电信企业客户细分模型构建与应用研究

第3 0卷 21 0 1年 6月

情

报

杂

志

V0 . 0 13

J OUR NAL OF l TE1 GENC N 2I E

Jn 2 0 u e 01

电信企业客户细分模型构建与应用研究贺仁龙叶宇航赵晓康2, (. 1中国电信股份有限公司上海研究院摘要

上海 202;. 0122东华大学管理学院上海

20 5 ) 00 1

建立了基于数据挖掘技* g电信客户细分模型， -s并实证分析了客户行为特征分析数据获取方法与过程，得

到并刻画各个客户群的特征，从而掌握了每个客户群中的客户行为、价值特征，有利于电信企业针对目标客户群开展精确营销活动。 关键词数据挖掘客户细分模型目标客户群精确营销

中图分类号

T 31 P 9

文献标识码

A

文章编号

10 - 9 5 2 1 ) 18 0 0 2 16 (0 I 04— 4

1研究背景伴随电信市场的迅速发展，通信服务在消费者中得到普及，电信客户也逐渐呈现出细分化、多元化的特

需要根据商业问题及数据样本集的特点，择合适的选算法或算法组合。大部分数据挖掘算法都是针对特殊的目的而设计的，而且都规定了所允许的输入数据的类型，通常情况下根据所定义要解决的问题来选择挖

征，电信企业的竞争焦点和发展机遇将更多地集中到各细分市场中。运营商要保持市场的领先地位以及不

掘算法，如分析客户属性一般采用聚类算法，购买分析模式使用关联规则等。

断提升客户价值，主动进行客户细分，必须采取差异化的市场营销和客户服务策略。数据挖掘细分技术为电信企业开展以客户细分为基础的针对性营销提供了有效工具，同时电信企业内部丰富的客户资料和历史消费数据是实施数据挖掘的有力保证。本文结合作者的项目实践，对利用数据挖掘技术实施客户细分的关键过程进行了分析和总结。

数据挖掘建模方法是数据挖掘顺利开展的先决条

件。它给出了每个数据挖掘项目的一个具体操作流程。目前，多数据挖掘系统的开发商为其用户提出许了一些应用数据挖掘技术的过程参考模型。欧洲委员会和相关行业的四个大公司，出了交叉产业标准过提

程 ( RS— M)…,导数据挖掘在商业中的应用， C IP D倡 解决商业中的问题，如图 1所示。

电信客户细分是依据电信

市场特有的运作规律，按照客户在需求、动机、为和能力方面的差异，用行运

系统的方法将整个电信市场划分为若干个不同的客户群，然后选择合适的客户群作为公司服务目标市场的过程。通常是按照客户自然属性、业务使用特征、户客偏好和动因等分成若干客户群，目的是使得同一群其内的客户特征非常相似，同群间的客户特征差异较不大。本文研究客户细分模型是为了验证客户统一视图中客户行为信息数据获取方法，研究的过程是基于 A 省电信企业政企客户细分实施的项目图 1 C IP DM参考模型 RS—

C IP D RS— M参考模型中包括业务理解、数据理解、

2电信客户细分模型研究 2 1数据挖掘建模理论数据挖掘是从海量数据 . 中提取出有效的、新颖的、有潜在作用的、可信的、并能最终被人理解的模式的非平凡的处理过程。数据挖掘是从大量数据中发现潜在的、有价值信息的方法，因此收稿日期：0 0 1— 2 2 1— 2 2

数据准备、建模、型评估和模型实施六个步骤，模数据挖掘是一个循环迭代的过程，在这个过程的每一个阶

段，如果发现某个阶段产生的结果和预想或者希望的结果有出人，则需要用户重复以前的工作。 22客户细分模型构建客户细分模型是把客户 .

