聚類分析的數據挖掘技術進行電信市場客戶分群.doc

《聚類分析的數據挖掘技術進行電信市場客戶分群.doc》由會員分享，可在線閱讀，更多相關《聚類分析的數據挖掘技術進行電信市場客戶分群.doc（11頁珍藏版）》請在裝配圖網上搜索。

采用聚類分析的數據挖掘技術進行電信市場客戶分群 1.引言 隨著國內電信市場競爭的日趨激烈，電信運營商的經營模式逐漸從“技術驅動”向“市場驅動”、“客戶驅動”轉化。面對客戶的多樣化、層次化、個性化的需求，大眾化營銷已經失去了其優(yōu)勢，基于客戶信息、客戶價值和行為，深入數據分析的洞察力營銷、精確化營銷的理念逐漸被各大電信運營商所接受，并渴望通過從數據中挖掘價值來減少營銷成本、提高營銷效益。近幾年迅速崛起的數據挖掘技術成為實現這些目標的必要手段。 數據挖掘是從海量數據中提取隱含在其中的有用信息和知識的過程。電信各運營支撐系統所積累的海量歷史數據是企業(yè)的一筆寶貴財富，誰能正確地挖掘與分析隱含在數據中的知識，誰就能更好地向用戶提供產品與服務，從而在競爭中脫穎而出。數據挖掘提供了從數據到價值的解決方案：“數據 + 工具+方法+目標+行動=價值”。數據挖掘目前已有一系列應用：分類分析、聚類分析、預測分析、偏差分析、關聯分析和時序模式等，這些應用涉及到的技術和工具各不相同，然而卻可以依據統一的方法論來實行，并可以協同作戰(zhàn)，解決許多有價值的商業(yè)問題。由SPSS、NCR和Daimler-Benzd在1996年提出的CRISP-DM方法論是國際上數據挖掘行業(yè)流行的標準，其成功之處在于源于實踐，是實際數據挖掘項目的智慧和經驗的結晶。CRISP-DM定義了數據挖掘項目的標準化流程，如圖1所示。 圖1　CRISP-DM方法論 準確的細分市場和差異化的營銷策略是目前電信企業(yè)市場營銷所必須面對的難題。所謂市場細分是指營銷者根據顧客之間需求的差異性，把一個整體市場劃分為若干個消費者群的市場分類過程。由于顧客對電信產品需求的多樣性、變動性以及電信企業(yè)資源的有限性，電信企業(yè)在進行市場營銷過程中，必須進行市場分析，選擇目標市場，做出市場定位，并結合目標市場的特點和結構制定有針對性的市場營銷策略?？蛻舴秩菏橇私饪蛻暨M行市場細分和目標市場營銷的前提。數據挖掘的分類和聚類的方法都可應用于客戶分群。下面我們將對用聚類方法進行客戶分群的實現模式進行詳細闡述，為電信目標市場營銷的客戶分群提供完整的解決方案，并以實際案例驗證其可行性。 基于聚類分析的客戶分群 聚類（clustering）是指把一組個體按照相似性歸成若干類別，即“物以類聚”，其目的是使得屬于同一類別的個體之間的相似度盡可能大，而不同類別的個體之間的相似度盡可能小。相似度是根據描述對象的屬性來測算的，距離是經常采用的度量方式。聚類和分類有著很大的區(qū)別：分類時，我們總是事先知道哪些屬性是重要的，運營商總是將重要的、有影響力的屬性作為分類的依據；而聚類時，運營商事先根本不知道哪些屬性起作用，任務之一就是要找到那些起關鍵作用的屬性。聚類分析能夠幫助我們發(fā)現特征迥異的不同客戶群，和對客戶分群起關健作用的指標變量，并輔助運營商對各客戶群的特征進行深刻洞察。 2.1 客戶分群的商業(yè)理解 依據CRISP-DM流程首先要進行客戶分群的“商業(yè)理解”，這一初始階段集中在從商業(yè)角度理解項目的目標和要求，然后把理解轉化為數據挖掘問題的定義和一個旨在實現目標的初步計劃。