流动人口识别监控与精准营销系统

CMGD-GZ LIUYAQI 中国移动科技创新成果推广材料 完成单位： 广东公司业务支持中心经营分析室 成果名称： 流动人口识别监控与精准营销系统 成果研究类别： 现有业务优化 成果专业类别： 业务支撑 2 CMGD-GZ LIUYAQI 目录 A. 项目背景 B. 实施方案 C. 应用案例 D. 项目的主要创新点 E. 社会和经济效益 -3- 低成本高效率的运营 通信行业全业务竞争加剧 客户发展、争夺和保有 产品和业务发展“长尾化” 业务拓展需求 利用这些业务知识实现精细化营销 对客户的这些信息进行清洗、提炼，挖掘出业务知识 收集客户的业务订购、产品消费、捆绑情况、行为习惯等等信息 项目背景 市场竞争日益激烈，市场趋于饱和，针对市场细分的精细化营销显得日趋重要 通信行业全业务竞争的加剧、市场趋于饱和、产品和业务发展的“长尾化”等等因素要求我们必须利用客户的各种信息，进行市场细分，开展精细营销，实现低成本高效率的运营。 -4- 项目背景 流动人口庞大 流动人口市场内部各群体存在显著差异，外来工、高校学生消费需求及特征不同 庞大而复杂的流动人口对公司的统筹规划影响较大，如何准确甄别出流动人口，识别出目标客户的需求，为各级市场部门提供较好的支撑服务，为各级市场部门提供精细化营销所必需的支撑服务。 外来务工人员 资费敏感，易弃卡 有定向交流需求 漫游消费有所压抑 高校学生 消费力较强，潜力高 数据业务接受度高 群内交流需求多 随着经济体制改革的推进，我国流动人口群体迅速扩大，广东流动人口逾 2300万，成为不可忽视的客户群 大规模人口流动的春节期间在两地重复营销，大进大出，内耗严重，造成巨大资源浪费。 亿万流动人口市场庞大，消费旺盛，月通信消费在 50元以上的约占 45%，富含商机，但市场竞争也日渐加剧 客户流动弃卡，离网率高；重复入网带来酬金成本增加、号源浪费；高漫游单价导致话务量未能充分释放 外部环境带来机遇 内部问题制约发展 -5- 项目背景 外来工是广东移动重点关注的细分市场，在精准营销方面亟待深入研究 身份信息缺失 历史问题： 不需要实名登记 渠道问题： 社会渠道的号卡销售过程复杂 竞争问题： 一味吸引客户， 不强求客户实名登记 系统问题： 系统中的数据不全、不精 广东现有的外来工占到常驻人口的比重较大，是非常重要的细分市场，由于系统数据不全不精，难以准确识别该群体，因此以往针对这个群体的市场营销不够精准。 由于识别准确率低，存在以下问题： 营销效果受到一定的影响 该细分市场的客户需求和消费习惯尚未较为全面的掌握 市场潜力有待进一步挖掘 -6- 解决思路 提升外来工识别的准确性，深入分析客户需求，从而实现外来工市场的精耕细作 基 础 模 型 应 用 模 型 分析 应用 外来工客户识别模型 高影响力人物识别 外来工市场细分 产品交叉销售 提供群体内通话优惠 长途通话套餐 12582务工易 种子营销、病毒营销 红缎子短信营销 外来工关键人营销 针对外来工市场 特点，设计个性化产品和营销 方案 进行外来工关怀活动 外来工产品营销 提供个性化服务 将外来工市场根据不同特征（如区域特征）分割成不同群体，进行针对性营销。 分析外来工对新增值业务产品的倾向程度。 根据其交往圈大小、短彩性发送等特性，分析影响力，判断其在外来工群体中的重要性。 基于基站、消费特征、交往圈等行为轨迹建立客户识别模型 外呼模型修正 特定资费等针对模型预测的结果进行修正与补充。 全网各运算结果的整合 -7- 家庭 商务 初中 (54%) 小学 (21%) 单身 (半 )文盲 (3%) 客户特征 (客户识别 ) 20-29岁 (70%) 客户需求 (需求细分 ) 20岁以下 (10%) 30岁以上 (20%) 高中及以上 (22%) 问候 购票 教育 娱乐 找工作 解决思路 客户类型多样，需求差异大，需要开展客户行为研究，提升市场工作的针对性（以外来工客户为例） -8- 目录 A. 项目背景 B. 实施方案 C. 应用案例 D. 项目的主要创新点 E. 社会和经济效益 -9- 总体分析思路 （以外来工客户为例） 神州行、动感地带用户 根据筛选条件，取出流动人口样本 根据筛选条件，取非流动人口样本 对提取的样本进行建模 步骤四：按规则打分 步骤五 找出流动人口 以下以外来工客户为例，介绍特定流动人口精确识别的模型构建。 -10- 口径 目标变量 是否流动人口：指的是来自外省的蓝领阶层的工人主要从事体力劳动的人群，收入相对较低；外地学生。 以用户最近四个月的行为预测下个月是否为流动人口 分析用户群 时间窗口定义 神州行、动感地带用户。其中包括两城一家、定向长途以及移动提供的曾呼叫 12582客户； 分析窗口 预测窗口 预测点 M M - 1 M - 2 M+ 1 M=2011年 4月 -11- 具体做法 目标客户定位精准化 Text Text Text 根据数据挖掘模型生成外来人口客户三类知识标签 流动高端人士标签、外来务工人员标签和高校学生标签，客户知识标签汇入客户特征知识库。 外来务工人员（高校学生） 长途通话集中度 60% 工业区 （校园） 通话时长占比 32% 春节期间定向漫游、长途通信 入网时长 33% 数据业务数量 4 经常漫游通话 长途通话占比较大 白天工业区通话 学校附近通话集中 寒假暑假定向漫游某省 经常使用飞信 1、收集客户行为特征 2、构建客户识别模型 3、建立客户特征知识库 -12- 对客户需求进行研究和细分 内容偏好 业务使用偏好 增值业务影响力 构建客户需求模型 学生群体及外来工群体识别 (1)基于基站和交往圈等行为轨迹建立客户识别模型 (2)外呼模型修正 (3) 特定资费等针对模型预测的结果进行修正与补充 识别客户 1 （ 1）日常外呼及营销活动进行客户社会属性完善 （ 2）基于关联分析算法的编码技术完善客户社会属性 社会属性完善 2 3 客户需求细分 学生及外来工社会属性收集 (1) 助力关爱外来工服务营销活动的开展与跟踪 (2) 日常外来工群体稳定性及规模发展 (占有率 )跟踪分析 外来工客户服务营销应用 4 (1) 助力高校营销活动的开展与跟踪 (2) 日常学生规模发展的跟踪分析 (3) 增值业务影响力应用到高校增值业务发展 个人与群体的相互影响 短信、彩信的病毒营销 体验营销 刺激、激励营销 学生客户服务营销应用 4 应用思路 -13- 基于基站和交往圈等行为轨迹建立学生、外来工客户甄别模型 学生 标识 群体识别模型 变量因素探索 模型初步 建立 交往圈数据 修正模型 通过用户业务 使用情况 修正模型 模型修正 结果 最终模型修正结果 外呼结果用于修正模型 步骤一 步骤二 步骤三 外来工 标识 根据特定群体活动特征初步寻找目标用户 结合以往活动市场营销活动，获取目标用户清单 通过目标用户的分析构建特定群体的初步模型 对于模型结果进行外呼调研 利用外呼的结果同时结合特定用户群体交往圈的分析方法进行模型的修正 结合群体的用户特征，对模型进行再次修正，最终得到模型结果 行为轨迹 交往圈规则 决策树、逻辑回归 先应用建模方法对学生和外来工客户进行识别建模 模型结果标识 模型初步构建与修正 群体标识与指标探索 -14- 外来群体的识别模型的变量设计 消费能力 : 外来群体的消费特点 资费特点 : 选择与自身相关的一些特定套餐 特殊节假日特征 :外来群体节假日消费特点 通话特征 : 外来的通话行为特点 外来群体 特点 地域特点 : 围绕工业区、城中村、学校 外来群体识别特征变量考虑 套餐信息 神州行套餐 家园卡 消费价值 ARPU 语音行为 本地通话时长及占比 长途通话时长及占比 闲时通话时长及占比 特殊节假日消费特征 相关通话时长与平时的变化情况对比 基站信息 基站集中在企业附近 用户活动范围宽度基站 -15- 中山全量通信 活跃客户 （ 3754964） 项目模型 流动人口样本选取 定向地话务与短信次数占比大于等于 0.15（即筛选出前 35%的用户） , 同时 ARPU小于等于200（ 62800人） 筛选出 2月（春节期间）有漫游通话 MOU，但全年其他时期（ 3、 4、 6、 7月）皆无漫游的用户 （ 190744人） 10月老乡网活跃用户数 （ 1179558人 ） 筛选条件一 筛选条件二 筛选条件三 无法取到二月老乡网指定的定向地漫游，故只能判断 2月有无漫游通话； 由于 5月五一长假，漫游人较多，不具有代表性，故此处剔除，且 8、 9、 10月份作为建模月份，故也不加入。 