《数据挖掘在电信的应用.ppt》由会员分享，可在线阅读，更多相关《数据挖掘在电信的应用.ppt（35页珍藏版）》请在三一文库上搜索。
1、数据挖掘在电信行业应用,数据挖掘在电信行业实施体系结构,确定商业目标,ETL,建立模型,数据收集、管理,数据探索、修改,业务理解Business Understanding,数据理解Data Understanding,数据准备DataPreparation,建立模型Modeling,模型评估 Evaluation,模型调优,应用策略,先不考虑循环往复的探索和调优过程，直接顺序考察各个环节,业务应用,客户大出大进,发展,成熟,提升,衰退,渠道分析,客户生命周期,流失,追缴欠费,流失预警,重入网分析,大客户策反,产品评估,客户价值分析,交叉销售,客户信用评估,升级销售分析,维系,价值衰退分析,欠
2、费分析,挽留分析,流失分析,4p理论,4p4c理论,营 销 问 题,营 销 机 会,客户细分,案例分析,全网客户细分,定义：所有的个人用户，不包括集团用户、测试卡用户、公免用户、员工卡、欠费不停机客户等特殊用户群体 关注点：全网用户的消费倾向和群体变化，评估套餐与用户群体间的覆盖关系，调整积分、赠送、优惠、协议等市场策略和其他市场营销活动，保证全网用户的健康发展。 建模周期：每月建立全网用户细分模型 建模方法：对全网用户的最近3-5个月的客户、用户、资费、帐务、行为、服务详尽分析，使用聚类、决策树、神经网络、回归、关联分析等挖掘算法区别细分群体，并把用户群体和套餐产品相关联，针对不同用户，匹配
3、和调整合适的主套餐及附加套餐。,框架式细分,从宏观入手，逐步向微观细化分类，将整个客户细分有层次有框架地进行； 本次客户细分，为框架式细分，旨在为运营商的客户关系管理工作提供较为通用的细分参考； 针对特定管理主题的细分可以在此框架式细分的基础上调整和扩展。,案例分析,高端客户细分,定义：客服部或者大客户部界定的需要进行一对一维系的高端用户，一般 来讲，高端用户不包含新用户。 关注点：全面关注高端用户的消费倾向和流失风险状况，考虑合适的维 系、挽留和价值提升政策。 建模周期：每月建立高端用户细分模型 建模方法：对高端用户历史5-8个月的客户、用户、资费、帐务、行为、服务详尽分析，使用聚类、决策树
4、、神经网络、回归、关联分析等挖掘算法区别细分群体，预测用户流失和价值消退风险，做到未雨绸缪。,竞争对手细分,定义：目前竞争对手的存量用户，通过过网话单对这竞争对手用户进行 详尽分析。 关注点：细分是策反的基础，关注竞争对手的消费倾向，并根据用户的 预估价值和可挖掘度进行策反。 建模周期：每月建立竞争对手用户细分模型，或根据策反要求，不定期 建立模型 建模方法： 通过河南、河北、新疆等省的数据调研，发现全国竞争对手高端用户的行为非常类似，参考其他省已有模型的价值很大 对少量的竞争对手高端用户进行测试回访，并详细记录响应数据 对竞争对手用户的最近3-5个月的过网话单详尽分析，使用聚类、决策树、神经
5、网络、回归、关联分析等挖掘算法区别细分群体，并把用户群体的行为和本网套餐产品相关联，为竞争对手策反做好准备。,竞争对手细分,竞争对手细分,二次营销,二次营销概念,二次营销,1、预开放使用，关键在针对性营销。 2、拥有相应用户的资料 3、分析相应的响应量和使用率 4、收益估算 5、大规模进行二次营销,二次营销业务流程,二次营销使用的方法,1、聚类 首先进行客户细分，然后使用聚类的方法把产品的信息和客户分析得到客户分组结合起来分析。提高推广有效性，降低投诉率。 2、预测模型 通过使用回归模型、决策数模型来区分买与不买用户的区别，某类用户购买的可能性。 3、关联性分析 通过关联性分析进行对新用户的市
6、场拓展和市场渗透。,二次营销使用的方法,SAS流程,使用方式： 为了正确对比数据结果，此次测试采用测试数据与普通数据同时进行电销的方式来进行对比。将普通数据与测试数据进行混合，再由话务员随机提取数据，避免由于电销过程中各方面因素（如话务员沟通水平差距、电销测试时间不同等）造成的测试结果偏差，保证了测试结果的科学性。,案例某省份联通公司进行UNI推广,二次营销的新机会,全新的合并企业 更完整的数据仓库 新的渠道 更理想的产品组合,客户离网是移动通信运营商经营中面临的一个基本问题，也是影响经营状况的一个重要因素。一方面，客户离网会造成收入下降、市场占有率下降、营销成本增加、收入降低的问题；另一方面
