论文部分内容阅读
【摘要】 近些年，电信企业的客户流失随着客户规模的增长而增长，这一问题已经成为束缚电信企业成长的瓶颈，随着数据挖掘技术的出现，有效解决了学术研究与电信实践的耦合松散性，将运营商积累的大量有价值的客户行为信息，通过数据挖掘技术分析、整理、建模，从而预测客户流失倾向，并最终将研究结果深入到客户保留领域，使技术成果最终转化为电信企业提升客户价值的可操作性管理体系。
【关键词】 数据挖掘 数据仓库 流失预警
一、引言
客户保有的前提是理解客户行为，电信运营商已经积累了大量的客户行为信息，有效结合数据挖掘技术，对已有的无规则客户行为信息进行分析识别，并通过各类算法归纳总结出客户流失的规律及特点，最终建立起数据挖掘模型，经过不断的校验，可以预测客户流失倾向，并将预测结果转化为企业客户保有行为，为企业的营销工作提供帮助、指导，为企业决策提供支持，最终实现电信企业客户保有及价值提升的目的。
二、数据挖掘概述
（1）数据挖掘概念。数据挖掘是指从大量的、随机的、不规则的应用数据中通过算法（如分类、总结、关联规则、聚类等）搜索隐藏于其中的不为人知的、但潜在的有用知识的过程。数据挖掘提供预测性的信息，质上是一个归纳推理的过程，不是验证一个假定模型的正确性，而是在数据库中自己寻找模型。数据挖掘是多学科的产物，包含数据库技术、统计学、可视化、高性能计算、人工智能、机器学习。数据挖掘的三个过程，即数据整理、数据挖掘和结果的解释评估。（2）数据挖掘方法。数据挖掘常用的方法有关联分析、分类、聚类、回归分析、神经网络等，这些方法从不同的角度对数据进行挖掘分析，可以应用到企业客户行为分析、决策支撑等不同阶段和领域。
三、电信客户流失预警中数据挖掘的实施步骤
（1）明确目标。要充分发挥数据挖掘的作用，必须明确目标。电信客户流失预警的重要目标就是提前预知客户流失风险，从而指导维系人员准确定位目标客户，及时给与流失干预，提升电信客户保有率。（2）建立数据挖掘库。我们需要从各类海量电信客户数据库中抽取与客户流失相关数据内容，建立独立的客户流失预警挖掘数据库，该数据库可以是已有数据仓库的一个逻辑子集，而不一定非要是物理上独立的数据库。单独设立的客户预警数据库可以提高分析效率、避免由于数据巨大带来的数据冲突问题的解决。通过对客户流失关键点的数据抽取、精选，可以极大的减少数据处理量，节约系统资源，更好的辅助数据分析目标的达成。（3）数据分析。需要从海量客户、海量信息、海量数据中找到客户流失的关键点，不断从流失数据挖掘库中找到相应的规律和潜在趋势，使用聚类分析的方法进行客户信息类别区分，逐步梳理出影响客户流失的众多因素，并进行重要性分析，找出这些因素之间相互影响、牵连的关系，从而发现因素之间的相关性。（4）准备及调整数据。通过数据分析步骤，将符合分析要求数据进行数据库导入，并对数据进行进一步的调整，关键是实现进一层次的明确及量化，为模型化奠定基础。（5）建立模型。建立模型是数据挖掘的核心环节，在分析数据，并对数据进行系统调整的基础上即可以开始建立模型。通常我们利用聚类分析、时间序列分析等方法来实现建模。（6）评价及解释。从之前的步骤中我们已经很明确的得出客户流失的一系列分析数据及模型，我们会得出对客户流失问题多种描述，综合各类描述的规律性，提供合理的分析支持信息。
四、数据挖掘在电信客户维系中的应用
1、流失客户分析及建模
以往运营商服务模型基本围绕全生命周期时间轴主线，重点描述单客户服务动作，缺少客户聚类特征总结。结合客户流失特征，运用聚类统计分析方法将客户进行特征聚类，区分为入网半年内客户群、入网半年至一年客户群、入网一年以上客户群，其客户流失特征及原因存在区隔，入网半年内客户的流失与前期客户发展质量关系密切，主要取决于在新发展客户营销过程中存在的问题或弊端；而入网半年至一年客户群的流失与功能性的服务感知相关；入网一年以上或更长时间的客户流失与后期客户持续提供的服务及感知密切相关。同时三大聚类客户群又分别具有三个流失关键点，我们可以运用数据挖掘技术“信息熵理论”、“二元分类模型”，找到几个聚类群体流失相关因子，从而构建针对性精准的维系模型，如图1所示。
