基于數據挖掘方法的電信行業增值業務精確營銷研究

0 引言

隨著3G時代的到來，國內電信市場競爭日趨激烈，電信運營商的經營模式逐漸從“技術驅動”向“市場驅動”、“客戶驅動”轉化。這就要求運營商要采取以客戶為中心的策略，根據客戶的實際需求提供多樣化、層次化、個性化的服務解決方案。

電信增值業務是憑借公用電信網的資源和其它通信設備而開發的附加通信業務，其實現的價值使原有網絡的經濟效益或功能價值得到進一步提升，是運營商提供給消費者的信息服務。增值業務的種類很多,例如短信、彩信、手機上網、電子信箱、可視電話、手機電視等，多以語音、文字、圖形、圖像等多媒體形式生動、直觀、形象地表示和傳遞信息。

增值業務是運營商提供給消費者的更高層次的信息服務，要求運營商提供的產品應符合不同消費群的個性化需求，這使得傳統的電信增值服務行業的大眾營銷策略已很難適應新形勢的發展要求。充分獲取并利用相關數據信息，使用數據挖掘方法發現潛在客戶并展開針對性營銷，已成為運營商重點關注的市場拓展方法之一。

1 數據挖掘及其在電信行業的應用

數據挖掘是從大量的、不完整的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先并不知道的、具有潛在價值的信息和知識的過程。它的出現為自動和智能地把海量的數據轉化成有用的信息和知識提供了手段。

數據挖掘在電信行業的應用包括如下幾個方面：

1）關聯分析：其目的是挖掘出隱藏在數據間的關聯關系。例如，訂購手機視頻通話包月套餐的顧客同時訂購手機電視套餐的概率較高，這就是一條關聯規則。

2）分類/預測：其目的是產生一個分類模型，該模型能把數據庫中的數據項映射到給定類別中。分類數據挖掘主要利用歷史數據找出規律，建立模型，并應用模型預測未來數據的種類、特征等，可用于電信行業的潛在客戶發現。

3）聚類：聚類是把一組個體按照相似性歸成若干類別，使得屬于同一類別的個體之間的距離盡可能小，而不同類別個體間的距離盡可能大。聚類通常用于根據客戶消費行為特征劃分為不同的用戶群，開展針對性營銷。

4）偏差分析：從數據庫中找出異常數據，如短信群發、欺詐行為的發現。

5）時間序列：從序列數據庫中發現相對時間或者其他順序所出現的高頻率子序列。其最初是通過在帶有交易時間屬性的交易數據庫中發現頻繁項目序列，以發現某一時間段客戶的購買活動規律。

2 增值業務潛在客戶挖掘分析思路

增值業務精確營銷是通過分析現有的增值業務訂購關系數據，使用統計分析或數據挖掘方法找出針對不同業務具有潛在營銷價值的目標客戶。

數據挖掘方法可以從兩個方面發現增值業務的潛在用戶：

2.1 用戶消費能力和消費行為差異角度

通過分析使用某增值業務的用戶和未使用用戶的消費行為數據，找出兩者的消費行為差異，尋找和探索表征客戶使用習慣的指標變量，以建立客戶的特征模型。從現有未使用該增值業務的客戶中篩選出符合此特征模型的用戶群，并預評估其營銷成功的概率，對其中營銷成功概率較高的潛在用戶開展有針對性的營銷服務，使之發展成為該增值業務的用戶。

2.2 增值業務交叉銷售角度

交叉銷售是一種以企業和客戶的現有關系為基礎去推銷另一個產品的營銷策略，是通過對現有客戶擴大銷售來增加利潤的一個有效手段。運營商通過收集和積累客戶大量的購買信息，并對相關數據進行處理、統計和分析，在全面掌握客戶消費能力、消費習慣、信用情況等信息后預測客戶下一步要購買的產品和服務，從而有針對性地向客戶推薦特定的產品，以便提高產品的營銷成功率。

增值業務交叉銷售通過分析現有客戶對增值業務訂購和使用信息，分析同一業務不同產品之間的內在聯系，掌握客戶使用偏好，對于某特定產品篩選出具有潛在價值的客戶，使營銷服務更具針對性，擴大產品的用戶群體。

3 基于決策樹的分類模型

以機器學習的觀點，分類是一種有指導的學習，即每個訓練樣本的數據對象已經有類標識，通過學習可以形成表達數據對象與類標識間對應的知識。從這個意義上說，分類的目標就是根據樣本數據形成類知識，并對源數據進行分類，進而預測未來數據的歸類，可用于潛在客戶的挖掘。

目前常用的分類器構造方法包括：基于決策樹模型的分類器構造方法（如ID3、C4.5、IBLE、 SLIQ、SPRINT等）、基于統計模型的分類器構造方法（如貝葉斯方法）、基于神經網絡模型的分類構造方法、基于遺傳算法的分類器構造方法、基于粗糙集的分類器構造方法等。由于電信企業的用戶資料存在非數值類型數據，相對于神經網絡算法而言，使用決策樹算法可免去許多預處理工作，且模型結果易于解釋。針對電信業超大規模數據量，決策樹C5.0算法具有很高的執行效率，并且在面對數據遺漏和輸入字段很多的問題時非常穩定，故本文采用C5.0算法創建決策樹。建模過程如圖1所示。

