數據挖掘在電信行業關系管理的應用

2019-11-03 09:04:41

字體：大中小

來源：轉載

供稿：網友

龍志勇　中國電信集團北京研究院技術部研發人員

　　摘要文章介紹了數據挖掘技術的相關知識及其在電信行業客戶關系管理中的應用，并以客戶流失分析作為實例，詳細描述了數據挖掘的整個應用過程，最后對國內數據挖掘應用的現狀進行了分析。

　　關鍵詞數據挖掘客戶關系管理客戶流失

　　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。這就要求運營商要采取以客戶為中心的策略，根據客戶的實際需求提供多樣化、層次化、個性化的服務解決方案。因此，客戶關系管理（CRM）成了電信運營商增加收入和利潤，提高客戶滿意度、忠誠度的有效工具。在客戶關系管理的流程中，為了準確、及時地進行經營決策，必須充分獲取并利用相關的數據信息對決策過程進行輔助支持。近幾年迅速發展起來的數據挖掘技術就是實現這一目標的重要手段。

一、數據挖掘的概念和過程

1.數據挖掘的概念

　　數據挖掘是根據企業的既定業務目標和存在的問題，對大量的業務數據進行探索，揭示其中隱藏的規律，并將其模型化，指導并應用于企業的實際經營。

　　數據挖掘是建立在數據倉庫基礎上的高層應用，但數據挖掘跟數據倉庫的其它一些應用如OLAP分析、預定義報表和即席查詢等有很大的區別。后三者通常是用戶根據已知的情況對所關心的業務指標進行分析；而前者則是在業務問題和目標明確但考察的問題不清楚時，對數據進行探索，揭示隱藏其中的規律性，進而將其模型化。

2.數據挖掘過程

　　數據挖掘是一個循環往復的過程，通常涉及數據準備、建立模型、評估和解釋模型、運用和鞏固模型等步驟。

（1）數據準備：數據準備工作包括數據的選擇（選擇相關和合適的數據）、探索（了解數據分布情況和異常數據等）、修正（包括缺失數據的插值等）和變換（離散值數據與連續值數據的相互轉換，數據的分組分類，數據項的計算組合等）。

（2）建立模型：選取數據挖掘工具提供的算法并應用于準備好的數據，選取相應參數，生成模型。

（3）評估和解釋模型：對模型進行比較和評估，生成一個相對最優模型，并對此模型用業務語言加以解釋。

（4）運用和鞏固模型：對模型在實際應用中的表現進行監控，如果模型表現不好，則對模型作進一步的考察和修正，以反映業務運作規律的變化。

二、數據挖掘在客戶關系管理中的應用

　　電信運營商擁有許多成熟的數據庫應用系統，如網管系統、財務系統、計費賬務系統、112障礙管理系統、繳費銷賬系統等，并產生了大量的業務處理數據。如果針對客戶關系管理相關決策分析的需求，對這些數據進行重組整合，就能充分利用這些寶貴的數據，體現信息的真正價值。

數據挖掘技術在電信行業客戶關系管理的主要應用領域如下：

（1）客戶消費模式分析

　　客戶消費模式分析（如固話話費行為分析）是對客戶歷年來長話、市話、信息臺的大量詳單、數據以及客戶檔案資料等相關數據進行關聯分析，結合客戶的分類，可以從消費能力、消費習慣、消費周期等諸方面對客戶的話費行為進行分析和預測，從而為固話運營商的相關經營決策提供依據。

（2）客戶市場推廣分析

　　客戶市場推廣分析（如優惠策略預測仿真）是利用數據挖掘技術實現優惠策略的仿真，根據數據挖掘模型進行模擬計費和模擬出賬，其仿真結果可以揭示優惠策略中存在的問題，并進行相應的調整優化，以達到優惠促銷活動的收益最大化。

（3）客戶欠費分析和動態防欺詐

　　通過數據挖掘，總結各種騙費、欠費行為的內在規律，并建立一套欺詐和欠費行為的規則庫。當客戶的話費行為與該庫中規則吻合時，系統可以提示運營商相關部門采取措施，從而降低運營商的損失風險。

