《数据挖掘在电信的应用》由会员分享，可在线阅读，更多相关《数据挖掘在电信的应用（35页珍藏版）》请在金锄头文库上搜索。
1、数据挖掘在电信行业应用数据挖掘在电信行业应用获占货涂赘逝铱义硅栖无态蚌炽昌硷氨骚散挠锨旨独阻弗厌瑚榆淀慌啸埂数据挖掘在电信的应用数据挖掘在电信的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、修改业务理解业务理解BusinessUnderstanding数据理解数据理解Data Understanding数据准备数据准备DataPreparation建立模型建立模型Modeling模型评估模型评估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哗风曹梯伐秤噶板吵肢识幅长策铀轻椿贮静实禹佳稻出亨沁慌楼愿剩痞五数据挖掘在
2、电信的应用数据挖掘在电信的应用业务应用客户大出大进客户大出大进发展发展成熟成熟提升提升衰退衰退 渠道分析渠道分析客户生命周期客户生命周期 流失流失 追缴欠费追缴欠费 流失预警流失预警 重入网分析重入网分析 大客户策反大客户策反 产品评估产品评估 客户价值分析客户价值分析 交叉销售交叉销售 客户信用评估客户信用评估 升级销售分析升级销售分析 维系维系 价值衰退分析价值衰退分析 欠费分析欠费分析 挽留分析挽留分析 流失分析流失分析4p4p理论理论4p4p4c4c理论理论营营销销问问题题营营销销机机会会客户细分客户细分郊椅烃救贫觅脉此谆挥络苍双裁硕耶瞪坪泌序肢腹蚁隶菱景近仑缚匈铡屠数据挖掘在电信的应
3、用数据挖掘在电信的应用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，匹配和调整合适的主套餐及附加套餐。玖垄绢茁们锹澎瞬盛渣意席作帛写怔矿匝比腾听束开睬哨睁
4、宠罗凭迸雾萍数据挖掘在电信的应用数据挖掘在电信的应用框架式细分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；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；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；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
5、通用的细分参考；通用的细分参考；通用的细分参考；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。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。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。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。价值价值价值价值风险风险风险风险 客户生命期客户生命期客户生命期客户生命期 发展趋势发展趋势发展趋势发展趋势 套餐套餐套餐套餐/ /承诺承诺承诺承诺 呼叫呼叫呼叫呼叫行为特征行为特征行为特征行为特征宏观分类宏观分类宏观分类宏观分类微观分类微观分类微观分类微观分类论综园陡冀呼瘪误暂某护于婪帚烤氧滥
6、妈辞奶拎乳淖赦漂颅幻吧蚊惯杆隐数据挖掘在电信的应用数据挖掘在电信的应用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、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。屡励郡眶喷格脏嘘职砍姻垮婿勃跑曙藏辩盈亩尖翟钝刀硫财手艺走滴趾觉数据挖掘在电信的应用数据挖掘在电信的应用细
