數據挖掘在電信客戶細分模型研究中的應用

摘 要：在以客戶為導向的電信市場對客戶群進行細分可以幫助企業制定更高效可行的營銷策略，拓展市場份額，增強市場競爭力。本文首先對電信客戶細分的定義、特點進行了介紹，然后對數據挖掘技術的特點及其在電信客戶細分中的應用優勢進行了分析，最后對基于數據挖掘的電信客戶細分模型及其所使用的數據挖掘技術進行了研究。

關鍵詞：客戶；電信市場；電信客戶細分；數據挖掘

中圖分類號：TP311.13 文獻標識碼：A 文章編號：1674-7712 （2013） 24-0000-01

隨著通信市場競爭日趨激烈，電信客戶的通信需求和消費理念都發生了顯著的變化。為滿足客戶的應用需求、提升市場競爭力，就必須將當代通信服務由以產品為導向以客戶需求為導向轉變，通過建立客戶數據庫，對客戶的類別屬性、消費類型以及消費傾向等進行分析。數據挖掘技術是一種大數據環境下的數據分析方法，其可以在海量數據中建立一種內在的聯系，基于該聯系對客戶進行細分，協助企業制定更具價值的認知體系和決策規則。

一、電信客戶細分特點

客戶細分包括客戶描述與劃分兩部分內容。前者主要是提取可用于描述客戶的特征和屬性，以便于可應用該描述內容對客戶行為模式進行預測和評估。后者主要是對經過特征化后的客戶進行類別劃分，使具有共同類別與特點的用戶歸入同一類別，以便于增強服務和營銷的針對性與有效性。對客戶進行細分可以調整資源分配結構，滿足商業目的，對不同類型的客戶指定不同的營銷策略。

電信市場是典型的以客戶為中心的消費市場，對該市場客戶進行細分可以提升企業爭取新客戶、保留老客戶、維護現有客戶價值、拓展企業市場份額與經濟效益的目的。

總結來看，電信客戶細分中需要從以下幾方面特征出發：一是電信客戶消費具有持續性，為維系客戶關系，就需要以該特征為著力點；二是電信客戶消費層次和類別更為明顯，如電信企業的客戶分為具有較強穩定消費能力的集團用戶和消費能力差別較大的個人用戶；三是客戶自身特點占據的權重較大，如客戶的消費習慣、個人價值、品牌忠誠度、人際關系等。

二、數據挖掘技術及其在電信客戶細分中的應用特點

數據挖掘技術本質是借助大量的知識體系和數據分析技術對海量、無序的數據信息進行整合與關聯建立，從中提取可有效反映數據內部規律和模式，并依照所總結出來的規律與模式對未來的發展情況進行預測與評估，幫助決策者制定更有效的執行策略。

傳統的電信客戶細分方法主要使用資料調查或客戶價值分析等兩種，前者具有較少的細分維度，調查結果更易理解和應用，但是受調查樣本數量的限制，其結果的可靠性和有效性有待進一步確認；后者操作簡單，對于高價值電信客戶細分具有良好的應用效果，但是在體現不同客戶、不同業務、不同消費結構差異性等方面存在一定的缺陷。

在電信客戶細分中應用數據挖掘技術可以有效利用企業發展過程中產生的大量數據進行多維度、多層面、多角度的客戶細分，并為細分結果提供高可靠性的理論支持。特別是數據挖掘技術中的聚類分析方法可以將客戶群按照電信企業最為關注的消費行為和消費價值進行細分，體現出不同客戶屬性之間的差異性，協助制定更加完備的營銷策略。基于數據挖掘的電信客戶細分可以分為戰略細分和策略細分兩類。前者主要是對客戶特征進行分析與研究，從中查找適當的營銷機會；后者主要是對營銷活動進行分析與研究，為其選取最佳的目標人群。

三、基于數據挖掘的客戶細分模型分析

（一）細分模型設計

細分模型應該包括三部分內容，即客戶部分、市場部分、營銷部分。

客戶部分可進一步細化為客戶分類和客戶分析兩類。客戶細分中應該從客戶消費習慣、消費種類、消費頻度、消費結構、消費模式等建立模型，以便于電信企業依照這些特征對已有客戶的收益率、新客戶的定位、現存客戶與流失客戶特征等進行定義。客戶分析模型則需要包括客戶的行為、關系、價值屬性、利潤率、忠誠度以及業務量等內容，通過這些內容，電信企業可以對現有的營銷進行效果分析。

市場部分主要體現為市場預測與市場總結等內容。建立可靠、客觀的市場模型可以幫助企業制定更精準、分類更清晰、目標性更強的市場策略，并依照所架構的市場模型對用戶行為進行解釋，對未來用戶的行為趨向進行預測。

營銷部分可進一步細化為輔助營銷、定向服務以及價格定位三部分。輔助營銷模型可以針對特定的客戶群使用特定的手段進行分析與研究，進而開拓更具針對性的銷售渠道和宣傳策略，充分滿足客戶的消費需求，在維持現有客戶關系的基礎上提升客戶價值，拓展客戶量。定向服務則是充分聽取客戶的消費需求，制定差異化服務策略，提供全方位、高質量定制服務。價格定位則是對客戶的價格敏感度建立模型并深入分析。

（二）電信客戶細分中的數據挖掘技術

目前，電信客戶細分中所使用的數據挖掘技術主要分為分類、聚類以及統計分析三類。

分類可以依照預先制定的規則制定清晰的分類標準，并依照該標準對客戶進行歸類，生成預測模型。分類可以有效反映同類客戶中的同屬性知識特征和不同客戶中的差異性知識特征，其具有非常強的預測性、指導性和方向性。常用的分類數據挖掘算法有神經網絡法、決策樹法、貝葉斯法以及示例學習法等。

聚類則是在海量的數據中對客戶屬性進行歸納與總結，將分析對象依照共同的特征分為多個簇，然后再在簇中進行特征提取，生成聚類標準，依照該標準對不同用戶進行分類、對不同簇進行更新。該技術無需指導和事先規則的制定。常用的聚類數據挖掘算法有神經網絡法、模糊聚類法、統計聚類法等。

統計分析則是直接對客戶進行分群或輔助其他數據挖掘技術共同實現電信客戶細分。其以一定的方法從數據庫中提取樣本，并對這些樣本進行行為、地域、年齡、需求等進行差異性分析，輔助其他數據分析與處理技術即可實現客戶的細分。常用的統計分析方法有交叉分析、相關分析、顯著性分析、因子分析等。

參考文獻：

[1]蔡寧.基于數據挖掘的電信客戶細分研究[D].江西理工大學，2008.

[2]許昌加，高陽.數據挖掘在電信客戶細分中的應用研究[J].成組技術與生產現代化，2004（21）：43-46.

[3]譚軍.基于CRM數據挖掘的電信客戶細分模型分析與設計[D].重慶：重慶大學，2005.

[4]劉崗.電信企業客戶細分研究[D].暨南大學，2008.