圖1 建模過程圖

C5.0算法根據能夠帶來最大信息增益的字段拆分樣本。其算法思想是：第一次拆分確定的樣本子集隨后再次拆分，通常是根據另一個字段進行拆分，這一過程重復進行直到樣本子集不能再被拆分為止。最后，重新檢驗最低層次的拆分，那些對模型值沒有顯著貢獻的樣本子集被剔除或者修剪。

以某運營商“手機報潛在客戶挖掘”為例，通過該運營商用戶使用電信業務的一些基礎數據資料，包括用戶資料（如客戶類型、入網時長等）、用戶業務使用信息（如月均彩信條數、GPRS流量等）、用戶消費信息（如ARPU、增值業務費用等），終端支持信息、用戶手機報訂購信息（是否訂購手機報）等。這些數據清洗工作完成后，抽取連續三個月的數據進行數據探索，掌握各因子的數據分布情況，并結合業務經驗設計反映預測結果且與結果直接、間接相關的衍生因子。然后，取10萬名連續使用三個月手機報的在網用戶和1萬名最近兩個月未使用手機報的用戶作為訓練集，使用C5.0算法對訓練集數據建立預測模型，以“是否手機報用戶”為輸出變量，其余為輸入變量。訓練結果為用戶手機報業務用戶特征的決策樹。

4 基于Apriori算法的關聯規則模型

Apriori 算法是一種最具影響的挖掘布爾關聯規則頻繁項集的算法。其基本思想是把關聯規則挖掘分為如下兩步：

第一步：從事務數據庫中找到所有支持度不小于用戶指定的最小支持度閾值的頻繁項目集。在數據挖掘中，支持度不小于用戶給定的最小支持度閾值的項目集簡稱頻繁項目集。

第二步：使用頻繁項目集產生所期望的關聯規則。關聯規則的置信度不小于用戶指定的最小置信度閾值。

以手機報深度營銷為例（指向目前使用手機報的用戶推薦其它不同類型的手機報），交叉銷售挖掘的研究思路為：分析各種手機報之間的關聯程度，篩選使用了較強關聯中后項的用戶。建模步驟如下：

1）根據客戶的手機報訂購關系，分析挖掘客戶同時訂購多種手機報的情況，根據關聯度判定規則，對訂購各手機報產品進行關聯度計算，判斷出哪些手機報之間具有較高的支持度和可信度。

2）從多種視角分析不同手機報之間關聯度高的原因，例如哪類用戶同時訂購了新聞早晚報和鳳凰時事周刊，為優化產品結構和捆綁營銷提供支撐。

3）選擇訂購了某種手機報，但未訂購和該種類型關聯程度較高的手機報的用戶，作為該手機報的潛在用戶。

5 模型驗證與效果評估

1）模型驗證

分類模型的驗證方法是對檢驗集數據應用模型結果規則集，用命中率、查全率、Gains圖、Lift圖等對應用結果進行準確性和模型效果評估。關聯規則模型通過多期數據的支持度、可信度、提升度等指標衡量。此外也包括通過多期歷史數據進行驗證，以確定模型的表現是否穩定。模型的穩定性主要用于測試模型是否在未來具有較好表現，是否符合預期。

2）模型調優

模型調優的目標是根據模型評估結果，對模型進行優化，使檢驗指標具有較好的綜合表現。模型調優可以通過設計合理的衍生因子、調整平衡節點、修改挖掘方案等實現。

3）營銷效果評估

該某運營商“手機報潛在客戶挖掘”案例為例，使用手機報數據挖掘模型從樣本數據中發現8903名目標客戶，通過客服人員電話營銷，實際呼通4741人，實際訂購1238人，營銷成功率為26%。而此前該運營商手機報外呼營銷成功率在9%-11%之間，挖掘模型提供的數據營銷效果明顯，營銷成功率約是原來的2～3倍，取得良好的經濟效益。

6 結論

本文從用戶消費行為差異角度和增值業務交叉銷售角度建立了精確營銷模型，分別應用于潛在客戶的挖掘和對同一種增值業務不同產品的深度營銷，在某地市的手機報營銷中取得了預期效果。

在3G時代，增值業務已成為各大運營商市場爭奪的焦點，使用數據挖掘方法實現增值業務精確營銷已成為拓展客戶的重要途徑。然而數據挖掘的特殊性在于模型的調整、優化是一個持續改進的過程。隨著增值業務產品的不斷豐富，建立多種業務交叉銷售的模型成為下一步需要重點研究的內容。

[1]段云峰,等.數據倉庫及其在電信領域中的應用[M].北京：電子工業出版社,2005.

[2]王肇剛.基于網絡拓撲約束的時序數據挖掘算法研究與應用.北京郵電大學,2009.

[3]婁蘭芳,潘慶先.基于集合運算的頻繁集挖掘優化算法[J].山東大學學報（理學版）,2008.