0 引言

    伴隨移動(dòng)運(yùn)營(yíng)商4G技術(shù)逐漸的應(yīng)用成熟，運(yùn)營(yíng)商相互之間的競(jìng)爭(zhēng)壓力日趨白熱化，存量用戶(hù)的爭(zhēng)奪逐漸成為運(yùn)營(yíng)商提規(guī)模、增效益的競(jìng)爭(zhēng)核心^[1]。為了能將原有客戶(hù)順利轉(zhuǎn)化為新用戶(hù)，并根據(jù)客戶(hù)的特征和行為對(duì)客戶(hù)的保持程度進(jìn)行預(yù)測(cè)，制定有效的客戶(hù)挽留和贏回策略并實(shí)現(xiàn)盈利是每一個(gè)運(yùn)營(yíng)商亟需解決的問(wèn)題。

    近年來(lái)，數(shù)據(jù)已經(jīng)滲透到每一個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，逐漸成為生產(chǎn)經(jīng)營(yíng)的重要因素，數(shù)據(jù)挖掘、數(shù)據(jù)分析迅速成為各大行業(yè)的熱門(mén)詞匯。數(shù)據(jù)挖掘引發(fā)的用戶(hù)需求的極大滿(mǎn)足，使得傳統(tǒng)運(yùn)營(yíng)商發(fā)展模式面臨巨大挑戰(zhàn)和危機(jī)^[2]。

    通過(guò)對(duì)用戶(hù)行為精準(zhǔn)分析，搭建數(shù)據(jù)挖掘營(yíng)銷(xiāo)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)，實(shí)現(xiàn)網(wǎng)絡(luò)、終端、業(yè)務(wù)統(tǒng)一適配^[3]，有助于完善落實(shí)用戶(hù)全生命周期維系管理體系，加強(qiáng)用戶(hù)消費(fèi)監(jiān)控，協(xié)助用戶(hù)解決套餐消費(fèi)不匹配問(wèn)題，提升用戶(hù)對(duì)業(yè)務(wù)依賴(lài)性，提升用戶(hù)忠誠(chéng)度和穩(wěn)定度，提高用戶(hù)對(duì)移動(dòng)服務(wù)的期望、提升用戶(hù)感知增強(qiáng)用戶(hù)黏性。

1 維系挽留系統(tǒng)模型建立

1.1 系統(tǒng)應(yīng)用對(duì)象分析

    用戶(hù)細(xì)分是對(duì)于用戶(hù)維系挽留的數(shù)據(jù)進(jìn)行分析的一個(gè)必要手段，有利于后期數(shù)據(jù)矩陣的建立，用戶(hù)細(xì)分步驟如圖1所示。

    在移動(dòng)用戶(hù)營(yíng)銷(xiāo)中，用戶(hù)價(jià)值和用戶(hù)的穩(wěn)定程度是判斷該用戶(hù)維系的關(guān)鍵指標(biāo)，因此在做用戶(hù)分類(lèi)時(shí)以這兩個(gè)指標(biāo)為用戶(hù)細(xì)分屬性，按照資源保障優(yōu)先級(jí)由高到低的程度將用戶(hù)分為：黃金客戶(hù)、高位客戶(hù)、波動(dòng)客戶(hù)、低端客戶(hù)、潛力客戶(hù)和跳騷客戶(hù)6類(lèi)。通過(guò)聚類(lèi)方法對(duì)移動(dòng)用戶(hù)進(jìn)行聚類(lèi)，明確分群用戶(hù)及用戶(hù)資源配置原則，將有限的資源優(yōu)先投放給最有價(jià)值的用戶(hù)，得出聚類(lèi)后的用戶(hù)類(lèi)別如表1所示。

    隨著通信市場(chǎng)嚴(yán)重飽和，用戶(hù)流失較為嚴(yán)重，其主要原因表現(xiàn)在兩個(gè)方面：(1)各個(gè)運(yùn)營(yíng)商之間競(jìng)爭(zhēng)以?xún)r(jià)格屬性特征競(jìng)爭(zhēng)激烈；(2)用戶(hù)對(duì)業(yè)務(wù)模塊滿(mǎn)意程度不高。

