电信企业客户细分模型构建与应用研究

第3 0卷 21 0 1年 6月

情

报

杂

志

V0 . 0 13

J OUR NAL OF l TE1 GENC N 2I E

Jn 2 0 u e 01

电信企业客户细分模型构建与应用研究贺仁龙叶宇航赵晓康2, (. 1中国电信股份有限公司上海研究院摘要

上海 202;. 0122东华大学管理学院上海

20 5 ) 00 1

建立了基于数据挖掘技* g电信客户细分模型， -s并实证分析了客户行为特征分析数据获取方法与过程，得

到并刻画各个客户群的特征，从而掌握了每个客户群中的客户行为、价值特征，有利于电信企业针对目标客户群开展精确营销活动。 关键词数据挖掘客户细分模型目标客户群精确营销

中图分类号

T 31 P 9

文献标识码

A

文章编号

10 - 9 5 2 1 ) 18 0 0 2 16 (0 I 04— 4

1研究背景伴随电信市场的迅速发展，通信服务在消费者中得到普及，电信客户也逐渐呈现出细分化、多元化的特

需要根据商业问题及数据样本集的特点，择合适的选算法或算法组合。大部分数据挖掘算法都是针对特殊的目的而设计的，而且都规定了所允许的输入数据的类型，通常情况下根据所定义要解决的问题来选择挖

征，电信企业的竞争焦点和发展机遇将更多地集中到各细分市场中。运营商要保持市场的领先地位以及不

掘算法，如分析客户属性一般采用聚类算法，购买分析模式使用关联规则等。

断提升客户价值，主动进行客户细分，必须采取差异化的市场营销和客户服务策略。数据挖掘细分技术为电信企业开展以客户细分为基础的针对性营销提供了有效工具，同时电信企业内部丰富的客户资料和历史消费数据是实施数据挖掘的有力保证。本文结合作者的项目实践，对利用数据挖掘技术实施客户细分的关键过程进行了分析和总结。

数据挖掘建模方法是数据挖掘顺利开展的先决条

件。它给出了每个数据挖掘项目的一个具体操作流程。目前，多数据挖掘系统的开发商为其用户提出许了一些应用数据挖掘技术的过程参考模型。欧洲委员会和相关行业的四个大公司，出了交叉产业标准过提

程 ( RS— M)…,导数据挖掘在商业中的应用， C IP D倡 解决商业中的问题，如图 1所示。

电信客户细分是依据电信

市场特有的运作规律，按照客户在需求、动机、为和能力方面的差异，用行运

系统的方法将整个电信市场划分为若干个不同的客户群，然后选择合适的客户群作为公司服务目标市场的过程。通常是按照客户自然属性、业务使用特征、户客偏好和动因等分成若干客户群，目的是使得同一群其内的客户特征非常相似，同群间的客户特征差异较不大。本文研究客户细分模型是为了验证客户统一视图中客户行为信息数据获取方法，研究的过程是基于 A 省电信企业政企客户细分实施的项目图 1 C IP DM参考模型 RS—

C IP D RS— M参考模型中包括业务理解、数据理解、

2电信客户细分模型研究 2 1数据挖掘建模理论数据挖掘是从海量数据 . 中提取出有效的、新颖的、有潜在作用的、可信的、并能最终被人理解的模式的非平凡的处理过程。数据挖掘是从大量数据中发现潜在的、有价值信息的方法，因此收稿日期：0 0 1— 2 2 1— 2 2

数据准备、建模、型评估和模型实施六个步骤，模数据挖掘是一个循环迭代的过程，在这个过程的每一个阶

段，如果发现某个阶段产生的结果和预想或者希望的结果有出人，则需要用户重复以前的工作。 22客户细分模型构建客户细分模型是把客户 .

