青島科技大學數理學院 郭 涌

中國移動山東省公司濱州分公司 楊 慶

隨著國內電信市場競爭的日趨激烈，電信運營商的經營模式逐漸從“技術驅動”向“市場驅動”、“客戶驅動”轉化。面對客戶的多樣化、層次化、個性化的需求，大眾化營銷已經失去了其優(yōu)勢，基于客戶信息、客戶價值和行為，深入數據分析的洞察力營銷、精確化營銷的理念逐漸被各大電信運營商所接受，并渴望通過從數據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據挖掘技術成為實現這些目標的必要手段。

準確的市場細分和差異化的營銷策略是目前企業(yè)市場營銷所必須面對的難題。而客戶分群是市場細分和目標市場營銷的前提。因此，有效的利用數據挖掘方法對客戶進行細分具有重要的意義。從目前的研究情況來看，理論研究仍處于比較薄弱的階段，而本課題的研究將豐富這一方面的內容，為以后進行更深刻的研究做準備。

第一，有利于企業(yè)戰(zhàn)略的制定：客戶細分的方法為企業(yè)的管理者和決策者提供了一種方法，來發(fā)現消費者的需求和需求的變化。企業(yè)戰(zhàn)略的選擇不是選擇產品，也不是選擇業(yè)務，而是選擇客戶價值。只有選擇了客戶群，才能夠根據客戶群的需求，定制公司的發(fā)展方向。根據消費者的需求的差異化，找到企業(yè)差異化戰(zhàn)略的落腳點，同時也根據企業(yè)定位的差異化，組織公司的資源和發(fā)展公司的能力。

第二，促進公司用戶規(guī)模增長，保持移動市場的領先優(yōu)勢：通過客戶細分，找到客戶群較大的客戶需求點，定位公司產品的特殊性，有利于企業(yè)進行大規(guī)模定制。企業(yè)的規(guī)模不能限制在極少數的客戶群，否則無法取得規(guī)模?？蛻艏毞值囊粋€目的，就是幫助企業(yè)實現規(guī)模化定制。

第三，提供客戶最需要的業(yè)務，提升客戶滿意度：一個企業(yè)不可能服務所有的客戶。企圖服務所有客戶的企業(yè)戰(zhàn)略本身就是對客戶不負責任的行為。如果企業(yè)試圖滿足所有消費者的需求，最終的結果只能是所有的消費者都不滿意。每個企業(yè)擁有的資源和企業(yè)自身的能力都存在著差別。企業(yè)擁有的資源是有限的，企業(yè)應該把企業(yè)所擁有的有限的資源發(fā)揮在更好的滿足客戶某一方面的價值上。企業(yè)自身擁有的能力也不同，企業(yè)應該把自身的能力發(fā)揮在更加適合創(chuàng)造消費者特殊價值的地方。這樣，在滿足消費者某個特殊需求的時候，該企業(yè)擁有更加優(yōu)勢的能力，能夠更好地滿足消費者的需求。

國內外各標桿企業(yè)對客戶細分都有了一定的研究。

KDDI多樣化的客戶細分手段：2000年—2007年，KDDI的移動客戶市場份額從18%升至28.9%，2007年6月底，3G客戶更是占到市場的37%。目前KDDI的3G客戶自身占比依然高達98%。

韓國：SKT以年齡為主的客戶細分：從全球范圍來看，SKT的增值業(yè)務發(fā)展一直處于世界領先位置，其成功經驗主要體現在市場細分、網絡建設、終端定制、渠道創(chuàng)新等4個方面，市場細分已經成為SKT營銷和市場滲透戰(zhàn)略的重要手段。

AT&T從2000年開始就將策略重點轉移到企業(yè)客戶中來，目前AT&T公司將客戶細分為企業(yè)客戶、小型商業(yè)客戶和住宅客戶，針對不同類型客戶的特點，設計了不同的業(yè)務體系，以滿足客戶差異化的需求。

