信令大数据技术在精准营销中的应用

王浩宇，孙启明，胡　凯

(北京邮电大学 经济管理学院，北京　100876)



·通信管理·

信令大数据技术在精准营销中的应用

王浩宇，孙启明，胡凯

(北京邮电大学 经济管理学院，北京100876)

在大数据时代背景下，以数据挖掘精确识别用户，逐步培养市场营销对大数据应用的习惯，细分用户需求，推送差异化业务，实现精细化营销已成为未来决定企业竞争成败的关键。对信令大数据的概念和特点进行归纳，进而将信令大数据按用户基本属性、电信属性和移动互联网行为属性进行分类，并分析各属性数据在精准营销中的应用，结合实际应用场景总结了基于信令大数据商务的用户标签体系和应用、用户-产品-渠道适配与推荐以及营销追踪循环三大精准营销应用模式，对将信令数据中的用户个人和消费数据进行数据挖掘并归纳分类后，再进行有针对性的营销策略，可以有效地帮助企业降低营销成本，提高效率，在提高客户用户体验的同时也拓宽了自身业务的发展空间。

信令；大数据；精准营销；数据挖掘

一、引　言

随着互联网和移动互联网的迅猛发展，网络已经深入到人们生活的各个领域，为人们带来了极大的便利，而由此产生诸如个人信息、位置信息、浏览记录和消费记录等在内的海量消费者数据，在企业探索顾客购买需求和偏好、改进产品设计、制定营销策略和提供增值服务等方面发挥着越来越重要的作用。未来商业营销已经与大数据分析的发展密不可分，谁掌握了更为先进的大数据分析方法，并与营销模式有效结合，谁就在未来的竞争中立于不败之地。在这一背景下，现代营销之父菲利普·科特勒[1]提出精准营销的概念，认为应该更多地依托计算机信息技术等先进的手段建立与顾客的沟通服务体系，精准定位潜在用户，通过集中资源向有潜在需求的用户进行有针对性的营销活动，实现低成本、高效率的营销效果。针对大数据精准营销的研究方面，Zabin[2]认为企业缺乏有效掌握用户的消费数据来进行经营活动的能力，并对精准营销的概念和基本模式进行了分析；Leppaniemi[3]则利用消费者数据进行分析来实现对用户的广告精准投放；时炼波等[4-5]学者从精准营销的概念、发展现状、存在问题以及对未来商业模式的冲击等方面进行了分析；金晓彤[6]基于大数据提出联动式数据库营销模式，并以一汽大众公司为例分析了该营销模式对于打造新的商业生态系统方面的重要意义；秦洋[7]则分析了大数据环境下电信运营商电子商务营销模式创新与发展；龚映梅[8]分析了大数据对云南农产品营销方面带来的影响，并构建了大数据环境下农产品精准营销模式。推动精细数据大应用，通过完善用户标签体系做业务数据中心，以数据挖掘精确识别用户，逐步培养市场营销对大数据应用的习惯，细分用户需求，推送差异化业务，实现精细化营销已成为未来决定企业竞争成败的关键,而目前针对大数据下的精准营销模式研究还相对偏少，且研究内容大多侧重于单方面的营销方案，存在缺乏系统性且应用研究不够深入等问题。现通过对信令大数据和信令大数据技术的概念和特点进行总结，将信令大数据按用户基本属性、电信属性和移动互联网行为属性进行分类，并分析各属性数据在精准营销中的应用，最后总结了基于信令大数据进行精准营销的三大模式，以期帮助企业摒弃以往大规模广告投放式的营销模式，转而实现个性化、针对性的精准营销发展模式，降低成本、提高营销效果。

