0 引言

隨著3G時(shí)代的到來(lái)，國(guó)內(nèi)電信市場(chǎng)競(jìng)爭(zhēng)日趨激烈，電信運(yùn)營(yíng)商的經(jīng)營(yíng)模式逐漸從“技術(shù)驅(qū)動(dòng)”向“市場(chǎng)驅(qū)動(dòng)”、“客戶驅(qū)動(dòng)”轉(zhuǎn)化。這就要求運(yùn)營(yíng)商要采取以客戶為中心的策略，根據(jù)客戶的實(shí)際需求提供多樣化、層次化、個(gè)性化的服務(wù)解決方案。

電信增值業(yè)務(wù)是憑借公用電信網(wǎng)的資源和其它通信設(shè)備而開(kāi)發(fā)的附加通信業(yè)務(wù)，其實(shí)現(xiàn)的價(jià)值使原有網(wǎng)絡(luò)的經(jīng)濟(jì)效益或功能價(jià)值得到進(jìn)一步提升，是運(yùn)營(yíng)商提供給消費(fèi)者的信息服務(wù)。增值業(yè)務(wù)的種類(lèi)很多,例如短信、彩信、手機(jī)上網(wǎng)、電子信箱、可視電話、手機(jī)電視等，多以語(yǔ)音、文字、圖形、圖像等多媒體形式生動(dòng)、直觀、形象地表示和傳遞信息。

增值業(yè)務(wù)是運(yùn)營(yíng)商提供給消費(fèi)者的更高層次的信息服務(wù)，要求運(yùn)營(yíng)商提供的產(chǎn)品應(yīng)符合不同消費(fèi)群的個(gè)性化需求，這使得傳統(tǒng)的電信增值服務(wù)行業(yè)的大眾營(yíng)銷(xiāo)策略已很難適應(yīng)新形勢(shì)的發(fā)展要求。充分獲取并利用相關(guān)數(shù)據(jù)信息，使用數(shù)據(jù)挖掘方法發(fā)現(xiàn)潛在客戶并展開(kāi)針對(duì)性營(yíng)銷(xiāo)，已成為運(yùn)營(yíng)商重點(diǎn)關(guān)注的市場(chǎng)拓展方法之一。

1 數(shù)據(jù)挖掘及其在電信行業(yè)的應(yīng)用

數(shù)據(jù)挖掘是從大量的、不完整的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先并不知道的、具有潛在價(jià)值的信息和知識(shí)的過(guò)程。它的出現(xiàn)為自動(dòng)和智能地把海量的數(shù)據(jù)轉(zhuǎn)化成有用的信息和知識(shí)提供了手段。

數(shù)據(jù)挖掘在電信行業(yè)的應(yīng)用包括如下幾個(gè)方面：

1）關(guān)聯(lián)分析：其目的是挖掘出隱藏在數(shù)據(jù)間的關(guān)聯(lián)關(guān)系。例如，訂購(gòu)手機(jī)視頻通話包月套餐的顧客同時(shí)訂購(gòu)手機(jī)電視套餐的概率較高，這就是一條關(guān)聯(lián)規(guī)則。

2）分類(lèi)/預(yù)測(cè)：其目的是產(chǎn)生一個(gè)分類(lèi)模型，該模型能把數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到給定類(lèi)別中。分類(lèi)數(shù)據(jù)挖掘主要利用歷史數(shù)據(jù)找出規(guī)律，建立模型，并應(yīng)用模型預(yù)測(cè)未來(lái)數(shù)據(jù)的種類(lèi)、特征等，可用于電信行業(yè)的潛在客戶發(fā)現(xiàn)。

3）聚類(lèi)：聚類(lèi)是把一組個(gè)體按照相似性歸成若干類(lèi)別，使得屬于同一類(lèi)別的個(gè)體之間的距離盡可能小，而不同類(lèi)別個(gè)體間的距離盡可能大。聚類(lèi)通常用于根據(jù)客戶消費(fèi)行為特征劃分為不同的用戶群，開(kāi)展針對(duì)性營(yíng)銷(xiāo)。

4）偏差分析：從數(shù)據(jù)庫(kù)中找出異常數(shù)據(jù)，如短信群發(fā)、欺詐行為的發(fā)現(xiàn)。

5）時(shí)間序列：從序列數(shù)據(jù)庫(kù)中發(fā)現(xiàn)相對(duì)時(shí)間或者其他順序所出現(xiàn)的高頻率子序列。其最初是通過(guò)在帶有交易時(shí)間屬性的交易數(shù)據(jù)庫(kù)中發(fā)現(xiàn)頻繁項(xiàng)目序列，以發(fā)現(xiàn)某一時(shí)間段客戶的購(gòu)買(mǎi)活動(dòng)規(guī)律。

