电信行业数据挖掘培训(Teradata miner)

数据挖掘项目交流目录四三二一数据挖掘基本介绍TDminer工具介绍客户流失模型和细分模型数据挖掘专家之路Why?Which?Where?How?What?数据挖掘FAQ应用:运用模型辅助决策，制定营销策略数据潜在信息知识决策挖掘:

隐含在数据信息背后的潜在规律，知识建模Analyticmodeler应用模型预测Businessusers数据挖掘模型NCRProprietaryInformation-ã2002AllRightsReserved（What）数据挖掘的价值DataMiningisforpoweruserstofollowaprovenmethodologytodiscoveraction-orientedinsightsfrom

detailoperationsdata

toimprovebusiness.数据挖掘是分析专家用已验证的方法在业务细节数据中发掘出可采取行动的洞察力，从而改善企业运营。（What）什么是数据挖掘？数据

=储藏室数据

+工具

=网吧数据

+工具

+

方法

=信息数据

+工具

+方法

+目标

=知识数据

+工具+方法

+目标

+行动

=价值（Why）为何要数据挖掘？客户面向客户客户管理CRM

客户关系管理

数据仓库WalletShareAcquisitionRetentionFraudProductAffinityPriceSensitivityValue&RisksPsycho-demographicsDMMethod’yTools&TechniquesArchitect&OAMAdHocQueryWAR/F（Which）在哪些方面进行挖掘？数据挖掘典型应用业务目标 分析方法/技术------------------------------------------- ----------------------钱包份额/争取新客户(WalletShare/Acquisition)预测客户购买新产品的倾向

决策树/对数回归预测客户扩展服务用量的倾向

决策树/对数回归预测客户升级服务的倾向

决策树/对数回归客户挽留及保育(Retention)预测哪些客户会终止服务的使用

决策树/对数回归改善挽留行动的效率

描述型分析/响应模型欺诈/拖欠侦测(Fraud/Delinquency)预测客户拖欠账单支付的倾向

对数回归预测拖欠客户对催缴的响应

决策树欺诈侦测及管理

规则归纳基础/知识(Infrastructure/Knowledge)了解客户购买不同产品的情况

关联规则评估客户对运营商的利润贡献度

ABC成本核算评估客户的价格敏感度

描述型分析/聚类预测客户称为高价值客户的倾向

对数回归客户信用度评估

描述型分析客户分群

聚类预测营收变化趋势

线性回归预测客户的服务使用量变化趋势

线性回归分析专题示例分析型应用业务问题业务价值客户分群客户如何分群以及各群组的特征？客户关系的个性化定制，以便提高客户满意度，降低流失率购买倾向哪些客户最可能响应我的促销活动？有的放矢，锁定有需求的客户，提高客户忠诚度，提高营销活动的效率利润贡献度什么是客户的生命周期价值？基于客户的综合利润贡献度来有效决策欺诈侦测如何鉴别哪些交易可能会是欺诈行为？快速鉴别出欺诈行为，立即反应以避免损失客户流失哪些客户可能会弃我而去？避免高价值客户的流失，低价值客户随他去客户获取哪些人可能成为我的客户？哪些人可能带来最高的收益？最小化新客户的招揽成本渠道优化到达每个客户分群的最佳渠道是什么？基于客户偏好和企业需要与客户交互，从而控制成本目录四三二一数据挖掘基本介绍TDminer工具介绍客户流失模型和细分模型数据挖掘专家之路WhatisTeradataWarehouseMiner?TeradataWarehouseMinerOnlycomprehensivein-databasedataminingtoolFasterdevelopment&modelsFeaturesinclude:DataExploration/ProfilingfunctionsDescriptiveStatistics&dataexplorerDataPreprocessingfunctionsDataTransformationfunctionsDataRe-organizationfunctionsMatrixfunctionsCorrelation,CovarianceandSSCPModelDevelopmentAlgorithmsClustering,Association,LogisticandLinearRegressions,DecisionTree,FactorAnalysisandStatisticalTestsModelDeploymentExportSQLorviaTWMImportPMMLClient:MicrosoftWindowsNT&2KServer:TeradataDatabaseWindows-basedPCwithTeradataWarehouseMiner