英國“Orange”的“四型”客戶：了保證套餐設計的個性化和更強的針對性，Orange通過對客戶消費行為、消費結構、行為方式等的深入分析，將其客戶分為：“海豚型客戶”、“浣熊型客戶”、“金絲雀型客戶”和“黑豹型客戶”四類客戶，并在細分的基礎上提供區(qū)隔化的資費方案。

廣東是外來務工人員聚集的省市，廣東移動針對外來工群體提供專屬的服務。外來務工人員使用通信具有周期性特征，在年初務工時期，新增用戶將增加，他們對價格敏感，同時其長途通信的需求很大，愿意也有時間嘗試眾多業(yè)務，而且會形成群體效應。

四川移動在原有僅依靠基于ARPU值的客戶細分轉變?yōu)榭紤]不同客戶細分方法的有效性及實施的難易程度，并結合公司所提供的數據資源和移動用戶特點，采用用戶行為方式進行客戶細分，再結合人口統(tǒng)計和客戶價值準確定位細分人群。

在家庭客戶方面：北京移動推出”全球通家庭計劃方案”，該套餐的目標是以全球通高端客戶的高離網成本提高整個家庭計劃組的離網成本，并以此維系低端客戶在網，降低客戶離網率。而且這種捆綁也會超出家庭范圍，業(yè)務交往頻繁的商業(yè)合作伙伴或者任何通話頻率高的人群也競相加入。

通過大量閱讀國內外文獻，對數據挖掘的研究背景、方法論、研究和應用前景等進行了綜述，并簡要描述其中聚類分析以及聚類融合算法的相關信息。

聚類算法從：劃分方法、層次方法、基于密度的方法、基于網格的方法以及基于模型的方法進行綜述并討論了聚類算法的研究方向。聚類融合算法將不同算法或者同一算法下使用不同參數得到的結果進行合并，從而得到比單一算法更為優(yōu)越的結果。在分類算法和回歸模型中，正廣泛而且成功地使用著融合方法，該方法能克服分類、回歸中的不穩(wěn)定性，并給出較好的結果，并對目前聚類融合技術的主要進展進行了綜述和總結。

在客戶細分建模方面：本文介紹了客戶細分的必要性及其理論依據，分析了客戶細分應關注的各類變量，給出了客戶細分的一般方法和步驟，強調了客戶細分項目實施過程中應注意的關鍵因素。

在用數據挖掘技術來做客戶細分時，通常采用k-means算法。這種算法具有簡單易行、可擴展性好、時間復雜度較低等優(yōu)點。這是一種較為原始的基于劃分的聚類算法。但在使用K-means算法進行數據挖掘時，仍然存在一些問題：運行K-means算法是必須預先指定聚類個數k，但k值的確定難以估計。很多情況下，工作人員并不知道給定數據集應該被分為幾類，只能在一定先驗知識背景下隨機選擇數值進行聚類。這也是K-means算法本身的一個缺點。在K-means算法中，需要首先隨機選卻k個數據點作為初始聚類中心。這些初始聚類中心點的選取對最終聚類結果的影響較大，一旦初始點選擇不當，很有可能無法得到有效的聚類結果。這也是K-means算法運用中面臨的問題。

為解決K-means算法在移動通信客戶細分中遇到的問題，本文引入聚類融合算法。聚類融合算法將多個聚類結果進行融合優(yōu)化，在適應性、魯棒性、可擴展性、穩(wěn)定性和并行性等方面優(yōu)于單一聚類算法。聚類融合算法用于移動客戶細分，將各層次聚類結果進行匯總融合，得到優(yōu)化的群體劃分，同時，還能通過對最終群體劃分和Co-association矩陣的綜合分析得到每個客戶對所分群的歸屬度。

