數據挖掘技術與電信行業用戶流失應用

2013年12月4日工信部正式向三大運營商發布TD-LTE 4G牌照，2015年2月27日，工業和信息化部向中國電信和中國聯通發放FDD-LTE經營許可。業內普遍認為，在3G時代扭轉的三大運營商競爭格局，也許會在即將到來的4G時代被再次打破。在4G發牌后，三大運營商重新站在了同一起跑線上。4G市場將是一個更大的蛋糕，三大運營商誰能在新的競爭中抓住最佳的市場機遇，誰就能獲益其中。2016年國家提速降費持續推進，全年互聯網業務加速增長。從長期來看，隨著信息技術的升級換代，網絡成本逐步下降，基礎電信企業提速降費將成為常態。從用戶需求來看，用戶對高帶寬的需求越來越大，高帶寬用戶占比將持續快速提高，移動數據流量也將繼續加速增長。

導致國內電信業用戶流失的現象非常嚴重的主要因素有以下幾點：

市場競爭因素。從三家運營商公布的數據看，全國移動業務用戶已達13億戶，多數城市移動電話滲透率超過100%，新增市場空間非常有限，國內市場己經趨于飽和。因此，客戶資源的競爭成為運營商的首要任務。

通信技術更新因素。在移動電話興起前，用戶通信主要以固定電話為主，市場空間很大，客戶流失極少。如今，隨著科技的發展，各種通信技術的發明，產生出一系列新產品，供用戶選擇的范圍更加廣泛。隨著客戶消費水平的提高，理性消費趨于主流。客戶更多的根據自己的偏好、資費等因素選擇運營商。

同質化業內競爭。雖然各通信運營商采用不同的技術，但是提供的服務都是語音業務及數據業務為主。因此，對用戶來說選擇哪個運營商，所獲得的使用價值差別不是很大。在這種情況下，用戶比較容易流失。

低ARPU值群體增加。隨著電信市場的飽和，開始涌入大量低端用戶。很多用戶都有兩個以上運營商的號碼在用，或者是同一運營商的兩個號碼，一個為主另一個為輔，產生很多ARPU值較低的用戶號碼，低ARPU值用戶對資費的高敏感度導致離網率不斷上升。

受到營改增、成本壓降、實名制等宏觀政策的影響。例如營改增及成本壓降后，中國聯通成本轉換空間較小，只能剛性壓縮終端補貼成本和傭金等營銷成本，直接影響了社會渠道的盈利和發展能力，之前靠社會渠道粗廣的“大進大出”的營銷模式帶來的增量用戶手段已經不適用現行的市場環境，中國聯通社會渠道業務發展比重在三家運營商中占比最高，實名制實施后，對中國聯通移動業務發展影響極大。

所以運營商需要尋找更有效的辦法來保持與客戶的關系，創造價值和維系用戶，增加盈利。如何盡早發現客戶的流失傾向并進行有針對性的維系對于企業的發展舉足輕重。

數據挖掘技術是預測客戶流失最常用的方法。其目的是對大量的數據進行各種處理，從中提取出隱含在數據中的知識。在預測客戶流失時，可利用其決策樹、神經元網絡、分類回歸樹等手段建立預測客戶流失傾向的模型，通過模型從大量的客戶數據中提取對預測客戶流失有用的信息，據此信息制訂相關的客戶維系工作計劃。由于電信行業的數據庫數據量極大，而且數據中的數據并不能直接用于數據挖掘。因此，將數據挖掘技術應用于電信行業時，需要注意電信行業某些業務有別于其他行業的特點。

