本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：5G用户规模发展是新时代新基建大背景下运营商5G 网络建设的终极目标。传统的通过人工方式进行营销发展存在诸多不足，浪费大量人力物力财力。针对这些缺点，基于运营商O域和B域数据引入梯度提升决策树（GBDT）分类算法，通过学习存量5G用户正负样本在历史网络上产生的出账数据和网络数据建立5G用户分类预测模型，做到精准挖掘5G潜在用户，提升市场营销的命中率。研究结果表明，基于GBDT算法的潜在5G用户预测模型能有效预测5G目标用户，提高5G用户转化率，对5G用户发展起到积极推动作用。
关键词：潜在5G用户预测；机器学习；GBDT 算法；5G用户画像；5G用户营销
doi：10.12045/j.issn.1007-3043.2021.04.010
概述
随着国家5G新基建时代的来临，5G移动用户规模发展带来的高流量高收益成为当下及今后运营商收入的主要来源。运营商移动网络5G用户传统营销方式较为粗放，主要体现在5G用户营销策略和定位不够清晰；5G用户目标缺乏针对性；营销成功与否和5G营销人员的营销水平相关；事前没对用户进行有效的筛选，营销成功率低；已有的传统网络用户迁转到5G过程中形成的历史数据没有得到利用。如何规避上述问题，精准有效地推动传统移动网络用户向5G转化成为业界研究的热点方向。作为电信运营商的优势之一，多年的包含日常运营过程中形成的B域和O域的大数据集可以用来对5G用户进行画像，通过大数据手段充分挖掘这些数据中包含的用户基础信息、用户消费信息、用户上网行为偏好和用户网络感知等能够为5G用户智能营销开辟新的方向的信息。
作为人工智能的重要组成部分，机器学习技术是国家发展战略重点扶持的目标，也是当下各行业关注的焦点。为了推动传统5G用户营销方式的数字化，提升网优专业5G市场支撑智能化水平，有必要对基于机器学习算法的潜在5G用户预测进行研究。
