运营商作为少有的天然大数据企业之一，拥有海量的、多维的用 户数据，也是较早运用数据指导运营的企业，建立了较为完善的业务 指标体系和系统平台，包括经分系统、数据业务平台、集团业务平台 等，当然，也部署了大量的数据模型随着精细化运营、精准营销的 发展，运营商越来越关注模型的构建，希望通过模型精确识别客户、 匹配营销策略、个性化推荐内容等，实现基于数据的决策 1、运营商常用模型分类从在运营商从事咨询的经验来说，运营商常用的数据 模型可以分为五类：预测模型、分类模型、关联模型、交往圈模型及 业务规则模型1.1、预测模型预测模型主要用于指标的预测、趋势的预测，如新增 客户、流量等的预测，主要使用线性回归、ARIMA、时间序列等算法， 预测数值是为了对往后的趋势进行准确把握，及时调整市场和产品策 略，当然也能更好的完成 KPI 指标指标预测模型：1）新增用户占比预测；2）流量增长预测1.2、分类模型分类模型主要用于客户细分和目标客户识别，如用户 是否离网、用户是否有购买的倾向等，主要使用聚类、决策树、 RFM、逻辑回归、决策树和神经网络等算法，分类模型是使用得最为 广泛的模型，是实现精准营销的基础。
潜在商机客户识别模型：1）潜在4G终端客户识别模型，通过客户消费、通信及终端信息等，识别高换机概率客户；2）潜在 宽带客户识别模型，通过客户消费、通信及终端信息等，识别高装宽 带概率客户；3）潜在某项业务目标客户识别模型（如和视频、和阅 读等），通过客户消费、通信、终端（功能机客户显然不可能安装自 有互联网业务APP ）及内容偏好等，识别潜在自有互联网业务客户；4） 潜在集团信息化产品客户识别模型，包括专线、MAS、ADC、IDC、 IMS 等；潜在预警客户识别模型：1 ）离网客户预警模型，分析 客户通信、消费及预警行为（呼转异网号码、异网号码通话占比及拨 打竞争对手客户次数等），预测高离网概率客户；2）欠费预警模型； 3）中高端客户流失预警模型；4）拍照存量客户流失预警模型客户价值分类模型：1）客户星级/信用评定模型，综合 客户资费档次、网龄、消费、停机次数等，评定客户星级； 2）数据 业务髙价值客户识别模型：3）缴费RFM模型；4）集团客户价值评估；5） 渠道价值评估模型；客户业务细分模型：1）语音客户细分模型；2）流量客户细分模型；3）自有互联网业务细分模型1.3、关联模型关联模型主要用于探索业务间的关联度，从而进行相 关推荐，如购买视频会员的用户是否会购买音乐会员，主要使用相关 分析、Apriori （挖掘频繁项集）、协同过滤（推荐系统）等算法，这 里将推荐系统也看成是关联模型的一种，因为它们都是计算事物间的 相关性或距离，然后进行推荐，大体思想是一样的。
使用关联模型主 要是为了开展个性化推荐自有互联网业务关联推荐模型：1）通过分析客户上网 内容、APP使用行为，为客户推荐关联自有互联网业务；2）分析自 有互联网业务间的关联度，为已使用某种业务的客户推荐关联业务1.4、交往圈模型交往圈模型主要用于分析客户的交往圈行为，如通话交往圈、短信交往圈、其它社交业务交往圈等，主要使用社交网络、 业务规则等算法，分析用户交往圈是为了找出种子用户或识别异常用 户虚假客户识别模型：1）虚假集团客户识别模型：通过集团成员互通率、短号活跃度等判断虚假集团，剔除 0 互通率及低互 通率集团及成员； 2 ）虚假校园客户识别模型：通过校园客户与同校 客户互通情况判定虚假校园客户；双卡/双机客户识别模型：双机和双卡客户本质上是一 致的，主要通过呼转、交往圈重叠等识别；离网客户去向模型：通过身份证信息、异网新增客户交 往圈重叠等识别离网客户去向（结合外呼调研）；新增客户来源识别模型：通过身份证信息、异网新增客 户交往圈重叠等识别新增客户来源（结合外呼调研），包括重入网用 户识别等；种子用户识别模型：通过分析客户通话交往圈、短信交 往圈、飞信交往圈等，识别交往圈中的影响力大的客户，需综合考虑 客户的交往圈规模及交往圈对端质量。
