數據挖掘技術在電信行業crm中應用研究(留存版)

　　

【正文】 定每個記錄所屬類別。通過數據挖掘中的時間序列分析，可以對業務量的情況進行一定程度的預測，就可以更合理的安排人員的數量，在不降低效率的基礎上，降低企業的運營成本。對這些數據進行挖掘，有利于盡早發現潛在的網絡故障，提高網絡的利用率。靜態數據指不常變化的數據，包括服務合同屬性（如服務類型、 服務時間、交費類型）和客戶的基本資料；動態數據指頻繁或定期改變的數據，如月消費金額、交費記錄、消費特征。需要指出的是，不同的商業問題和不同的數據分布屬性會影響模型建立與調整的策略，而且在建模過程中還會使用多種近似算法來簡化模型的優化過程。可以先由集團總部建立一個通用模型，各分公司在此基礎上利用本地數據進行修正，從而得到適用于本地的精確模型。模型選擇與預建立在模型建立之前，可以利用數據挖掘工具的相關性比較功能，找出每一個輸入變量和客戶流失概率的相關性，刪除相關性較小的變量，從而可以縮短建模時間，降低模型復雜度，有時還能使模型更精確。對于因賬戶取消發生的流失，目標變量可以直接選取客戶的賬戶狀態（取消或正常）；對于因賬戶休眠發生的流失，可以認為持續休眠超過一定時間長度的客戶發生了流失。大客戶特征識別大客戶群體是電信企業利潤的主要來源，也是電信企業之間相互爭奪的焦點。通過數據挖掘技術，可以讓企業的決策回歸到自己的業務中，得到更實際的判斷。（三）、分類問題分類分析就是通過分析樣本客戶數據庫中的數據，為每個類別做出準確的描述或建立分析模型或挖掘出分類規則，然后用這個分類規則對其它客戶的記錄進行分類。通過數據挖掘技術來獲取新客戶首先必須收集一份潛在客戶名單。從兩個方面分析電信企業客戶保持的重要性，從電信企業所處的外部環境來看，客戶保持是進行市場競爭的需要。建模過程時用數據挖掘的一些算法對數據進行分析，然后產生一些數學模型，這些模型用來對客戶將來的行為進行預測分析。大客戶又主要包括兩類：其一指客戶范圍大，不僅包括普通的消費者，還包括企業的分銷商、經銷商、批發商和代理商；其二指客戶的價值大，不同的客戶對企業的利潤貢獻差異很大，20%的大客戶貢獻了企業80%的利潤，因此，企業必須要高度重視高價值客戶以及具有高價值潛力的客戶。細分可以讓一個用戶從比較高的層次上來查看整個數據庫中的數據，細分也使得人們可以用不同的方法對待處于不同細分中的客戶。數據挖掘可以幫助企業分析出最優的合理的銷售匹配。隨著獲得新客戶的費用與保留客戶的費用比在逐年升高，這樣的效果也逐年明顯，尤其電信業在獲取新客戶的時候的費用是非常高的。近年來電信體制的激烈變革和競爭的加劇使電信企業忙于開拓市場、發展客戶，對客戶保持重視不夠。次序關聯：這種分析的側重點在于分析事件的前后序列關系，發現諸如“在購買A商品后，一段時間里顧客會接著購買商品B，而后購買商品C”的知識，形成一個客戶行為的 “A→B→C”模式。這個業務應用模型就可以套用于實際的業務處理，從而完成一個閉環的挖掘過程。目前電信CRM的數據挖掘應用主要涉及以下幾個方面：客戶消費模式分析客戶消費模式分析是對客戶歷年來長話、市話、信息臺的大量詳單、數據以及客戶檔案資料等相關數據進行關聯分析，結合客戶的分類，可以從消費能力、消費習慣、消費周期等諸方面對客戶的話費行為進行分析和預測，從而為運營商的相關經營決策提供依據。此外在分析客戶流失時必須區分集團/個人客戶，以及不同消費水平的客戶，并有針對性地制定不同的流失標準。第二種是客戶的轉移流失，通常指客戶轉移到競爭對手，并使用其服務。如發現開戶時長與客戶流失概率的相關度較高，利用業務知識可以解釋為：客戶在使用一定年限后需要換領新SIM卡，而這一手續的繁瑣導致客戶寧愿申請新號碼，從而造成客戶流失。反過來，通過業務解釋也能證明數學模型的合理性和有效性。因此在選擇建模數據時必須選擇第二種流失客戶數據參與建模，才能建立有效的模型。國外成熟的應用中通常根據相對指標來判別客戶流失，例如大眾的個人通信費用約占總收入的1%~3%，當客戶的個人通信費用遠低于此比例時，就認為發生了客戶流失。客戶欠費分析和動態防欺詐通過數據挖掘，總結各種騙費、欠費行為的內在規律，并建立一套欺詐和欠費行為的規則庫。 數據挖掘應用循環過程在CRM中應用數據挖掘，可以在以下方面對CRM提供支持：（一）、為決策提供依據