|
通訊用戶價(jià)值細(xì)分 撰稿：羅大佐 論文代寫、數(shù)據(jù)挖掘項(xiàng)目咨詢聯(lián)系（QQ）2351028115 1. 前言 隨著精細(xì)化營銷的推進(jìn)，為不同用戶提供個性化的營銷支持是通訊企業(yè)后期營銷的重點(diǎn)工作之一，但是對企業(yè)而言，如何對用戶進(jìn)行價(jià)值，不同的管理團(tuán)隊(duì)有不同的方案，在實(shí)際操作過程中也沒有一個統(tǒng)一的說法，在此，本論文作者根據(jù)實(shí)際的項(xiàng)目經(jīng)驗(yàn)認(rèn)為，對用戶的價(jià)值分類可以按照用戶的實(shí)際消費(fèi)和入網(wǎng)年限兩個維度指標(biāo)進(jìn)行價(jià)值細(xì)分，這樣不僅滿足了通訊企業(yè)的短期考核，也可以通過用戶的入網(wǎng)年限這一指標(biāo)考核用戶的長期價(jià)值，即用戶的忠誠度。 2. 研究路線 在實(shí)際操作中，本項(xiàng)目組主要是按照一下技術(shù)路線開展項(xiàng)目工作的。  從上面的技術(shù)路線可以看出，在正式進(jìn)行大數(shù)據(jù)挖掘前，項(xiàng)目組首先會提取小批量數(shù)據(jù)（提取數(shù)據(jù)的多少主要是看總體需求數(shù)據(jù)量，本項(xiàng)目組根據(jù)項(xiàng)目要求，提取了20000通訊用戶的數(shù)據(jù)進(jìn)行小批量測試），進(jìn)行數(shù)據(jù)挖掘的前期探索，并通過擬合度的計(jì)算，檢測該模型是否合理，及其提取的維度是否滿足項(xiàng)目組的要求，從而可以有效的提高項(xiàng)目的進(jìn)度和滿足項(xiàng)目的要求。 1. 挖掘模型概述 從研究領(lǐng)域來看，對用戶的價(jià)值劃分有較多的成功案例，如RFM模型，該模型主要是從消費(fèi)的數(shù)據(jù)挖掘模型向通訊用戶的數(shù)據(jù)挖掘模型轉(zhuǎn)變過來的，該模型認(rèn)為用戶的綜合價(jià)值體現(xiàn)在用戶在判斷時(shí)期內(nèi)的購買頻率(Frequency)、累計(jì)購買金額(Monetary)和距離截止日期的購買時(shí)間(Recency)；又如根據(jù)用戶貢獻(xiàn)度為劃分標(biāo)準(zhǔn)的用戶價(jià)值細(xì)分方案，該方案強(qiáng)調(diào)當(dāng)前用戶對企業(yè)理論的貢獻(xiàn)程度，因此提出的CV=CP/CC，其中CP為凈收益，CC為企業(yè)在實(shí)際營銷過程中所產(chǎn)生的成本，而CV即為每單位成本產(chǎn)生的收益，該方案成功的一面是通過數(shù)字的形式使得企業(yè)指導(dǎo)了投入-產(chǎn)出比，能較為客觀的度量企業(yè)的營銷活動的有效性，但是不足之處也較為明顯，即該方案強(qiáng)調(diào)的是某一時(shí)間段或時(shí)間點(diǎn)上的用戶的價(jià)值，并沒有有效的描述用戶的忠誠度和潛在消費(fèi)價(jià)值，因此該方案也存在改進(jìn)的空間。 本項(xiàng)目組根據(jù)該通訊企業(yè)的實(shí)際情況，并結(jié)合以往的經(jīng)驗(yàn)，提出AHP-聚類的價(jià)值判定方案，該方案重點(diǎn)強(qiáng)調(diào)了用戶的當(dāng)前價(jià)值和潛在貢獻(xiàn)度相結(jié)合的問題，從而有效的解決了用戶價(jià)值識別中存在不足的問題。 該方案的大體結(jié)構(gòu)如下所示。  由于篇幅和討論問題的重點(diǎn)并不在算法的改進(jìn)等方面，因此具體的算法在該篇論文并不做較為詳細(xì)的闡述。 1. 指標(biāo)維度選取 維度指標(biāo)的選取是決定了數(shù)據(jù)挖掘結(jié)果是否貼近實(shí)際工作，因此，本項(xiàng)目組在對維度指標(biāo)的選取較為重視，并通過調(diào)研走訪、資料查詢等方法，選取了以下可考核的維度指標(biāo)作為判斷用戶綜合價(jià)值的關(guān)鍵指標(biāo)  在選取數(shù)據(jù)時(shí)，本項(xiàng)目組對選取近三個月的消費(fèi)數(shù)據(jù)作為判斷用戶當(dāng)前價(jià)值的支撐數(shù)據(jù)，并選取自用戶入網(wǎng)以來的基本情況作為用戶潛在價(jià)值的判斷依據(jù)。 具體提數(shù)情況，參加附件。 1. 