【正文】 ARPU為 65元 /戶左右，訂購數(shù)據(jù)業(yè)務種類最多，且數(shù)據(jù)業(yè)務消費最高， 占比高達 67% % 細分群主要消費行為特征（網(wǎng)齡 =2個月） 2 21 網(wǎng)齡 1月新增用戶細分模型 ? 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 ? 使用細分矩陣，按照語音消費行為和數(shù)據(jù)業(yè)務消費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，聚類后的用戶細分特征更明顯 ? 聚類數(shù)據(jù)集為 2023年 10月 1~25日入網(wǎng)， 11月 1日之前未流失的用戶從入網(wǎng)當日至月底的日均消費行為數(shù)據(jù) ? 數(shù)據(jù)在聚類前需進行標準化變換和極值處理 低端 中低端 長途突出 本地突出 商務 占比占比 高 使用少 興趣 上網(wǎng)突出 發(fā)燒友 日均本地通話次數(shù) 日均長途通話次數(shù) 日均漫游通話次數(shù) 日均計費通話時長 日均 GPRS流量 日均彩信條數(shù) 日均短信條數(shù) 新業(yè)務使用 種類數(shù) 新業(yè)務費占比 22 序號 細分群名稱 細分群 特征 規(guī)模占比 1 漫游突出用戶群 語音消費行為相對數(shù)據(jù)業(yè)務消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當月 ARPU為 100元 /戶左右，經(jīng)常去外地，漫游話務突出，本地及長途話務很少，且漫游通話頻次最高 % 2 長途話務突出群 語音消費行為相對數(shù)據(jù)業(yè)務消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當月 ARPU為 100元 /戶左右，交往圈中有大量外地號碼，長途話務突出，基本無漫游，且長途通話頻次最高 % 3 本地話務突出群 語音消費行為相對數(shù)據(jù)業(yè)務消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當月 ARPU為 75元 /戶左右，交往圈主要集中在本地，本地話務突出，基本無漫游，長途很少，且本地通話頻次最高 % 4 本地話務偏好群 語音消費行為相對數(shù)據(jù)業(yè)務消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當月 ARPU為 55元 /戶左右，交往圈主要集中在本地，通話時長相對較低，但本地話務相對突出，基本無漫游，長途很少 % 5 本地低端用戶群 語音和數(shù)據(jù)業(yè)務消費均較低，且二者消費相對均衡；入網(wǎng)當月 ARPU為 25元 /戶左右，主要在本地活動，本、長、漫通話時長均為最低，基本無數(shù)據(jù)業(yè)務使用量 % 細分群主要消費行為特征（網(wǎng)齡 1個月） 1 23 序號 細分群名稱 細分群 特征 規(guī)模占比 6 數(shù)據(jù)業(yè)務突出群 數(shù)據(jù)業(yè)務消費行為相對語音消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當月 ARPU為 30元 /戶左右，訂購數(shù)據(jù)業(yè)務種類最多，且數(shù)據(jù)業(yè)務消費占比高， 高達 79% % 7 GPRS偏好用戶群 數(shù)據(jù)業(yè)務消費行為相對語音消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當月 ARPU為 54元 /戶左右， GPRS消費最高，遠高于其他群，且數(shù)據(jù)業(yè)務消費占比高， 高達 77% % 8 短信突出用戶群 數(shù)據(jù)業(yè)務消費行為相對語音消費行為更為突出，為用戶主要行為屬性；入當月 ARPU為 80元 /戶左右，數(shù)據(jù)業(yè)務消費占比為 65%左右，日平均發(fā)送短信 10條左右，主要使用短彩信業(yè)務，且短信和彩信上行條數(shù)均為最高 % 細分群主要消費行為特征（網(wǎng)齡 1個月） 2 24 ? 