數(shù)據(jù)挖掘技術(shù)在電信業(yè)針對性系統(tǒng)中應(yīng)用

摘要3摘要3IWithincreasinglyintensecompetitioninmarket,massdatehasbeencreatedinthebusinessenvironment.Alargeamountofinformationexistinginthemassdatewhichlikelytobringenormousbusinessopportunitiesfortheenterprise.Makinggooduseofthesedate,translatingthedateintoinformationhaveabettersupportforenterprisesintheaspectofdecision-making.Forthetelecommunicationsindustry,CustomerRelationshipSystemhaveaccumulatedalargeWithincreasinglyintensecompetitioninmarket,massdatehasbeencreatedinthebusinessenvironment.Alargeamountofinformationexistinginthemassdatewhichlikelytobringenormousbusinessopportunitiesfortheenterprise.Makinggooduseofthesedate,translatingthedateintoinformationhaveabettersupportforenterprisesintheaspectofdecision-making.Forthetelecommunicationsindustry,CustomerRelationshipSystemhaveaccumulatedalargeamountofdatefortheenterprises.However,inthefaceofincreasinglyfiercecompetitioncharges,howtoidentifycustomerrequirementusingthemassdatetoenhancecustomersatisfactionhasbecomethenewproblemforeverytelecomoperation.Inthenatureofthings,dateminingtechnologyhasbecomeaneffectivetoolsatisfaction..Applicationofdateminingtotelecommunicationsmarketingsystemwilla customers,acquisitioncustomerandmaximizationtheFirst,analysisoftargetedmarketingsystem,systematicallystudiedandindepthanalysisoftargetedmarketingsystemofChinaTelecom’sthreemajorfunctionalmodules,includingdatesourcemodules,customermanagementandmodulemanagementmodule,anddetailedinunsupervisedmoduleofthemodelmanagement.Second,putforwardtheconceptofdataminingsystem,thoroughlyanalysisofthefunctionofthedatesystem,putforwardthesupervisedmodule,anddetailedsystematicanalysis algorithm,clusteringalgorithmandassociationrules.Third,combinedwiththeprojectofminingpotentialehomecustomerswhichisparticipatedinthedatemininggroupoftrainingcompany,discussesthedetaileddesignandimplementationofthedateminingsubsystem,establishae8customerresponsemodelcombinedwiththetargetedmarketingsystemoftelecommunicationscompanyinAnhuiProvincetoimprovethesuccessrateofmarketinginitiative.Finally,analysisthesetoftheruleswhichisestablishbythesystem.Pointoutmainresultsoftheresearchmainresultsoftheresearchpapersandtheareasofimprovement,andwealsopointoutdirectionoffurtherstudyofdateminingtechnologyinthetelecommunicationindustryandprospectthedevelopmentofBIproductsinthetelecommunicationsindustry.Keywords:MassDataTargetedmarketingUnsupervisedSupervised1 