數(shù)據(jù)挖掘-網(wǎng)絡(luò)交流方案V1

1、Dirk JiangTeradata2011-10北京電信網(wǎng)絡(luò)部數(shù)據(jù)挖掘交流 2 目錄數(shù)據(jù)挖掘介紹對(duì)市場(chǎng)運(yùn)營(yíng)管理的支撐C. 網(wǎng)絡(luò)側(cè)成功案例3 什么是數(shù)據(jù)挖掘?Data Mining is a process of discovering and interpreting patterns in data to solve problems數(shù)據(jù)挖掘是一個(gè)發(fā)現(xiàn)和解釋數(shù)據(jù)中的模式，并用于解決問(wèn)題的過(guò)程知識(shí)知識(shí)信息信息決策和行動(dòng)決策和行動(dòng)數(shù)據(jù)數(shù)據(jù)4 數(shù)據(jù)挖掘不是 報(bào)表 OLAP 即時(shí)靈活的 SQL查詢(xún) 數(shù)據(jù)可視化它們不能識(shí)別數(shù)據(jù)之間的隱藏模式不具備預(yù)測(cè)的能力5 預(yù)測(cè)性的數(shù)據(jù)挖掘預(yù)測(cè)性的數(shù)據(jù)挖掘 預(yù)測(cè)性

2、模型預(yù)測(cè)性模型線性線性/Logistic回歸回歸神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)決策樹(shù)決策樹(shù)/回歸樹(shù)回歸樹(shù)時(shí)間序列時(shí)間序列 6 預(yù)測(cè)性數(shù)據(jù)挖掘應(yīng)用場(chǎng)景示例預(yù)測(cè)性數(shù)據(jù)挖掘應(yīng)用場(chǎng)景示例推斷個(gè)人客戶(hù)在未來(lái)某一時(shí)間窗口中出現(xiàn)流失行為的概率評(píng)分，并以此預(yù)先獲得的概率評(píng)分為基礎(chǔ)構(gòu)建有針對(duì)性的個(gè)人客戶(hù)保有策略。適用模型：決策樹(shù)、Logistics、神經(jīng)網(wǎng)絡(luò)從客戶(hù)的終端屬性、業(yè)務(wù)訂購(gòu)屬性、行為屬性三個(gè)方面分析，識(shí)別新業(yè)務(wù)潛在客戶(hù)，從而為營(yíng)銷(xiāo)人員在對(duì)潛在新業(yè)務(wù)客戶(hù)進(jìn)行機(jī)型推薦時(shí)提供輔助。適用模型：決策樹(shù)、Logistics、神經(jīng)網(wǎng)絡(luò)基于歷史數(shù)據(jù)，建立時(shí)間序列模型，對(duì)指標(biāo)進(jìn)行預(yù)測(cè)，然后將實(shí)際值和預(yù)測(cè)值進(jìn)行對(duì)比，分析、監(jiān)測(cè)業(yè)務(wù)的運(yùn)

3、行狀況、獲取運(yùn)營(yíng)商所關(guān)心的信息。適用模型：時(shí)間序列7 描述性數(shù)據(jù)挖掘描述性數(shù)據(jù)挖掘 聚類(lèi)聚類(lèi)Kohonen 神經(jīng)網(wǎng)絡(luò)聚類(lèi)神經(jīng)網(wǎng)絡(luò)聚類(lèi)K-均值聚類(lèi)均值聚類(lèi) 關(guān)聯(lián)分析關(guān)聯(lián)分析關(guān)聯(lián)規(guī)則關(guān)聯(lián)規(guī)則次序規(guī)則次序規(guī)則 8 描述性數(shù)據(jù)挖掘應(yīng)用場(chǎng)景示例描述性數(shù)據(jù)挖掘應(yīng)用場(chǎng)景示例針對(duì)3G客戶(hù)的業(yè)務(wù)偏好、渠道偏好、終端偏好，構(gòu)建偏好細(xì)分模型，在進(jìn)行新業(yè)務(wù)營(yíng)銷(xiāo)活動(dòng)時(shí)，可以先找出對(duì)該類(lèi)業(yè)務(wù)有偏好的客戶(hù)，然后通過(guò)客戶(hù)偏好的接觸渠道進(jìn)行營(yíng)銷(xiāo)推廣。適用模型：K-means、Kohonen 神經(jīng)網(wǎng)絡(luò)聚類(lèi)從客戶(hù)新業(yè)務(wù)訂購(gòu)、應(yīng)用情況分析，發(fā)現(xiàn)新業(yè)務(wù)之間的關(guān)聯(lián)特性，從而為營(yíng)銷(xiāo)人員在對(duì)新業(yè)務(wù)營(yíng)銷(xiāo)提供支撐：一方面提供拓展存量客戶(hù)新業(yè)務(wù)的

