某運(yùn)營商數(shù)據(jù)挖掘項(xiàng)目匯報(bào)_新增用戶維系(編輯修改稿)
2025-01-20 00:52 本頁面
【文章內(nèi)容簡介】 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。 ?當(dāng)所有樣本都合并成一個(gè)簇或滿足指定的簇的數(shù)目時(shí)，整個(gè)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(gè)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 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(gè)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(shí)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 細(xì)分群主要消費(fèi)行為特征（網(wǎng)齡 =2個(gè)月） 1 序號 細(xì)分群名稱 細(xì)分群特征 規(guī)模占比 1 商務(wù)高端用戶群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU最高為 240元 /戶以上，交往圈最大，本長漫語音話務(wù)均高，且每次通話時(shí)長較長 % 2 漫游突出用戶群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 85元 /戶左右，經(jīng)常去外地，漫游話務(wù)突出，本地及長途話務(wù)較少，且漫游通話頻次最高 % 3 長途話務(wù)突出群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 120元 /戶左右，交往圈中有大量外地號碼，長途話務(wù)突出，漫游很少，且長途通話頻次最高 % 4 本地話務(wù)突出群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 120元 /戶左右，交往圈主要集中在本地，本地話務(wù)突出，長途漫游較少，且本地通話頻次最高 % 5 本地話務(wù)偏好群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 67元 /戶左右，交往圈主要集中在本地，通話時(shí)長相對較低，但本地話務(wù)相對突出，長途漫游很少 % 6 本地低端用戶群 語音和數(shù)據(jù)業(yè)務(wù)消費(fèi)行為均較低，用消費(fèi)戶行為相對均衡； ARPU較低為30元 /戶左右，很少去外地，漫游和長途時(shí)長比例最低 ,平均每次通話時(shí)長最短 % 序號 細(xì)分群名稱 細(xì)分群特征 規(guī)模占比 7 短信突出用戶群 數(shù)據(jù)業(yè)務(wù)消費(fèi)行為相對語音消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 40元 /戶左右，數(shù)據(jù)業(yè)務(wù)消費(fèi)占比高于 50%，主要使用短信業(yè)務(wù)，且短信上行條數(shù)最高 % 8 GPRS突出用戶群 數(shù)據(jù)業(yè)務(wù)消費(fèi)行為相對語音消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 30元 /戶左右，數(shù)據(jù)業(yè)務(wù)消費(fèi)占比高于 50%， GPRS流量高，其他數(shù)據(jù)業(yè)務(wù)使用較少 % 9 數(shù)據(jù)業(yè)務(wù)興趣群 數(shù)據(jù)業(yè)務(wù)消費(fèi)行為相對語音消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 20元 /戶左右，訂購數(shù)據(jù)業(yè)務(wù)種類最多，但消費(fèi)不高，數(shù)據(jù)業(yè)務(wù)費(fèi)用占比高于 50% % 10 數(shù)據(jù)業(yè)務(wù)發(fā)燒群 數(shù)據(jù)業(yè)務(wù)消費(fèi)行為相對語音消費(fèi)行為更為突出，為用戶主要行為屬性；ARPU為 65元 /戶左右，訂購數(shù)據(jù)業(yè)務(wù)種類最多，且數(shù)據(jù)業(yè)務(wù)消費(fèi)最高， 占比高達(dá) 67% % 細(xì)分群主要消費(fèi)行為特征（網(wǎng)齡 =2個(gè)月） 2 網(wǎng)齡 1月新增用戶細(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 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(dāng)日至月底的日均消費(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 低端 中低端 長途突出 本地突出 商務(wù) 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(jì)費(fèi)通話時(shí)長 日均 GPRS流量 日均彩信條數(shù) 日均短信條數(shù) 新業(yè)務(wù)使用 種類數(shù) 新業(yè)務(wù)費(fèi)占比 序號 細(xì)分群名稱 細(xì)分群 特征 規(guī)模占比 1 漫游突出用戶群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 100元 /戶左右，經(jīng)常去外地，漫游話務(wù)突出，本地及長途話務(wù)很少，且漫游通話頻次最高 % 2 長途話務(wù)突出群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 100元 /戶左右，交往圈中有大量外地號碼，長途話務(wù)突出，基本無漫游，且長途通話頻次最高 % 3 本地話務(wù)突出群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 75元 /戶左右，交往圈主要集中在本地，本地話務(wù)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(wù)偏好群 語音消費(fèi)行為相對數(shù)據(jù)業(yè)務(wù)消費(fèi)行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 55元 /戶左右，交往圈主要集中在本地，通話時(shí)長相
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1