llllllllTeradataDatabaseODBC模型发布TWM产品线分析型模型的建立、测试及校验数据预处理理解业务目标理解源数据DataProfilingandExplorationFunctions:VisualizationDescriptivestatisticsDataExplorerAnalyticDataSetCreationFunctions:TransformationMatrixFunctionsReorganizationVariableCreationAnalyticModelDevelopmentFunctions:AnalyticAlgorithmsAdvancedStatisticsAnalyticModelDeploymentFunctions:SQLModelsModelExecutionTeradataModelManagerPurpose:AllowbusinessusersenterprisewideaccessanduseofmodelsTargetUsers:BusinessUsersandDataMinersTeradataProfiler

Purpose:DataExploration,DataMining,DataQualityAssessmentTargetUsers:DBA,DataArchitects,DataMiners,QualityAnalystsTeradataADSGenerator

Purpose:Simplifiescreationofananalyticdatasetrequiredtobuildanalyticmodels.IncludesTeradataProfilerfeaturesTargetUsers:DataMinersincludingSASandotherDMtoolusers.TeradataWarehouseMinerPurpose:Buildinganalyticalmodels.IncludesTeradataADSGeneratorfeaturesTargetUsers:DataMiners/AnalyticModelersTWM－场内挖掘的优势传统方法需要数据转移抽取数据到数据挖掘服务器速度慢,效率低,容易产生人为错误并降低模型精度数据源数据管理

问题数据冗余数据转移只有抽样数据场内挖掘方法挖掘功能和数据的紧密结合速度快,效率高,可以在全部细节数据上挖掘!挖掘的性能随着Teradata数据库性能的扩展而扩展!TeradataDataMining&OLAPSQLextensionsTeradataWarehouseMinerSQL企业级数据挖掘!单变量统计Count/Minimum/Maximum/MeanStandardDeviationStandardMeanErrorVarianceCoefficientofVarianceSkewnessKurtosisUncorrectedSumofSquaresCorrectedSumofSquaresModes基本数据质量分析DataTypesCount#NULLValues#PositiveValues#NegativesValues#Zeros#Blanks#UniqueValues数据分布分析FrequencyofDiscreteVariablesCross-tabulationPair-wiseHistogramsofContinuousVariablesEvenWidthUserDefinedWidths/BoundariesQuantile“AdaptiveBinning”覆盖分析Index/KeyColumnConsistency散点图分析Continuousplotin2/3-D分位&分级Top10/Bottom10PercentilesDeciles/Quartiles/TertilesTop5/Bottom5RanksandValuesTeradataWarehouseMiner4.0功能

TeradataProfiler相关分析Quicklyviewcorrelationsacrossvariables数据探索器PerformsbasicstatisticalanalysisonasetoftablesandselectedcolumnswithinanyTeradatadatabaseIntelligentdecisionsaboutwhichfunctionstoperformValuesAnalysis-EverycolumninthesetofinputtablesUnivariateStatisticalAnalysis-EverycolumnofnumericordatetypeFrequencyAnalysis-EverycolumnthathaslessthanorequaltoanumberofuniquevaluesHistogramAnalysis-Everynumericordatetypecolumnthathasmorethananumberofuniquevalues数据可视化2&3DHistograms2&3DFrequencyBarChartsValuesBarCharts&CircularGraphsBoxandWhiskerPlotsScatterPlotsIntegratedDataExplorerGraphicsTeradataWarehouseMiner4.0功能

