【正文】 識(shí)別高價(jià)值客戶群，成為目標(biāo)客戶群 客戶行為 ? 如何針對(duì)目標(biāo)客戶群，根據(jù)客戶行為分析，擴(kuò)展及保留客戶群，提供服務(wù)滿足客戶需求 客戶信息 ? 整理客戶群的背景資料以便市場(chǎng)營(yíng)銷人員能找到目標(biāo)客戶群 ?精確智能營(yíng)銷 FAQ How ? 數(shù)據(jù)挖掘流程 確定商業(yè)目標(biāo) ETL 建立模型 數(shù)據(jù)收集、管理 數(shù)據(jù)探索、修改 各部門訪談 數(shù)據(jù)中心支持 數(shù)據(jù)挖掘工程師 數(shù)據(jù)挖掘、商業(yè)分析、市場(chǎng)營(yíng)銷人員 商業(yè)理解Business Understanding 數(shù)據(jù)理解 Data Understanding 數(shù)據(jù)準(zhǔn)備 Data Preparation 建立模型 Modeling 模型評(píng)估 Evaluation 結(jié)果發(fā)布 Deployment 模型調(diào)優(yōu) 應(yīng)用策略 ?精確智能營(yíng)銷 FAQ How 11 ?精確智能營(yíng)銷 FAQ How CRISP－ CrossIndustry Standard Process 各個(gè)環(huán)節(jié)順序進(jìn)行，但需要不斷地循環(huán)往復(fù)進(jìn)行數(shù)據(jù)探索和模型的調(diào)優(yōu) ?精確智能營(yíng)銷 FAQWhich ?客戶流失分析 ?客戶綜合價(jià)值評(píng)估 ?交叉銷售和增量銷售 ?客戶信用評(píng)估 ?欺詐行為分析 ?…… ?某電信運(yùn)營(yíng)商定義的客戶分群的商業(yè)目標(biāo)是“對(duì)某市數(shù)十萬公眾客戶，從價(jià)值和行為的分析維度進(jìn)行客戶分群，以了解不同客戶群的消費(fèi)行為特征，為發(fā)展新業(yè)務(wù)、流失客戶保有、他網(wǎng)用戶爭(zhēng)奪的針對(duì)性營(yíng)銷策略的制訂提供分析依據(jù)，并實(shí)現(xiàn)企業(yè)保存量、激增量的戰(zhàn)略目標(biāo)”。 ?案例描述 —基于聚類分析的移動(dòng)智能營(yíng)銷 ?精確智能營(yíng)銷 FAQ ?基于聚類分析的客戶分群 ?客戶分群的商業(yè)理解 ?數(shù)據(jù)分群的數(shù)據(jù)理解 ?客戶分群的數(shù)據(jù)準(zhǔn)備 ?客戶分群的模型建立 ?客戶分群的模型評(píng)估 ?客戶分群的模型發(fā)布 ?戰(zhàn)術(shù)分群與目標(biāo)市場(chǎng)營(yíng)銷 ?總結(jié) ?客戶分群的商業(yè)理解 ?從商業(yè)角度理解項(xiàng)目的目標(biāo)和要求，然后把理解轉(zhuǎn)化為數(shù)據(jù)挖掘問題的定義和一個(gè)旨在實(shí)現(xiàn)目標(biāo)的初步計(jì)劃； ?明確項(xiàng)目的商業(yè)目標(biāo)，這個(gè)目標(biāo)應(yīng)該是適于用基于聚類分析的客戶分群方法去達(dá)到的。 ?客戶分群的數(shù)據(jù)理解 ? 分析業(yè)務(wù)系統(tǒng)中的客戶信息、客戶消費(fèi)及購(gòu)買使用行為三個(gè)方面最近六個(gè)月的歷史數(shù)據(jù)。 ? 基于訪談中了解的客戶需求，采用用戶行為特征作為細(xì)分變量，用戶人口統(tǒng)計(jì)信息和客戶價(jià)值作為描述變量，從而定位人群特征。 ?精確智能營(yíng)銷 FAQ ?基于聚類分析的客戶分群 ?客戶分群的商業(yè)理解 ?數(shù)據(jù)分群的數(shù)據(jù)理解 ?客戶分群的數(shù)據(jù)準(zhǔn)備 ?客戶分群的模型建立 ?客戶分群的模型評(píng)估 ?客戶分群的模型發(fā)布 ?戰(zhàn)術(shù)分群與目標(biāo)市場(chǎng)營(yíng)銷 ?總結(jié) ?客戶分群的數(shù)據(jù)準(zhǔn)備 ?數(shù)據(jù)準(zhǔn)備流程： ?客戶分群的數(shù)據(jù)準(zhǔn)備 —選擇數(shù)據(jù) ? 決定用來分析的數(shù)據(jù) ? 選擇標(biāo)準(zhǔn)：與數(shù)據(jù)挖掘目標(biāo)的相關(guān)性 ? 數(shù)據(jù)選擇包括數(shù)據(jù)表格中屬性（列）和記錄（行）的選擇 ?客戶分群的數(shù)據(jù)準(zhǔn)備 —選擇數(shù)據(jù) ? 用戶及客戶的基本信息： 客戶身份信息、聯(lián)系方式、產(chǎn)品擁有情況，用戶竣工時(shí)間、入網(wǎng)時(shí)長(zhǎng)、服務(wù)開通情況、優(yōu)惠套餐信息、客戶服務(wù)信息（投訴、咨詢、催繳情況）等。 ? 行為信息： 時(shí)長(zhǎng)、次數(shù)、跳次、發(fā)話不同號(hào)碼數(shù)、時(shí)長(zhǎng)集中度（撥打時(shí)長(zhǎng)最多的三個(gè)號(hào)碼撥打時(shí)長(zhǎng)在總時(shí)長(zhǎng)中占比）、次數(shù)集中度。 ? 將價(jià)值和行為變量從專業(yè)（區(qū)內(nèi)、區(qū)間、本地移動(dòng)、本地異商固網(wǎng)、傳統(tǒng)國(guó)內(nèi)長(zhǎng)途、傳統(tǒng)國(guó)際長(zhǎng)途、傳統(tǒng)港澳臺(tái)長(zhǎng)途、傳統(tǒng)異地行動(dòng)、 IP國(guó)內(nèi)長(zhǎng)途、 IP國(guó)際長(zhǎng)途、 IP港澳臺(tái)長(zhǎng)途、 IP異地行動(dòng)）和時(shí)段（白天 :7:0018:00、晚上： 18:007:00、特殊時(shí)段： 0:007:00）兩個(gè)維度進(jìn)行了劃分。 ? 包括選擇需要進(jìn)行數(shù)據(jù)清洗的子集，插入適當(dāng)?shù)哪J(rèn)值或者通過更加復(fù)雜的技術(shù)如建模來估計(jì)缺失值，比如某月份的數(shù)據(jù)缺失可以用前后月份數(shù)據(jù)的平均值來填充，將擁有產(chǎn)品較多（可能不是公眾客戶）及公免的客戶數(shù)據(jù)剔除。 寬表生成流程 注：寬表是將數(shù)據(jù)經(jīng)過組合所形成的包括細(xì)分變量和描述變量的記錄表。在對(duì)模型結(jié)果的分析中，根據(jù)標(biāo)準(zhǔn) —— 群間差距最大，群內(nèi)差距最小的原則進(jìn)行分析，同時(shí)調(diào)整變量組合，以盡量接近標(biāo)準(zhǔn)。 數(shù)據(jù)探索 建 摸 模型分析 因子分析 客戶分群的模型建立 customer type 項(xiàng)目 百分比 數(shù)量 用戶類型不詳 7 B普通 95758 B重要客戶 A1 185 B重要客戶 A2 133 B重要客戶 A3 241 B重要客戶 A4 276 B集團(tuán)客戶 B1 282 B集團(tuán)客戶 B2 1473 B集團(tuán)客戶 B3 2930 B集團(tuán)客戶 B4 8193 B信譽(yù)客戶 C1 11 B信譽(yù)客戶 C2 40 B信譽(yù)客戶 C3 1793 B信譽(yù)客戶 C4 1321 B信譽(yù)客戶 C5 1968 B信譽(yù)客戶 C6 2023 B潛在大用戶 13411 B老客戶 70 B原重要 21 B公免 269 customer_status 項(xiàng)目 百分比 數(shù)量 正常 103066 冒高 22721 欠停 448 報(bào)停 2206 掛失 23 預(yù)銷 1669 強(qiáng)開 62 強(qiáng)關(guān) 193 tenure_in_days 項(xiàng)目 百分比 數(shù)量 在網(wǎng)時(shí)間 90天以上 102942 在網(wǎng)時(shí)間 90天以內(nèi) 27446 ? 公免不能代表普遍用戶行為，容易對(duì)在聚類形成噪音 ? 在用戶狀態(tài)中僅選擇正常用戶 ? 選擇入網(wǎng)時(shí)間 90天以上用戶，保證研究樣本擁有完整的研究期間數(shù)據(jù) 注：黃色部分為去掉的數(shù)據(jù) 客戶分群的模型建立 數(shù)據(jù)探索 customer_id phone_no should_fee favor_fee 320235348 13708130041 320235349 13708130042 320235350 13708130043 320235351 13708130044 320235352 13708130045 320235353 13708130046 320235354 13708130047 ? 在記錄中發(fā)現(xiàn) should_fee（用戶應(yīng)收費(fèi)） =favor_fee（優(yōu)惠費(fèi)）的用戶記錄，詳細(xì)查看其記錄，比較異常。于是去掉該部分記錄 部分 should_fee=favor_fee的記錄 客戶分群的模型建立 數(shù)據(jù)探索 192453012258101226850135751709112422703020236893050001000015000202302500030000地區(qū)不詳市中區(qū)峨眉 夾江 犍為金口河井研 馬邊 沐川 沙灣 峨邊 五通地區(qū)人數(shù)男性,52685, 67%女性,18777, 24%性別不詳,