基于數(shù)據(jù)挖掘?qū)移動(dòng)公司數(shù)據(jù)業(yè)務(wù)匹配模型的研究

1、基于數(shù)據(jù)挖掘?qū)移動(dòng)公司數(shù)據(jù)業(yè)務(wù)匹配模型的研究    摘要：電信行業(yè)競(jìng)爭(zhēng)激烈，而營(yíng)銷環(huán)境的變化使得業(yè)務(wù)的發(fā)展面臨的重重的挑戰(zhàn)，文章將結(jié)合電信行業(yè)的實(shí)際，打破以往單一模型分析數(shù)據(jù)業(yè)務(wù)的方式，通過(guò)結(jié)合數(shù)據(jù)挖掘的方法構(gòu)建多個(gè)模型對(duì)數(shù)據(jù)業(yè)務(wù)進(jìn)行分析，得出客戶業(yè)務(wù)的推薦指數(shù)，完善X移動(dòng)公司的服務(wù)模式。    關(guān)鍵詞：匹配模型 類型偏好模型 關(guān)聯(lián)分析 因子分析     隨著移動(dòng)電話市場(chǎng)普及率的提高，電信市場(chǎng)的競(jìng)爭(zhēng)日趨白熱化，電信業(yè)務(wù)如彩鈴、無(wú)線音樂(lè)俱樂(lè)部、飛信、手機(jī)郵箱、手機(jī)證劵、天氣預(yù)

2、報(bào)、手機(jī)報(bào)、手機(jī)視頻、手機(jī)游戲、號(hào)碼管家、來(lái)電提醒等的營(yíng)銷也面臨著諸多挑戰(zhàn)：一是市場(chǎng)競(jìng)爭(zhēng)日益強(qiáng)烈。電信重組為移動(dòng)公司帶來(lái)更多機(jī)會(huì)與挑戰(zhàn)，如何利用有限的營(yíng)銷資源盡可能的占領(lǐng)、擴(kuò)大、鞏固市場(chǎng)成為關(guān)鍵。二是管理制度日益規(guī)范。移動(dòng)集團(tuán)為規(guī)范經(jīng)營(yíng)服務(wù)行為，充分保障廣大客戶權(quán)益,在全公司實(shí)施中國(guó)移動(dòng)客戶服務(wù)“五條禁令”，嚴(yán)格營(yíng)銷活動(dòng)的開(kāi)展尺度，增加了各省公司的營(yíng)銷難度。三是產(chǎn)業(yè)轉(zhuǎn)型帶動(dòng)營(yíng)銷模式轉(zhuǎn)變。新業(yè)務(wù)種類繁多，根據(jù)產(chǎn)品特性尋找目標(biāo)客戶的傳統(tǒng)營(yíng)銷模式越來(lái)越無(wú)法適應(yīng)“以客戶為中心”的個(gè)性化營(yíng)銷需求；挖掘客戶潛在需要，提供定制化的產(chǎn)品服務(wù)包的營(yíng)銷模式成為必須。四是消費(fèi)者維權(quán)意識(shí)增強(qiáng)。隨著社會(huì)的發(fā)展，消費(fèi)者對(duì)

3、個(gè)人隱私和人權(quán)意識(shí)逐步增強(qiáng)，簡(jiǎn)單粗暴地主動(dòng)營(yíng)銷方式不僅會(huì)對(duì)客戶造成打擾，甚至?xí)l(fā)客戶逆反心理，對(duì)企業(yè)造成負(fù)面的影響。為了應(yīng)對(duì)挑戰(zhàn)，本文講打破以往用單一模型分析模式，使用Clementine 11.1數(shù)據(jù)挖掘工具，并結(jié)合數(shù)據(jù)挖掘的方法構(gòu)建數(shù)據(jù)關(guān)聯(lián)模型、類型偏好模型和匹配模型，得出客戶業(yè)務(wù)的推薦指數(shù)，完善移動(dòng)公司的服務(wù)模式。一、理論介紹1.數(shù)據(jù)挖掘數(shù)據(jù)挖掘，就是從存放在數(shù)據(jù)庫(kù)，數(shù)據(jù)倉(cāng)庫(kù)或其他信息庫(kù)中的大量的數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過(guò)程。12.關(guān)聯(lián)分析（1）關(guān)聯(lián)分析的定義關(guān)聯(lián)分析是指如果兩個(gè)或多個(gè)事物之間存在一定的關(guān)聯(lián),那么其中一個(gè)事物就能通過(guò)其他事物進(jìn)行預(yù)測(cè)