经探索，经条件二 筛选后的客户 80%以上 ARPU小于 100，为避免 ARPU100成为流动人口的硬性条件，此处选用 200切除部分极值点便可 -16- 项目模型 非流动人口样本选取 中山全量通信 活跃客户 （ 3754964） 剔除非神州行用户 （ 139611人） 春节期间无漫游，平时段（ 3、4、 6、 7月）有适当漫游话务 （ 158724） 筛除活跃老乡网 （ 2575406人 ） 筛选条件一 筛选条件二 筛选条件三 此处没有将长途话务定向集中度、本地话务集中度作为筛选规则，是基于建模需要用到这两个关键变量，以免模型具有明显的倾向性 由于老乡网客户都是神州行品牌，故此处建模时流动人口样本和非流动人口样本都仅限于神州行客户； 在评分中如有需要，可加入动感地带用户 -17- 17 样本选取效果评估 根据 8、 9、 10月份客户定向长途话务的定向地，统计客户三个月中定向地相同的月份数： 指长途话务通话次数 占比最大的地方 从表中可以看出，流动人口长途话务的定向地比较集中， 70%以上的用户三个月向同一个地方定向长途通话； 非流动人口长途话务较为零散，三个月不同长途话务定向地的客户占接近 45%； 样本效果较好。 定向地相同的月份数 流动人口 非流动人口 0 175 21222 1 6552 44281 2 11375 38880 3 40257 35228 -18- 数据探索方法与过程 比较各种变量在外省求职者的均值与其它用户的差异。初步了解外来求职者的特征。 用图线全面展示变量在不同取值下，用户群中外省求职者的比例，发现变量值与外省求职者的更深层的相关联性。 1. 均值比较 2. 图形分析 -19- 均值比较 变量 A(外来工求职者的平均值 ) B(非外来工求职者的平均值 ) A-B 全体平均 值 A与 B差异率 (A-B)/全体均值 ) 头 10次通话中外省通话次数 2.65 0.52 2.14 0.63 338.12% 上行省外短信费用 6.92 2.25 4.67 2.51 186.22% 定向短信量 56.09 18.30 37.79 20.37 185.49% 上行省外短信次数 80.88 26.64 54.25 29.61 183.21% 国内定向费用 19.75 8.12 11.63 8.76 132.76% 国内定向费用对 ARPU占比 0.21 0.09 0.12 0.10 125.60% 上行国内彩信费用 0.14 0.06 0.08 0.07 123.08% 定向短信与本地短信占比 0.24 0.10 0.14 0.11 122.16% 定向交往圈人数 4.36 1.96 2.40 2.09 114.75% 上行国内彩信次数 1.31 0.61 0.69 0.65 106.09% 国际漫游出访次数 0.00 0.06 -0.06 0.05 -105.80% 国际漫游出访 MOU 0.00 0.03 -0.03 0.03 -105.80% 亲情汇款用户 0.00 0.00 0.00 0.00 -105.80% 国际漫游出访时长 0.00 1.70 -1.70 1.60 -105.80% 国际漫游出访费用 0.00 0.30 -0.30 0.28 -105.80% 定向通话次数 13.17 6.45 6.72 6.82 98.63% 主叫港澳台长途 MOU 0.03 0.38 -0.35 0.36 -97.64% 国际长途被叫 MOU 0.01 0.16 -0.15 0.15 -96.50% 港澳台长途被叫 MOU 0.03 0.28 -0.25 0.27 -93.79% 主叫国内长途 MOU 71.73 36.67 35.06 38.59 90.84% . . . . . . -20- 在网时长： 新入网 1 3个月用户是外省求职者的可能性较高。 1年以上的老客户是外省求职者的可能性较小 。 品牌： 动感地带中外来求职者的占比是各品牌中最高的 。 大众卡则非常低 。 5 . 5 1 % 5 . 6 4 %6 . 3 8 %1 . 