主成分分析应用解析.docxVIP

一、延长用户在网时长模型介绍背景随着时代的发展，我们看到客户移动通信行为模式已发生巨大变化，比如移动语音通话已不再是用户的首要选择、数据业务已成为增收的主要动因、大量的移动互联网内容/应用被用户下载使用，带来了手机流量的快速增长以及老一辈传统中高端客户（原传统商务成功人士）正在逐步退出历史舞台，新一代核心客户的上网需求已超过语音质量需求···为顺应市场和客户消费需求的变化，需要在传统经分数据基础上，对客户多种类型数据进行深度分析，深入洞察用户需求，最终有效延长高价值客户的在网时长，提高客户带来的收入总值。应用目标高价值用户的总体价值集中体现在收入贡献与在网时长。而在延长在网时长的分析方面，较少有科学有效的数学模型支撑，也没能深入洞察客户需求，导致针对在网时长的营销存在不同程度的资源浪费，无法达到有效率的营销目标。本模型侧重于在网时长方面的分析，主要通过探索影响客户在网时长的关键因素，找到与在网时长强相关的指标，调用营销资源通过提高该指标的比例从而达到提高客户在网时长的目的，提高客户带来的收入；方法原理主要矛盾：分析选取的相关指标越多，越能更全面地解释在网时长差异性的原因，洞察客户在网时长背后驱动因素。但是，一方面更多指标导致更高的分析复杂性；另一方面，营销资源是稀缺而且宝贵的，需要将营销资源集中使用在关键指标上，发挥营销资源的最大作用。所以在分析的过程中出现了数据全面性与分析复杂度、营销资源精准使用的矛盾。解决方法：针对以上的分析矛盾，通过目前主流分析方法的比较，我们认为主成分分析方法能较好地解决问题。主成分方法能将零散的因素整合成高度概括的更有深度的综合因素，在尽可能多地包含原本数据的信息的同时，能够将多个变量整合成少数几个主成分，并且能够依据重要性进行排名，能从众多因素中甄别出核心因素；再通过评估这些关键指标与用户在网时长的相关度，找到影响用户在网时长的重要因素，根据这些指标的特征，对于不同的客户分群进行营销刺激使客户满足这些指标特征，从而达到提高客户在网时长的目的。模型关键：与用户在网时长强相关的指标选取不再是依据主观性判断，或者是简单特征归纳统计几个维度的指标，而是将描述客户消费特征的全部指标均运用数学降维的方式分析之后，得到与在网时长强相关的指标，并加以应用这些指标；模型建立流程通过对影响在网时长的因素进行研究，找出影响在网时长的关键因素，对核心因素进行关注并实施相应的营销手段，以提高客户的在网时长。具体流程为因素选取—主模型建立—主成分解读—决策输出—营销分析—效果分析—模型改进的流程。1-1模型建立流程图分析对象分析对象为随机抽取的8069位广东省在网客户的消费行为数据，包括语音支出、基本月租费、数据业务使用各个指标等。模型计算与检验数据预处理去相关性：由于客户消费行为相关性很强，会因为相关性指标的重复计算影响主成分分析的结果，所以对初始数据指标进行调整，使客户消费行为相关性较强的指标整合或单项保留。数据标准化：由于客户消费行为各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。数据输入经过数据预处理，我们得到更科学合理的输入数据：2-1指标输入简表指标类型语音支出数值型是否3G手机字段型WLAN上行流量数值型GPRS套餐费数值型下载彩铃次数数值型手机阅读信息费数值型手机阅读使用天数数值型12580查询次数数值型MM下载次数数值型…………主成分分析首先通过模型运算得到描述客户特征的主成分，得到16个主成分，包含了客户82%的信息量。再进一步分析主成分中的能够较高程度代表客户信息的指标与在网时长这个指标的相关度，最终分析得到影响这批客户在网时长的关键指标。确定主成分个数从相关矩阵的特征值看，前16个成分的特征根都1；从主成分累计贡献率看，前16个主成分的累计贡献率达82.15%，即包含了全部数据82.15％的信息量，表示16个主成分能较好地代表所有影响在网时长的因素，所以根据主成分个数的选取准则可选取前16个主成分。2-2特征根与方差贡献率成份特征根方差贡献率累积百分比11.7057.1087.10821.7017.09014.1931.7007.08621.2841.5396.41427.6951.4215.92433.6261.2915.38239.0071.1484.78343.7981.0654.43748.2291.0604.41752.64101.0554.39657.04111.0174.24161.28121.0044.18465.46131.0024.17669.64141.0014.17173.81151.