数据挖掘在电信的应用课件幻灯片.pptVIP

*. 电信行业数据挖掘方案 *. 1、数据挖掘简介2、数据挖掘在典型行业应用 内容提要 *. 数据挖掘简介 *. 数据挖掘--从大量数据中寻找其规律的技术，是统计学、数据库技术和人工智能技术的综合。 数据挖掘定义 *. 功能 描述分析（Descriptive Analysis） 预测分析（Predication Analysis） 数据挖掘分类 *. 挖掘算法 关联分析（Shopping Basket/Affinity Matrix Association) 回归分析（Linear/Nonlinear/Logistic Regression） 聚集 （Clustering） 判别 （Discriminant Analysis) 因子分析法 (Factor Analysis) 神经元算法 (Neuro Analysis) 异常检测 (Abnormality Detection) 序列分析 (Sequential Analysis) 数据挖掘分类 1. 更好地识别客户和产品，制定有效的CRM战略和产品研发战略 谁是我们的客户？ 谁是让我们保持盈利的客户？ 谁是我们的损失客户？ …… 我们有哪些产品和服务？ 什么产品让我们保持盈利？ 什么产品或服务一直在让我们亏损？ 数据挖掘的价值 CRM战略 产品研发战略 数据挖掘的价值 2. 细分市场和客户，运用有效营销组合 建立在数据统计上的市场细分和顾客分类 通过消费行为和人口统计特征建立可靠的模型 模型预测功能拟合出最有效的产品组合和营销手段 科学的营销测试工具 数据挖掘的价值 3. 提高营销精度，降低营销成本 我们应该向所有客户传递促销信息还是专注于某些细分客户群？（假设盈亏平衡点为3％） 数据挖掘的价值 4. 改善和客户的沟通，提高客户满意度 定制的沟通渠道 定制的沟通信息 可衡量的沟通效果（例如，根据客户在签约商家的消费情况衡量促销广告的有效性） 服务经费的最佳分配方案（最好的服务组合对应获利最丰的客户群体） 数据挖掘的价值 1.了解业务 确定业务目标 情景评估 确定数据库营销目标 制定项目计划 收集原始数据 描述数据 数据探索和检验 自变量选择 自变量数验证 数据处理和维护 典型的数据挖掘实施流程 2.收集数据 3.筛选数据 4.建模 5.模型评估 6.模型推广 确定建模算法 测试方法设计 建模 模型评估（算法层） 模型评估（业务层） 模型推广计划 实施过程监督 最终报告 建 模 数据库得分 数据探索和转换 模型评估 注：某些典型的环节被省略或合并 数据挖掘流程举例 *. 数据挖掘在电信行业应用 *. 人口统计特征 性别 年龄 职业 教育程度 平均年收入 工作单位所在行业 建档时间 户口所在地 …… 电信行业客户数据 *. 消费行为特征 月均基本通话时间/费用 月均国内通话时间/费用 月均国际通话时间/费用 月均国内长途时间/费用 月均市内通话时间/费用 呼入/呼出比例 工作日呼叫次数/时间 周末呼叫次数/时间 繁忙时段呼叫次数/时间 非繁忙时段呼叫次数/时间 语音呼叫次数/时间 非语音呼叫次数/时间/费用 呼叫转移次数 月均IP呼叫次数 掉话次数 …… 电信行业客户数据 *. 心理倾向特征 月均主动联系Call Center次数 月均投诉次数 套餐类型 缴费方式 半年内缴费延迟次数 最近Call Center主动联系内容和响应情况 非通话相关的消费嗜好（如旅游等） …… 电信行业客户数据 *. 基于电信行业，我们可以提供如下建模方案： 客户细分模型 客户离网预警模型 客户综合价值评估模型 交叉销售模型 欺诈预警模型 促销效果模拟综合平台 …… 建模方案 *. 方法： 集群分析法（Clustering） 判别分析法（Discriminant Analysis) 参数分析法（Factor Analysis） 决策树分析（Decision Tree） 描述性分析（Description Statitics） 目的： 客户群像的定量描述 了解客户自然分组，并赋予具有实际意义的组名（例如，挑剔型客户-高比例投诉，等待接听组-低比例呼出/呼入等） 通过分组，多维度了解客户（宏观和微观层面） 识别全新营销机会 为交叉销售研究提供信息基础 抽象切实可行的营销建议 是开发其它模型的基础 客户细分模型 *. 方法： 判别分析法（Discriminant Analysis) 决策树分析（Decision Tree） 对数回归模型（Logistic Regression） 客户存活模型（Life Table 和 Cox Regression） 目的： 研究离网客户和在网客户特征矩阵的差异性 在一定的时间框架内，准确识别即将离网的客户群和客户 为制定具有