摘 要：隨著移動互聯(lián)網(wǎng)的發(fā)展，電信運營商的傳統(tǒng)語音和短信收入快速下降，同時流量價值也不斷向云端結合的OTT服務商轉移，擠壓運營商收入增長空間。文章通過研究電信運營商大數(shù)據(jù)能力優(yōu)勢及精準營銷需求，基于logistic回歸模型，提出了電信運營商流量經(jīng)營的大數(shù)據(jù)精準營銷應用，有效提升客戶的滿意度，快速提高運營商效益。

關鍵詞：logistic回歸模型；大數(shù)據(jù)應用；運營商；流量經(jīng)營

隨著移動互聯(lián)網(wǎng)的發(fā)展，流量已成為客戶的核心需求，能否順利從以“話務量”為中心的經(jīng)營轉向“流量經(jīng)營”轉型，能否通過流量經(jīng)營提升公司的價值，已成為運營商戰(zhàn)略轉型的關鍵。移動互聯(lián)網(wǎng)時代的流量經(jīng)營與語音和寬帶業(yè)務的經(jīng)營有很大不同：客戶使用的終端多樣性，流量承載的內容性豐富，客戶流量使用行為的數(shù)據(jù)的復雜性，僅通過傳統(tǒng)的“暴力營銷”極易引起客戶的反感和投訴?；趌ogistic回歸模型的大數(shù)據(jù)精準營銷應用將有效解決提升客戶滿意度及運營商效益提升問題。

1 基于logistic回歸模型的大數(shù)據(jù)精準營銷應用的解決方案

1.1 基本思路

根據(jù)用戶的特征，判別哪些是誘發(fā)用戶訂購流量包的因素，使用logistic回歸分析出其影響權重，從而預測哪些用戶是潛在的訂購用戶。

1.2 logistic模型

根據(jù)樣本數(shù)據(jù)可以通過最似然估計法計算出模型參數(shù)。

1.3 抽取數(shù)據(jù)

抽取五大類11子項數(shù)據(jù)作為分析顆粒度。

1.4 數(shù)據(jù)描述

本模型使用部分流量包訂購數(shù)據(jù)，它有94455個樣本觀測，每個觀測包括12個變量：

用戶號碼（phone）、使用流量（current_flow）、套餐類型（taocan_type）、終端類型（os）、用戶類型（utype）、訂購狀態(tài)（order）、套餐消耗比（main_rate）、日均使用流量（avg_day_flow）、閑時消耗比（free_rate）、活躍度（day_log_count）、APP個數(shù)（client_count）和潛力值（big_client_pv）。

1.4.1 觀測樣本套餐劃分情況：

3G套餐包括A/B/C/iPhone/wopai，占比為36%；2G套餐根據(jù)流量分為流量卡（占比28%）和非流量卡（占比35%）。

1.4.2 觀測樣本終端情況

Android操作系統(tǒng)用戶占比達51%，iOS操作系統(tǒng)用戶占比為9%。

1.4.3觀測樣本流量使用情況

把觀測樣本用戶使用流量劃分成8個區(qū)間，對流量需求旺盛用戶開展流量包營銷非常必要。（圖3）

1.4.4 觀測樣本流量飽和度情況

極大部分用戶都出現(xiàn)了流量超套行為，占一半用戶以上，進行合適的流量包推送很在必要。（圖4）

2 基于logistic回歸模型的大數(shù)據(jù)精準營銷應用的模型建立

2.1 數(shù)據(jù)

隨機抽取80%的數(shù)據(jù)（75564條）建立一個logistic模型，再用余下20%的數(shù)據(jù)（18891條）進行預測。

2.2 方法

多元logistic模型，使用stepwise選擇變量。

2.3 變量

涉及多個分類變量-用戶類型、終端類型和套餐類型，設置啞變量處理，并設置相應的參照水平-3G用戶、Andriod終端和A套餐。

2.4 影響因素參數(shù)估計

2.4.1 整體顯著性檢驗

假設：H0：b1=b2=…=bn=0；H1：b1，b2，…bn不全為0。

檢驗的結果如下所示：從表4中可以看到p-value<0.0001，拒絕原假設，說明回歸系數(shù)對模型有顯著性的影響，這個模型整體上比空模型更顯著。

2.4.2 參數(shù)估計

從表5中可以看到9個因素的回歸系數(shù)都通過了Wald Chi-Square檢驗，說明各系數(shù)在統(tǒng)計上是顯著的。

2.5 模型結論

閑時消耗率、終端類型、套餐類型為此模型中誘發(fā)訂購行為的最重要的三個因素。（表6）

2.6 參數(shù)意義

回歸的系數(shù)給出了概率的對數(shù)變化一個單位對應的預測變量的增加。OR比是取冪的系數(shù)，可以解釋為乘法概率增加一單位預測變量的變化。3G用戶相對于2G用戶：訂購概率的對數(shù)增加1.7443；訂購的概率相對不訂購的概率增加0.175。Current_flow增加1M：訂購概率的對數(shù)增加0.00116；訂購的概率相對不訂購的概率增加1.001。（表7）

2.7 模型描述

預測模型：

3 基于logistic回歸模型的大數(shù)據(jù)精準營銷應用監(jiān)測及實施案例

（1）對 18891個用戶數(shù)據(jù)進行預測，ROC曲線如下：

·訂購覆蓋率Sensitivity=正確預測到的訂購數(shù)/實際訂購總數(shù)

·未訂覆蓋率Specificity=正確預測到的未訂數(shù)/實際未訂總數(shù)

·ROC曲線是在不同閾值下，Sensitivity和1-Specificity 的組合。隨著閾值的減小（更多的用戶就會被認為訂購），Sensitivity和1-Specificity 也相應增加。

·ROC曲線與45度線偏離越大，AUC值越大，模型的效果就越好。

·閾值e=0.5時， Sensitivity=75.24%

Specificity=87.14%

設檢驗數(shù)據(jù)中訂購的比率為p，預測結果中訂購的比率為Depth，命中率PV+=正確預測到的訂購數(shù)/預測訂購總數(shù)，提升值Lift=PV+/p，Lift圖表示不同閾值下Lift和Depth的軌跡。用來衡量：與不利用模型相比，模型的預測能力“變好”了多少。Lift值越大，模型的運行結果越好。

圖5，在depth為1之前，lift一直保持較高的（大于1的）數(shù)值，表明此模型分類效果良好。

（2）預測檢驗-混淆矩陣：

對18891個用戶數(shù)據(jù)進行預測，設e=0.5，結果如下：

4 結束語

該模型的應用極大提高了目標用戶營銷成功率，較運用前營銷成功率提升50%，用戶投訴率降低60%，效果顯著?；趌ogistic回歸模型大數(shù)據(jù)分析，匹配流量用戶特征，科學分析用戶需求點，達到公司與用戶雙贏。

參考文獻

[1]安·A.奧康奈爾，定序因變量的logistic回歸模型/格致方法定量研究系列[M].北京：清華大學出版社，2009.

[2]（美）梅納德.應用logistic回歸分析（第二版）[M].李俊秀，譯.格致出版社，2012.

[3]顧芳，劉旭峰，左超.大數(shù)據(jù)背景下運營商移動互聯(lián)網(wǎng)發(fā)展策略研究[J].郵電設計技術，2012.

[4]童曉渝，張云勇，房秉毅，等.大數(shù)據(jù)時代電信運營商的機遇[J].通信信息技術，2013.