ANÁLISIS DE SERVICIOS DE RED precios de las telecomunicaciones

Con los métodos de minería de datos

Jongsawas Chongwatpol †, NIDA Business School, Instituto Nacional de Desarrollo

Administración, Tailandia e-mail:
jongsawas.c@ics.nida.ac.th

RESUMEN

La investigación en el desarrollo de mecanismos de fijación de precios para los proveedores de servicios de

telecomunicaciones ha estado ocurriendo por décadas. Muchas agencias han adoptado varios planes de precios a
cobrar a sus suscriptores. Sin embargo, debido a los cambios en el entorno económico y de infraestructura
tecnológica, la pérdida de abonados es uno de los temas importantes en la actualidad y estos organismos tienen que
ajustar sus mecanismos de fijación de precios para mejorar la retención, para recuperar el costo de las operaciones, y
para maximizar la rentabilidad. En la práctica, los mecanismos de fijación de precios actuales no reflejan los cambios
en los comportamientos de abonado. Este estudio pretende llenar este vacío y examina cómo las técnicas de minería
de datos pueden ayudar en la toma de decisiones sobre los precios de las telecomunicaciones. Por consiguiente,

Un estudio en profundidad de una agencia de servicios de telecomunicaciones estatales, OneNet - una división de los Regentes del
Estado de Oklahoma para la Educación Superior, se lleva a cabo. OneNet opera como un fondo de enterprisetype que
proporcionan rentable, igualado el acceso a los servicios de red y de telecomunicaciones avanzados a entidades educativas, y
cuidado de la salud gubernamental. OneNet debe recuperar sus costos a través de la facturación de sus abonados y justificando
créditos directamente de las legislaturas de los estados.

Nuestros experimentos se basan en una base de datos de 5.000 suscriptores internos de Estados Unidos. Muchas técnicas de minería de datos,
tales como modelo por pasos de regresión, árbol de decisión, y la red neural artificial (ANN) se utilizan para analizar conjuntos de datos con
múltiples variables de predicción, que incluyen tanto los factores relacionados con la red y fuera de la red. Nuestros resultados preliminares
muestran que los tipos de circuitos, cuotas de afiliación, el mantenimiento y los costos de reparación de equipos relacionados con la red, y las
ubicaciones de concentrador son los factores clave que categorizan los suscriptores de OneNet en cuatro grupos. mecanismos de fijación de
precios para cada grupo se desarrollan por separado en función de las características de factores clave identificados. Aunque presentamos esta
investigación en el contexto de OneNet, es igualmente aplicable a otros proveedores de servicios de telecomunicaciones.

Palabras clave: Minería de datos, precios, Telecomunicaciones, Redes neuronales artificiales Árbol de decisiones

S1-26
 INTRODUCCIÓN

La investigación en el desarrollo de mecanismos de fijación de precios para los proveedores de servicios de telecomunicaciones ha estado
ocurriendo por décadas. Muchas agencias han adoptado varios planes de precios a cobrar a sus suscriptores. Sin embargo, debido a los
cambios en el entorno económico y de infraestructura tecnológica, la pérdida de abonados es uno de los temas importantes en la actualidad
y estos organismos tienen que ajustar sus mecanismos de fijación de precios para mejorar la retención, para recuperar el costo de las
operaciones, y para maximizar la rentabilidad.

En la práctica, los mecanismos de fijación de precios actuales no reflejan los cambios en los comportamientos de abonado. Este estudio pretende
llenar este vacío y examina cómo las técnicas de minería de datos pueden ayudar en la toma de decisiones sobre los precios de las
telecomunicaciones. En consecuencia, cualquier proveedor de servicios de telecomunicaciones pueden evaluar su estrategia de precios con
respecto a los objetivos de la organización y las perspectivas de satisfacción del suscriptor.

