客户细分在电信彩铃营销中的应用

论文摘要

论文从XX电信小灵通彩铃客户入手,首先介绍本文研究的背景,并对客户细分技术在电信行业内的应用做了叙述,其次研究国内学者在客户细分方面的文献,总结客户细分的方法,分析各种方法的优缺点,然后结合本文的实际情况和研究目标确立本文所要采用的研究方法和研究流程。在本文的实例分析中,首先通过数据准备阶段分析研究本次实验各个建模阶段可能需要什么样的数据,将这些数据提取出来,供真正建模阶段对数据整合、转换后使用；其次基于客户消费行为方面的特征对彩铃客户进行无指导的聚类分析,得到消费行为差异明显的彩铃客户群,分析各客户群的特征并选定本次彩铃营销所要研究的目标客户群进行下一阶段的分析；选择更小粒度的彩铃客户属性并加入更多的增值业务方面的消费属性来对特定客户进行聚类,试图发现影响彩铃消费的客户消费行为,进而指导彩铃预测模型的属性选择；然后将影响彩铃消费较大的消费属性和客户背景属性共同用于彩铃预测建模,并得出规则集；最后用测试数据以及真实数据分别对预测模型进行评价。论文采用数据挖掘理论和算法并结合统计分析方法对XX电信的彩铃客户真实数据进行分析。随着数据挖掘技术的兴起和广泛应用,国内已经有不少学者利用数据挖掘理论和算法进行客户细分,并在电信、银行等领域进行了大量的研究,但从文献检索的情况来看,选定彩铃用户作为研究对象的还较少,或者只是在研究电信行业增值业务时提到,利用数据挖掘结果指导彩铃营销的实例更少,而彩铃业务作为继短信业务之后的第二个快速发展的增值业务,能够将升级为彩铃用户的客户收入提高5元左右,大量的彩铃新增用户将对运营商带来可观的收入,因此作者选定彩铃用户这一研究对象开展研究。在研究方法的选择上,作者借鉴了国内一些研究的经验并结合本次研究的目的确定研究流程以及研究方法。在对原始数据进行初次聚类时采用了自组织神经网络算法进行无监督的学习,并通过因子分析来对数据进行降维,然后基于彩铃用户的消费行为进行聚类,这个阶段解决的问题是“研究什么样的人?”；在确定了研究对象后进行二次聚类时采用了K-Means算法,并通过统计分析方法解决K-Means算法K值的确定问题,以及初始聚类中心的问题,这个阶段解决的主要问题是“哪些人彩铃消费高?”和“哪些人彩铃消费低?”,解决这个问题是为了分析影响彩铃消费的客户消费行为特征,进而指导下一阶段彩铃预测模型的属性选择；最后利用不同的决策树算法对彩铃用户和非彩铃用户组成的训练集进行有指导的归纳学习,生成预测用户彩铃开通与否的规则集,并通过对比实验评价哪种算法在本次实验中更优,最后利用决策树产生的规则去预测现有的非彩铃用户,产生可能开通彩铃的用户名单,从而指导彩铃营销,这个阶段解决的主要问题是“什么样的人会开通彩铃?”和“什么样的人不会开通彩铃?”。论文最后从两个方面对彩铃预测模型进行评估,一是对与训练集相似的测试集进行预测,观察预测命中率以及覆盖率,若不满意则对模型的参数进行调整,避免模型对训练集过度适应性；二是利用规则集对现有所有非彩铃用户进行预测,在真实的环境中测试模型,产生预测名单后跟踪这些用户6个月,从预测当月起,统计这些用户在今后6个月每个月的彩铃自然开通率（注：不是营销开通率）,将这些预测名单用户各个月的自然开通率与所有非彩铃客户的各个月的自然开通率进行对比,以此来评价模型的有效性。论文的研究思路可以简单总结为：通过研究“什么样”的人,来发现彩铃消费的潜在规律,得出结论：即“什么样”的人做“什么样”的事,那么他们就可能是潜在的彩铃客户。这里第一个“什么样”指彩铃客户研究目标的定位,第二个“什么样”指彩铃客户的背景信息,例如用户的年龄、性别等信息,第三个“什么样”指客户的消费行为特征。本文的研究流程和和研究方法还适用于电信运营商的其他产品其他增值业务营销,例如电信CDMA用户彩铃、短信的推广营销,移动动感地带用户彩信、GPRS包月推荐营销等,用户对这些增值业务的使用都或多或少的与用户消费行为以及用户背景信息有关联,而数据挖掘技术就可以找到这种联系,发现其中的规律,因此这些增值业务的营销与本文客户细分在彩铃营销中的应用类似。可以说本论文对利用客户细分技术指导增值业务的主动营销进行了探索式的研究,同时预测模型的评价结果也证明了用客户细分技术来研究影响彩铃消费的因素,并将这些因素用于彩铃预测建模,所得到的结果是有效的,方法是可行的。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 国内电信重组
• 1.1.2 国际金融危机
• 1.1.3 电信增值业务发展加速
• 1.2 客户细分研究与应用的现状
• 1.2.1 电信客户细分研究现状
• 1.2.2 电信客户细分应用实例
• 1.3 论文研究的内容和意义
• 1.3.1 论文研究的内容
• 1.3.2 论文研究的意义
• 1.4 论文框架结构
• 第二章 彩铃营销和客户细分
• 2.1 彩铃市场发展
• 2.2 如何进行客户细分
• 2.2.1 客户细分定义
• 2.2.2 客户细分方式比较
• 2.2.3 客户细分技术
• 2.3 客户细分的意义
• 2.4 本章小结
• 第三章 基础数据准备
• 3.1 数据范围
• 3.2 属性选择
• 3.2.1 客户基本资料
• 3.2.2 客户消费行为
• 3.2.3 客户价值
• 3.3 数据抽取
• 3.4 本章小结
• 第四章 消费行为聚类模型
• 4.1 自组织神经网络
• 4.2 细分属性
• 4.3 属性简约
• 4.3.1 因子分析简介
• 4.3.2 因子分析步骤
• 4.4 建立模型
• 4.5 本章小结
• 第五章 彩铃消费分析
• 5.1 K-Means聚类算法
• 5.2 数据准备
• 5.2.1 变量选择
• 5.2.2 异常值处理
• 5.3 建立模型
• 5.3.1 如何确定K值
• 5.3.2 如何选择初始聚类中心
• 5.3.3 聚类过程描述
• 5.3.4 聚类结果
• 5.4 彩铃消费分析
• 5.4.1 哪些人群彩铃消费高?
• 5.4.2 哪些人群彩铃消费低?
• 5.5 本章小结
• 第六章 建立预测模型
• 6.1 基于决策树预测的营销
• 6.1.1 决策树算法
• 6.1.2 决策树算法在客户细分中的应用
• 6.2 决策树预测模型
• 6.2.1 决策树的输入属性
• 6.2.2 两种决策树算法对比
• 6.2.3 测试数据集的评估
• 6.3 C5.0预测决策树规则集
• 6.3.1 什么样的人会开通彩铃?
• 6.3.2 什么样的人不会开通彩铃?
• 6.4 真实数据的评估
• 6.5 本章小结
• 第七章 结束语
• 7.1 总结
• 7.2 不足与展望
• 致谢
• 参考文献
• 附录A 硕士在读期间发表的论文