新增用戶中的流失用戶超過四分之三的用戶生命周期不超過四個月，不具有完整的生命周期特征 ? COX生存分析模型，隱含了一條假設，即在時間越長，其離網(wǎng)的可能性就越大，這樣一來，是否離網(wǎng)和在網(wǎng)時間應該是正相關的， COX模型在擬合的時候，會在這個約束之下，所以其對數(shù)據(jù)的擬合沒有 LOGIT效果好 因此對新增用戶離網(wǎng)預警，采用 LOGIT回歸模型或決策模型 新增用戶中的流失用戶有 76%在入網(wǎng)后的四個月內(nèi)流失 ? 流失用戶的 76% 是在入網(wǎng)后的四個月內(nèi)流失 ? 分別有 22%和 23%的流失用戶在入網(wǎng)后的第一個月和第二月內(nèi)流失 數(shù)據(jù)來源： ?09年 1月 10月新增用戶 ?流失用戶定義：當月停機，且連續(xù)停機 60天以上用戶 ,到 2023年 11月仍未開機用戶 ?網(wǎng)齡舉例： 3月入網(wǎng)， 3月流失的用戶，網(wǎng)齡為0個月 流失用戶的在網(wǎng)時長分布 25 決策樹預測模型：決策樹是以實例為基礎的歸納學習算法，它著眼于從一組無次序、無規(guī)則的實例中推理出以決策樹表示的分類規(guī)則。根據(jù)提取的基礎數(shù)據(jù)寬表計算衍生變量 ? 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相關分析 ? wald顯著性檢驗 ? 量重要性分析 ? 建模變量數(shù)據(jù)轉換 ? 對數(shù)變換 ? 標準化變換 ? 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，建立用戶細分模型 ? 月數(shù)據(jù)用戶細分模型（高價值 用戶和在網(wǎng) 2月及 2月以上的新增用戶細分 ? 日數(shù)據(jù)用戶細分模型（在網(wǎng) 1月新增用戶細分） ? 業(yè)務解釋聚類結果，調(diào)整模型參數(shù)和建模變量，直到得到滿意結果 ? 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警模型 ? 在網(wǎng) 2月新增用戶流失預警模型 ? 在網(wǎng) 2月以上新增用戶流失預警模型 ? 在網(wǎng) 1月新增用戶流失預警模型 ?采用生存分析算法建立高價值用戶流失預警模型 ? 模型的評估 ? 提升圖、收益圖 ? 混淆矩陣。 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。 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，采取較大力度的營銷捆綁策略，以返還周期短的財務捆綁和力度較大的業(yè)務捆綁為主，以服務捆綁為輔。 ? 采用戶外廣告、報紙等大眾媒體及營業(yè)廳、 10086短信、網(wǎng)站、 WAP等自有媒體體開展網(wǎng)齡營銷、優(yōu)惠補卡及帶號轉品牌、套餐、停機保號等的傳播。 ?為了提高分析結果的準確率，每月定期對上月新入網(wǎng)的用戶（上月入網(wǎng)并激活的用戶）進行分析。 ? 2個或以上號碼登記身份證號一致 這些號碼為疑似養(yǎng)卡號碼 ?ARPU： 渠道新增用戶中， 30%以上或 100人以上的用戶入網(wǎng)當月和次月ARPU低于 5元，該渠道為疑似養(yǎng)卡渠道 6 □ 渠道養(yǎng)卡識別與監(jiān)控 ■ 重入網(wǎng)與反復重入網(wǎng)管理 □ 正常低網(wǎng)齡用戶維系 新增用戶維系 7 重入網(wǎng)與反復重入網(wǎng)（跳蚤）用戶識別規(guī)則 N N+1 N6 N4 N5 N2 N3 N1 新入網(wǎng)激活月 新入網(wǎng)激活后第 1月 新入網(wǎng)激活月前半年的存量用戶歷史 IMEI庫或身份證庫 N月在網(wǎng)用戶，區(qū)分新增和存量用戶 判斷重入網(wǎng)用戶 判斷新入網(wǎng)用戶的有效 IMEI或身份證號碼 N月新入網(wǎng)用戶中的重入網(wǎng)