1.2 數(shù)據(jù)準(zhǔn)備

    用戶(hù)在使用移動(dòng)通信業(yè)務(wù)時(shí)，如在網(wǎng)上營(yíng)業(yè)廳上進(jìn)行費(fèi)用詳單查詢(xún)、話(huà)費(fèi)查詢(xún)、業(yè)務(wù)充值等，這些行為都會(huì)以半結(jié)構(gòu)化的數(shù)據(jù)方式記錄在中央服務(wù)器的Web日志和交易記錄中，通過(guò)數(shù)據(jù)提取和預(yù)處理后建立數(shù)據(jù)倉(cāng)庫(kù)，為用戶(hù)數(shù)據(jù)的分析和維系挽留系統(tǒng)的數(shù)據(jù)挖掘提供基礎(chǔ)數(shù)據(jù)。用戶(hù)數(shù)據(jù)分析主要采集的用戶(hù)數(shù)據(jù)信息包括：存量用戶(hù)的基本信息和用戶(hù)的交易記錄。數(shù)據(jù)屬性包括：(1)存量用戶(hù)基本信息，即用戶(hù)手機(jī)號(hào)、用戶(hù)姓名、用戶(hù)狀態(tài)、用戶(hù)入網(wǎng)時(shí)間、近3個(gè)月出賬收入等屬性信息；(2)用戶(hù)交易信息，即產(chǎn)品ID、用戶(hù)通信號(hào)碼、業(yè)務(wù)類(lèi)型、預(yù)存交易金額、瀏覽次數(shù)等屬性信息。

    當(dāng)用戶(hù)數(shù)據(jù)屬性確定之后，按照屬性建立用戶(hù)數(shù)據(jù)矩陣，矩陣以?xún)r(jià)值作為主軸，結(jié)合穩(wěn)定度，構(gòu)建交叉矩陣，并以客戶(hù)編碼標(biāo)識(shí)，結(jié)合用戶(hù)規(guī)模、收入規(guī)模占比分析，對(duì)交叉矩陣用戶(hù)進(jìn)行合并，通過(guò)重要-緊急的矩陣管理，判定資源保障優(yōu)先級(jí)。其中，存量用戶(hù)交叉矩陣如圖2所示。

    矩陣數(shù)據(jù)形式如下：

    (1)存量用戶(hù)屬性矩陣V_m×n

    存量用戶(hù)信息矩陣主要包括用戶(hù)的自然屬性，代表了用戶(hù)的一般性質(zhì)，其具體的表現(xiàn)形式為：

其中，v_i代表為一個(gè)可維系用戶(hù)，總共有m個(gè)可維系用戶(hù)；v_ij為可維系用戶(hù)i的第j個(gè)屬性，共有n個(gè)屬性。

    (2)用戶(hù)興趣信息矩陣P_m×k

    在用戶(hù)B2C模式下，用戶(hù)通過(guò)Web進(jìn)行交易，交易及瀏覽的次數(shù)不同，代表了用戶(hù)的興趣度，分別為興趣度進(jìn)行加權(quán)賦值，將興趣度分為三類(lèi)：一般、有興趣、非常有興趣。通過(guò)用戶(hù)的興趣等級(jí)進(jìn)行用戶(hù)興趣信息矩陣的建立。

其中，d_ij是第i個(gè)可維系用戶(hù)對(duì)第j次交易的感興趣等級(jí)程度，值為一般、有興趣、非常有興趣。通過(guò)以上的矩陣的構(gòu)建可以將每一個(gè)用戶(hù)的情況唯一地表示成一個(gè)向量，可以通過(guò)向量的計(jì)算來(lái)分析用戶(hù)的性質(zhì)。

1.3 基于B2C環(huán)境下的模型的建立

    用戶(hù)行為分析是指企業(yè)通過(guò)對(duì)用戶(hù)的存量自然屬性、用戶(hù)興趣行為軌跡所表現(xiàn)的特征進(jìn)行分析，來(lái)了解用戶(hù)的消費(fèi)偏好，分析用戶(hù)流失的原因，判定用戶(hù)獲取渠道，管理用戶(hù)的滿(mǎn)意度及預(yù)測(cè)用戶(hù)的忠誠(chéng)度，并制定用戶(hù)維系挽留計(jì)劃^[4-5]。

    根據(jù)以上的定義，可以構(gòu)建一個(gè)基于B2C模式下的用戶(hù)行為分析框架，如圖3所示，完整的用戶(hù)行為分析過(guò)程如下：

    (1)用戶(hù)和電子商務(wù)平臺(tái)的交互過(guò)程；

    (2)數(shù)據(jù)收集、整理過(guò)程；

    (3)知識(shí)獲取過(guò)程；

    (4)數(shù)據(jù)挖掘過(guò)程；

    (5)決策優(yōu)化過(guò)程；

    (6)維系挽留系統(tǒng)。

    建立一個(gè)可以可靠預(yù)測(cè)用戶(hù)行為的維系挽留模型，首先需要數(shù)據(jù)源并進(jìn)行預(yù)處理分析，然后經(jīng)過(guò)參數(shù)確定后進(jìn)行預(yù)測(cè)識(shí)別，在識(shí)別的過(guò)程中進(jìn)行聚類(lèi)分析和數(shù)據(jù)挖掘，將預(yù)測(cè)結(jié)果建立決策樹(shù)，最終給出維系挽留的預(yù)測(cè)結(jié)果^[6]。