作者简介：贺仁龙 (94 )男，士， 18 -,硕经济师，研究方向：电信企业管理；宇航(97 )男，叶 17一，硕士，工程师，研究方向：业数据管理；企赵晓康(9 5 )男， 16 -,博士，教授，研究方向：企业战略、商业模式等。

2 1 6月 0 1年

贺仁龙，:等电信企业客户细分模型构建与应用研究

19 4

分成若干客户群，依据分群结果对客户群进行特征并

则或分类器对整体客户进行细分的方法。分类规则通常是根据市场现状、业务经验和统计分析结果来构建

刻画的模型。其目的是使得同一群内的客户特征非常相似，不同群间的客户特征差异较大。客户细分模型的输出结果为分群标签，标识每个客户所属的群

的；器通常是借助有监督的分类算法 (决策树分类如和判别分析等 )来构建的。此分类方法一般建议用决策树算法。b聚类算法： .聚类分析是一种无监督学习

以及群特征刻画。可

以帮助电信企业了解客户的人口 统计数据、客户偏好、消费行为、险模式以及利润水风平的多样性。

的数据挖掘算法，其分类规则事先不能确定。而是首先定义客户之间的相似度，后按照客户之间相似度然的大小逐一归类的方法。此方法建议采用 K Men— as

23客户细分标准 .

客户细分首先要实现“五分”

标准，即按 A P R U分级、按用户预存款分档、按用户协议期限或在网时长分期、按用户的电信消费行为分群、按用户的人口统计学或社会属性分类。客户细分依据的属性见表 1:表 1客户细分依据的属性客户细分标准客户分级标准客户分档标准属性内容

算法。c依据经验规则的算法：据业务人员已知的 .依

经验规则，过指定的属性维度对客户进行细分的方通法。如：以上提到的“分”中，级是按照客户五法分

AP R U值细分客户；分档是按照客户预存款的大小细分客户；分期是按照客户入网时长或者协议期限细分

客户拥有电信产品消费的 A P R U值客户拥有的用户的预存款的多少客户拥有的用户的在网时长，或者按照协议约定的到期时长

客户；分群是按照客户电信消费行为细分客户；分类是按照用户的人口统计学或社会属性细分客户。对于以上三种方法，当对客户的细分目标明确，但

客户分期标准

细分逻辑或规则涉及属性较多或者相关过程较复杂，难以直接提炼出清晰稳定的细分规则时，比如对易流

客户拥有：客户拥有电信产品以及产品组合使用情况——如固话、固网宽带、无线宽带、 D A手机、+ CM c

失客户和非易流失客户的划分。这种情况下，般利一用已知样本数据进行有监督学习的分类方法，现客实户细分。当需要依据客户多个消费行为指标的综合相似度来对客户群进行划分，以便从整体上洞察客户的

w上网卡、是否使用 19邮箱、星空、 8互联 I M聊天、备份服务、定位服务、全球眼等增值业务客户行为：时段通话时长/分次数、时段上网时长/分

次数/流量、叫次数/主时长、次数/漫游时长、短信/彩铃/彩信使用次数、位置变化行为、增值业务使用次数、增值内容偏好、交际圈、通话行为方式变化等客户分群标准客户费用：本地/长途/漫

游费用、无线宽带本t/￥漫游费用、手机上网费用、倍/铃/短彩彩信使用费、D C MA

消费行为模式、刻画细分客户群体轮廓时，多采用聚类分析的方法。这种划分方法的规则不是事先已知的， 而是由聚类算法通过机器学习过程获得的。当业务上已经有了相对具体的客户细分规则，务目标侧重依业据该业务规则得到具体营销和维系计划的具体目标客户清单时，一般采用类似“五分”的经验规则的方法法。

通信助理费、nr r业务使用费、增值业务使用费客户交互：询类型、询次数、查查自助语音查询次数、

投诉类型、诉次数、投网厅登陆次数、掌上营业厅访问次数、短信营业厅访问次数、号码百事通访问次数、关怀类型、各渠道关怀次数、各渠道客户响应/参与次数等

3客户细分模型的应用及客户行为特征分析 3 1数据理解与数据准备客户细分观察期的数 .

