проектирование системы для интеллектуального анализа данных интернет-провайдера

Интернет-провайдеры – компании, предоставляющие услуги доступа к всемирной сети Интернет – занимают в последние годы одно из ведущих положений на рынке услуг. Рост числа интернет-пользователей приводит к росту предложения в этой экономической нише и, соответственно, усилению конкуренции между провайдерами.

Многие производители программного обеспечения поддерживают разработки так называемых биллинговых систем, предназначенных для учета и тарификации всего спектра услуг, предоставляемых операторами связи. Как правило, такие системы являются многофункциональными, модульными, с открытым программным кодом, обеспечивающими комплексные возможности в реальном масштабе времени, значительную гибкость и масштабируемость для менеджмента и ускоренного внедрения услуг. Однако в большинстве таких систем не поддерживается использование математических методов для интеллектуального анализа имеющихся данных, что могло бы лучше обосновать принимаемые решения.

Наш интернет-провайдер использует биллинговую систему ABillS, которая предоставляет пользователю сайта следующий набор разделов: «Пакеты», «Поиск», «Новый пользователь», «Наряды», «Статистика», «Касса», «Журналы», «Карты», «Склад», «Справочники», «Online». Каждый раздел, в свою очередь состоит из нескольких подразделов. Так, подраздел «Статистика / Должники» предоставляет информацию по клиентам, имеющим задолженность по оплате – их данные (логин, ФИО, телефон и домашний адрес), сумму задолженности, дату последнего подключения и примечание.

Постановку задачи можно сформулировать следующим образом.

1. Классифицировать пользователей, имеющих задолженность (таблица «Должники») – объединить их в группы для удобства отработки и выдвижения гипотез о причинах возникновения долга.
2. Классифицировать операторов в зависимости от преобладающих в их деятельности типах действий (таблица «Действия оператора») – объединить их в группы для удобства анализа деятельности и выявления предпочтений.

В обоих случаях мы не можем заранее выделить число и характерные признаки каждой группы (класса объектов), поэтому необходимо решать задачу кластеризации. Также мы не можем четко определить число кластеров, поэтому в нашем случае целесообразно использование алгоритма иерархической агломеративной кластеризации [1].

Значимыми полями в таблице должников являются данные о районе, сумме долга и число дней, прошедших со дня последнего подключения. В действиях операторов – данные о времени и содержании действия, однако расчетным фактором во втором случае нужно считать частоту выполнения каждого действия оператора за период времени.

Необходимо разработать собственную программную систему, которая выполняла бы импорт данных из файла существующей информационной системы (html-страницы), обработку (приведение) исходных данных, решение задач кластеризации агломеративным иерархическим методом, представление результатов расчета в понятном и доступном виде.

Проектирование системы выполнялось на языке UML [2]. Возможности системы в виде диаграммы вариантов использования представлены на рис. 1, структура системы в виде диаграммы классов показана на рис. 2.

Рисунок 1 – Диаграмма вариантов использования

Рисунок 2 – Диаграмма классов

Литература

1. Чубукова И.А. Data Mining: Учебное пособие / И.А. Чубукова. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. – 382 с.
2. Мельников А.Ю. Объектно-ориентированный анализ и проектирование информационных систем: Учебное пособие / А.Ю. Мельников. – Краматорск: ДГМА, 2006. – 184 с.

Сведения об авторах:

Мельников Александр Юрьевич, к.т.н., доцент

Лозинская Наталья Александровна