采用聚類分析的數(shù)據(jù)挖掘技術(shù)進(jìn)行電信市場客戶分群

1、采用聚類分析的數(shù)據(jù)挖掘技術(shù)進(jìn)行電信市場客戶分群 來源：計費&OSS世界 作者：蘇寧軍 時間：2006年07月03日 引言隨著國內(nèi)電信市場競爭的日趨激烈，電信運營商的經(jīng)營模式逐漸從“技術(shù)驅(qū)動”向“市場驅(qū)動”、“客戶驅(qū)動”轉(zhuǎn)化。面對客戶的多樣化、層次化、個性化的需求，大眾化營銷已經(jīng)失去了其優(yōu)勢，基于客戶信息、客戶價值和行為，深入數(shù)據(jù)分析的洞察力營銷、精確化營銷的理念逐漸被各大電信運營商所接受，并渴望通過從數(shù)據(jù)中挖掘價值來減少營銷成本、提高營銷效益。近幾年迅速崛起的數(shù)據(jù)挖掘技術(shù)成為實現(xiàn)這些目標(biāo)的必要手段。數(shù)據(jù)挖掘是從海量數(shù)據(jù)中提取隱含在其中的有用信息和知識的過程。電信各運營支撐系統(tǒng)所積累的海量歷史數(shù)

2、據(jù)是企業(yè)的一筆寶貴財富，誰能正確地挖掘與分析隱含在數(shù)據(jù)中的知識，誰就能更好地向用戶提供產(chǎn)品與服務(wù)，從而在競爭中脫穎而出。數(shù)據(jù)挖掘提供了從數(shù)據(jù)到價值的解決方案：“數(shù)據(jù) + 工具+方法+目標(biāo)+行動=價值”。數(shù)據(jù)挖掘目前已有一系列應(yīng)用：分類分析、聚類分析、預(yù)測分析、偏差分析、關(guān)聯(lián)分析和時序模式等，這些應(yīng)用涉及到的技術(shù)和工具各不相同，然而卻可以依據(jù)統(tǒng)一的方法論來實行，并可以協(xié)同作戰(zhàn)，解決許多有價值的商業(yè)問題。由SPSS、NCR和Daimler-Benzd在1996年提出的CRISP-DM方法論是國際上數(shù)據(jù)挖掘行業(yè)流行的標(biāo)準(zhǔn)，其成功之處在于源于實踐，是實際數(shù)據(jù)挖掘項目的智慧和經(jīng)驗的結(jié)晶。CRISP-DM

3、定義了數(shù)據(jù)挖掘項目的標(biāo)準(zhǔn)化流程，如圖1所示。商業(yè)理解數(shù)據(jù)理解數(shù)據(jù)準(zhǔn)備模型建立模型評估模型發(fā)布圖1CRISP-DM方法論準(zhǔn)確的細(xì)分市場和差異化的營銷策略是目前電信企業(yè)市場營銷所必須面對的難題。所謂市場細(xì)分是指營銷者根據(jù)顧客之間需求的差異性，把一個整體市場劃分為若干個消費者群的市場分類過程。由于顧客對電信產(chǎn)品需求的多樣性、變動性以及電信企業(yè)資源的有限性，電信企業(yè)在進(jìn)行市場營銷過程中，必須進(jìn)行市場分析，選擇目標(biāo)市場，做出市場定位，并結(jié)合目標(biāo)市場的特點和結(jié)構(gòu)制定有針對性的市場營銷策略?？蛻舴秩菏橇私饪蛻暨M(jìn)行市場細(xì)分和目標(biāo)市場營銷的前提。數(shù)據(jù)挖掘的分類和聚類的方法都可應(yīng)用于客戶分群。下面我們將對用聚類方

4、法進(jìn)行客戶分群的實現(xiàn)模式進(jìn)行詳細(xì)闡述，為電信目標(biāo)市場營銷的客戶分群提供完整的解決方案，并以實際案例驗證其可行性?；诰垲惙治龅目蛻舴秩壕垲悾╟lustering）是指把一組個體按照相似性歸成若干類別，即“物以類聚”，其目的是使得屬于同一類別的個體之間的相似度盡可能大，而不同類別的個體之間的相似度盡可能小。相似度是根據(jù)描述對象的屬性來測算的，距離是經(jīng)常采用的度量方式。聚類和分類有著很大的區(qū)別：分類時，我們總是事先知道哪些屬性是重要的，運營商總是將重要的、有影響力的屬性作為分類的依據(jù)；而聚類時，運營商事先根本不知道哪些屬性起作用，任務(wù)之一就是要找到那些起關(guān)鍵作用的屬性。聚類分析能夠幫助我們發(fā)現(xiàn)特征