在基于聚类模型构建起精准的客户维系体系后，对应影响三个聚类群体的核心因子及模型分析，针对性制定标准化维系动作及强化服务方案，增强原有的客户服务体系，从而达到提升客户感知及粘性的目的。
结合三个关键点，从现有的海量客户行为数据中找到维系因子，对影响用户群流失的因子做聚类分析，梳理出关键因子，并进行重要性分析，选定对整体流失影响力较大的因子作为高危挽留的重点突破口，如表1所示。
通过高危因子重要度的区分，每月月初系统自动预警，为客户挽留提供数据支持。
2、客户挽留流程
（1）挽留机会分析。根据三大聚类客户群特点，对三类客户流失倾向进行评价，按风险的高低进行评判，入网初期客户流失风险最高，其次是高危客户流失倾向明显，一年以上到期合约客户也存在流失风险，根据风险度及入网时间的不同，进行流失客户预测，从而及时找到挽留机会。（2）挽留策略的制定。通过高危因子重要度分析，系统自动预警圈定需要挽留的客户群，对不同因子客户进行分析逐一制定挽留策略。针对新入网客户流失分析，梳理主要流失原因，制定相应的入网门槛，并配合相应酬金发放机制，在入网半年内分批分比例发放酬金，提升入网质量；针对入网半年以上客户，结合高危因子，梳理不同因子客户群流失原因，针对性制定挽留策略，如合约计划、网龄升级计划、流量回馈等；对于一年以上合约到期客户，制定老客户合约续费政策，提升合约续费率。（3）采取保有行为并反馈。通过以上两个步骤，找到挽留机会，并制定相应策略后，需将挽留行为分配给不同的渠道人员实施，新入网客户的入网策略由各发展渠道落实并反馈客户信息；半年以上中期高危客户及一年以上合约到期客户的挽留与维系需由维系中心与各实体渠道相互配合，由维系中心进行电话回访式维系，实体渠道配合通过理财专席等方式在日常业务办理中提高客户在网粘性。
五、结束语
事实上，流失模型的建立不可能直接带来客户流失率的减少，但基于数据挖掘的客户流失预警模型的应用，可以很大程度上提升客户维系与挽留的有效性，有效的预警、预测结合针对性的挽留策略及有效的挽留行为，才能够真正实现客户流失率的降低，达到提升客户感知及粘性的最终目的。
参 考 文 献
[1] Jiawei Han （加）（加）Micheline Kamber.数据挖掘概念与技术[M].机械工业出版社，2007年，第20-25页
[2] 吕晓玲.数据挖掘方法及应用[M].中国人民大学出版社，2009年，第121页
【关键词】 数据挖掘 数据仓库 流失预警
一、引言
客户保有的前提是理解客户行为，电信运营商已经积累了大量的客户行为信息，有效结合数据挖掘技术，对已有的无规则客户行为信息进行分析识别，并通过各类算法归纳总结出客户流失的规律及特点，最终建立起数据挖掘模型，经过不断的校验，可以预测客户流失倾向，并将预测结果转化为企业客户保有行为，为企业的营销工作提供帮助、指导，为企业决策提供支持，最终实现电信企业客户保有及价值提升的目的。
二、数据挖掘概述
（1）数据挖掘概念。数据挖掘是指从大量的、随机的、不规则的应用数据中通过算法（如分类、总结、关联规则、聚类等）搜索隐藏于其中的不为人知的、但潜在的有用知识的过程。数据挖掘提供预测性的信息，质上是一个归纳推理的过程，不是验证一个假定模型的正确性，而是在数据库中自己寻找模型。数据挖掘是多学科的产物，包含数据库技术、统计学、可视化、高性能计算、人工智能、机器学习。数据挖掘的三个过程，即数据整理、数据挖掘和结果的解释评估。（2）数据挖掘方法。数据挖掘常用的方法有关联分析、分类、聚类、回归分析、神经网络等，这些方法从不同的角度对数据进行挖掘分析，可以应用到企业客户行为分析、决策支撑等不同阶段和领域。
三、电信客户流失预警中数据挖掘的实施步骤
