基于关联规则重庆移动客户群体分析.docVIP

基于关联规则重庆移动客户群体分析 　　【摘要】 为了挖掘重庆移动的潜在客户，实现企业的精准化营销，本文通过市场调研的方式收集重庆移动客户资料，以R和spss统计软件为工具，运用apriori关联规则数据挖掘算法对重庆移动客户数据进行分析，并提出初步结论和建议方案。 　　【关键词】 重庆移动客户群体 数据挖掘 关联规则 　　一、概述 　　在当今科技飞速发展的社会，客户是企业生存和发展的保障[1]。因此，对移动运营商来讲，根据当前的移动客户群体，建立更加完善、合理的客户分析方案，并在对潜在客户的培养和发现中提供更多的决策支持就显得尤为重要。本文通过市场调研的方式收集中国移动的客户资料[2]，将收集来的资料进行整理并形成数据文件，最后利用数据挖掘方法对中国移动的客户数据进行分析，并提出了初步结论和建议方案。通过该方案的实施，中国移动可以知道不同的客户有着什么样的需求，根据不同消费者的不同消费习惯和消费特点，有针对性的推出相对优惠的资费套餐来吸引客户增加收益，实现企业的精准化营销，使企业得到快速的发展。 　　二、关联规则模型 　　1、理论依据。数据关联是数据库中存在的一类重要的可被发现的知识[3]。若两个或多个变量的取值之间存在某种规律性，就称为关联，关联分析的目的是找出数据库中隐藏的关联网。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。 　　2、构建模型[4]。设是项的集合。设任务相关的数据是数据库事务的集合，其中每个事务是一个非空项集，使得。每一个事务都有一个标识符，成为。设是一个项集，事务包含，当且仅当。规则在事务中成立，具有支持度，其中是中事务包含（集合和的并）的百分比，即概率。规则在事务中具有置信度，其中是中包含的事务的同时也包含的事物的百分比，即条件概率。同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。 　　三、数据处理与分析 　　收集的移动客户调查问卷共计289份，问卷共19个问题，每个问题有多个选项。根据调研数据，将每个选项内容作为一个项，每个客户选择的结果作为一个事务，将所有数据整理成为二分变量。数据的处理分为两个部分：①问卷的1-9问题是关于客户的基本信息，即发现潜在客户；②10-19问题是关于选择了移动的不同客户有着什么不同的要求，即企业的精准化营销。本文对两部分数据分别作了分析，得到潜在客户和精准化营销的相关信息。 　　四、潜在客户分析 　　运用apriori关联规则算法对客户基本信息样本进行统计分析，将移动作为右项，设置最小支持度阈值为0.05，最小置信度阈值为0.1，建立强规则，分析重庆移动的潜在客户群体特征。 　　根据支持度排序选取了前5个规则，由表1可知：女性，每月流量消费为50-150M与移动的支持度最高，为0.1419，即有14.19%每月流量消费为50-150M的女性会选择移动运营商。其中，前5个规则中，信息比例由高到低分别为：每月流量80%，性别=女40%，月薪=3000元以下40%，职业=学生40%。 　　由表2，根据置信度排序的前5个规则中，性别=女，每月话费=50-100元，每月流量=50-150M与移动的置信度最高，达0.9524，即性别=女，每月话费=50-100元，每月流量=50-150M的人群中有95.24%会选择移动。而前5个规则中，有5个规则是每月流量与移动共存的，可知，对每月流量服务有要求的人群更偏向移动运营商；4个女性、2个月薪为3000元以下与移动共存。 　　由于性别是否影响客户选择手机运营商不能直接地从数据中体现出来，因此，通过spss软件，取显著性水平α=0.05，利用列联表的卡方检验对其进行检验。定义：运营商：1=“移动”；2=“联通”；3=“电信”。性别：1=“男”；2=“女”。 　　假设：H0：性别对客户选择手机运营商无影响； 　　H1：性别对客户选择手机运营商有影响。 　　spss分析结果如下： 　　由卡方检验可知，P值=0.070.05，所以接受原假设。经检验，性别对客户选择手机运营商无影响。 　　五、 移动精准化营销分析[5] 　　运用apriori关联规则算法对客户基本需求样本进行统计分析，设置最小支持度阈值为0.05，，最小置信度阈值为0.1，建立强规则，将移动作为左项： 　　由表5看出，支持度最高为0.2108，即21.08%的客户选择了移动运营商，喜欢运营商通过短信宣传的方式进行新服务的宣传，并其常用的手机卡附加业务为流量优惠包。从上述规则可知，移动客户从手机卡附加业务、手机卡套餐、移动推出的优惠活动等方面均对流量服务需求较大，对话费服务需求次之。 　　由表6看出，前四个规则的置信度均为1，即在移动的喜欢短信办理业务、喜欢3g.4g流量优惠活动的客户中推广手机卡的流量优惠