5、迥異的不同客戶群，和對客戶分群起關(guān)健作用的指標(biāo)變量，并輔助運營商對各客戶群的特征進(jìn)行深刻洞察。21客戶分群的商業(yè)理解依據(jù)CRISP-DM流程首先要進(jìn)行客戶分群的“商業(yè)理解”，這一初始階段集中在從商業(yè)角度理解項目的目標(biāo)和要求，然后把理解轉(zhuǎn)化為數(shù)據(jù)挖掘 問題的定義和一個旨在實現(xiàn)目標(biāo)的初步計劃。我們必須明確項目的商業(yè)目標(biāo)，這個目標(biāo)應(yīng)該是適于用基于聚類分析的客戶分群方法去達(dá)到的。比如某電信運營商定義的客戶分群的商業(yè)目標(biāo)是“對某市數(shù)十萬公眾客戶，從價值和行為的分析維度進(jìn)行客戶分群，以了解不同客戶群的消費行為特征，為發(fā)展新業(yè)務(wù)、流失客戶保有、他網(wǎng)用戶爭奪的針對性營銷策略的制訂提供分析依據(jù)，并實現(xiàn)企業(yè)保存量

6、、激增量的戰(zhàn)略目標(biāo)”。電信客戶從營銷屬性分為三類：公眾客戶、商業(yè)客戶和大客戶，其中公眾客戶消費行為有較大的隨機性，客戶分布難有規(guī)律可尋，比較適于聚類分析。我們可以將此商業(yè)目標(biāo)轉(zhuǎn)化為數(shù)據(jù)挖掘的可行性方案：從價值和行為維度，考察客戶業(yè)務(wù)擁有與使用、消費行為變化、他網(wǎng)業(yè)務(wù)滲透等方面屬性，采用聚類分析的數(shù)據(jù)挖掘技術(shù)對研究的目標(biāo)客戶 (公眾客戶、入網(wǎng)時長、地域?qū)傩?、產(chǎn)品擁有類型等方面限定)進(jìn)行客戶分群，對各客戶群進(jìn)行特征刻畫和屬性分析，為針對性營銷確定目標(biāo)客戶群，并根據(jù)客戶群屬性和營銷目標(biāo)量體裁衣制訂恰當(dāng)?shù)臓I銷方案。由于客戶的特性是不斷變化的，數(shù)據(jù)挖掘的分析結(jié)果具有一定時效性，因此數(shù)據(jù)挖掘必須以項目來實

7、施，在目標(biāo)、進(jìn)度和資源安排上明確要求。2.2 客戶分群的數(shù)據(jù)理解“巧婦難為無米之炊”，數(shù)據(jù)是挖掘的基礎(chǔ)，在確定目標(biāo)和方案后需要進(jìn)行“數(shù)據(jù)理解”，以確定要支持我們的分析目標(biāo)需要哪些方面的數(shù)據(jù)，數(shù)據(jù)基礎(chǔ)是否已經(jīng)具備，數(shù)據(jù)質(zhì)量是否能滿足要求，如果不能得到肯定的答復(fù)，我們建議推遲項目實施直至條件成熟，因為“進(jìn)去的是垃圾出來的仍是垃圾”，錯誤的分析結(jié)果可能會給我們帶來重大的損失。比如在上述案例中，我們分析了各業(yè)務(wù)系統(tǒng)及企業(yè)數(shù)據(jù)倉庫中客戶信息、客戶消費及購買使用行為三個方面最近六個月的歷史數(shù)據(jù)。電信企業(yè)擁有業(yè)務(wù)受理開通的CRM系統(tǒng)，進(jìn)行計費、帳務(wù)及欠費處理的計費系統(tǒng)，卡類業(yè)務(wù)的智能網(wǎng)系統(tǒng)，客戶服務(wù)的100

