《浙江移动精细营销客户预测专题介绍.ppt》由会员分享，可在线阅读，更多相关《浙江移动精细营销客户预测专题介绍.ppt（34页珍藏版）》请在三一文库上搜索。
1、浙江公司信息技术部信息管理室,2008.07,精细营销客户预测专题介绍,内容,1,精细营销对于客户预测的要求,2,日常营销目标客户预测的现状,3,精细营销客户预测专题介绍,4,精细营销客户预测专题营销支撑,5,总结,精细营销对于客户预测的要求,随着移动通信行业由成长趋向成熟，以及市场竞争格局的逐步演变，对我们的 市场精细营销能力提出了新的要求：,群发营销,外呼营销,交叉营销,实时营销,以产品为中心,以客户为中心,实现精确的客户预测是精细营销的基础！,精确的客户预测是基础,谁会使用我们的产品？,内容,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,3,精细营销客户预测专题设计思路
2、,4,精细营销客户预测专题模块介绍,5,精细营销客户预测专题实施考虑,日常营销客户定位存在的问题,前期营销管理存在的问题,6、目标客户群的大小难以科学灵活控制,5、客户群依懒人工临时从后台提取,1、目标用户定位依然以业务经验为主,2、业务人员仅得到有限的报表数据支撑,3、目标用户定位较粗不利于控制成本,4、目标用户定位较粗容易引起投诉,7、,日常营销客户定位存在的问题,日常的如短信群发、外呼等营销手段，目标用户群的选取仍然采用业务人员经验指定的方式，经验为导向的目标客户群选取容易产生定位不准，客户响应度不高，营销效率较低等情况，特别是当前推出的大量新业务，对于目标客户群的精准选取提出了更高要求
3、,用户群定位精度不够往往只能采用扩大目标用户群的方式弥补，这样就会增加营销成本，在营销高峰期，容易导致资源紧张,目标用户定位较粗不利于控制营销成本,目标用户定位依然以业务经验为主,业务人员仅得到有限的报表数据支撑,现有的经分系统在提供日常用户群精细分析的支撑能力还有限，业务人员仅能通过有限的报表相关数据获取帮助,日常营销客户定位存在的问题,长期向非目标用户进行营销容易引起客户的反感，特别是对产品不感兴趣的用户，导致投诉的增加，不利于满意度提高,客户群提取从需求提出、审核、代码编写，运行及审核，经历的环节很多，一方面时间上难以控制，往往受限于系统性能，另一方面重复、反复及修改提取的现象也很多，效
4、率有待提高,客户群依懒人工临时从后台提取,目标用户定位较粗容易引起投诉,目标客户群的大小难以科学灵活控制,目标客户群在选取中没有重要程度的区别，对于营销来说每个客户的权重都一样，为了控制营销量只能采用随机抽取的方式进行，缺乏科学的控制手段,内容,3,精细营销客户预测专题介绍,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,4,精细营销客户预测专题营销支撑,5,总结,客户预测专题建设目标,实现效率提升!,群发营销,交叉营销,外呼营销,提升精确客户预测能力,提升经分数据挖掘能力,(3)建立典型新业务数据挖掘模型,(1)数据挖掘技术支撑,(2)建立数据挖掘专题架构,(4)构建基于数据
5、挖掘的统一视图,通过客户定位专题的建设，初步实现：,支撑精细营销,一、 数据挖掘技术,按既定业务目标，对大量的企业数据进行探索，揭示隐藏其中的规律性，并进一步将其模型化的先进、有效的方法,什么是数据挖掘,经典案例：啤酒和尿布的故事,一、数据挖掘技术,客户预测挖掘采用方法（以飞信为例子）,基于现有飞信用户和普通用户样本，搜集和判断影响用户成为飞信用户的要素，采用逻辑回归的方法训练样本得到回归模型，用以计算未来用户成为飞信用户的概率,小知识： 数据挖掘方法：包括关联、序列、分类及聚类，客户预测属于分类 分类采用如下的技术：如决策树，神经网络、逻辑回归等，客户预测采用逻辑回归,一、数据挖掘技术,实施