5 4 %0%1%2%3%4%5%6%7%全球通 神州行 动感地带 神州大众卡外省求职者占比 12.75%9.69%5.51%4.36%12.05%4.33%2.05%1.28%0.81% 0.58%0%2%4%6%8%10%12%14%027 2828 2930 3131 329697262263548 549936 93716851686外省求职者占比客户属性 在网时长（天） -21- 客户地区 珠三角地区的用户中外省求职者的比例较大。 一类城市中，深圳、东莞的外省求职者占比高，而广州、佛山较低。 9 . 6 %7 . 5 %6 . 4 %5 . 7 %5 . 0 %4 . 7 %4 . 1 %3 . 9 %3 . 3 % 3 . 2 %3 . 1 %2 . 9 % 2 . 8 %2 . 7 %1 . 9 % 1 . 9 %1 . 6 % 1 . 5 %1 . 1 % 1 . 0 %0 . 6 %0 . 0 0 %1 . 0 0 %2 . 0 0 %3 . 0 0 %4 . 0 0 %5 . 0 0 %6 . 0 0 %7 . 0 0 %8 . 0 0 %9 . 0 0 %1 0 . 0 0 %深圳 东莞 珠海 中山 惠州 广州 汕尾 佛山 汕头 云浮 韶关 揭阳 江门 肇庆 梅州 清远 潮州 阳江 湛江 茂名 河源珠三角城市其它城市6.72%2.28%0%2%4%6%8%珠三角用户 不是外省求职者占比-22- 客户价值 ARPU ARPU在 23到 54之间的用户是外省求职者的机会就较大了 。 而 ARPU高于 120的用户是外省求职者的可能较小 。 5.03%6.07%6.50% 6.31%5.76% 5.69% 5.61% 5.61%4.48%3.75%0%1%2%3%4%5%6%7%023.623.634.3 34.344.1 44.154.2 54.266.4 66.481.781.7101.4 101.4126.9127181.7181.8外省求职者占比6.18%6.58%7.05%6.52%5.75%5.07%5.65% 5.50%3.83%2.67%0%1%2%3%4%5%6%7%8%099100176 177264 265359 360480 481632 633846 8471175117618031804外省求职者占比 MOU在 360分钟以内的用户是外省求职者的可能性较高。 MOU很高的用户是外省求职者的可能性较低。 ARPU MOU -23- 0.85%2.38%5.76%7.65%8.07%9.82% 9.96%10.49%0%2%4%6%8%10%12%00 11 27817 1831 325556106107外省求职者占比7.39%6.16%6.40%4.93%5.76%6.41%4.73%3.01%1.53%0%1%2%3%4%5%6%7%8%00 11 23 47814 1525 2646 479798外省求职者占比通话行为 长途 省内长途多的用户是外省求职者的可能性较 低 。 主叫省内长途 MOU 主叫省际长途 MOU 省际长途多的用户外省求职者的可能性都较 高 。 -24- 5.78%4.20%3.78%0%1%2%3%4%5%6%7%0012122外省求职者占比6.66%4.43%4.73%3.34%1.94%0%1%2%3%4%5%6%7%00 1562728114115外省求职者占比通话行为漫游 漫游较多的用户是外省求职者的可能性较 低 。 省内漫游 MOU 省际漫游 MOU -25- 8.97% 8.93%7.05%6.15%5.39% 5.28% 5.20%3.70%2.10%1.32%0%1%2%3%4%5%6%7%8%9%10%06710 1113 1417 1821 2226 2733 3442 436364外省求职者占比本地交往圈号码 少 ，省内交往圈号码数 少 、省际交往圈号码数 多 的用户，是外省求职者的可能性较 高 。 省内交往圈号码数 国内交往圈号码数 0.84%3.98%6.87%7.64%9.75%10.04%11.08%8.80%0%2%4%6%8%10%12%00 11 22 33 44 5671011外省求职者占比7.54%6.86%5.91%6.32%5.24%3.55%2.64%1.14%0%1%2%3%4%5%6%7%8%00 11 22 33 45 6891516外省求职者占比本地交往圈号码数 通话行为 交往圈 -26- 通话行为 定向通话 定向通话次数 多 、定向交往圈 大 、定向短信条数 多 的用户是外省求职者的可能性 高 。 