运营商行业常见算法和模型应用.docxVIP

运营商作为少有的天然大数据企业之一，拥有海量的、多维的用户数据，也是较早运用数据指导运营的企业，建立了较为完善的业务指标体系和系统平台，包括经分系统、数据业务平台、集团业务平台等，当然，也部署了大量的数据模型。随着精细化运营、精准营销的发展，运营商越来越关注模型的构建，希望通过模型精确识别客户、匹配营销策略、个性化推荐内容等，实现基于数据的决策。1、运营商常用模型分类????????从在运营商从事咨询的经验来说，运营商常用的数据模型可以分为五类：预测模型、分类模型、关联模型、交往圈模型及业务规则模型。1.1、预测模型???????预测模型主要用于指标的预测、趋势的预测，如新增客户、流量等的预测，主要使用线性回归、ARIMA、时间序列等算法，预测数值是为了对往后的趋势进行准确把握，及时调整市场和产品策略，当然也能更好的完成KPI指标。???????指标预测模型：1）新增用户占比预测；2）流量增长预测。1.2、分类模型???????分类模型主要用于客户细分和目标客户识别，如用户是否离网、用户是否有购买手机的倾向等，主要使用聚类、决策树、RFM、逻辑回归、决策树和神经网络等算法，分类模型是使用得最为广泛的模型，是实现精准营销的基础。??????潜在商机客户识别模型：1）潜在4G终端客户识别模型，通过客户消费、通信及终端信息等，识别高换机概率客户；2）潜在宽带客户识别模型，通过客户消费、通信及终端信息等，识别高装宽带概率客户；3）潜在某项业务目标客户识别模型（如和视频、和阅读等），通过客户消费、通信、终端（功能机客户显然不可能安装自有互联网业务APP）及内容偏好等，识别潜在自有互联网业务客户；4）潜在集团信息化产品客户识别模型，包括专线、MAS、ADC、IDC、IMS等；??????潜在预警客户识别模型：1）离网客户预警模型，分析客户通信、消费及预警行为（呼转异网号码、异网号码通话占比及拨打竞争对手客户次数等），预测高离网概率客户；2）欠费预警模型；3）中高端客户流失预警模型；4）拍照存量客户流失预警模型。??????客户价值分类模型：1）客户星级/信用评定模型，综合客户资费档次、网龄、消费、停机次数等，评定客户星级；2）数据业务高价值客户识别模型：3）缴费RFM模型；4）集团客户价值评估；5）渠道价值评估模型；??????客户业务细分模型：1）语音客户细分模型；2）流量客户细分模型；3）自有互联网业务细分模型。1.3、关联模型???????关联模型主要用于探索业务间的关联度，从而进行相关推荐，如购买视频会员的用户是否会购买音乐会员，主要使用相关分析、Apriori（挖掘频繁项集）、协同过滤（推荐系统）等算法，这里将推荐系统也看成是关联模型的一种，因为它们都是计算事物间的相关性或距离，然后进行推荐，大体思想是一样的。使用关联模型主要是为了开展个性化推荐。??????自有互联网业务关联推荐模型：1）通过分析客户上网内容、APP使用行为，为客户推荐关联自有互联网业务；2）分析自有互联网业务间的关联度，为已使用某种业务的客户推荐关联业务。1.4、交往圈模型???????交往圈模型主要用于分析客户的交往圈行为，如通话交往圈、短信交往圈、其它社交业务交往圈等，主要使用社交网络、业务规则等算法，分析用户交往圈是为了找出种子用户或识别异常用户。??????虚假客户识别模型：1）虚假集团客户识别模型：通过集团成员互通率、短号活跃度等判断虚假集团，剔除0互通率及低互通率集团及成员；2）虚假校园客户识别模型：通过校园客户与同校客户互通情况判定虚假校园客户；??????双卡/双机客户识别模型：双机和双卡客户本质上是一致的，主要通过呼转、交往圈重叠等识别；??????离网客户去向模型：通过身份证信息、异网新增客户交往圈重叠等识别离网客户去向（结合外呼调研）；??????新增客户来源识别模型：通过身份证信息、异网新增客户交往圈重叠等识别新增客户来源（结合外呼调研），包括重入网用户识别等；??????种子用户识别模型：通过分析客户通话交往圈、短信交往圈、飞信交往圈等，识别交往圈中的影响力大的客户，需综合考虑客户的交往圈规模及交往圈对端质量。??????潜在家庭V网客户识别：通过分析客户交往圈，识别客户的家庭成员，作为家庭V网的目标客户。如客户通话频次前3的客户，且晚间高频通话基站相同的客户，且都不是家庭V网客户。1.5、业务规则模型???????业务规则模型是基于多项业务规则组合的模型，其实所有模型都是挖掘出事物间存在的潜在模式，然后生成各种各样的规则，有时候通过数学模型往往难以产生很好的效果，则会根据业务经验生成一些规则，形成规则模型，如预测随后几月的收入，不管是使用线性回归或者时间序列模型都难以产生很好的结果，这时往往使用每月的收入占比并与去年同期比较来进行