7、，恶意离网会造成客户恶意欠费，带来不必要的经济损失。 离网分析的目的是通过特定算法，分析出哪些客户具有较大的离网概率，从而对这些客户进行有目的、有区别的挽留工作，尽量减少客户流失带来的损失。通过离网模型，可以提高对高价值客户挽留的成功率，降低客户离网率，降低挽留服务的成本，做到有的放矢，减少由于客户离网带来的收入损失。 本文探索了一种利用客户短期呼叫行为异动来预测其未来离网趋势的模型，并以天津市联通公司提供的生产数据（2009年1月2009年5月），进行了模型的实现和验证。,背景,正常在用,限制呼出,停机,拆机,从客户状态变化的角度观察离网行为：只有当客户处于正常在用或者限制呼出的状态下，才能
8、开展有效的挽留工作。传统意义上发现客户停机已经为时过晚。 通过下面的状态转换概率矩阵可以发现，客户在未实质离网之前均有较大可能恢复正常（例如：停机状态有2/3概率转回正常在用，有1/3几率拆机）。究竟哪些用户最终会离网尚不明显，这也是本文分析的重点。,欠费,缴费,主动停止,三个月未使用,缴费,三天未 缴费,高风险区，不可挽留,预警区，可挽留,实质离网区，不可挽留,注：状态转换规则及数据以天津联通公司为例，不同地区、不同运营商可能会有差异,离网用户（宏观）,从微观（个体通话详单）角度研究客户离网行为：客户离网行为具有突发性和隐蔽性。当通过客户状态发现停机时，客户往往已经彻底流失，不可进行挽留操作
9、。,时间,正常,客户实际已离网，但状态尚未改变,月底欠停,正式拆机,通话次数,离网用户（微观）,然而，经过研究发现，客户的离网行为虽然是突发的，但离网前大部分客户原本稳定的话务行为会出现一定程度上的异动，本文试图通过分析这种异动来预测客户离网。,通话骤降,主叫波动,交际圈收缩,呼叫竞争对手客服,离网用户话务异动,下面的图片示例了部分离网用户呼叫码片段，为直观起见，表格已着色。,离网,话务稳定,异动,注：这里采取了非严格的离网定义，即通话比原来降低了90%以上都可以视作离网，可以多找到一些值得维系挽留的客户。,流失预测建模展示,以通话行为编码为基础衍生出最终建模所需的变量，并对衍生变量与流失目标
10、进行相关性分析。,Fig 2. 主叫次数均值 VS 未来60天通话次数,主叫次数均值与未来通话次数成严格的正比关系，主动呼叫越频繁，客户越不容易离网,流失预测建模变量分析和筛选,以通话行为编码为基础衍生出最终建模所需的变量，并对衍生变量与流失目标进行相关性分析。,Fig 1. 零值通话天数 VS 未来60天通话次数,零值通话天数与未来通话次数成反比关系，即近期通话越稀疏，不久的将来流失概率越高,流失预测建模变量分析和筛选,我们采用Neural Network来建立预测模型。要预测的客户是截止到3月1日用户状态为“正常在用”的客户，排除了已经处于停机常状态，来不及进行维系挽留的客户。预测的目标是
11、客户是未来两个月客户否离网（或通话密度减少90%以上，这两种都视作离网），故“是否离网”这一变量作为预测模型的结果输出，而其余变量为输入变量。神经网络可以从一组输入数据中进行学习，根据这一新的认知调整模型参数，以发现数据中的模式。 用于训练神经网络的样本数据为数据集（122万客户）中随机抽取的10000样本，用于测试的数据从总体数据集中随机抽取30000样本，分成三组，每组10000，用来测试模型的稳定性。,流失预测建模模型训练,测试数据集用户在未来60天内通话次数的实际值与神经网络预测值的相关性分析。,流失预测结果,流失用户画像,维系挽留的应用,忠诚客户套餐推荐,星级客户日常维系,套餐推荐在维系挽留的应用,套餐推荐思路,维系挽留的应用,忠诚客户套餐推荐,星级客户日常维系,星级客户的日常维系,星级客户评定规则,星级客户日常维系,维系策略：积分绑定、协议绑定、业务绑定、话费绑定、群体绑定,谢谢！,