4.4.2. Mining customer behaviorWe r

4.4.2. Mining customer behavior
We referred to the customer behavior model built with
detailed dialogue records in the telecommunication industry
(Berry & Linoff, 2000; Li et al., 2006) and used network
flow records as the model’s input to establish customer
behaviors of network usage for this study. Fig. 3 represents
the usage pattern of one user. This figure is developed using
the concept/hierarchy classes of AOI (attribute-oriented
induction) (Han et al., 1992; Li et al., 2006), which generates
the concept hierarchy of time attributes that consist
of 5-min, hourly, daily, and weekly data. The value in each
cell represents the count of network flow that exceeds 1% of flow threshold. The maximum value for a cell is 84 over the
7-week data collection period ((60 min/5 min) · 7
weeks = 84). This figure clearly indicates that the usage
patterns of this particular customer were concentrated over
the regular working days and hours.
In order to improve the readability of modeling results,
we adopted pixel-oriented techniques (Oliveira & Levkowitz,
2003) to provide visualization with color and brightness.
The basic idea of pixel-oriented techniques is to map
each data value to a colored pixel and present the data values
belonging to one variable in separate windows. Pixeloriented
visualization techniques maximize the amount of
information represented at one time without any overlap.
They effectively preserve the perception of small regions
of interest while still maintaining the global view. The network
usage patterns of Fig. 3 are transformed into color
through the formula in Eq. (5), and the result is shown in
Fig. 4. It is obvious that Fig. 4 can better enhance readers’
perceptions and understanding than Fig. 3.
where nfValue is the value of the cell and Max_nfValue is
the maximum of the cell, i.e. 84.
4.4.3. Customers segmentation
We use the two-dimensional format to exhibit users’ network
usage pattern, 24 h versus 7 days, and there are 168
attributes in total for each customer. In order to apply SOM to develop customer groupings, we tried a several
cluster numbers to decide the most appropriate one. With
the help from the company’s ISP senior manager, we
concluded that the two-dimensional design 3 · 3 is more
effective in distinguishing one group from another. The
clustering results of nine groups are visually presented in
Table 4. The brightness in cells ranges from light to heavy
to represent different degree of network usage from light to
heavy. By collectively examining the brightness, time interval,
and day that characterize network usage of each
group, we name them as: Group 1: Midnight medium
usage group (6.84%), Group 2: Weekend group (2.56%),
Group 3: Overall heavy usage group (5.98%), Group 4:
Midnight light usage group (12.82%), Group 5: Mid-day
medium usage group (4.27%), Group 6: Office hour
heavy usage group (3.42%), Group 7: Overall light usage
group (47.01%), Group 8: Office hour light usage group
(8.55%), and Group 9: Office hour medium usage group
(6.84%).
4.4.4. Customer value modeling
Based on the customer usage groupings found in the last
part, we applied RFM to evaluate customers’ potential
monetary contribution. The concept of purchasing behavior
from the original RFM is somewhat different from that of
network usage behavior, because the former represents
transaction of actual purchasing and payments, and the latter
may not be regarded as transaction of network service
until certain traffic threshold is reached. Thus, we refer to
the survey conducted by TWNIC (2004) to define this
threshold. The survey indicates that, on an average, the longest
continuous network usage interval in Taiwan is between
2 and 3 h. The company’s experienced ISP personnel suggest
that this network flow threshold be defined as 1% of stipulated
bandwidth over three continuous hours. As a result,
we modified the original definition of three factors R, F,
and M of the RFM model in the following to suit the
ISP environment; while the division of 5 intervals and
the weight assignments of RFM implementation remain
the same.R: time of most recent traffic that lasts for 3 h and its
network flow exceeds the threshold.
F: usage counts over 7 weeks; with each usage lasting for
3 h and its network flow exceeding the threshold.
M: cost per network traffic unit, which is calculated as
network-monthly-rental/monthly-network-traffic.
For this study, our analysts had decided that R will not
be taken into consideration, because our purpose is to
study customers’ behaviors that should last over a longer
period and has little to do with the most recent usage.
With the definition of F and M, one can see that a
higher F means a higher demand on the network usage,
and a higher M means a higher usage cost per traffic unit.
Thus different combinations of F and M value would imply
different business intelligence. For example, customers with
high F and low M value tend to be frequent users with low value schemes, and those with low F and high M value are routers serve both Kaoshiung City, consisting of nine districts,
and Kaoshiung County, consisting of fifteen districts,
as shown in Table 6.
4.5. Analysis and evaluation
With the results of the modeling phase known, this
phase proceeds to analyze the imbedded business knowledge,
which could facilitate the development of relevant
service strategies. One can examine the patterns and brightness
of Fig. 4 to determine the VIP status of a customer.
The cross examination of usage behaviors of groups in
Table 4 could lead to the discovery of where the issues of
personalized services lie and how to approach these issues.
For example, the Overall Heavy Usage group is a group of
great immediate value to management. This group provides
management a much focused target with heavy usage
for nearly all time, and management could develop and
market high value-added products that fit their needs. Similarly,
for the three office hour groups with light, medium,
and heavy usage, they present management very focused
business targets with different applications needs. On the
other hand, the Overall Light Usage group happens to be
the largest grouping with 47.01% of users, most of them
are probably individual users, and it would certainly presents
the challenge to management to conduct further analysis,
so that some of them may be converted to more
regular users. For resource utilization, Fig. 5 displays the
utilizations of various routers and districts in colors, which
allows one to quickly realize that the router #20 has the
highest utilization, #12 comes in second, and is followed
by #13 & #18 and the rest. In terms of districts, Daliao
Township has the highest network usage in Kaohsiung
county and is followed by Fongshan city, Ciaotou,
Gangshan, Hunei, and Dashu townships. These high usage
districts present management targets for understanding their social-demographics factors that underlie the needs of
network services, and project the future needs of capital
investments.