程序設(shè)計(jì) 由于R軟件在數(shù)據(jù)挖掘上具有得天獨(dú)厚的優(yōu)勢，因此本項(xiàng)目使用R軟件進(jìn)行挖掘工作。 5.1 R編程 x.data<-read.csv(‘e:/判斷矩陣.csv’，header=T) x.x1<-c(x.data$ARPU值評價(jià)) x.x2<-c(x.data$市話主叫時(shí)長評價(jià)) x.x3<-c(x.data$長途主叫時(shí)長評價(jià)) x.x4<-c(x.data$漫游通話時(shí)長評價(jià)) x1.sum<-sum(x.x1) x2.sum<-sum(x.x2) x3.sum<-sum(x.x3) x4.sum<-sum(x.x4) x.length<-length(x.data) x1.s.sum<-sum(x.x1/x1.sum)/x1.num x2.s.sum<-sum( x.x2/x2.sum)/x2.num x3.s.sum<-sum( x.x3/x3.sum)/x3.num x4.s.sum<-sum( x.x4/x4.sum)/x4.num x1-x4sum<-x1.s.sum+ x2.s.sum+ x3.s.sum+ x4.s.sum xbzhun<-x1.s.sum/ x1-x4sum lamuda<-xbzhun%*%B CI<-(lamuda-x.length)/(x.length-1) jieshu<- c(1,15) zhi<- c(0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54,1.56,1.58,1.59) RI<-array(zhi,jieshu) F(x.length) F<-Function(x) { CR<-CI[x.length]/RI[x.length] If(CR<0.1) c(“矩陣判斷一致性可以接受”) else c( “矩陣判斷一致性不能接受，請重新判斷！”) } 5.2 價(jià)值用戶統(tǒng)計(jì) 通過R編程的形式，使用AHP算法對通訊用戶進(jìn)行了價(jià)值劃分，并根據(jù)需求，我們把綜合評估在0.8以上的用戶定義為高價(jià)值用戶，把綜合評價(jià)在0.5~0.8之間的用戶定義為中價(jià)值用戶，剩余的為低價(jià)值用戶。由此，有以下圖表的展現(xiàn)。  從上圖可以看出，高價(jià)值用戶占比在17.5%，而中價(jià)值用戶和低價(jià)值用戶占比在80%左右，符合預(yù)期。 1. 結(jié)論 對用戶的價(jià)值細(xì)分，不僅需要考慮當(dāng)前的現(xiàn)金流，同時(shí)還要考慮用戶的穩(wěn)定性和忠誠度，若一味的把用戶現(xiàn)金流作為細(xì)分用戶價(jià)值的參考指標(biāo)，容易造成潛在的用戶流失，因此，本項(xiàng)目組在充分結(jié)合實(shí)際情況的同時(shí)，充分使用數(shù)據(jù)挖掘模型，從而對用戶價(jià)值進(jìn)行了細(xì)分。 7. 思考 從項(xiàng)目而言，已經(jīng)完成，但是對本項(xiàng)目進(jìn)行深入的思考后發(fā)現(xiàn)，該項(xiàng)目仍有拓展或改善的空間，重點(diǎn)在幾方面： 一、對用戶的價(jià)值評估是一個動態(tài)過程，需要對算法進(jìn)行固化。由于時(shí)間等資源的限制，本項(xiàng)目的最終結(jié)果是以一份書面報(bào)告的形式加以呈現(xiàn)，但是對用戶的價(jià)值評估，是要求在每個時(shí)間段上（一般為三個月）加以呈現(xiàn)的，因此，若可以，該算法需要固定在系統(tǒng)上，從而實(shí)現(xiàn)用戶價(jià)值評估的動態(tài)化。 二、算法的改進(jìn)。AHP算法是一個比較經(jīng)典的算法，但是需要主客觀的結(jié)合，然而數(shù)據(jù)挖掘的本質(zhì)是在雜亂無章的數(shù)據(jù)中找出規(guī)律，并加以總結(jié)，從而得出結(jié)論，因此，該模型嚴(yán)格意義上來說并不純粹的是一個數(shù)據(jù)挖掘項(xiàng)目，更多的是一個管理類咨詢建模，這就要求我們在今后的工作中，不斷進(jìn)取，在提升專業(yè)水平的同時(shí)，真正的做到數(shù)據(jù)挖掘。 8、說明 本項(xiàng)目實(shí)際還涉及到很多的分析工作，由于篇幅的局限性，就沒有一一寫下來了，請大家諒解。 同時(shí)由于知識面的局限性，對數(shù)據(jù)挖掘或項(xiàng)目的理解存在或多或少的不足之處，望各位網(wǎng)友指全。
|
|
|