自然属性：户的人口统计学特征：客如年龄、性别、收入、婚姻状况、是否有子女、所在的地理位置等

客户分类标准

社会经济特征：如收入、教育程度、职业等

据，通常为 3个月至 1年内数据。在实施 A省电信企业政企客户细分项目时，们抽取了 A省电信企业我20 0 8年 1~ 0 9年 2月的政企“ 2月 2 0一线户”客户的数据，中“线户”念是，其一概仅有一部直线电话且无

个性及生活方式特征：如个性、态度、、兴趣观点、活生方式等

客户细分是客户分析和管理的基础，也是精确营销和维系挽留的基础。可以应用于覆盖客户全生命周

C nr设备非公话、 et x e非公免的政企 c D E类客户，、、且三个月都有开账记录。

期的营销与维系过程，包括增值业务推荐、价值业务高推荐、存费维系、客户关怀、户挽留及赢回等。可以客针对不同的客户细分群体特征刻画的差异，匹配或制定相适合的针对性营销及维系方案，展符合客户特开征的有针对性的、个性化的服务与关怀，提高精确营销及维系挽留的成功率和客户的响应率。 2 4模型算法应用客户细分模型主要用到的算 .

字段包括客户基本资料、产品、营销活动、费用、通话行为和固移通话行为数据，于基础数据，生大并基产量的累计值、平均值、占比

等衍生数据，如长途总时长、 长途平均市场和长途通话市场与通话总是长比，表如2所示。

宽表中属性数量十分庞大，需要根据数据实际状况，约简宽表的属性，最终确认参与建模的变量。通常的步骤是首先需要舍弃众数高于 9%的属性；后根 5然

法有：. a分类算法：分类分析是通过分析抽样客户的特征，构建客户细分的分类规则或分类器，用分类规再应

-

10 5

情

报

杂

志

第3 0卷

据皮尔逊相关性分析去除冗余属性，具体为对高度相表 2客户细分模型一宽表字段示例

的连续属性，根据属性的实际分布情况，采取区间标度的数据变换方法进行归一化转换处理。最终参与建模的细分变量如表 3所示。

3 2客户行为特征分析 .

本文构建细分模型，采用

了政企客户的行为一价值 (—细分模型， B V)即从价值和行为两维属性分别对客户进行细分，然后将行为客户群和价值客户群在行业与价值二维空间进行叠加， 找出含有价值和行为两维属性共同特征的客户群，并对客户价值一为细分的结果进行特征刻画，出客行找户的显著特征，具体的算法选择 K- en, M as参数 K值为 5算法迭代为 10次，, 5最终结果如表 4所示。表 4客户细分模型结果

渤 群一为电信长途偏好型，共有 3 6个客户， 26 1占

总客户数的 3 . 1,户平均 A P 36%客 R U值 19月， 4 略高于总体的 19元，总体收入贡献略高于其客户 3对规模贡献，对系数为 10,本地通话时长仅 16相 .7其 8

分钟，远低于总体水平 2 2分钟， 3为各群最低，图 2如 所示。群一客户偏好电信长途，电信传统长途时长其为 3 .6分钟， 52电信 I P长途时长为 9 3 .2分钟，为总均体水平的 2以上，倍为各群最高；反，相异网 I P长途时长仅为 10 .8分钟，显著低于总体值 1 . 8分钟， 19传统电信长途、电信 I P长途和异网 I P长途的时长在长途表 3客户细分模型一建模变量

总时长中的占比分别为 7%,0,%;途通话时 8 2% 2长

长中有 7 .4 9 5%呼往同一区号，占比远高于总体水平的 3.1, 56%呼往该方向长途时长达 3 .9分钟，出 02高

一口

总体一倍以上，为各群最高。

蓐地时长

匿话 电信一

长诠碍出时.}∈总时长

图 2客户群一的价值行为特征

群二为本地本网固移通话突出型，共有 70 5个 1

客户，占总客户数的 7 2%;客户平均 A P .2 R U值 10 5

元/,月比总体水平高 1, 0元对总体收入贡献略高于其客户规模贡献，相对系数为 10,中本地通话时长 .8其关的属性采取完全剔除的方法，显著相关的属性结对合业务人员的实际经验进行部分剔除；最后对数值型

