数据挖掘在电信的应用.ppt

数据挖掘在电信行业应用
数据挖掘在电信行业实施体系结构
确定商业目标
ETL
建立模型
数据收集、管理
数据探索、修改
业务理解Business
Understanding
数据理解Data Understanding
数据准备DataPreparation
建立模型Modeling
模型评估
Evaluation
模型调优
应用策略
先不考虑循环往复的探索和调优过程,直接顺序考察各个环节
业务应用
客户大出大进
发展
成熟
提升
衰退
渠道分析
客户生命周期
流失
追缴欠费
流失预警
重入网分析
大客户策反
产品评估
客户价值分析
交叉销售
客户信用评估
升级销售分析
维系
价值衰退分析
欠费分析
挽留分析
流失分析
4p理论
4p+4c理论
营
销
问
题
营
销
机
会
客户细分
案例分析
全网客户细分
定义:所有的个人用户,不包括集团用户、测试卡用户、公免用户、员工卡、欠费不停机客户等特殊用户群体
关注点:全网用户的消费倾向和群体变化,评估套餐与用户群体间的覆盖关系,调整积分、赠送、优惠、协议等市场策略和其他市场营销活动,保证全网用户的健康发展。
建模周期:每月建立全网用户细分模型
建模方法:对全网用户的最近3-5个月的客户、用户、资费、帐务、行为、服务详尽分析,使用聚类、决策树、神经网络、回归、关联分析等挖掘算法区别细分群体,并把用户群体和套餐产品相关联,针对不同用户,匹配和调整合适的主套餐及附加套餐。
框架式细分
从宏观入手,逐步向微观细化分类,将整个客户细分有层次有框架地进行;
本次客户细分,为框架式细分,旨在为运营商的客户关系管理工作提供较为通用的细分参考;
针对特定管理主题的细分可以在此框架式细分的基础上调整和扩展。
价值
风险
客户生命期
发展趋势
套餐/承诺
呼叫行为特征
宏观分类
微观分类
案例分析
高端客户细分
定义:客服部或者大客户部界定的需要进行一对一维系的高端用户,一般
来讲,高端用户不包含新用户。
关注点:全面关注高端用户的消费倾向和流失风险状况,考虑合适的维
系、挽留和价值提升政策。
建模周期:每月建立高端用户细分模型
建模方法:对高端用户历史5-8个月的客户、用户、资费、帐务、行为、服务详尽分析,使用聚类、决策树、神经网络、回归、关联分析等挖掘算法区别细分群体,预测用户流失和价值消退风险,做到未雨绸缪。
细分方式
细分维度
细分应用
群体细分
用户价值
从实际贡献收益、价值成色、价值潜力、高端评定等方面细分用户价值
生命周期
按照用户在网时长,随在网时间增大,用户对业务更加了解,依赖性不断增强
按照用户年龄和入网年龄分割用户群体
协议/套餐
分析用户协议使用状况,评估协议设定是否合理,根据用户消费特点调整协议
分析套餐使用状况,评估用户对包月套餐使用是否合理
发展趋势
区分成长型、消退型、稳定型和波动型的用户,把握用户群体变化规律
用户行为
分析用户的呼叫行为,包括本地/长途/漫游、短消息/语音/增值、普通长途/ip长途、忙时/闲时、主叫/被叫、网内/网间
分析用户行为和其所使用套餐的匹配状况,根据用户行为,调整用户套餐
增值业务
根据用户对多个增值业务的交叉使用状况,设定增值套餐包,对相关性强的多个增值业务捆绑销售,对相关性不强的增值捆绑进行拆分
追踪c网用户手机终端状况,确定可以推广1x业务的用户群
跟踪用户使用增值业务的频率和消费金额,建立预测模型,圈定目标用户,提升增值业务推广命中率
焦点用户细分
综合流失风险
综合考虑欠费流失风险、非欠费流失风险、部分流失风险
欠费流失风险
部分预付费用户在有离网倾向时,考虑到主动退网手续繁杂,同时希望能把帐户中的余额全部消费掉,则在不缴费的情况下持续使用手机业务,直到部分或全部功能被运营商关闭为止,我们称之为用户欠费流失。
在信控系统运转良好的情况下,预后付费用户不会产生欠费或者只会产生很少的技术欠费。对于有信用额度的预付费用户和后付费拖收用户,则会产生比较高的欠费。
非欠费流失风险
对部分用户在有离网倾向时,主动通过接触点办理停机,运营商在离网点进行挽留,如果挽留不成功,则根据用户要求办理停机,称用户非欠费流失
部分流失风险
部分用户在有离网倾向时,不再使用手机业务,不再进行消费,用户的订购状态不会发生变化,用户表现为一个在网且可以正常使用功能的沉默用户或0话用户
价值消退风险
高端用户arpu值急剧降低,用户预期收入损失巨大,获取用户名单,进行防范
竞争对手细分
定义:目前竞争对手的存量用户,通过过网话单对这竞争对手用户进行
详尽分析。
关注点:细分是策反