6、步骤,数据仓库,数据挖掘专用数据层,手机报模型,手机证券模型,飞信模型,其它,数据挖掘模型,二、系统架构,BOSS系统,客服 系统,外围数据源,DSMP,清单查询,清单导出,数据接口,营销管理平台,B0SS前台,10086,短信中心,彩信中心,外呼中心,网站,经营分析系统,数据挖掘对于数据的组织形式有特定的要求，以往以月为单位的历史信息存储无法满足深度挖掘的需要，需要转化成月均宽表的形式，可以极大提升数据挖掘数据准备的效率,何谓专用数据层,二、系统架构数据挖掘专用数据层,二、系统架构数据挖掘专用数据层,专用数据层,三、构建典型新业务模型,新业务相对于语音业务，用户市场呈现小而多的特点，如何准确
7、的找到潜在的新业务用户群是面临的重要课题，本专题从典型新业务入手，如飞信、手机报等，尝试采用客户预测的方法，找到每类新业务的潜在用户群，从而实现新业务的精细营销 下面以实现的第一个新业务模型飞信为例进行原理介绍,实施 步骤,选择样本用户,分析影响因素,选择重要变量,建立预测模型,验证评估模型,三、飞信模型介绍,飞信样本,普通样本,训练样本,在网三个月以上 1月注册成飞信 1-2月连续活跃 共3万用户,随机抽取普通 用户 共30万用户,样本一,样本二,样本用户的选择需要确保其能真实体 现飞信或普通用户的一般特征，剔除由于 促销活动等引发的“非正常”用户,样本需体现普遍性,3.1 选择样本用户,R
8、FM(R代表最近值、F代表频度值、M代表币值) 是将客户特征化的经典方法，最早应用于目录营销服务行业,我们认为年龄、性别、品牌、交往圈及终端等自然属性是影响用户成为飞信用户的关键因素,RFM变量,自然属性,用户使用移动通信语音、短信、彩信、GPRS等服务产生的业务量及收入也作为可能的影响因子纳入进来,消费特征,哪些方面的因素是飞信用户区别于普通用户的特征呢？,3.2 分析影响因素,我们认为假如用户最近定购过新业务类或梦网类产品，或者近2年定购的次数比较多，则用户继续定购新业务产品（比如飞信）的可能性会比较高，因此纳入以下变量：,近2年新业务产品定购次数、最近新业务产品定购间隔、新业务产品当前有
9、效个数,短信类、彩信类、 gprs类、wlan类、 手机邮箱类、语音 增值类、来电助手类,基础通信类,商务类、博客类、手机报类、音乐类、彩信类,生活娱乐商务类,由于梦网产品无明确细分方法，只能以总的为依据,梦网类,新业务细分,注：彩铃、来电助手等由于捆绑性质居多，无法体现真实用户使用趋向，这里统一未纳入考虑,三大变量,3.2 分析影响因素RFM变量,我们认为年龄、品牌、交往圈及终端等自然属性是影响用户成为飞信用户的关键因素,通过单变量回归分析，发现32岁是一个比较显著的飞信用户分水岭,年龄,飞信用户以交流为主，因此用户交往圈的大小具有重要意义，通过单变量回归分析发现，在一定时间段内有3次以上在
10、不同天有通话的对端用户才是有效交往用户,交往圈,是否属于动感地带用户是一个重要布尔变量,品牌,是否终端支持,性别,在网时长,3.2 分析影响因素自然属性,用户使用移动通信语音、短信、彩信、GPRS等服务产生的业务量及收入也作为可能的影响因子纳入进来。 为了降低短时间内异常消费行为的影响，比如促销，所有的消费行为数据都以近2年的月均消费为基准。,近2年收入 近2年优惠收入 近2年SP费收入 ,收入类(10个),近2年通话时长 近2年本地通话时长 近2年省内漫游通话时长 近2年省际漫游通话时长 ,语音类(20个),近2年短信发送条数 近2年彩信发送条数 近2年CMWAP次数 近2年彩铃下载次数 ,