The results of application of the modified RFM are giving
in Table 7. This table presents the cross analysis
between customers’ network usage patterns and customers’
potential contribution. The five intervals of F (frequency)
and M (monetary) are given in the second column; with
F5 being the frequency percentage of weight 5 (first
20%), M1 being the monetary percentage of weight 1 (last 20%). . ., etc. The R factor was not shown in the table,
because ISP specialists considered it irrelevant in this particular
case. The third column of the table presents suggested
marketing strategies for each group by marketing
personnel, who has examined both F and M values. For
each of the nine groups, their advices of strategy consist
of ‘‘Active marketing’’, ‘‘Customer care’’, or ‘‘Other’’.
‘‘Active marketing’’ means the development of value-added
products and aggressive promotions, ‘‘Customer care’’
means providing appropriate schemes to match customers’
needs, and ‘‘Other’’ literally indicates to management that
relevant strategies remain to be discovered. The percentage
attaching to each strategy represents the emphasis for that
particular group. Some examples of important findings are
presented here. The third group, the overall heavy usage
group, is characterized by 100% F5 and 100% M1, and it
signifies that customers in this group are heavy users;
however their monetary contributions are relatively low.
This is a big surprise for the management. Hence, 100%
‘‘Active marketing’’ is suggested to market to them higher
value services. On the contrary, customers in the overall
light usage group, Group 7, is characterized by values of less frequent categories F1, F2, F3, and high M categories
F5 and F4, which indicates that, although, they are good
monetary contributors, they are nonetheless very infrequent
users. For customers of this group, ‘‘active marketing’’
is not an issue, instead, a small portion of them
requires ‘‘customer care’’, and the remaining 90% is in
‘‘Other’’ category, which indicates that further investigation
is needed to find new strategy that can convert them
to frequent users. Another example that is different from
the two is the midnight medium usage group, Group 1,
which is characterized by high F categories 12.5% F5,
87.5% F4 and low M categories 50% M1, 25% M2 and
25% M3, thus, the suggestions are 75% active marketing
and 25% taking care of customers’ needs.
4.6. Dissemination
In this phase, after taking into consideration the present
decision structure of the company, we feel very strongly
that the development of a BI decision support system can
better achieve the purpose of sharing and imbedding intelligence
discovered in the previous phases; because of the
fact that most managerial personnel are unfamiliar with
BI methodologies. One key issue of successfully designing
