浙江移动精细营销客户预测专题介绍(1).ppt

《浙江移动精细营销客户预测专题介绍(1).ppt》由会员分享，可在线阅读，更多相关《浙江移动精细营销客户预测专题介绍(1).ppt（34页珍藏版）》请在三一办公上搜索。

1、浙江公司信息技术部信息管理室,2008.07,精细营销客户预测专题介绍,内容,1,精细营销对于客户预测的要求,2,日常营销目标客户预测的现状,3,精细营销客户预测专题介绍,4,精细营销客户预测专题营销支撑,5,总结,精细营销对于客户预测的要求,随着移动通信行业由成长趋向成熟，以及市场竞争格局的逐步演变，对我们的市场精细营销能力提出了新的要求：,群发营销,外呼营销,交叉营销,实时营销,以产品为中心,以客户为中心,实现精确的客户预测是精细营销的基础！,精确的客户预测是基础,谁会使用我们的产品？,内容,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,3,精细营销客户预测专题设计思路,

2、4,精细营销客户预测专题模块介绍,5,精细营销客户预测专题实施考虑,日常营销客户定位存在的问题,前期营销管理存在的问题,6、目标客户群的大小难以科学灵活控制,5、客户群依懒人工临时从后台提取,1、目标用户定位依然以业务经验为主,2、业务人员仅得到有限的报表数据支撑,3、目标用户定位较粗不利于控制成本,4、目标用户定位较粗容易引起投诉,7、,日常营销客户定位存在的问题,日常的如短信群发、外呼等营销手段，目标用户群的选取仍然采用业务人员经验指定的方式，经验为导向的目标客户群选取容易产生定位不准，客户响应度不高，营销效率较低等情况，特别是当前推出的大量新业务，对于目标客户群的精准选取提出了更高要求,

3、用户群定位精度不够往往只能采用扩大目标用户群的方式弥补，这样就会增加营销成本，在营销高峰期，容易导致资源紧张,目标用户定位较粗不利于控制营销成本,目标用户定位依然以业务经验为主,业务人员仅得到有限的报表数据支撑,现有的经分系统在提供日常用户群精细分析的支撑能力还有限，业务人员仅能通过有限的报表相关数据获取帮助,日常营销客户定位存在的问题,长期向非目标用户进行营销容易引起客户的反感，特别是对产品不感兴趣的用户，导致投诉的增加，不利于满意度提高,客户群提取从需求提出、审核、代码编写，运行及审核，经历的环节很多，一方面时间上难以控制，往往受限于系统性能，另一方面重复、反复及修改提取的现象也很多，效率

4、有待提高,客户群依懒人工临时从后台提取,目标用户定位较粗容易引起投诉,目标客户群的大小难以科学灵活控制,目标客户群在选取中没有重要程度的区别，对于营销来说每个客户的权重都一样，为了控制营销量只能采用随机抽取的方式进行，缺乏科学的控制手段,内容,3,精细营销客户预测专题介绍,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,4,精细营销客户预测专题营销支撑,5,总结,客户预测专题建设目标,实现效率提升!,群发营销,交叉营销,外呼营销,提升精确客户预测能力,提升经分数据挖掘能力,(3)建立典型新业务数据挖掘模型,(1)数据挖掘技术支撑,(2)建立数据挖掘专题架构,(4)构建基于数据挖

5、掘的统一视图,通过客户定位专题的建设，初步实现：,支撑精细营销,一、数据挖掘技术,按既定业务目标，对大量的企业数据进行探索，揭示隐藏其中的规律性，并进一步将其模型化的先进、有效的方法,什么是数据挖掘,经典案例：啤酒和尿布的故事,一、数据挖掘技术,客户预测挖掘采用方法（以飞信为例子）,基于现有飞信用户和普通用户样本，搜集和判断影响用户成为飞信用户的要素，采用逻辑回归的方法训练样本得到回归模型，用以计算未来用户成为飞信用户的概率,小知识：数据挖掘方法：包括关联、序列、分类及聚类，客户预测属于分类分类采用如下的技术：如决策树，神经网络、逻辑回归等，客户预测采用逻辑回归,一、数据挖掘技术,实施步骤,数