二、信令大数据技术初探

1.信令大数据概念与特点

通讯设备之间任何实际应用信息的传送总是伴随着一些控制信息的传递，它们按照既定的通讯协议工作，将应用信息安全、可靠、高效地传送到目的地。这些信息在计算机网络中叫做协议控制信息，而在电信网中叫做信令(Signal)。英文资料还经常使用“Signalling”(信令过程)一词，但大部分中文技术资料只使用“信令”一词，即“信令”既包括“Signal”又包括“Signalling”两重含义[7]。大数据是一个高度抽象化的概念，从字面上看是指具有庞大体量的数据，对于它的定义则存在各种不同的理解。著名研究机构Gartner认为“大数据”是需要通过创新方法进行处理才能具有科学的决策、洞察以及流程优化能力的海量、高增长性和差异化的数字化信息资产[9]。麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面采用传统的软件和硬件进行处理无法在可接受的时间范围内完成。综合以上研究结论，可知信令大数据是由通讯网络的信令中提取并需要进行联机复杂数据挖掘方法分析的海量、高增长性和差异化的数字化信息资产。

目前对于信令大数据还没有一个公认的定义，但对比各方对于大数据的定义可以发现均来自于大数据自身特点的归纳总结。对于信令大数据的特点归纳具有代表性的是4V[10]，即认为大数据需要满足以下4个特点:①Volume(规模性)。现在的网络大数据体量一般均超过TB级，达到PB级别；②Variety (多样性)。随着网络多媒体技术的发展，现在的数字信息早已不限于文本信息，而是包括了媒体视频、图片、文字、地理位置、记录等各种格式内容；③Velocity (高速性)。由于大数据增加速度很快，因此目前对于大数据的处理能力也不断提高；④Value(低价值性)。大数据的体量庞大，但包含核心信息的数据相对较小，数据的价值密度较低。

2. 信令数据挖掘技术

信令大数据一般是通过GB OVER IP光接口分光复接方式进行采集，通过分光器分光后接入分流汇聚设备，经汇聚后发送到采集设备，采集设备负责接收各接口分光后的链路的原始信令数据，并把数据进行统计格式封装后进行信令解码分析。具体而言，信令数据的挖掘主要分为数据抽取、转换和加载；海量数据中心库存储；联机分析处理；数据挖掘和展现平台等步骤。

(1)数据抽取、转换和加载：一般采用自主开发的高效ETL工具平台，通过数据采集、存储、缺失数据增补、异常数据处理等过程，将数据从各业务平台系统数据源抽取、清洗和转换后，导入数据库，具体过程中实现了ETL抽取、转换、清洗、加载过程中的原子操作与具体业务和模型的分离。

(2)海量数据中心库存储：由GreenPlum分布式数据库构建，首先设计运营业务模型，设计模型时确保在业务系统、业务重点、分析指标与维度发生变化时保证模型的可扩展性。通过运营业务模型组合成面向经营分析主题的和相对稳定的数据集合，基于特定的主题在数据库中组合相关数据建立数据集市,形成整个分析系统的业务和实现基础。

(3)联机分析处理：使用满足大数据量的联机分析处理多维分析查询需要的应用服务器，采用 ROLAP、MOLAP等联机分析技术，根据不同的应用需求和各种分析主题，针对灵活的配置方式定义多种维度的观察形式，方便管理决策人员从各个角度观察分析数据，并进行复杂的分析工作。

(4)数据挖掘：针对上面建立的信令大数据数据库中的各类数据集合采用统计学、关联分析、机器语言、聚类的方法进行分析，从中找出隐含的联系、分类原则并对数据进行预测，对当前的营销进行评估并提供改进意见。

(5)展现平台：通过展现平台实现统一的展现门户，提供各类别报表、信息查询、EIS(主管信息系统)、数据挖掘可视化等多种信息展示方式。并可实现基于模型的展现的指标与维度动态变化，提供用户更广阔的分析数据查看视野和灵活的分析数据查看方式。

三、信令大数据类型及其精准营销应用研究

信令大数据经过数据挖掘技术进行导出和清洗后，通过信令数据统计得出每次上网用户的认证信息，用户上网所使用的时间、花费的流量，浏览的网站IP地址和内容等信息，将上述信令数据所统计的信息与用户本身的属性结合得出用户移动互联网行为统计分析表,总结用户上网行为的特征,对这些行为特征采用数据挖掘手段建立分析模型,进而分析出不同类型用户的上网特征和偏好,为针对不同人群制定精准营销方案提供数据支撑，根据移动互联网用户行为属性的不同, 可以将客户属性分为以下三类：基本属性、电信属性和基于信令的用户移动互联网行为属性[11]。如图1所示。