我們必須明確項目的商業(yè)目標，這個目標應該是適于用基于聚類分析的客戶分群方法去達到的。比如某電信運營商定義的客戶分群的商業(yè)目標是“對某市數十萬公眾客戶，從價值和行為的分析維度進行客戶分群，以了解不同客戶群的消費行為特征，為發(fā)展新業(yè)務、流失客戶保有、他網用戶爭奪的針對性營銷策略的制訂提供分析依據，并實現企業(yè)保存量、激增量的戰(zhàn)略目標”。電信客戶從營銷屬性分為三類：公眾客戶、商業(yè)客戶和大客戶，其中公眾客戶消費行為有較大的隨機性，客戶分布難有規(guī)律可尋，比較適于聚類分析。我們可以將此商業(yè)目標轉化為數據挖掘的可行性方案：從價值和行為維度，考察客戶業(yè)務擁有與使用、消費行為變化、他網業(yè)務滲透等方面屬性，采用聚類分析的數據挖掘技術對研究的目標客戶 (公眾客戶、入網時長、地域屬性、產品擁有類型等方面限定)進行客戶分群，對各客戶群進行特征刻畫和屬性分析，為針對性營銷確定目標客戶群，并根據客戶群屬性和營銷目標量體裁衣制訂恰當的營銷方案。由于客戶的特性是不斷變化的，數據挖掘的分析結果具有一定時效性，因此數據挖掘必須以項目來實施，在目標、進度和資源安排上明確要求。 2.2 客戶分群的數據理解 “巧婦難為無米之炊”，數據是挖掘的基礎，在確定目標和方案后需要進行“數據理解”，以確定要支持我們的分析目標需要哪些方面的數據，數據基礎是否已經具備，數據質量是否能滿足要求，如果不能得到肯定的答復，我們建議推遲項目實施直至條件成熟，因為“進去的是垃圾出來的仍是垃圾”，錯誤的分析結果可能會給我們帶來重大的損失。比如在上述案例中，我們分析了各業(yè)務系統及企業(yè)數據倉庫中客戶信息、客戶消費及購買使用行為三個方面最近六個月的歷史數據。電信企業(yè)擁有業(yè)務受理開通的CRM系統，進行計費、帳務及欠費處理的計費系統，卡類業(yè)務的智能網系統，客戶服務的10000號系統，營銷服務的渠道系統，還有結算系統、寬帶、窄帶及小靈通系統等等，這些業(yè)務系統儲蓄了企業(yè)運營的海量客戶數據。有些電信企業(yè)還建立了數據倉庫系統，對這些數據進行了清洗、整合和集中，建立了企業(yè)統一數據視圖，并確保了數據來源的廣泛性、完整性和準確性，為數據挖掘創(chuàng)造了更好的條件。我們從企業(yè)數據倉庫中確定了以下數據的來源： 客戶基本資料 用戶基本資料 帳單信息 本地通話信息 長話通話信息 卡通話信息 結算信息 窄帶使用信息 寬帶使用信息 客服交互行為 繳費信息 欠費信息 服務使用信息 … 除了數據源分析，數據理解階段的另一些重要任務是進行數據探索和檢驗數據質量。我們可以借助一些可視化工具或統計分析進行數據探索，以明確數據的分布狀況和重要的屬性及其關系。比如通過值分析對數據進行基本的探查，包括空值、唯一值、空字符串、零值、正值、負值的統計；統計分析計算各數值型變量的最小值、最大值、均值、標準差、眾數等，有利于發(fā)現一些異常值，便于更好地理解數據；頻次分析、直方圖分析有助于更準確地了解數據的分布，從中發(fā)現有價值的點，其中頻次分析主要面向離散型變量，而直方圖分析主要面向連續(xù)型變量。數據探索有助于提煉數據描述和質量報告，還能發(fā)現數據異常，并為進一步的數據轉換和數據準備打基礎，甚至可能直接指向數據挖掘的目標。數據探索的同時可以全面檢驗數據質量，對數據的完整性、正確性、一致性有更細致的認識。除了統計分析，抽樣核查比較也是數據檢驗常用的方法，在進行數據質量核查時，需要有對數據意義和取值范圍敏感的業(yè)務人員參與。 