8、00號系統(tǒng)，營銷服務(wù)的渠道系統(tǒng)，還有結(jié)算系統(tǒng)、寬帶、窄帶及小靈通系統(tǒng)等等，這些業(yè)務(wù)系統(tǒng)儲蓄了企業(yè)運營的海量客戶數(shù)據(jù)。有些電信企業(yè)還建立了數(shù)據(jù)倉庫系統(tǒng)，對這些數(shù)據(jù)進(jìn)行了清洗、整合和集中，建立了企業(yè)統(tǒng)一數(shù)據(jù)視圖，并確保了數(shù)據(jù)來源的廣泛性、完整性和準(zhǔn)確性，為數(shù)據(jù)挖掘創(chuàng)造了更好的條件。我們從企業(yè)數(shù)據(jù)倉庫中確定了以下數(shù)據(jù)的來源： 客戶基本資料 用戶基本資料 帳單信息 本地通話信息 長話通話信息 卡通話信息 結(jié)算信息 窄帶使用信息 寬帶使用信息 客服交互行為 繳費信息 欠費信息 服務(wù)使用信息 除了數(shù)據(jù)源分析，數(shù)據(jù)理解階段的另一些重要任務(wù)是進(jìn)行數(shù)據(jù)探索和檢驗數(shù)據(jù)質(zhì)量。我們可以借助一些可視化工具或統(tǒng)計分析進(jìn)行

9、數(shù)據(jù)探索，以明確數(shù)據(jù)的分布狀況和重要的屬性及其關(guān)系。比如通過值分析對數(shù)據(jù)進(jìn)行基本的探查，包括空值、唯一值、空字符串、零值、正值、負(fù)值的統(tǒng)計；統(tǒng)計分析計算各數(shù)值型變量的最小值、最大值、均值、標(biāo)準(zhǔn)差、眾數(shù)等，有利于發(fā)現(xiàn)一些異常值，便于更好地理解數(shù)據(jù)；頻次分析、直方圖分析有助于更準(zhǔn)確地了解數(shù)據(jù)的分布，從中發(fā)現(xiàn)有價值的點，其中頻次分析主要面向離散型變量，而直方圖分析主要面向連續(xù)型變量。數(shù)據(jù)探索有助于提煉數(shù)據(jù)描述和質(zhì)量報告，還能發(fā)現(xiàn)數(shù)據(jù)異常，并為進(jìn)一步的數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)準(zhǔn)備打基礎(chǔ)，甚至可能直接指向數(shù)據(jù)挖掘的目標(biāo)。數(shù)據(jù)探索的同時可以全面檢驗數(shù)據(jù)質(zhì)量，對數(shù)據(jù)的完整性、正確性、一致性有更細(xì)致的認(rèn)識。除了統(tǒng)計分析

10、，抽樣核查比較也是數(shù)據(jù)檢驗常用的方法，在進(jìn)行數(shù)據(jù)質(zhì)量核查時，需要有對數(shù)據(jù)意義和取值范圍敏感的業(yè)務(wù)人員參與。2.3 客戶分群的數(shù)據(jù)準(zhǔn)備（占據(jù)數(shù)據(jù)挖掘項目一半以上工作量）“數(shù)據(jù)準(zhǔn)備”包括所有從原始的未加工的數(shù)據(jù)構(gòu)造最終分析數(shù)據(jù)集的活動，是數(shù)據(jù)挖掘過程中最耗時的環(huán)節(jié)，甚至要占據(jù)整個數(shù)據(jù)挖掘項目一半以上的工作量。數(shù)據(jù)準(zhǔn)備工作的流程如圖2所示。選擇數(shù)據(jù)清洗數(shù)據(jù)構(gòu)建數(shù)據(jù)整合數(shù)據(jù)格式數(shù)據(jù) 圖2. 數(shù)據(jù)準(zhǔn)備流程選擇數(shù)據(jù) 決定用來分析的數(shù)據(jù)。選擇標(biāo)準(zhǔn)包括與數(shù)據(jù)挖掘目標(biāo)的相關(guān)性，數(shù)據(jù)質(zhì)量和工具技術(shù)的限制，如對數(shù)據(jù)容量或數(shù)據(jù)類型的限制。數(shù)據(jù)選擇包括數(shù)據(jù)表格中屬性（列）和記錄（行）的選擇。我們可以分主題在企業(yè)數(shù)據(jù)倉庫

