某運(yùn)營商數(shù)據(jù)挖掘項(xiàng)目匯報(bào)_新增用戶維系(文件)
【正文】 維系 重入網(wǎng)與反復(fù)重入網(wǎng)（跳蚤）用戶識(shí)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(hào)碼 N月新入網(wǎng)用戶中的重入網(wǎng)和反復(fù)重入網(wǎng)用戶名單 剔除無效IMEI或身份證號(hào)碼 生成、維護(hù)歷史有效 IMEI庫或身份證號(hào)庫 ? 重入網(wǎng)： 新用戶 IMEI或身份證號(hào)與歷史 IMEI或身份證號(hào)碼能夠匹配（ 6個(gè)月以內(nèi)）。某運(yùn)營商數(shù)據(jù)挖掘項(xiàng)目匯報(bào) _新增用戶維系 2023年 3月 新增用戶維系基本流程 采用生存分析法，對(duì)有流失傾向的用戶進(jìn)行提前預(yù)警，并可根據(jù)用戶流失概率的高低劃定預(yù)警級(jí)別 ? 流失高危用戶群 ? 在網(wǎng)異動(dòng)用戶群 ? 正常用戶群 異動(dòng)預(yù)警監(jiān)控 維系策略方案生成 ? 渠道養(yǎng)卡監(jiān)管措施 ? 重入網(wǎng)與反復(fù)用戶管控措施 ? 正常低網(wǎng)齡用戶維系措施 維系方案實(shí)施 ? 營銷案實(shí)施流程 ? 維系渠道 ? 維系方式 維系策略及方案 維系情況反饋 目標(biāo)達(dá)成情況 維系效果評(píng)估： ? 渠道養(yǎng)卡識(shí)別及監(jiān)管 ? 重入網(wǎng)與反復(fù)重入網(wǎng) ? 正常低網(wǎng)齡用戶維系 維系效果評(píng)估 新增用戶分群： ? 渠道養(yǎng)卡 ? 重入網(wǎng)與反復(fù)重入網(wǎng)用戶 ? 正常低網(wǎng)齡用戶細(xì)分 根據(jù)正常低網(wǎng)齡用戶偏好進(jìn)行細(xì)分 新增用戶分群 ? 建立新增用戶維系閉環(huán)管理體系，準(zhǔn)確分群，分級(jí)預(yù)警，制定針對(duì)性的維系策略和方案并實(shí)施，實(shí)現(xiàn)新增用戶保有。如， 9月新入網(wǎng)用戶IMEI或身份證號(hào)與 3月到 8月用戶 IMEI或身份證號(hào)碼庫匹配后，得到 9月新入網(wǎng)用戶中重入網(wǎng)用戶。分析示意如下：用戶在 N月入網(wǎng)并激活（有話單產(chǎn)生），則在 N+1月（計(jì)算月）對(duì) N月入網(wǎng)并激活的所有用戶進(jìn)行重入網(wǎng)分析。 ? 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(shí)充值提示； ? 優(yōu)惠或免費(fèi)補(bǔ)卡； ? 推薦帶號(hào)轉(zhuǎn)品牌或帶號(hào)轉(zhuǎn)套餐。 ? 力保： 針對(duì)異動(dòng)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。 1 2 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(jià)值 在網(wǎng)時(shí)長 渠道偏好 促銷偏好 用戶號(hào)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(dòng)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 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。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(gè)數(shù) – …… 業(yè)務(wù)與數(shù)據(jù) 分析 數(shù)據(jù)準(zhǔn)備 建模準(zhǔn)備 細(xì)分模型 預(yù)警模型 模型評(píng)估和優(yōu)化 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(cuò)誤數(shù)據(jù)處理 ? 冗余數(shù)據(jù)處理 ? 數(shù)據(jù)統(tǒng)計(jì)錯(cuò)誤審核 ? 數(shù)據(jù)源錯(cuò)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 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 字段過濾 ? 變異系數(shù) ? 標(biāo)準(zhǔn)差 ? 最大類別數(shù) ? 最小類別數(shù) 數(shù)據(jù)探索 ? 數(shù)據(jù)分布 ? 雙變量分析 ? 正態(tài)性檢驗(yàn) 相關(guān)性分析 ? 卡方分析 ? 方差分析 ? 相關(guān)分析 ? 自相關(guān)分析 建模篩選 ? 通過建模分析字段的重要性 ? 決策樹模型，信息增益旁別 ? 邏輯回歸模型，回歸系數(shù)顯著性檢驗(yàn) 數(shù)據(jù)變換 ? 標(biāo)準(zhǔn)化變換 ? 對(duì)數(shù)變換 ? 正態(tài)變換 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 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(duì)樣本間距離（如歐氏距離）的相似矩陣，把每個(gè)樣本作為一個(gè)簇 ?使用相似矩陣查找最相似的兩個(gè)簇 ?將兩個(gè)簇合并為一個(gè)簇，簇的個(gè)數(shù)通過合并被更新；同時(shí)更新相似矩陣，將兩個(gè)簇的兩行（兩列）距離用 1行（ 1列）距離替換反映合并操作。它采用自頂向下的遞歸方式，在決策樹的內(nèi)部節(jié)點(diǎn)進(jìn)行屬性的比較，并根據(jù)不同屬性值判斷從該節(jié)點(diǎn)向下的分支，在決策樹的葉節(jié)點(diǎn)得到結(jié)論。概率最大的目標(biāo)類被指定為該記錄的預(yù)測(cè)輸出值 。 % * 提升度 =模型篩選用戶流失率 /用戶集中用戶流失率 在網(wǎng) 1月新增用戶流失預(yù)警模型 ?在網(wǎng) 1月新增用戶沒有月數(shù)據(jù)，只有日數(shù)據(jù)，由于系統(tǒng)只保留最近 3月的日數(shù)據(jù)， 9月的日數(shù)據(jù)不完整， 11月的新增用戶不能判定用戶流失，只能取 10月新增用戶的日數(shù)據(jù)為建模數(shù)據(jù)集 ? 用戶的樣本量小，考慮到?jīng)Q策樹算法如使用交叉驗(yàn)證，能一定程度上彌補(bǔ)樣本量小的不足，采用決策樹算法作為預(yù)警建模算法 建模時(shí)間窗口
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1