such a system is the seamless integration of system components
with the information and intelligence.

ผลลัพธ์ (ไทย) 1:

4.4.2 การพฤติกรรมลูกค้าทำเหมืองแร่เราเรียกว่าแบบพฤติกรรมลูกค้าที่สร้างขึ้นด้วยพูดคุยรายละเอียดระเบียนในอุตสาหกรรมโทรคมนาคม(เบอร์รี่ & Linoff, 2000 Li et al., 2006) และใช้เครือข่ายเรกคอร์ดการไหลเป็นรูปแบบการป้อนข้อมูลเพื่อสร้างลูกค้าลักษณะการทำงานของเครือข่ายการใช้งานสำหรับการศึกษานี้ Fig. 3 แทนรูปแบบการใช้งานของผู้ใช้หนึ่งคน รูปนี้ถูกพัฒนาโดยใช้สอนแนวคิด/ลำดับชั้นของ AOI (แอตทริบิวต์เน้นเหนี่ยวนำ) (ฮัน et al., 1992 Li et al., 2006), ซึ่งสร้างแนวคิดลำดับชั้นของแอตทริบิวต์ของเวลาที่ประกอบด้วยข้อมูล 5 นาที รายชั่วโมง วัน และรายสัปดาห์ ค่าในแต่ละเซลล์แสดงจำนวนลำดับเครือข่ายที่เกิน 1% ของขีดจำกัดของกระแส ค่าสูงสุดสำหรับเซลล์อยู่ 84 การระยะเวลาเก็บข้อมูล 7 สัปดาห์ ((60 นาที/5 นาที) · 7สัปดาห์ = 84) รูปนี้ชัดเจนหมายถึงการใช้งานรูปแบบของลูกค้านี้ได้เข้มข้นกว่าวันทำงานปกติและชั่วโมงเพื่อปรับปรุงการอ่านผลลัพธ์ การสร้างโมเดลเรานำเทคนิคแปลกพิกเซล (Oliveira & Levkowitz2003) เพื่อให้แสดงภาพประกอบเพลง มีสีและความสว่างความคิดพื้นฐานของเทคนิคแปลกพิกเซลจะแมปข้อมูลแต่ละค่ากับพิกเซลสี และแสดงค่าข้อมูลของตัวแปรหนึ่งในหน้าต่างแยกต่างหาก Pixelorientedเทคนิคการแสดงภาพประกอบเพลงให้มากที่สุดจำนวนข้อมูลที่แสดงในเวลาหนึ่งโดยไม่ทับซ้อนใด ๆรักษาการรับรู้ของภูมิภาคขนาดเล็กได้อย่างมีประสิทธิภาพน่าสนใจในขณะที่ยังคง รักษามุมมองสากล เครือข่ายรูปแบบการใช้งานของ Fig. 3 จะเปลี่ยนเป็นสีโดยใช้สูตรใน Eq. (5), และผลลัพธ์จะแสดงอยู่ในFig. 4 เป็นที่ชัดเจนว่า Fig. 4 สามารถเพิ่มของผู้อ่านดีกว่ารับรู้และเข้าใจกว่า Fig. 3โดยที่ nfValue คือ ค่าของเซลล์และ Max_nfValue คือจำนวนเซลล์ เช่น 844.4.3 ลูกค้าแบ่งเราใช้รูปแบบสองมิติแสดงเครือข่ายของผู้ใช้รูปแบบการใช้งาน 24 ชมและ 7 วัน และมีมี 168แอททริบิวต์รวมสำหรับลูกค้าแต่ละราย การใช้ส้มพัฒนากลุ่มลูกค้า เราพยายามหลายหมายเลขของคลัสเตอร์เพื่อการตัดสินใจที่เหมาะสมที่สุด มีความช่วยเหลือจาก ISP ผู้จัดการของบริษัทอาวุโส เราสรุปที่ลอกออกแบบสองมิติ 3 3 คือเพิ่มเติมมีประสิทธิภาพในการแยกความแตกต่างของกลุ่มจาก ที่สายตาจะแสดงผลลัพธ์ระบบคลัสเตอร์ของกลุ่ม 9ตาราง 4 ความสว่างในช่วงเซลล์จากเบาไปหนักแสดงระดับต่าง ๆ ของการใช้เครือข่ายจากไฟหนัก โดยตรวจสอบความสว่าง ช่วงเวลา โดยรวมและวันที่ใช้ในเครือข่ายของแต่ละกลุ่ม เราชื่อพวกเขาเป็น: กลุ่ม 1: ปานกลางถึงเที่ยงคืนการใช้กลุ่ม (6.84%), กลุ่ม 2: กลุ่มวันสุดสัปดาห์ (2.56%),กลุ่มที่ 3: โดยรวมการใช้งานหนักกลุ่ม (5.98%), 4 กลุ่ม:เที่ยงคืนใช้แสงกลุ่ม (12.82%), กลุ่ม 5: ช่วงกลางวันใช้ขนาดกลางกลุ่ม (4.27%), กลุ่ม 6: เวลาทำการกลุ่มการใช้งานหนัก (3.42%), กลุ่ม 7: แสงการใช้งานโดยรวมกลุ่ม (47.01%), กลุ่ม 8: กลุ่มสำนักงานชั่วโมงการใช้ไฟ(8.55%), และกลุ่ม 9: กลุ่มสำนักงานชั่วโมงการใช้งานปานกลาง(6.84%)4.4.4 การลูกค้าสร้างโมเดลค่าตามกลุ่มการใช้งานลูกค้าที่พบในช่วงส่วน เราใช้ RFM เพื่อประเมินศักยภาพของลูกค้าส่วนทางการเงิน แนวคิดของพฤติกรรมการซื้อจาก RFM เดิมจะค่อนข้างแตกต่างจากที่ลักษณะการใช้งาน เครือข่ายเนื่องจากแสดงถึงอดีตธุรกรรมการซื้อจริง และชำระเงิน