搜索
2内容1精细营销对于客户预测的要求2日常营销目标客户预测的现状3精细营销客户预测专题介绍4精细营销客户预测专题营销支撑5总结3精细营销对于客户预测的要求随着移动通信行业由成长趋向成熟，以及市场竞争格局的逐步演变，对我们的市场精细营销能力提出了新的要求：群发营销外呼营销交叉营销实时营销以产品为中心以客户为中心实现精确的客户预测是精细营销的基础！精确的客户预测是基础谁会使用我们的产品？4内容2日常营销目标客户预测的现状1精细营销对于客户预测的要求3精细营销客户预测专题设计思路4精细营销客户预测专题模块介绍5精细营销客户预测专题实施考虑5日常营销客户定位存在的问题前期营销管理存在的问题6、目标客户群的大小难以科学灵活控制5、客户群依懒人工临时从后台提取1、目标用户定位依然以业务经验为主2、业务人员仅得到有限的报表数据支撑3、目标用户定位较粗不利于控制成本4、目标用户定位较粗容易引起投诉7、…6日常营销客户定位存在的问题日常的如短信群发、外呼等营销手段，目标用户群的选取仍然采用业务人员经验指定的方式，经验为导向的目标客户群选取容易产生定位不准，客户响应度不高，营销效率较低等情况，特别是当前推出的大量新业务，对于目标客户群的精准选取提出了更高要求用户群定位精度不够往往只能采用扩大目标用户群的方式弥补，这样就会增加营销成本，在营销高峰期，容易导致资源紧张目标用户定位较粗不利于控制营销成本目标用户定位依然以业务经验为主业务人员仅得到有限的报表数据支撑现有的经分系统在提供日常用户群精细分析的支撑能力还有限，业务人员仅能通过有限的报表相关数据获取帮助7日常营销客户定位存在的问题长期向非目标用户进行营销容易引起客户的反感，特别是对产品不感兴趣的用户，导致投诉的增加，不利于满意度提高客户群提取从需求提出、审核、代码编写，运行及审核，经历的环节很多，一方面时间上难以控制，往往受限于系统性能，另一方面重复、反复及修改提取的现象也很多，效率有待提高客户群依懒人工临时从后台提取目标用户定位较粗容易引起投诉目标客户群的大小难以科学灵活控制目标客户群在选取中没有重要程度的区别，对于营销来说每个客户的权重都一样，为了控制营销量只能采用随机抽取的方式进行，缺乏科学的控制手段8内容3精细营销客户预测专题介绍2日常营销目标客户预测的现状1精细营销对于客户预测的要求4精细营销客户预测专题营销支撑5总结9客户预测专题建设目标实现效率提升!群发营销交叉营销外呼营销提升精确客户预测能力提升经分数据挖掘能力(3)建立典型新业务数据挖掘模型(1)数据挖掘技术支撑(2)建立数据挖掘专题架构(4)构建基于数据挖掘的统一视图通过客户定位专题的建设，初步实现：支撑精细营销10一、数据挖掘技术按既定业务目标，对大量的企业数据进行探索，揭示隐藏其中的规律性，并进一步将其模型化的先进、有效的方法什么是数据挖掘经典案例：啤酒和尿布的故事11一、数据挖掘技术客户预测挖掘采用方法（以飞信为例子）基于现有飞信用户和普通用户样本，搜集和判断影响用户成为飞信用户的要素，采用逻辑回归的方法训练样本得到回归模型，用以计算未来用户成为飞信用户的概率小知识：数据挖掘方法：包括关联、序列、分类及聚类，客户预测属于分类分类采用如下的技术：如决策树，神经网络、逻辑回归等，客户预测采用逻辑回归121.抽样2.探索3.修改4.建模5.评估从数据挖掘专用库中随机抽取用户作为训练样本，确保普遍性原则采用直方图等方式初步分析各变量对于结果的影响程度定义业务问题数据准备模型发布回顾和评价采用逻辑回归方法训练得到预测模型，得到预测概率方程式采用十分位方法验证健壮性，采用重采样防止过适应采用专用数据挖掘软件，利用逻辑回归中的后向、逐步及评分方法得出权重较高的影响变量集一、数据挖掘技术实施步骤13数据仓库数据挖掘专用数据层手机报模型手机证券模型飞信模型其它数据挖掘模型抽样探索修改建模评估循环往复的挖掘过程抽样抽样探索探索修改修改建模建模评估评估循环往复的挖掘过程定义业务