4、.它的目的是為了挖掘隱藏在數(shù)據(jù)間的相互關(guān)系。（2） 關(guān)聯(lián)規(guī)則挖掘的過(guò)程首先，連接數(shù)據(jù)，進(jìn)行數(shù)據(jù)準(zhǔn)備；其次給定最小支持度和最小可信度，利用數(shù)據(jù)挖掘工具提供的算法發(fā)現(xiàn)關(guān)聯(lián)規(guī)則；最后，可視化顯示，理解和評(píng)估關(guān)聯(lián)規(guī)則。（3）Apriori算法2Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，簡(jiǎn)稱頻集。 3.因子分析因子分析是根據(jù)其相關(guān)程度將多個(gè)實(shí)測(cè)變量轉(zhuǎn)換成相互之間互不關(guān)聯(lián)或關(guān)聯(lián)性很低的綜合指標(biāo)的統(tǒng)計(jì)方法。它主要是解釋在總變動(dòng)中各因素的影響程度和計(jì)

5、算在總變動(dòng)中各因素變動(dòng)所占的份額（即貢獻(xiàn)率）。二、模型的構(gòu)建1.建模準(zhǔn)備數(shù)據(jù)庫(kù)中有些入網(wǎng)的客戶中不乏有一年反復(fù)入網(wǎng)兩次或兩次以上的用戶（即跳蚤用戶），還有許多為了完成既定或階段性的銷售目標(biāo)的用戶（即自養(yǎng)增收用戶），還有一些客戶為了提高渠道評(píng)級(jí)，獲取更高級(jí)別的星級(jí)評(píng)定及相應(yīng)補(bǔ)貼（渠道養(yǎng)卡用戶）等，這些用戶都屬于無(wú)效業(yè)務(wù)用戶。所以，在數(shù)據(jù)庫(kù)選取數(shù)據(jù)時(shí)應(yīng)將這些用戶進(jìn)行剔除。根據(jù)X移動(dòng)的內(nèi)部資料，通過(guò)分析客戶的特點(diǎn)，根據(jù)用戶交往圈、通話行為模式、終端IMEI等判定從入網(wǎng)的客戶。此外對(duì)于渠道養(yǎng)卡的用戶，可以根據(jù)客戶使用的產(chǎn)品、ARPU、主叫時(shí)長(zhǎng)、用戶狀態(tài)、消費(fèi)情況等進(jìn)行判斷，一般若客戶使用無(wú)月租的產(chǎn)品、

6、在網(wǎng)時(shí)長(zhǎng)不超過(guò)3個(gè)月、ARPU不低于5月等疑似養(yǎng)卡的號(hào)碼，提取數(shù)據(jù)時(shí)應(yīng)將其剔除。其中數(shù)據(jù)來(lái)源于X移動(dòng)公司的數(shù)據(jù)庫(kù)。2.建模分析（1）數(shù)據(jù)業(yè)務(wù)的關(guān)聯(lián)模型數(shù)據(jù)業(yè)務(wù)的關(guān)聯(lián)模型主要是使用了Apriori作為關(guān)聯(lián)模型的基本算法，挖掘數(shù)據(jù)業(yè)務(wù)之間的關(guān)聯(lián)關(guān)系。 模型的具體步驟如下：第一，從X移動(dòng)公司數(shù)據(jù)庫(kù)導(dǎo)出相關(guān)的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行缺失值處理、數(shù)據(jù)的標(biāo)準(zhǔn)化等處理。第二，設(shè)置建模參數(shù)，本文中的支持度是指訂購(gòu)前項(xiàng)業(yè)務(wù)的用戶在所有用戶中的比例；置信度是指訂購(gòu)了前項(xiàng)所示業(yè)務(wù)的情況下，訂購(gòu)后項(xiàng)業(yè)務(wù)的概率。本文設(shè)置支持度閾值為0.06%，置信度閾值為1%。第三，運(yùn)行后得到部分結(jié)果如表1所示:表1 關(guān)聯(lián)規(guī)則示例表 關(guān)聯(lián)規(guī)