และหลังอาจไม่เกี่ยวข้องกับธุรกรรมบริการเครือข่ายจนถึงขีดจำกัดการรับส่งข้อมูลบางอย่าง ดังนั้น เราอ้างอิงถึงการสำรวจ โดย TWNIC (2004) คำขีดจำกัดการ การสำรวจหมายถึง โดยเฉลี่ย ยาวที่สุดช่วงการใช้งานเครือข่ายอย่างต่อเนื่องในไต้หวันอยู่ระหว่าง2 และ 3 h แนะนำบุคลากร ISP มีประสบการณ์ของบริษัทกำหนดว่า ขีดจำกัดกระแสเครือข่ายนี้จะเป็น 1% ของแบนด์วิธที่มากกว่า 3 ชั่วโมงต่อเนื่อง เป็นผลเราปรับเดิมกำหนดปัจจัย 3 R, Fและ M รุ่น RFM ในต่อไปนี้ให้เหมาะสมกับการสภาพแวดล้อมของ ISP ขณะที่ส่วนของช่วง 5 และการกำหนดน้ำหนักของ RFM ดำเนินอยู่เหมือนเดิม R: เวลาจราจรล่าสุดที่ยากลืมสำหรับ 3 h และกระแสเครือข่ายเกินขีดจำกัดF: การใช้นับกว่า 7 สัปดาห์ กับแต่ละการใช้งานที่ยาวนานสำหรับ3 h และกระแสของเครือข่ายที่เกินขีดจำกัดM:ต้นทุนต่อเครือข่ายจราจรหน่วย ซึ่งจะคำนวณเป็นเครือข่ายรายเดือนเช่า/รายเดือนเครือข่ายการจราจรการศึกษา นักวิเคราะห์ของเราได้ตัดสินใจว่า R จะไม่นำมาพิจารณา เนื่องจากวัตถุประสงค์ของเราคือศึกษาพฤติกรรมของลูกค้าที่ควรสุดท้ายเหนือความยาวรอบระยะเวลา และมีเพียงเล็กน้อยกับการใช้งานล่าสุดกับคำนิยามของ F และ M หนึ่งสามารถมองเห็นที่เป็นF สูงหมายถึง ความต้องการสูงในการใช้งานเครือข่ายและสูงกว่า M วิธีการใช้งานสูงที่มีต้นทุนต่อหน่วยจราจรดังนั้น ชุดของค่า F และ M จะเป็นสิทธิ์แบบระบบสารสนเทศธุรกิจที่แตกต่างกัน ตัวอย่าง ลูกค้าที่มีF สูงและค่า M ต่ำมักจะ เป็นแผนงานมูลค่าต่ำใช้บ่อย และ F ต่ำสุดและค่า M สูงจังเราเตอร์ทำหน้าที่ทั้งเมืองเที่ยว ประกอบด้วย 9 อำเภอและเที่ยว เขต ประกอบด้วยเขต 15ดังแสดงในตาราง 64.5 การวิเคราะห์และประเมินผลมีผลของระยะสร้างโมเดลที่เรียกว่า นี้ขั้นตอนดำเนินการเพื่อวิเคราะห์ความรู้ธุรกิจฝังตัวซึ่งสามารถช่วยในการพัฒนาที่เกี่ยวข้องกลยุทธ์การบริการ หนึ่งสามารถตรวจสอบรูปแบบและความสว่าง4 Fig. การกำหนดสถานะของลูกค้าวีไอพีการตรวจสอบพฤติกรรมการใช้งานของกลุ่มในระหว่าง4 ตารางอาจนำไปสู่การค้นพบว่าปัญหาของบริการนอนและวิธีการพบปัญหาเหล่านี้ตัวอย่าง การใช้งานหนักโดยรวมเป็นกลุ่มของดีทันทีเพื่อการบริหารจัดการ กลุ่มนี้ให้จัดการเป้าหมายเน้นมากกับการใช้งานหนักสำหรับเกือบทุกเวลา และการจัดการสามารถพัฒนา และตลาดผลิตภัณฑ์มูลค่าเพิ่มสูงซึ่งเหมาะกับความต้องการ ในทำนองเดียวกันสำหรับสำนักงาน 3 ชั่วโมงกลุ่มแสง สื่อและการใช้งานหนัก พวกเขามีการจัดการเน้นมากเป้าหมายธุรกิจที่ มีความต้องการใช้งานที่แตกต่างกัน ในการอีก ใช้แสงโดยรวมกลุ่มเกิดขึ้น เป็นการจัดกลุ่มที่ใหญ่ที่สุด 47.01% ของผู้ใช้ ส่วนใหญ่ของพวกเขาผู้ใช้แต่ละคง และจะแสดงอย่างแน่นอนความท้าทายในการจัดการเพื่อวิเคราะห์เพิ่มเติมเพื่อให้บางส่วนของพวกเขาอาจถูกแปลงเป็นข้อมูลเพิ่มเติมผู้ใช้ทั่วไป การใช้ประโยชน์ทรัพยากร Fig. 5 แสดงการutilizations ของเราเตอร์และสี ย่านต่าง ๆ ซึ่งให้หนึ่งอย่างรวดเร็วตระหนักว่า เราเตอร์ #20 ได้ใช้ประโยชน์สูงสุด #12 มาในวินาที และตามตาม #13 และ #18 และส่วนเหลือ ในเขต Daliaoพมีการใช้งานเครือข่ายที่สูงสุดในเกาสงเขต และตาม ด้วยฟงฉานซิตี้ CiaotouTownships กังชาน ฮูเนทาวน์ชิ และ Dashu การใช้งานเหล่านี้สูงเขตนำเสนอเป้าหมายการจัดการศึกษาปัจจัยลักษณะประชากรสังคมของพวกเขาที่อยู่ภายใต้ความต้องการของเครือข่ายบริการ และโครงการความต้องการในอนาคตของเงินทุนลงทุนจะให้ผลลัพธ์ของโปรแกรม RFM