数据挖掘在移动通信市场的应用

1、 数据挖掘在移动通信市场的应用 张美图 中国电信吉林省分公司工程师姜艳晖 中国电信吉林省分公司助理工程师摘要：数据挖掘在企业市场营销中得到广泛应用。在移动通信领域，数据挖掘技术和方法被用于进行客户行为分析、建立交叉销售模型、客户忠诚度分析、反欺诈分析、流失预警等等。关键词：数据挖掘，移动通信，客户行为分析，客户忠诚度，交叉销售，客户流失1研究背景随着信息通信技术的发展，通信服务市场的不断成熟，国内电信市场竞争的日渐激烈，移动通信更是竞争的焦点。运营商为了争夺客户，不断推出各种各样的资费政策，价格更是一低再低，而单向收费的出台，使得竞争更趋于白热化。以客户为中心已经成为这个时代电信运营商成功经营

2、的不二法门，运营商要想在激烈的市场竞争中胜出，就必须通过优良的产品和服务吸引新客户、留住老客户，并通过持续提升客户价值来实现增强企业赢利能力和市场竞争力的经营目的。而要实现上述目标，电信运营商不得不认真思索以下的一系列问题：如何更好地认识我们的用户？如何更好地发掘出用户的需求？如何根据用户需求，为用户提供量身定制的产品和服务？应怎样采取用户喜闻乐见的促销方式，使我们的产品和服务能迅速地被用户认知和接受？等等。然而，电信运营商却面临着一系列问题：面对海量的、有噪声的、不完全的、模糊的、庞大的数据系统，如何进行数据分析？如何从海量数据中提取有价值用户信息？如何合理的分配有限的营销资源？如何针对不同

3、的客户群实施差异化营销和服务？如何对客户进行细分和分类？现有的哪些用户是增值业务的潜在用户？应该向用户推介哪一个产品或者服务？现有增值业务使用用户都有哪些特征？潜在用户又有哪些偏好需求？等等；数据挖掘技术方法的引入，能够更好地解决运营商在增值业务用户研究过程中存在的问题，有利于提高电信运营商的用户研究水平。2数据挖掘的概念所谓数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，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。数据挖掘是一种从大型数据库或数据仓库中提取隐藏的预测性信息的新技术。它能开采出潜在的模式，找出最有价值的信息，指导商业行为或辅助科学研究。

4、数据挖掘的对象可以是数据库中的数据，也可以是文本、图形和图像数据；数据挖掘是一门广义的交叉学科，包括了数据库、人工智能、数据统计、并行计算等方面的技术。通常，数据挖掘分为两种类型：“验证驱动型”（verification-driven）和“发现驱动型”(discov-ery-driven)。“验证驱动型”是指用户首先提出自己的假设，然后利用各种工具通过反复的，递归的检索查询以验证或否定自己的假设，一般在检验假设过程种使用结构化查询语言(sql)或结构化查询生产来自www.lw5u.com器。“发现驱动型”是指通过使用机器学习( ma-chine-leaming)统计和数据可视化等技术来发现新的

5、假设，这些技术对发现新的知识起到相当重要的和积极的作用。但是这个流程不完全是自动的，仍然要分析人员在知识发现流程中的参与。“发现驱动型”数据挖掘技术包括描述型和预测型两类。描述型数据挖掘技术主要有可视化、聚类、关联、统计等技术；预测型主要有决策树、规则归纳、神经元网络、logistic回归等技术。通常我们说的数据挖掘主要指描述型和预测型这类发现驱动型的数据挖掘技术。3数据挖掘的主要任务数据开采技术的目标是从大量数据中，发现隐藏于其后的规律或数据间的关系，从而服务于决策。数据挖掘一般有以下四类主要任务。3.1数据总结数据总结目的，是对数据进行浓缩，给出它的总体综合描述。通过对数据的总结，将数据库

6、中的有关数据从较低的个体层次抽象总结到较高的总体层次上，从而能够实现对原始基本数据的总体把握。数据总结需要利用统计学方法。传统的也是最简单的数据总结方法，是计算数据项的总和、平均、方差、最大值、最小值等基本描述统计量，或者通过利用统计图形工具，对数据制作直方图、饼状图等。3.2分类分类的主要功能是建立一个分类函数或分类模型（也常常称作分类器），利用该模型，可根据数据的属性将数据分派到不同的组中。即：分析数据的各种属性，找出数据的属性模型，确定哪些数据属于哪些组。通常分类学习所获得的模型可以表示为分类规则形式、决策树形式，或数学公式形式。例如，可以将商业网点分为好、一般和较差三种类型，并以此分析

