满意度调查网

　　随着国内电信市场竞争的日趋激烈，电信运营商的经营模式逐渐从“技术驱动”向“市场驱动”、“客户驱动”转化。面对客户的多样化、层次化、个性化的需求，大众化营销已经失去了其优势，基于客户信息、客户价值和行为，深入数据分析的洞察力营销、精确化营销的理念逐渐被各大电信运营商所接受，并渴望通过从数据中挖掘价值来减少营销成本、提高营销效益。近几年迅速崛起的数据挖掘技术成为实现这些目标的必要手段。

　　准确的市场细分和差异化的营销策略是目前企业市场营销所必须面对的难题。而客户分群是市场细分和目标市场营销的前提。因此，有效的利用数据挖掘方法对客户进行细分具有重要的意义。从目前的研究情况来看，理论研究仍处于比较薄弱的阶段，而本课题的研究将丰富这一方面的内容，为以后进行更深刻的研究做准备。

　　第一，有利于企业战略的制定：客户细分的方法为企业的管理者和决策者提供了一种方法，来发现消费者的需求和需求的变化。企业战略的选择不是选择产品，也不是选择业务，而是选择客户价值。只有选择了客户群，才能够根据客户群的需求，定制公司的发展方向。根据消费者的需求的差异化，找到企业差异化战略的落脚点，同时也根据企业定位的差异化，组织公司的资源和发展公司的能力。

　　第二，促进公司用户规模增长，保持移动市场的领先优势：通过客户细分，找到客户群较大的客户需求点，定位公司产品的特殊性，有利于企业进行大规模定制。企业的规模不能限制在极少数的客户群，否则无法取得规模。客户细分的一个目的，就是帮助企业实现规模化定制。

　　第三，提供客户最需要的业务，提升客户满意度：一个企业不可能服务所有的客户。企图服务所有客户的企业战略本身就是对客户不负责任的行为。如果企业试图满足所有消费者的需求，最终的结果只能是所有的消费者都不满意。每个企业拥有的资源和企业自身的能力都存在着差别。企业拥有的资源是有限的，企业应该把企业所拥有的有限的资源发挥在更好的满足客户某一方面的价值上。企业自身拥有的能力也不同，企业应该把自身的能力发挥在更加适合创造消费者特殊价值的地方。这样，在满足消费者某个特殊需求的时候，该企业拥有更加优势的能力，能够更好地满足消费者的需求。

　　国内外各标杆企业对客户细分都有了一定的研究。

　　KDDI多样化的客户细分手段：2000年—2007年，KDDI的移动客户市场份额从18%升至28.9%，2007年6月底，3G客户更是占到市场的37%。目前KDDI的3G客户自身占比依然高达98%。

　　韩国：SKT以年龄为主的客户细分：从全球范围来看，SKT的增值业务发展一直处于世界领先位置，其成功经验主要体现在市场细分、网络建设、终端定制、渠道创新等4个方面，市场细分已经成为SKT营销和市场渗透战略的重要手段。

　　AT&T从2000年开始就将策略重点转移到企业客户中来，目前AT&T公司将客户细分为企业客户、小型商业客户和住宅客户，针对不同类型客户的特点，设计了不同的业务体系，以满足客户差异化的需求。

　　英国“Orange”的“四型”客户：了保证套餐设计的个性化和更强的针对性，Orange通过对客户消费行为、消费结构、行为方式等的深入分析，将其客户分为：“海豚型客户”、“浣熊型客户”、“金丝雀型客户”和“黑豹型客户”四类客户，并在细分的基础上提供区隔化的资费方案。

　　广东是外来务工人员聚集的省市，广东移动针对外来工群体提供专属的服务。外来务工人员使用通信具有周期性特征，在年初务工时期，新增用户将增加，他们对价格敏感，同时其长途通信的需求很大，愿意也有时间尝试众多业务，而且会形成群体效应。

　　四川移动在原有仅依靠基于ARPU值的客户细分转变为考虑不同客户细分方法的有效性及实施的难易程度，并结合公司所提供的数据资源和移动用户特点，采用用户行为方式进行客户细分，再结合人口统计和客户价值准确定位细分人群。

　　在家庭客户方面：北京移动推出”全球通家庭计划方案”，该套餐的目标是以全球通高端客户的高离网成本提高整个家庭计划组的离网成本，并以此维系低端客户在网，降低客户离网率。而且这种捆绑也会超出家庭范围，业务交往频繁的商业合作伙伴或者任何通话频率高的人群也竞相加入。

　　通过大量阅读国内外文献，对数据挖掘的研究背景、方法论、研究和应用前景等进行了综述，并简要描述其中聚类分析以及聚类融合算法的相关信息。

　　聚类算法从：划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法进行综述并讨论了聚类算法的研究方向。聚类融合算法将不同算法或者同一算法下使用不同参数得到的结果进行合并，从而得到比单一算法更为优越的结果。在分类算法和回归模型中，正广泛而且成功地使用着融合方法，该方法能克服分类、回归中的不稳定性，并给出较好的结果，并对目前聚类融合技术的主要进展进行了综述和总结。