2 增值業(yè)務(wù)潛在客戶挖掘分析思路

增值業(yè)務(wù)精確營(yíng)銷(xiāo)是通過(guò)分析現(xiàn)有的增值業(yè)務(wù)訂購(gòu)關(guān)系數(shù)據(jù)，使用統(tǒng)計(jì)分析或數(shù)據(jù)挖掘方法找出針對(duì)不同業(yè)務(wù)具有潛在營(yíng)銷(xiāo)價(jià)值的目標(biāo)客戶。

數(shù)據(jù)挖掘方法可以從兩個(gè)方面發(fā)現(xiàn)增值業(yè)務(wù)的潛在用戶：

2.1 用戶消費(fèi)能力和消費(fèi)行為差異角度

通過(guò)分析使用某增值業(yè)務(wù)的用戶和未使用用戶的消費(fèi)行為數(shù)據(jù)，找出兩者的消費(fèi)行為差異，尋找和探索表征客戶使用習(xí)慣的指標(biāo)變量，以建立客戶的特征模型。從現(xiàn)有未使用該增值業(yè)務(wù)的客戶中篩選出符合此特征模型的用戶群，并預(yù)評(píng)估其營(yíng)銷(xiāo)成功的概率，對(duì)其中營(yíng)銷(xiāo)成功概率較高的潛在用戶開(kāi)展有針對(duì)性的營(yíng)銷(xiāo)服務(wù)，使之發(fā)展成為該增值業(yè)務(wù)的用戶。

2.2 增值業(yè)務(wù)交叉銷(xiāo)售角度

交叉銷(xiāo)售是一種以企業(yè)和客戶的現(xiàn)有關(guān)系為基礎(chǔ)去推銷(xiāo)另一個(gè)產(chǎn)品的營(yíng)銷(xiāo)策略，是通過(guò)對(duì)現(xiàn)有客戶擴(kuò)大銷(xiāo)售來(lái)增加利潤(rùn)的一個(gè)有效手段。運(yùn)營(yíng)商通過(guò)收集和積累客戶大量的購(gòu)買(mǎi)信息，并對(duì)相關(guān)數(shù)據(jù)進(jìn)行處理、統(tǒng)計(jì)和分析，在全面掌握客戶消費(fèi)能力、消費(fèi)習(xí)慣、信用情況等信息后預(yù)測(cè)客戶下一步要購(gòu)買(mǎi)的產(chǎn)品和服務(wù)，從而有針對(duì)性地向客戶推薦特定的產(chǎn)品，以便提高產(chǎn)品的營(yíng)銷(xiāo)成功率。

增值業(yè)務(wù)交叉銷(xiāo)售通過(guò)分析現(xiàn)有客戶對(duì)增值業(yè)務(wù)訂購(gòu)和使用信息，分析同一業(yè)務(wù)不同產(chǎn)品之間的內(nèi)在聯(lián)系，掌握客戶使用偏好，對(duì)于某特定產(chǎn)品篩選出具有潛在價(jià)值的客戶，使?fàn)I銷(xiāo)服務(wù)更具針對(duì)性，擴(kuò)大產(chǎn)品的用戶群體。

3 基于決策樹(shù)的分類(lèi)模型

以機(jī)器學(xué)習(xí)的觀點(diǎn)，分類(lèi)是一種有指導(dǎo)的學(xué)習(xí)，即每個(gè)訓(xùn)練樣本的數(shù)據(jù)對(duì)象已經(jīng)有類(lèi)標(biāo)識(shí)，通過(guò)學(xué)習(xí)可以形成表達(dá)數(shù)據(jù)對(duì)象與類(lèi)標(biāo)識(shí)間對(duì)應(yīng)的知識(shí)。從這個(gè)意義上說(shuō)，分類(lèi)的目標(biāo)就是根據(jù)樣本數(shù)據(jù)形成類(lèi)知識(shí)，并對(duì)源數(shù)據(jù)進(jìn)行分類(lèi)，進(jìn)而預(yù)測(cè)未來(lái)數(shù)據(jù)的歸類(lèi)，可用于潛在客戶的挖掘。