4、消費(fèi)范圍，另一方面鎖定潛在的新業(yè)務(wù)客戶(hù)名單。適用模型：關(guān)聯(lián)分析、次序分析9 成功數(shù)據(jù)挖掘項(xiàng)目都是商業(yè)問(wèn)題，方法論，工具的結(jié)成功數(shù)據(jù)挖掘項(xiàng)目都是商業(yè)問(wèn)題，方法論，工具的結(jié)合合9明確定義的業(yè)務(wù)問(wèn)題，避免問(wèn)題寬泛與技術(shù)化；成功衡量的標(biāo)準(zhǔn)TWM5.0SAS EMSPSS ClementineIBM IMSPSS 5ASAS SEMMATeradata DMMCRISP-DM 某個(gè)領(lǐng)域的業(yè)務(wù)知識(shí)（業(yè)務(wù)專(zhuān)家）某個(gè)領(lǐng)域的業(yè)務(wù)知識(shí)（業(yè)務(wù)專(zhuān)家）理解業(yè)務(wù)問(wèn)題的細(xì)節(jié)和特殊性，背景業(yè)務(wù)知識(shí)，內(nèi)容含義，術(shù)語(yǔ)，知道對(duì)該業(yè)務(wù)問(wèn)題的當(dāng)前處理方法和優(yōu)劣。 數(shù)據(jù)知識(shí)和處理能力（數(shù)據(jù)專(zhuān)家）數(shù)據(jù)知識(shí)和處理能力（數(shù)據(jù)專(zhuān)家） 理解數(shù)據(jù)結(jié)

5、構(gòu)，格式，數(shù)據(jù)源的狀況，數(shù)據(jù)量的大小，有對(duì)數(shù)據(jù)操作的能力。 分析方法和技能（分析專(zhuān)家）分析方法和技能（分析專(zhuān)家）理解和該業(yè)務(wù)問(wèn)題相關(guān)分析方法的特點(diǎn)和局限，使用相關(guān)算法進(jìn)行數(shù)據(jù)分析和建模的能力。10 CRoss-Industry Standard Process for Data Mining從商業(yè)角度理解項(xiàng)目目標(biāo)和要求，并轉(zhuǎn)換成數(shù)據(jù)挖掘問(wèn)題的定義和實(shí)現(xiàn)目標(biāo)的初步規(guī)劃熟悉數(shù)據(jù)、甄別數(shù)據(jù)質(zhì)量問(wèn)題、發(fā)現(xiàn)對(duì)數(shù)據(jù)的真知灼見(jiàn)、或者探索出令人感興趣的數(shù)據(jù)子集并現(xiàn)成對(duì)隱藏新的假設(shè)從初始數(shù)據(jù)構(gòu)建最終數(shù)據(jù)集的全部活動(dòng)。包括表、記錄和屬性選擇，以及為建模工具準(zhǔn)備的數(shù)據(jù)轉(zhuǎn)換和清洗選擇和使用各種建模技術(shù)，并對(duì)其參數(shù)進(jìn)行

6、調(diào)優(yōu)。根據(jù)問(wèn)題類(lèi)型會(huì)有多種手段。某些技術(shù)對(duì)數(shù)據(jù)需要特殊規(guī)定，需要返回?cái)?shù)據(jù)準(zhǔn)備階段。對(duì)構(gòu)建的1個(gè)或者多個(gè)模型進(jìn)行全面評(píng)價(jià)，重審構(gòu)建模型的步驟以確認(rèn)達(dá)到商業(yè)目的，判斷是否有重要目的沒(méi)有達(dá)到，確定使用挖掘結(jié)果得到的決策是什么模型的目的是提升數(shù)據(jù)的知識(shí)能力，獲得的知識(shí)需要被組織和表示為用戶(hù)可用的形式。/wiki/Cross_Industry_Standard_Process_for_Data_Mining11 目錄數(shù)據(jù)挖掘介紹對(duì)市場(chǎng)運(yùn)營(yíng)管理的支撐C. 網(wǎng)絡(luò)側(cè)成功案例12 12數(shù)據(jù)挖掘在電信中應(yīng)用的發(fā)展趨勢(shì)1、應(yīng)用的范圍越來(lái)越廣 隨著電信業(yè)務(wù)的發(fā)展和對(duì)數(shù)據(jù)需求

7、的增加，數(shù)據(jù)挖掘的應(yīng)用應(yīng)用領(lǐng)域不只限于分析，已擴(kuò)展到業(yè)務(wù)運(yùn)營(yíng)的方方面面。 2、方法呈多樣化趨勢(shì) 一是對(duì)同一個(gè)問(wèn)題會(huì)用多種挖掘方法去分析，另外會(huì)不斷引入一些新的數(shù)據(jù)挖掘技術(shù)如SNA、WA等。3、業(yè)務(wù)結(jié)合越來(lái)越緊密 數(shù)據(jù)挖掘與業(yè)務(wù)規(guī)則的關(guān)系越來(lái)越緊密，并相互補(bǔ)充。4、應(yīng)用越來(lái)越成體系 數(shù)據(jù)挖掘最終形成的模型不再是單一為解決某個(gè)問(wèn)題而做的，很多的數(shù)據(jù)挖掘模型組合在一起構(gòu)成一個(gè)完整的針對(duì)電信業(yè)務(wù)問(wèn)題的體系。13 客戶(hù)管理市場(chǎng)與產(chǎn)品資源管理供應(yīng)商/合作伙伴決策支持管理客戶(hù)價(jià)值評(píng)估模型客戶(hù)信用度評(píng)估模型沖入網(wǎng)識(shí)別模型生命周期識(shí)別模型投訴信用度分級(jí)模型客戶(hù)咨費(fèi)新增模型客戶(hù)異常消費(fèi)監(jiān)控模型垃圾短信高風(fēng)險(xiǎn)識(shí)別模