TeradataProfiler变量生成AggregationsCount,Average,Sumetc.WindowedAggregates/OLAPRank,Quantililes,MovingSums,etc.Arithmeticoperators/functions:+,-,*,/,MOD,**ABS,EXP,LN,LOG,SQRT,etc.Trigonometric&HyperbolicfunctionsCOS,SIN,TAN,ACOS,etc.COSH,SINH,TANH,ACOSH,etc.CASEexpressionsandNULLoperatorsvaluedandsearchedtypesNULLIF,COALESCEComparisonoperators=,>,<,<>,<=,>=LogicalpredicatesBETWEEN…AND…,IN(expressionlist),etc.Calendarfunctions:

day_of_week,day_of_calendar,quarter_of_year,etc.StringfunctionsLOWER,UPPER,TRIM,||,etc.DataTypeconversionSQLpredicatesTRUE,FALSE,NULL变量维度划分SimpleDimensionsSpecificvaluesRangeofvaluesCombinedDimensionsHierarchicalDimensionsSysCalendar,etc.TeradataWarehouseMiner4.0功能

TeradataADSGenerator(includesProfiler)变量变换BinCodingDesignCodingRecodingRescalingDeriveHooktoVariableCreationStatisticalTransformationsZ-ScoreSigmoidNULLValueReplacementLiteralvalueMeanvalueMedianvalueModeImputedvalues变量重组Random(Stratified)SamplePartitioningDenormalize/PivotingJoining构造ADSCreateFinalADSCreateMetadataforRefresh矩阵函数CorrelationCovarianceSSCP/CorrectedSSCPTeradataWarehouseMiner4.0功能

TeradataADSGenerator(includesProfiler)Normality/EqualityTestsKolmogorov-SmirnovLillieforsTestShapiro-WilkD’Agostino&PearsonOmnibusSmirnov分析型算法(MVS)LinearRegressionModelCoefficientsandStatisticsStep-WiseLinearRegressionFactorAnalysisPCA,PAF,MLFOrthogonal/ObliqueRotationsLogisticRegressionModelCoefficientsandStatisticsStep-WiseLogisticRegressionSuccessandLiftTables统计检验BinomialTestsBinomialSignRankTestsMann-Whitney(Kruskal-Wallis)WilcoxonFriedmanContingencyTableTestsChi-squareMedianParametricTestsF(TwoWay)UnequalSampleSizeF(N-Way)EqualSampleSizeTTeradataWarehouseMiner

CompleteTeradataWarehouseMinerPackage可视化RegressionPlotsScreePlotsLiftChartsFactorPatternChartGraphicalTreeBrowserInteractivePruningTextRulesDistributionsClusterSizes/Distance/MeasuresAssociationColorMap分析型算法(续)DecisionTree/RuleInductionEntropy(i.e.C4.5/C5.0)Gini/Regression(i.e.CART)ChaidTreesClusteringK-Means/NearestNeighborExpectation–MaximizationAssociation/SequenceAnalysisSupport/Confidence/Lift/Z-Score模型评分&评估DecisionTreesClusteringLinear/LogisticRegressionFactorAnalysisTeradataWarehouseMiner

CompleteTeradataWarehouseMinerPackageTeradataWarehouseMiner

ElementsinthePrimaryWindowProjectIconAnalyticModuleIconODBCConnectionIconConnectionPropertiesIconRunandStopIconsRuntimeMessageAreaDataSourceStatusProjectAreaAnalysisSet-upandResultsViewingAreahmmm…Iwonderwhatelsemightfillthislargegrayareasomeday...MainMenusMainToolbarOpen,Save,andSaveAllIconsTeradataWarehouseMiner

ProjectsandAnalyticModulesTeradataWarehouseMinerProjectscontainoneormoretaskseachtaskiscalledanAnalyticModuleeightcategoriesofanalyticmodulesADS(AnalyticalDataSetgeneration)VariableCreationVariableTransformationBuildADSAnalytics(AnalyticAlgorithms)DescriptiveStatisticsMatrixFunctions(correlation,…)MiscellaneousfreeformSQL,…Reorganization(StructureofData)Scoring(andModelEvaluation)StatisticalTestsAnalyticModulesarethefundamentalbuildingblocksusedtoconductdataanalysisinTeradataWarehouseMinerTeradataWarehouseMiner

