數(shù)據(jù)挖掘在電信業(yè)的應用.pptVIP

,數(shù)據(jù)挖掘技術在 電信用戶分析與保持中的應用,北大2013公安班數(shù)據(jù)挖掘第13小組 2013年11月,北大2013公安班數(shù)據(jù)挖掘第13小組 成員名單,黃錫鋒：1301220570 張 佶：1301220690 趙 征：1301220706 徐 良：1301220670 周 ?。?301220713 張 峰：1301220686,電信運營商之間競爭激烈,兩 有：市場占有率，用戶保有量 ARPU：每用戶月平均收入,提升,電信運營商之間競爭激烈,運營商的年ARPU值,ARPU值逐年下降，應努力調整業(yè)務結構以適應形勢變化。,電信運營商之間競爭激烈,運營商年ARPU值,留住一個用戶所需要的成本是爭取一個新用戶成本的1/5,相關分析主要分析變量之間聯(lián)系的密切程度；回歸分析主要基于觀測數(shù)據(jù)與建立變量之間適當?shù)囊蕾囮P系。相關分析與回歸分析均反映的是數(shù)據(jù)變量之間的有價值的關聯(lián)或相關聯(lián)系，因此兩者又可統(tǒng)稱為關聯(lián)分析。,（一）相關分析和回歸分析,時間序列分析與關聯(lián)分析相似，其目的也是為了挖掘數(shù)據(jù)之間的內在聯(lián)系，但不同之處在于時間序列分析側重于數(shù)據(jù)在時間先后上的因果關系，這點與關聯(lián)分析中的平行關系分析有所不同。,（二）時間序列分析,分類與預測用于提取描述重要數(shù)據(jù)類的模型，并運用該模型判斷新的觀測值分類或者預測未來的數(shù)據(jù)趨勢。,（三）分類與預測分析,聚類分析就是將數(shù)據(jù)對象按照一定的特征組成多個類或者簇，在同一個簇的對象之間有較高的相似度，而不同的簇之間差異則要大很多。在過程上看，聚類分析一定程度上是分類與預測的逆過程。,（四）聚類分析,從實際情況上看，國內電信企業(yè)每月的用戶流失率一般在1%3%左右，如果直接采用某種模型(比如決策樹、人工神經(jīng)網(wǎng)絡等)可能會因為數(shù)據(jù)概率太小而導致模型的失效，因此我們需要加大流失用戶在總樣本中的比例，但是這種過度抽樣必須謹慎小心，要充分考慮它的負面效應。,（一）抽樣,在實際運用的過程中，可能存在用戶被判斷具備流失傾向，但當數(shù)據(jù)返回到用戶服務前臺的時候用戶已經(jīng)流失的情況，其原因可能存在于不同業(yè)務部門之間協(xié)調工作的時延過長或者數(shù)據(jù)采集間隔太長等，這使得流失判定預警喪失了原有的意義。,（二）模型的有效性,數(shù)據(jù)挖掘在用戶流失管理中的重要應用不僅僅應包括對用戶流失的提前預警，還應包括用戶流失后的原因分析。按照不同的用戶信息維度，查找最容易流失的用戶群，同業(yè)務部門人員配合，輔以相關調查，力求發(fā)現(xiàn)用戶流失的癥結所在。,（三）流失后分析,28%的用戶是重入網(wǎng)或反復入網(wǎng)引起的；流失用戶的91.6%是在半年內流失（低網(wǎng)齡用戶）。,用戶流失類型,（一）重入網(wǎng)、反復入網(wǎng)用戶挖掘,識別規(guī)則：通過對新入網(wǎng)用戶使用手機的IMEI號（或身份證號碼）與存量用戶的IMEI號歷史庫（或身份證號碼歷史庫）進行分析識別出重入網(wǎng)和反復重入網(wǎng)用戶。,（一）重入網(wǎng)、反復入網(wǎng)用戶挖掘,識別過程,為了提高分析結果的準確率，每月定期對上月新入網(wǎng)的用戶（上月入網(wǎng)并激活的用戶）進行分析。分析示意如下：用戶在N月入網(wǎng)并激活（有話單產(chǎn)生），則在N+1月（計算月）對N月入網(wǎng)并激活的所有用戶進行重入網(wǎng)分析。