Un estudio en profundidad de una agencia de servicios de telecomunicaciones estatales, OneNet - una división de los
Regentes del Estado de Oklahoma para la Educación Superior, se lleva a cabo. Seguimos el modelo de CRISP-DM, que es
Cross Process estándar de la industria para la minería de datos. modelo CRISP-DM se utiliza como una metodología y un
proceso de modelo de minería de datos completa para la realización de este estudio minería de datos por romper este
proyecto de minería de datos en seis fases: la comprensión del negocio, la comprensión de datos, preparación de datos,
modelado, evaluación y desarrollo. Este estudio está organizado de la siguiente manera. En primer lugar, la investigación
relacionada con la fijación de precios en las redes de telecomunicaciones se revisan brevemente en la Sección 2. En la
sección 3, tomamos un estudio de caso de OneNet, que está considerando la integración de enfoque de minería de datos para
ayudar a la toma de decisiones de fijación de precios. Nuestra metodología de investigación se discute a continuación, en la
sección 4.

REVISIÓN BIBLIOGRÁFICA Breve

Se han propuesto muchos esquemas de precios para fijar el precio de redes de telecomunicaciones. Estos esquemas de precios se pueden
clasificar en tres categorías principales: la fijación de precios basada en los costos, fijación de precios para servicios de mejor esfuerzo, y la fijación
de precios con calidad de servicio (QoS).

precios basados ​en los costos se refiere a los precios que están directamente relacionados con los costos. Algunos de los modelos de
precios basados ​en los costos que se han propuesto incluir precios costes totalmente distribuidos (FDC), la fijación de precios de Ramsey, y
tarifa plana. FDC fijación de precios se utiliza violentamente, ya que asigna los costos comunes y compartidos total de esa agencia incurre
mientras que proporciona los servicios a los clientes (Courcoubetis y Weber, 2003). La tarificación de Ramsey es un esquema de precios
lineal que se puede utilizar para maximizar el bienestar social y minimizar la mala asignación económica bajo la restricción de la recuperación
de costes. precios de Ramsey son sostenibles cuando los proveedores de servicios cobran diferentes precios a diferentes grupos de clientes
(Berg, 1998). tarifa plana es otra estructura de precios muy conocida y utilizada por los proveedores de servicios. Un cliente paga una
cantidad fija para un servicio en el momento del contrato se adquiere con independencia del uso real. Los clientes pagan el costo promedio
de otros clientes en el mismo grupo de clientes (Courcoubetis y Weber, 2003).

S1-27
“Mejor esfuerzo” se refiere a un servicio de red que trata a todos los tipos de tráfico con indiferencia sin ninguna garantía de entrega y con la
posibilidad de pérdida de tráfico (Shin et al., 2006). se emplea mejor esquema de precios esfuerzo para superar los problemas de equidad a los
clientes y la utilización de recursos en el caso de la fijación de precios basada en los costes cuando algunos clientes tienden a abusar de los
recursos y por lo tanto es llevada en la penalización de los consumidores de luz en comparación con el pesado. fijación de precios (Li y Wang,
2005, Mackie-Mason y Varian, 1995) basada en el uso es uno de los esquemas de precios primero de mejor esfuerzo introducidas a cobrar a los
clientes por lo que realmente consumen. Este esquema de precios se puede utilizar para asignar clases de servicio para diferentes usos, para
priorizar el uso de un recurso congestionada por lo que los clientes que valoran el acceso de los más tendrán la más alta prioridad, y para recuperar
los costos de la prestación de servicios. descuento congestión (Keon y Anandalingam, 2005) se refiere a un método de fijación de precios mediante
descuentos en los precios como incentivo para desplazar la demanda de congestión a los períodos sin congestión en los sistemas de
telecomunicaciones. Carga de contratos flexibles (Courcoubetis y Weber, 2003) puede beneficiar tanto a los proveedores de servicios y clientes.
Los clientes pueden variar la cantidad de ancho de banda mediante el cambio de su contrato sin la necesidad de predecir y reservar máximos
requisitos de recursos, mientras que los proveedores de servicios pueden ofrecer más servicios a los clientes, con o sin la necesidad de reservar
los recursos. Carga de contratos flexibles (Courcoubetis y Weber, 2003) puede beneficiar tanto a los proveedores de servicios y clientes. Los
clientes pueden variar la cantidad de ancho de banda mediante el cambio de su contrato sin la necesidad de predecir y reservar máximos requisitos
de recursos, mientras que los proveedores de servicios pueden ofrecer más servicios a los clientes, con o sin la necesidad de reservar los recursos.
Carga de contratos flexibles (Courcoubetis y Weber, 2003) puede beneficiar tanto a los proveedores de servicios y clientes. Los clientes pueden variar la cantidad de anc