TwoOtherImportantGlobalFeatures(1)

ProjectAttachmentsandProjectDocumentationusetheProjectAddAttachmentmenutoaddanyMicrosoftWindowsTMobjectstoaproject–youcanopenthemlaterbysimplydoubleclickingonthemattachmentswillbesavedtoTWMMetadatawhenyouSavetheTWMProjectTeradataWarehouseMiner

TwoOtherImportantGlobalFeatures(2)

AnalyticModuleDocumentationineveryAnalyticModule,clickingonthebluedownarrowprovidesatextdialogue,inwhichyoucanputtextdocumentationthatisspecifictothatAnalyticModulethesetextswillbesavedtoTWMMetadatawhenyouSavetheTWMProjectUsingTeradataWarehouseMiner

The7StepstoResults

AnExampleTeradataWarehouseMiner

Step1-connecttoanODBCdatasource

TeradataWarehouseMiner

Step2-createanewProjectTeradataWarehouseMiner

Step3-addanAnalyticModuletotheProjectAddNewAnalysisDescriptive—StatisticsClickNewAnalysisIconHighlightProjectFolderIcon,RightClick,SelectAddNewAnalysisClickProjectpull-down,SelectAddNewAnalysisSelectDescriptiveStatisticsSelectStatisticsnodeSelect“OK”TeradataWarehouseMiner

Step4–setinputandanalyticoptions

(selecttableandcolumnstobeanalyzed)SelectyourSTUDENT_Xdatabase,theabc_DDA_ADStable,andindicatedcolumnsTeradataWarehouseMiner

Step4–setinputandanalyticoptions

(setAnalyticModuleparameters)Click“CheckAll”foroptionssectionsunderAnalysisParametersTeradataWarehouseMiner

Step4–setinputandanalyticoptions

(setotherAnalyticModuleoptionsasnecessary)Chooseanyexpertoptions(noneforthisexercise)TeradataWarehouseMiner

Step5–setoutputandresultsoptionsOnoutputtab,choosetocreateatableandnameitaccordinglyNotetheabilitytodoaqueryEXPLAINorjustgeneratetheSQLTeradataWarehouseMiner

Step6-executetheAnalyticModule

TeradataWarehouseMiner

Step6-executetheAnalyticModule

(optionally,savetheProject(s)andAnalyses)TeradataWarehouseMiner

Step7-examine,interpret,anduseresultsChoosetheresultstabandbrowsetheSQLtabresults目录四三二一数据挖掘基本介绍TDminer工具介绍客户流失模型和细分模型数据挖掘专家之路数据挖掘方法论商业理解数据理解数据准备

数据挖掘建立模型模型评估模型发布明确需求，清晰界定问题的范围是数据挖掘的基础目标范围确定变量来源确定期望结果清晰避免进入数据挖掘的误区——DM盲目崇拜DM是辅助工具方法业务敏感+正确DM方法=价值确定&理解业务问题目标业务确定后，需要业务人员和DM专家共同讨论，尽可能收集所有相关信息，作为数据挖掘的变量基础库。规范变量的命名变量分类变量计算方法，统计口径确定数据选择数据清洗预处理数据清洗缺失值处理识别孤立点与平滑噪声数据纠正不一致的数据数据转换聚集:汇总,关联规范化:缩放数据,使之落在较小的特定区间内min-max规范化，Z-score规范化，小数定标规范化数据变换分箱，数据类型转换，重新编码扩展变量均值，趋势，比例，波动

借助统计工具，对挖掘变量做由浅入深的数据探索。包括：数据质量检查值分析统计分析频度分析直方图分析相关性分析通过图形化呈现工具和其他的统计方法理解数据数据派生为建立模型做准备