11、新业务类(40个),3.2 分析影响因素消费特征,共规整收集150个变量，采用后向、逐步回归方法，逐步淘汰不相 关变量，最终选择稳定的排名前20的变量作为飞信影响因素(模型输入变量),值得关注的现象： ARPU、MOU等常规用户价值度量与飞信用户相关性非常小，RFM变量则体现出其价值,3.3 选择重要变量,实际模型： logit=log(p/(1-p) 2.1878 （p代表成为飞信用户的概率） +0.1427*TRADEMARK （品牌） +0.3098*is_trademark4 （是否动感地带） -0.4207*is_age32 （年龄是否小于32） -1.2125*is_sphere3
12、_1_11 （交往圈是否小于11） -1.3080*is_sphere3_12_15 （交往圈是否在12与15之间） -1.2624*is_sphere3_16_19 （交往圈是否在16与19之间） -1.0657*is_sphere3_20 （交往圈是否大于20） +0.4971*IS_FEIXIN_TERM （是否飞信终端） +0.000134*N_MU_L_DATE_logi （最近定购的音乐产品间隔 log倒数） +0.0471*CMWAP_COUNTS_sqrt （CMWAP上网次数 sqrt平方根） -2.0817*N_APPLY_2_COUNTS （近两年月均产品定购次数） -1
13、.6197*N_APPLY_2_COUNTS_cos （近两年月均产品定购次数 cos） +0.7396*N_GPRS_L_DATE7 （近7个月内是否定购过gprs产品） +0.1916*N_GPRS_L_DATE_sin （最近定购的GPRS产品间隔 sin） -0.00005*N_MU_L_C_cui （近两年月均音乐产品定购次数 立方的倒数） +0.5477*N_GPRS_APPLY_COUNTS114 （近两年月均GPRS产品定购次数） +0.000089*N_PAPER_L_DATE_logi （最近定购的手机报产品间隔 log倒数） +1.0152*N_PAPER_I_A_C_s
14、qrt （近两年月均手机报定购次数 平方根） +2.6438*N_MAIL_APPLY_COUNTS_sqrt （近两年月均手机邮箱定购次数 平方根） +0.3913*N_SMS_A_L_D5 （最近是否定购过短信产品） -0.0558*N_B_A_L_D_curt （最近定购的商务类产品间隔 curt） -0.00002*N_A_L_D_logi （最近定购产品的间隔 log倒数） -0.00003*VPMN_C_D_logi （最近定购vpmn产品的间隔 log倒数） -0.00003*NISMG_A_L_D_sini （最近定购梦网产品的间隔 sin倒数） -0.00015*N_ADD_
15、A_C_cui （近两年月均语音增值产品次数 立方的倒数） +0.0292*SMS_MO_COUNTS_sqrt （近两年月均短信发送次数 平方根） +0.00343*GPRS_VOLUME_curt （近两年月均GPRS流量 curt） -0.00004*N_C_I_A_C_cui （近两年月均彩铃产品定购次数 立方的倒数）,针对所选变量采用逻辑回归方法，训练得到拟合方程式:,logit=log(P/(1-P)=aX0+bX1+cX2+ 其中： p代表成为飞信的概率 X0、X1、X2等代表所选的变量（影响因素） a、b、c等代表计算得到的系数,P即为计算得到的飞信活跃用户的概率,模型确立后，
16、只要 数据收集完整，非常容 易推广和应用到实际的 营销中，由于是以概率 为度量，可以对营销数 量进行灵活的控制,3.4 建立预测模型,假如某用户资料如下： 品牌：全球通 年龄：33 交往圈：68 终端：支持飞信 最近一次订购音乐类产品的时间间隔：20个月 最近2年月均CWMAP上网次数：33次 最近2年月均产品定购次数：0.3次 最近增值类产品参加时间间隔：3个月 最近2年月均VPMN时长：950分钟 最近一次订购梦网类产品的时间间隔：3个月 最近2年月均短信发送次数：13条 最近2年月均流量：2M 则计算其成为飞信活跃用户的概率为： 29.6%,3.4 建立预测模型(举例),十分位分析是验证
