基于強相關理論的催繳提醒優化

周佳佳

【摘要】 欠費催繳是電信運營商回收欠費避免壞賬的有效手段之一，同時月初的波峰效應也是各大運營商迫切想解決的問題。在對目前電信運營商的欠費催繳模式和固定費用收取模式做了簡單介紹后提出了基于強相關理論的催繳提醒模型，并用數據對該模型進行了說明和進行了實際檢驗。該文通過基于強相關理論提高了催繳提醒的目標客戶比例，為電信運營商削峰平谷和客戶服務提供了較為可行的方法和對這類觸點提供了較為準確的基礎數據。

【關鍵字】 強相關 催繳 出賬 業務支撐系統 停機用戶覆蓋

欠費催繳，是電信運營商回收欠費避免壞賬的有效手段之一。從短信催繳、彩信催繳到語音催繳，無不看出催繳方式的多樣性，同時催繳也是用戶繳納話費的依賴之一。國內運營商收取費用的模式大約有以下三種：月初一次性扣取固定費用、固定費用按月按日比例收取、固定費用按不同賬期收取，目前主要多見于前兩種。

一、月初波峰效應的影響

國內各大運營商的業務支撐系統常常出現這樣的一種現象，月初各硬件、內存等系統資源一直處于忙碌狀態，而月中往往都處于空閑狀態。

圖1 月初業務量分布圖

為了解決月初停機量波峰的問題，廣西移動在月底最后的幾天時間里，會模擬計算出月賬的費用，然后以此為基礎，模擬出下月初用戶是否達到提醒的額度，如果是的話，會給用戶發送提醒繳費的提示短信，通過此分流一部分停機指令，對減少月初的停機量有一定效果。從實施以來大約有10%左右的用戶收到提醒短信后會在次月2日前繳費。

二、基于強相關理論的催繳提醒

強相關又稱高度相關，即當一列變量變化時，與之相應的另一列變量增大（或減少）的可能性非常大。在坐標圖上則表現為散點圖較為集中在某條直線的周圍。強相關是數據計量分析法研究的要點之一。強相關是研究對象的數組和另一數組或者另一復合數組之間存在高度的相關關系，高度相關表現為高度的邏輯相關和歷史數據相關。

我們隨機抽取了3月份某地市3萬個號碼月賬費用（X）與倒數第三天的預出賬費用（Y）。

根據pearson理論算出相關系數為0987599，可以判斷出月賬費用（X）與預出賬費用（Y）存在強相關。

三、效果

為盡可能的讓預出賬的費用接近真實月賬費用，同時又要保證對用戶的感知，我們引入了調整系數k，對預出賬的費用進行微調：

調整后的預出賬費用X=k*X

在Y/X<=k的條件下，若|X- Y（實際月賬費用）|<=Min（本費率區可透支最小額度），我們就稱本次擬合有效，反之稱之為無效擬合。因為超過最小可透支額度，用戶投訴風險已經大于提醒。超過根據調整后的公式，我們對3月數據進行了擬合，結果如下：

圖2 擬合用戶分布圖

在7月份我們選取了較為保守的系數1.05對用戶進行催繳，符合提醒的數量上升了109%，停機用戶覆蓋率由原來的34%左右提升到了64%，也并無引起任何批量的用戶投訴，提升效果非常明顯。

可見，調整系數的引入已經讓預出賬的費用更接近了實際的月賬費用。同時，根據以上表1的數據，我們可以看出，隨著k值的增加，覆蓋率不會無限增加，但是無效占比會成線性增大。無效占比的增加會造成用戶投訴的風險，因此我們也可以稱之為投訴風險系數增加。這跟我們采用的方法與實際（用戶還有余額就提醒用戶當然投訴）是吻合的。而且數據也表明，當k值大約在1.13的時候，覆蓋率會達到一個最大值，大約為56%，而與此同時無效占比（投訴風險系數）也處于一個相對合理的范圍。

四、結束語

目前國內運營商的運營越來越同質化，如何給客戶提供更貼心、更優的服務成為保有客戶重要的手段之一。而近年來大數據的風靡一個主要的原因就是更精準的定位用戶群體，實現更精準的服務營銷，便于提供更具有個性化的產品。

參 考 文 獻

[1] 劉曉彬.“精確制導”，實現差異化營銷-通信行業客戶細分方法探討[DB/OL]. http：//www.huaat.com/download/xiaobin/liu_diversity.pdf.