《基于数据挖掘技术的移动通信行业客户细分.pdf》由会员分享，可在线阅读，更多相关《基于数据挖掘技术的移动通信行业客户细分.pdf（4页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 第41卷 第7期2007年7月上 海 交 通 大 学 学 报JOURNAL OF SHANGHAI J IAOTONG UNIVERSITYVol.41 No.7Jul.2007收稿日期:2006208211作者简介:周 颖(19662),女,吉林长春市人,副教授,研究方向为市场营销.电话(Tel.):021252302558;E2mail:zhouying .文章编号:100622467(2007)0721142204基于数据挖掘技术的移动通信行业客户细分周 颖,吕 巍,井 淼(上海交通大学 安泰经济与管理学院,上海200052)摘 要:利用数据挖掘中的误差平方和准则函数的K2Means聚
2、类算法,建立了客户细分模型,为企业进一步制定营销策略提供依据.此方法已经投入运行.实践证明,该方法实用、可操作性强,对支持企业产生了积极的影响.关键词:数据挖掘;客户细分;K2Means聚类法中图分类号:F 279.23 文献标识码:AThe Research of Customer Segmentation Based on Data Miningin Mobile Telecommunication IndustryZ HOU Ying,LWei,J IN G Miao(Antai College of Economics&Management,Shanghai Jiaotong Univ
3、.,Shanghai 200052,China)Abstract:This paper built a customer segmentation model by the rule function of error square sum of K2Means clustering from data mining technology,which can provide a scientific basis for the marketing strat2egy.It presents a positive effect on enterprises because of its prac
4、ticability and simplicity.Key words:data mining;customer segmentation;K2Means cluster 目前,中国的移动通信行业获得了飞速发展,已经成为电信行业中的利润最高、成长最快的业务.截至2006年8月,中国移动电话用户总数突破4亿大关,达到43 747.5万户.在移动通信行业高速发展的背后,运营商却面临着三大矛盾,即快速发展与ARPU值下降的矛盾、竞争的加剧与客户保留之间的矛盾和传统粗放式营销与现代个性化需求之间的矛盾.造成这些矛盾的原因在于企业缺乏对客户的了解.由于移动通信市场庞大,客户在消费上存在较大的差异和层次性
5、,企业必须根据客户特点对客户进行合理细分,并在此基础上对不同细分市场提供有针对性的营销策略,才能在竞争中立于不败之地.与此同时,运营商积累的客户数据量正在以指数速度增长.面对海量客户数据,传统的细分方法已无法进行有效的细分.数据挖掘技术的发展实现了数据挖掘在移动电信企业客户细分工作的实际应用,提高了移动通信企业核心竞争力.1 客户细分变量的选择客户细分是指按照一定的标准将企业的现有客户划分为不同的客户群.目前,客户细分基本围绕着人口统计、生活方式、利益、行为、客户价值等变量进行.人口统计细分主要是把人口的年龄、性别、收入、职业和地区等作为细分维度.William1提出以生活方式为背景来识别和细
6、分客户,具有代表性的是AIO(Activity、Interests、Opinion)细分和价值观念、生活方式细分2.许多营销者相信,行为变量(场合、用户地位、使用率、忠诚状况、购买阶段和态度)是构 1994-2007 China Academic Journal Electronic Publishing House.All rights reserved.http:/建细分市场的最佳起点.行为细分中具有代表性的是RFM分析3和客户价值矩阵分析4.利益细分最先由Haley5提出,它透过客户表象的行为、态度和动机来挖掘背后的真正利益.客户价值细分是在研究客户生命周期(CLP)模式的基础上提出的,
7、综合运用客户终身价值、心理因素和使用频率等细分变量将客户分为铂金层级、黄金层级、钢铁层级和重铅层级6.从以上客户细分变量的研究中发现,人口统计细分一般适用于了解基本的市场结构,尤其是客户结构,但在实践中它往往不能单独使用,常常作为其他两种方法的有效补充.生活方式细分作为预测消费者行为的一种方法,国内的市场界较为推崇,但该方法缺乏稳定性和持续性,并且在操作上有很大的难度.产品态度和利益细分所需要的数据是基于外部市场调查的基础上,不仅需要耗费企业大量的资源,而且还可能因为操作性误差误导企业的决策.基于客户价值的细分方法操作简单,可以识别企业的高价值客户,但是无法揭示各类群体在需求中的差异性.从数据
8、的可获得性和应用性考虑,客户行为细分标准对企业更具有实际意义.因为这种方法是基于企业客户数据库的大量行为和价值数据作为研究基础,而移动通信运营商拥有大量的客户消费的数据,真实、客观地反映了他们的消费行为.将数据挖掘技术与移动通信行业丰富数据资源的相结合,不仅可用来客户分类,还能观测到客户消费行为的变化,以便企业及时采取策略动态地管理客户.2 客户行为细分模型构建数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程.本文主要利用数据挖掘中的K2Means快速聚类法构建客户细分模型,按照CRISP2DM(Cro
9、ss Industry Standard Process for Data Mining)标准流程进行整个细分过程(见图1).流程包括6个阶段,即商业理解、数据理解、数据准备、建立模型、模型评估和模型发布.图1CRISP2DM客户细分模型构建标准流程Fig.1Standard procedures of CRISP2DM customer segmentation model build 商业理解是数据挖掘中最重要的部分.商业理解包括决定商业目标、形势评估、决定数据挖掘目标,以及指定一个项目计划.数据理解和准备阶段主要包括从清单数据转换到中间数据和建模数据的过程.清单数据指的是客户最原始的记录
10、,清单的数据规模巨大、零散,不可能用于建模,必须完成从清单数据到中间数据的转换,中间数据实际上就是对清单数据的汇总.再经过因子分析,完成中间数据到建模数据的转换,所有的建模数据都需要通过统计的方法进行数据校验,以确保参与建模数据的准确性.模型构建采用SAS8.0和误差平方和准则函数的K2Means聚类算法,步骤如下:(1)给出n个混合样本,令I=1,选取K个初始聚类中心Zj(I)j=1,2,K(2)计算每个样本与聚类中心的距离D(Xi,Zj(I),i=1,2,n,j=1,2,K;如果满足D(Xi,Zj(I)=min D(Xi,Zj(I)则XjWK.(3)令I=I+1,计算新的聚类中心Zj(I+
11、1)=1njnjiXjij=1,2,K和误差平方和准则Jc(I+1)=kj=1njk=1xjk-Zj(I)23411 第7期周 颖,等:基于数据挖掘技术的移动通信行业客户细分 1994-2007 China Academic Journal Electronic Publishing House.All rights reserved.http:/(4)判断.若|Jc(I+1)-Jc(I)|,则算法结束;否则,I=I+1,返回步骤(2).在该算法中,准则函数Jc作为算法是否结束的依据.迭代过程中,Jc值逐渐减小,直到它的最小值为止.对模型的评估需要考虑:每个细分组是否具有明显特征,并且每组内的
12、客户是否较相似;每个细分组在业务上是否较容易解释;各组间的差异性是否较大.模型的发布主要是对其结果进行解释和说明,以便营销人员能够将其作为参考.为了更加清晰和容易地对各组客户的特征进行识别,通过基本统计方法对客户数据进行评分,并对其特征进行描述.3 实证研究本实证研究对象是某省联通C(CDMA)网目标客户,总客户数为734 140人,抽取样本数为99 723人,占C网目标客户总数的13.9%;且该目标客户在20052082005210(剔除7 d国庆长假的数据),每月均有语音行为(剔除员工卡、测试卡、红名单、黑名等).3.1 模型构建(1)通过因子分析,在数百个客户变量中筛选出10个用于客户细
13、分的关键变量(见表1).(2)按照CRISP2DM标准 流 程 操 作,采 用SARS8.0和误差平方和准则函数的K2Means聚类算法构建细分模型,利用数据挖掘技术将目标客户分为9组(每组内客户行为相似、组间客户行为差别较大的用户分组).细分后得出的该省联通C网客户行为特征评分表如表1所示.评分表中,评分范围为05,0为最低分,表示其对应的分组人群在该因素内的相关变量表现最弱;5为最高分,表示其对应的分组人群在该因素的相关变量表现最强;均值表示全体用户在对应的因素上的评分表现,它是作为一种对照性的参数,将各组在该因素上的评分分别与之对照,即可得知每一组在该因素上的表现在全体范围内的高低.评分
14、计算式如下:2.5+2.5log(各组均值/所有用户均值)log(最强组均值/所有用户均值)其中:分子表示各组的指标反映;分母表示最强的组的指标反映.其结果保证最大值为5,最小值为0,均值为2.5.3.2 模型发布由表1可见,第1组的显著特征是平均每次非漫游本地通话时长、非漫游呼入时长比例高,WAP、短信次数使用次数少.该组ARPU=47.3元,是全表1 某省联通公司C网客户行为细分表Tab.1The customer segmentation of UNICOM branch C network关键变量组 别123456789均值平均每次非漫游本地通话时长5.00.20.70.10.12.7
15、0.21.90.02.5漫游次数0.75.02.92.61.72.72.33.21.42.5非漫游IP通话时长1.92.65.02.01.52.62.12.71.62.5周末通话次数0.94.73.95.02.13.42.93.41.02.59:0018:00占总通话次数比例0.03.62.82.45.02.22.82.80.42.5非漫游呼入时长占总通话时长比例5.00.60.02.73.93.42.21.50.02.5短信次数1.83.33.22.61.95.03.13.71.42.5WAP次数1.22.42.32.01.72.45.03.61.52.5如意呼次数1.33.92.85.01
16、.32.82.63.11.62.5其他增值业务次数1.02.41.91.91.52.22.65.01.12.5人数12 3242 7082 5709 05033 2943 6392 7301 78131 62799 723人数/%12.42.72.69.133.43.62.71.831.7100ARPU/元47.3511.9253.0209.474.4176.5134.5262.360.7104.2MOU/min292.2800.1774.8761.0243.9553.4354.8478.0155.0315.9ARPM/元0.160.640.330.280.300.320.380.550.39