为 27分钟， 9显著高于总体水平 2 1 3分钟， 5群中排在名第二，相对的长途通话总时长仅 2 .3分钟， 44比总体

2 1年 6月 01

贺仁龙，:等电信企业客户细分模型构建与应用研究∞ 0 O O O 0 0 0 如 5

姗湖聊 im蓦 卯0

5 11

少 84分钟，图 3所示。群二的客户，固定电话与 .如其本地本网的手机通话最突出，固话与最热 3部本地本

的双向时长之和为 6 9分钟，中 6其 8分钟为固话呼往手机，均显著高于总体水平的 3 0和 2 8分钟。布地总时长

网手机之间的通话总时长为 2 . 4分钟，著高于总 73显体水平 7 5 .7分钟，中固话呼往这三部手机的时长为其1.6分钟， 74占固话呼出总时长的 80%, . 1显著高于总

体水平 17%, .1为各群最高。本地时任

-

一

总目} 一 一—— _

图 5客户群四的价值行为特征…一一

● _

-怒手…垦机时长

一一爨跫毛一

望塑

帐

【呵{茹积I

一

群五为大众低端型，有 3 7共 52 2个客户，占总客

茹

户数的 3 .%, 63客户 A P R U值 10 8元/, 2.月对总体的收入贡献为 3 .%,对系数为 0 8,图 6所示。 14相 .7如

一

铷鳓二∞ 图 3 户的价值行为特征客群

0

群五的客户，其本地话务量少，途话务量少，长且长途黝 r㈨ 宕 ∞ 0 方向最不集中，价值贡献最低。。

群三为异网长途偏好型，共有 16 5个客户， 22占总

本地

客户数的 1.2, 30%客户 A P R U值 17元/为各群最 6月高，比总体多出 2 8元/,月对总体的收入贡献大于其客

户规模

贡献，对系数为 11,图 4所示。群三的相 .9如客户，偏好选择异网长

总}自费

二 ~锗 酣一一嚣~一最热 毕j 枇酣呓棚本阿觯 长途最热。

圜一蠹薹嚣囊 …一一~~长途最热呼最

J嚅清。∞

一

图 6客户群五的价值行为特征

一

一器莨]对

l二i口一二 j一长 广 i =长■时 I图 4客户群三的价值行为特征

~~桃 栩熟

向勰机手 机向

4总结与展望 本文基于先进的数据挖掘建模实施方法，剖析电

信企业客户信息特征，建立起电信企业的客户细分模型。客户细分模型能输出分群标签，并标识每个客户

I P长途通话，网 I异 P长途时长达到 8 5分钟，著显

所属的群，为基础再进行统计分析，画各个客户以此刻群的特征。这样我们就能得出每个客户群的特征，即

高于总体水平 1 2分钟，且异网 I P长途时长在长途总

时长中占比最高， 9 .%,电信传统长途时长和为 41而电信 I P长途时长则为各群最低， 4 3为 .8分钟和 0 9 .2分钟，仅长途总时长的 59。 .%

是客户群中的每个客户行为、价值特征，有利于电信企业针对目标客户群开展精确化的营销活动。参考文献

群四为固移通话突出型，共有 950个客户， 8占总客户数的 9 8%, .6长途总时长 1分钟， 1本异网时长比

[] ( )t eH br a著； 1美 S v, oe n贾爱霞， e m程

耀译 .数据建模一分析与

设计的工具和技术[ . M]机械工业出版社，04 2 0 2 6 20:—5 3

为 1:, 3 1平均在网时长 5 . 4 5个月，著低于总体水平显6. 5 4个月，客户 A P R U值 12月， 3元/略低于总体水平，

[]李益强， 2漆晨曦.基于数据挖掘的电信客户细分研究析[]广 J.东通信技术， 0:— 5 2 5 1 1 0 2[]陈金波. 3面向电信 C M的数据挖掘应用研究[]南京： R j.东南大学， 0 2 7 0(编：责白燕琼 )

对总体的收入贡献小于其对客户数规模的贡献，相对系数为 09, . 5如图 5所示。群四的客户，偏好固移通话，与手机间的通话时长突出，固话与最热三部手机间

本文来源：https://www.bwwdw.com/article/bx1i.html