通讯用户价值细分

通讯用户价值细分

撰稿：罗大佐

论文代写、数据挖掘项目咨询联系（QQ）2351028115

1.    前言

随着精细化营销的推进，为不同用户提供个性化的营销支持是通讯企业后期营销的重点工作之一，但是对企业而言，如何对用户进行价值，不同的管理团队有不同的方案，在实际操作过程中也没有一个统一的说法，在此，本论文作者根据实际的项目经验认为，对用户的价值分类可以按照用户的实际消费和入网年限两个维度指标进行价值细分，这样不仅满足了通讯企业的短期考核，也可以通过用户的入网年限这一指标考核用户的长期价值，即用户的忠诚度。

2.    研究路线

在实际操作中，本项目组主要是按照一下技术路线开展项目工作的。 

 

 

从上面的技术路线可以看出，在正式进行大数据挖掘前，项目组首先会提取小批量数据（提取数据的多少主要是看总体需求数据量，本项目组根据项目要求，提取了20000通讯用户的数据进行小批量测试），进行数据挖掘的前期探索，并通过拟合度的计算，检测该模型是否合理，及其提取的维度是否满足项目组的要求，从而可以有效的提高项目的进度和满足项目的要求。

1.    挖掘模型概述

从研究领域来看，对用户的价值划分有较多的成功案例，如RFM模型，该模型主要是从消费的数据挖掘模型向通讯用户的数据挖掘模型转变过来的，该模型认为用户的综合价值体现在用户在判断时期内的购买频率(Frequency)、累计购买金额(Monetary)和距离截止日期的购买时间(Recency)；又如根据用户贡献度为划分标准的用户价值细分方案，该方案强调当前用户对企业理论的贡献程度，因此提出的CV=CP/CC，其中CP为净收益，CC为企业在实际营销过程中所产生的成本，而CV即为每单位成本产生的收益，该方案成功的一面是通过数字的形式使得企业指导了投入-产出比，能较为客观的度量企业的营销活动的有效性，但是不足之处也较为明显，即该方案强调的是某一时间段或时间点上的用户的价值，并没有有效的描述用户的忠诚度和潜在消费价值，因此该方案也存在改进的空间。

本项目组根据该通讯企业的实际情况，并结合以往的经验，提出AHP-聚类的价值判定方案，该方案重点强调了用户的当前价值和潜在贡献度相结合的问题，从而有效的解决了用户价值识别中存在不足的问题。

该方案的大体结构如下所示。

 

 

由于篇幅和讨论问题的重点并不在算法的改进等方面，因此具体的算法在该篇论文并不做较为详细的阐述。

1.    指标维度选取

维度指标的选取是决定了数据挖掘结果是否贴近实际工作，因此，本项目组在对维度指标的选取较为重视，并通过调研走访、资料查询等方法，选取了以下可考核的维度指标作为判断用户综合价值的关键指标

 

 

在选取数据时，本项目组对选取近三个月的消费数据作为判断用户当前价值的支撑数据，并选取自用户入网以来的基本情况作为用户潜在价值的判断依据。

具体提数情况，参加附件。

1.    程序设计

由于R软件在数据挖掘上具有得天独厚的优势，因此本项目使用R软件进行挖掘工作。

5.1 R编程

x.data<-read.csv(‘e:/判断矩阵.csv’，header=T)

x.x1<-c(x.data$ARPU值评价)

x.x2<-c(x.data$市话主叫时长评价)

x.x3<-c(x.data$长途主叫时长评价)

x.x4<-c(x.data$漫游通话时长评价)

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(“矩阵判断一致性可以接受”)

else

c( “矩阵判断一致性不能接受，请重新判断！”)

}

5.2 价值用户统计

通过R编程的形式，使用AHP算法对通讯用户进行了价值划分，并根据需求，我们把综合评估在0.8以上的用户定义为高价值用户，把综合评价在0.5~0.8之间的用户定义为中价值用户，剩余的为低价值用户。由此，有以下图表的展现。

 

 

从上图可以看出，高价值用户占比在17.5%，而中价值用户和低价值用户占比在80%左右，符合预期。

1.    结论

对用户的价值细分，不仅需要考虑当前的现金流，同时还要考虑用户的稳定性和忠诚度，若一味的把用户现金流作为细分用户价值的参考指标，容易造成潜在的用户流失，因此，本项目组在充分结合实际情况的同时，充分使用数据挖掘模型，从而对用户价值进行了细分。

7. 思考

从项目而言，已经完成，但是对本项目进行深入的思考后发现，该项目仍有拓展或改善的空间，重点在几方面：

一、对用户的价值评估是一个动态过程，需要对算法进行固化。由于时间等资源的限制，本项目的最终结果是以一份书面报告的形式加以呈现，但是对用户的价值评估，是要求在每个时间段上（一般为三个月）加以呈现的，因此，若可以，该算法需要固定在系统上，从而实现用户价值评估的动态化。

二、算法的改进。AHP算法是一个比较经典的算法，但是需要主客观的结合，然而数据挖掘的本质是在杂乱无章的数据中找出规律，并加以总结，从而得出结论，因此，该模型严格意义上来说并不纯粹的是一个数据挖掘项目，更多的是一个管理类咨询建模，这就要求我们在今后的工作中，不断进取，在提升专业水平的同时，真正的做到数据挖掘。

8、说明

本项目实际还涉及到很多的分析工作，由于篇幅的局限性，就没有一一写下来了，请大家谅解。

同时由于知识面的局限性，对数据挖掘或项目的理解存在或多或少的不足之处，望各位网友指全。