基于KXEN的电信客户分群研究

2010-05-13蔡秋茹,柳益君,罗烨,叶飞跃

现代电子技术 2009年20期

蔡秋茹,柳益君,罗烨,叶飞跃

摘要:电信业是典型的数据密集行业,数据挖掘应用开发对电信企业的发展有重要意义。其中,客户分群可以准确认识客户总体构成,使得服务和营销更具针对性。在此以常州市电信企业为例,利用商业数据挖掘自动化软件KXEN给出电信客户分群的解决方案。实践证明,利用KXEN软件不仅大量减少了建模时间,而且得到的解决方案是成功有效的。

关键词:数据挖掘;电信企业;客户分群;KXEN软件

中图分类号:TP31113文献标识码:A

文章编号:1004-373X(2009)20-097-03

Research on Telecom Customer Segmentation Based on KXEN

CAI Qiuru,LIU Yijun,LUO Ye,YE Feiyue

(Jiangsu Teachers University of Technology,Changzhou,213001,China)

Abstract:Data mining application is very vital for Telecom.Customer segmentation can analyze customer composition and promote serve quality.In this study,a resolution of customer segmentation for Changzhou Telecom in Jiangsu province is proposed based on the commercial automatic data mining tool KXEN.Results show that KXEN saves much modeling time and the resolution is efficient.

Keywords:data mining;telecom;customer segmentation;KXEN software

0 引言

随着计算机技术的飞速发展,尤其是数据库技术的普及,人们面临着日益扩张的数据海洋,原来的数据分析工具已无法有效地为决策者提供决策支持所需要的相关知识,从而形成一种独特的现象“丰富的数据,贫乏的知识”。数据挖掘又称为数据库中知识发现,它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。目的是在大量的数据中发现人们感兴趣的知识 [1-3]。

电信业是典型的数据密集行业,利用数据挖掘得到有用的知识,能更好地向用户提供服务,发现更多的商机。电信的数据挖掘应用开发,主要包括客户分群、客户流失分析、客户发展分析、客户行为分析等专题分析。客户分群意指根据一个或多个客户属性组合把所有客户划分成不同的类,同类内的客户具有最大的相似性,异类间的客户具有最大的差异性。通过对客户合理的类别划分,并对当前客户以及预期的客户群做区段分析,判断不同区段的突出特点,对客户总体构成有准确的认识,对客户的服务和营销更具针对性[4-7]。对客户分群可以达到如下目标:

(1) 了解客户的总体构成;

(2) 了解各种客户价值的客户群体特征;

(3) 了解流失客户的客户群体特征;

(4) 了解客户群体的消费特征;

(5) 了解各信用等级的客户群体特征。

客户分群后的结果可应用于:对不同价值分段的客户进一步分析以了解各个分段的客户组成;对流失倾向高的客户进一步细分以采取不同的挽留策略;对交叉销售的目标客户进一步细分以采取不同的行销策略。

常用的数据挖掘技术包括关联分析、异类分析、分类与预测、聚类分析以及演化分析等。其中,聚类分析可以解决客户分群问题。

1 KXEN特点分析

KXEN是三大数据挖掘软件(SAS/EM,KXEN,SPSS/Clementine)之一,与其他两者不同,KXEN专注数据挖掘的高端技术,是面向结果、而不是面向方法的。用户不需要专业的统计学背景和机器学习的理论,而只需要知道数据和分析的问题,对于每种问题,KXEN都提供一种简单的解决方案。商业数据挖掘自动化软件KXEN具有以下特点[8,9] :

(1) 在数据准备阶段,KXEN可以自动处理缺失值、奇异值、进行自动化编码。KXEN独特的预处理编码技术和特征选择方式,大量减少了建模时间。

(2) KXEN在建模时不用额外的磁盘空间来存储数据,数据直接在数据仓库内部处理,很好地利用了数据仓库的性能,节省硬件成本,符合现在的Knowledge Discovery in Database的理念。

(3) KXEN共有四个模块(稳健回归、聪明分群、关联规则和时间序列)来解决所有的商业数据挖掘问题。一个商业问题只有一种算法,因此不需要用户选择算法。所有算法都基于Vapnik的结构风险最小化(Structured Risk Minimization)理论。