研究息，如果能把這些信息從大量的數(shù)據(jù)中1 研究息，如果能把這些信息從大量的數(shù)據(jù)中提取出來，就能為人類服務(wù)并能創(chuàng)造價值[1-3]中國電信目前經(jīng)營過程中，已經(jīng)出現(xiàn)了大量客戶流失和業(yè)務(wù)收入下滑的現(xiàn)象[4]及銷售量下滑產(chǎn)生的原因，然后再采取相應(yīng)的措施[5]。這些行為都只是一些事后導(dǎo)致管理層和決策層都不能及時地得到數(shù)據(jù)結(jié)果[6-7]數(shù)據(jù)挖掘正是在這樣信息爆炸的時代下產(chǎn)生并迅速發(fā)展起來的一門技術(shù)[8]的應(yīng)用于醫(yī)學(xué)，電信，管理學(xué)等多門學(xué)科中了[12]1據(jù)挖掘也漸漸成為電信運營商管理決策的重要據(jù)挖掘也漸漸成為電信運營商管理決策的重要手段之一[13] 國內(nèi)據(jù)庫中發(fā)現(xiàn)知識(kowledgeDiseoveryinDatabaseKDD)據(jù)挖掘算法的研究已經(jīng)相對成熟[14-16]。但是數(shù)據(jù)挖掘技術(shù)應(yīng)用于實際商業(yè)領(lǐng)域的品卻很少，直到商務(wù)智能這個概念的提出才從根本上改變這一現(xiàn)狀[17]從技術(shù)實現(xiàn)角度上看，目前商務(wù)智能的核心技術(shù)主要包括數(shù)據(jù)倉庫Warehousing，DW)、聯(lián)機分析處理(OnLineProcessing，OLAP)和數(shù)據(jù)挖(DataMining，DM)等三大技術(shù)。商務(wù)智能產(chǎn)品系統(tǒng)框架[18-20]，如1- BI產(chǎn)品系統(tǒng)框2析處理和數(shù)據(jù)挖掘技術(shù)來完成[21]。數(shù)據(jù)倉庫析處理和數(shù)據(jù)挖掘技術(shù)來完成[21]。數(shù)據(jù)倉庫是商務(wù)智能的基礎(chǔ)，存儲按照商務(wù)報表[22-23]支撐系統(tǒng)（OSS）和電信業(yè)務(wù)經(jīng)營支撐系統(tǒng)（BSS，使之集成更多應(yīng)用。這些系 業(yè)務(wù)支撐系統(tǒng)目前，國內(nèi)一些省級電信分公司已在客戶關(guān)系管理（CRM，網(wǎng)管系統(tǒng)活動統(tǒng)一在該平臺下完成[25] 本文要解決的化為積極主動的營銷模式。主動營銷模式深入人心，受到多家運營商的追捧[25]3BIBIBIBI銷的能力[26-27]。如1-3 數(shù)據(jù)挖掘收益分析圖1-3 中的直線y1=x 表示在應(yīng)用數(shù)據(jù)挖掘數(shù)據(jù)到營銷中后，主動營銷和客戶響應(yīng)比例的比例，從圖中以明顯看出在應(yīng)用數(shù)據(jù)挖掘技術(shù)后，在相同的營銷投入下，客戶響應(yīng)大大提高了[28] 本文452必須建立在對客戶理解的數(shù)據(jù)分析2必須建立在對客戶理解的數(shù)據(jù)分析的基礎(chǔ)上，是一個自我學(xué)習(xí)、自我積累的過程[29] 針對性營銷系 （1）（2）EDMBSS、OSS、MSSETL處EDW（企業(yè)數(shù)據(jù)倉庫）ODS（3）6種指標(biāo)進(jìn)行跟蹤評估，及時了解市場的反應(yīng)[4]2-1種指標(biāo)進(jìn)行跟蹤評估，及時了解市場的反應(yīng)[4]2-1 產(chǎn)品定位針動營銷系統(tǒng)根據(jù)營銷創(chuàng)意,銷系統(tǒng)只對營銷效果進(jìn)行跟蹤評估[20]72-2數(shù)據(jù) 針對性營銷系統(tǒng)流程（1）2-（2）2-2數(shù)據(jù) 針對性營銷系統(tǒng)流程（1）2-（2）（3）群圈定部分，首先選擇需要的數(shù)據(jù)源類型（分析主題8群跟蹤分群管群名單外場活動的準(zhǔn)確性和及時性，讓場活動的準(zhǔn)確性和及時性，讓群名單發(fā)揮出其既有的價值[20] 數(shù)據(jù) 沒有在一個寬表中查詢來的快[30-31]（1）寬表是以客戶標(biāo)識或者用戶標(biāo)識為唯一主鍵，全面反映其基本信息、（2）（3）（4）（5）9 基于對寬表擴展性和重用性這兩個方面的考慮，按照傳統(tǒng)的設(shè)計方式,業(yè)務(wù)主題和分析時間進(jìn)行一對一的物理表方式,（1）雖然業(yè)務(wù)主題不同，但很多主 基于對寬表擴展性和重用性這兩個方面的考慮，按照傳統(tǒng)的設(shè)計方式,業(yè)務(wù)主題和分析時間進(jìn)行一對一的物理表方式,（1）雖然業(yè)務(wù)主題不同，但很多主題所需要分析的特征信息有很多是相同的（2）業(yè)務(wù)主題的多樣性決定了寬表結(jié)構(gòu)的不確定性。