1. 用户基本属性

每一个用户在使用手机时都绑定了唯一的SIM卡，利用SIM卡可以查询手机用户的基本属性信息。

(1)用户的性别信息。将用户按照性别进行分类，分别对男性和女性的上网行为特征进行分析，制定出针对不同性别人群的精准营销方案。

(2)用户年龄信息。根据手机用户所处的年龄将用户群体划分为若干类型(如少年、青年、中年、老年等)，分别对各年龄段人群的移动互联网使用时长，使用偏好进行归纳分析，便于制定相应方案。

(3)用户归属地信息。对于覆盖范围较广的业务，不同地域的人群的上网行为习惯有必要进行分类分析比较，通过对各归属地的人群所使用套餐、流量花费、常用网站等方面信息的分析，可以了解当地用户的生活习惯和消费偏好等信息，对于提供针对性的营销方案有很大的意义。

(4)手机用户终端类型信息。如用户是使用智能机、非智能机；使用品牌是苹果、HTC、三星等；以及手机的终端型号、操作系统和网络制式，这些信息可以帮助我们确定用户对品牌的偏好以及收入水平等，以便制定对应营销方案。

上述分析维度可以单独进行，也可以相互组合进行关联分析，以便对于不同类型人群的网络需求进行精准定位。

2.用户电信属性

通过对用户所浏览网站的IP地址进行采集，采用文本挖掘等技术手段对用户所浏览和体验的网络信息和服务进行整理和分析，获取用户行为特征数据。

(1)用户各网络业务使用时长占比。采用数据挖掘手段对用户移动互联网业务的使用情况进行分析，得出各业务使用时长和流量占比。

(2)移动互联网用户区位使用信息分析。通过用户的手机定位信息获取用户的活动区域(如居住地、工作地点、娱乐地点等)，结合用户在各区域所产生的互联网流量和业务使用情况来获取用户的行为喜好，这些对于针对不同人群制定相应的精确营销策略来说具有重大意义。

3. 移动互联网行为属性

(1)通过对用户在一定时间段(如年、月)内所使用流量进行统计，获取用户网络消费承受力。

(2)识别用户手机使用的各类应用软件，如微信、微博、UC浏览器等，统计一天内在各软件消耗的流量、访问次数，该软件使用的下载速率、成功率等指标。

(3)识别用户的上网内容。如收集用户使用手机浏览过的网站；用户百度等搜索引擎搜索过的关键字；用户在电商浏览过的商品以及搜索过的关键字；用户观看过的视频以及用户经常上网的时间等。

(4)识别用户的位置信息。包括用户当前位置、用户当前小区归属、用户当前小区属性(高流量小区还是高话务量小区)、以及行政区分类等，这些信息有助于制定针对小区所有用户的方案。

四、信令大数据精准营销模式分析

信令大数据的精准营销应用模式主要是在法律允许以及不侵犯用户个人隐私的前提下，在征得用户同意后利用收集的用户数据进行分类，根据一类用户的共同性，赋予该群体标签；然后针对不同标签的群体的行为特点进行数据分析，得到其使用习惯和偏好，进行针对性营销策略和推荐，具体而言有以下几种模式。

1.用户标签体系建立及应用

用户标签体系是一套用户行为定性定量分析的方法，它立足于人口统计学、用户行为以及内容数据定向体系，采集多接口的网络数据，辅以经营消费数据，依托科学有效的模型运行。主要目的是探究用户的行为和偏好以便了解用户的特征属性及画像视图，帮助用户认知。用户标签体系一般包含业务、位置、终端等多维标签属性，每个维度下形成细分标签。

(1)标签分类

用户标签体系是通过多维度数据包括业务使用行为数据、上网行为数据、位置数据、时间数据等对用户的基本属性和行为偏好进行定义，进而根据业务营销取数口径精准需求建立标签体系。主要标签分类如下：