11、中選擇我們需要的各類數(shù)據(jù)，并進(jìn)行按月匯總，生成月粒度數(shù)據(jù)基礎(chǔ)表?；A(chǔ)表中每個用戶每個帳務(wù)月的信息匯總成一條記錄。如在我們的案例中基礎(chǔ)表涵蓋了以下數(shù)據(jù)：用戶及客戶的基本信息 包括客戶身份信息、聯(lián)系方式、產(chǎn)品擁有情況，用戶竣工時間、入網(wǎng)時長、服務(wù)開通情況、優(yōu)惠套餐信息、客戶服務(wù)信息（投訴、咨詢、催繳情況）等價值信息包括話音、寬窄帶業(yè)務(wù)的月租費、使用費、優(yōu)惠費用及增值業(yè)務(wù)、新業(yè)務(wù)、信息費和卡類、結(jié)算費用，還包括了繳欠費信息行為信息包括時長、次數(shù)、跳次、發(fā)話不同號碼數(shù)、時長集中度（撥打時長最多的三個號碼撥打時長在總時長中占比）、次數(shù)集中度基礎(chǔ)表中數(shù)據(jù)屬性粒度要求盡量細(xì)，以便于在后期靈活構(gòu)建數(shù)據(jù)。我們將

12、以上價值和行為變量從專業(yè)（區(qū)內(nèi)、區(qū)間、本地移動、本地異商固網(wǎng)、傳統(tǒng)國內(nèi)長途、傳統(tǒng)國際長途、傳統(tǒng)港澳臺長途、傳統(tǒng)異地行動、IP國內(nèi)長途、IP國際長途、IP港澳臺長途、IP異地行動）和時段（白天:7:00-18:0、晚上：18:00-7:00、特殊時段：0:00-7:00）兩個維度進(jìn)行了劃分。清洗數(shù)據(jù) 將數(shù)據(jù)質(zhì)量提高到所選分析技術(shù)和分析目標(biāo)要求的水平。這包括選擇需要進(jìn)行數(shù)據(jù)清洗的子集，插入適當(dāng)?shù)哪J(rèn)值或者通過更加復(fù)雜的技術(shù)如建模來估計缺失值，比如某月份的數(shù)據(jù)缺失我們可以用前后月份數(shù)據(jù)的平均值來填充，我們將擁有產(chǎn)品較多（可能不是公眾客戶）及公免的客戶數(shù)據(jù)剔除。此階段需要對基礎(chǔ)表的數(shù)據(jù)進(jìn)一步探索和檢驗

13、。構(gòu)建數(shù)據(jù) 該任務(wù)包括構(gòu)建數(shù)據(jù)的準(zhǔn)備操作，如進(jìn)行變量設(shè)計生成派生屬性、生成完整的新記錄或者已存屬性的轉(zhuǎn)換值（將字符型字段轉(zhuǎn)化為數(shù)值型字段）。在基礎(chǔ)表基礎(chǔ)上通過抽取、合并、衍生得到分主題匯集的價值變量和行為變量形成的中間表，中間表中每個用戶6個月的信息匯總成一條記錄。抽取指直接從基礎(chǔ)表中選擇變量進(jìn)行匯總；合并指將基礎(chǔ)表中多個字段合并成一個字段匯總，如將區(qū)內(nèi)通話時長和區(qū)間通話時長合并成本地通話時長；衍生指根據(jù)各種邏輯關(guān)系派生出新的變量，如均值變量、占比變量、趨勢變量、波動變量等。在進(jìn)行變量設(shè)計時建議技術(shù)人員和業(yè)務(wù)人員密切配合討論，根據(jù)業(yè)務(wù)需要、挖掘目標(biāo)及數(shù)據(jù)源的實際狀況確定數(shù)據(jù)選擇，確定基礎(chǔ)變量和

14、數(shù)據(jù)源的映射關(guān)系，確定衍生變量的數(shù)據(jù)轉(zhuǎn)換邏輯。中間表變量命名的規(guī)范化有助于用戶理解、記憶和應(yīng)用，便利于將來數(shù)據(jù)挖掘的應(yīng)用分析。變量命名采用對變量屬性進(jìn)行描述的分段的英文縮寫（首字母大字）用下劃線連接來實現(xiàn)，字段按屬性意義從大到小的范圍排列，從而在對變量進(jìn)行排序時可以把同一類型的變量聚集在一起，便于分析，如“價值/行為(v/b)_業(yè)務(wù)專業(yè)(Inner/Inter/Tol)_地域(Dms/Int/Gat)_撥打方式(Trd/IP)_ 值類型(Amt/Fee/Dur/Cnt/Dstn)_衍生值類型(Trd/Rat)”。中間表可以按模塊化原則來設(shè)計實現(xiàn)，可隨著應(yīng)用和業(yè)務(wù)發(fā)展的需要不斷進(jìn)行擴充。整合數(shù)據(jù)