แก้ไขในตาราง 7 ตารางนี้แสดงการวิเคราะห์ไขว้ระหว่างรูปแบบการใช้งานเครือข่ายและลูกค้าของลูกค้าสัดส่วนอาจเกิดขึ้น ช่วงห้าของ F (ความถี่)และแสดงไว้ในคอลัมน์สอง M (เงิน) มีF5 เป็นเปอร์เซ็นต์ความถี่ของน้ำหนัก 5 (แรก20%), M1 เป็นเปอร์เซ็นต์เงินน้ำหนัก 1 (ล่าสุด 20%) แตะ ฯลฯ ตัว R ไม่แสดงในตารางเนื่องจาก ISP ผู้เชี่ยวชาญพิจารณาความเกี่ยวข้องนี้โดยเฉพาะกรณี คอลัมน์สามของตารางนำเสนอแนะนำกลยุทธ์การตลาดสำหรับแต่ละกลุ่มโดยการตลาดบุคลากร ที่มีการตรวจสอบค่า F และ M สำหรับเก้าแต่ละกลุ่ม ใบที่แจ้งของกลยุทธ์ประกอบด้วยของ ''งานการตลาด '', ''ลูกค้าดูแล '', ''กัน ''''งานการตลาด"หมายถึง การพัฒนามูลค่าเพิ่มผลิตภัณฑ์และโปรโมชั่นก้าวร้าว, ''ลูกค้าดูแล ''หมายถึงให้แผนงานที่เหมาะสมให้ตรงกับลูกค้าความต้องการ และ ''กัน '' อย่างแท้จริงว่า การจัดการที่กลยุทธ์ที่เกี่ยวข้องการค้นพบครั้ง เปอร์เซ็นต์แนบกับกลยุทธ์แต่ละแสดงถึงความสำคัญที่เฉพาะกลุ่ม ตัวอย่างเช่นการค้นพบที่สำคัญนำเสนอการ กลุ่มที่สาม การใช้งานหนักโดยรวมกลุ่ม โดย 100% F5 และ 100% M1 และคำว่า ลูกค้าในกลุ่มนี้มีผู้ใช้หนักอย่างไรก็ตาม การจัดสรรเงินได้ค่อนข้างต่ำนี่คือความประหลาดใจใหญ่สำหรับการจัดการ ดังนั้น 100%''งานการตลาด '' แนะนำตลาดให้สูงขึ้นค่าบริการ ในลูกค้าตรงกันข้าม ในการใช้สีกลุ่ม กลุ่ม 7 เป็นลักษณะค่าประเภทประเภท F1, F2, F3 และ M สูงพบได้น้อยF5 และ F4 ซึ่งบ่งชี้ที่ แม้ว่า พวกเขาจะดีร่วมสมทบเงิน จะกระนั้นไม่มากผู้ใช้ สำหรับลูกค้ากลุ่มนี้, ''งานการตลาด"ไม่มีปัญหา แต่ ส่วนเล็ก ๆ ของพวกเขาต้องการนิ้วลูกค้าดูแล '', และ 90% ที่เหลือประเภท "อื่นๆ" ซึ่งบ่งชี้ถึงการสืบสวนเพิ่มเติมจำเป็นต้องหากลยุทธ์ใหม่ที่สามารถแปลงผู้ใช้บ่อยครั้ง อีกตัวอย่างหนึ่งที่แตกต่างจากทั้งสองเป็นเที่ยงคืนใช้ปานกลาง กลุ่ม 1ซึ่งเป็นลักษณะ โดย F สูงประเภท 12.5% F587.5% F4 และประเภท M ต่ำ 50% M1, 25% M2 และ25% M3 คำแนะนำตลาดใช้งาน 75%และ 25% ของความต้องการของลูกค้า4.6 การเผยแพร่ในระยะนี้ หลังจากการพิจารณาปัจจุบันตัดสินใจโครงสร้างของบริษัท เรารู้สึกมากอย่างยิ่งการพัฒนาระบบสนับสนุนการตัดสินใจ BI สามารถบรรลุวัตถุประสงค์ร่วมกัน และ imbedding ปัญญาดีค้นพบในระยะก่อนหน้านี้ เนื่องจากการความจริงที่สุดบริหารจัดการบุคลากรไม่คุ้นเคยกับสูตร BI ประเด็นหลักหนึ่งของการออกแบบเสร็จเรียบร้อยแล้วกล่าวคือ การบูรณาการจำแนกส่วนประกอบของระบบด้วยข้อมูลและข่าวกรอง

ผลลัพธ์ (ไทย) 2:

4.4.2 พฤติกรรมของลูกค้าการทำเหมืองแร่ที่เราเรียกว่ารูปแบบพฤติกรรมของลูกค้าที่สร้างขึ้นด้วยบันทึกการเจรจารายละเอียดในอุตสาหกรรมโทรคมนาคม(Berry และ Linoff 2000. Li et al, 2006) และใช้เครือข่ายบันทึกการไหลเป็นinput รูปแบบของการสร้างลูกค้าพฤติกรรมของการใช้งานเครือข่ายการศึกษาครั้งนี้ รูป 3 แสดงให้เห็นถึงรูปแบบการใช้งานของผู้ใช้อย่างใดอย่างหนึ่ง ตัวเลขนี้ได้รับการพัฒนาโดยใช้แนวคิด / คลาสลำดับชั้นของ AOI (แอตทริบิวต์ที่มุ่งเน้นการเหนี่ยวนำ) (Han et al, 1992;. Li et al, 2006.) ซึ่งจะสร้างลำดับชั้นของแนวคิดของคุณลักษณะเวลาที่ประกอบด้วย5 นาที, รายชั่วโมง รายวันและรายสัปดาห์ข้อมูล มูลค่าในแต่ละเซลล์นับเป็นตัวแทนของการไหลของเครือข่ายที่เกินกว่า 1% ของเกณฑ์การไหล ค่าสูงสุดสำหรับมือถือเป็น 84 ในช่วงระยะเวลาการเก็บรวบรวมข้อมูล7 สัปดาห์ ((60 นาที / 5 นาที) · 