在進行客戶細分操作方面依據CRISP-DM方法論給出了完整的解決方案；對“商業(yè)理解–數據理解–數據準備–模型建立–模型評估–模型發(fā)布”各個環(huán)節(jié)的實施關鍵點結合實例進行了詳述闡述；最后還論述了戰(zhàn)略分群與戰(zhàn)術分群的關系，對設計有效的目標市場營銷方案作更深入的思考。通過客戶分群（戰(zhàn)略分群）確定營銷機會，通過再次細分（戰(zhàn)術分群）確定營銷方案。戰(zhàn)略分群關注總體，戰(zhàn)術分群關注個體，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而歸到此類中，最終會導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，還有可能會根據客戶特征、商業(yè)目標、營銷方案的可行性等進一步進行戰(zhàn)術分群。

同時由于營銷方案的普適性，最終會出現：同一戰(zhàn)略分群的個體可能歸屬不同戰(zhàn)術分群，不同戰(zhàn)略分群個體也可能歸屬同一戰(zhàn)術分群。如在我們的案例中，首先根據上述的客戶戰(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、經濟商務群和傳統(tǒng)長途群；然后根據這三個目標客戶群的個體和總體特性，同時考慮我們的商業(yè)目標和營銷方案的可行性、易操作性，從收入的變化趨勢和他網IP的使用情況兩個維度重新劃分出三個戰(zhàn)術分群：下降客戶群、上升客戶群和他網IP客戶群，并依據戰(zhàn)術分群來設計對應的營銷方案。

數據挖掘技術能夠解決許多常規(guī)的數據分析方法不能解決的問題。一方面，數據挖掘技術可以同時考慮非常多的因素，人觀察的緯度就十幾二十個緯度，同時觀察的緯度不可能超過太多；而數據挖掘技術，比如聚類分析可以同時考慮非常多的因素，甚至達到幾十上百個維度。

另外數據挖掘可以考察非常大的數據量，也就是說對于大量的數據可以自動的進行分析。并且可以幫助我們去學習新的潛在模式，也就是說我們用人工或者傳統(tǒng)的方法很難發(fā)現的一些規(guī)定。比如聚類分析，除了能夠有效地幫助我們劃分出特征迥異的客戶群，并幫助我們發(fā)現決定客戶分群的主要屬性，實現對各客戶群特征的深入洞察。

同時，正是因為聚類分析能夠從眾多的維度去對客戶屬性作綜合考察，因此還能為我們揭示一些我們的經驗沒有發(fā)現的關系，或者對我們的經驗給以數據證實，而這些往往會給我們帶來一些有價值的意外收獲，例如在我們的案例中，我們發(fā)現擁有寬帶的客戶離網率會比較低，擁有增值業(yè)務的用戶新業(yè)務的滲透率較高，增值業(yè)務和新業(yè)務使用較多的用戶與移動用戶接觸較為頻繁，入網時長較短的客戶離網率高于老客戶，卡類用戶對價格比較敏感但產品滲透率較高需求較旺盛，低值用戶產品滲透率也低，長途構成對ARPU影響至關重要，長途和區(qū)間話務較易流失等等，這些對我們市場營銷都很有啟發(fā)意義。

實踐證明本文提供的移動目標市場營銷客戶分群的解決方案是極為成功有效的。

[1]陳治平.聚類算法在電信客戶細分中的應用研究[J].計算機應用,2007,27(10):2566-2577.

[2]方安儒.基于數據挖掘的客戶細分框架模型[J].計算機工程,2009,35[19]:251-253.

[3]陽琳.聚類融合算法綜述[J].計算機應用研究,2005,(12):8-15.

[4]喻彪.數據挖掘聚類算法研究[J].現代制造工程,2009,(3):141-145.

[5]楊占華.SOM神經網絡算法的研究和進展[J].計算機工程,2006,32(16):201-228.

[6]張國方.客戶細分理論及應用策略研究[J].華中科技大學學報,2003.(03):101-104.

[7]狄輝.客戶細分海外經驗[N].通信產業(yè)網,2009.

[8]李娜.基于數據挖掘的零售客戶細分模型的應用研究[D].成都:四川師范大學學位論文,2008:2-12.