比如圈定下個月預(yù)流帶用戶。分析競爭對手業(yè)務(wù)使用情況和分析96688IP（3）通過單一字段存儲方式，部分特征信息不能支撐業(yè)務(wù)需求，對于需要華中科技大學(xué)碩士對應(yīng)客戶類型維表21 Special_Called_no華中科技大學(xué)碩士對應(yīng)客戶類型維表21 Special_Called_nonumber(10) … … Cust_name…虛擬寬 … Cust_name… 模型管理模塊 模型管理模塊 有目的分群流程（1）銷售品中包含超級無繩、時間周期為200707，本地網(wǎng)為成都。（2） 自學(xué)習(xí)模型前臺示例 群管 群模板管理前臺界 群管理模塊前臺頁面圖 本章 本章3個主33 數(shù)據(jù)挖掘子系33 數(shù)據(jù)挖掘子系（1）（2）（5）（5）數(shù)據(jù)準(zhǔn)備階段的目的是創(chuàng)建以客戶標(biāo)識/據(jù)建模方式分為兩類，一類是以客戶標(biāo)識/品類型、客戶類型等；數(shù)值類型比如本月總費品類型、客戶類型等；數(shù)值類型比如本月總費用、本月通話時長等[32]一張寬表，而是多個物理表（也稱寬表片段）ODSETL200706\7\8三個月數(shù)據(jù)做分析。如圖3-2所示。 四川資陽本地網(wǎng)200706\7\8三個月數(shù)據(jù)分析（2）（3）①②③①②③S1S2 目標(biāo)組于對比組擬合程度示3-4數(shù)據(jù)模型應(yīng)用數(shù)據(jù)探索生成環(huán)境數(shù)據(jù)模型系統(tǒng)生成展現(xiàn)生成訓(xùn)練、測試數(shù)據(jù)優(yōu)化后續(xù) 需要系統(tǒng)支查看日志、進(jìn)3-4數(shù)據(jù)模型應(yīng)用數(shù)據(jù)探索生成環(huán)境數(shù)據(jù)模型系統(tǒng)生成展現(xiàn)生成訓(xùn)練、測試數(shù)據(jù)優(yōu)化后續(xù) 需要系統(tǒng)支查看日志、進(jìn)確定構(gòu)造、整合、格式化數(shù)選擇、清洗數(shù)模型模型確定收集數(shù)據(jù)、描述 客戶e8 客戶e8套餐分150元（108元/20元固定電話月租[33]掘其中的潛在e1503-1e898效果。e8套餐可選包如表3-2所示。 e8套餐可選包列 數(shù)據(jù)挖掘子系3-1e898效果。e8套餐可選包如表3-2所示。 e8套餐可選包列 數(shù)據(jù)挖掘子系統(tǒng)應(yīng)用方整合電信行業(yè)數(shù)據(jù)十分有效。主要應(yīng)用領(lǐng)域有如下幾個方面[34-1503050.15元/359680081.684284綠色上網(wǎng)（5e8301575306元/1M180小時+60208355010 本章 本章4 決策樹分類算使得決策樹4 決策樹分類算使得決策樹算法在商務(wù)智能、知識發(fā)現(xiàn)等領(lǐng)域有了前所未有的發(fā)展[36-37]11-2點沒有子節(jié)點，稱其為葉節(jié)點。每個節(jié)點（不包括葉節(jié)點）集的屬性X，將XID3使樣本分類的結(jié)果子樹所需的信息最小[38]A1，A2，A3...的集合，類別屬AFunctionID3(R表示A1，A2，A3...的集合，類別屬AFunctionID3(R表示一個非類別屬性的集合，A代表類別屬性，S是一個訓(xùn)練集ElseR中屬性中具有最大區(qū)分度的屬性賦給D的賦值給EndFunctionC4.5算法4）Gain(S,GainRatio(S,Gain(S,GainRatio(S,A)(4-splitinformation(S,n|i|(|Si2|S|SC4.5（1）屬性的值對數(shù)據(jù)集排序（2）C4.5if- 聚類聚類分析也可以理解為無監(jiān)督分類，與決策樹分類分析（有監(jiān)督分類） k<=n.k個組，同時滿 k<=n.k個組，同時滿2）3） 關(guān)聯(lián) 購物籃分析圖 購物籃分析圖YXYXYXY的支持supportXYsupportXY)supportXY)confidence(XY)support(XY)(4-support(X定義4-2：若supportXYmin定義4-2：若supportXYminsupportconfidenceXYminconfidenceXY為強規(guī)則，否則稱關(guān)聯(lián)規(guī)則XY為弱規(guī)則。