17、模型健壮性的常用方法，其将样本按照预测概率高低排序等分为10等份，通过以下两种方式来检查模型的强壮性： （1）每个等分内预测概率与实际情况的差异 （2）最高最低等分预测概率的差异,预测概率均值与实际情况相差很小,最佳十分位是最差十分位预测概率的18倍 非常好的区分性能,注：为了防止模型的过渡适应，即它吸收了数据中的非规则元素，往往还需采用重采样方式来验证模型健壮性,3.5 模型验证,四、 构建数据挖掘统一视图,未来将构建预测统一视图，实现常态化精细营销支撑,预先生成用户对每类新业务（也可以扩展到其它领域）的偏好程度，实现客户预测常态化，并将预测结果纳入客户统一视图,内容,4,精细营销客户预测专
18、题营销支撑,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,3,精细营销客户预测专题介绍,5,总结,一、预测数据对于精确营销的意义,用户群定位精细科学化,用户群大小可控制化,用户群提取的高效化,由经验和简单的目标用户删选判断方法转向深度分析挖掘为依据 营销目标用户群都可以预先挖掘生成,预测概率使得每个用户对于某个营销活动都是有重 要程度的区别的 预测概率使得用户群是精确可控的，群发可根据轻 重缓急灵活调整,很多目标用户预先生成，缩短了目标客户群提取周期,营销价值,对于提高客户的响应率，降低客户投诉，提升营销效率，都具有意义,二、营销数据推送接口,前台查询,前台导出,营销管理平台
19、,营销渠道,营业前台,客服系统,短信/彩信 中心,网站,客户经理,离网专题,精细客户预测专题,经营分析系统/BASS,飞信、手机报、手机 证券用户清单等,直接推送,目标客户删选和控制,BOSS,业务受理,营销活动执行,经营分析系统中建立精细客户预测专题，根据需要建立飞信等挖掘模型，定期生成预测清单和分析报表，同时打 通与营销管理平台的接口，实现专题与平台的无缝连接，通过营销管理平台直接将用户推送到营销一线,三、推送场景,成为飞信用户的概率,飞信训练引擎,营销执行,自然属性类,语音消费类,短信消费类,彩信消费类,上网消费类,彩铃消费类,梦网行为类,梦网定购类,音乐产品类,商务产品类,手机报类,语
20、音增值类,梦网行为类,梦网定购类,音乐产品类,商务产品类,手机报类,语音增值类,基础数据集,飞信模型,训练集(抽样),实际用户群,取概率50以上的200万用户短信第一波次群发,取概率90以上的10万用户电话营销,取概率70以上的100万用户用于营业厅推荐,取概率60以上的150万用户用于网上推荐,取概率50以上的200万用户短信第二波次群发,修正模型,内容,5,总结,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,3,精细营销客户预测专题介绍,4,精细营销客户预测专题营销支撑,总结,采用数据挖掘方法进行客户预测，是经营分析系统在参考了国外的一些经验，基于对现有业务和数据的理解基础上进行的挖掘尝试，其效果还需要市场的实际检验，但从统计学上讲仍具有较大意义 本次专题飞信挖掘的结果，可以直接推送到一线，从而辅助提升飞信营销的精细化程度，对于其它新业务也具有借鉴意义 从此次模型设计中得到的一些启示和知识，比如飞信影响因子的搜集和判定，可以为未来的数据挖掘设计提供经验 数据挖掘迫切需要市场业务专家的指导，需要地市使用部门的持续反馈，不断修正从而提升其预测能力,谢谢，请批评指正！,