问题环境评估数据准备回顾和评价模型发布数据挖掘实施方法论二、系统架构BOSS系统客服系统外围数据源DSMP清单查询清单导出数据接口营销管理平台B0SS前台10086短信中心彩信中心外呼中心网站经营分析系统14数据挖掘对于数据的组织形式有特定的要求，以往以月为单位的历史信息存储无法满足深度挖掘的需要，需要转化成月均＋宽表的形式，可以极大提升数据挖掘数据准备的效率何谓专用数据层二、系统架构－数据挖掘专用数据层15二、系统架构－数据挖掘专用数据层DW(数据仓库层)DWD(数据仓库明细层)ODS(操作数据存储层)ST(汇总层)报表主题KPI即席查询语音消费信息归整集(2年)短信消费信息归整集(2年)彩信消费信息归整集(2年)GPRS消费信息归整集(2年)梦网消费信息归整集(2年)梦网注册信息归整集(2年)产品注册信息归整集(2年)营销活动信息归整集(2年)（预缴、终端捆绑、促销等）自然属性信息归整集(2年)其它信息(2年)涵盖了当前能够获得的用户所有信息数据挖掘专用数据层将仓库数据转化为数据挖掘易于使用的数据专题数据仓库数据流经营分析系统应用挖掘引擎挖掘模型专用数据层16三、构建典型新业务模型新业务相对于语音业务，用户市场呈现小而多的特点，如何准确的找到潜在的新业务用户群是面临的重要课题，本专题从典型新业务入手，如飞信、手机报等，尝试采用客户预测的方法，找到每类新业务的潜在用户群，从而实现新业务的精细营销下面以实现的第一个新业务模型飞信为例进行原理介绍17实施步骤选择样本用户分析影响因素选择重要变量建立预测模型验证评估模型三、飞信模型介绍18飞信样本普通样本训练样本•在网三个月以上•1月注册成飞信•1-2月连续活跃共3万用户•随机抽取普通用户共30万用户样本一样本二样本用户的选择需要确保其能真实体现飞信或普通用户的一般特征，剔除由于促销活动等引发的“非正常”用户样本需体现普遍性3.1选择样本用户19•RFM(R代表最近值、F代表频度值、M代表币值)是将客户特征化的经典方法，最早应用于目录营销服务行业•我们认为年龄、性别、品牌、交往圈及终端等自然属性是影响用户成为飞信用户的关键因素RFM变量自然属性•用户使用移动通信语音、短信、彩信、GPRS等服务产生的业务量及收入也作为可能的影响因子纳入进来消费特征哪些方面的因素是飞信用户区别于普通用户的特征呢？3.2分析影响因素20我们认为假如用户最近定购过新业务类或梦网类产品，或者近2年定购的次数比较多，则用户继续定购新业务产品（比如飞信）的可能性会比较高，因此纳入以下变量：近2年新业务产品定购次数、最近新业务产品定购间隔、新业务产品当前有效个数短信类、彩信类、gprs类、wlan类、手机邮箱类、语音增值类、来电助手类基础通信类商务类、博客类、手机报类、音乐类、彩信类生活娱乐商务类由于梦网产品无明确细分方法，只能以总的为依据梦网类新业务细分注：彩铃、来电助手等由于捆绑性质居多，无法体现真实用户使用趋向，这里统一未纳入考虑三大变量3.2分析影响因素－RFM变量21我们认为年龄、品牌、交往圈及终端等自然属性是影响用户成为飞信用户的关键因素通过单变量回归分析，发现32岁是一个比较显著的飞信用户分水岭年龄飞信用户以交流为主，因此用户交往圈的大小具有重要意义，通过单变量回归分析发现，在一定时间段内有3次以上在不同天有通话的对端用户才是有效交往用户交往圈是否属于动感地带用户是一个重要布尔变量品牌是否终端支持性别在网时长…3.2分析影响因素－自然属性22用户使用移动通信语音、短信、彩信、GPRS等服务产生的业务量及收入也作为可能的影响因子纳入进来。为了降低短时间内异常消费行为的影响，比如促销，所有的消费行为数据都以近2年的月均消费为基准。