7 สัปดาห์ = 84) ตัวเลขนี้บ่งชี้อย่างชัดเจนว่าการใช้งานรูปแบบของลูกค้ารายนี้โดยเฉพาะอย่างยิ่งมีความเข้มข้นมากกว่าวันทำงานปกติและชั่วโมง. เพื่อที่จะปรับปรุงการอ่านผลการสร้างแบบจำลองที่เรานำมาใช้เทคนิคพิกเซลที่มุ่งเน้น (Oliveira & Levkowitz, 2003) เพื่อให้การแสดงด้วยสี และความสว่าง. ความคิดพื้นฐานของเทคนิคพิกเซลที่มุ่งเน้นคือการ map ค่าข้อมูลแต่ละพิกเซลสีและนำเสนอค่าของข้อมูลที่เป็นตัวแปรหนึ่งในหน้าต่างแยกต่างหาก Pixeloriented เทคนิคการสร้างภาพเพิ่มปริมาณของข้อมูลที่เป็นตัวแทนในครั้งเดียวโดยไม่ทับซ้อนใด ๆ . พวกเขาได้อย่างมีประสิทธิภาพรักษาการรับรู้ของภูมิภาคขนาดเล็กที่น่าสนใจในขณะที่ยังคงรักษามุมมองทั่วโลก เครือข่ายรูปแบบการใช้งานของรูป 3 จะกลายเป็นสีผ่านสูตรในสมการ (5) และผลที่ได้จะแสดงในรูปที่ 4. เป็นที่ชัดเจนว่ารูป 4 ดีขึ้นสามารถเพิ่มผู้อ่านรับรู้และความเข้าใจกว่ารูป 3. ที่ nfValue เป็นค่าของเซลล์และเป็น Max_nfValue สูงสุดของเซลล์เช่น 84 4.4.3 ลูกค้าแบ่งส่วนเราใช้รูปแบบสองมิติที่จะแสดงเครือข่ายของผู้ใช้รูปแบบการใช้งาน24 ชั่วโมงเมื่อเทียบกับ 7 วันและมี 168 คุณลักษณะทั้งหมดสำหรับลูกค้าแต่ละราย เพื่อที่จะนำไปใช้ในการพัฒนา SOM กลุ่มลูกค้าเราพยายามหลายตัวเลขกลุ่มที่จะตัดสินใจหนึ่งที่เหมาะสมที่สุด ด้วยความช่วยเหลือจาก บริษัท ผู้จัดการอาวุโส ISP ที่เราสรุปได้ว่าการออกแบบสองมิติ3 · 3 มีมากขึ้นมีประสิทธิภาพในการแยกความแตกต่างกลุ่มหนึ่งจากที่อื่น ผลการจัดกลุ่มเก้ากลุ่มนั้นจะมองเห็นในตารางที่ 4 ความสว่างในช่วงจากเซลล์แสงหนักที่จะเป็นตัวแทนในระดับที่แตกต่างกันของการใช้งานเครือข่ายจากแสงหนัก โดยรวมการตรวจสอบความสว่างช่วงเวลาและวันที่เป็นลักษณะการใช้เครือข่ายของแต่ละกลุ่มเราชื่อพวกเขาเป็นกลุ่มที่1: เที่ยงคืนกลางกลุ่มการใช้งาน(6.84%) กลุ่มที่ 2: กลุ่มวันหยุดสุดสัปดาห์ (2.56%) กลุ่มที่ 3 โดยรวม กลุ่มการใช้งานหนัก (5.98%) กลุ่มที่ 4: เที่ยงคืนกลุ่มการใช้งานแสง (12.82%) กลุ่มที่ 5: กลางวันกลุ่มการใช้งานขนาดกลาง(4.27%) กลุ่มที่ 6: สำนักงานชั่วโมงกลุ่มการใช้งานหนัก(3.42%) กลุ่มที่ 7: การใช้แสงโดยรวมกลุ่ม(47.01%) กลุ่มที่ 8: สำนักงานชั่วโมงการใช้งานกลุ่มแสง(8.55%) และกลุ่มที่ 9: สำนักงานชั่วโมงการใช้งานกลุ่มขนาดกลาง(6.84%). 4.4.4 การสร้างแบบจำลองมูลค่าของลูกค้าขึ้นอยู่กับการใช้งานของลูกค้ากลุ่มที่พบในที่ผ่านมาส่วนหนึ่งที่เรานำมาใช้ในการประเมินRFM ของลูกค้าที่มีศักยภาพบริจาคเงินสมทบ แนวคิดของพฤติกรรมการซื้อจาก RFM เดิมจะค่อนข้างแตกต่างจากพฤติกรรมการใช้เครือข่ายเพราะในอดีตแสดงให้เห็นถึงการทำธุรกรรมการซื้อและการชำระเงินที่เกิดขึ้นจริงและหลังอาจไม่ได้รับการยกย่องว่าเป็นการทำธุรกรรมของบริการเครือข่ายจนเกณฑ์การจราจรบางอย่างจะมาถึง ดังนั้นเราจึงหมายถึงการสำรวจที่จัดทำโดย TWNIC (2004) นี้เพื่อกำหนดเกณฑ์ ผลการสำรวจแสดงให้เห็นว่าโดยเฉลี่ยที่ยาวที่สุดช่วงเวลาการใช้งานเครือข่ายอย่างต่อเนื่องในไต้หวันอยู่ระหว่าง2 และ 3 ชั่วโมง บุคลากรของ บริษัท ผู้ให้บริการอินเทอร์เน็ตที่มีประสบการณ์แนะนำว่าเกณฑ์การไหลของเครือข่ายนี้ถูกกำหนดเป็น1% ของกําหนดแบนด์วิดธ์กว่าสามชั่วโมงอย่างต่อเนื่อง เป็นผลให้เราปรับเปลี่ยนคำนิยามเดิมของสามปัจจัย R, F, และ M ของรูปแบบ RFM ในต่อไปนี้เพื่อให้เหมาะกับสภาพแวดล้อมISP; ในขณะที่ส่วนที่ 5 