XY對應(yīng)XY必定是頻集（2可知XYXYXXYconfidence(XY)support(XY)(4-support(X 關(guān)聯(lián)規(guī)則挖掘的基本模4-3DAlgrithm-2為關(guān)聯(lián)規(guī)則的產(chǎn)生算法，R4-3DAlgrithm-2為關(guān)聯(lián)規(guī)則的產(chǎn)生算法，R為挖掘出的關(guān)聯(lián)規(guī)則集合。用戶通過指定minsupport和minconfidenceAlgrithm-1Algrithm-2R的交互對挖掘 本章5e 5e 模型設(shè)計標(biāo)準(zhǔn)CRISP-CRISP-DM是在1996年末由當(dāng)時處于年輕又不成熟的數(shù)據(jù)挖掘市場的“三劍客了第一個數(shù)據(jù)挖掘平臺-Clementine。NCR也建立了由數(shù)據(jù)挖掘顧問和技術(shù)專家組成CRISP-DMCross-IndustryStandardProcessforDataMining（phase CRISP-DM方法論的四層分解模datemodelingdatemodeling 商業(yè)針對安徽省電信公司銅陵分公司關(guān)于ee8用戶，然后對其施行針對性的營銷，可以幫助e家客戶響應(yīng)規(guī)則集，通過該規(guī)則集來ee家客戶，對針對性營銷提供決策支持；建立的e家客戶響應(yīng)規(guī)則集合理，能夠有效的預(yù)測潛在客戶，在施行針對性營e 數(shù)據(jù) 息如表5-1所示。 后付費賬單中字段對應(yīng)維 數(shù)據(jù) 息如表5-1所示。 后付費賬單中字段對應(yīng)維 （1）通話費字段tb_b_dim_acct_item_typeeCUST_ID（2） （1）通話費字段tb_b_dim_acct_item_typeeCUST_ID（2）（3）用戶性質(zhì)（住宅品結(jié)構(gòu)PRD_STRUCT_ID，產(chǎn)品實例數(shù)量（4）客戶資料詳單表表名：tb_b_ft_cust_200809 （1）（2）Level4_name這一字段來匯總每一用戶的本地話費，而不用考慮長話數(shù)據(jù)再通過圖表方式來觀察其分布狀態(tài)，對于一些特性顯著（過大的數(shù)據(jù)）（3）（4）其次，在探索客戶品牌維表時，希望用brand_id與事實表對應(yīng)字段關(guān)關(guān)聯(lián)查詢數(shù)據(jù)再通過圖表方式來觀察其分布狀態(tài)，對于一些特性顯著（過大的數(shù)據(jù)）（3）（4）其次，在探索客戶品牌維表時，希望用brand_id與事實表對應(yīng)字段關(guān)關(guān)聯(lián)查詢接關(guān)聯(lián)查詢出e8套餐客戶。（5）（6）e8e8e8e8e8客戶的比例以及不同階段之間屬（7） 數(shù)據(jù)挖掘分析屬性 數(shù)據(jù)ee 數(shù)據(jù)挖掘分析屬性 數(shù)據(jù)ee市/鄉(xiāng)村，字段是字符型，費用類都是數(shù)值型，可以將數(shù)值型的缺省數(shù)據(jù)定義為戶占大多數(shù)，e8id 數(shù)據(jù)挖掘建模數(shù)據(jù)源 模型市/鄉(xiāng)村，字段是字符型，費用類都是數(shù)值型，可以將數(shù)值型的缺省數(shù)據(jù)定義為戶占大多數(shù)，e8id 數(shù)據(jù)挖掘建模數(shù)據(jù)源 模型E85-2 C5.05-2 C5.0決策樹模型設(shè)置界（1）（2）（3）輸入：訓(xùn)練數(shù)據(jù)集S(s1，s2，s3，s4.......)，描述屬性集合 csvclementine選擇類型（type）e8_type_id為標(biāo)志，其方向為輸出，cust_id5- 數(shù)據(jù)類型設(shè)要性，即該屬性對判別客戶是否是e8客戶的決定因素的大小。 e家數(shù)據(jù)挖掘數(shù)據(jù)流 模式與變量重要5-6 模式與變量重要5-6 決策樹生成模型圖（branchesbranchesBBD_FEE<=2.440[模式CRING_FEE>0.470[模式CRING_FEE<=2.200[模式CRING_FEE>2.200[模式BBD_FEE<=2.440[模式CRING_FEE>0.470[模式CRING_FEE<=2.200[模式CRING_FEE>2.200[模式 決策樹圖18-7個規(guī)則，括號中表示實例數(shù)和置信度，18e8客戶，規(guī)則1用于18(625；0.997)BBD_FEE>BBD_FEE<=CRING_FEEBBD_FEE>BBD_FEE<=CRING_FEE>CRING_FEE<=則規(guī)則用于0-包含20個規(guī)則，括號中表示實例數(shù)和置信度，0標(biāo)識非e8客戶；規(guī)則1用于 0(25，795;0.999)BBD_FEEURBAN_RURAL_NAME=則e82。