近年来电信的业务是全球经济中增长最快的,同时也是竞争最激烈的。电信如何在众多企业中获得消费者青睐,提高企业的分析能力,提高企业的市场竞争力以及维持市场领导地位,是目前最严峻的考验。 竞争的加剧使得数据仓库作为决策分析支撑的数据平台日益盛行,并在该平台上进行数据挖掘分析的手段也日渐普遍。 本文从阐述数据仓库和数据挖掘的概念出发,介绍了企业数据仓库的构建,并提出了电信系统的企业数据仓库。接着在企业数据仓库的基础上提出了适应于电信行业数据挖掘模块的设计实现,将适合电信行业的数据挖掘模块和企业数据仓库结合起来,满足电信行业的数据挖掘需求。 在对电信行业企业数据仓库进行了深入的研究之后,针对电信行业中常见的客户呼叫模式的关联分析和电信大客户特征的聚类识别,本文提出了基于分区的散列算法(Hash Partition Algorithm)和基于K-means算法的遗传算法。 基于分区的散列算法(Hash Partition Algorithm)充分考虑了电信行业中基于海量数据中的数据挖掘性能,实现了对数据分区的设计,极大地减少了数据库的扫描次数,同时很好地实现了散列技术和分区技术的融合,并给出了算法的具体实现过程和基于企业数据仓库的实验结果。 基于K-means算法的遗传算法实现了适合海量数据挖掘的遗传算法和K-means算法的混合。该算法通过遗传算法,可以显著地降低对数据库的浏览次数,提高算法性能,并能够准确充分地反映大客户的特征,从而实现对大客户特征的聚类。