8、型集團(tuán)客戶(hù)流失預(yù)警模型健康度評(píng)估模型集團(tuán)客戶(hù)價(jià)值評(píng)估模型潛在成員識(shí)別模型TD客戶(hù)偏好模型校園學(xué)生客戶(hù)識(shí)別模型家庭客戶(hù)識(shí)別模型農(nóng)村客戶(hù)識(shí)別模型流動(dòng)客戶(hù)識(shí)別模型自有渠道效益評(píng)估模型社會(huì)渠道價(jià)值評(píng)估模型 社會(huì)渠道酬金監(jiān)控模型客戶(hù)發(fā)展質(zhì)量監(jiān)控模型社會(huì)渠道養(yǎng)卡預(yù)警模型社會(huì)渠道竄卡預(yù)警模型業(yè)務(wù)量移動(dòng)預(yù)警模型社會(huì)渠道離網(wǎng)預(yù)警模型SP與渠道合作套利風(fēng)險(xiǎn)監(jiān)控SP高額異常消費(fèi)監(jiān)控企業(yè)客戶(hù)規(guī)模預(yù)測(cè)模型企業(yè)收入規(guī)則預(yù)測(cè)模型TD新業(yè)務(wù)與中斷匹配模型定制中端潛在客戶(hù)識(shí)別模型定制中斷效益評(píng)估模型SP價(jià)值評(píng)估模型競(jìng)爭(zhēng)客戶(hù)流去向識(shí)別模型競(jìng)爭(zhēng)客戶(hù)細(xì)分識(shí)別模型面向業(yè)務(wù)需求的建立模型層以數(shù)據(jù)挖掘等深度分析技術(shù)為基礎(chǔ)，聚焦于解決業(yè)務(wù)問(wèn)

9、題，成為相對(duì)獨(dú)立、可集成，可復(fù)用的關(guān)鍵業(yè)務(wù)組件，為市場(chǎng)運(yùn)營(yíng)提供有效的信息支撐14 全球通價(jià)值降低預(yù)警模型業(yè)務(wù)需求業(yè)務(wù)需求全球通的中高端客戶(hù)是移動(dòng)業(yè)務(wù)利潤(rùn)的重要來(lái)源，在激烈的市場(chǎng)競(jìng)爭(zhēng)中，如何保有這部分高價(jià)值客戶(hù)乃至提升這部分客戶(hù)的客戶(hù)價(jià)值，就變得非常重要而且也非常緊迫解決方案解決方案通過(guò)建立分類(lèi)預(yù)警模型對(duì)全球通中高端客戶(hù)價(jià)值降低10%以上的客戶(hù)進(jìn)行預(yù)警，對(duì)可能價(jià)值降低的客戶(hù)進(jìn)行價(jià)值保持全球通客戶(hù)忠誠(chéng)工程：一次性充值或者預(yù)存600送300，1200送600；全球通VIP高爾夫俱樂(lè)部會(huì)員活動(dòng)；全球通VIP俱樂(lè)部名家講堂活動(dòng)；方案效果方案效果活動(dòng)組用戶(hù)的ARPU值相對(duì)保持穩(wěn)定，未活動(dòng)組用戶(hù)ARPU值則

10、持續(xù)下降建立模型過(guò)程效果評(píng)估15 競(jìng)爭(zhēng)對(duì)手潛在客戶(hù)挖掘 業(yè)務(wù)需求業(yè)務(wù)需求 市場(chǎng)競(jìng)爭(zhēng)日益激烈，新增市場(chǎng)增長(zhǎng)放緩，需關(guān)注存量市場(chǎng)。 哪些競(jìng)爭(zhēng)對(duì)手客戶(hù)容易轉(zhuǎn)網(wǎng)？什么時(shí)機(jī)最容易轉(zhuǎn)網(wǎng)？解決方案解決方案 根據(jù)與移動(dòng)客戶(hù)通話行為，將競(jìng)爭(zhēng)對(duì)手客戶(hù)進(jìn)行價(jià)值劃分 建立預(yù)測(cè)模型，分析其“流失”的可能性 根據(jù)與移動(dòng)集團(tuán)VPMN(或短號(hào)網(wǎng)）的通話行為，分析其與集團(tuán)網(wǎng)的緊密程度 應(yīng)用方案：與集團(tuán)網(wǎng)緊密程度高的客戶(hù)：集團(tuán)客戶(hù)經(jīng)理緊密程度不高的高流失傾向高價(jià)值客戶(hù)：外呼緊密程度不高的高流失傾向低價(jià)值客戶(hù)：短信方案效果方案效果 2006年3月在東莞進(jìn)行試點(diǎn)，挖掘模型成功率是之前經(jīng)驗(yàn)?zāi)Ｐ偷? 6倍倍。 2006年5月在全省開(kāi)展客