,產(chǎn)品/價格,促銷/宣傳,不同品牌及資費存在內部競爭，沒有考慮體系間的平衡問題； 預存費用低，用戶入網(wǎng)門檻不高，使其可以輕易棄卡。,新入網(wǎng)促銷活動優(yōu)惠力度過大； 品牌及資費資費套餐互轉門檻過高，停機保號、套餐互轉等宣傳不足。,追求經(jīng)濟收益，受入網(wǎng)優(yōu)惠的吸引； 換取吉祥號碼； 欠費停機后選擇重入網(wǎng)。,競爭對手以低資費、大力度的優(yōu)惠活動吸引用戶，但整體質量未能讓用戶滿意，從而使用戶在短暫離（移動）網(wǎng)后重新入網(wǎng),內部原因,外部原因,用戶原因,渠道/服務,渠道迫于指標壓力或利益驅動，自身養(yǎng)卡或誘導用戶換卡； 補卡成本高且手續(xù)復雜。,（一）重入網(wǎng)、反復入網(wǎng)用戶,為了保證數(shù)據(jù)的完整性和可用性,1、數(shù)據(jù)準備,（二）低網(wǎng)齡用戶挖掘,流失用戶在網(wǎng)時長分析,2、初步分析,（二）低網(wǎng)齡用戶挖掘,流失用戶的91.6% 是在入網(wǎng)后的六個月內流失 流失用戶的76% 是在入網(wǎng)后的四個月內流失 分別有22.1%和22.8%的流失用戶在入網(wǎng)后的第一個月和第二月內流失,數(shù)據(jù)來源： 12年1月-10月新增用戶 流失用戶定義：當月停機，且連續(xù)停機60天以上用戶,到2012年11月仍未開機用戶 網(wǎng)齡舉例：3月入網(wǎng)，3月流失的用戶，網(wǎng)齡為0個月,流失用戶的在網(wǎng)時長分布,針對網(wǎng)齡1個月和24個月兩個用戶群分析,3、進一步分析,（二）低網(wǎng)齡用戶挖掘,采用凝聚的方法,4、網(wǎng)齡1個月的流失用戶通話業(yè)務挖掘,（二）低網(wǎng)齡用戶挖掘,網(wǎng)齡1月新增用戶細分模型,4、網(wǎng)齡1個月的流失用戶數(shù)據(jù)業(yè)務挖掘,（二）低網(wǎng)齡用戶挖掘,網(wǎng)齡1月新增用戶細分模型,4、網(wǎng)齡1個月的流失用戶數(shù)據(jù)挖掘,（二）低網(wǎng)齡用戶挖掘,4、網(wǎng)齡1個月的流失用戶數(shù)據(jù)挖掘,（二）低網(wǎng)齡用戶挖掘,5、網(wǎng)齡24個月的流失用戶通話業(yè)務挖掘,（二）低網(wǎng)齡用戶挖掘,網(wǎng)齡24月新增用戶細分模型,5、網(wǎng)齡24個月的流失用戶數(shù)據(jù)業(yè)務挖掘,（二）低網(wǎng)齡用戶挖掘,網(wǎng)齡24月新增用戶細分模型,（二）低網(wǎng)齡用戶挖掘,5、網(wǎng)齡24個月的流失用戶數(shù)據(jù)挖掘,（二）低網(wǎng)齡用戶挖掘,5、網(wǎng)齡24個月的流失用戶數(shù)據(jù)挖掘,根據(jù)中國移動歷年年報顯示，簽約用戶在網(wǎng)率時間長，且ARPU值一般是預付費用戶ARPU值的34倍。具體實現(xiàn)方式有兩種： 一種是通過有吸引力的資費套餐將預付費用戶轉換成簽約用戶 另一種是直接發(fā)展簽約用,（一）擴大簽約用戶比例提高在網(wǎng)率,通過推出各種優(yōu)惠資費套餐等促銷方法拉動用戶提高業(yè)務使用量，這種方法往往與預付費用戶轉換成簽約用戶方法相配套推出。下表是針對不同用戶群可以推出的優(yōu)惠措施：,（二）針對不同用戶群推出不同優(yōu)惠措施,（二）針對不同用戶群推出不同優(yōu)惠措施,對于電信運營商來說，不僅業(yè)務要不斷創(chuàng)新，不斷開發(fā)，服務也要不斷創(chuàng)新，不斷開發(fā)。可以推出如下服務