该步骤是建立数据敏感度和业务敏感度的重要过程，为建立好的挖掘模型奠定基础探索型数据分析建立并确认分析模型，尝试不同的建模技术或结合不同数据集，并比较不同模型的性能，选出最好的。包括：为模型的训练和验证准备数据集在模型的建立中使用适当的建模技术针对不同的建模技术测试模型性能必要地精炼分析模型和主题专家一起检验分析模型记录分析模型和结果建模模型评估技术手段对照组比较模型评估指标业务经验业务专家对凭借业务知识对挖掘结果的评估用模型的结果来协助业务开展、战略设计和战术实施。收集结果进行反馈，为模型的退化进行侦测，更进一步改善模型性能。营销过程跟踪记录观察模型衰退变化引入新的变量对模型优化模型发布数据挖掘项目实施的工作量有利于数据挖掘项目计划的几个相关问题想要解决的实际问题数据资源是否可获得，哪些数据与当前问题相关在数据挖掘前，要做哪些数据清洗和预处理工作用什么数据挖掘技术如何评价数据挖掘结果如何最大化的利益数据挖掘结果客户流失模型专题电信与流失电信与流失1234流失是不可避免的流失一定会造成损失流失难以管理流失也不完全是坏事电信行业客户流失分类流失非意愿流失意愿流失故意偶然财务状况改变居住地变化生活重大改变技术原因经济原因质量原因社会/精神原因方便原因未使用未付款欺诈新手机新功能新技术分钟话费开通费月租费信号覆盖通话质量客户服务计费品牌文化形象差异实验心理家庭及朋友的影响网络的便利而导致销售渠道而导致电信行业流失分类图不可控因素于本次营销活动无关因素于本次营销活动无关因素本次因营销活动相关因素49>1/12/2023流失预警模型业务问题定义流失预警的新定义：用户状态在目标月变为新增预拆（如：7月状态为预拆，6月状态正常）；且非智能网用户且本月状态为在网（A）且在网时长>3个月且剔除公免、测试用户应用场景：每月的月初输出下个月可能进入预拆状态的用户。121234567891011目标月打分月观测月数据分析与探索：平均ARPU平均ARPU较少的人群，流失可能性较大平均ARPU数据分析与探索:网内号码数网内号码数

