基于多维度数据挖掘电子渠道精准服务营销模型研究.docVIP

基于多维度数据挖掘电子渠道精准服务营销模型研究 　　随着电信市场竞争越发激烈及移动互联网时代的来临，客户对业务的需求日趋多样化和差异化，对运营商的服务质量也提出了更高要求；另一方面，运营商自身各系统中的大量数据通过精细化模型挖掘必将在分析用户行为、精确识别客户业务需求、开展精细化服务营销方面发挥巨大作用。基于以上两点，本文以客户细分理论与数据挖掘理论为基础，创新性地构建了基于客户业务与价值、客户电子渠道行为及客户基本属性等多维度数据的电子渠道精准服务营销模型，为运营商开展电子渠道精准服务营销提供了决策分析工具。 　　一、电子渠道精准服务/营销模型的理论基础 　　1.客户细分理论 　　客户细分就是运用科学的分析方法，把客户分成一些客户群。在每个客户群中，客户的需求、购买习惯和行为等方面比较相似；相反，不同的客户群之间，差别却比较明显。其基本的出发点是每个人作为消费者，对同一种产品或服务的具体功能需求和关注点是存在差异的，因此企业必须尽最大可能去考虑这些不同，识别存在于整体客户中具有不同消费习惯和特征的子群体，根据每个群体的特征制定针对性的管理或营销策略，提供符合这个群体的产品或服务，从而提高营销效率，同时这种细分能力也可成为企业的核心竞争力，使企业在激烈的市场竞争中立于不败之地。 　　客户细分的作用很多，其服务目的也多种多样，既可以帮助企业确定营销战略，也有助于企业开发产品、制定价格体系、完善销售渠道、设计促销和广告宣传方案，还有助于企业有效地开展客户关系管理。 　　电信运营商在粗放式经营时代，对于新业务、新产品的推广往往采用撒网式推广：例如运用短信群发的方式为所有客户推荐新业务。结果往往也是一无所获。因此在做客户细分时，必须做到有的放矢，对产品进行精确市场定位，更好地满足消费者的需求。 　　2.数据挖掘理论 　　数据挖掘技术从产生到发展，虽然时间不长，但已广泛地应用于各个领域，如政府、大学、研究所、商业和企业等，尤其在金融、保险和电信领域，数据挖掘技术更是表现出了广阔的应用前景。近???来，数据挖掘系统开发有了长足的发展，一些系统开发商在各行业进行了大量的商业应用，并形成了相应的数据挖掘实施流程。本文在总结的基础上，提出了模型数据准备、挖掘算法选择、模型建立及优化和模型结果应用四个环节。 　　数据挖掘技术经过不同行业的应用，表现出多种功能，经过归纳主要包括聚类、分类和预测、关联和序列模式发现等，这些功能在电信企业的CRM中可以解决客户细分、新产品推广等精准服务营销等商业问题。目前的常用数据挖掘算法主要包括聚类、决策树、关联规则、人工神经网络和遗传算法等。 　　二、电子渠道精准服务/营销模型建立 　　1.模型分析框架 　　模型分析的框架主包括： 　　（1）数据导入 　　模型可连接数据仓库获得挖掘数据，还可导入外部数据进行分析。根据所选择的分析变量，将经过处理的数据组合形成一个记录表，即宽表。 　　（2）选择细分变量 　　通过变量分析选择进行细分的变量。在选择细分变量时，经常会用到其它的统计分析方法，如相关分析等。相关分析与聚类分析是相互依赖性分析，适合于探索性研究和描述性研究。在具体操作中，通常用相关分析方法对变量组进行降维处理，形成有代表性的少量变量，再对这些变量进行聚类分析。 　　（3）选择分析方法 　　选择基于K-Means算法的聚类分析方法对细分变量进行挖掘。 　　（4）数据挖掘 　　根据所选择的细分变量和分析方法进行数据挖掘，并显示结果。 　　（5）结果显示 　　可选择的输出方法有：图形、表格、Excel文件、文本文件等。 　　具体图示如下： 　　2.模型数据准备 　　模型数据准备就是要将长期以来积累在运营商各系统的客户数据统一集中，即要通过数据集中及模型构建的过程将隐藏在这些数据中的、尚未被发现的“知识”提取出来，用于精准化的服务与营销，指导企业的市场营销活动，进一步巩固和发展与客户的关系。同时，模型数据获取过程要尽可能地实现自动化，即建立一个统一的数据信息平台和系统。该系统应当以数据仓库为基础，以知识发现为手段，以提高客户满意度和忠诚度为目的，体现以“客户为根”的经营理念，为电信企业市场分析人员和高层决策者提供分析和决策支持。这主要包括以下两个方面的内容： 　　（1）对于模型构建：根据具体模型要实现的业务问题和分析主题，通过建立数据集市的方式对操作型系统中的数据进行重新组织，并最终构建一个统一的数据仓库。 　　（2）对于日常分析：基于数据仓库或数据集市，利用自行开发的数据挖掘工具对数据进行分析和挖掘，并将最终结果展示给用户。 　　3. 挖掘算法选择 　　聚类分析是一个具有很强挑战性的领域，作为一种非监督型的知识发现方法，它不需要任何事先的训练数据，而仅仅按