潜在家庭 V 网客户识别：通过分析客户交往圈，识别客户的家庭成员，作为家庭 V 网的目标客户如客户通话频次前 3 的客 户，且晚间髙频通话基站相同的客户，且都不是家庭V网客户1.5、业务规则模型业务规则模型是基于多项业务规则组合的模型，其实所有模型都是挖掘出事物间存在的潜在模式，然后生成各种各样的规 则，有时候通过数学模型往往难以产生很好的效果，则会根据业务经 验生成一些规则，形成规则模型，如预测随后几月的收入，不管是使 用线性回归或者时间序列模型都难以产生很好的结果，这时往往使用 每月的收入占比并与去年同期比较来进行预测疑似养卡/养串模型：通过识别同一渠道的异常行为来判定渠道是否养卡、养串；集团预警模型：通过集团成员保有、状态不正常客户占比、ARPU下降幅度、语音下降幅度、流量下降幅度等规则综合实现 集团预警；客户偏好模型：通过客户费用占比、业务量占比及业务使用情况识别客户偏好；终端健康度评定模型：通过终端通话率、上网率、ARPU、DOU、MOU、一卡多机、一机多卡、核酬后登网率、窜货率等评定销售 终端健康度客户稳定度/忠诚度模型：分析客户消费、消费波动、是否呼转等，通过 AHP 确定各指标的权重，然后计算客户稳定度/忠 诚度得分。
产品健康度模型：分析产品客户、收入、业务量、成本支出、ARPU等，通过AHP确定各指标的权重，然后计算客产品健康 度得分2、模型构建步骤构建模型典型的步骤有SEMMA和CRISP-DM, SAS使用 SEMMA, IBM modeler使用CRISP-DM,但是总来说主要就是五个步骤： 业务理解-变量处理-模型构建-模型评估-应用部署2.1、 SEMMA 过程SAS数据建模的方法论是SEMMA，该过程主要包括五个过程：Sample，即抽样，从总数据集中选取髙质量的样本数据，一般建模都不会使用全量的数据集,而只会使用部分抽样数据集,特 别是像正负例比例悬殊时，如预测用户是否离网，往往未离网用户是 离网用户的几十倍甚至上百倍，这时候就需要从未离网用户中抽样部 分数据用以训练模型(最终正负例比例一般保持在1:1-1 ： 4左右)， 如果不抽样，最终结果会有较大的偏差Explore，即数据探索，分析变量间的相关关系、分布、 极值、缺失值等Modify，即数据调整，明确问题，调整样本变量Model，即选择模型，根据问题和样本数据选择合适的 模型Assess，即评估模型，根据相关检验指标评估模型，并基于业务知识进行解释。
2.2、 CRISP-DM 过程IBM modeler (原Clemen tine )采用的建模方法论是CRISP-DM (cross-industry standard process for data mining)， 该方法论包括六个过程：Business Understanding，即业务理解，建模前一定要明确目标是什么，基于业务探讨可能影响的变量DataUnderstanding,即数据理解，探索数据集，分析 变量的相关关系、分布等Data Preparation,即数据准备，包括数据抽样、数据 预处理（包括缺失值、极值、量纲等）Modeling，即建模，根据数据和问题选择模型，设置参 数、建模Evaluation,即评估，评估模型，选择最合适的模型Deploymen t,即部署，将建立的模型固化系统等2.3、模型构建步骤明确建模目的r是为了做什么r要实现什么目标’对产品和运营有什 么帮助：根据业努目标r选择适合的算法进行翟模r可以尝试参个模型.