（1）明确目标。要充分发挥数据挖掘的作用，必须明确目标。电信客户流失预警的重要目标就是提前预知客户流失风险，从而指导维系人员准确定位目标客户，及时给与流失干预，提升电信客户保有率。（2）建立数据挖掘库。我们需要从各类海量电信客户数据库中抽取与客户流失相关数据内容，建立独立的客户流失预警挖掘数据库，该数据库可以是已有数据仓库的一个逻辑子集，而不一定非要是物理上独立的数据库。单独设立的客户预警数据库可以提高分析效率、避免由于数据巨大带来的数据冲突问题的解决。通过对客户流失关键点的数据抽取、精选，可以极大的减少数据处理量，节约系统资源，更好的辅助数据分析目标的达成。（3）数据分析。需要从海量客户、海量信息、海量数据中找到客户流失的关键点，不断从流失数据挖掘库中找到相应的规律和潜在趋势，使用聚类分析的方法进行客户信息类别区分，逐步梳理出影响客户流失的众多因素，并进行重要性分析，找出这些因素之间相互影响、牵连的关系，从而发现因素之间的相关性。（4）准备及调整数据。通过数据分析步骤，将符合分析要求数据进行数据库导入，并对数据进行进一步的调整，关键是实现进一层次的明确及量化，为模型化奠定基础。（5）建立模型。建立模型是数据挖掘的核心环节，在分析数据，并对数据进行系统调整的基础上即可以开始建立模型。通常我们利用聚类分析、时间序列分析等方法来实现建模。（6）评价及解释。从之前的步骤中我们已经很明确的得出客户流失的一系列分析数据及模型，我们会得出对客户流失问题多种描述，综合各类描述的规律性，提供合理的分析支持信息。
四、数据挖掘在电信客户维系中的应用
1、流失客户分析及建模
以往运营商服务模型基本围绕全生命周期时间轴主线，重点描述单客户服务动作，缺少客户聚类特征总结。结合客户流失特征，运用聚类统计分析方法将客户进行特征聚类，区分为入网半年内客户群、入网半年至一年客户群、入网一年以上客户群，其客户流失特征及原因存在区隔，入网半年内客户的流失与前期客户发展质量关系密切，主要取决于在新发展客户营销过程中存在的问题或弊端；而入网半年至一年客户群的流失与功能性的服务感知相关；入网一年以上或更长时间的客户流失与后期客户持续提供的服务及感知密切相关。同时三大聚类客户群又分别具有三个流失关键点，我们可以运用数据挖掘技术“信息熵理论”、“二元分类模型”，找到几个聚类群体流失相关因子，从而构建针对性精准的维系模型，如图1所示。
在基于聚类模型构建起精准的客户维系体系后，对应影响三个聚类群体的核心因子及模型分析，针对性制定标准化维系动作及强化服务方案，增强原有的客户服务体系，从而达到提升客户感知及粘性的目的。
结合三个关键点，从现有的海量客户行为数据中找到维系因子，对影响用户群流失的因子做聚类分析，梳理出关键因子，并进行重要性分析，选定对整体流失影响力较大的因子作为高危挽留的重点突破口，如表1所示。
通过高危因子重要度的区分，每月月初系统自动预警，为客户挽留提供数据支持。
2、客户挽留流程
（1）挽留机会分析。根据三大聚类客户群特点，对三类客户流失倾向进行评价，按风险的高低进行评判，入网初期客户流失风险最高，其次是高危客户流失倾向明显，一年以上到期合约客户也存在流失风险，根据风险度及入网时间的不同，进行流失客户预测，从而及时找到挽留机会。（2）挽留策略的制定。通过高危因子重要度分析，系统自动预警圈定需要挽留的客户群，对不同因子客户进行分析逐一制定挽留策略。针对新入网客户流失分析，梳理主要流失原因，制定相应的入网门槛，并配合相应酬金发放机制，在入网半年内分批分比例发放酬金，提升入网质量；针对入网半年以上客户，结合高危因子，梳理不同因子客户群流失原因，针对性制定挽留策略，如合约计划、网龄升级计划、流量回馈等；对于一年以上合约到期客户，制定老客户合约续费政策，提升合约续费率。（3）采取保有行为并反馈。通过以上两个步骤，找到挽留机会，并制定相应策略后，需将挽留行为分配给不同的渠道人员实施，新入网客户的入网策略由各发展渠道落实并反馈客户信息；半年以上中期高危客户及一年以上合约到期客户的挽留与维系需由维系中心与各实体渠道相互配合，由维系中心进行电话回访式维系，实体渠道配合通过理财专席等方式在日常业务办理中提高客户在网粘性。
五、结束语
事实上，流失模型的建立不可能直接带来客户流失率的减少，但基于数据挖掘的客户流失预警模型的应用，可以很大程度上提升客户维系与挽留的有效性，有效的预警、预测结合针对性的挽留策略及有效的挽留行为，才能够真正实现客户流失率的降低，达到提升客户感知及粘性的最终目的。
参 考 文 献
[1] Jiawei Han （加）（加）Micheline Kamber.数据挖掘概念与技术[M].机械工业出版社，2007年，第20-25页
[2] 吕晓玲.数据挖掘方法及应用[M].中国人民大学出版社，2009年，第121页