tập các dữ liệu được gom thành các nhóm dựa trên sự tương tự nhau giữa các dữ liệu, và sau đó gán nhãn cho các nhóm. Số lượng các nhóm có thể được cài đặt trước và phân cụm dữ liệu trở nên thích nghi với sự biến đổi dữ liệu tốt hơn phân loại dữ liệu. Vấn đề xác định độ tương đồng của dữ liệu: Khi dữ liệu cần phân cụm có nhiều thuộc tính và các thuộc tính rất đa dạng nhiều kiểu. Trong thực tế việc xem xét phân cụm trong khi dữ liệu mang nhiều thuộc tính và nhiều kiểu thuộc tính là một vần đề cần giải quyết. Ngoài ra nhiều thuật toán xác định sự tương đồng của đối tượng dựa trên các khoảng cách Euclidean hoặc Manhattan thì cho ra các phần tử tương đồng tạo thành một cụm dạng cầu. Tuy nhiên cụm có thể có hình dạng bất kỳ vì vậy cần phát triển thuật toán tính độ tương đồng với hình dạng tuỳ ý. Vấn đề xử lý nhiễu trong phân cụm dữ liệu: Hầu hết các cơ sở dữ liệu thực tế có chứa các dữ liệu cá biệt hoặc mất tích, không rõ, hoặc dữ liệu sai. Một số thuật toán phân cụm nhạy cảm với các dữ liệu đó và có thể dẫn đến kết quả phân cụm có chất lượng kém. Tập dữ liệu gốc được loại bỏ các thành phần nhiễu sẽ trở thành đầu vào tốt cho giai đoại phân cụm dữ liệu. 1.3 Kết luận Trong chương 1, luận văn đã trình bày các vấn đề sau:  Nêu lên bài toán phân tích hành vi sử dụng dịch vụ khách hàng, để hỗ trợ việc xây dựng chính sách phát triển dịch vụ tận dụng tốt tài nguyên của mạng lưới.  Nêu các mặt khó khăn trong việc giải quyết bài toán dựa trên khảo sát thị trường. Đề xuất sử dụng kỹ thuật khai phá dữ liệu, cụ thể là phương pháp phân cụm dữ liệu, để phân tích các nhóm hành vi Chương tiếp theo luận văn trình bày kỹ thuật phân cụm k-means, bên cạnh đó đánh giá khả năng áp dụng thuật toán vào bài toán phân cụm hành vi. [...]... liệu lịch sử, tạo ra nguồn dữ liệu đầu vào phù hợp cho thuật toán k- means  Triển khai thuật toán phân cụm k- means  Đánh giá k t quả thu được sau quá trình phân cụm  Nêu hướng khuyến nghị tăng hiệu quả sử dụng tài nguyên mạng dựa trên k t quả thu được 24 K T LUẬN Luận văn Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k- means đã đạt được các k t quả sau:  Thiết k nguồn... vụ vi n thông Chương tiếp theo luận văn trình bày quá trình áp dụng thuật toán k- means vào bài toán phân cụm hành vi sử dụng khách hàng của mạng di động VMS Mobifone 14 CHƯƠNG 3 ÁP DỤNG THUẬT TOÁN K- MEANS VÀO PHÂN CỤM HÀNH VI SỬ DỤNG DỊCH VỤ THOẠI VÀ NHẮN TIN Bài toán phân cụm hành vi 3.1 Mục tiêu bài toán là tìm ra các nhóm thuê bao, trong mỗi nhóm chứa các thuê bao có cùng hành vi sử dụng dịch vụ. .. nhóm, thuật toán đưa ra được k t quả phù hợp với nhu cầu phân tích hành vi khách hàng và các hành vi tương tự nhau được nhóm lại một vùng Đánh giá dữ liệu đầu ra của thuật toán k- means đối với bài toán phân cụm hành vi sử dụng dịch vụ của khách hàng, khi các cụm hành vì được xác định, vi c phân tích sâu hơn về nhóm đó là cần thiết 2.3.2 Đánh giá khả năng triển khai Thuật toán k- means có độ phức tạp thuật. .. được hành vi sử dụng dịch vụ của khách hàng di động  Thiết k và xây dựng chương trình chuyển đổi nguồn dữ liệu lịch sử cuộc gọi thành dữ liệu đầu vào cho thuật toán phân cụm  Triển khai thuật toán k- means và thu được k t quả  Lập lịch tái sử dụng k t quả đầu ra cho các lần phân cụm tiếp theo để tăng tốc độ xử lý  Luận văn đã đề xuất một gói khuyễn mại, sau khi đánh giá k t quả phân cụm hành vi K t... k từ đó dẫn đến k t nạp sai lầm tại những vòng lặp xử lý sau Tuy nhiên vẫn có thể áp dụng một số phương pháp tiền xử lý dữ liệu đầu vào để giảm sự ảnh hưởng nhiễu 2.4 K t luận Trong chương 2, luận văn đã trình bày các vấn đề :  Giới thiệu thuật toán k- means  Cài đặt thuật toán k- means  Đánh giá sơ bộ k t quả và khả năng triển khai thuật toán k- means vào công vi c phân cụm hành vi sử dụng dịch vụ. .. Program triển khai thuật toán k- means 3.5 Tăng tốc độ xử lý phân cụm Nghiệp vụ phân cụm hành vi sử dụng dịch vụ sẽ phải thực hiện hàng ngày trên dữ liệu lưu lượng ngày đó, khối lượng dữ liệu cần xử lý là rất lớn vì vậy vi c lựa chọn k điểm khởi tạo có ảnh hưởng nhiều đến thời gian xử lý Hành vi khách hàng gần như biến đổi ít so với ngày trước đó vì vậy các giá trị trung tâm cuối cùng của lần phân cụm ngày... chí đánh giá và xếp loại một hành vi sử dụng ba tiêu chí cùng ý nghĩa, vì vậy cách tính khoảng cách áp dụng trong thuật toán k- means đưa ra các nhóm hình cầu tỏ ra thích hợp Bên cạnh đó, vi c phân cụm được lặp lại hàng ngày; vi c tái sử dụng k t quả phân cụm cũng giụp giảm số lần tái lặp , từ đó giảm chi phí thực hiện Thuật toán k- means có một nhược điểm là có khả năng chống nhiễu k m; nếu trong nhóm... triệu bản ghi để tạo thành một nguồn 10 triệu bản ghi trong đó mỗi bản ghi lưu số máy và các đặc trưng sử dụng của số máy đó trong ngày 3.3 Tiền xử lý dữ liệu đầu vào 3.3.1 Định dạng tập dữ liệu phần tử đầu vào thuật toán k- means Dựa vào cách mô tả hành vi sử dụng dịch vụ của một khách hàng, có thể xác định định dạng đầu ra kiểu liệt k phần tử (định dạng đầu vào thuật toán k- means) như sau: Bảng 3... Các k t quả sau khi thay đổi số cụm khởi tạo (dựa trên [6,tr.21]) 11 Trên hình minh họa thể hiện khi k tăng và không được khởi tạo tốt cụm thứ năm có thể gần với một trong các cụm ban đầu; đây là trường hợp mong muốn Khi phân cụm mà có những cụm các phần tử trong nó có độ sai khác không lớp thì không đạt được k vọng của thuật toán phân cụm 2.2.2 Dữ liệu đầu ra của thuật toán Thuật toán phân cụm yêu cầu... gọi Đối với dịch vụ tin nhắn thuộc tính này không có giá trị, lúc này có thể đánh giá hành vi nhắn tin bằng tổng số tin nhắn mà khách hàng gửi trong một khung thời gian Thuộc tính “cell id” : nhận biết địa điểm cuộc gọi được khởi tạo Mỗi lần tổng đài thực hiện khởi tạo dịch vụ thì đều ghi lại tọa độ nơi khách hàng bắt đầu sử dụng dịch vụ Tọa độ “cell id” chính là mã các trạm phát sóng di động quy hoạch . HỌC VI N CÔNG NGHỆ BƯU CHÍNH VI N THÔNG LÊ MINH HẢI PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI ĐỘNG DỰA TRÊN THUẬT TOÁN K- MEANS. toán phân cụm hành vi khách hàng sử dụng dịch vụ vi n thông. Chương 3: Áp dụng thuật toán k- means vào phân cụm hành vi sử dụng dịch vụ thoại và nhắn tin.