6、据仓库,数据挖掘专用数据层,手机报模型,手机证券模型,飞信模型,其它,数据挖掘模型,二、系统架构,BOSS系统,客服系统,外围数据源,DSMP,清单查询,清单导出,数据接口,营销管理平台,B0SS前台,10086,短信中心,彩信中心,外呼中心,网站,经营分析系统,数据挖掘对于数据的组织形式有特定的要求，以往以月为单位的历史信息存储无法满足深度挖掘的需要，需要转化成月均宽表的形式，可以极大提升数据挖掘数据准备的效率,何谓专用数据层,二、系统架构数据挖掘专用数据层,二、系统架构数据挖掘专用数据层,专用数据层,三、构建典型新业务模型,新业务相对于语音业务，用户市场呈现小而多的特点，如何准确的找到潜在

7、的新业务用户群是面临的重要课题，本专题从典型新业务入手，如飞信、手机报等，尝试采用客户预测的方法，找到每类新业务的潜在用户群，从而实现新业务的精细营销 下面以实现的第一个新业务模型飞信为例进行原理介绍,实施步骤,选择样本用户,分析影响因素,选择重要变量,建立预测模型,验证评估模型,三、飞信模型介绍,飞信样本,普通样本,训练样本,在网三个月以上 1月注册成飞信 1-2月连续活跃 共3万用户,随机抽取普通 用户 共30万用户,样本一,样本二,样本用户的选择需要确保其能真实体现飞信或普通用户的一般特征，剔除由于促销活动等引发的“非正常”用户,样本需体现普遍性,3.1 选择样本用户,RFM(R代表最近

8、值、F代表频度值、M代表币值)是将客户特征化的经典方法，最早应用于目录营销服务行业,我们认为年龄、性别、品牌、交往圈及终端等自然属性是影响用户成为飞信用户的关键因素,RFM变量,自然属性,用户使用移动通信语音、短信、彩信、GPRS等服务产生的业务量及收入也作为可能的影响因子纳入进来,消费特征,哪些方面的因素是飞信用户区别于普通用户的特征呢？,3.2 分析影响因素,我们认为假如用户最近定购过新业务类或梦网类产品，或者近2年定购的次数比较多，则用户继续定购新业务产品（比如飞信）的可能性会比较高，因此纳入以下变量：,近2年新业务产品定购次数、最近新业务产品定购间隔、新业务产品当前有效个数,短信类、彩

9、信类、gprs类、wlan类、手机邮箱类、语音增值类、来电助手类,基础通信类,商务类、博客类、手机报类、音乐类、彩信类,生活娱乐商务类,由于梦网产品无明确细分方法，只能以总的为依据,梦网类,新业务细分,注：彩铃、来电助手等由于捆绑性质居多，无法体现真实用户使用趋向，这里统一未纳入考虑,三大变量,3.2 分析影响因素RFM变量,我们认为年龄、品牌、交往圈及终端等自然属性是影响用户成为飞信用户的关键因素,通过单变量回归分析，发现32岁是一个比较显著的飞信用户分水岭,年龄,飞信用户以交流为主，因此用户交往圈的大小具有重要意义，通过单变量回归分析发现，在一定时间段内有3次以上在不同天有通话的对端用户才

10、是有效交往用户,交往圈,是否属于动感地带用户是一个重要布尔变量,品牌,是否终端支持,性别,在网时长,3.2 分析影响因素自然属性,用户使用移动通信语音、短信、彩信、GPRS等服务产生的业务量及收入也作为可能的影响因子纳入进来。为了降低短时间内异常消费行为的影响，比如促销，所有的消费行为数据都以近2年的月均消费为基准。,近2年收入近2年优惠收入近2年SP费收入,收入类(10个),近2年通话时长近2年本地通话时长近2年省内漫游通话时长近2年省际漫游通话时长,语音类(20个),近2年短信发送条数近2年彩信发送条数近2年CMWAP次数近2年彩铃下载次数,新业务类(40个),3.2 分析影响因素消费特征