11、戶(hù)回家工程競(jìng)賽,持續(xù)一年。 由于市場(chǎng)競(jìng)爭(zhēng)的需要，2009年被廣東移動(dòng)列為十大重點(diǎn)模型。營(yíng)銷(xiāo)效率提升6倍轉(zhuǎn)網(wǎng)客戶(hù)特征ACBED交往圈特征高價(jià)值高價(jià)值競(jìng)爭(zhēng)對(duì)手客戶(hù)競(jìng)爭(zhēng)對(duì)手客戶(hù)競(jìng)爭(zhēng)對(duì)手客戶(hù)價(jià)值模型16 交叉銷(xiāo)售/疊加銷(xiāo)售 彩鈴活躍度提升業(yè)務(wù)需求業(yè)務(wù)需求不斷擴(kuò)大信息業(yè)務(wù)用戶(hù)規(guī)模，培養(yǎng)用戶(hù)使用習(xí)慣不僅是實(shí)現(xiàn)從移動(dòng)通信專(zhuān)家向移動(dòng)信息專(zhuān)家轉(zhuǎn)型的關(guān)鍵，也是增強(qiáng)用戶(hù)黏性，提升客戶(hù)忠誠(chéng)度的重要手段如何保持客戶(hù)持續(xù)的使用熱情，提升業(yè)務(wù)活躍度？解決方案解決方案建立渠道偏好模型，識(shí)別客戶(hù)渠道偏好建立鈴音偏好模型，識(shí)別客戶(hù)鈴音偏好采用合適的渠道向客戶(hù)推薦合適的鈴音，提升業(yè)務(wù)活躍度方案效果方案效果普及率由活動(dòng)前的35%35

12、%提升至73%73%，排名從1515名上升至第3 3名人均信息費(fèi)從6.6元提升至12.6元，升幅191%191%活動(dòng)前活動(dòng)前活動(dòng)后活動(dòng)后普及率全省排名普及率全省排名35%1573%317 渠道規(guī)劃配置模型渠道規(guī)劃配置模型業(yè)務(wù)需求業(yè)務(wù)需求隨著產(chǎn)品日益同質(zhì)化和市場(chǎng)競(jìng)爭(zhēng)的不斷深化，渠道對(duì)鞏固和強(qiáng)化競(jìng)爭(zhēng)優(yōu)勢(shì)的作用越來(lái)越明顯，如何才能合理的規(guī)劃渠道布局、結(jié)構(gòu)和功能？解決方案解決方案將客戶(hù)按照其經(jīng)常使用移動(dòng)業(yè)務(wù)的活動(dòng)區(qū)域進(jìn)行界定，繪制出客戶(hù)區(qū)域歸屬地圖分析每個(gè)區(qū)域客戶(hù)群組的規(guī)模、屬性、消費(fèi)行為特征結(jié)合服務(wù)廳在各區(qū)域的發(fā)展現(xiàn)狀，優(yōu)化渠道布局、結(jié)構(gòu)和功能方案效果方案效果考慮在xx區(qū)增設(shè)服務(wù)廳考慮在xx區(qū)xx鎮(zhèn)

13、增設(shè)動(dòng)感地帶體驗(yàn)廳客戶(hù)歸屬分布特點(diǎn)客戶(hù)與服務(wù)廳匹配和交互分析18 電子渠道 渠道偏好模型業(yè)務(wù)需求業(yè)務(wù)需求客戶(hù)接觸渠道眾多，在進(jìn)行服務(wù)和業(yè)務(wù)推薦的時(shí)候，如何進(jìn)行渠道選擇，保證接觸成功率和辦理成功率。解決方案解決方案分析客戶(hù)通過(guò)服務(wù)廳、客服、短信營(yíng)業(yè)廳、網(wǎng)站渠道辦理業(yè)務(wù)的情況，建立模型，識(shí)別客戶(hù)渠道偏好度。選擇客戶(hù)偏好的渠道進(jìn)行接觸和業(yè)務(wù)推薦方案效果方案效果八大套餐：電話渠道偏好度客戶(hù)通過(guò)電話進(jìn)行營(yíng)銷(xiāo)活動(dòng)比一般精確營(yíng)銷(xiāo)客戶(hù)提升48.8%48.8%。手機(jī)報(bào)：短信渠道偏好度客戶(hù)通過(guò)電話進(jìn)行營(yíng)銷(xiāo)活動(dòng)比一般精確營(yíng)銷(xiāo)客戶(hù)提升92.6%92.6%。手機(jī)郵箱：web渠道偏好度客戶(hù)通過(guò)電話進(jìn)行營(yíng)銷(xiāo)活動(dòng)比一般精確營(yíng)

