某運(yùn)營商數(shù)據(jù)挖掘項(xiàng)目匯報(bào)_新增用戶維系(ppt37頁)-文庫吧
2024-12-23 00:51 本頁面
【正文】 、 WAP等自有媒體體開展網(wǎng)齡營銷、優(yōu)惠補(bǔ)卡及帶號轉(zhuǎn)品牌、套餐、停機(jī)保號等的傳播。 ? 加強(qiáng)欠費(fèi)管理，減少無效欠費(fèi)； ? 主卡付費(fèi) +親情網(wǎng)； ? 賬戶低余額時充值提示； ? 優(yōu)惠或免費(fèi)補(bǔ)卡； ? 推薦帶號轉(zhuǎn)品牌或帶號轉(zhuǎn)套餐。 10 □ 渠道養(yǎng)卡識別與監(jiān)控 □ 重入網(wǎng)與反復(fù)重入網(wǎng)管理 ■ 正常低網(wǎng)齡用戶維系 新增用戶維系 11 正常低網(wǎng)齡用戶維系基本策略 剔除了渠道養(yǎng)卡用戶和反復(fù)重入網(wǎng)用戶后所獲得的正常低網(wǎng)齡用戶是新增用戶流失控制的重點(diǎn)。運(yùn)用數(shù)據(jù)挖掘方法，識別出不同流失預(yù)警級別的用戶，針對高危用戶和異動用戶分別采取針對性的營銷捆綁手段進(jìn)行維系，同時結(jié)合網(wǎng)齡營銷，延長用戶生命周期。 正常低網(wǎng)齡用戶分群 用戶 ? 重綁： 針對高危用戶在網(wǎng)黏性已很弱的特點(diǎn)，采取較大力度的營銷捆綁策略，以返還周期短的財(cái)務(wù)捆綁和力度較大的業(yè)務(wù)捆綁為主，以服務(wù)捆綁為輔。 ? 力保： 針對異動用戶尚處于流失猶豫期、還具有一定黏性的特點(diǎn)，維系策略將以強(qiáng)化用戶的業(yè)務(wù)黏性為重點(diǎn)，以業(yè)務(wù)捆綁和較長返還周期的財(cái)務(wù)捆綁為主，以服務(wù)捆綁為輔。 ? 全用戶常規(guī)保有（不研究）。 細(xì)分用戶群 基本策略 流失高危 用戶 在網(wǎng)異動 用戶 相對穩(wěn)定 用戶 12 多級預(yù)警，多級維系 在模型挖掘的基礎(chǔ)上，準(zhǔn)確判別正常低網(wǎng)齡用戶的流失傾向，根據(jù)用戶流失概率的高低分別實(shí)施針對性的維系策略和措施，對可能流失的用戶提前預(yù)防，多級維系，有效地防止用戶流失。 流失異動用戶 營銷捆綁 日常維系及 異動監(jiān)控 辦理 未辦理 模型匹配 低網(wǎng)齡用戶 流失高危用戶 是否流失 流失 未流失 1 1 2 一級匹配和維系； 二級匹配和維系。 1 2 13 正常低網(wǎng)齡用戶細(xì)分、預(yù)警及維系框架 精準(zhǔn)營銷模型 新增用戶細(xì)分模型 用戶價值 在網(wǎng)時長 渠道偏好 促銷偏好 用戶號碼 消費(fèi)特征 用戶清單 話費(fèi)余額 新增網(wǎng)用戶流失模型 商務(wù)高端用戶群 長途話務(wù)突出群 本地話務(wù)突出群 本地低端用戶群 數(shù)據(jù)業(yè)務(wù)發(fā)燒群 …… 漫游突出用戶群 數(shù)據(jù)業(yè)務(wù)興趣群 本地話務(wù)偏好群 在網(wǎng)異動用戶 流失高危用戶 長途話務(wù)突出群 本地話務(wù)突出群 本地低端用戶群 …… 漫游突出用戶群 數(shù)據(jù)業(yè)務(wù)突出群 本地話務(wù)偏好群 當(dāng)月新增用戶 其他新增用戶 營銷案 14 用戶流失預(yù)警和細(xì)分建模過程 ? 流失現(xiàn)狀分析 ? 流失原因分析 ? 流失用戶特征分析 ? 流失預(yù)警建模目標(biāo)溝通確定 ? 流失細(xì)分模型目標(biāo)溝通確定 ? 根據(jù)建模要求和現(xiàn)有數(shù)據(jù)情況，構(gòu)思、溝通和確定建模數(shù)據(jù)提取需求 ? 提取 09年 110月新增用戶在 110月的自然屬性和消費(fèi)行為數(shù)據(jù) ? 提取 09年 10月新增用戶在 10月的日消費(fèi)行為數(shù)據(jù) ? 數(shù)據(jù)質(zhì)量審核 ? 數(shù)據(jù)探索 ? 非正常用戶的剔除。根據(jù)渠道養(yǎng)卡和跳蚤用戶識別模型提取異常用戶 ? 數(shù)據(jù)抽樣。確定建模用戶集合 ? 建模衍生變量計(jì)算。根據(jù)提取的基礎(chǔ)數(shù)據(jù)寬表計(jì)算衍生變量 ? 建模變量篩選 ? 特征建模分析 ? 卡方分析 ? 方差分析 ? 雙變量分析 ? Pearson相關(guān)分析 ? wald顯著性檢驗(yàn) ? 量重要性分析 ? 建模變量數(shù)據(jù)轉(zhuǎn)換 ? 