-网内号码数越多的人群，流失率越低网内号码数数据分析与探索:新业务费用占比新业务费用占比

-新业务费用占比越多，流失风险越高

新业务费用占比区分效果不好变量示例对于和流失率关系比较复杂的变量，将其排除在模型输入变量之外预测模型输入变量列表之一字段名类型描述USER_IDDECIMAL(14,0)用户IDBILL_MONTHCHAR(6)记帐年月CHNL_IDCHAR(10)渠道IDBUSN_PRODT_TYPE_CODECHAR(2)营业产品类型代码BRAND_CLS_CODECHAR(2)品牌大类代码BRAND_DETL_CODECHAR(2)品牌详细代码LOC_BRAND_CODECHAR(3)省内品牌代码USER_TYPE_CODECHAR(2)用户类型代码VIP_FLAG_CODECHAR(2)VIP标志代码GRP_CUST_FLAG_CODECHAR(2)集团客户标志代码VIRTL_USER_FLAG_CODECHAR(2)虚拟用户标志代码DEAD_FLAGCHAR(2)DEAD标志SERV_TYPE_CODECHAR(2)服务类型代码CRDT_GRADE_CODECHAR(2)信用度等级代码USER_STAT_CODECHAR(2)用户状态代码预测模型输入变量列表之二ACCT_NUMINTEGER帐户数CRDTINTEGER信用度EXCS_AMTDECIMAL(12,2)透支金额PRE_PAYDECIMAL(12,2)预存款MARKINTEGER积分USER_INNET_DATEDATE用户入网日期STAT_CHG_DATEDATE状态变更日期OWE_TYPE_CODECHAR(1)欠费类型代码MAX_OWE_DURINTEGER最大欠费时长OWE_AMTDECIMAL(14,2)欠费金额NEW_PAYDECIMAL(14,2)新交款PAY_OWEDECIMAL(14,2)付欠费PAY_CARD_PAY_TIMESINTEGER缴费卡缴费次数PAY_CARD_PAY_AMTDECIMAL(14,2)缴费卡缴费金额NON_PAY_CARD_PAY_TIMESINTEGER非缴费卡缴费次数PAY_TIMESINTEGER缴费次数APP_HALT_TIMESINTEGER申请停机次数LOST_HALT_TIMESINTEGER挂失次数BEYOND_HALT_TIMESINTEGER高额停机次数SINGLE_HALT_TIMESINTEGER单向停机次数DOUBLE_HALT_TIMESINTEGER双向停机次数CHG_CARD_TIMESINTEGER换卡次数SHOULD_PAY_FEEDECIMAL(15,2)当月帐单金额FAV_FEEDECIMAL(15,2)当月帐单优惠金额CALL_CNTINTEGER通话次数LOCAL_CNTINTEGER本地通话次数ROAM_N_CNTINTEGER国(省)内漫游通话次数ROAM_IN_CNTINTEGER国际漫游通话次数CALLING_CNTINTEGER主叫通话次数CALLED_CNTINTEGER被叫通话次数CALL_MOBILE_CNTINTEGER移动号码通话次数CALL_1860_CNTINTEGER1860通话次数CALL_UNICOM_CNTINTEGER联通通话次数CALL_TEL_CNTINTEGER固话通话次数REST_CALL_CNTINTEGER闲时通话次数预测模型输入变量列表之三AVG_FAV_FEEDECIMAL(15,2)最近3个月平均帐单优惠金额HAS_FEECHAR(1)本月是否出帐HAS_FEE_L1MCHAR(1)上月是否出帐HAS_FEE_L2MCHAR(1)上上月是否出帐AVG_CALL_CNTDECIMAL(8,2)最近3个月平均通话次数AVG_LOCAL_CNTDECIMAL(8,2)最近3个月平均本地通话次数AVG_ROAM_N_CNTDECIMAL(8,2)最近3个月平均国(省)内漫游通话次数AVG_ROAM_IN_CNTDECIMAL(8,2)最近3个月平均国际漫游通话次数AVG_TOLL_CNTDECIMAL(8,2)最近3个月平均长途通话次数预测模型输入变量列表之四AVG_SMS_U_RECV_CNTDECIMAL(8,2)最近3个月平均联通收到短信条数AVG_SMS_U_SEND_OPPNUM_CNTDECIMAL(8,2)最近3个月平均联通发送短信号码数AVG_SMS_U_RECV_OPPNUM_CNTDECIMAL(8,2)最近3个月平均联通收到短信号码数IS_CALLCHAR(1)当月是否通话IS_CALL_L1MCHAR(1)上月是否通话IS_CALL_L2MCHAR(1)上上月是否通话IS_DIVERTCHAR(1)当月是否有呼转IS_DIVERT_L1MCHAR(1)上月是否有呼转IS_DIVERT_L2MCHAR(1)上上月是否有呼转IS_SMSCHAR(1)当月是否有呼转短信IS_SMS_L1MCHAR(1)上月是否有短信IS_SMS_L2MCHAR(1)上上月是否有短信IS_CHURNCHAR(1)流失标识预测模型输入变量列表五59>1/12/2023采用TWM软件训练决策树60>1/12/2023预警模型决策树图释片段61>1/12/2023模型性能评估模型的运作流程－模型的应用把模型应用到最新的数据上，预测未来客户的流失倾向指标1(通话次数)指标1(通话时长)指标3(通话费)指标4(网内主叫时长）指标5(休息时间通话时长)…指标N(…)预测用户离网倾向…………………0.58X省流失控制闭环系统数据采集/ETL分析报表&OLAP数据挖掘经营分析管理者跟踪任务分配流失控制活动策略制定客户大客户经理执行活动执行效果反馈64>1/12/2023客户流失预警模型面临的问题？流失预警模型vs客户行为正常通话：不呼转竞争对手，不欠费，话务量稳定即使部分人产生流失想法，想法也是存在于头脑中的，无行为表现预警期（流失中期）告警期（流失晚期）流失期（流失后）健康期（正常使用期、流失前期）即将呼转竞争对手、即将主叫量显著下降、即将停机、即将销号、拆机、