2.3 客戶分群的數據準備 “數據準備”包括所有從原始的未加工的數據構造最終分析數據集的活動，是數據挖掘過程中最耗時的環(huán)節(jié)，甚至要占據整個數據挖掘項目一半以上的工作量。數據準備工作的流程如圖2所示。 圖2. 數據準備流程 選擇數據 決定用來分析的數據。選擇標準包括與數據挖掘目標的相關性，數據質量和工具技術的限制，如對數據容量或數據類型的限制。數據選擇包括數據表格中屬性（列）和記錄（行）的選擇。我們可以分主題在企業(yè)數據倉庫中選擇我們需要的各類數據，并進行按月匯總，生成月粒度數據基礎表?；A表中每個用戶每個帳務月的信息匯總成一條記錄。如在我們的案例中基礎表涵蓋了以下數據： 用戶及客戶的基本信息 包括客戶身份信息、聯系方式、產品擁有情況，用戶竣工時間、入網時長、服務開通情況、優(yōu)惠套餐信息、客戶服務信息（投訴、咨詢、催繳情況）等 價值信息 包括話音、寬窄帶業(yè)務的月租費、使用費、優(yōu)惠費用及增值業(yè)務、新業(yè)務、信息費和卡類、結算費用，還包括了繳欠費信息 行為信息 包括時長、次數、跳次、發(fā)話不同號碼數、時長集中度（撥打時長最多的三個號碼撥打時長在總時長中占比）、次數集中度 基礎表中數據屬性粒度要求盡量細，以便于在后期靈活構建數據。我們將以上價值和行為變量從專業(yè)（區(qū)內、區(qū)間、本地移動、本地異商固網、傳統國內長途、傳統國際長途、傳統港澳臺長途、傳統異地行動、IP國內長途、IP國際長途、IP港澳臺長途、IP異地行動）和時段（白天:7:00-18:0、晚上：18:00-7:00、特殊時段：0:00-7:00）兩個維度進行了劃分。 清洗數據 將數據質量提高到所選分析技術和分析目標要求的水平。這包括選擇需要進行數據清洗的子集，插入適當的默認值或者通過更加復雜的技術如建模來估計缺失值，比如某月份的數據缺失我們可以用前后月份數據的平均值來填充，我們將擁有產品較多（可能不是公眾客戶）及公免的客戶數據剔除。此階段需要對基礎表的數據進一步探索和檢驗。 構建數據 該任務包括構建數據的準備操作，如進行變量設計生成派生屬性、生成完整的新記錄或者已存屬性的轉換值（將字符型字段轉化為數值型字段）。在基礎表基礎上通過抽取、合并、衍生得到分主題匯集的價值變量和行為變量形成的中間表，中間表中每個用戶6個月的信息匯總成一條記錄。抽取指直接從基礎表中選擇變量進行匯總；合并指將基礎表中多個字段合并成一個字段匯總，如將區(qū)內通話時長和區(qū)間通話時長合并成本地通話時長；衍生指根據各種邏輯關系派生出新的變量，如均值變量、占比變量、趨勢變量、波動變量等。在進行變量設計時建議技術人員和業(yè)務人員密切配合討論，根據業(yè)務需要、挖掘目標及數據源的實際狀況確定數據選擇，確定基礎變量和數據源的映射關系，確定衍生變量的數據轉換邏輯。中間表變量命名的規(guī)范化有助于用戶理解、記憶和應用，便利于將來數據挖掘的應用分析。變量命名采用對變量屬性進行描述的分段的英文縮寫（首字母大字）用下劃線連接來實現，字段按屬性意義從大到小的范圍排列，從而在對變量進行排序時可以把同一類型的變量聚集在一起，便于分析，如“價值/行為(v/b)_業(yè)務專業(yè)(Inner/Inter/Tol)_地域(Dms/Int/Gat)_撥打方式(Trd/IP)_ 值類型(Amt/Fee/Dur/Cnt/Dstn)_衍生值類型(Trd/Rat)”。