Por último, la calidad de servicio (QoS) se refiere a las redes que son capaces de proporcionar un mejor servicio a tráfico de red seleccionado sobre
diversas tecnologías, proporcionando diferentes prioridades a los distintos usuarios o flujos de datos, asegurando que no haya pérdida de tráfico, y
proporcionar garantías de entrega oportuna (Shin et al .,
2006, Guerrero Ibáñez et al., 2010, Keon y Anandalingam, 2005). la fijación de precios de QoS implica mejoras
tecnológicas como de servicios integrados (IntServ), Protocolo de reserva de recursos (RSVP), Multi-Protocol Label
Switching (MPLS), y servicios diferenciados (DiffServ) arquitecturas (Shin et al., 2006). Por lo tanto, los esquemas de
precios de QoS introducidas en la literatura están relacionados con estos temas de arquitectura de red. Por ejemplo,
Karsten et al. (1998) han propuesto un modelo de carga integrado en la arquitectura de RSVP para una red de servicios
integrados. Fankhauser et al. (1998) incluyó la carga y la contabilidad en la red IntServ RSVP. Además, Bouras y Sevasti
(2005) presentaron un modelo para el procedimiento de provisión de servicios para el despliegue de los acuerdos de nivel
de servicio basada en DiffServ (SLA) de una manera bilateral.

Esta breve revisión de la literatura de los sistemas de tarificación de servicios de red no pretende ser exhaustiva, pero ilustra el gran
número de opciones disponibles para los proveedores de servicios de Internet para seleccionar e implementar modelos de precios. Sin
embargo, estos esquemas de precios no reflejan los cambios en el comportamiento de los clientes, se cambia de un mecanismo de
fijación de precios a otro. Además, hay muchos factores potencialmente importantes, tanto en relación con las variables de red y fuera de
la red que son abandonados en la decisión de fijación de precios. Este estudio ofrece una amplia gama de variables de decisión en base
a la evaluación de precios, aunque el enfoque de minería de datos. En consecuencia, estas variables pueden ser incluidos en los
esquemas de precios actuales.

S1-28
Ejemplo de caso

OneNet, una división de los Regentes del Estado de Oklahoma para la Educación Superior, opera como un fondo de tipo empresarial
que proporciona rentable, igualado el acceso a los servicios de red y de telecomunicaciones avanzados a entidades educativas,
gubernamentales y de cuidado de la salud. OneNet debe recuperar sus costos a través de la facturación de sus abonados y justificando
créditos directamente de las legislaturas de los estados. Los principales clientes son atendidos por OneNet K-12, colegios y
universidades, centros tecnológicos carrera, los tribunales, bibliotecas, agencias estatales y federales, y los hospitales y clínicas. OneNet
estableció una estructura de tarifas de precios basada en los costes, centrándose en la asignación de los costos de atender diferentes
tipos de clientes y de diferentes ofertas de ancho de banda. La Tabla 1 presenta la tasa actual de OneNet con cargo a sus clientes con
varios cargos de nivel basados ​en ancho de banda.

Tabla 1: Tasa actual

No Nombre mbps Tarifa

1 SUD 0 $ 22.00
2 56K 0,056 $ 263.00
3 T1 1.5 $ 514.00
4 T1-OH 1.5 $ 514.00
5 Ethernet 10 $ 1,300.00
6 DS3 44.736 $ 3,510.00
7 Fast Ethernet 100 $ 2,300.00
8 OC-3 155 * ICB
9 OC-12 622 * ICB
10 Gigabit Ethernet 1000 * ICB
* ICB: caso por caso