15、 對各中間表的數(shù)據(jù)進(jìn)行聯(lián)合，生成最終的分析數(shù)據(jù)集也稱寬表。我們以客戶標(biāo)識為主鍵，串聯(lián)起客戶相關(guān)的所有信息數(shù)據(jù)，建立起統(tǒng)一客戶視圖。在整合數(shù)據(jù)時，我們要回顧商業(yè)理解階段對數(shù)據(jù)挖掘目標(biāo)的定義，以使我們的分析數(shù)據(jù)集能滿足需求。有些電信企業(yè)由于歷史數(shù)據(jù)以用戶為中心，難以建立起統(tǒng)一客戶數(shù)據(jù)視圖；這時可使數(shù)據(jù)挖掘的目標(biāo)限定于對某類用戶進(jìn)行分析；或以分析某類用戶為主，通過企業(yè)數(shù)據(jù)庫中用戶之關(guān)的關(guān)系數(shù)據(jù)，去關(guān)聯(lián)其它產(chǎn)品信息輔助分析。在完成數(shù)據(jù)整合后，我們需要再次對數(shù)據(jù)質(zhì)量進(jìn)行核查。格式數(shù)據(jù) 格式化轉(zhuǎn)換是指根據(jù)建模的要求，對數(shù)據(jù)表現(xiàn)形式進(jìn)行變換，如用K均值算法做聚類分析時，需要先將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，對數(shù)據(jù)進(jìn)行

16、Z變換，以消除量綱不同可能引起的數(shù)據(jù)差異。2.4 客戶分群的模型建立在生成最終分析的數(shù)據(jù)集后，就可以建立模型進(jìn)行聚類分析了?！澳Ｐ徒ⅰ彪A段主要是選擇和應(yīng)用各種建模技術(shù)，同時對它們的參數(shù)進(jìn)行校準(zhǔn)以達(dá)到最優(yōu)值。通常對于同一個數(shù)據(jù)挖掘問題類型，會有多種模型技術(shù)，每一類技術(shù)又有多種實現(xiàn)算法。聚類分析常用的有k-means算法、Gaussian算法和Poisson算法，后兩種算法對數(shù)據(jù)分布有所要求。由于電信客戶對各類產(chǎn)品的消費情況有較大差別，變量中會出現(xiàn)較多的0值，比如大量客戶國際長途、電話卡或增值業(yè)務(wù)等的消費記錄可能都為0值，因此適合用k-means算法來建立聚類模型。k-means算法通過隨機點劃

17、分K個類，每條記錄被歸到類中心距它距離最近的類中。在明確建模技術(shù)和算法后需要確定模型參數(shù)和輸入變量（價值變量，行為變量）。模型參數(shù)包括類的個數(shù)（建議值5、7、9）、最大迭代步數(shù)（建議值100）等。寬表中包含了大量客戶數(shù)據(jù)變量，但我們只需要挑選部分變量參與建模；參與建模的變量太多會削弱主要業(yè)務(wù)屬性的影響，并給理解分群結(jié)果帶來困難；太少則不能全面覆蓋需要考察的各方面屬性，可能會遺漏一些重要的屬性關(guān)系。輸入變量的選擇對建立滿意的模型至關(guān)重要。我們應(yīng)結(jié)合商業(yè)理解，選擇有重要業(yè)務(wù)意義并與數(shù)據(jù)挖掘目標(biāo)密切相關(guān)的變量；被選擇的變量應(yīng)具備較好的數(shù)據(jù)質(zhì)量；被選變量之間相關(guān)性不宜太強，如在總量與分量之間只挑選一類