11、,共规整收集150个变量，采用后向、逐步回归方法，逐步淘汰不相关变量，最终选择稳定的排名前20的变量作为飞信影响因素(模型输入变量),值得关注的现象：ARPU、MOU等常规用户价值度量与飞信用户相关性非常小，RFM变量则体现出其价值,3.3 选择重要变量,实际模型：logit=log(p/(1-p)2.1878（p代表成为飞信用户的概率）+0.1427*TRADEMARK（品牌）+0.3098*is_trademark4（是否动感地带）-0.4207*is_age32（年龄是否小于32）-1.2125*is_sphere3_1_11（交往圈是否小于11）-1.3080*is_sphere3_1

12、2_15（交往圈是否在12与15之间）-1.2624*is_sphere3_16_19（交往圈是否在16与19之间）-1.0657*is_sphere3_20（交往圈是否大于20）+0.4971*IS_FEIXIN_TERM（是否飞信终端）+0.000134*N_MU_L_DATE_logi（最近定购的音乐产品间隔 log倒数）+0.0471*CMWAP_COUNTS_sqrt（CMWAP上网次数 sqrt平方根）-2.0817*N_APPLY_2_COUNTS（近两年月均产品定购次数）-1.6197*N_APPLY_2_COUNTS_cos（近两年月均产品定购次数 cos）+0.7396*N

13、_GPRS_L_DATE7（近7个月内是否定购过gprs产品）+0.1916*N_GPRS_L_DATE_sin（最近定购的GPRS产品间隔 sin）-0.00005*N_MU_L_C_cui（近两年月均音乐产品定购次数 立方的倒数）+0.5477*N_GPRS_APPLY_COUNTS114（近两年月均GPRS产品定购次数）+0.000089*N_PAPER_L_DATE_logi（最近定购的手机报产品间隔 log倒数）+1.0152*N_PAPER_I_A_C_sqrt（近两年月均手机报定购次数 平方根）+2.6438*N_MAIL_APPLY_COUNTS_sqrt（近两年月均手机邮箱定

14、购次数 平方根）+0.3913*N_SMS_A_L_D5（最近是否定购过短信产品）-0.0558*N_B_A_L_D_curt（最近定购的商务类产品间隔 curt）-0.00002*N_A_L_D_logi（最近定购产品的间隔 log倒数）-0.00003*VPMN_C_D_logi（最近定购vpmn产品的间隔 log倒数）-0.00003*NISMG_A_L_D_sini（最近定购梦网产品的间隔 sin倒数）-0.00015*N_ADD_A_C_cui（近两年月均语音增值产品次数 立方的倒数）+0.0292*SMS_MO_COUNTS_sqrt（近两年月均短信发送次数 平方根）+0.0034

15、3*GPRS_VOLUME_curt（近两年月均GPRS流量 curt）-0.00004*N_C_I_A_C_cui（近两年月均彩铃产品定购次数 立方的倒数）,针对所选变量采用逻辑回归方法，训练得到拟合方程式:,logit=log(P/(1-P)=aX0+bX1+cX2+其中：p代表成为飞信的概率 X0、X1、X2等代表所选的变量（影响因素）a、b、c等代表计算得到的系数,P即为计算得到的飞信活跃用户的概率,模型确立后，只要数据收集完整，非常容易推广和应用到实际的营销中，由于是以概率为度量，可以对营销数量进行灵活的控制,3.4 建立预测模型,假如某用户资料如下：品牌：全球通年龄：33交往圈：6