ช่วงเวลาและการกำหนดน้ำหนักของการดำเนินงานRFM ยังคงsame.R เวลาของการจราจรล่าสุดที่กินเวลานาน 3 ชั่วโมงและมันไหลเครือข่ายเกินเกณฑ์. F: นับการใช้งานมากกว่า 7 สัปดาห์ กับการใช้งานที่ยาวนานสำหรับแต่ละ3 ชั่วโมงและการไหลของเครือข่ายเกินเกณฑ์. M: ค่าใช้จ่ายต่อเครือข่ายหน่วยการจราจรซึ่งคำนวณเป็น. เครือข่ายรายเดือนให้เช่า / รายเดือนเครือข่ายการจราจรสำหรับการศึกษานี้นักวิเคราะห์ของเราได้ตัดสินใจว่าอาจะไม่ได้ถูกนำมาพิจารณาเพราะจุดประสงค์ของเราคือการศึกษาพฤติกรรมของลูกค้าที่ควรมีอายุมากกว่าอีกต่อไประยะเวลาและมีน้อยจะทำอย่างไรกับการใช้งานล่าสุด. ด้วยความหมายของ F และ M หนึ่งจะเห็นว่าF ที่สูงขึ้นหมายถึง ต้องการที่สูงขึ้นในการใช้งานเครือข่ายและM สูงกว่าหมายถึงการใช้งานค่าใช้จ่ายที่สูงขึ้นต่อหน่วยอัตราการเข้าชม. ดังนั้นชุดที่แตกต่างกันของ F และความคุ้มค่า M จะบ่งบอกทางธุรกิจที่แตกต่างกัน ตัวอย่างเช่นลูกค้าที่มีความสูง F และต่ำค่า M มีแนวโน้มที่จะผู้ใช้บ่อยกับแผนการมูลค่าต่ำและผู้ที่มี F ต่ำและค่า M สูงเราเตอร์ให้บริการทั้ง Kaoshiung ซิตี้ประกอบด้วยเก้าหัวเมืองและKaoshiung เคาน์ตี้ซึ่งประกอบด้วยสิบห้าอำเภอ , ดังแสดงในตารางที่ 6 4.5 การวิเคราะห์และการประเมินผลที่มีผลการขั้นตอนการสร้างแบบจำลองที่รู้จักกันนี้ขั้นตอนการดำเนินการวิเคราะห์ความรู้ที่ฝังธุรกิจ, ที่สามารถอำนวยความสะดวกในการพัฒนาที่เกี่ยวข้องกลยุทธ์การบริการ หนึ่งสามารถตรวจสอบรูปแบบและความสว่างของภาพ 4 เพื่อตรวจสอบสถานะวีไอพีของลูกค้า. การตรวจสอบข้ามพฤติกรรมการใช้งานของกลุ่มต่าง ๆ ในตารางที่4 จะนำไปสู่การค้นพบที่มีปัญหาของบริการส่วนบุคคลอยู่และวิธีการวิธีการปัญหาเหล่านี้. ยกตัวอย่างเช่นกลุ่มการใช้งานหนักโดยรวมคือ กลุ่มของค่าทันทีที่ดีในการจัดการ กลุ่มนี้มีการจัดการที่มุ่งเน้นเป้าหมายมากกับการใช้งานหนักเกือบตลอดเวลาและการจัดการสามารถพัฒนาและทำการตลาดผลิตภัณฑ์ที่มีมูลค่าเพิ่มสูงที่เหมาะสมกับความต้องการของพวกเขา ในทำนองเดียวกันสำหรับสามกลุ่มสำนักงานชั่วโมงด้วยแสง, กลาง, และการใช้งานหนักที่พวกเขานำเสนอการจัดการที่มุ่งเน้นมากเป้าหมายทางธุรกิจกับการใช้งานที่แตกต่างกันความต้องการ บนมืออื่น ๆ ในกลุ่มการใช้งานแสงโดยรวมเกิดขึ้นเป็นกลุ่มที่ใหญ่ที่สุดกับ47.01% ของผู้ใช้ส่วนใหญ่ของพวกเขาเป็นผู้ใช้แต่ละคนอาจและมันจะแน่นอนนำเสนอความท้าทายในการบริหารจัดการในการดำเนินการวิเคราะห์ต่อไปเพื่อให้บางส่วนของพวกเขาอาจจะถูกแปลงให้มากขึ้นผู้ใช้ปกติ สำหรับการใช้ทรัพยากรรูป 5 แสดงปริมาณการใช้งานของเราเตอร์และอำเภอต่างๆในสีที่ช่วยให้หนึ่งได้อย่างรวดเร็วตระหนักดีว่าเราเตอร์# 20 มีการใช้ประโยชน์สูงสุด# 12 มาในครั้งที่สองและตามด้วยเครื่องหมาย# 13 & # 18 และส่วนที่เหลือ ในแง่ของอำเภอ Daliao เมืองมีการใช้เครือข่ายที่สูงที่สุดในเกาสงเขตและตามด้วยเมืองฟงชาน, Ciaotou, Gangshan, Hunei และเมืองต้าซู เหล่านี้ใช้งานสูงเขตเป้าหมายการจัดการในปัจจุบันสำหรับการทำความเข้าใจปัจจัยประชากรสังคมของพวกเขาที่รองรับความต้องการของผู้ให้บริการเครือข่ายและโครงการความต้องการในอนาคตของเงินทุนลงทุน. ผลของการประยุกต์ใช้ RFM แก้ไขให้ในตารางที่7 ตารางนี้นำเสนอข้าม การวิเคราะห์ระหว่างลูกค้า'รูปแบบการใช้งานเครือข่ายและลูกค้า' ผลงานที่มีศักยภาพ ห้าช่วงเวลาของ F (ความถี่) และ M (การเงิน) จะได้รับในคอลัมน์ที่สอง; กับF5 