18、參與建模。由于價值變量和行為變量有較強的相關(guān)性，我們可以只挑選客戶業(yè)務(wù)收入變量進(jìn)行客戶價值分群，也可只挑選客戶消費行為變量進(jìn)行客戶行為分群，根據(jù)數(shù)據(jù)挖掘的商業(yè)目標(biāo)選擇一種分群模式。也可以同時用兩種分群模式對同一批客戶作兩次分群，然后根據(jù)兩次分群的結(jié)果進(jìn)行組合，如先分成7個價值分群，再分成9個行為分群，組合后會有63個子群，見圖3。由于組合后子群數(shù)目較多不便分析和管理，我們可以借助透視圖分析將特征相似的子群進(jìn)行歸并，建議最終歸并成7到9個分群。進(jìn)行價值和行為組合分群的好處是，能同時兼顧考慮價值和行為兩方面因素對客戶分群的影響，更利于對各分群特征的深刻刻畫，并能有效消除單次分群產(chǎn)生的偏差，但過程較

19、為復(fù)雜并且不能做到對參與分群客戶的全覆蓋。圖3. 客戶價值及行為分群模型建立是一個螺旋上升，不斷優(yōu)化的過程，在每一次分群結(jié)束后，需要判斷分群結(jié)果在業(yè)務(wù)上是否有意義，其各群特征是否明顯。如果結(jié)果不理想，則需要調(diào)整分群模型，對模型進(jìn)行優(yōu)化，稱之為分群調(diào)優(yōu)。分群調(diào)優(yōu)可通過調(diào)整分群個數(shù)及調(diào)整分群變量輸入來實現(xiàn)，也可以通過多次運行，選擇滿意的結(jié)果。通?？梢砸罁?jù)以下原則判斷分群結(jié)果是否理想：群間特征差異是否明顯各分群之間有明顯特性差異；各分群主要的特征各不相同；決定各分群主要特征的變量各不相同或變量的取值屬性各不相同。 群內(nèi)特征是否相似各分群有各自明顯的特性；各分群有決定其主要特性貢獻(xiàn)度最大的變量；決定各

20、分群主要特征的變量在此群中的分布特性與在全體樣本中的分布特性有明顯差異；分群是否易于管理及是否具有業(yè)務(wù)指導(dǎo)意義分群的個數(shù)及各群人數(shù)的分布應(yīng)相對合理，分群結(jié)果能從業(yè)務(wù)上作出合理理解和解釋，并能切合業(yè)務(wù)需要，實現(xiàn)對客戶的深刻洞察，幫助制訂合適的營銷措施。2.5 客戶分群的模型評估在分群調(diào)優(yōu)過程中我們已經(jīng)需要對模型進(jìn)行合理評估。在完成模型建立后，從數(shù)據(jù)分析的角度來看，模型似乎有很高的質(zhì)量，然而在模型最后發(fā)布前仍有必要更為徹底地評估模型和檢查建立模型的各個步驟，從而確保它真正地達(dá)到了商業(yè)目標(biāo)。我們會與商業(yè)分析師，以及行業(yè)專家從商業(yè)角度來討論數(shù)據(jù)挖掘結(jié)果以及項目過程中產(chǎn)生的其它所有結(jié)論?！澳Ｐ驮u估”階段

21、需要對數(shù)據(jù)挖掘過程進(jìn)行一次全面的回顧，從而決定是否存在重要的因素或任務(wù)由于某些原因而被忽視，此階段關(guān)鍵目的是決定是否還存在一些重要的商業(yè)問題仍未得到充分地考慮。這種回顧也包括質(zhì)量保證問題，如：過程的每一步是否必要？是否被恰當(dāng)?shù)貓?zhí)行？是否可以改進(jìn)？有什么不足及不確定的地方及會產(chǎn)生何種影響？根據(jù)評估結(jié)果和過程回顧，決定是完成該項目并在適當(dāng)?shù)臅r候進(jìn)行發(fā)布，還是開始進(jìn)一步的反復(fù)或建立新的數(shù)據(jù)挖掘項目。2.6 客戶分群的模型發(fā)布模型的創(chuàng)建通常并不是項目的結(jié)尾。即使建模的目的是增加對數(shù)據(jù)的了解，所獲得的了解也需要進(jìn)行組織并以一種客戶能夠使用的方式呈現(xiàn)出來。根據(jù)需要，發(fā)布過程可以簡單到產(chǎn)生一個報告，也可以復(fù)