而且这类变量的区分能力相对其它变量更显著。 定向通话次数 说明： “ 定向长途地 ” 是指一个用户打电话最多的一个城市（排除发达地区） “ 定向通话次数 ” 是与指定向长途地的号码通话的次数。如类推理。 1.79%7.88%9.14%10.31% 10.47%11.10%0%2%4%6%8%10%12%00 12 34 59101920外省求职者占比1.23%5.06%7.01%8.79%11.31%13.96%0%2%4%6%8%10%12%14%16%00 11 22 33 467外省求职者占比定向交往圈大小 2.26%3.66%5.27%8.02%12.55%16.07%0%2%4%6%8%10%12%14%16%18%00 11 25616 175152外省求职者占比定向短信条数 -27- 1.40%2.96%4.24%6.22%7.10%13.09%16.37%0%2%4%6%8%10%12%14%16%18%00 12 35613 1431 327980外省求职者占比通话行为 SMS 发送外省的 SMS条数在 14条以上的的用户是外省求职者的可能性较 高 。条数多于 32条的，则这个可能性 很高 。 短信变量比长途变量的区分力更强 因为长途费率较高，用户与省外联系时用户打移动长途的需求受抑制，数据不能很好反映用户实际与外省联系程度。 短信费率固定，发短信更随意。因此外省的短信发送条数更能反映用户与省外通话的需求。 往外省 SMS条数 0.85%2.38%5.76%7.65%8.07%9.82% 9.96%10.49%0%2%4%6%8%10%12%00 11 27817 1831 325556106107外省求职者占比主叫省际长途 MOU VS. -28- 通话行为 首 10次通话 首 10次通话中外省通话次数 多 的用户，是外省求职者的可能性 很高 。 2.96%14.85%17.84% 17.90%25.23%21.94%23.94%34.33%30.88%29.21%0%5%10%15%20%25%30%35%40%0 2 3 4 5 6 7 8 9 10头1 0 次通话中外省通话次数可能原因：用户在开号后，都会先和家人联系，告知新号码。因此外来工的首 10次通话中会有与老家的通话。 这个变量的区分力非常显著。 注：首 10次通话中有外省通话的样本数占 14.4% -29- 相关业务 “ 我爱我家”业务用户是外 省求职者的可能性较 大 。 但“我爱我家”的现在用户数很少，样本中只占 0.2% 10.00%5.47%0%2%4%6%8%10%12%我爱我家用户 不是外省求职者占比3.10%6.47%0%1%2%3%4%5%6%7%集团客户成员 不是外省求职者占比 集团客户成员是外省求职者的可能性较 小 。 -30- 数据探索总结 调研样本中外省求职者的统计特征较明显。 通过用户的 ARPU、长途通话、定向长途、首 10次通话等变量可以识别出可能是外来求职的用户。 从相关业务也可以识别外省求职者，但是这些业务现有用户数量很少，不能满足本模型的需求。 从数据探索的图线中总结出特征变量的参考取值范围。 样本特征 通信特征 数据业务特征 数据探索特征 -31- 模型构建 建模方法选择： 根据数据探索结果显示，变量与外省求职者的概率大体是单调关系。因此用 Logistics回归这类线性方法也能胜任。 Logistics回归简介： Logistic回归模型是一种概率分类模型 , 它以用户是外省求职者的概率为因变量 , 客户属性、通信行为等因素为自变量建立回归模型。 以 p 表示用户是外省求职工的概率，函数 p 对 Xi 的变化在 p=0 或 p=1 的附近是不敏感的、缓慢的，且非线性的程度较高。按照 Logistic 变换（或称为 p 的 Logit 变换），即 ( p) 对 Xi 就可以是线性的关系了，即可以表示为： -32- 模型构建 流动人口识别是判别是否流动人口的分类问题，用决策树和逻辑回归均能较好解决问题。