14、銷(xiāo)客戶(hù)提升72.7%72.7%?？蛻?hù)渠道偏好模型應(yīng)用效果建立客戶(hù)渠道偏好模型19 電子渠道 網(wǎng)上充值目標(biāo)用戶(hù)拓展業(yè)務(wù)需求業(yè)務(wù)需求提升網(wǎng)上充值使用率，降低服務(wù)廳充值繳費(fèi)壓力，提升客戶(hù)滿(mǎn)意度，降低運(yùn)營(yíng)成本解決方案解決方案從充值需求、網(wǎng)上支付條件、網(wǎng)站操作熟悉度、業(yè)務(wù)使用習(xí)慣四個(gè)方面找出網(wǎng)上充值的潛在客戶(hù)針對(duì)潛在客戶(hù)，開(kāi)展網(wǎng)上充值活動(dòng)移動(dòng)網(wǎng)站繳費(fèi)或充值100元贈(zèng)送20元話費(fèi)活動(dòng)申請(qǐng)“樂(lè)助人”資格，為朋友家人通過(guò)指定銀行賬戶(hù)網(wǎng)上充值送積分活動(dòng)常態(tài)化活動(dòng)：全球通用戶(hù)推薦網(wǎng)上充值100元，智能網(wǎng)用戶(hù)推薦充值50元方案效果方案效果活動(dòng)之后的三個(gè)月充值用戶(hù)數(shù)和充值金額都呈現(xiàn)迅猛增長(zhǎng)態(tài)勢(shì)。網(wǎng)站活躍度提升效果05

15、000100001500020000250005月6月7月8月9月0200000400000600000800000100000012000001400000160000018000002000000充值人數(shù)金額網(wǎng)上充值目標(biāo)用戶(hù)拓展方法網(wǎng)上充值目標(biāo)用戶(hù)拓展效果20 基于特征向量空間的資費(fèi)推薦模型業(yè)務(wù)需求 競(jìng)爭(zhēng)對(duì)手不停的推出新的產(chǎn)品和服務(wù)，吸引走眾多客戶(hù)。如何做好客戶(hù)關(guān)懷？為客戶(hù)推薦其最適合的資費(fèi)，實(shí)施個(gè)性化資費(fèi)營(yíng)銷(xiāo)政策。 傳統(tǒng)的資費(fèi)推薦方法存在計(jì)算量大、耗資源的缺點(diǎn)；而折中的規(guī)則匹配法，又存在準(zhǔn)確度問(wèn)題。如何快速、節(jié)省、高效、及時(shí)的計(jì)算用戶(hù)最適合的資費(fèi)？建模依據(jù) 對(duì)于每種主流資費(fèi)，其中大部分用

16、戶(hù)都是合理的，都是適合其消費(fèi)特征的。只有少部分用戶(hù)的資費(fèi)是不合理的，需要為其推薦適合的主流資費(fèi)。模型效果資費(fèi)推薦方案 模型創(chuàng)新點(diǎn)：計(jì)算量小，占用資源少，速度快； 實(shí)時(shí)性高，能根據(jù)市場(chǎng)部門(mén)需要，及時(shí)計(jì)算結(jié)果； 應(yīng)用廣泛，該模型有助于分析資費(fèi)特征，為資費(fèi)設(shè)計(jì)、資費(fèi)整理提供輔助信息。并且可以拓展應(yīng)用到個(gè)性化營(yíng)銷(xiāo)業(yè)務(wù)。 對(duì)計(jì)算結(jié)果進(jìn)行統(tǒng)計(jì)，接近70%用戶(hù)資費(fèi)合理，驗(yàn)證了建模依據(jù)。推薦準(zhǔn)確度與傳統(tǒng)方法相當(dāng)。部分結(jié)果如右圖：21 新增來(lái)源與離網(wǎng)去向分析新增來(lái)源與離網(wǎng)去向分析業(yè)務(wù)需求市場(chǎng)部往往遇到如下難以回答的問(wèn)題： 每月上百萬(wàn)的新增客戶(hù)是從哪里來(lái)的，是競(jìng)爭(zhēng)對(duì)手轉(zhuǎn)網(wǎng)？還是本地市場(chǎng)發(fā)展？ 每月大量的流失用戶(hù)到