El OneNet tasas actualmente cobra por sus servicios son bastante sencillos, siguiendo un sencillo modelo de precios basado en los
costos promedios de que todos los componentes de los costos para todos los clientes a una velocidad de ancho de banda determinado.
Sin embargo, los rápidos cambios en el entorno económico, la utilización del cliente, y las tecnologías han aumentado las presiones
sobre la infraestructura de la red, las políticas de conexión de cliente, y el presupuesto operativo, planteando la cuestión de si las tasas
actuales son adecuados para recuperar sus costos de operación. Otro problema es que esa tasa actual no reflejo de los cambios en i) el
apoyo financiero, como las asignaciones estatales, el servicio universal Estado, y la financiación privada, ii) los presupuestos de
funcionamiento, o iii) la red de infra-estructura. Por ejemplo, si se corta el apoyo financiero, los ingresos generados por estas tasas fijas
no cubrirá el costo de las operaciones de OneNet. Además, la estructura de tipos actual no refleja los cambios en E-Rate, los fondos del
Fondo de Servicio Universal para ayudar a escuelas K-12 en la obtención de telecomunicaciones asequibles y acceso a Internet.
Además, otros factores como los altos costos de las nuevas inversiones en tecnología y mejoras, los costos de prestación de servicios
de valor añadido adicionales, o el costo asociado con nuevas ofertas de banda ancha generan la necesidad de volver a evaluar si las
tasas de OneNet recuperan sus costos de operación.

S1-29
 METODOLOGÍA

En este estudio, se sigue el modelo CRISP-DM, un método de extracción de datos popular como un programa completo para este estudio
(Shearer, 2000). Después de comprender el dominio de los servicios de red de telecomunicaciones de fijación de precios y el desarrollo de
los objetivos de lograr la decisión de precios, aunque el enfoque de minería de datos, comenzamos nuestro análisis mediante la comprensión
de la fuente de datos correspondiente, el acceso a la calidad de datos, y el descubrimiento de primera visión de los datos. El siguiente paso
es hacia preprocesamiento de datos de los datos brutos iniciales al último conjunto de datos, listas para el desarrollo del modelo. Este paso
de preprocesamiento toma alrededor de 90% del tiempo de limpiar, transformar, construir y dar formato a los datos pertinentes. A
continuación, aplicamos técnicas de minería de datos analíticos para entender y predecir las tasas cobradas a los clientes de OneNet.
También tenemos que evaluar y valorar la validez y la utilidad de los modelos predictivos desarrollados antes de desplegar los resultados de
minería de datos en el dominio como se indica en los objetivos del estudio. La Figura 1 presenta el marco general CRISP-DM de este
estudio.

La primera parte de este estudio es utilizar el enfoque de minería de datos para comprender los factores importantes que los clientes
cambien de OneNet a otros proveedores de servicios de Internet. La segunda parte de este estudio se centra en la determinación del modelo
de precios adecuados para cada grupo de clientes basado en el perfil de segmentación de clientes.

Nuestros experimentos se basan en una base de datos de 5.000 suscriptores internos de Estados Unidos en la que actualmente
3.708 clientes suscritos a la red de OneNet y 1.292 clientes se consideran la pérdida de abonados. Una lista completa de
variables obtenidas, que incluyen variables de red no relacionados con la red y, se da. Estas variables, por ejemplo, incluyen

- ID del sitio, el tipo de la organización, circuito de velocidad, ubicación de la empresa, tipo de equipo, regirá el apoyo de la financiación, el
apoyo financiero privado, el costo del circuito, el coste del equipo, costos administrativos, gastos de alquiler, los gastos de
mantenimiento de equipos, servicio de información, las suscripciones de bases de datos de la biblioteca, las cuotas de afiliación , fibra
de costos de reubicación, y el pago dentro de la agencia.

Preparación de datos

El siguiente paso en este análisis es examinar la calidad de los datos. Con el fin de identificar si existen inconsistencias, errores, o los
valores extremos en el conjunto de datos, la distribución de frecuencias, las estadísticas descriptivas y análisis de tabla de referencias
cruzadas se llevan a cabo. A continuación, evaluar si los datos están completos o tiene valores que faltan y cuáles son las variables que
se incluirán en el modelo. Desde incluyendo dichas variables con valores de alto que faltan en el modelo o incluso la aplicación del
método de imputación valor faltante puede disminuir la calidad de nuestros resultados, hacemos una suposición de que el modelo
excluye variables con información de más de un 50% faltante; ver metodología similar del parque y Edington (2001).