2 數(shù)據(jù)挖掘算法在系統(tǒng)中的應(yīng)用

2.1 數(shù)據(jù)分析

    在維系挽留中，數(shù)據(jù)挖掘的應(yīng)用主要表現(xiàn)在以下幾個(gè)方面：

    (1)獲得新用戶(hù)

    通過(guò)數(shù)據(jù)挖掘可以針對(duì)不同用戶(hù)的興趣程度、消費(fèi)習(xí)慣、消費(fèi)傾向和消費(fèi)需求等用戶(hù)購(gòu)買(mǎi)屬性來(lái)對(duì)新用戶(hù)進(jìn)行促銷(xiāo)。

    (2)維系挽留住老用戶(hù)

    數(shù)據(jù)挖掘技術(shù)中的分類(lèi)算法則可以將所有的用戶(hù)分為不同的種類(lèi)，可以完全做到為不同的用戶(hù)提供完全不同的產(chǎn)品服務(wù)來(lái)提高用戶(hù)的滿(mǎn)意度。

    (3)對(duì)老用戶(hù)進(jìn)行交叉銷(xiāo)售

    對(duì)老用戶(hù)進(jìn)行交叉銷(xiāo)售，預(yù)測(cè)用戶(hù)的下一個(gè)購(gòu)買(mǎi)行為。

    數(shù)據(jù)分類(lèi)工作的目的就是學(xué)習(xí)訓(xùn)練出分類(lèi)模型，利用該模型可以將數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)目映射到預(yù)先設(shè)定好的某個(gè)類(lèi)別中，具體來(lái)說(shuō)：給定一個(gè)數(shù)據(jù)庫(kù)D={t₁，t₂，…，t_n}和一組類(lèi)C={C₁，C₂，…，C_m}，分類(lèi)問(wèn)題是去確定一個(gè)映射f:D→C，每個(gè)元組t_i被分配到一個(gè)類(lèi)中，一個(gè)類(lèi)C_j包含映射到該類(lèi)的所有元組，即C_j={t_i|f(t_i)=C_j，1≤i≤n，t_i∈D}。

2.2 K-means在維系挽留系統(tǒng)中的應(yīng)用

    K-means算法是一種得到廣泛應(yīng)用的聚類(lèi)算法，該算法也稱(chēng)為k-均值算法^[7]。k-均值算法以k為參數(shù)，將n個(gè)對(duì)象分為k個(gè)簇，每個(gè)簇滿(mǎn)足低耦合高內(nèi)聚的特性，即使得簇內(nèi)部的屬性元素具有較高的相似度，而簇與簇之間元素的相似度較低^[8]。

2.3 數(shù)據(jù)準(zhǔn)備

    在維系挽留系統(tǒng)中，本文需要對(duì)用戶(hù)的消費(fèi)習(xí)慣和行為等特征進(jìn)行分析，進(jìn)行聚類(lèi)。本文利用運(yùn)營(yíng)商在某一階段的用戶(hù)數(shù)據(jù)對(duì)其進(jìn)行學(xué)習(xí)，給出聚類(lèi)數(shù)據(jù)樣本，如表2所示，為后續(xù)的數(shù)據(jù)細(xì)化分類(lèi)工作的推進(jìn)提供參考依據(jù)。

    然后，從數(shù)據(jù)庫(kù)中選取數(shù)據(jù)樣本，如表3所示。

    按照K-means算法對(duì)上面數(shù)據(jù)表中所給出的企業(yè)用戶(hù)進(jìn)行聚類(lèi)分析。在此實(shí)例中主要對(duì)用戶(hù)的收入、ARPU、是否合約捆綁、是否滲透和有效語(yǔ)音交往圈總?cè)藬?shù)進(jìn)行分析，根據(jù)它們之間所存在的潛在關(guān)系得到相應(yīng)不同的類(lèi)，并且從結(jié)果當(dāng)中得到相應(yīng)的聚類(lèi)規(guī)則。本文希望從分析的結(jié)果中能夠得到以下一些用戶(hù)的屬性類(lèi)別：其他屬性和收入大體相關(guān)；合約捆綁和是否滲透基本一致等顯著特征的類(lèi)別。這些屬性類(lèi)別可以使企業(yè)的決策者們能夠根據(jù)數(shù)據(jù)的分類(lèi)進(jìn)行相應(yīng)營(yíng)銷(xiāo)策略的制定和實(shí)施。

2.4 K-means聚類(lèi)算法實(shí)現(xiàn)

    本文采用C#語(yǔ)言對(duì)K-means算法進(jìn)行實(shí)現(xiàn)，將表3所選取的50名消費(fèi)用戶(hù)作為數(shù)據(jù)輸入建立用戶(hù)樣本數(shù)組，數(shù)組元素個(gè)數(shù)n=50；將所有數(shù)據(jù)劃分為5類(lèi)，即簇?cái)?shù)數(shù)組個(gè)數(shù)k=5；按照歐式距離公式將用戶(hù)劃分為最近的均值聚類(lèi)中。然后進(jìn)行遞歸，直到運(yùn)算完成。算法流程圖如圖4所示。