17、哪里去了，是到競(jìng)爭(zhēng)對(duì)手了？還是人口遷移的正常流失？解決方案 識(shí)變、應(yīng)變、求變?nèi)襟E解決法 客戶(hù)認(rèn)知與細(xì)分、分析與研究、策略制定與執(zhí)行 構(gòu)建新增來(lái)源和離網(wǎng)去向分析模型 分析客戶(hù)變化軌跡，輔助市場(chǎng)部制定策略，輔助市場(chǎng)設(shè)計(jì)EBM等精細(xì)化維系方式，例如余額捆綁等方式方案應(yīng)用 監(jiān)控客戶(hù)流向流量變化，及時(shí)發(fā)現(xiàn)經(jīng)營(yíng)風(fēng)險(xiǎn) 為特定細(xì)分群體設(shè)計(jì)入網(wǎng)、營(yíng)銷(xiāo)策略 分析客戶(hù)變化軌跡通過(guò)營(yíng)銷(xiāo)案引導(dǎo)客戶(hù)消費(fèi)習(xí)慣22 目錄數(shù)據(jù)挖掘介紹對(duì)市場(chǎng)運(yùn)營(yíng)管理的支撐C. 網(wǎng)絡(luò)側(cè)成功案例23 基于服務(wù)質(zhì)量的客戶(hù)綜合感知度專(zhuān)題概述基于服務(wù)質(zhì)量的客戶(hù)綜合感知度專(zhuān)題概述業(yè)務(wù)需求提升客戶(hù)使用業(yè)務(wù)的感知度是提升客戶(hù)忠誠(chéng)度、價(jià)值度、發(fā)展業(yè)務(wù)的關(guān)鍵所在

18、。以往運(yùn)營(yíng)商對(duì)客戶(hù)感知度也有所分析及探索，但是因?yàn)閿?shù)據(jù)分散、各部門(mén)關(guān)注點(diǎn)差異等約束，在分析的完整性、及時(shí)性、深度、投入產(chǎn)出比等各方面存在局限性。解決方案分析思路方面：采用客戶(hù)業(yè)務(wù)相關(guān)數(shù)據(jù)，全面評(píng)估客戶(hù)使用業(yè)務(wù)各方面的感知度，進(jìn)而得到客戶(hù)的綜合感知度。具體涉及網(wǎng)絡(luò)信令、市場(chǎng)計(jì)費(fèi)、客戶(hù)服務(wù)、業(yè)務(wù)使用、客戶(hù)屬性等方面。分析深度方面：對(duì)數(shù)據(jù)寬表進(jìn)行建模、挖掘分析，通過(guò)顯著性、重要性分析、K-Means算法、熵值法、因子分析、分群等過(guò)程得到客戶(hù)感知度指標(biāo)體系、綜合感知度、分域感知度、客戶(hù)分群等結(jié)果。方案應(yīng)用得到評(píng)估客戶(hù)感知度的指標(biāo)體系，由重點(diǎn)指標(biāo)及其指標(biāo)權(quán)重組成。得到每個(gè)客戶(hù)粒度的感知度評(píng)分，包括綜合感

19、知度以及各分域感知度評(píng)分，根據(jù)得分情況對(duì)客戶(hù)進(jìn)行分群，發(fā)現(xiàn)各分群客戶(hù)的行為特點(diǎn)，并為各群總結(jié)服務(wù)策略。找出對(duì)客戶(hù)感知影響最大的服務(wù)短板，總結(jié)改善策略。客服指標(biāo)各種分類(lèi)投訴次數(shù)、咨詢(xún)、保障、主動(dòng)接觸、主動(dòng)服務(wù)、人工服務(wù)總體次數(shù)GPRS業(yè)務(wù)指標(biāo)上網(wǎng)時(shí)長(zhǎng)、上/下行TBF建立失敗次數(shù)，PDCH分配失敗次數(shù)、掉線次數(shù)、SGSN附著時(shí)延、附著成功率、附著次數(shù)、PDP激活時(shí)延、激活成功率、激活次數(shù)、DNS時(shí)延、上行/下行流量、上行/下行速率等資費(fèi)指標(biāo)單價(jià)、總價(jià)、使用套餐總體消費(fèi)、使用業(yè)務(wù)消費(fèi)等語(yǔ)音業(yè)務(wù)指標(biāo)通話時(shí)長(zhǎng)（主叫/被叫）、尋呼時(shí)延、尋呼失敗次數(shù)、TCH分配失敗次數(shù)（主叫/被叫）、掉話次數(shù)（主叫/被叫）

20、、未接通次數(shù)、接通率、SDCCH平均分配時(shí)間、分配失敗次數(shù)等基本特征指標(biāo)性別、年齡層次、職業(yè)類(lèi)型、客戶(hù)品牌涉及到業(yè)務(wù)數(shù)據(jù)24 感知因素感知因素 指標(biāo)指標(biāo) 指標(biāo)權(quán)重指標(biāo)權(quán)重 因素權(quán)重因素權(quán)重通話質(zhì)量通話質(zhì)量 掉話率3.653.6542.0542.05接通率 2.812.81尋呼時(shí)延4.764.76 上網(wǎng)質(zhì)量上網(wǎng)質(zhì)量 PDP激活時(shí)延3.93.913.2213.22網(wǎng)站接入失敗1.281.28下行速率1.051.05服務(wù)質(zhì)量服務(wù)質(zhì)量 業(yè)務(wù)咨詢(xún)次數(shù)2.512.5110.2610.26故障及時(shí)處理次數(shù)2.422.42用戶(hù)故障處理反饋2.012.01資費(fèi)水平資費(fèi)水平 平均ARPU2.042.0411.27