① 基本属性标签：通过对用户性别、年龄、收入、学历等进行分析，从多个角度了解用户的特征和习惯。

② 内容标签：用户手机上网浏览的网站形成的标签。

③ APP标签：用户手机使用APP形成的标签。

④ 分类标签：根据业务一级和二级分类形成的标签。

⑤ 终端标签：与终端相关的标签，包括终端类型(智能和非智能)、操作系统类型。

⑥ 位置标签：基于区域，例如生活圈、工业区；轨迹变化、漫进漫出、与位置轨迹相关的标签。

⑦ 关键字标签：根据热点事件用户搜索相关的关键字形成标签，以用户搜索的TOP N的形式展示。

⑧ 时间标签：用户0～24点上网时段、工作日和非工作日、闲时和非闲时和上网频次等信息标签。

⑨ 流量标签：按月套餐分类、按日档次分类形成标签。

⑩ 渠道标签：根据用户接触渠道定义，用于营销推广渠道组合分析。

通过对每个用户使用GPRS/3G业务的行为习惯进行分析挖掘，提取出每个用户的上述标签信息，从用户的手机、常用上网小区、常用网址、常用手机端软件、常用联系人/次数等进行描述，建立用户画像库。通过用户画像库可以根据营销需求进行有针对性地业务营销分析挖掘，实现精确营销到用户、到用户群。

(2)用户标签应用模式

用户标签应用是通过提取出每个用户的标签信息，获取用户对互联网各业务的使用时间分布情况，将用户的个人喜好、特征等大数据进行分析，进而对新涌现的业务，与自有业务相关的竞争业务进行分析，实现全网网站与内容的全盘掌握，此外还可以指导营业厅等线下营业场所进行销售活动。具体而言主要有以下几种。

① 业务引导与推荐

网络运营商可以通过分析办理相同业务的号码人群的特征，提取对业务存在偏好的人群的关键特征标签，在全网用户中进行特征标签组合并导出号码，形成新的目标用户号码清单，便于业务推荐活动的精确推送。例如，可以根据用户在网络下载软件的搜索内容，如“植物大战僵尸2”“如何导入电话号码”等关键字时，向用户推荐移动MM相应的业务，此外对同类标签用户的近似使用业务分析，将关联业务进行捆绑推荐，如向游戏爱好者圈子推荐受欢迎的游戏手机等。此外电信运营商可以根据现有手机套餐业务近三个月ARPU值以及流量值，跟其余套餐进行匹配，如果有套餐消费值可以优化的用户，则推荐转换业务。

② 社交网络分析

以微信、微博等主流社交平台举例，可统计并且分析固定区域和时域内用户的微信、微博业务使用情况，包括微博用户分析、文本内容分析、活跃度分析、星座分析、性别数据分析等方面，以了解用户的微博业务使用行为特征和习惯。针对不同的人群可以选择是否进行社交网络营销活动。

③ 终端分析与推荐

可统计选定区域、时域内用户的终端使用情况，包括终端型号分析、终端品牌分析、终端价值分析、终端变更分析、操作系统分析等方面，以了解用户的终端使用行为特征和习惯。根据消费者的APRU值等消费数据来推荐相应的手机等终端设备，针对性给予优惠措施。

④ 渠道优化与中高流量用户维系

对于主打业务，针对目标号码的业务偏好进行推荐优化，使用户在其任意触点都可获得个性化的服务与界面。对处于不同阶段的中高流量用户进行标签分类，采取不同的应对措施：针对潜在流失中高端流量用户，展开有针对性的优惠活动并加强用户关怀等；针对已有中高端流量用户，推荐更高价值业务及采用其他措施等；针对潜在中高端流量用户，充分挖掘其业务偏好进行应用推荐，逐步提升业务价值层次；针对波动中高端用户，分析其波动特点，将业务营销时间进行适应性推移等。

2.用户-产品-渠道-时间适配与推荐

此模式是对于储存的用户行为数据进行提取分析并进行组合，进而提取用户群，分析数据主要包括访问网站记录、搜索关键字、使用过的APP详单、访问过的具体内容、出现过的地理位置、办理过的业务、时间范围(最长3个月)等。按指定的用户群分析特定行为，例如，位置、偏好、下载APP等自动寻找热门内容，以此来建立适配模型，进行精确推荐。