最终 采用效果较好的模型；模型评1古3、模型构建的关键点诵讨业务笄验和数据探索杵分析，确齐入模專呈；进行变量预处理「包括缺失備异常值、扱值等°/通过测试集检验模型效果r根捂测试结果不断模型调优；常见的模型评怙指标有准确率、慶盖率、lift值等__当模型准确率达到满意水平后r进行部署r将模型产品化：变量竝理模型构建应用咅躍要想构建效果良好的数据模型，个人认为主要有以下五个关键点。
3.1、丰富的基础源数据拥有丰富多维的源数据是建模的基础，业务现在很多 场景下是担心变量太多，不知道怎样提取特征、选取重要的变量，但 是这种担忧的情景肯定好于没有数据的困境，那才是巧妇难为无米之 炊例如，你要评估一个用户的信用，你却完全没有用户消费相关的 数据，只有部分与信用关系不紧密的数据，那你肯定很难用这些不太 相关的数据去评估用户的信用，这时候要么是购买第三方的信用报 告，要么是交换或购买第三方数据然后建模要有多维的用户数据， 一是学会在合理的场景收集用户数据，如用户第一次使用的时候，通 过选择题收集其内容偏好数据；二是充分利用已有的数据，打通各个 系统，消除数据孤岛；三是合理利用第三方数据资源，如网络爬虫收 集网上数据、政府公开的数据、或交换或买数据等 3.2、充分的探索性分析基于业务理解去探索相关影响变量，数据挖掘一定要 基于业务并最终落脚于业务，脱离业务的数据挖掘是没有意义的，要 多从业务的角度考虑影响变量及相关衍生变量，开展广泛的数据探 索，分析自变量和自变量的关系、自变量和因变量的关系多与业务 部门沟通，多进行头脑风暴，集思广益做好特征工程，利用主成分 分析等进行降维，选择重要的影响变量。
3.3、做好数据预处理数据预处理的好坏直接影响模型结果和模型准确性 数据预处理主要需要做以下几方面工作：1）要检查数据的正确性， 不能有明显的错误，如年龄为负值；2）要做好缺失值和极值处理， 一般可以用 0或平均值替代缺失值，当然也可直接删除，但可能会将 训练集减少及较多；一般用 0.1 分位、99.9 分位替代极小值和极大 值，极值特别容易让一些统计量和模型偏离；3）标准化、离散化、 降维等处理，标准化将数据缩放在固定的空间，如 0-1 标准化、 z-score标准化，主要是为了消除量纲的影响，特别是K-means、KNN 等设计距离的算法，离散化是将连续变量变为分类变量，如不同年龄 的人划分为青年、中年、老年等，降维是为了减少入模变量，提取主 要的特征，常用因子分析、主成分分析等3.4、 目标变量界定清晰训练集的目标变量一定要界定清晰，不然会直接影响 模型准确性，特别是在有些情况下，清晰界定目标变量是很困难的， 比如怎样判定新增终端客户、新增宽带客户等例如，针对一个用户 流失，不同的业务会有不同的流失区间，比如对来说，用户连续 7 天不活跃就认为已经是流失，但对于九游游戏中心来说，可能连续 7 天不活跃是很正常的，要连续 30 天不活跃的用户才能认为是流失 的。
界定目标变量的时候一定要结合具体的业务，就用户是否流失来 说，需结合业务的使用频次和回流率来判定3.5、 基于业务解读模型结果要基于业务来解读模型结果，模型结果要遵循业务逻 辑和常识，如果偏离过大，那就可能存在过度拟合问题，需要对模型 进行调整，例如，一般用户网龄越高离网的概率越低，但是模型结果 却是用户网龄越高，离网的概率也越高，这显然违背基本的业务逻辑， 这时，我们就需要好好审视一下模型，是否存在过度拟合、是否抽样 有问题等。