22、雜到在整個企業(yè)中執(zhí)行一個可重復(fù)的數(shù)據(jù)挖掘過程?？蛻舴秩旱慕Y(jié)果發(fā)布是通過客戶群特征刻畫和客戶群屬性分析來展現(xiàn)的。特征刻畫是對單個客戶群特征的詳細(xì)描述，屬性分析是對客戶群之間的屬性進(jìn)行比較分析。形成客戶分群后，對客戶群的特征描述直接影響到營銷活動的策劃和執(zhí)行?？蛻羧旱奶卣髅枋鍪前押芏嗫菰餆o味的數(shù)據(jù)變成生動形象的客戶體現(xiàn)，以幫助市場營銷人員更好地理解客戶群。參與分群的變量決定了各分群的主要特性，除了對這些變量的統(tǒng)計及分布特性進(jìn)行深入刻畫外，對未參加分群的變量也可在特征刻畫階段來考察其統(tǒng)計特性。特征刻畫首先進(jìn)行客戶群特征粗略定性比較分析，然后可利用透視圖等工具對各客戶群寬表變量分類進(jìn)行詳細(xì)的定量刻畫，

23、如圖4。圖4. 客戶群特征刻畫我們可以在特征刻畫的基礎(chǔ)上，通過客戶與收入分析、ARPU構(gòu)成分析、長途構(gòu)成分析、產(chǎn)品滲透率分析、費用趨勢分析、優(yōu)先級分析、入網(wǎng)時長分析、離網(wǎng)率分析、指標(biāo)統(tǒng)計費用構(gòu)成分析、費用分布分析等多個方面對各客戶群進(jìn)行屬性分析為營銷策劃提供依據(jù)。為輔助營銷策劃需要對各戰(zhàn)略分群的人口、人口占比、收入、收入占比、MOU，各項業(yè)務(wù)的ARPU、收入占比和變化趨勢、滲透率等各項指標(biāo)進(jìn)行統(tǒng)計；并結(jié)合流失傾向、收入下降趨勢、收入潛力（平均ARPU）、人數(shù)占比和商業(yè)目標(biāo)，確定進(jìn)行營銷的戰(zhàn)略分群的優(yōu)先級及營銷的目標(biāo)客戶群，如圖5。圖5. 客戶群屬性分析實踐是檢驗真理的唯一標(biāo)準(zhǔn)，模型發(fā)布后也需要

24、在營銷實踐中驗證調(diào)整。另外，數(shù)據(jù)挖掘結(jié)果已經(jīng)成為日常業(yè)務(wù)和其環(huán)境的一部分后，在運用模型的過程中，模型的監(jiān)測和維護(hù)也是十分重要的事情。周密的維護(hù)策略將有助于避免不必要地長期誤用數(shù)據(jù)挖掘結(jié)果。為了監(jiān)測數(shù)據(jù)挖掘結(jié)果的發(fā)布，項目需要根據(jù)應(yīng)用類型制定一個關(guān)于監(jiān)測過程的詳細(xì)計劃，例如定期察看各分群的主要特性是否已產(chǎn)生較大的偏移和變遷。這些監(jiān)測一個方面可以對營銷效果進(jìn)行評估反饋，另一方面也為模型的維護(hù)和調(diào)整提供決策依據(jù)，如是否需要運行模型重新生成分群？是否應(yīng)對模型作出調(diào)整或重新生成模型？是否應(yīng)終止模型的使用？3 戰(zhàn)術(shù)分群與目標(biāo)市場營銷在獲取了客戶分群結(jié)果，了解了客戶之后，應(yīng)該針對所掌握的情況，有所行動。通過

25、分群我們有了對客戶的整體感覺：哪些是最有價值的，哪些是最需要關(guān)注的，哪些可能是對企業(yè)貢獻(xiàn)度最低等等。通過客戶分群，得到了的客戶的不同貢獻(xiàn)及不同的消費特征，進(jìn)而得到的整體優(yōu)先級考慮是進(jìn)行下一步工作的基礎(chǔ)和起點，也是客戶分群最為重要的收獲之一。在客戶分群基礎(chǔ)上下一步工作就是營銷活動的設(shè)計與執(zhí)行。營銷活動基本可分為機會識別、營銷設(shè)計、方案執(zhí)行、管控調(diào)整四個環(huán)節(jié)。四個環(huán)節(jié)中，機會識別屬于營銷活動的戰(zhàn)略范疇，因為它決定了營銷活動“做什么”，回答的是對誰做營銷，對某類業(yè)務(wù)，做何種營銷這樣的方向性、全局性問題。營銷設(shè)計屬于戰(zhàn)術(shù)范疇，因為它決定了營銷活動“怎么做”，回答的是如何圍繞營銷機會分配資源的問題。營銷