CS1-30
Figura 1: El marco general CRISP-DM

S1-31
La predicción del modelo

Muchas técnicas de minería de datos, tales como el modelo de regresión logística, árbol de decisiones, y la red neuronal artificial (ANN) se
utilizan para analizar conjuntos de datos con múltiples variables de predicción, que incluyen tanto factores relacionados con la red y fuera de
la red.
- La regresión logística se utiliza a menudo para predecir una variable de resultado que es variables dependientes
binarias o multiclase. Permite la predicción de las variables discretas (variables dependientes) por una mezcla de
predictores continuos y discretos como la relación entre variables dependientes y variables independientes no es lineal.
Se construye el modelo para predecir la probabilidad de su ocurrencia en lugar de evento estimación puntual en el
modelo de regresión lineal tradicional.

- árbol de decisión es otro método de clasificación y predicción de datos utilizada por sus características explainability
intuitivos. árbol de decisión divide el conjunto de datos en múltiples grupos, mediante la evaluación de datos individual,
que puede ser descrito por sus atributos. También es simple y fácil de visualizar el proceso de clasificación, donde los
predicados devuelven valores discretos y pueden ser explicados por una serie de instrucciones anidadas if-then-else.

- Redes Neuronales Artificiales (ANN) es un modelo matemático y computacional para el reconocimiento de patrones y
clasificación de datos a través de un proceso de aprendizaje. Se trata de una técnica analítica de inspiración biológica, la
simulación de sistemas biológicos, donde algoritmo de aprendizaje indica cómo el aprendizaje se lleva a cabo e implica ajustes
en las conexiones sinápticas entre neuronas. La entrada de datos puede ser discreta o de valor real; Mientras tanto, la salida
es en una forma de vector de valores y puede ser discreta o de valor real también.

Para un resumen técnico que incluye tanto el algoritmo y sus aplicaciones ver Jackson, 2002, Turban et al., 2011, y Shearer,
2000)

RESULTADOS PRELIMINARES

After excluding variables with outliers and high missing values, we first develop predictive models on the original
sample dataset, which is composed of 2,400 records (1,200 existing customers and 1,200 losses of subscribers). The
binary variable of OneNet’s clients (Target = 1 for the loss of subscribers and Outcome = 0 for existing customers) is
the output variable of the prediction models. After recoding all categorical input variables, the selected variables are
tested whether the association between the input variables and the logit of binary target variable satisfy the linearity
assumption. The problematic variables are then transformed to satisfy such assumption. Different models are
constructed and compared in order to predict the loss of subscribers. Both training and testing datasets do not differ
significantly for any of the variables studied. Training dataset is only used to extract models by the data mining
algorithms. Then, those models derived in the training data set are then applied on the testing dataset for the correct
discovery of intrusions. In other words, this testing dataset is used to prune the models generated by the data mining
process in the training dataset to avoid overfitting and instabilities in the classification accuracy. Statistical analyses
are performed using SAS Enterprise Guide 4.3 for data preparation and SAS Enterprise Miner 7.1 for model
development and comparison.

S1-32
We use three different criteria to select the best model on the testing dataset. These criteria include false negative,
prediction accuracy, and misclassification rate. False negative (Target = 1 and Outcome = 0) represents the case of an
error in the model prediction where model results indicate that hip fracture occurrence is not present, when in reality,
there is an incident. The false negative value should be as low as possible. The proportion of cases misclassified is
very common in the predictive modeling. However, the observed misclassification rate should be also relatively low for
model justification. Lastly, prediction accuracy is evaluated among the three models on the testing dataset. The higher
the prediction accuracy rate, the better the model to be selected. The details of performance measures are outlined as
follows:

- True Negative (TN): the number of subscribers who are predicted to stay with OneNet and actually are
staying with OneNet.
- True Positive (TP): the number of subscribers who are predicted to leave OneNet and actually were moved to
other service providers.
- False Negative (FN): the number of subscribers who are predicted to stay with OneNet but actually were
moved to other service providers.
- False Positive (FP): the number of subscribers who are predicted to leave OneNet but actually are staying
with OneNet.