目前常用的分類(lèi)器構(gòu)造方法包括：基于決策樹(shù)模型的分類(lèi)器構(gòu)造方法（如ID3、C4.5、IBLE、 SLIQ、SPRINT等）、基于統(tǒng)計(jì)模型的分類(lèi)器構(gòu)造方法（如貝葉斯方法）、基于神經(jīng)網(wǎng)絡(luò)模型的分類(lèi)構(gòu)造方法、基于遺傳算法的分類(lèi)器構(gòu)造方法、基于粗糙集的分類(lèi)器構(gòu)造方法等。由于電信企業(yè)的用戶資料存在非數(shù)值類(lèi)型數(shù)據(jù)，相對(duì)于神經(jīng)網(wǎng)絡(luò)算法而言，使用決策樹(shù)算法可免去許多預(yù)處理工作，且模型結(jié)果易于解釋。針對(duì)電信業(yè)超大規(guī)模數(shù)據(jù)量，決策樹(shù)C5.0算法具有很高的執(zhí)行效率，并且在面對(duì)數(shù)據(jù)遺漏和輸入字段很多的問(wèn)題時(shí)非常穩(wěn)定，故本文采用C5.0算法創(chuàng)建決策樹(shù)。建模過(guò)程如圖1所示。

圖1 建模過(guò)程圖

C5.0算法根據(jù)能夠帶來(lái)最大信息增益的字段拆分樣本。其算法思想是：第一次拆分確定的樣本子集隨后再次拆分，通常是根據(jù)另一個(gè)字段進(jìn)行拆分，這一過(guò)程重復(fù)進(jìn)行直到樣本子集不能再被拆分為止。最后，重新檢驗(yàn)最低層次的拆分，那些對(duì)模型值沒(méi)有顯著貢獻(xiàn)的樣本子集被剔除或者修剪。

以某運(yùn)營(yíng)商“手機(jī)報(bào)潛在客戶挖掘”為例，通過(guò)該運(yùn)營(yíng)商用戶使用電信業(yè)務(wù)的一些基礎(chǔ)數(shù)據(jù)資料，包括用戶資料（如客戶類(lèi)型、入網(wǎng)時(shí)長(zhǎng)等）、用戶業(yè)務(wù)使用信息（如月均彩信條數(shù)、GPRS流量等）、用戶消費(fèi)信息（如ARPU、增值業(yè)務(wù)費(fèi)用等），終端支持信息、用戶手機(jī)報(bào)訂購(gòu)信息（是否訂購(gòu)手機(jī)報(bào)）等。這些數(shù)據(jù)清洗工作完成后，抽取連續(xù)三個(gè)月的數(shù)據(jù)進(jìn)行數(shù)據(jù)探索，掌握各因子的數(shù)據(jù)分布情況，并結(jié)合業(yè)務(wù)經(jīng)驗(yàn)設(shè)計(jì)反映預(yù)測(cè)結(jié)果且與結(jié)果直接、間接相關(guān)的衍生因子。然后，取10萬(wàn)名連續(xù)使用三個(gè)月手機(jī)報(bào)的在網(wǎng)用戶和1萬(wàn)名最近兩個(gè)月未使用手機(jī)報(bào)的用戶作為訓(xùn)練集，使用C5.0算法對(duì)訓(xùn)練集數(shù)據(jù)建立預(yù)測(cè)模型，以“是否手機(jī)報(bào)用戶”為輸出變量，其余為輸入變量。訓(xùn)練結(jié)果為用戶手機(jī)報(bào)業(yè)務(wù)用戶特征的決策樹(shù)。

4 基于Apriori算法的關(guān)聯(lián)規(guī)則模型

Apriori 算法是一種最具影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。其基本思想是把關(guān)聯(lián)規(guī)則挖掘分為如下兩步：

第一步：從事務(wù)數(shù)據(jù)庫(kù)中找到所有支持度不小于用戶指定的最小支持度閾值的頻繁項(xiàng)目集。在數(shù)據(jù)挖掘中，支持度不小于用戶給定的最小支持度閾值的項(xiàng)目集簡(jiǎn)稱(chēng)頻繁項(xiàng)目集。

第二步：使用頻繁項(xiàng)目集產(chǎn)生所期望的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的置信度不小于用戶指定的最小置信度閾值。

以手機(jī)報(bào)深度營(yíng)銷(xiāo)為例（指向目前使用手機(jī)報(bào)的用戶推薦其它不同類(lèi)型的手機(jī)報(bào)），交叉銷(xiāo)售挖掘的研究思路為：分析各種手機(jī)報(bào)之間的關(guān)聯(lián)程度，篩選使用了較強(qiáng)關(guān)聯(lián)中后項(xiàng)的用戶。建模步驟如下：

1）根據(jù)客戶的手機(jī)報(bào)訂購(gòu)關(guān)系，分析挖掘客戶同時(shí)訂購(gòu)多種手機(jī)報(bào)的情況，根據(jù)關(guān)聯(lián)度判定規(guī)則，對(duì)訂購(gòu)各手機(jī)報(bào)產(chǎn)品進(jìn)行關(guān)聯(lián)度計(jì)算，判斷出哪些手機(jī)報(bào)之間具有較高的支持度和可信度。