21、11.27單價(jià)2.592.59投訴情況投訴情況 語(yǔ)音投訴次數(shù)3.273.2723.223.2.指標(biāo)體系構(gòu)建流程指標(biāo)體系構(gòu)建流程示 例二維指標(biāo)矩陣指標(biāo)矩陣細(xì)化指標(biāo)體系梳理指標(biāo)體系確認(rèn)指標(biāo)口徑確認(rèn)提數(shù)需求寬表計(jì)算指標(biāo)權(quán)重25 根據(jù)數(shù)據(jù)特征進(jìn)行客戶(hù)分群根據(jù)數(shù)據(jù)特征進(jìn)行客戶(hù)分群群ID群1群2群3群4命名低價(jià)值高感知客戶(hù)高價(jià)值低感知客戶(hù)故障修復(fù)低感知客戶(hù)接通率低感知客戶(hù)群規(guī)模共280335人占總?cè)藬?shù)39.7%共78616人占總?cè)藬?shù)11.1%共73698人占總?cè)藬?shù)10.4%共272942人占總?cè)藬?shù)38.7%數(shù)據(jù)特征群內(nèi)投訴率很低，是平均水平的1/3；平均ARPU值最低，為33.68元；有將近50%的用戶(hù)身

22、份證信息不全；群內(nèi)投訴率很高，為平均水平的3倍；平均ARPU值最高，為98.51元；入網(wǎng)時(shí)間較長(zhǎng)，將近一半的用戶(hù)超過(guò)4年；故障修復(fù)及客服感知較差，超過(guò)50%的用戶(hù)客服感知評(píng)分低于80分；平均ARPU值中等，為77.47元；容易發(fā)展成越級(jí)投訴用戶(hù)接通率較低；平均ARPU值較低，為61.63元；易發(fā)展為投訴用戶(hù)服務(wù)策略提升客戶(hù)貢獻(xiàn)度，激發(fā)消費(fèi)能力，完善客戶(hù)信息加強(qiáng)網(wǎng)絡(luò)質(zhì)量改進(jìn)，改善服務(wù)策略，重點(diǎn)維系客戶(hù)群提高障礙修復(fù)滿(mǎn)意率，提高網(wǎng)絡(luò)接入優(yōu)先級(jí)，對(duì)其重復(fù)投訴高度重視，防止越級(jí)申告，防止客戶(hù)流失（ARPU值偏高）深入分析用戶(hù)的呼損原因，降低網(wǎng)絡(luò)失敗體驗(yàn)，促進(jìn)客戶(hù)的消費(fèi)u對(duì)用戶(hù)特征進(jìn)行K-Means挖掘

23、算法分析，得到不同數(shù)據(jù)特征的分群結(jié)果，然后對(duì)每個(gè)群進(jìn)行業(yè)務(wù)理解并給出相應(yīng)的服務(wù)策略u(píng)其中網(wǎng)絡(luò)因素指標(biāo)對(duì)分群的區(qū)分度最強(qiáng)，包含的信息量最大示 例26 指標(biāo)指標(biāo)發(fā)生次數(shù)發(fā)生次數(shù)權(quán)重權(quán)重APN配置錯(cuò)誤22.58附著失敗次數(shù)12.78附著時(shí)延超長(zhǎng)33.9PDP激活失敗次數(shù)02.78PDP激活時(shí)延超長(zhǎng)03.9DNS解析時(shí)延超長(zhǎng)11.56鑒權(quán)失敗12.13網(wǎng)站接入失敗61.28SP接入時(shí)延超長(zhǎng)53.03首頁(yè)下載時(shí)間超長(zhǎng)42.76下載速度慢81.05Java下載時(shí)延超長(zhǎng)30.43WAP網(wǎng)關(guān)接入失敗03.9客戶(hù)ID滿(mǎn)意度綜合得分 通話質(zhì)量滿(mǎn)意度得分 上網(wǎng)滿(mǎn)意度得分 資費(fèi)滿(mǎn)意度得分 業(yè)務(wù)受理滿(mǎn)意度得分13930

24、.6923.6788.8936.9147.0713954.3380.9934.8857.9488.9813971.3689.4110095.6895.10發(fā)現(xiàn)影響該用戶(hù)感知度得分的關(guān)鍵指標(biāo)是wap上網(wǎng)的相關(guān)指標(biāo)。進(jìn)一步對(duì)CDR詳單進(jìn)行分析，發(fā)現(xiàn)該用戶(hù)上網(wǎng)失敗及時(shí)延超長(zhǎng)均發(fā)生在同一個(gè)SP網(wǎng)站，說(shuō)明該SP網(wǎng)站的性能存在問(wèn)題。對(duì)該客戶(hù)發(fā)出短信提醒或協(xié)調(diào)SP網(wǎng)站進(jìn)行改善。發(fā)現(xiàn)附著相關(guān)指標(biāo)的得分不高。進(jìn)一步對(duì)CDR詳單進(jìn)行分析，檢查附著是否發(fā)生在同一個(gè)SGSN上，是設(shè)備故障問(wèn)題還是終端問(wèn)題導(dǎo)致。檢查其他附著失敗情況，分析是偶然因素導(dǎo)致還是存在共性問(wèn)題。分析影響客戶(hù)感知最關(guān)鍵的指標(biāo)，鉆取呼損記錄和詳細(xì)CD