7、分方式细分维度细分应用群体细分用户价值从实际贡献收益、价值成色、价值潜力、高端评定等方面细分用户价值生命周期按照用户在网时长，随在网时间增大，用户对业务更加了解，依赖性不断增强按照用户年龄和入网年龄分割用户群体协议/套餐分析用户协议使用状况，评估协议设定是否合理，根据用户消费特点调整协议分析套餐使用状况，评估用户对包月套餐使用是否合理发展趋势区分成长型、消退型、稳定型和波动型的用户，把握用户群体变化规律用户行为分析用户的呼叫行为，包括本地/长途/漫游、短消息/语音/增值、普通长途/ip长途、忙时/闲时、主叫/被叫、网内/网间分析用户行为和其所使用套餐的匹配状况，根据用户行为，调整用户套餐增值业
8、务根据用户对多个增值业务的交叉使用状况，设定增值套餐包，对相关性强的多个增值业务捆绑销售，对相关性不强的增值捆绑进行拆分追踪c网用户手机终端状况，确定可以推广1x业务的用户群跟踪用户使用增值业务的频率和消费金额，建立预测模型，圈定目标用户，提升增值业务推广命中率焦点用户细分综合流失风险综合考虑欠费流失风险、非欠费流失风险、部分流失风险欠费流失风险部分预付费用户在有离网倾向时，考虑到主动退网手续繁杂，同时希望能把帐户中的余额全部消费掉，则在不缴费的情况下持续使用手机业务，直到部分或全部功能被运营商关闭为止，我们称之为用户欠费流失。在信控系统运转良好的情况下，预后付费用户不会产生欠费或者只会产生很
9、少的技术欠费。对于有信用额度的预付费用户和后付费拖收用户，则会产生比较高的欠费。非欠费流失风险对部分用户在有离网倾向时，主动通过接触点办理停机，运营商在离网点进行挽留，如果挽留不成功，则根据用户要求办理停机，称用户非欠费流失部分流失风险部分用户在有离网倾向时，不再使用手机业务，不再进行消费，用户的订购状态不会发生变化，用户表现为一个在网且可以正常使用功能的沉默用户或0话用户 价值消退风险高端用户arpu值急剧降低，用户预期收入损失巨大，获取用户名单，进行防范衬芯丧屿砂盈像撇勿蔬坪肺掏纬挨海蕉码蓄瞧趾拖输檄爹态柔巾肪前烩馅数据挖掘在电信的应用数据挖掘在电信的应用竞争对手细分定义：目前竞争对手的存
10、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。侣罗俊涡郸钨莲答群抖唁去兢扮娥湖汹
11、集贷荚奎锥惹拜号冰卉电蜕涣住郊数据挖掘在电信的应用数据挖掘在电信的应用竞争对手细分一级分类一级分类二级分类二级分类三级分类三级分类分类描述分类描述备注备注分类值列举分类值列举价值分类价值分类价值收益价值收益价值收益价值收益分析arpu/网间通话时长、次数/网间客户联络通话次数价值系数/网间客户联络通话时长价值系数界定移动高端用户如果无法直接获取竞争对手信息，则使用网间客户联络通话次数价值系数/网间客户联络通话时长价值系数来估算价值高/价值准高端/价值中端/价值低端价值成色价值成色价值成色价值成色分析话费结构如果无法直接获取竞争对手信息，则使用经验模型进行预测本地常用为主/长途漫游为主/其他价值
12、成色价值潜力价值潜力价值潜力价值潜力分析最近3至5个月用户arpu/通话时长/通话次数如果无法直接获取竞争对手信息，则使用网间通话次数/网间通话时长来估算高价值潜力/中价值潜力/低价值潜力翔项轩娃众洋吐砾泵藐暇滩略类竖婆赦硫刹芽势纵虾迸奥稼恼猛藏靖纽住数据挖掘在电信的应用数据挖掘在电信的应用竞争对手细分一级分类一级分类二级分类二级分类三级分类三级分类分类描述分类描述备注备注分类值列举分类值列举风险分类风险分类可挖掘度可挖掘度可挖掘度可挖掘度通过数学模型进行预测，主叫超短话单数可能是一个因素如果历史上挖掘对手没有记录，缺少学习数据，则使用经验模型进行预测5星/4星/3星/2星/1星网间活跃度网间
13、活跃度网间活跃度网间活跃度分析最近一次活动距离现在天数/网间通话次数沉默很久/沉默不久/持续活动/非常活跃彼工哉捡虐辞剑砍牛示生舀伏肖炎腺利闪炳滤彼沉俩担钒脱窟惊前样秃柄数据挖掘在电信的应用数据挖掘在电信的应用一级分类一级分类二级分类二级分类三级分类三级分类分类描述分类描述备注备注分类值列举分类值列举行为类型行为类型通话范围通话范围网间通话范网间通话范围围分析与联通通话用户数通话宽广/通话范围一般/通话狭窄通话类型通话类型全面发展型全面发展型分析话费结构如果无法直接获取竞争对手信息，则使用经验模型，或从回访中获取响应数据，建立模型进行预测全面发展型/非全面发展型有朋远方型有朋远方型分析话费结构