选用 TERADATA专用挖掘工具 TWM中的逻辑回归和决策树算法进行建模 。 流动人口样本 （ 62800 ） 非流动人口样本 （ 139611 ） 0.31： 0.69的比例组合 模型总样本 （ 202411） 训练集 （ 138579 ） 测试集 （ 59391） 样本切分：按外省求职者标志随机分层抽样： 80%作为训练集， 20%作为测试集。 模型训练：用训练集以分步 Logistics回归训练，自动选择最有用的变 量，拟合出变量的参数。 模型评估和优化：用测试集评估模型的准确率，不断优化模型。 模型构建后得到外省求职者概率的计算公式，用于识别外省求职者。 -33- 建模结果（逻辑回归） 变量 参数值 Wald Statistic 标准化参 数 (常数项 ) -4.538305 950.7058 首十次通话省外次数 0.164047 224.9809 0.1585 定向交往圈人数 0.08442 127.8529 0.1754 在网时长（天） -0.000869 80.3789 -0.3861 上行省外短信次数 0.005299 73.7941 0.2632 主叫交往圈号码数 -0.029367 70.075 -0.3572 珠三角用户 0.625817 40.6551 0.1546 省际主叫次数占比 3.605697 40.0386 0.9211 非漫游费用 0.006456 30.7848 0.1926 定向短信量 -0.004215 29.0053 -0.2046 ARPU -0.005115 24.6581 -0.2483 国内漫游 MOU占比 0.747288 10.7334 0.0607 定向漫游时长 3.00E-05 7.933 0.0541 省际主叫占比 -1.436906 6.6362 -0.37 省际定向 mou占比 -0.359402 6.5786 -0.0826 上行省内短信次数 0.001993 5.8292 0.0664 Wald Statistic 反映变量区分外省求职者的能力 ， 越大则区分力越显著 。 外省求职者识别变量及参数： 标准化参数 反映变量在以标准差为单位变化时 ， 外省求职者概率变化的程度 。 绝对值越大则表示影响越大 。 -34- 模型评分公式（逻辑回归） 根据建模结果，用户是外省求职者的概率 p的公式为： 1XXepe其中 X -4.538305+ 0.164047 * 首十次通话省外次数 + 0.08442 * 定向交往圈人数 - 0.000869 * 在网时长（天） + 0.005299 * 上行省外短信次数 - 0.029367 * 主叫交往圈号码数 + 0.625817 * 珠三角用户 + 3.605697 * 省际主叫次数占比 + 0.006456 * 非漫游费用 - 0.004215 * 定向短信量 - 0.005115 * ARPU+ 0.747288 * 国内漫游 MOU占比 + 3.00E-05 * 定向漫游时长 - 1.436906 * 省际主叫占比 - 0.359402 * 省际定向 mou占比 + 0.001993 * 上行省内短信次数 -35- 模型验证结果（逻辑回归） 在测试集上评估模型准确率： 0123456789101% 6%10% 14% 28% 32% 37% 42% 46% 51% 55% 66% 73% 78% 82% 87% 91% 94% 96% 98%0%10%20%30%40%50%60%70%80%90%100%LIFT值 查全率分数在前 5%的用户，命中了全部外省求职者的 28.5%， LIFT值为 5.2； 分数在前 10%的用户，命中了全部外省求职者的 42.7%， LIFT值为 4.2。 LIFT 查全率 -36- 外来工群体建模并设计系统开发 经分应用专题 现状 模型构建 系统中针对特定用户群体的分析处于相对粗放的分析方法 针对外来工群体进行模型设计，构建特定用户群体的识别模型、客户影响力模型，用户特定的市场营销与分析需要 变量探索 模型 建立 交往圈数据修正模型 通过用户业务使用情况修正模型 外呼调研修正 最终模型修正结果 用户发展情况 语音业务发展情况 增值业务发展情况 品牌分析 优惠使用情况分析 欠费分析专题 外来工群体 -37- 目录 A. 