    程序運(yùn)行開(kāi)始后，首先調(diào)用子程序LoadPatterns(char*fname)進(jìn)行裝載數(shù)據(jù)，同時(shí)將數(shù)據(jù)轉(zhuǎn)換成Pattern[i][j]數(shù)組；接著調(diào)用子程序InitClusters()進(jìn)行簇中心的初始化過(guò)程，將選取數(shù)據(jù)樣本中的前k個(gè)樣本作為初始的聚類(lèi)中心；然后程序?qū)⑦M(jìn)入主控程序RunKMeans()，它將比較每個(gè)對(duì)象和各個(gè)簇中心的距離，將數(shù)據(jù)對(duì)象分配到與簇中心距離最短的簇中；然后再根據(jù)對(duì)象的分配重新計(jì)算簇的中心，如果簇中心不再發(fā)生變化，即ConFlag=True，則聚類(lèi)已完成，否則繼續(xù)遞歸運(yùn)算；最后運(yùn)行子程序ShowCenters()和ShowCluster()，輸出聚類(lèi)中心和每個(gè)簇成員的數(shù)目，程序結(jié)束。

3 數(shù)據(jù)測(cè)試及分析

    通過(guò)對(duì)算法的實(shí)現(xiàn)發(fā)現(xiàn)將數(shù)據(jù)樣本輸入得出結(jié)果基本與分析一致，加大樣本數(shù)量對(duì)用戶(hù)進(jìn)行分析，還可得出用戶(hù)消費(fèi)能力和消費(fèi)意愿，結(jié)果分布如圖5所示。

    由圖5可見(jiàn)，用戶(hù)消費(fèi)能力呈現(xiàn)平均分布情況，高端客戶(hù)平均分布在49元～73元之間，低端客戶(hù)用戶(hù)數(shù)分布最多的區(qū)間位于10元～12元之間。消費(fèi)意愿普遍高于用戶(hù)消費(fèi)能力，說(shuō)明用戶(hù)具備極大的消費(fèi)潛力。特別是高端用戶(hù)消費(fèi)能力明顯增強(qiáng)。

4 結(jié)論

    本文首先建立用戶(hù)維系挽留系統(tǒng)，并利用數(shù)據(jù)挖掘算法對(duì)用戶(hù)特征進(jìn)行挖掘聚類(lèi)。另外，對(duì)算法進(jìn)一步實(shí)現(xiàn)，最后，采用運(yùn)營(yíng)商實(shí)際產(chǎn)生數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證，表明分類(lèi)結(jié)果真實(shí)可靠。

參考文獻(xiàn)

[1] 郭光亮.江蘇聯(lián)通客戶(hù)維系與挽留策略研究[D].上海：華東理工大學(xué)，2011.

[2] 沈偉，高尚，梅鋒.建立基于生命周期的維系挽留系統(tǒng)[J].通信企業(yè)管理，2013(1)：76-77.

[3] 劉晨，孫秀杰，李響.電信企業(yè)客戶(hù)維系挽留應(yīng)用數(shù)據(jù)挖掘探討[J].商場(chǎng)現(xiàn)代化，2008(24)：29.

[4] 葉晟，龐貴泳.基于BCS數(shù)據(jù)倉(cāng)庫(kù)的廣西聯(lián)通存量維系系統(tǒng)[J].廣西通信技術(shù)，2014(3)：34-40.

[5] 劉志超，王雷，谷壘，等.基于數(shù)據(jù)挖掘技術(shù)的客戶(hù)流失預(yù)警模型[J].微計(jì)算機(jī)信息，2011，27(2)：176-177.

[6] 文篤石.基于數(shù)據(jù)倉(cāng)庫(kù)的客戶(hù)挽留系統(tǒng)[J].微型機(jī)與應(yīng)用，2015，34(18)：11-13.

[7] 張杰，卓靈，朱韻攸.一種K-means聚類(lèi)算法的改進(jìn)與應(yīng)用[J].電子技術(shù)應(yīng)用，2015，41(1)：125-131.

[8] 黃海新，吳迪，文峰.決策森林研究綜述[J].電子技術(shù)應(yīng)用，2016，42(12)：5-9.

作者信息:

石元博1，張?chǎng)蚊?，黃越洋2

（1.遼寧石油化工大學(xué) 計(jì)算機(jī)與通信工程學(xué)院，遼寧 撫順113001；

2.遼寧石油化工大學(xué) 信息與控制工程學(xué)院，遼寧 撫順113001)