26、機會確認(rèn)之后，需要利用企業(yè)資源為營銷機會設(shè)計產(chǎn)品、價格、渠道、傳播等事項，使?fàn)I銷機會從概念轉(zhuǎn)化為可執(zhí)行的營銷活動方案。方案執(zhí)行和管控調(diào)整則屬于執(zhí)行層面的環(huán)節(jié)，通過建立合理的營銷組織、激勵機制和技能培訓(xùn)，使?fàn)I銷設(shè)計的方案得以執(zhí)行，以完成營銷活動。服務(wù)于營銷機會識別分群屬于戰(zhàn)略分群，服務(wù)于營銷設(shè)計的分群屬于戰(zhàn)術(shù)分群。上述的客戶分群是戰(zhàn)略分群，戰(zhàn)略分群是營銷機會識別的手段，通過戰(zhàn)略分群，我們對營銷策劃有了全局方向性的認(rèn)識。如對于流失型客戶，我們需要優(yōu)先關(guān)注他們，對他們馬上采取客戶保留的措施；對于增長型和較穩(wěn)定用戶，我們可以通過交叉銷售、提升使用的方法，使他們可以使用的更多；對于高價值用戶，我們要優(yōu)先

27、對其采用有關(guān)忠誠度管理、客戶挽留和客戶贏回的一系列措施，使其繼續(xù)留在電信網(wǎng)內(nèi)，減少流失，增加收入；對于低價值用戶，我們也應(yīng)該采取措施，增加其使用產(chǎn)品的個數(shù)和提升其使用量。戰(zhàn)術(shù)分群是先有預(yù)定的營銷機會，后有分群，分群的目的是設(shè)計差異化的4P（產(chǎn)品、價格、促銷、渠道 ）營銷組合，以求最大化的利用營銷機會，提升客戶價值。通過客戶分群（戰(zhàn)略分群）確定營銷機會，通過再次細(xì)分（戰(zhàn)術(shù)分群）確定營銷方案。戰(zhàn)略分群關(guān)注總體，戰(zhàn)術(shù)分群關(guān)注個體，個體與總體的平均特性不一定一致。采用聚類的分析方法，由于我們在模型建立時需要同時考慮幾十個方面的維度，雖然每個分群都有決定其特性的主要屬性，但一些個體也會由于次要屬性的影響

28、而歸到此類中，最終會導(dǎo)致許多個體與總體的平均特性有較大差異。因此在確定戰(zhàn)略分群后，還有可能會根據(jù)客戶特征、商業(yè)目標(biāo)、營銷方案的可行性等進(jìn)一步進(jìn)行戰(zhàn)術(shù)分群。同時由于營銷方案的普適性，最終會出現(xiàn)：同一戰(zhàn)略分群的個體可能歸屬不同戰(zhàn)術(shù)分群，不同戰(zhàn)略分群個體也可能歸屬同一戰(zhàn)術(shù)分群。如在我們的案例中，首先根據(jù)上述的客戶戰(zhàn)略分群，識別出營銷優(yōu)先級最高的三個客戶群：高值高危群、經(jīng)濟(jì)商務(wù)群和傳統(tǒng)長途群；然后根據(jù)這三個目標(biāo)客戶群的個體和總體特性，同時考慮我們的商業(yè)目標(biāo)和營銷方案的可行性、易操作性，從收入的變化趨勢和他網(wǎng)IP的使用情況兩個維度重新劃分出三個戰(zhàn)術(shù)分群：下降客戶群、上升客戶群和他網(wǎng)IP客戶群，并依據(jù)戰(zhàn)術(shù)分群來設(shè)計對應(yīng)的營銷方案，如圖6。圖6. 戰(zhàn)術(shù)分群在進(jìn)行戰(zhàn)術(shù)分群時我們可以著重關(guān)注營銷方案制訂方面需要考慮的因素，從而使?fàn)I銷方案更可行，更易操作，更有效。由于針對性營銷需要對不同的目標(biāo)客戶群制訂不同的營銷方案，如何通過營銷方案的差異來實現(xiàn)對不同客戶需求的滿足及對不同客戶進(jìn)行區(qū)別對待，在有效區(qū)隔客戶的同時并能提高營銷收益，需要周全考慮。結(jié)合目標(biāo)市場的客戶