呼转竞争对手、日话降低、月话降低、拨打敏感号码、申请停机、欠费停机

销号、拆机

客户细分专题“每个群内具有相似的"消费倾向行为习惯客户细分(CustomerSegmentation)是一种将客户分成具有相似特征不同群组的分析方法.分群1分群2分群3分群4什么是客户细分客户细分是市场研究人员的分析利器，可辅助解决上述:“做什么产品/服务，给哪些人，怎么卖出去”的业务问题客户细分是精细化营销的基础数据管理理解客户营销策划营销执行营销评估营销活动执行ETL客户产品交易数据源得到用户反馈更新数据库经营分析系统本地话音宽带IP长途客户细分资费营销案设计客户特征刻画和战略闭环过程预测模型选取目标客户多波次执行管控计划数据管理——数据仓库(Teradata)整合业务系统数据，提供单一视图的模型客户细分——进行客户细分，对客户群进行分析，形成有效的客户特征描述营销策划——设计和准备营销方案营销执行——营销活动的执行和管控

营销评估——分析营销活动的有效性和获取新的客户信息

69>1/12/2023客户细分工作思路做大而全的细分还是做小而精的细分？做数据分析还是做业务分析？做应景摆设还是做长期的落地支撑？漂亮的报告数据展现系统始于项目，终于项目专题=数据挖掘模型细分专题=聚类模型技术本位主义以全地市用户为细分对象以全部品牌用户为细分对象求大求全而较少考虑细分的初衷——精细化营销以业务为中心面向落地执行的建设思路相关收益传统模式建议模式从高端客户入手从制高点突破做小而精的细分以数据分析为基础以细分模型为积淀从数据分析升华到业务分析数据分析和业务分析深度融合深入实际的业务分析报告整合数据分析和业务建议的应用分析系统与营销执行系统和营销执行活动的长期闭环互动有效持续目标客户：工作导向：应用模式：参与细分人群细分的总体思路所有品牌一起细分基于现有的三大品牌，在不同的品牌下分别进行客户细分参与细分的人群哪个地市哪个品牌在网用户/全体用户

进行细分的时间窗口几个月的行为数据进行细分数据选择，清理数据挖掘分析基础表的来源于统一的经营分析系统Teradata数据仓库，数据流程如下：DWMRBASEMREXTMR宽表临时宽表变量选取人口统计变量选取行为变量价值变量客户ID年龄学历职业地区在网时长

积分

……扩展变量语音业务使用数据业务使用新业务使用渠道接触

缴费记录

业务变更信息换机情况……波动趋势

占比

平均……本地通话费长途通话费漫游通话费数据业务费

增值业务费呆坏账费……挖掘分析基础表（宽表）的形成PRT_CUST_HIS客户基本资料历史信息PRD_SERV_HIS服务实例BIL_BIL_STMT_ITEM帐目表BIL_ACCT_TRANS账单账目交易明细EVT_BIL_METER跳次表EVT_BIL_TICKET详单表EVT_acr_TICKET智能网话单EVT_SETT_TICKET网间长途结算话单EVT_BRD_NAR_TICKET宽窄带话单EVT_CUST_SRV客服信息所需数据仓库系统实体列表挖掘分析基础表（宽表）的形成Mr_Bas_BoardMr_Bas_Call_From_CompetitorsMr_Bas_CaseMr_Bas_Competitor_CallingsMr_Bas_Competitor_servicesMr_Bas_Cust_InfoMr_Bas_IP_17908Mr_Bas_IP_LDMr