70%數(shù)據(jù)作為訓(xùn)練集的，在模型30%數(shù)據(jù)做為模型評估測試所用數(shù)據(jù)，之所以這樣做的是因為既 預(yù)測結(jié)果置信度分析$C-E8_TYPE_ID表示評估后是否選用e8套餐的狀態(tài)，$CC-E8_TYPE_ID代表預(yù)測結(jié)果的置信度大小，即預(yù)測正確性的強度，從圖中可以看到，其置信度基本 本章e6 總e8e86 總e8e8 進(jìn)一際上匯總的寬帶總費用就可以表示這以費用的意義了，不需要在細(xì)分；對于IN_AREA_FEE 前景 前景險預(yù)測、產(chǎn)品產(chǎn)量、質(zhì)量分析、分子生物學(xué)、基因工程研究、Internet網(wǎng)上書店()，會發(fā)現(xiàn)當(dāng)你選中一本書后，會出現(xiàn)相關(guān)的推薦數(shù)目“CustomerswhoboughtthisbookalsoboughtERP致謝致謝PascalPoncelet.FlorentMasseglia.DateMiningPatternsNewMethodsPascalPoncelet.FlorentMasseglia.DateMiningPatternsNewMethodsandApplication.HersheySpringer,2008:341-459A.S.Smmith.BuildlingDataMiningApplicationforCRM,McGraw-HILL,NewYork,2000:132-219DaoLin,ZviM.Kedem.AnewalgorithmfordiscoveringthemaximumfrequentPincer-Search,March,1998:32-楊明.決策樹學(xué)習(xí)與算法ID3的研究.微機發(fā)展2002,12(5):7-張進(jìn)軍.電信CRM中的數(shù)據(jù)挖掘:[碩士學(xué)位論文].長春:吉林大學(xué)圖書館,M.Kamber.DataMining:ConceptsandTechniques,MorganKaufmman,SanFrancisco,2000:332-485C.T.Blaxton.DataMiningSolutions:MethodsandToolsforSolvingReal-WorldProblems.JohnWiley,NewYork,1998:478-523R.L.Kennedy.SolvingDataMiningProblemsthroughPatternRecognition,PrenticeHall,UpperSaddleRiver:NJ,1998:432-450C.VandenBroeck.StatisticalMecbanicsofLearning.CambridgeUniversityPress,Cambridge:UK,2001:372-396H.Mannila,P.Smith,PrinciplesofDataMining,MITPress,Cambridge:MA,2001:王芳,楊奕.論數(shù)據(jù)挖掘技術(shù)在客戶關(guān)系管理中的應(yīng)用.現(xiàn)代商貿(mào)工業(yè),2009(1):23-24羅夢麟.基于電信數(shù)據(jù)挖掘的研究與應(yīng)用:[碩士學(xué)位論文].杭州:浙江工業(yè)大學(xué)圖書館,2004劉耕硯.數(shù)據(jù)挖掘中Apriori算法改進(jìn)及在電信BI上的應(yīng)用:[碩士學(xué)位論文].昆明:昆明理工大學(xué)圖書館,2008H.Motoda,InsuranceSelectionandConstructionforDataMining,Academic,Boston:MA,2001:321-R.Bayardo,R.Agrawal.Miningthemostinterestingrules.In:ProcKDD-99,SanDiego,1999:112-121R.Bayardo,R.Agrawal.Miningthemostinterestingrules.In:ProcKDD-99,SanDiego,1999:112-121C.Aggarawal,P.Yu.Anewframeworkforitemsetgeneration.In:Proc.oftheACMPODS,Santiago,Chile,1998韓家煒.數(shù)據(jù)挖掘概念與技術(shù).北京:機械工業(yè)出版社2006:101-王麗珍.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘原理及應(yīng)用.