中間表可以按模塊化原則來設計實現，可隨著應用和業(yè)務發(fā)展的需要不斷進行擴充。 整合數據 對各中間表的數據進行聯合，生成最終的分析數據集也稱寬表。我們以客戶標識為主鍵，串聯起客戶相關的所有信息數據，建立起統一客戶視圖。在整合數據時，我們要回顧商業(yè)理解階段對數據挖掘目標的定義，以使我們的分析數據集能滿足需求。有些電信企業(yè)由于歷史數據以用戶為中心，難以建立起統一客戶數據視圖；這時可使數據挖掘的目標限定于對某類用戶進行分析；或以分析某類用戶為主，通過企業(yè)數據庫中用戶之關的關系數據，去關聯其它產品信息輔助分析。在完成數據整合后，我們需要再次對數據質量進行核查。 格式數據 格式化轉換是指根據建模的要求，對數據表現形式進行變換，如用K均值算法做聚類分析時，需要先將數據進行標準化處理，對數據進行Z變換，以消除量綱不同可能引起的數據差異。 2.4 客戶分群的模型建立 在生成最終分析的數據集后，就可以建立模型進行聚類分析了?！澳Ｐ徒ⅰ彪A段主要是選擇和應用各種建模技術，同時對它們的參數進行校準以達到最優(yōu)值。通常對于同一個數據挖掘問題類型，會有多種模型技術，每一類技術又有多種實現算法。聚類分析常用的有k-means算法、Gaussian算法和Poisson算法，后兩種算法對數據分布有所要求。由于電信客戶對各類產品的消費情況有較大差別，變量中會出現較多的0值，比如大量客戶國際長途、電話卡或增值業(yè)務等的消費記錄可能都為0值，因此適合用k-means算法來建立聚類模型。k-means算法通過隨機點劃分K個類，每條記錄被歸到類中心距它距離最近的類中。在明確建模技術和算法后需要確定模型參數和輸入變量。模型參數包括類的個數（建議值5、7、9）、最大迭代步數（建議值100）等。 寬表中包含了大量客戶數據變量，但我們只需要挑選部分變量參與建模；參與建模的變量太多會削弱主要業(yè)務屬性的影響，并給理解分群結果帶來困難；太少則不能全面覆蓋需要考察的各方面屬性，可能會遺漏一些重要的屬性關系。輸入變量的選擇對建立滿意的模型至關重要。我們應結合商業(yè)理解，選擇有重要業(yè)務意義并與數據挖掘目標密切相關的變量；被選擇的變量應具備較好的數據質量；被選變量之間相關性不宜太強，如在總量與分量之間只挑選一類參與建模。由于價值變量和行為變量有較強的相關性，我們可以只挑選客戶業(yè)務收入變量進行客戶價值分群，也可只挑選客戶消費行為變量進行客戶行為分群，根據數據挖掘的商業(yè)目標選擇一種分群模式。也可以同時用兩種分群模式對同一批客戶作兩次分群，然后根據兩次分群的結果進行組合，如先分成7個價值分群，再分成9個行為分群，組合后會有63個子群，見圖3。由于組合后子群數目較多不便分析和管理，我們可以借助透視圖分析將特征相似的子群進行歸并，建議最終歸并成7到9個分群。進行價值和行為組合分群的好處是，能同時兼顧考慮價值和行為兩方面因素對客戶分群的影響，更利于對各分群特征的深刻刻畫，并能有效消除單次分群產生的偏差，但過程較為復雜并且不能做到對參與分群客戶的全覆蓋。 圖3. 客戶價值及行為分群 模型建立是一個螺旋上升，不斷優(yōu)化的過程，在每一次分群結束后，需要判斷分群結果在業(yè)務上是否有意義，其各群特征是否明顯。如果結果不理想，則需要調整分群模型，對模型進行優(yōu)化，稱之為分群調優(yōu)。分群調優(yōu)可通過調整分群個數及調整分群變量輸入來實現，也可以通過多次運行，選擇滿意的結果。通?？