【正文】 信用戶(hù)的要素，采用邏輯回歸的方法訓(xùn)練樣本得到回歸模型，用以計(jì)算未來(lái)用戶(hù)成為飛信用戶(hù)的概率 小知識(shí)： 數(shù)據(jù)挖掘方法：包括關(guān)聯(lián)、序列、分類(lèi)及聚類(lèi)，客戶(hù)預(yù)測(cè)屬于分類(lèi) 分類(lèi)采用如下的技術(shù)：如決策樹(shù)，神經(jīng)網(wǎng)絡(luò)、邏輯回歸等，客戶(hù)預(yù)測(cè)采用邏輯回歸 12 從數(shù)據(jù)挖掘?qū)Ｓ脦?kù)中隨機(jī)抽取用戶(hù)作為訓(xùn)練樣本，確保普遍性原則 采用直方圖等方式初步分析各變量對(duì)于結(jié)果的影響程度 定義業(yè)務(wù)問(wèn)題 數(shù)據(jù)準(zhǔn)備 模型發(fā)布 回顧和評(píng)價(jià) 采用邏輯回歸方法訓(xùn)練得到預(yù)測(cè)模型，得到預(yù)測(cè)概率方程式 采用十分位方法驗(yàn)證健壯性，采用重采樣防止過(guò)適應(yīng) 采用專(zhuān)用數(shù)據(jù)挖掘軟件，利用邏輯回歸中的后向、逐步及評(píng)分方法得出權(quán)重較高的影響變量集 一、數(shù)據(jù)挖掘技術(shù) 實(shí)施步驟 13 數(shù)據(jù)倉(cāng)庫(kù) 數(shù)據(jù)挖掘?qū)Ｓ脭?shù)據(jù)層 手機(jī)報(bào)模型 手機(jī)證券模型 飛信模型 其它 數(shù)據(jù)挖掘模型 抽樣探索修改建模評(píng)估循環(huán)往復(fù)的挖掘過(guò)程抽樣抽樣探索探索修改修改建模建模評(píng)估評(píng)估循環(huán)往復(fù)的挖掘過(guò)程定義業(yè)務(wù)問(wèn)題 環(huán)境評(píng)估 數(shù)據(jù)準(zhǔn)備回顧和評(píng)價(jià)模型發(fā)布數(shù)據(jù)挖掘?qū)嵤┓椒ㄕ摱?、系統(tǒng)架構(gòu) 系統(tǒng) 客服 系統(tǒng) 外圍數(shù)據(jù)源 清單查詢(xún) 清單導(dǎo)出 數(shù)據(jù)接口 營(yíng)銷(xiāo)管理平臺(tái) 前臺(tái) 短信中心 彩信中心 外呼中心 網(wǎng)站 經(jīng)營(yíng)分析系統(tǒng) 14 數(shù)據(jù)挖掘?qū)τ跀?shù)據(jù)的組織形式有特定的要求，以往以月為單位的歷史信息存儲(chǔ)無(wú)法滿(mǎn)足深度挖掘的需要，需要轉(zhuǎn)化成月均＋寬表的形式，可以極大提升數(shù)據(jù)挖掘數(shù)據(jù)準(zhǔn)備的效率 何謂專(zhuān)用數(shù)據(jù)層 二、系統(tǒng)架構(gòu)－數(shù)據(jù)挖掘?qū)Ｓ脭?shù)據(jù)層 15 二、系統(tǒng)架構(gòu)－數(shù)據(jù)挖掘?qū)Ｓ脭?shù)據(jù)層 DW(數(shù)據(jù)倉(cāng)庫(kù)層 ) DWD(數(shù)據(jù)倉(cāng)庫(kù)明細(xì)層 ) ODS(操作數(shù)據(jù)存儲(chǔ)層 ) ST(匯總層 ) 報(bào)表 主題 KPI 即席查詢(xún) 語(yǔ)音消費(fèi)信息歸整集 (2年 ) 短信消費(fèi)信息歸整集 (2年 ) 彩信消費(fèi)信息歸整集 (2年 ) GPRS消費(fèi)信息歸整集 (2年 ) 