科學(xué)出版社2005.7:42-朱仲英.基于WEB技術(shù)的數(shù)據(jù)挖掘系統(tǒng)研究與設(shè)計.微型電腦應(yīng)用,2005.1:GeorgeM.Marakas.數(shù)據(jù)倉庫數(shù)據(jù)挖掘和可視化——核心概念.北京:清華大學(xué)出版社,2004:119-156M.Mehta,R.Agrawal.Afastscalableclassifierfordatamining.InProc.1996Conf.ExtendingDatabaseTechnology.Avignon,France,Mar.S.Green.DiscoveringValueinaMountainofData,OR/MSToday.Oct.M.Hearst.SupportVectorMachines.IEEEIntelligentSystems.July/Aug段云峰.數(shù)據(jù)倉庫及其在電信領(lǐng)域中的應(yīng)用.北京:電子工業(yè)出版社MehmedKantardzic.數(shù)據(jù)挖掘—概念.模型,方法和算法,閃四清譯.北京:清華大學(xué)出版社,2003:123-176張利民.業(yè)務(wù)需求說明書－e8客戶響應(yīng)數(shù)據(jù)挖掘模型部分.天源迪科信息技術(shù)股份有限公司,2008廖里.余英澤.數(shù)據(jù)挖掘和數(shù)據(jù)倉庫及其在電信中的應(yīng)用.重慶郵電學(xué)院學(xué)報,2002(2):23-26王晨.OLAP分析模型在集團(tuán)企業(yè)財務(wù)分析中的應(yīng)用.計算機工程,2003,Show-JaneYenandL.P.Chen.AnefficientDataMiningtechniquefordiscoveringinterestingassociationrules.EighthInternationalWorkshopSept.1997:664-669薩師煊.王珊.數(shù)據(jù)庫系統(tǒng)概論.北京:高等教育出版社2000:203-劉同明.數(shù)據(jù)挖掘技術(shù)及其應(yīng)用.北京:國防工業(yè)出版社2001:134-劉同明.數(shù)據(jù)挖掘技術(shù)及其應(yīng)用.北京:國防工業(yè)出版社2001:134-陳京民.DataWarehouseandDataMiningTechniques.北京:電子工業(yè)出版社,2002:225-283中國互聯(lián)網(wǎng)協(xié)會2008中國互聯(lián)網(wǎng)調(diào)查報告王珊.數(shù)據(jù)倉庫技術(shù)與聯(lián)機分析處理.北京:科學(xué)出版社,1998:78-李書濤.決策支持系統(tǒng)原理與技術(shù).北京:北京理工大學(xué)出版社1996:102-J.R.Quinlan.C4.5:ProgramsforMachineLearning,MorganKaufmann,SanMateo:CA,1992:332-451T.Mitchell.MachineLearning,McGrawHill,NewYork:NY,1997:342-C.J.Matheus,L.A.RendellConstructiveInductiononDecisionTree.In:ProceedingsoftheEleventhInternationalJointConferenceonArtificialIntelligence,Detroit,MI:MorganKaufmann,1989:145-150CRISP-DM聯(lián)盟CRISP-DM1.0循序漸進(jìn)數(shù)據(jù)挖掘指南史忠植李水平知識發(fā)現(xiàn).北京:清華大學(xué)出版社2002:101-陳意云數(shù)據(jù)采掘技術(shù)回顧.小型微型計算機系統(tǒng),1998(4):74-附錄規(guī)則18(625;BBD_FEE>BBD_FEE<=CRING_FEE>CRING_FEE<=附錄規(guī)則18(625;BBD_FEE>BBD_FEE<=CRING_FEE>CRING_FEE<=則規(guī)則18(12,119;BBD_FEE>BBD_FEE<=CRING_FEE>CRING_FEE<=IN_AREA_FEE>IN_AREA_FEE<=KILLVIRUS_FEE<=0則規(guī)則18(13,954;BBD_FEE>BBD_FEE<=CRING_FEE>CRING_FEE<=IN_AREA_FEE>則418(5,959;BBD_FEE>BBD_FEE<=CRING_FEE>IN_AREA_FEE>則5418(5,959;BBD_FEE>BBD_FEE<=CRING_FEE>IN_AREA_FEE>則518(7,486;BBD_F