25、R流程，分析故障原因。鎖定改善的目標(biāo)客戶(hù)群，分析單個(gè)客戶(hù)的感知情況鎖定改善的目標(biāo)客戶(hù)群，分析單個(gè)客戶(hù)的感知情況示 例27 業(yè)務(wù)需求以往終端維度的數(shù)據(jù)分散在各個(gè)相關(guān)部門(mén)，不易進(jìn)行完整全面的分析。比如網(wǎng)絡(luò)部專(zhuān)注于網(wǎng)絡(luò)質(zhì)量方面的分析，市場(chǎng)部擅長(zhǎng)于經(jīng)濟(jì)類(lèi)指標(biāo)及客戶(hù)屬性分析，各方整合效應(yīng)體現(xiàn)不明顯。難以對(duì)終端問(wèn)題引起的收入損失多少情況進(jìn)行量化。解決方案分析思路方面：對(duì)網(wǎng)絡(luò)信令數(shù)據(jù)和市場(chǎng)計(jì)費(fèi)數(shù)據(jù)進(jìn)行整合，通過(guò)用戶(hù)維度進(jìn)行關(guān)聯(lián)，得到終端維度全面、細(xì)致的數(shù)據(jù)模型，對(duì)終端問(wèn)題引起的收入損失進(jìn)行量化。進(jìn)而分析不同用戶(hù)、渠道的收入損失情況。分析深度方面：對(duì)信令數(shù)據(jù)進(jìn)行數(shù)據(jù)建模、數(shù)據(jù)挖掘深入分析，評(píng)估終端對(duì)網(wǎng)絡(luò)信令失

26、敗事件的影響程度。對(duì)以往只能定性說(shuō)明的問(wèn)題進(jìn)行定量分析。方案應(yīng)用站在終端角度對(duì)信令數(shù)據(jù)及計(jì)費(fèi)賬務(wù)數(shù)據(jù)進(jìn)行了關(guān)聯(lián)整合。得到“終端原因引起的經(jīng)濟(jì)收入損失”獨(dú)特分析視角及結(jié)果展現(xiàn)。發(fā)現(xiàn)引起收入損失異常的終端型號(hào)，為終端引進(jìn)提供參考。終端分析專(zhuān)題項(xiàng)目概述終端分析專(zhuān)題項(xiàng)目概述28 數(shù)據(jù)挖掘評(píng)估終端對(duì)信令失敗的影響度數(shù)據(jù)挖掘評(píng)估終端對(duì)信令失敗的影響度終端型號(hào)終端型號(hào)用戶(hù)用戶(hù)信令消息信令消息相關(guān)次數(shù)相關(guān)次數(shù)權(quán)重權(quán)重有效失敗次數(shù)有效失敗次數(shù)總失敗次數(shù)總失敗次數(shù)成功計(jì)費(fèi)次數(shù)成功計(jì)費(fèi)次數(shù) 消費(fèi)金額消費(fèi)金額損失金額損失金額MOTOV3138*APN信令失敗次數(shù)：7100%7*100%=77+0.64+3.29=10

27、.935010010.93*100/50=21.86Activate信令失敗次數(shù)：351.84%35*1.84%=0.64Attach信令失敗次數(shù)：2813.16%28*13.16%=3.29139*C Ch hi i- -S Sq qu ua ar re e T Te es st ts s10486.461a20.00010657.50420.00021184Pearson Chi-SquareLikelihood RatioN of Valid CasesValuedfAsymp. Sig.(2-sided)0 cells (.0%) have expected count less th

28、an 5. Theminimum expected count is 200.50.a. C Ch hi i- -S Sq qu ua ar re e T Te es st ts s1637.123a18.0001689.06218.00021184Pearson Chi-SquareLikelihood RatioN of Valid CasesValuedfAsymp. Sig.(2-sided)0 cells (.0%) have expected count less than 5. Theminimum expected count is 39.50.a. C Ch hi i- -S Sq qu ua ar re e T Te es st ts s1621.737a19.0001674.91619.00021184Pearson Chi-SquareLikelihood RatioN of Valid CasesValuedfAsymp. Sig.(2-sided)0 cells (.0%) have expected count less than 5. Theminimum expected count is 62.50.a. 卡方檢驗(yàn)回歸方程權(quán)重計(jì)算權(quán)重結(jié)果通過(guò)數(shù)據(jù)挖掘算法，量化終端引起的ActivatePDP、Attac