7、則示例后項(xiàng)前項(xiàng)支持度置信度Music_club_mark=1Cailing_mark=1 and mms_mark = 1 and mont_sms_mark=10.33%38.43%從表1的分析結(jié)果我們可以看出，在樣本用戶中有0.33%的用戶同時(shí)是彩鈴、彩信、夢(mèng)網(wǎng)短信和無(wú)線音樂(lè)俱樂(lè)部的活躍用戶；在同時(shí)是彩鈴、彩信、夢(mèng)網(wǎng)短信活躍用戶中，38.43%的用戶同時(shí)是無(wú)線音樂(lè)俱樂(lè)部的活躍用戶；即規(guī)則（彩鈴+彩信+夢(mèng)網(wǎng)短信）活躍用戶和無(wú)線音樂(lè)俱樂(lè)部活躍用戶的置信度為38.43%。第四，模型進(jìn)行驗(yàn)證將5、6月新增用戶與模型預(yù)測(cè)的目標(biāo)客戶進(jìn)行比對(duì)，得到模型的查全率、提升度等指標(biāo)，以評(píng)價(jià)新業(yè)務(wù)模型的效果。其中

8、，候選用戶是指4月某項(xiàng)制定新業(yè)務(wù)的未定購(gòu)用戶；篩選用戶是根據(jù)模型預(yù)測(cè)為某項(xiàng)指定新業(yè)務(wù)的營(yíng)銷目標(biāo)用戶；新增活躍用戶是指候選用戶在5、6兩個(gè)月新增為某項(xiàng)指定新業(yè)務(wù)活躍用戶；查全率為篩選用戶中新增活躍用戶數(shù)/候選用戶中的活躍用戶數(shù)；提升度為查全率/篩選用戶比例。查全率和提升度呈反比的關(guān)系，即查全率越高，提升度就越低。通過(guò)計(jì)算各業(yè)務(wù)的查全率和提升度可知，模型總體效果較好，對(duì)業(yè)務(wù)進(jìn)行匯總，模型篩選了22.5%的候選用戶（按人次計(jì)算），查全率為62.6%，提升倍數(shù)為2.8倍。并且模型對(duì)于彩鈴、飛信等成熟型業(yè)務(wù)預(yù)測(cè)效果很好，查全率較高，提升效果明顯。但是手機(jī)視頻、手機(jī)游戲等導(dǎo)入期業(yè)務(wù)由于活躍用戶少，關(guān)聯(lián)關(guān)系

9、未體現(xiàn)出來(lái)，模型查全率較低。 結(jié)論 綜上，關(guān)聯(lián)規(guī)則模型適用于已經(jīng)發(fā)展成熟，客戶群已經(jīng)體現(xiàn)明顯特征的業(yè)務(wù)之間關(guān)聯(lián)關(guān)系的預(yù)測(cè)，查全率較高，提升效果明顯。但是不適用于導(dǎo)入期業(yè)務(wù)。導(dǎo)入期用戶量很少，與其他業(yè)務(wù)的關(guān)聯(lián)特征不明顯；并且用戶主要由于初期營(yíng)銷活動(dòng)刺激等原因，可能并非為真正需要或者感興趣的用戶。因此我們引入了數(shù)據(jù)業(yè)務(wù)類型偏好模型。數(shù)據(jù)業(yè)務(wù)的類型偏好模型數(shù)據(jù)業(yè)務(wù)類型偏好模型是根據(jù)用戶某業(yè)務(wù)使用情況評(píng)估用戶對(duì)某業(yè)務(wù)的偏好程度，采用100分制進(jìn)行評(píng)     分。類型偏好計(jì)算過(guò)程：第一，業(yè)務(wù)類型劃分。根據(jù)業(yè)務(wù)屬性和所滿足的用戶需求對(duì)業(yè)務(wù)進(jìn)行分類，并鑒別業(yè)務(wù)之間的關(guān)系，區(qū)分互補(bǔ)或替代型業(yè)務(wù)。第二，業(yè)務(wù)分等評(píng)分。根據(jù)業(yè)務(wù)訂購(gòu)/非訂購(gòu)，活躍/非活躍情況分別賦予不同評(píng)分，并對(duì)于可以衡量業(yè)務(wù)使用程度的，根據(jù)客戶使用程度的分布劃分檔次，評(píng)定不同的分?jǐn)?shù)。第三，類型評(píng)分匯總。同一業(yè)務(wù)不同指標(biāo)之間賦予不同權(quán)重，得出單一業(yè)務(wù)的評(píng)分，不同業(yè)務(wù)之間采取逐級(jí)衰減的方式評(píng)分，同一類型各個(gè)業(yè)務(wù)評(píng)分匯總