16、8终端：支持飞信最近一次订购音乐类产品的时间间隔：20个月最近2年月均CWMAP上网次数：33次最近2年月均产品定购次数：0.3次最近增值类产品参加时间间隔：3个月最近2年月均VPMN时长：950分钟最近一次订购梦网类产品的时间间隔：3个月最近2年月均短信发送次数：13条最近2年月均流量：2M则计算其成为飞信活跃用户的概率为：29.6%,3.4 建立预测模型(举例),十分位分析是验证模型健壮性的常用方法，其将样本按照预测概率高低排序等分为10等份，通过以下两种方式来检查模型的强壮性：（1）每个等分内预测概率与实际情况的差异（2）最高最低等分预测概率的差异,预测概率均值与实际情况相差很小,最佳十

17、分位是最差十分位预测概率的18倍非常好的区分性能,注：为了防止模型的过渡适应，即它吸收了数据中的非规则元素，往往还需采用重采样方式来验证模型健壮性,3.5 模型验证,四、构建数据挖掘统一视图,未来将构建预测统一视图，实现常态化精细营销支撑,预先生成用户对每类新业务（也可以扩展到其它领域）的偏好程度，实现客户预测常态化，并将预测结果纳入客户统一视图,内容,4,精细营销客户预测专题营销支撑,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,3,精细营销客户预测专题介绍,5,总结,一、预测数据对于精确营销的意义,用户群定位精细科学化,用户群大小可控制化,用户群提取的高效化,由经验和简单

18、的目标用户删选判断方法转向深度分析挖掘为依据营销目标用户群都可以预先挖掘生成,预测概率使得每个用户对于某个营销活动都是有重要程度的区别的预测概率使得用户群是精确可控的，群发可根据轻重缓急灵活调整,很多目标用户预先生成，缩短了目标客户群提取周期,营销价值,对于提高客户的响应率，降低客户投诉，提升营销效率，都具有意义,二、营销数据推送接口,前台查询,前台导出,营销管理平台,营销渠道,营业前台,客服系统,短信/彩信中心,网站,客户经理,离网专题,精细客户预测专题,经营分析系统/BASS,飞信、手机报、手机证券用户清单等,直接推送,目标客户删选和控制,BOSS,业务受理,营销活动执行,经营分析系统中建

19、立精细客户预测专题，根据需要建立飞信等挖掘模型，定期生成预测清单和分析报表，同时打通与营销管理平台的接口，实现专题与平台的无缝连接，通过营销管理平台直接将用户推送到营销一线,三、推送场景,成为飞信用户的概率,飞信训练引擎,营销执行,自然属性类,语音消费类,短信消费类,彩信消费类,上网消费类,彩铃消费类,梦网行为类,梦网定购类,音乐产品类,商务产品类,手机报类,语音增值类,梦网行为类,梦网定购类,音乐产品类,商务产品类,手机报类,语音增值类,基础数据集,飞信模型,训练集(抽样),实际用户群,取概率50以上的200万用户短信第一波次群发,取概率90以上的10万用户电话营销,取概率70以上的100万

20、用户用于营业厅推荐,取概率60以上的150万用户用于网上推荐,取概率50以上的200万用户短信第二波次群发,修正模型,内容,5,总结,2,日常营销目标客户预测的现状,1,精细营销对于客户预测的要求,3,精细营销客户预测专题介绍,4,精细营销客户预测专题营销支撑,总结,采用数据挖掘方法进行客户预测，是经营分析系统在参考了国外的一些经验，基于对现有业务和数据的理解基础上进行的挖掘尝试，其效果还需要市场的实际检验，但从统计学上讲仍具有较大意义 本次专题飞信挖掘的结果，可以直接推送到一线，从而辅助提升飞信营销的精细化程度，对于其它新业务也具有借鉴意义 从此次模型设计中得到的一些启示和知识，比如飞信影响因子的搜集和判定，可以为未来的数据挖掘设计提供经验 数据挖掘迫切需要市场业务专家的指导，需要地市使用部门的持续反馈，不断修正从而提升其预测能力,谢谢，请批评指正！,