(1)适配模型建立

建立用户-产品-渠道-时间适配模型是对以往的历史数据进行统计分析，根据各渠道营销活动触点推荐成功率的情况收集，对不同人群进行分类，针对不同类型人群选出最优推荐，不断优化模型，达到提高营销成功率，降低成本的作用。

(2)适配推荐模型

① 业务适配模型

每一个目标业务都有其对应目标用户的社会化特征，例如，性格外向、热衷娱乐等。通过对目标业务社会化特征与对应的用户行为变量进行转换，确定与业务匹配的用户特征变量，再进一步从广大用户群体中筛选出符合特征变量条件的人群，成为目标业务的潜在发展人群。对于已使用移动业务的用户，则将移动业务进行聚类分群管理，从而找到用户已使用业务的关联业务组合，进一步加深用户的移动业务应用。

② 时间适配模型

根据用户使用业务的时间情况等数据进行分析，判定用户的习惯业务使用时间，从而对用户进行精准的时间分群，获取用户精准的时间属性特征。

③ 渠道适配模型

通过用户渠道行为数据分析，可获取用户的渠道访问及渠道使用情况的习惯特征，根据习惯特征，判定该用户与业务营销推荐渠道及数据业务本身的关联程度，这些数据可以为产品经理提供参考，实现数据业务面向多渠道的用户精准匹配营销。

④ 条件触发推荐

条件触发推荐(适用于主动下发渠道)：对于主动触发渠道，可以设置为在用户表现出指定行为后即时触发预先定义的推送信息。可结合用户的行为分析功能，当用户产生某一行为时，如搜索关键字、访问网站、使用APP、访问特定内容、出现在指定区域等，利用用户-产品-渠道-时间适配模型，立即/在设定时间为用户推荐合适的产品。支持向导式及批处理定义触发条件，支持按推荐结果对触发条件进行比较，支持修改或删除触发条件，支持按各触发条件的营销结果好坏自动选择最佳触发条件。

3.营销追踪循环模式

通过充分利用网络数据的实时性与多样性，对用户行为的聚类标识，根据用户行为特点设计可自定义、可扩展的个性化营销策略模板，综合上述用户标签的成熟模式，更进一步贯穿形成营销设计到营销执行模式再到营销追踪模式。从节省的资源、推广渠道、到达情况、办理量、用户在营销活动前后的流量和消费变化等多维度综合评估营销活动效果，作为后续号码、产品、渠道适配模型依据，形成闭环。

如图2所示，营销追踪循环模式是建立在上述用户标签体系基础上，通过用户的数据分析，形成标签分类，然后针对不同的标签用户进行更为细致的网络分析，掌握该标签用户群体使用习惯和偏好等，进行有针对性地个性化推荐策略，与上面模式相比，该模式增加了策略执行方面的追踪和控制，通过不断地对研究效果反馈进行策略优化，形成一个营销循环，不断达到精准营销最优化的目的是这一模式最大的特点。营销追踪循环模式的最关键部分在于营销过程的管理和效果评估。

(1)营销过程管理

如图3所示，营销过程管理就是在营销过程中对业务基础指标、业务内容、目标用户行为进行监控分析以及对比，随时了解营销效能，通过对流量总量、用户数量、访问总次数、响应率和使用率等数据进行收集，寻找用户使用与营销手段的内在联系，针对不同人群的反应对营销策略进行微调，实现成本最小化和效果最大化。此外营销过程管理还包括针对用户使用数量等指标设置阈值，实时监控营销过程出现的异样变化或关键点，可以提示商家在造成更大影响前迅速做出反应，减少可能造成的损失。

(2)营销效果后评估管理

营销活动结束后，可通过响应率、存活率、累计用户数量、累计流量总量、累计访问次数等指标评估营销效果，并观测对业务、用户行为的影响，对营销前后数据环比、同比分析以确认是否达到预期目标。同时利用收集上来的用户行为数据，采用数据挖掘和机器学习的方式进行统计分析和可视化展示，得到精准营销优化模型，确定优化后的精准营销手段，并预测模型使用的效果，作为下一次效果评估的指标依据。如图4所示。