　　在客户细分建模方面：本文介绍了客户细分的必要性及其理论依据，分析了客户细分应关注的各类变量，给出了客户细分的一般方法和步骤，强调了客户细分项目实施过程中应注意的关键因素。

　　在用数据挖掘技术来做客户细分时，通常采用k-means算法。这种算法具有简单易行、可扩展性好、时间复杂度较低等优点。这是一种较为原始的基于划分的聚类算法。但在使用K-means算法进行数据挖掘时，仍然存在一些问题：运行K-means算法是必须预先指定聚类个数k，但k值的确定难以估计。很多情况下，工作人员并不知道给定数据集应该被分为几类，只能在一定先验知识背景下随机选择数值进行聚类。这也是K-means算法本身的一个缺点。在K-means算法中，需要首先随机选却k个数据点作为初始聚类中心。这些初始聚类中心点的选取对最终聚类结果的影响较大，一旦初始点选择不当，很有可能无法得到有效的聚类结果。这也是K-means算法运用中面临的问题。

　　为解决K-means算法在移动通信客户细分中遇到的问题，本文引入聚类融合算法。聚类融合算法将多个聚类结果进行融合优化，在适应性、鲁棒性、可扩展性、稳定性和并行性等方面优于单一聚类算法。聚类融合算法用于移动客户细分，将各层次聚类结果进行汇总融合，得到优化的群体划分，同时，还能通过对最终群体划分和Co-association矩阵的综合分析得到每个客户对所分群的归属度。

　　在进行客户细分操作方面依据CRISP-DM方法论给出了完整的解决方案；对“商业理解–数据理解–数据准备–模型建立–模型评估–模型发布”各个环节的实施关键点结合实例进行了详述阐述；最后还论述了战略分群与战术分群的关系，对设计有效的目标市场营销方案作更深入的思考。通过客户分群（战略分群）确定营销机会，通过再次细分（战术分群）确定营销方案。战略分群关注总体，战术分群关注个体，个体与总体的平均特性不一定一致。采用聚类的分析方法，由于我们在模型建立时需要同时考虑几十个方面的维度，虽然每个分群都有决定其特性的主要属性，但一些个体也会由于次要属性的影响而归到此类中，最终会导致许多个体与总体的平均特性有较大差异。因此在确定战略分群后，还有可能会根据客户特征、商业目标、营销方案的可行性等进一步进行战术分群。

　　同时由于营销方案的普适性，最终会出现：同一战略分群的个体可能归属不同战术分群，不同战略分群个体也可能归属同一战术分群。如在我们的案例中，首先根据上述的客户战略分群，识别出营销优先级最高的三个客户群：高值高危群、经济商务群和传统长途群；然后根据这三个目标客户群的个体和总体特性，同时考虑我们的商业目标和营销方案的可行性、易操作性，从收入的变化趋势和他网IP的使用情况两个维度重新划分出三个战术分群：下降客户群、上升客户群和他网IP客户群，并依据战术分群来设计对应的营销方案。

　　数据挖掘技术能够解决许多常规的数据分析方法不能解决的问题。一方面，数据挖掘技术可以同时考虑非常多的因素，人观察的纬度就十几二十个纬度，同时观察的纬度不可能超过太多；而数据挖掘技术，比如聚类分析可以同时考虑非常多的因素，甚至达到几十上百个维度。

　　另外数据挖掘可以考察非常大的数据量，也就是说对于大量的数据可以自动的进行分析。并且可以帮助我们去学习新的潜在模式，也就是说我们用人工或者传统的方法很难发现的一些规定。比如聚类分析，除了能够有效地帮助我们划分出特征迥异的客户群，并帮助我们发现决定客户分群的主要属性，实现对各客户群特征的深入洞察。

　　同时，正是因为聚类分析能够从众多的维度去对客户属性作综合考察，因此还能为我们揭示一些我们的经验没有发现的关系，或者对我们的经验给以数据证实，而这些往往会给我们带来一些有价值的意外收获，例如在我们的案例中，我们发现拥有宽带的客户离网率会比较低，拥有增值业务的用户新业务的渗透率较高，增值业务和新业务使用较多的用户与移动用户接触较为频繁，入网时长较短的客户离网率高于老客户，卡类用户对价格比较敏感但产品渗透率较高需求较旺盛，低值用户产品渗透率也低，长途构成对ARPU影响至关重要，长途和区间话务较易流失等等，这些对我们市场营销都很有启发意义。

想获取更多信息，或者咨询相关业务可以关注我们的微信公众平台：SMR_gz

或者扫描下面二维码