7、这三种类型商业网点的各种属性，例如位置、盈利情况等，并决定其中的关键属性及相互间关系。此后就可以根据这些关键属性对每一个预期的网点进行分析，以便决定预期网点属于哪一种类型。分类方法目前已广泛应用于信用评估、医疗诊断、性能预测和市场营销等领域。3.3关联分析数据库中的数据一般都存在着关联关系，也就是说，两个或多个变量的取值之间存在某种规律性；关联分析是寻找数据库中值的关联性。两种常用的技术有关联规则和时序关联，关联规则是寻找在同一个事件中出现不同项的相关性，例如：购买面包的顾客中有90%的人同时购买牛奶。时序关联寻找的是事件之间在时间上的相关性，例如：若a股票连续上涨两天且b股票不下跌，则第三天

8、c股票上涨的可能性为75%。它在关联规则中增加了时间属性。关联分析的目的，是要找出数据库中隐藏的关联网，描述一组数据项目的密切度或关系。有些情况下，数据库中数据的关联是否存在精确的关联函数并不知道，即使知道也是不确定的，因此关联分析生成的规则是带有置信度的，关联规则的强度用置信度级别来衡量。3.4聚类聚类( clustering)是指把数据库中的一组个体按照相似性归成若干类别，即“物以类聚”，其目的是使得属于同一类别的个体之间的相似度尽可能大，而不同类别的个体之间的相似度尽可能小。相似度是根据描述对象的属性来测算的，距离是经常采用的度量方式。聚类和分类有着很大的区别：分类时，我们总是事先知道分

9、成几类结果，知道将重要的、有影响力的属性作为分类的依据；而聚类时，我们事先根本不知道要把个体分成几组，也不知道哪些属性起作用，因此，在聚类之后需要有业务专家来解释分群的意义。并经过几次反复之后才能最终得到一个理想的结果。数据挖掘中常用的聚类算法有：两步聚类和k-均值聚类法。3.5预测预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。在用户研究过程中，通过分析已知的用户历史数据信息，总结出一个预测模型，并通过这个模型预测用户的未来行为。通过数据挖掘，可使用过去有关促销的数据来寻找未来投资中回报最大的用户，还可以预测用户购买倾向、用户流失、以及企业预报破产等。4数

10、据挖掘在移动通信市场的应用数据挖掘汇集了统计学、人工智能、数据库等学科的内容，是一门新兴的交叉学科。旨在帮助人们从海量数据中发现有价值的信息，在企业市场营销中得到了比较普遍的应用。市场营销中的数据挖掘以市场细分原理为基础，基于“消费者过去的行为是其今后消费倾向的来自www.l最好说明”的基本假定，收集、加工和处理涉及消费者消费行为的大量信息，确定特定消费群体或个体的兴趣、消费习惯、消费倾向和消费需求，进而推断出相应消费群体或个体下一步的消费行为，然后在此基础上，对所识别出来的消费群体或个体进行特定内容的定向营销。这与传统的不区分消费者对象特征的大规模营销手段相比，大大节省了营销成本，提高了营销

11、效果，从而有助于企业更好地提升经济效益。在通信、银行、保险、交通、零售等很多重要的领域，数据挖掘都发挥了积极的促进作用。因此，这一技术越来越受到企业的青睐。4.1移动通信企业中数据挖掘的主要应用目前移动通信运营商都具有业务营运支撑系统、客户服务呼叫中心、业务网关、misc等客户信息系统，这些系统中有着客户的基本信息、消费数据、市场营销数据、帐务数据，同时每天还在不断地产生几百gb的数据、甚至以tb为数量级的数据量。成批的海量数据为数据挖掘技术在移动通信市场的应用提供数据源，而近年来数据挖掘技术的不断发展、数据挖掘人才的不断涌现，以及移动通信运营商在数据库系统的构建、bi系统、crm客户关系管理

12、方面的大量投入，使得数据挖掘在移动通信市场取得了较好发展，应用范围越来越广泛。目前国内也有不少的数据挖掘研究机构正逐步开展数据挖掘技术在移动通信市场的实际应用的研究，也取得了一定的成绩。在移动通信运营商和数据挖掘研究机构的努力下，针对移动通信运营商市场运营的特点，开展不少数据挖掘应用研究的项目。(1)客户行为分析客户行为分析是利用分类分析法和聚类分析法对客户通话行为进行分析，从而得出客户在消费习惯、生活方式、社会联系等方面的特征。对客户行为分析的根本目的是为了按不同特征划分客户群，针对不同客户群的特征，运营商可以进行不同的市场营销活动和客户服务，实现精细化营销。在客户群划分中典型的应用就是针对