Figure 2 presents the classification table and the prediction results of the logistic regression, neural networks, and
decision trees model. Neural network model produces the best results with overall misclassification rate of 8.69%,
followed by the decision trees and logistic regression with misclassification rates of 9.29% and 9.46%, respectively.
Neural Network model also has the lowest false negative rate of 8.59% and decision tree model comes out as the
runner up with false negative rate of 9.19%. Thus, we select the neural network model as our final model to predict the
loss of subscribers.

S1-33
Our preliminary results show that types of circuits, circuit costs, government funding support, and hub locations are the
key factors that lead to the loss of subscriber to OneNet.

Figure 2: Prediction Results and Model Comparison on the Testing Dataset

After understanding the causes of loss of subscribers, the next step is to determine the pricing mechanism so that
OneNet can use in charging its clients appropriately. We first segment all
3,708 customers into sub-groups that share similar characteristics. The k- Means Algorithm is deployed in the
clustering process. See Collica 2011, for the details on customer segmentation and clustering using SAS enterprise
miner. Table 2 presents the group segmentation after applying the k- Means algorithm. Our preliminary results show
that types of circuits, membership

S1-34
fees, maintenance and repair costs of network-related equipment, and hub locations are the key factors that categorize
OneNet’s subscribers into four groups.

Table 2: Group Segmentation Based on the k-Means Algorithm

No. of Non-Network Related

Group Customers Network-Related Expenses Expenses
1 851 $3,546,351 $1,018,761
2 501 $2,159,231 $1,387,550
3 435 $4,012,964 $1,021,625
4 67 $569,763 $289,023
1,854 $10,288,309 $3,716,959

Linear regression-based pricing is developed for each group. As a non-profit organization, the primary goal is cost recovery;
therefore, the values of dependent variables for calibrating models are from the actual cost allocated to individual clients, defined
as Rate (R i) where “ i ”Se refiere a los miembros del grupo. En este análisis, dividimos los datos al azar en dos grupos (de
estimación y validación de datos), construir el modelo de regresión de los datos de estimación, aplicar este modelo de regresión
de los datos de validación, y luego comparar las estimaciones en forma y regresión predictiva entre la muestra de estimación de
datos y de la muestra de validación de datos. También realizamos regresión paso a paso sobre estas variables independientes
para simplificar el modelo y determinar qué variables están entre la mayor correlación con las variables dependientes.

La siguiente ecuación representa un ejemplo de la tasa de cargo a sus clientes en el grupo # 1, donde B yo se refiere a la suscripción de

ancho de banda de la línea de base, L yo se refiere a los costes de última milla, y C yo

se refiere al costo canalizado.

1= 804,06 + 1,8 (B yo) - 1,08609 ( ) + 1,853 (C yo) -------- - (1)

Las variables independientes asociadas se variaron entre los grupos. Sin embargo, una estructura de tasas de regresión no lineal
también puede ser apropiada para determinar las tarifas aplicadas a los clientes individuales. Por ejemplo, la ecuación # 2 representa la
tarifa cobrada al grupo miembro # 2.

2=- 35,90 + 875 (B i0.56) -------- - (2)

La tasa derivada de la regresión no lineal se basa en la variación directa en las suscripciones de ancho de banda. Cuanto mayor sea el
ancho de banda de los clientes se suscriben a, mayor es la tasa que se cobra a los clientes. Por el contrario, las tarifas resultantes de la
regresión lineal no sólo varían dependiendo principalmente de la última milla, sino también de la variación directa de la suscripción de
ancho de banda y la variación inversa del grupo de clientes.

S1-35
 DISCUSIÓN Y CONCLUSIÓN

With data mining approach, OneNet is able to understand the nature of its customers who switch to other carriers as
they can provide the same services with the same or even lower rates. First, the preliminary results show that types of
circuits, circuit costs, government funding support, and hub locations are the key factors that lead to the loss of
subscriber to OneNet. OneNet can utilize this information to determine what incentives can be adjusted and offered to
its clients to improve retention and, meanwhile, recover its cost of operations. For instance, since government funding
is one of the key reasons of the loss of subscriber, the current rate charged to its customers should reflect the
changes in funding support such as E-Rate, funds from the Universal Service Fund to assist K-12 schools in obtaining
affordable telecommunications and internet access.