梢砸罁韵略瓌t判斷分群結果是否理想： 群間特征差異是否明顯 各分群之間有明顯特性差異；各分群主要的特征各不相同；決定各分群主要特征的變量各不相同或變量的取值屬性各不相同。 群內特征是否相似 各分群有各自明顯的特性；各分群有決定其主要特性貢獻度最大的變量；決定各分群主要特征的變量在此群中的分布特性與在全體樣本中的分布特性有明顯差異； 分群是否易于管理及是否具有業(yè)務指導意義 分群的個數及各群人數的分布應相對合理，分群結果能從業(yè)務上作出合理理解和解釋，并能切合業(yè)務需要，實現對客戶的深刻洞察，幫助制訂合適的營銷措施。 2.5 客戶分群的模型評估 在分群調優(yōu)過程中我們已經需要對模型進行合理評估。在完成模型建立后，從數據分析的角度來看，模型似乎有很高的質量，然而在模型最后發(fā)布前仍有必要更為徹底地評估模型和檢查建立模型的各個步驟，從而確保它真正地達到了商業(yè)目標。我們會與商業(yè)分析師，以及行業(yè)專家從商業(yè)角度來討論數據挖掘結果以及項目過程中產生的其它所有結論。“模型評估”階段需要對數據挖掘過程進行一次全面的回顧，從而決定是否存在重要的因素或任務由于某些原因而被忽視，此階段關鍵目的是決定是否還存在一些重要的商業(yè)問題仍未得到充分地考慮。這種回顧也包括質量保證問題，如：過程的每一步是否必要？是否被恰當地執(zhí)行？是否可以改進？有什么不足及不確定的地方及會產生何種影響？根據評估結果和過程回顧，決定是完成該項目并在適當的時候進行發(fā)布，還是開始進一步的反復或建立新的數據挖掘項目。 2.6 客戶分群的模型發(fā)布 模型的創(chuàng)建通常并不是項目的結尾。即使建模的目的是增加對數據的了解，所獲得的了解也需要進行組織并以一種客戶能夠使用的方式呈現出來。根據需要，發(fā)布過程可以簡單到產生一個報告，也可以復雜到在整個企業(yè)中執(zhí)行一個可重復的數據挖掘過程?？蛻舴秩旱慕Y果發(fā)布是通過客戶群特征刻畫和客戶群屬性分析來展現的。特征刻畫是對單個客戶群特征的詳細描述，屬性分析是對客戶群之間的屬性進行比較分析。 形成客戶分群后，對客戶群的特征描述直接影響到營銷活動的策劃和執(zhí)行?？蛻羧旱奶卣髅枋鍪前押芏嗫菰餆o味的數據變成生動形象的客戶體現，以幫助市場營銷人員更好地理解客戶群。參與分群的變量決定了各分群的主要特性，除了對這些變量的統計及分布特性進行深入刻畫外，對未參加分群的變量也可在特征刻畫階段來考察其統計特性。特征刻畫首先進行客戶群特征粗略定性比較分析，然后可利用透視圖等工具對各客戶群寬表變量分類進行詳細的定量刻畫，如圖4。 圖4. 客戶群特征刻畫 我們可以在特征刻畫的基礎上，通過客戶與收入分析、ARPU構成分析、長途構成分析、產品滲透率分析、費用趨勢分析、優(yōu)先級分析、入網時長分析、離網率分析、指標統計費用構成分析、費用分布分析等多個方面對各客戶群進行屬性分析為營銷策劃提供依據。為輔助營銷策劃需要對各戰(zhàn)略分群的人口、人口占比、收入、收入占比、MOU，各項業(yè)務的ARPU、收入占比和變化趨勢、滲透率等各項指標進行統計；并結合流失傾向、收入下降趨勢、收入潛力（平均ARPU）、人數占比和商業(yè)目標，確定進行營銷的戰(zhàn)略分群的優(yōu)先級及營銷的目標客戶群，如圖5。 圖5. 客戶群屬性分析 實踐是檢驗真理的唯一標準，模型發(fā)布后也需要在營銷實踐中驗證調整。