五、结　论

在互联网大数据时代，借助信令大数据技术, 打通数据和用户之间的通道，建立数据和用户的关联，通过DPI业务识别把数据标记和转化为用户信息、业务信息，为用户行为、需求分析提供支持，是企业进行营销模式转变的必由之路；而强化营销分析支撑，推动精细大数据应用，通过完善用户标签体系做业务数据中心，以数据挖掘精确识别用户，逐步培养市场营销对大数据应用的习惯，细分用户需求，推送差异化业务，实现精细化营销是其中的精髓。通过对信令大数据以及信令大数据挖掘技术概念和特点进行了梳理，进而依据信令大数据挖掘技术将手机用户的相关属性分为三类：基本属性、电信属性和基于信令的用户移动互联网行为属性，并分别分析了相关属性在精准营销中的应用；最后基于上述研究总结了基于信令大数据挖掘技术的用户标签体系和应用、用户-产品-渠道适配与推荐以及营销追踪循环三大精准营销模式，以期为更多的企业实施网络精准营销提供借鉴，帮助企业降低营销成本，提高效率，在提高用户体验的同时也为自身业务提供更宽的发展空间。

[1] 阿姆斯特朗, 科特勒. 科特勒市场营销教程[M]. 北京: 华夏出版社, 2004.

[2] Zabin J, Brebach G. Precision marketing: The new rules for attracting, retaining, and leveraging profitable customers[M]. Wiley, 2004.

[3] Leppaniemi M, Karjaluoto H. Factors influencing consumers' willingness to accept mobile advertising: A conceptual mode[J]. International Journal of Mobile Communications, 2013, 3(3): 197-213.

[4] 时炼波, 张俐华. 论精准营销的内涵与实施策略[J]. 企业经济, 2009(8): 90-92.

[5] 尹启华, 邓然. 精准营销研究现状[J]. 经济研究导刊, 2010(9): 158-159.

[6] 金晓彤, 王天新, 杨潇. 大数据时代的联动式数据库营销模式构建——基于“一汽大众”的案例研究[J]. 中国工业经济, 2013(6): 122-134.

[7] 秦洋. 大数据发展趋势下的中国电信运营商电子商务营销模式分析[D]. 北京: 北京邮电大学, 2014.

[8] 龚映梅, 曹新波. 大数据环境下云南农产品精准营销模式研究[J]. 昆明理工大学学报(社会科学版), 2016, 16(1):65-71.

[9] White T. Hadoop: the definitive guide[J]. O’reilly Media Inc Gravenstein Highway North, 2010, 215(11):1 - 4.

[10] Bryant R, Katz R H, Lazowska E D. Big-data computing: Creating revolutionary breakthroughs in commerce, science and society[R]. Computing Community Consortium, 2008.

[11] 张雄. 基于Gb口信令分析的手机客户上网行为的应用研究[D]. 广州: 华南理工大学, 2012.

Precision Marketing Model Based on Technology of Signaling Big Data

WANG Hao-yu，SUN Qi-ming, HU Kai

(School of Economics and Management, Beijing University of Posts and Telecommunications,Beijing 100876, China)

In order to study the strategies and pattern of precision marketing in the big data era, the concept and characteristics of signaling big data are summarized, further signaling big data is classified as user attribute, telecom attribute and mobile Internet attribute and their application in precision marketing is analyzed, and finally the three models of precision marketing are discussed, which include signaling big data based label system and application of business user, adaptation and recommendation of user-product-channel and marketing tracing cycle. The result shows that summarizing the signaling data by using data mining methods and providing personalized marketing strategies can effectively help enterprises to reduce marketing costs, improve efficiency and broaden the business development space.

signaling; big data; precision marketing; data mining

2016- 05 - 26

北京市哲学社会科学规划项目(11JG063)

王浩宇(1988—)，男，安徽砀山人，北京邮电大学经济管理学院2013级博士研究生，主要研究方向为区域与产业协调发展。

F713.5；TP274

A

1008-7729(2016)04- 0070- 07