Secondly, we segment the customers into 4 groups based on customers’ characteristics such as types of circuits,
membership fees, maintenance and repair costs of network-related equipment, and hub locations. We then develop
pricing model that is suitable for each group members. Consequently, OneNet can decrease the perception of
unfairness to individual customers who tend to overuse the resources compared to other members in different groups.
Linear and nonlinear regression models are example of rates charged to customers in groups #1 and 2, respectively.

Tenga en cuenta que presentamos este estudio como un estudio piloto para determinar si los datos apropiado está disponible, para
entender la exploración de enfoques de minería de datos, y para desarrollar modelos iniciales para determinar qué factores influyen en la
decisión de precios. Con sólo 3.708 registros de datos de una organización, nuestros resultados son todavía limitados y el modelo y el
modelo parece no ser generalizables. De este modo, el documento final incluirá resultados de los modelos predictivos con tamaños de
muestra más grandes y diferentes organizaciones por lo que el hallazgo puede ser aplicable a otros proveedores de servicios de
telecomunicaciones.

REFERENCIA

1. Berg, SV (1998). Fundamentos de diseño de tarifas: Principios de tarificación y la auto-selección de dos piezas
aranceles. Trabajo presentado en la Competición de Austrai and Consumer Commission, Melbourne, Australia.

2. Bouras, C., y Sevasti, A. (2005). acuerdos de nivel de servicio para los servicios basados ​en DiffServ
aprovisionamiento. Diario de Red y Aplicaciones Informáticas, 28 (4), 285-302.
3. Collica, R (2011). La segmentación de clientes y Clustering Utilizando SAS Enterprise Miner,
Segunda edicion. Cary, NC: SAS Institute Inc.
4. Courcoubetis, C., y Weber, R. (2003). Redes de comunicación: la fijación de precios
Economía, Tecnología y Modelización. Hoboken, NJ: John Wiley & Sons Inc.
5. Fankhauser, G., Stiller, B., Christoph, V., y Plattner, B. (1998). La carga basada en la reserva
En una red de servicios integrados. Trabajo presentado en el 4º INFORMS
Conferencia de telecomunicaciones, Boca Raton, FL,

S1-36
6. Guerrero-Ibanez, A., Contreras-Castillo, J., Barba, A., & Reyes, A. (2010). A-basados ​QoS
enfoque de fijación dinámica de precios para el aprovisionamiento de servicios en redes de acceso inalámbricas heterogéneas.
Penetrante y Computación Móvil, 7 (5), 569-583.
7. Jackson, J. (2002), la minería de datos: una visión general conceptual. Comunicaciones de la Asociación de Sistemas de
Información, 8: pág. 267-296.
8. Karsten, M., Schmitt, J., Wolf, L., y Steinmetz, R. Un enfoque de carga embebido para
RSVP. En calidad de servicio, 1998. (IWQoS 98) 1998 Sexto Taller Internacional sobre, 1998 (pp. 91-100)

9. Keon, N., y Anandalingam, G. (2005). Un nuevo modelo de precios para la competencia

servicios de telecomunicaciones que utilizan precios de congestión. INFORMA Journal on Computing, 17 (2), 248.

10. Li, KF, y Wang, J. (2005). Un Multi-Objetivo modelo de precios de Internet. NWeSP.
11. Mackie-Mason, JK, y Varian, HR (1995). Algunas preguntas frecuentes sobre la fijación de precios basada en el uso.
Redes de Computadores y Sistemas ISDN, 28 (1-2), 257-265.
12. Park, J. y DW Edington (2001), un modelo de red neural secuencial para diabetes
predicción. Inteligencia Artificial en Medicina, 23 (3): p. 277-293.
13. Shearer, C. (2000), el modelo CRISP-DM: el nuevo modelo para minería de datos. Diario de
Almacenamiento de Datos, 5 (4): p. 13-22.
14. Shin, S., F. Cope, RI, F. Cope, R., y Tucci, J., E. (2006). Precio internet: Mejor Esfuerzo
en comparación con la calidad de servicio. Academia de Gestión de Información y Ciencias Journal, 9 (2),
1.
15. Turbante, E., R. Sharda, y D. Delen (2011), apoyo a las decisiones e Inteligencia de Negocios
Systems, Pearson

S1-37