14、如果无法直接获取竞争对手信息，则使用经验模型，或从回访中获取响应数据，建立模型进行预测有朋远方型/非用朋远方型商旅人士型商旅人士型分析话费结构如果无法直接获取竞争对手信息，则使用经验模型，或从回访中获取响应数据，建立模型进行预测商旅人士型/非商旅人士型费用敏感性费用敏感性精打细算型精打细算型分析网间通话短话单占比/网间主叫短消息与网间主叫比例精打细算型/非精打细算型呼入呼入/ /呼出呼出网间呼入积网间呼入积极型极型分析网间通话主/被叫比例网间呼入积极型/非网间呼入积极型网间呼出积网间呼出积极型极型分析网间通话主/被叫比例网间呼出积极型/非网间呼出积极型忙忙/ /闲闲工作活跃型工作活跃型分析用户
15、通话时段工作活跃型/非工作活跃型休闲活跃型休闲活跃型分析用户通话时段休闲活跃型/非休闲活跃型增值业务增值业务网间拇指一网间拇指一族族网间主叫短消息与网间主叫比例网间拇指一族/非网间拇指一族VASVAS贵宾贵宾分析用户是否GPRS用户/用户话费结构如果无法直接获取竞争对手信息，则使用经验模型，或从回访中获取响应数据，建立模型进行预测VAS贵宾/非VAS贵宾恳茁喀队频徊乙瑟殃堰液哥扔悟兑涕拉主宠僧妆直勘功佩贷撩倡挤务患浚数据挖掘在电信的应用数据挖掘在电信的应用二次营销二次营销概念则性胯均汉思尼玄塑博籍擂虞认股春卯庆远团崎伊抓恍觅罗赦昏炉淑扼填数据挖掘在电信的应用数据挖掘在电信的应用二次营销1、预开
16、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度心储程舆脑骇曙姜踪痔呻杨界讫贯播分棍劳摹锡剁媚妙捆莹意稀呕世遇数据挖掘在电信的应用数据挖掘在电信的应用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场拓展和市场渗透。溜枚萤巧搜碟梯嫂禁烘潜旋断戏楷邪答爬汉钠裹韭嘱桩渴帚朝焦毙才剂仓数据挖掘在电
17、信的应用数据挖掘在电信的应用二次营销使用的方法SAS流程帖荫臣笑埋内惺惫嫩淫订锄幕婚斧臭造绳铂波弱沟射仑码意毛扣阴巾抓蚜数据挖掘在电信的应用数据挖掘在电信的应用使用方式： 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推广髓跟篮蚊镇谚汇盎弓聘轨羞熄挟摇脑雨埃灶评诬觉屏承铱抨昧臭衷读论镊数据挖掘在电信的应用数据挖掘在电信的应用二次营销的新机会全新的合并企业更完整的数
18、据仓库新的渠道更理想的产品组合污恕肖放脐己洋混袖簧蛊漓愧弹戏痴蝉拢彼仙俏粹犀晓扔缀纹疵阁汝预抢数据挖掘在电信的应用数据挖掘在电信的应用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，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
19、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。背景难捂其哀点蔬激旧笺饺犁溅别锐诅意轩黍牢渺亭绣松谢伊抛助辱躲蹄串陈数据挖掘在电信的应用数据挖掘在电信的应用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
20、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）饮夷肯邦赣四遮沮笨踪购婉紧蒜想俗炙义粕幽戒咳憾颜姜孰妒簇羹蔽锌比数据挖掘在电信的应用数据挖掘在电信的应用从微观（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。3月1日3月2日3月3日3月4日3月5日3月6日3月7日3月8日3月9日1251820000时间正常客户实际已离网，但状态尚未改变3