另外，數據挖掘結果已經成為日常業(yè)務和其環(huán)境的一部分后，在運用模型的過程中，模型的監(jiān)測和維護也是十分重要的事情。周密的維護策略將有助于避免不必要地長期誤用數據挖掘結果。為了監(jiān)測數據挖掘結果的發(fā)布，項目需要根據應用類型制定一個關于監(jiān)測過程的詳細計劃，例如定期察看各分群的主要特性是否已產生較大的偏移和變遷。這些監(jiān)測一個方面可以對營銷效果進行評估反饋，另一方面也為模型的維護和調整提供決策依據，如是否需要運行模型重新生成分群？是否應對模型作出調整或重新生成模型？是否應終止模型的使用？ 3 戰(zhàn)術分群與目標市場營銷 在獲取了客戶分群結果，了解了客戶之后，應該針對所掌握的情況，有所行動。通過分群我們有了對客戶的整體感覺：哪些是最有價值的，哪些是最需要關注的，哪些可能是對企業(yè)貢獻度最低等等。通過客戶分群，得到了的客戶的不同貢獻及不同的消費特征，進而得到的整體優(yōu)先級考慮是進行下一步工作的基礎和起點，也是客戶分群最為重要的收獲之一。在客戶分群基礎上下一步工作就是營銷活動的設計與執(zhí)行。 營銷活動基本可分為機會識別、營銷設計、方案執(zhí)行、管控調整四個環(huán)節(jié)。四個環(huán)節(jié)中，機會識別屬于營銷活動的戰(zhàn)略范疇，因為它決定了營銷活動“做什么”，回答的是對誰做營銷，對某類業(yè)務，做何種營銷這樣的方向性、全局性問題。營銷設計屬于戰(zhàn)術范疇，因為它決定了營銷活動“怎么做”，回答的是如何圍繞營銷機會分配資源的問題。營銷機會確認之后，需要利用企業(yè)資源為營銷機會設計產品、價格、渠道、傳播等事項，使營銷機會從概念轉化為可執(zhí)行的營銷活動方案。方案執(zhí)行和管控調整則屬于執(zhí)行層面的環(huán)節(jié)，通過建立合理的營銷組織、激勵機制和技能培訓，使營銷設計的方案得以執(zhí)行，以完成營銷活動。服務于營銷機會識別分群屬于戰(zhàn)略分群，服務于營銷設計的分群屬于戰(zhàn)術分群。上述的客戶分群是戰(zhàn)略分群，戰(zhàn)略分群是營銷機會識別的手段，通過戰(zhàn)略分群，我們對營銷策劃有了全局方向性的認識。如對于流失型客戶，我們需要優(yōu)先關注他們，對他們馬上采取客戶保留的措施；對于增長型和較穩(wěn)定用戶，我們可以通過交叉銷售、提升使用的方法，使他們可以使用的更多；對于高價值用戶，我們要優(yōu)先對其采用有關忠誠度管理、客戶挽留和客戶贏回的一系列措施，使其繼續(xù)留在電信網內，減少流失，增加收入；對于低價值用戶，我們也應該采取措施，增加其使用產品的個數和提升其使用量。而戰(zhàn)術分群是先有預定的營銷機會，后有分群，分群的目的是設計差異化的4P（產品、價格、促銷、渠道 ）營銷組合，以求最大化的利用營銷機會，提升客戶價值。 通過客戶分群（戰(zhàn)略分群）確定營銷機會，通過再次細分（戰(zhàn)術分群）確定營銷方案。戰(zhàn)略分群關注總體，戰(zhàn)術分群關注個體，個體與總體的平均特性不一定一致。采用聚類的分析方法，由于我們在模型建立時需要同時考慮幾十個方面的維度，雖然每個分群都有決定其特性的主要屬性，但一些個體也會由于次要屬性的影響而歸到此類中，最終會導致許多個體與總體的平均特性有較大差異。因此在確定戰(zhàn)略分群后，還有可能會根據客戶特征、商業(yè)目標、營銷方案的可行性等進一步進行戰(zhàn)術分群。