13、某一客户群的消费特征进行某种移动业务的营销。客户行为分析中常用的数据挖掘分析技术有：神经网络、决策树、聚类分析、关联规则等。在客户行为分析中，使用神经网络分析方法，发现客户群之间行为差异最显著的因素，为市场决策提供依据；通过决策树方法，根据特定的行为变量对用户群进行划分，为进一步的研究客户群作准备；也可以使用聚类分析的方法，对客户进行用户行为细分，实现精细化营销的目的。此外，关联规则分析方法可以用来分析客户行为、消费数据，发现各变量之间的关联关系。在电信运营商客户行为分析中，常见的行为分析有：入网、离网分析，客户话费异动分析，欠费分析，套餐品牌转换分析、营销活动参与分析等。(2)建立交叉销售模

14、型通过分析客户的产品使用情况、通话行为、消费情况，研究用户的消费特征，使用关联分析方法，发现业务产品之间的关联关系，发现老用户的潜在需求，寻找现实产品的捆绑销售机会。交叉销售有企业内部的交叉销售，如新业务间的组合销售，话音业务与数据业务经的组合销售；有行业内的交叉销售，如选择合适的合作伙伴，sp、cp的选择等；还有跨行业间的交叉销售，如通过适当的营销活动，关注客户全方位的需求，跨行业交叉销售的合作对象包括航空公司、影院、音乐会等。交叉销售模型已为越来越多的企业所应用。(3)客户忠诚度分析客户忠诚度分析主要通过对客户通话行为、入网时长、营销活动情况、品牌、消费金额和帐务支付的分析建立客户指数评估

15、体系模型，分析用户的信用度、用户价值和用户的忠诚度，从而获得客户价值和离网倾向。客户是运营商价值之所在，通过对客户忠诚度分析，有针对性的对高价值客户进行优质服务，对有离网倾向的客户及时进行挽留活动对提高运营商市场占有率，降低营销成本是十分有用的，在客户指数评估体系模型分析过程中，常用的数据挖掘技术有决策树、神经网络、回归等分析方法。(4)反欺诈分析目前，移动运营商面临的一个比较严重的问题是欠费问题，其中很大一部分是欺诈消费，因此反欺诈消费已经成为移动通信发展的关键。通过对客户数据的多维分析、聚类分析和孤立点分析可以建立客户欺诈消费模型，从而可以有效的对客户消费行为进行监控，对满足欺诈消费模型的

16、消费行为进行告警。此外，电信运营企业通过数据挖掘技术构建的模型还有：客户关系管理系统(crm)、客户流失预警分析、优惠策略仿真预测模型、价格敏感度模型、竞争分析、服务分析等等方面也取得较好的成绩。数据挖掘技术的应用，大大提升了电信运营商的用户研究水平，促进了移动通信市场的发展。4.2数据挖掘应用于增值业务用户分析增值业务收入比重逐渐增加，增值业务已成为运营商市场发展中的新的业务增长点，运营商们纷纷将目光对准了电信增值业务市场。加强对增值业务用户行为分析，促进增值业务发展也成为电信运营商市场发展的工作重点。随着用户研究的深入，数据挖掘技术已在增值业务用户行为分析中逐渐得到发展，越来越多的电信运营

17、企业将针对用户语音通话行为的模型引用到增值业务产品的分析中。目前，在增值业务市场用户研究中，常见的数据挖掘模型主要以交义销售模型、购买预测模型、流失预警模型为主。增值业务市场空间大，业务种类多，市场营销人员在业务发展推荐过程中，往往面临着“推荐业务难、找到合适的业务给合适的用户更难”。因此，营销人员希望通过数据挖掘分析方法，为他们解决存在的问题。在增值业务发展中，营销人员面临的关键问题主要有：“这么多产品与服务，应该向客户推荐哪些产品与服务？”，“购买多项产品或服务的客户有何特征”，“应该向哪些用户推荐彩铃（或wap等）业务或其他产品呢？”，“哪些用户最有可能取消该项增值业务呢？”，“哪些增值产品能够组合销售”等等。客户的历史消费行为通常与未来潜在的消费行为有着内在的紧密关联。因此，针对现有客户的消费行为分析，可以扩大客户集，增加现有客户购买价值，保留盈利客户，提高销售额。因此，为了促进增值业务的发展，解决市场营销人员面临的营销问题，在增值业务中应用数据挖掘模型，通过对用户的历史消费数据、增值业务使用情况的分析，构建增值业务交叉销售模型、彩铃（wap或其他业务）潜在新增