(4) KXEN进行自动建模,不需要进行模型的参数设置,KXEN引擎采用结构风险最小化理论,找到最佳模型。

(5) 结果的可解释性。KXEN所有组件的设计都使之对最终用户呈现有意义的结果。

由于上述特点,KXEN改变了传统的数据挖掘方法,数据准备时间从以前的占整个建模周期的70%到现在的几乎不用花时间(见图1和图2)。而KXEN的模型与传统工具创建的模型一样精确健壮。

图1 传统的数据挖掘方法

图2 基于KXEN的数据挖掘方法

2 实例研究

2.1 业务问题

电信运营商定义的客户分群的商业目标是“对市数十万公众客户,从价值和行为的分析维度进行客户分群,以了解不同客户群的消费行为特征,为发展新业务、流失客户保有、他网用户争夺的针对性营销策略的制订提供分析依据,并实现企业保存量、激增量的战略目标”。将此商业目标转化为数据挖掘的可行性方案:从价值和行为维度,考察客户业务拥有与使用、消费行为变化、他网业务渗透等方面属性,采用聚类分析的数据挖掘技术对研究的目标客户进行客户分群,对各客户群进行特征刻画和属性分析,为针对性营销确定目标客户群,并根据客户群属性和营销目标量体裁衣制订恰当的营销方案。

2.2 应用分析

这里在常州选择了营销服务相对薄弱的小型商客作为目标客户群,取得目标客户群的近一年的相关数据。其中小型商客是指客户有1,2门电话、小灵通的客户,不包含已经安装宽带的客户,有效小型商客为23 074户。基础表涵盖了以下数据:

(1) 用户及客户的基本信息:包括客户身份信息、联系方式、产品拥有情况、入网时长、服务开通情况、优惠套餐信息、客户服务信息(投诉、咨询、催缴情况)等;

(2) 价值信息:包括业务月租费、使用费、优惠费用及增值业务、新业务、信息费和卡类、结算费用、缴欠费信息等;

(3) 行为信息:包括时长、次数、跳次、发话不同号码数、时长集中度、次数集中度等。

KXEN软件分群采用结构风险最小化的K-Means算法实现。这里使用KXEN软件从价值纬度(V)将客户分为6个价值分群,从行为纬度(B)将客户分为5个行为分群。其中参加分群的V变量有21个,B变量有15个。然后对V变量按总费用进行群排序,形成VB矩阵交叉图(见图3和图4)。在组成的交叉矩阵中选出1 000人以上的8个战略客户群SS1-SS8,共有客户17 128户,占总客户的比例为74.23%。

图3 客户群VB矩阵交叉图

图4 小商客战略群(SS1-SS8)矩阵图

根据分群结果,计算出每个群的平均收入进行客户价值分析:

ARPU=客户群总收入/m

式中:m为该群客户人数,ARPU(Average Revenue Per User)为每用户平均收入。图5是各群分布气泡图。图5中气泡的大小代表客户数的多少。SS7,SS8客户群最大。横轴方向越靠右,表明客户价值越高。SS1,SS2,SS3群为高值的小商客;SS7,SS8为低值小商客。纵轴表明客户的消费趋势值情况,横轴以下为下降趋势,偏离越多,下降值越大。SS2群下降最多,SS1上升最为明显。

以中值下降的SS6战略客户群为例进行特征分析,可得到该群特征如下:

(1) 群为中值下降群,ARPU值为93.35元。总费用趋势下降较明显,月均下降5.28元,各项费用均呈下降趋势。

(2) 该群客户为长话低值客户,长话主要使用传统长途。

(3) 使用他网卡较多,但他网IP卡下降趋势明显。SS6群使用非电信卡消费均值最高,长话流失严重。

针对上述情况,采用的营销策略是用超级IP、商务行、17908卡等有针对性地开展策反工作。

图5 小商客战略群(SS1-SS8)分布气泡图

3 结语

数据挖掘可以对大量数据进行自动分析,学习新的潜在模式。聚类分析能够解决客户分群问题,从而应用于电信目标市场营销[10]。在此采用数据挖掘工具KXEN,并依据其方法给出一个电信客户分群的解决方案。实践证明这里提供的电信目标市场营销客户分群的解决方案是成功有效的。

参考文献

[1]张建萍,刘希玉.基于聚类分析的K-means算法研究及应用[J].计算机应用研究,2007(5):166-168.

[2]朱明.数据挖掘[M].2版.合肥:中国科学技术大学出版社,2008.

[3]Olson D,石勇.商业数据挖掘导论[M].吕巍,译.北京:北京机械工业出版社,2007.