17、0.33组内贡献/万元58.3138.665.0189.5247.664.236.746.7192.11 038.7组内贡献/%5.613.36.318.223.86.23.54.518.5100 注 ARPU:每组人均月度应缴费额度;MOU:每组人均语音呼叫时间;ARPM(ARPU/MOU):每组人均语音呼叫时长的平均单价;组内贡献:每组所有用户应缴费额度之和;组内贡献百分比:本组总贡献占全体应缴费收入的比例4411上 海 交 通 大 学 学 报第41卷 1994-2007 China Academic Journal Electronic Publishing House.All righ
18、ts reserved.http:/体均值的45%.命名其为本地通话组,属于弱势客户群.第2组的显著特征是漫游次数高,本地通话时长与呼入时长比低.该组ARPU=511.9元,是全体均值的4.91倍.命名其为漫游繁忙组,属于优质客户群.第3组的显著特征是非漫游IP通话时长高,非漫游呼入时长占总通话时长比例低.本组客户以呼出电话为主.该组ARPU=253元,是全体均值的2.43倍.命名其为IP经济组,属于优质客户群.第4组的显著特征是周末通话次数、如意呼次数高,其他增值业务次数低.该组ARPU=209.4元,是全体均值的2.01倍.命名其为周末积极组,属于优质客户群.第5组的显著特征是非漫游呼入时
19、长占总通话时长比例高,9:0018:00占总通话次数比例高,其他增值业务次数低.该组ARPU=74.4元,是全体均值的71%.命名其为工作繁忙组,属于弱势客户群.第6组的显著特征是月均短信次数高.该组ARPU=176.5元,是全体均值的1.69倍.命名其为拇指族组,属于潜力客户群.第7组的显著特征是WAP次数高.该组ARPU=134.5元,是全体均值的1.29倍.命名其为WAP热衷组,属于潜力客户群.第8组的显著特征是增值业务使用次数高.该组ARPU=262.3元,是全体均值的2.52倍.命名其为增值业务组,属于优质客户群.第9组无任何强势,所有指标表现都呈弱势.该组ARPU=60.7元,是全
20、体均值的58%.命名其为默默无闻组,属于弱势客户群.4 结 论移动通信行业市场的竞争压力对运营商提出了更高的要求,企业迫切需要认识和理解客户,并在此基础上开展有针对性的营销活动,客户细分是移动通信运营商制定营销策略的关键.数据挖掘中的K2Means聚类法,对于具有海量数据的移动通信行业是最快速、最实用的方法.在客户细分模型投用后,每月定期对数据源进行处理,并生成最新的分类结果.因此,不仅可以有效地细分客户,还可以动态地管理客户,在企业的实践中起到了积极的推动作用.当然,任何一种方法都有它的弱点,K2Means聚类法不适用于发现非凸性状的聚类,对异常数据也很敏感.另外,这种聚类属于硬聚类,它把每
21、个待辨识的对象严格地划分到某个类中,具有非此即彼的性质,分类之间无任何关联.而在实际应用中,移动运营商更希望了解各群体间在某些特征上的相似性,即各个聚类间的交集,以使他们的营销策略可以既准确、有效,同时又可以吸引更多的客户.目前,数据挖掘在移动通信行业的运用还处于起步阶段,随着数据挖掘技术的不断提高,必将开拓出更广阔的应用.参考文献:1William L.Life style concepts M.Chicago:Ameri2can Marketing Assn,1963.2William W,Doug T.Activities,interests,and opinionJ.Journal o
22、f Advertising Research,1971,11(8):27-35.3Hughes A.Strategic database marketing:The masterplan for starting and managing a profitable,customerbased marketing program M.NY:McGraw2HillProfessional,2000.4Claudio M.A practical yet meaningful approach tocustomersegmentation J.JournalofConsumerMarketing,19
23、81,15(5):494-504.5Haley R.Benefit segmentation:A decision2orientedresearch tool J.Journal of Marketing,1968,32(7):30-31.6 刘英姿,吴 昊.客户细分方法研究综述J.管理工程学报,2006,20(1):12-14.LIU Ying2zi,WU Hao.A summarization of customersegmentation2methods J.Journal of Industrial Engi2neering and Engineering Management,2006,20(1):53-57.上 海 交 通 大 学 学 报国家期刊奖百种重点期刊 中国高校精品科技期刊欢 迎 投 稿 欢 迎 订 阅5411 第7期周 颖,等:基于数据挖掘技术的移动通信行业客户细分 1994-2007 China Academic Journal Electronic Publishing House.All rights reserved.http:/