同時由于營銷方案的普適性，最終會出現：同一戰(zhàn)略分群的個體可能歸屬不同戰(zhàn)術分群，不同戰(zhàn)略分群個體也可能歸屬同一戰(zhàn)術分群。如在我們的案例中，首先根據上述的客戶戰(zhàn)略分群，識別出營銷優(yōu)先級最高的三個客戶群：高值高危群、經濟商務群和傳統長途群；然后根據這三個目標客戶群的個體和總體特性，同時考慮我們的商業(yè)目標和營銷方案的可行性、易操作性，從收入的變化趨勢和他網IP的使用情況兩個維度重新劃分出三個戰(zhàn)術分群：下降客戶群、上升客戶群和他網IP客戶群，并依據戰(zhàn)術分群來設計對應的營銷方案，如圖6。 圖6. 戰(zhàn)術分群 在進行戰(zhàn)術分群時我們可以著重關注營銷方案制訂方面需要考慮的因素，從而使營銷方案更可行，更易操作，更有效。由于針對性營銷需要對不同的目標客戶群制訂不同的營銷方案，如何通過營銷方案的差異來實現對不同客戶需求的滿足及對不同客戶進行區(qū)別對待，在有效區(qū)隔客戶的同時并能提高營銷收益，需要周全考慮。結合目標市場的客戶特征制訂出針對性的營銷方案后，我們決定采用直郵、電話營銷和社區(qū)經理三種區(qū)別于大眾營銷的渠道作為本次營銷活動的主要營銷渠道。首先通過直郵讓客戶對營銷活動有所了解，然后通過10000號外呼向客戶推薦營銷套餐，最后通過社區(qū)經理上門與客戶進行溝通，形成三個波次的營銷執(zhí)行方案。此次基于客戶分群的目標市場營銷活動的成功率比以往的大眾營銷高出幾倍，投資回報率達到了百分之三千以上。 4 總結 數據挖掘技術能夠解決許多常規(guī)的數據分析方法不能解決的問題。一方面，數據挖掘技術可以同時考慮非常多的因素，人觀察的緯度就十幾二十個緯度，同時觀察的緯度不可能超過太多；而數據挖掘技術，比如聚類分析可以同時考慮非常多的因素，甚至達到幾十上百個維度。另外數據挖掘可以考察非常大的數據量，也就是說對于大量的數據可以自動的進行分析。并且可以幫助我們去學習新的潛在模式，也就是說我們用人工或者傳統的方法很難發(fā)現的一些規(guī)定。比如聚類分析，除了能夠有效地幫助我們劃分出特征迥異的客戶群，并幫助我們發(fā)現決定客戶分群的主要屬性，實現對各客戶群特征的深入洞察；同時，正是因為聚類分析能夠從眾多的維度去對客戶屬性作綜合考察，因此還能為我們揭示一些我們的經驗沒有發(fā)現的關系，或者對我們的經驗給以數據證實，而這些往往會給我們帶來一些有價值的意外收獲，例如在我們的案例中，我們發(fā)現擁有寬帶的客戶離網率會比較低，擁有增值業(yè)務的用戶新業(yè)務的滲透率較高，增值業(yè)務和新業(yè)務使用較多的用戶與移動用戶接觸較為頻繁，入網時長較短的客戶離網率高于老客戶，卡類用戶對價格比較敏感但產品滲透率較高需求較旺盛，低值用戶產品滲透率也低，長途構成對ARPU影響至關重要，長途和區(qū)間話務較易流失等等，這些對我們市場營銷都很有啟發(fā)意義。 如上所述，聚類分析的數據挖掘技術能夠很好地應用于電信目標市場營銷，為我們解決客戶分群的難題。本文基于實踐經驗，依據CRISP-DM方法論給出了其完整的解決方案；對“商業(yè)理解–數據理解–數據準備–模型建立–模型評估–模型發(fā)布”各個環(huán)節(jié)的實施關鍵點結合實例進行了詳述闡述；最后還論述了戰(zhàn)略分群與戰(zhàn)術分群的關系，引導讀者對設計有效的目標市場營銷方案作更深入的思考。實踐證明本文提供的電信目標市場營銷客戶分群的解決方案是極為成功有效的。