對數(shù)變換 ? 標(biāo)準(zhǔn)化變換 ? 確定建模用戶集 ? 確定建模用戶數(shù)據(jù)集 ? 采用 Two Step聚類算法，建立用戶細(xì)分模型 ? 月數(shù)據(jù)用戶細(xì)分模型（高價值 用戶和在網(wǎng) 2月及 2月以上的新增用戶細(xì)分 ? 日數(shù)據(jù)用戶細(xì)分模型（在網(wǎng) 1月新增用戶細(xì)分） ? 業(yè)務(wù)解釋聚類結(jié)果，調(diào)整模型參數(shù)和建模變量，直到得到滿意結(jié)果 ? 確定建模用戶集 ? 確定建模用戶數(shù)據(jù)集 ? 采用邏輯回歸和決策樹算法建立流失預(yù)警模型 ? 在網(wǎng) 2月新增用戶流失預(yù)警模型 ? 在網(wǎng) 2月以上新增用戶流失預(yù)警模型 ? 在網(wǎng) 1月新增用戶流失預(yù)警模型 ?采用生存分析算法建立高價值用戶流失預(yù)警模型 ? 模型的評估 ? 提升圖、收益圖 ? 混淆矩陣。準(zhǔn)確率和查全率 ? 模型的優(yōu)化 ? 建模訓(xùn)練集比例 ? 異常值處理 ? 建模變量 ? 建模方法 ? 模型參數(shù) – 顯著性檢驗(yàn)方法 – 顯著性檢驗(yàn)變量剔除閾值 – 樹的深度和頁節(jié)點(diǎn)記錄個數(shù) – …… 15 數(shù)據(jù)提取 數(shù)據(jù)清洗 數(shù)據(jù)審核 數(shù)據(jù)集成 ? 數(shù)據(jù)挖掘?qū)挶順?gòu)建 ? 缺失數(shù)據(jù)處理 ? 極值數(shù)據(jù)處理 ? 錯誤數(shù)據(jù)處理 ? 冗余數(shù)據(jù)處理 ? 數(shù)據(jù)統(tǒng)計(jì)錯誤審核 ? 數(shù)據(jù)源錯誤審核 ? 數(shù)據(jù)統(tǒng)計(jì)口徑審核 數(shù)據(jù)準(zhǔn)備確保建模數(shù)據(jù)的完整性、可用性和完整性 ? 提取建模所需數(shù)據(jù) 數(shù)據(jù)準(zhǔn)備 16 篩選建模變量、根據(jù)模型要求進(jìn)行數(shù)據(jù)變換 建模準(zhǔn)備 經(jīng)分?jǐn)?shù)據(jù) 挖掘?qū)挶? 變量轉(zhuǎn)換 變量篩選 健康度建 模指標(biāo)庫 變量清洗 17 用戶細(xì)分采用凝聚層次聚類算法 選擇 初始化 更新 結(jié)束 ?計(jì)算包含每對樣本間距離（如歐氏距離）的相似矩陣，把每個樣本作為一個簇 ?使用相似矩陣查找最相似的兩個簇 ?將兩個簇合并為一個簇，簇的個數(shù)通過合并被更新；同時更新相似矩陣，將兩個簇的兩行（兩列）距離用 1行（ 1列）距離替換反映合并操作。 ?當(dāng)所有樣本都合并成一個簇或滿足指定的簇的數(shù)目時，整個過程結(jié)束。 層次聚類可以分為兩種：凝聚的方式和分割的方式，凝聚是一種至底向上的方法，將每一條記錄看作一個類，然后根據(jù)一些規(guī)則將他們聚合成越來越大的類，直到滿足一些預(yù)先設(shè)定的條件。 1 2 3 4 執(zhí)行 n1次步驟 2和步驟 3 18 網(wǎng)齡 2月及以上新增用戶細(xì)分模型 ? 采用 SPSS及 CLEMENTINE作為數(shù)據(jù)分析與聚類建模工具 ? 算法為 Two Step 聚類算法 ? 使用細(xì)分矩陣，按照語音消費(fèi)行為和數(shù)據(jù)業(yè)務(wù)消費(fèi)行為兩次聚類的方法分別聚類，多維聚類的方法較傳統(tǒng)單維聚類方法，聚類后的用戶細(xì)分特征更明顯 ? 聚類數(shù)據(jù)集為 2023年 19月新增用戶入網(wǎng)后第二個月，且第二月狀態(tài)正常的用戶的基礎(chǔ)數(shù)據(jù)和消費(fèi)行為數(shù)據(jù) ? 數(shù)據(jù)在聚類前需進(jìn)行標(biāo)準(zhǔn)化變換和極值處理 本地通話次數(shù) 長途通話次數(shù) 計(jì)費(fèi)通話時長 漫游通話次數(shù) ARPU 低端 中低端 長途突出 本地突出 漫游突出 商務(wù) GPRS流量 新業(yè)務(wù)費(fèi) 新業(yè)務(wù)使用種類數(shù) 彩信條數(shù) 短信條數(shù) 新業(yè)務(wù)費(fèi)占比 使用 少 占比高 興趣 短信突出 上網(wǎng)突出 發(fā)燒友 19 細(xì)分群
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1