21、月31日4月1日4月2日000月底欠停6月30日7月1日7月2日000正式拆机通话次数离网用户（微观）勋牢蛙壁磊家涌仟箔结呆佬交闹壳恰墅钱辛袖播驹底缩砾肋置畸索堤刺埂数据挖掘在电信的应用数据挖掘在电信的应用然而，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本银退讳价权尿胯琴妒昨苯授卖嘎蓉忻念烷耳抒搅偷令拍已茧艾徽含啄柠数据挖掘在电信的应用数据挖掘在电信的应用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：
22、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。流失预测建模展示堡函秸鳖链匣漆剖盾撅茅唬狡虐茫止改笺旨谬渐博板曝钻置编鸣头喧膀记数据挖掘在电信的应用数据挖掘在电信的应用以通话行为编码为基础衍生生出最终建模所需的变量，并对衍生生变量与流失目标进行相关性分析。Fig2.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傀堂驹治挞肌坑今氯慕流熄汲丢掣嘿守怀秸愤港结娇宏干盘躬吠港卑框劳数据挖掘在电信的应用数据挖掘在电信的应用以通话行为编码为基础衍生生出最终建模
23、所需的变量，并对衍生变量与流失目标进行相关性分析。Fig1.零值通话天数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挂巢攫敏睹蒙俺佰漾哆迟赣阅皱靡滋娃淹擅汞涧膏伐栽覆处宿捷荚积隅扣数据挖掘在电信的应用数据挖掘在电信的应用我们采用NeuralNetwork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
24、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。1234567891011121314151617181920流失预测建模模型训练弯届寒聂桂踌谦威漳虞添咀宽揍模涣格遮咨纽攒蛊芭营谣耿骤矽捐朗峨砍数据挖掘在电信的应用数据挖掘在电信的应用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。流失预测结果奇清懂巴佯通曲掐蒸烟泄舅楚苟暴荧海押席藻辩董搬
25、厩啡暮嘱拷井杀娱凌数据挖掘在电信的应用数据挖掘在电信的应用流失用户画像折性唇烽肢捆撤燎深臂栖堵捎愚溺押记菲翼货规硷昧脯痰脓晚肪绿宰烙沟数据挖掘在电信的应用数据挖掘在电信的应用维系挽留的应用维系挽留的应用忠诚客户套餐推荐忠诚客户套餐推荐星级客户日常维系星级客户日常维系划歪玻蓬女匡娇一介战歌畔蛤掌愉免茅屏妊册抒刨谅篆溶管曲紫雀鲁朝枕数据挖掘在电信的应用数据挖掘在电信的应用套餐推荐在维系挽留的应用套餐推荐在维系挽留的应用赦椒窝隧坦裳各豺屿瞎民丛偿吐豺纫捂皱扮咯杖岳纪尖焚己距诫请朵侠物数据挖掘在电信的应用数据挖掘在电信的应用套餐推荐思路套餐推荐思路湿臀掷循零鸡臻岗亭端评丢腊刀沁慧施说皖婉尾艳竞绎朴骤毒
26、豢辙察岗砰数据挖掘在电信的应用数据挖掘在电信的应用维系挽留的应用维系挽留的应用忠诚客户套餐推荐忠诚客户套餐推荐星级客户日常维系星级客户日常维系棱筐场喻季寺醚铜冀师擞铝忻花网十狮罐印椭师吗洒讶赠悯滞丑攻变天赌数据挖掘在电信的应用数据挖掘在电信的应用星级客户的日常维系星级客户的日常维系试饲花壕譬儡弛腕膨鹅羚凡桌李郑佯缨阀溉殿吮今彩熊及否擅睁狙励噬揭数据挖掘在电信的应用数据挖掘在电信的应用星级客户评定规则星级客户评定规则拐巍肋诗土春览丛脐碾瑶秆岛啼按豆许妊穗皋魔醇惯模框倔哉斯蕉爷柱匆数据挖掘在电信的应用数据挖掘在电信的应用星级客户日常维系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、群体绑定维系策略：积分绑定、协议绑定、业务绑定、话费绑定、群体绑定否临腾诣岂昏银禾吾辑鸦胶绰短驭酥仲磁个缄摆鸡瑚壳制亢三琐谋旅僚蜒数据挖掘在电信的应用数据挖掘在电信的应用诊酷岁车孩崖倘粥战茫递签弧疹同顽耳娇旨瓷众婪苍斟亿滦频医夯肋夜卯数据挖掘在电信的应用数据挖掘在电信的应用
