数据挖掘方法在本地网资产获利能力分析中的应用

doi:10.3969/j.issn.1000-0801.2012.02.003

摘要/Abstract

摘要：

电信行业资产密集的特点决定了其资产的盈利能力在整个生产经营环节的重要性。而本地网是运营商最基本的业务决策单元，因此本地网的资产获利能力分析是运营商财务分析的重要内容之一。传统的资产获利能力分析是通过财务指标比较、趋势来进行，这种分析往往只能发现问题，却不能解决问题。本文聚焦本地网资产获利能力，将数据挖掘方法与财务分析方法相结合，在发现问题的同时，找出问题的原因和解决问题的途径，并通过实际案例说明该方法的应用效果。

关键词: 资产获利能力, 数据挖掘

Abstract:

Generally through ROA we can judge of the assets income in local network.Although this method can find out the operation problems,it can't tell the administrator how to improve.In this paper,the author tries to combine the traditional financial analysis with the DM method to find out the way to improve the assets profitability.With a real case analysis,how to use this model in practice is shown.

Key words: assets profitability, data mining

薛尽飞,何忠江,邓丽华. 数据挖掘方法在本地网资产获利能力分析中的应用[J]. 电信科学, 2012, 28(2): 13-17.

Jinfei Xue,Zhongjiang He,Lihua Deng. Applying DM Method on the Assets Profitability Analysis in Local Network[J]. Telecommunications Science, 2012, 28(2): 13-17.

图/表 3

表1

表2

图1

本地网聚类	EBIT（万元）	固定资产回收指标	应收账款周转率	总资产报酬率	资本性支出收入比
1	242 078.593 7	40.57%	749.40%	15.21%	44.13%
2	27 365.133 05	33.31%	649.98%	8.52%	22.69%
5	13 608.002 84	29.70%	822.91%	6.77%	64.18%
3	10 258.802 44	32.85%	846.31%	5.66%	22.93%
6	1 864.905 852	28.61%	813.32%	2.68%	25.16%
4	1 143.002 984	26.48%	519.19%	1.17%	31.88%
7	-3 293.388 676	25.61%	608.77%	-6.03%	37.13%

年	月	IDC 收入（万元）	一次指数平滑值（FIT_1）	误差（ERR_1）
T	1	1 041.913 898	1 646.792 02	-604.878 12
T	2	1 082.487 697	1 047.962 68	34.525 02
T	3	1 054.639 514	1 082.142 45	-27.502 93
T	4	1 151.351 675	1 054.914 54	96.437 13
T	5	1 245.878 723	1 150.387 3	95.491 42
T	6	1 251.591 787	1 244.923 81	6.667 98
T	7	1 602.773 752	1 251.525 11	351.248 64
T	8	1 556.591 188	1 599.261 27	-42.670 08
T	9	1 537.370 654	1 557.017 89	-19.647 23
T	10	1 578.938 157	1 537.567 13	41.371 03
T	11	1 655.714 206	1 578.524 45	77.189 76
T	12	1 677.331 278	1 654.942 31	22.388 97
T+1	1	1 732.742 716	1 677.107 39	55.635 33
T+1	2	1 783.570 035	1 732.186 36	51.383 67
T+1	3	1 768.073 627	1 783.056 2	-14.982 57
T+1	4	1 857.581 25	1 768.223 45	89.357 8
T+1	5	1 922.534 377	1 856.687 67	65.846 7
T+1	6	1 989.467 645	1 921.875 91	67.591 74
T+1	7	2 115.016 85	1 988.791 73	126.225 12
T+1	8	2 178.412 193	2 113.754 6	64.657 59
T+1	9	2 200.701 634	2 177.765 62	22.936 02
T+1	10	2 244.741 539	2 200.472 27	44.269 27
T+1	11	预测值	2 244.298 85

[1]	胡坚, 孙磊, 尹以雁, 杨晓康, 白金贵, 张叶江. 基于数据挖掘和地理可视化的4G/5G语音质量优化研究[J]. 电信科学, 2022, 38(10): 131-139.
[2]	周晶,孙喜民,于晓昆,边新宁. 知识图谱与数据应用——智能推荐[J]. 电信科学, 2019, 35(8): 165-172.
[3]	陈小峰,赵雅迪,张利鹏,朱峰. 电力潜在敏感客户预测的大数据方法应用[J]. 电信科学, 2019, 35(11): 117-124.
[4]	李卓航. 一种改进的CLTree算法[J]. 电信科学, 2016, 32(8): 124-127.
[5]	王雪琼,熊珺洁,姚晓辉. 基于大数据挖掘的终端换机模型[J]. 电信科学, 2016, 32(12): 43-52.
[6]	王永峰,程新洲,高洁. 大数据架构在企业中的应用[J]. 电信科学, 2015, 31(9): 170-174.
[7]	廖建新. 大数据技术的应用现状与展望[J]. 电信科学, 2015, 31(7): 1-12.
[8]	庞松涛. 基于数据挖掘的电力云资源规划调度[J]. 电信科学, 2015, 31(3): 2015084-.
[9]	庞松涛. 基于数据挖掘的电力云资源规划调度[J]. 电信科学, 2015, 31(3): 142-147.
[10]	张丽敏. 云环境下一种低成本的数据安全存储和处理框架[J]. 电信科学, 2015, 31(2): 46-51.
[11]	杨志敏,吴斌,舒然. 基于大数据处理技术的电力通信网检修工作分析方法[J]. 电信科学, 2015, 31(11): 166-173.
[12]	刘丽娇,陶俊才,肖晓军,卢宇. 电信大规模社交关系网络图数据挖掘研究[J]. 电信科学, 2015, 31(1): 2015035-.
[13]	刘丽娇,陶俊才,肖晓军,卢字. 电信大规模社交关系网络图数据挖掘研究[J]. 电信科学, 2015, 31(1): 23-31.
[14]	苏洋,刘晓军,唐勇,黄洋. 游戏大数据平台研究与实践[J]. 电信科学, 2014, 30(10): 21-26.
[15]	赵云山,刘焕焕. 大数据技术在电力行业的应用研究[J]. 电信科学, 2014, 30(1): 57-62.