在電信行業中，數據挖掘技術一般應用于以下幾個方面：

（1）客戶消費模式分析。通過分析客戶的通話時段、不同職業客戶的通話特征、繳費周期、使用網絡服務的規律、套餐飽和度等，為電信行業的經營決策提供依據。

（2）新產品推廣分析。在電信行業推廣其新產品時，利用數據挖掘技術分析推廣活動中存在的問題，據此分析結果調整其推廣策略，以達到最佳的推廣效果。

（3）客戶欠費分析。通過數據挖掘技術，發現客戶欠費行為的規律，當客戶在某一時間段內的話費規律與欠費規律相似時，數據挖掘系統提出警示，以便工作人員采取相關措施，將企業的風險和損失降至最低。 （4）客戶流失分析。根據己流失客戶的數據，找出客戶相關屬性、客戶消費行為等數據與客戶流失之間的內在關系，并建立這種關系的數據模型。然后監控在網客戶中與流失客戶相關的數據屬性，當某些屬性與客戶流失模型吻合時，向工作人員提出預警。工作人員據此報告采用相應的維系手段來提高客戶的忠誠度，降低客戶的流失率。

由于客戶數據的一些特點，使得將數據挖掘技術用于電信客戶關系管理時將會面臨以下幾個較具挑戰性的問題。

（1）數據準備工作時間長：由于原始客戶數據量大、時間跨度長、業務流程發生變化等，在進行數據挖掘工作前，需要對這些原始數據依次進行選擇、格式化、清洗、整合以及重建的工作，導致在數據準備這一環節的工作量非常大。有相關研究指出，在數據挖掘過程中，數據準備這一過程一般花費整個數據挖掘過程50%-80%的時間。

（2）預測模型數據集的建立：在進行客戶流失預測時，如果直接采用某種預測模型，比如神經元網絡模型、分類回歸樹、決策樹等，那么最終的預測結果將是無效的。因為利用原始客戶數據建立預測模型集時，流失客戶在客戶數據庫中過少，導致流失客戶的樣本特征不具有代表性。一般解決方案是提高流失客戶在客戶數據庫中的比例，但是這種方法也會產生潛在的負面影響。

（3）數據挖掘結果與實際情況不吻合：電信行業客戶數據庫中，由于客戶眾多，導致客戶數據量大。而且隨著技術的發展和業務流程的變化，導致數據的正確性、完整性以及一致性也會發生變化。從而使得利用歷史數據分析出來的結果與實際情況存在不吻合的情況。

（4）采用數據挖掘技術的成本效益：當需要耗費大量的人力和物力進行數據挖掘后，數據挖掘的預測結果不是非常理想，則會使得將數據挖掘技術用于客戶流失預測的成本效益過低。此外，如果進行客戶維系的成本過高，即使數據挖掘的結果很理想，也會導致數據挖掘技術失去實際意義。

目前常用的數據挖掘方法有很多，從國內相關研究來看，客戶流失分析較為常用的有四種方法，分別是決策樹方法、貝葉斯分類方法、神經元網絡方法和Logistic回歸方法。

使用以上幾種數據挖掘方法建立模型并應用于市場分析，可有效的預測未來即將流失或有流失風險的用戶數據，尤其是高ARPU值用戶。客戶一旦離網，重新回流的難度和成本就非常高了，因此必須要在客戶離網之前，提前發現客戶的離網傾向，更重要的是需要找出這些客戶離網的原因，從而有針對性的進行客戶維系工作和開展新的營銷計劃，因此，建立數據挖掘模型必須在發現客戶離網傾向的同時，能夠提供對客戶離網行為的解釋，幫助找出客戶離網的內在原因。為了能夠有效的提前做好防止客戶離網的工作，建立數據挖掘預測模型應該能夠講求效率，所以對預測的時效性要求也比較高，不能耗費過多的時間在模型的建立和訓練上，需要盡可能早發現客戶的離網傾向盡早的拿出維系挽留措施，降低流失風險，這樣在當今競爭激烈的通信市場環境下，能新發展用戶的同時又能最大限度的維系在網老客戶是運營商保持市場及收入份額的關鍵。

作者簡介：閆飛（1980.03—），男，籍貫：陜西，學校：內蒙古科技大學，學歷：碩士，院系：信息工程學院，專業：計算機技術，研究方向：基于數據挖掘技術的電信行業3G用戶流失分析研究。