（4）客戶流失分析

　　根據已有的客戶流失數據，建立客戶屬性、服務屬性、客戶消費情況等數據與客戶流失概率相關聯的數學模型，找出這些數據之間的關系，并給出明確的數學公式。然后根據此模型來監控客戶流失的可能性，如果客戶流失的可能性過高，則通過促銷等手段來提高客戶忠誠度，防止客戶流失的發生。這就徹底改變了以往電信運營商在成功獲得客戶以后無法監控客戶流失、無法有效實現客戶關懷的狀況。

三、數據挖掘的應用實例——客戶流失分析

　　一個完整的數據挖掘過程可進一步細分為：業務問題定義，數據選擇，數據清洗和預處理，模型選擇與預建立，模型建立與調整，模型的評估與檢驗，模型解釋與應用。

1.業務問題定義

　　針對客戶流失的不同種類分別定義業務問題，進而區別處理。在客戶流失分析中有兩個核心變量：財務原因/非財務原因、主動流失/被動流失?？蛻袅魇Э梢韵鄳譃樗姆N類型，其中非財務原因主動流失的客戶往往是高價值的客戶，他們會正常支付服務費用，并容易對市場活動有所響應。這種客戶是我們真正需要保住的客戶。此外在分析客戶流失時必須區分集團/個人客戶，以及不同消費水平的客戶，并有針對性地制定不同的流失標準。例如，平均月消費額2 000元的客戶連續幾個月消費額降低到500元以下，就可以認為客戶流失發生了，而這個流失標準不適用于原來平均月消費額500元的客戶。國外成熟的應用中通常根據相對指標來判別客戶流失，例如大眾的個人通信費用約占總收入的1%~3%，當客戶的個人通信費用遠低于此比例時，就認為發生了客戶流失。

2.數據選擇

　　數據選擇包括目標變量的選擇、輸入變量的選擇和建模數據的選擇。

（1）目標變量的選擇

　　客戶流失分析的目標變量通常為客戶流失狀態。根據業務問題的定義，可以選擇一個已知量或多個已知量的組合作為目標變量。實際的客戶流失形式有兩種：因賬戶取消發生的流失，因賬戶休眠發生的流失。對于因賬戶取消發生的流失，目標變量可以直接選取客戶的賬戶狀態（取消或正常）；對于因賬戶休眠發生的流失，可以認為持續休眠超過一定時間長度的客戶發生了流失。這時需要對相關的具體問題加以考慮：持續休眠的時間長度定義為多少？每月通話金額低于多少即認為處于休眠狀態，或者是綜合考慮通話金額、通話時長和通話次數來劃定休眠標準？選擇目標變量時面臨的這些問題需要業務人員給予明確的回答。

（2）輸入變量的選擇

　　輸入變量是模型中的自變量，在建模過程中需要尋找自變量與目標變量的關聯。輸入變量分為靜態數據和動態數據。靜態數據指不常變化的數據，包括服務合同屬性（如服務類型、服務時間、交費類型）和客戶的基本資料（如性別、年齡、收入、婚姻狀況、學歷、職業、居住地區）；動態數據指頻繁或定期改變的數據，如月消費金額、交費記錄、消費特征。業務人員在實際業務活動中可能會感覺到輸入變量與目標變量的內在聯系，只是無法量化表示出來，這就給數據挖掘留下了發揮的空間。如果一時無法確定某種數據是否與客戶流失概率有關聯，應該暫時將其選入模型，并在后續步驟考察各變量分布情況和相關性時再行取舍。

（3）建模數據的選擇

　　客戶流失的方式有兩種。第一種是客戶的自然消亡，例如身故、破產、遷徙、移民而導致客戶不再存在，或者由于客戶服務的升級（如撥號接入升級為ADSL接入）造成特定服務的目標客戶消失。第二種是客戶的轉移流失，通常指客戶轉移到競爭對手，并使用其服務。第二種流失的客戶才是運營商真正關心的、具有挽留價值的客戶。因此在選擇建模數據時必須選擇第二種流失客戶數據參與建模，才能建立有效的模型。