项目背景 B. 实施方案 C. 应用案例 D. 项目的主要创新点 E. 社会和经济效益 -38- 应用一：外来工群体关怀 此项成果可支撑两方面的应用 ： 一方面为外来工的通信行为、业务或服务需求及满足度等方面提供宝贵的分析数据，为制定针对性的营销服务策略提供有得的参考依据 。 另一方面为今后外来工客户关怀活动提供系统营销方案配臵及目标客户清单和方案开展后的跟踪统计。 应用流程图 通过模型识别可以给出一个客户标识，判断该客户属于外来工，从而为后续的经营分析，针对不同客户群体进行精确化营销奠定基础。 -39- 应用二：及时跟踪外来工客户规模异动情况 区域 时间 总客户 外来工规模 该项目完成后，可以从区域（县市、各个工业园区）、时间和总客户（考核外来工在总人口和总客户中占比等等）三个维度进行实时跟踪和考察，便于及时把控各个区域外来工规模的变动。 -40- 应用三：开展外来工客户招聘信息主动关怀 通过该项目建立的外来工识别模型，提取其中有短信收发且片区位臵有企业发布招聘信息的外来工，发送短信推荐移动开发的“外来工短信招聘求职平台 ” ，搭建便捷的信息化招聘通道。 求职者或招聘单位，只需编辑求职或招聘所要求的岗位情况，发送短信至特定端口，系统根据请求将自行发送最新匹配的岗位信息，今后打算将此平台改造 12582统一平台。 -41- 应用四 :基于影响力模型针对产品生命周期不同阶段开展营销 成长期 成熟期 衰退期 病毒营销 激励营销 投入期 激励营销 根据影响力模型确定高影响力用户，针对产品不同生命周期阶段采取不同的营销策略。 体验营销 病毒营销 影响力模型应用在产品生命周期的不同阶段 -42- 应用五：开展外来工客户精确营销活动 信息关怀 天气预报 技能培训信息关怀 车次、航班信息服务 气象、新闻等手机报推荐 招工信息关怀 资费营销 长途话务折扣促销 两城一家推荐 保底消费 品牌迁移 交叉销售 天气预报 手机上网 全曲下载 手机 QQ 飞信 外来工客户精确营销活动 针对某一种产品，利用关联分析，找出曾经购买该产品的外来工客户更容易购买其他相关产品的规则，基于这些规则挖掘不同产品之间的潜在关系，并组成外来工产品关联规则矩阵，进行产品组合分析，向客户提供捆绑组合产品，实现交叉销售，在为客户提供更多产品和服务的同时实现企业收益的增长 根据外来工客户在亲情沟通、信息服务及生活娱乐等方面的需求，进行客户细分，开展外来工客户精确营销活动 ，提升外来工客户价值。 -43- 案例：流动人口识别助力外来流动人口细分市场营销 以中山分公司为例，使用流动人口识别模型，发掘定位为工业园区的外来工群体，联合相关政府部门，大力推广“ 12580找工我帮你”活动，效果显著。 根据流动人口识别模型，精准定位客户群体。 主动关怀 根据目标名单对外来工群体发送“关怀”宣传短信，让客户及时了解就业信息。 匹配推荐 利用 12580强大招聘信息库进行匹配，将合适的就业信息推荐给客户。 找工，我帮您 实现双赢 70%客户在找工后通话量明显增加， 10% 20客户靠 12580成功求职 根据客户通话发生地信息，经常到访的营业厅位臵等信息，实现区域客户群体的进一步确定 结合起来监控各个外来工微区域，制定本地个性化的外来工服务策略 -44- 目录 A. 项目背景 B. 实施方案 C. 应用案例 D. 项目的主要创新点 E. 社会和经济效益 -45- 主要系统创新点 通过客户通信基站信息可以获取客户的位臵信息，而位臵信息背后蕴藏丰富的客户特征数据。 流动人口因地缘等关系自然而然成组成群，外来务工人员、高校学生圈子内部的通信交流较多，通过客户交往圈信息可以作为流动人口的辅助判定依据。 经营分析系统建立外来务工人员、高校学生和流动高端人士等三类客户数据挖掘模型，并为客户打上知识标签 . 技术 创新 技术要点 1：客户位臵信息 技术要点 2：客户交往圈信息 技术要点 3：数据挖掘技术和客户特征知识标签库 -46- 主要管理创新点 系统建立监控预警机制，监控全省外来人口的返乡与回流趋势，并能根