เป็นร้อยละความถี่ของน้ำหนัก 5 (ตอนแรก20%), M1 เป็นร้อยละของน้ำหนักตัวเงิน 1 (20%) . . เป็นต้นปัจจัย R ไม่ได้แสดงให้เห็นในตารางเพราะผู้เชี่ยวชาญISP คิดว่ามันไม่เกี่ยวข้องในการนี้โดยเฉพาะกรณีที่ คอลัมน์ที่สามของตารางนำเสนอข้อเสนอแนะกลยุทธ์การตลาดสำหรับแต่ละกลุ่มการตลาดโดยบุคลากรที่ได้รับการตรวจสอบทั้งF และ M ค่า สำหรับแต่ละเก้ากลุ่มคำแนะนำของพวกเขากลยุทธ์ประกอบด้วยของ'' การตลาดที่ใช้งาน '', '' ดูแลลูกค้า '' หรือ '' อื่น ๆ ''. '' การตลาดใช้งาน '' หมายถึงการพัฒนามูลค่าเพิ่มผลิตภัณฑ์และก้าวร้าวโปรโมชั่น '' ดูแลลูกค้า '' หมายถึงรูปแบบการให้บริการที่เหมาะสมเพื่อให้ตรงกับลูกค้า 'ความต้องการและ' 'อื่น ๆ ' 'อย่างแท้จริงบ่งชี้ในการบริหารจัดการที่กลยุทธ์ที่เกี่ยวข้องยังคงที่จะค้นพบ ร้อยละแนบกับแต่ละกลยุทธ์แสดงให้เห็นถึงความสำคัญในการที่กลุ่มโดยเฉพาะอย่างยิ่ง ตัวอย่างบางส่วนของการค้นพบที่สำคัญจะนำเสนอที่นี่ กลุ่มที่สามที่ใช้งานหนักโดยรวมกลุ่มเป็นลักษณะ F5 100% และ 100% M1 และมันหมายความว่าลูกค้าในกลุ่มนี้เป็นผู้ใช้หนัก. แต่ผลงานของพวกเขาทางการเงินที่ค่อนข้างต่ำนี้เป็นความประหลาดใจใหญ่สำหรับการจัดการ ดังนั้น 100% '' การตลาดที่ใช้งาน '' เป็นข้อเสนอแนะในการทำตลาดให้กับพวกเขาที่สูงกว่าค่าบริการ ในทางตรงกันข้ามกับลูกค้าในภาพรวมกลุ่มการใช้งานแสงกลุ่ม 7 โดดเด่นด้วยคุณค่าของประเภทบ่อยน้อย F1, F2, F3 และประเภท M สูง F5 และ F4 ซึ่งบ่งชี้ว่าแม้ว่าพวกเขาจะดีร่วมสมทบเงินที่พวกเขากระนั้นไม่บ่อยมากผู้ใช้ สำหรับลูกค้ากลุ่มนี้ '' การตลาดที่ใช้งาน '' ไม่เป็นปัญหาแทนส่วนเล็ก ๆ ของพวกเขาต้อง'' ดูแลลูกค้า '' และที่เหลืออีก 90% อยู่ในหมวดหมู่'' อื่น ๆ '' ซึ่งบ่งชี้ว่าต่อไป การตรวจสอบเป็นสิ่งจำเป็นที่จะหากลยุทธ์ใหม่ที่สามารถแปลงให้กับผู้ใช้งานบ่อย ตัวอย่างที่แตกต่างจากอีกสองกลุ่มการใช้งานขนาดกลางเที่ยงคืนกลุ่มที่ 1 ซึ่งเป็นลักษณะตามประเภท F สูง F5 12.5%, 87.5% F4 และประเภท M ต่ำ 50% M1 25% M2 และ25% M3 จึง ข้อเสนอแนะที่มี 75% การตลาดที่ใช้งานและการดูแล25% ของความต้องการของลูกค้า. 4.6 เผยแพร่ในระยะนี้หลังจากการเข้าสู่การพิจารณาในปัจจุบันโครงสร้างการตัดสินใจของบริษัท ที่เรารู้สึกอย่างมากว่าการพัฒนาของระบบBI สนับสนุนการตัดสินใจสามารถที่ดีกว่าให้บรรลุวัตถุประสงค์ของการแบ่งปันและปัญญาimbedding ค้นพบในขั้นตอนก่อนหน้า; เพราะความจริงที่ว่าบุคลากรการบริหารจัดการส่วนใหญ่ไม่คุ้นเคยกับวิธีการBI ปัญหาหนึ่งที่สำคัญของการประสบความสำเร็จในการออกแบบระบบดังกล่าวเป็นการบูรณาการที่ไร้รอยต่อของส่วนประกอบของระบบที่มีข้อมูลและหน่วยสืบราชการลับ

ผลลัพธ์ (ไทย) 3:

4.4.2 พฤติกรรมลูกค้าเหมืองแร่
เราอ้างถึงพฤติกรรมลูกค้าแบบสร้างด้วย
บันทึกบทสนทนา รายละเอียดในอุตสาหกรรมโทรคมนาคม
( เบอร์& linoff , 2000 ; Li et al . , 2006 ) และการใช้ข้อมูลเครือข่ายการไหลเป็นแบบใส่

เพื่อสร้างพฤติกรรมการใช้เครือข่ายเพื่อการศึกษา รูปที่ 3 แสดงถึงรูปแบบการใช้
ของผู้ใช้ รูปนี้พัฒนาขึ้นโดยใช้
แนวคิดลำดับชั้นเรียนของอาโออิ ( คุณสมบัติเชิง
induction ) ( Han et al . , 1992 ; Li et al . , 2006 ) ซึ่งสร้าง
แนวคิดลำดับชั้นของเวลาของแอตทริบิวต์ที่ประกอบด้วย
5 นาที , ชั่วโมง , วัน , และข้อมูลรายสัปดาห์ ค่าในแต่ละเซลล์แทน
นับเครือข่ายการไหลเกิน 1 % ค่าอัตราการไหล มูลค่าสูงสุดสำหรับเซลล์ 84 กว่า