作者简介：贺仁龙 (94 )男，士， 18 -,硕经济师，研究方向：电信企业管理；宇航(97 )男，叶 17一，硕士，工程师，研究方向：业数据管理；企赵晓康(9 5 )男， 16 -,博士，教授，研究方向：企业战略、商业模式等。

2 1 6月 0 1年

贺仁龙，:等电信企业客户细分模型构建与应用研究

19 4

分成若干客户群，依据分群结果对客户群进行特征并

则或分类器对整体客户进行细分的方法。分类规则通常是根据市场现状、业务经验和统计分析结果来构建

刻画的模型。其目的是使得同一群内的客户特征非常相似，不同群间的客户特征差异较大。客户细分模型的输出结果为分群标签，标识每个客户所属的群

的；器通常是借助有监督的分类算法 (决策树分类如和判别分析等 )来构建的。此分类方法一般建议用决策树算法。b聚类算法： .聚类分析是一种无监督学习

以及群特征刻画。可

以帮助电信企业了解客户的人口 统计数据、客户偏好、消费行为、险模式以及利润水风平的多样性。

的数据挖掘算法，其分类规则事先不能确定。而是首先定义客户之间的相似度，后按照客户之间相似度然的大小逐一归类的方法。此方法建议采用 K Men— as

23客户细分标准 .

客户细分首先要实现“五分”

标准，即按 A P R U分级、按用户预存款分档、按用户协议期限或在网时长分期、按用户的电信消费行为分群、按用户的人口统计学或社会属性分类。客户细分依据的属性见表 1:表 1客户细分依据的属性客户细分标准客户分级标准客户分档标准属性内容

算法。c依据经验规则的算法：据业务人员已知的 .依

经验规则，过指定的属性维度对客户进行细分的方通法。如：以上提到的“分”中，级是按照客户五法分

AP R U值细分客户；分档是按照客户预存款的大小细分客户；分期是按照客户入网时长或者协议期限细分

客户拥有电信产品消费的 A P R U值客户拥有的用户的预存款的多少客户拥有的用户的在网时长，或者按照协议约定的到期时长

客户；分群是按照客户电信消费行为细分客户；分类是按照用户的人口统计学或社会属性细分客户。对于以上三种方法，当对客户的细分目标明确，但

客户分期标准

细分逻辑或规则涉及属性较多或者相关过程较复杂，难以直接提炼出清晰稳定的细分规则时，比如对易流

客户拥有：客户拥有电信产品以及产品组合使用情况——如固话、固网宽带、无线宽带、 D A手机、+ CM c

失客户和非易流失客户的划分。这种情况下，般利一用已知样本数据进行有监督学习的分类方法，现客实户细分。当需要依据客户多个消费行为指标的综合相似度来对客户群进行划分，以便从整体上洞察客户的

w上网卡、是否使用 19邮箱、星空、 8互联 I M聊天、备份服务、定位服务、全球眼等增值业务客户行为：时段通话时长/分次数、时段上网时长/分

次数/流量、叫次数/主时长、次数/漫游时长、短信/彩铃/彩信使用次数、位置变化行为、增值业务使用次数、增值内容偏好、交际圈、通话行为方式变化等客户分群标准客户费用：本地/长途/漫

游费用、无线宽带本t/￥漫游费用、手机上网费用、倍/铃/短彩彩信使用费、D C MA

消费行为模式、刻画细分客户群体轮廓时，多采用聚类分析的方法。这种划分方法的规则不是事先已知的， 而是由聚类算法通过机器学习过程获得的。当业务上已经有了相对具体的客户细分规则，务目标侧重依业据该业务规则得到具体营销和维系计划的具体目标客户清单时，一般采用类似“五分”的经验规则的方法法。

通信助理费、nr r业务使用费、增值业务使用费客户交互：询类型、询次数、查查自助语音查询次数、

投诉类型、诉次数、投网厅登陆次数、掌上营业厅访问次数、短信营业厅访问次数、号码百事通访问次数、关怀类型、各渠道关怀次数、各渠道客户响应/参与次数等

3客户细分模型的应用及客户行为特征分析 3 1数据理 …… 此处隐藏：2658字，全部文档内容请下载后查看。喜欢就下载吧 ……