近2年收入近2年优惠收入近2年SP费收入…收入类(10个)近2年通话时长近2年本地通话时长近2年省内漫游通话时长近2年省际漫游通话时长…语音类(20个)近2年短信发送条数近2年彩信发送条数近2年CMWAP次数近2年彩铃下载次数…新业务类(40个)3.2分析影响因素－消费特征23卡方值（变量权重）13717717921422025126226626932839644646749453665970870974085510372405050010001500200025003000最近2年月均新业务产品订购次数最近一次订购梦网类产品的时间最近半年有无订购过GPRS类产品最近2年新业务产品订购次数最近一次彩铃下载时间是否动感地带最近2年月均手机报订购次数最近半年是否定购过短信产品最近一次订购商务类产品时间最近2年有没订购过音乐类产品品牌最近手机报类产品定购时间最近手机上网类产品定购时间年龄近2年语音增值产品月均订购次数最近手机邮箱类产品定购时间近2年短信月均发送条数近2年新业务产品月均订购次数最近音乐类产品定购时间是否飞信终端手机上网次数有效交往圈（是否大于11个）共规整收集150个变量，采用后向、逐步回归方法，逐步淘汰不相关变量，最终选择稳定的排名前20的变量作为飞信影响因素(模型输入变量)值得关注的现象：ARPU、MOU等常规用户价值度量与飞信用户相关性非常小，RFM变量则体现出其价值3.3选择重要变量24实际模型：logit=log(p/(1-p))＝2.1878（p代表成为飞信用户的概率）+0.1427*TRADEMARK（品牌）+0.3098*is_trademark4（是否动感地带）-0.4207*is_age32（年龄是否小于32）-1.2125*is_sphere3_1_11（交往圈是否小于11）-1.3080*is_sphere3_12_15（交往圈是否在12与15之间）-1.2624*is_sphere3_16_19（交往圈是否在16与19之间）-1.0657*is_sphere3_20（交往圈是否大于20）+0.4971*IS_FEIXIN_TERM（是否飞信终端）+0.000134*N_MU_L_DATE_logi（最近定购的音乐产品间隔log倒数）+0.0471*CMWAP_COUNTS_sqrt（CMWAP上网次数sqrt平方根）-2.0817*N_APPLY_2_COUNTS（近两年月均产品定购次数）-1.6197*N_APPLY_2_COUNTS_cos（近两年月均产品定购次数cos）+0.7396*N_GPRS_L_DATE7（近7个月内是否定购过gprs产品）+0.1916*N_GPRS_L_DATE_sin（最近定购的GPRS产品间隔sin）-0.00005*N_MU_L_C_cui（近两年月均音乐产品定购次数立方的倒数）+0.5477*N_GPRS_APPLY_COUNTS114（近两年月均GPRS产品定购次数）+0.000089*N_PAPER_L_DATE_logi（最近定购的手机报产品间隔log倒数）+1.0152*N_PAPER_I_A_C_sqrt（近两年月均手机报定购次数平方根）+2.6438*N_MAIL_APPLY_COUNTS_sqrt（近两年月均手机邮箱定购次数平方根）+0.3913*N_SMS_A_L_D5（最近是否定购过短信产品）-0.0558*N_B_A_L_D_curt（最近定购的商务类产品间隔curt）-0.00002*N_A_L_D_logi（最近定购产品的间隔log倒数）-0.00003*VPMN_C_D_logi（最近定购vpmn产品的间隔log倒数）-0.00003*NISMG_A_L_D_sini（最近定购梦网产品的间隔sin倒数）-0.00015*N_ADD_A_C_cui（近两年月均语音增值产品次数立方的倒数）+0.0292*SMS_MO_COUNTS_sqrt（近两年月均短信发送次数平方根）+0.00343*GPRS_VOLUME_curt（近两年月均GPRS流量curt）-0.00004*N_C_I_A_C_cui（近两年月均彩铃产品定购次数立方的倒数）针对所选变量采用逻辑回归方法，训练得到拟合方程式