夢(mèng)網(wǎng)消費(fèi)信息歸整集 (2年 ) 夢(mèng)網(wǎng)注冊(cè)信息歸整集 (2年 ) 產(chǎn)品注冊(cè)信息歸整集 (2年 ) 營(yíng)銷(xiāo)活動(dòng)信息歸整集 (2年 ) （預(yù)繳、終端捆綁、促銷(xiāo)等） 自然屬性信息歸整集 (2年 ) 其它信息 (2年 ) 涵蓋了當(dāng)前能夠獲得的用戶(hù)所有信息 數(shù)據(jù)挖掘?qū)Ｓ脭?shù)據(jù)層 將倉(cāng)庫(kù)數(shù)據(jù)轉(zhuǎn)化為 數(shù)據(jù)挖掘易于使用 的數(shù)據(jù) 專(zhuān)題 數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)流 經(jīng)營(yíng)分析系統(tǒng)應(yīng)用 挖掘引擎 挖掘模型 專(zhuān)用數(shù)據(jù)層 16 三、構(gòu)建典型新業(yè)務(wù)模型 新業(yè)務(wù)相對(duì)于語(yǔ)音業(yè)務(wù)，用戶(hù)市場(chǎng)呈現(xiàn)小而多的特點(diǎn)，如何準(zhǔn)確的找到潛在的新業(yè)務(wù)用戶(hù)群是面臨的重要課題，本專(zhuān)題從典型新業(yè)務(wù)入手，如飛信、手機(jī)報(bào)等，嘗試采用客戶(hù)預(yù)測(cè)的方法，找到每類(lèi)新業(yè)務(wù)的潛在用戶(hù)群，從而實(shí)現(xiàn)新業(yè)務(wù)的精細(xì)營(yíng)銷(xiāo) 下面以實(shí)現(xiàn)的第一個(gè)新業(yè)務(wù)模型飛信為例進(jìn)行原理介紹 17 實(shí)施 步驟 選擇樣本用戶(hù) 分析影響因素 選擇重要變量 建立預(yù)測(cè)模型 驗(yàn)證評(píng)估模型 三、飛信模型介紹 18 飛信樣本 普通樣本 訓(xùn)練樣本 在網(wǎng)三個(gè)月以上 月注冊(cè)成飛信 月連續(xù)活躍 共萬(wàn)用戶(hù) 隨機(jī)抽取普通 用戶(hù) 共萬(wàn)用戶(hù) 樣本一 樣本二 樣本用戶(hù)的選擇需要確保其能真實(shí)體 現(xiàn)飛信或普通用戶(hù)的一般特征，剔除由于 促銷(xiāo)活動(dòng)等引發(fā)的“非正?！庇脩?hù) 樣本需體現(xiàn)普遍性 選擇樣本用戶(hù) 19 ? (代表最近值、代表頻度值、代表幣值 ) 是將客戶(hù)特征化的經(jīng)典方法，最早應(yīng)用于目錄營(yíng)銷(xiāo)服務(wù)行業(yè) ? 我們認(rèn)為年齡、性別、品牌、交往圈及終端等自然屬性是影響用戶(hù)成為飛信用戶(hù)的關(guān)鍵因素 變量 自然屬性 ? 用戶(hù)使用移動(dòng)通信語(yǔ)音、短信、彩信、等服務(wù)產(chǎn)生的業(yè)務(wù)量及收入也作為可能的影響因子納入進(jìn)來(lái) 消費(fèi)特征 哪些方面的因素是飛信用戶(hù)區(qū)別于普通用戶(hù)的特征呢？ 分析影響因素 20 我們認(rèn)為假如用戶(hù)最近定購(gòu)過(guò)新業(yè)務(wù)類(lèi)或夢(mèng)網(wǎng)類(lèi)產(chǎn)品，或者近年定購(gòu)的次數(shù)比較多，則用戶(hù)繼續(xù)定購(gòu)新業(yè)務(wù)產(chǎn)品（比如飛信）的可能性會(huì)比較高，因此納入以下變量： 近年