2）從多種視角分析不同手機(jī)報(bào)之間關(guān)聯(lián)度高的原因，例如哪類(lèi)用戶同時(shí)訂購(gòu)了新聞早晚報(bào)和鳳凰時(shí)事周刊，為優(yōu)化產(chǎn)品結(jié)構(gòu)和捆綁營(yíng)銷(xiāo)提供支撐。

3）選擇訂購(gòu)了某種手機(jī)報(bào)，但未訂購(gòu)和該種類(lèi)型關(guān)聯(lián)程度較高的手機(jī)報(bào)的用戶，作為該手機(jī)報(bào)的潛在用戶。

5 模型驗(yàn)證與效果評(píng)估

1）模型驗(yàn)證

分類(lèi)模型的驗(yàn)證方法是對(duì)檢驗(yàn)集數(shù)據(jù)應(yīng)用模型結(jié)果規(guī)則集，用命中率、查全率、Gains圖、Lift圖等對(duì)應(yīng)用結(jié)果進(jìn)行準(zhǔn)確性和模型效果評(píng)估。關(guān)聯(lián)規(guī)則模型通過(guò)多期數(shù)據(jù)的支持度、可信度、提升度等指標(biāo)衡量。此外也包括通過(guò)多期歷史數(shù)據(jù)進(jìn)行驗(yàn)證，以確定模型的表現(xiàn)是否穩(wěn)定。模型的穩(wěn)定性主要用于測(cè)試模型是否在未來(lái)具有較好表現(xiàn)，是否符合預(yù)期。

2）模型調(diào)優(yōu)

模型調(diào)優(yōu)的目標(biāo)是根據(jù)模型評(píng)估結(jié)果，對(duì)模型進(jìn)行優(yōu)化，使檢驗(yàn)指標(biāo)具有較好的綜合表現(xiàn)。模型調(diào)優(yōu)可以通過(guò)設(shè)計(jì)合理的衍生因子、調(diào)整平衡節(jié)點(diǎn)、修改挖掘方案等實(shí)現(xiàn)。

3）營(yíng)銷(xiāo)效果評(píng)估

該某運(yùn)營(yíng)商“手機(jī)報(bào)潛在客戶挖掘”案例為例，使用手機(jī)報(bào)數(shù)據(jù)挖掘模型從樣本數(shù)據(jù)中發(fā)現(xiàn)8903名目標(biāo)客戶，通過(guò)客服人員電話營(yíng)銷(xiāo)，實(shí)際呼通4741人，實(shí)際訂購(gòu)1238人，營(yíng)銷(xiāo)成功率為26%。而此前該運(yùn)營(yíng)商手機(jī)報(bào)外呼營(yíng)銷(xiāo)成功率在9%-11%之間，挖掘模型提供的數(shù)據(jù)營(yíng)銷(xiāo)效果明顯，營(yíng)銷(xiāo)成功率約是原來(lái)的2～3倍，取得良好的經(jīng)濟(jì)效益。

6 結(jié)論

本文從用戶消費(fèi)行為差異角度和增值業(yè)務(wù)交叉銷(xiāo)售角度建立了精確營(yíng)銷(xiāo)模型，分別應(yīng)用于潛在客戶的挖掘和對(duì)同一種增值業(yè)務(wù)不同產(chǎn)品的深度營(yíng)銷(xiāo)，在某地市的手機(jī)報(bào)營(yíng)銷(xiāo)中取得了預(yù)期效果。

在3G時(shí)代，增值業(yè)務(wù)已成為各大運(yùn)營(yíng)商市場(chǎng)爭(zhēng)奪的焦點(diǎn)，使用數(shù)據(jù)挖掘方法實(shí)現(xiàn)增值業(yè)務(wù)精確營(yíng)銷(xiāo)已成為拓展客戶的重要途徑。然而數(shù)據(jù)挖掘的特殊性在于模型的調(diào)整、優(yōu)化是一個(gè)持續(xù)改進(jìn)的過(guò)程。隨著增值業(yè)務(wù)產(chǎn)品的不斷豐富，建立多種業(yè)務(wù)交叉銷(xiāo)售的模型成為下一步需要重點(diǎn)研究的內(nèi)容。

[1]段云峰,等.數(shù)據(jù)倉(cāng)庫(kù)及其在電信領(lǐng)域中的應(yīng)用[M].北京：電子工業(yè)出版社,2005.

[2]王肇剛.基于網(wǎng)絡(luò)拓?fù)浼s束的時(shí)序數(shù)據(jù)挖掘算法研究與應(yīng)用.北京郵電大學(xué),2009.

[3]婁蘭芳,潘慶先.基于集合運(yùn)算的頻繁集挖掘優(yōu)化算法[J].山東大學(xué)學(xué)報(bào)（理學(xué)版）,2008.