3.數據清洗和預處理

　　數據清洗和預處理是建模前的數據準備工作，一方面保證建模數據的正確性和有效性，另一方面通過對數據格式和內容的調整，使數據更符合建模的需要。數據整理的主要工作包括對數據的轉換和整合、抽樣、隨機化、缺失值處理等等。例如按比例抽取未流失客戶和已流失客戶，將這兩類數據合并，構成建模的數據源。此外，模型在建立之后需要大量的數據來進行檢驗，因此通常把樣本數據分為兩部分，2/3的數據用于建模，1/3的數據用于模型的檢驗和修正。

4.模型選擇與預建立

　　在模型建立之前，可以利用數據挖掘工具的相關性比較功能，找出每一個輸入變量和客戶流失概率的相關性，刪除相關性較小的變量，從而可以縮短建模時間，降低模型復雜度，有時還能使模型更精確。現有的數據挖掘工具提供了決策樹、神經網絡、近鄰學習、回歸、關聯、聚類、貝葉斯判別等多種建模方法。可以分別使用其中的多種方法預建立多個模型，然后對這些模型進行優劣比較，從而挑選出最適合客戶流失分析的建模方法。此外數據挖掘工具還提供了選擇建模方法的功能，系統可自動判別最優模型，供使用者參考。

5.模型建立與調整

　　模型建立與調整是數據挖掘過程中的核心部分，通常由數據分析專家完成。需要指出的是，不同的商業問題和不同的數據分布屬性會影響模型建立與調整的策略，而且在建模過程中還會使用多種近似算法來簡化模型的優化過程。因此還需要業務專家參與調整策略的制定，以避免不適當的優化造成業務信息丟失。

6.模型的評估與檢驗

　　應該利用未參與建模的數據進行模型的評估，才能得到準確的結果。檢驗的方法是使用模型對已知客戶狀態的數據進行預測，將預測值與實際客戶狀態作比較，預測正確率最高的模型是最優模型。

7.模型解釋與應用

　　業務人員應該針對最優模型進行合理的解釋。如發現開戶時長與客戶流失概率的相關度較高，利用業務知識可以解釋為：客戶在使用一定年限后需要換領新SIM卡，而這一手續的繁瑣導致客戶寧愿申請新號碼，從而造成客戶流失。通過對模型做出合理的業務解釋，可以找出一些潛在的規律，用于指導業務行為。反過來，通過業務解釋也能證明數學模型的合理性和有效性。

　　在模型應用過程中，可以先選擇一個試點實施應用，試點期間隨時注意模型應用的收益情況。一旦發生異常偏差，則立即停止應用，并對模型進行修正。試點結束后，若模型被證明應用良好，可以考慮大范圍推廣。推廣時應注意，由于地區差異，模型不能完全照搬?？梢韵扔杉瘓F總部建立一個通用模型，各省分公司在此基礎上利用本地數據進行修正，從而得到適用于本省的精確模型。在模型應用一段時期，或經濟環境發生重大變化后，模型的偏差可能會增大，這時應該考慮重新建立一個適用性更強的模型。

四、國內數據挖掘應用中存在的問題

（1）數據質量和完備性

　　國內電信運營商現有的、面向事務的數據在質量、完整性和一致性上存在許多問題，必須投入大量的精力去進行數據的抽取、凈化和處理。此外，業務問題的相關數據有時難以全面收集。例如客戶信用是客戶價值評估中的關鍵因素，但由于國內未建立完善的信用體系，無法根據現有客戶數據建立優質的信用評價模型，從而導致客戶價值模型有效性的降低。

（2）相應的人員素質

　　在數據挖掘應用過程的多個環節中，人的主觀辨識和控制是應用成敗的關鍵，這就對系統使用人員提出了很高的要求。如果沒有具備相應素質的使用和維護人員，必將導致分析系統與現實脫鉤，無法達到預期效果。

（3）應用周期

　　數據挖掘存在一個較長的應用周期。技術本身不能給使用者解決任何問題，只能從數據中把一些潛在的情況呈現到使用者面前，由使用者采取相應措施。數據挖掘應用的有效方法是：從一個較小的、關鍵的問題出發，建立起相對有效的模型，并通過應用實踐不斷檢驗和完善模型，逐步替使用者解決問題。

摘自　信息網絡

上一篇：IP電話系統和呼叫路由技術（1）

下一篇：UWB——一種實現PAN的前沿技術