本站原创随着电信市场竞争越发激烈及移动互联网时代的来临,客户对业务的需求日趋多样化和差异化,对运营商的服务质量也提出了更高要求；另一方面,运营商自身各系统中的大量数据通过精细化模型挖掘必将在分析用户行为、精确识别客户业务需求、开展精细化服务营销方面发挥巨大作用.基于以上两点,本文以客户细分理论与数据挖掘理论为基础,创新性地构建了基于客户业务与价值、客户电子渠道行为及客户基本属性等多维度数据的电子渠道精准服务营销模型,为运营商开展电子渠道精准服务营销提供了决策分析工具.
一、电子渠道精准服务/营销模型的理论基础
1.客户细分理论
客户细分就是运用科学的分析方法,把客户分成一些客户群.在每个客户群中,客户的需求、购买习惯和行为等方面比较相似；相反,不同的客户群之间,差别却比较明显.其基本的出发点是每个人作为消费者,对同一种产品或服务的具体功能需求和关注点是存在差异的,因此企业必须尽最大可能去考虑这些不同,识别存在于整体客户中具有不同消费习惯和特征的子群体,根据每个群体的特征制定针对性的管理或营销策略,提供符合这个群体的产品或服务,从而提高营销效率,同时这种细分能力也可成为企业的核心竞争力,使企业在激烈的市场竞争中立于不败之地.
客户细分的作用很多,其服务目的也多种多样,既可以帮助企业确定营销战略,也有助于企业开发产品、制定体系、完善销售渠道、设计促销和广告宣传方案,还有助于企业有效地开展客户关系管理.
电信运营商在粗放式经营时代,对于新业务、新产品的推广往往采用撒网式推广：例如运用短信群发的方式为所有客户推荐新业务.结果往往也是一无所获.因此在做客户细分时,必须做到有的放矢,对产品进行精确市场定位,更好地满足消费者的需求.
2.数据挖掘理论
数据挖掘技术从产生到发展,虽然时间不长,但已广泛地应用于各个领域,如政府、大学、研究所、商业和企业等,尤其在金融、保险和电信领域,数据挖掘技术更是表现出了广阔的应用前景.近年来,数据挖掘系统开发有了长足的发展,一些系统开发商在各行业进行了大量的商业应用,并形成了相应的数据挖掘实施流程.本文在总结的基础上,提出了模型数据准备、挖掘算法选择、模型建立及优化和模型结果应用四个环节.
数据挖掘技术经过不同行业的应用,表现出多种功能,经过归纳主要包括聚类、分类和预测、关联和序列模式发现等,这些功能在电信企业的CRM中可以解决客户细分、新产品推广等精准服务营销等商业问题.目前的常用数据挖掘算法主要包括聚类、决策树、关联规则、人工神经网络和遗传算法等.
二、电子渠道精准服务/营销模型建立
1.模型分析框架
模型分析的框架主包括：
（1）数据导入
模型可连接数据仓库获得挖掘数据,还可导入外部数据进行分析.根据所选择的分析变量,将经过处理的数据组合形成一个记录表,即宽表.
（2）选择细分变量
通过变量分析选择进行细分的变量.在选择细分变量时,经常会用到其它的统计分析方法,如相关分析等.相关分析与聚类分析是相互依赖性分析,适合于探索性研究和描述性研究.在具体操作中,通常用相关分析方法对变量组进行降维处理,形成有代表性的少量变量,再对这些变量进行聚类分析.
（3）选择分析方法
选择基于K-Means算法的聚类分析方法对细分变量进行挖掘.
（4）数据挖掘
根据所选择的细分变量和分析方法进行数据挖掘,并显示结果.
（5）结果显示
可选择的输出方法有：图形、表格、Excel文件、文本文件等.
具体图示如下：
2.模型数据准备
模型数据准备就是要将长期以来积累在运营商各系统的客户数据统一集中,即要通过数据集中及模型构建的过程将隐藏在这些数据中的、尚未被发现的“知识”提取出来,用于精准化的服务与营销,指导企业的市场营销活动,进一步巩固和发展与客户的关系.同时,模型数据获取过程要尽可能地实现自动化,即建立一个统一的数据信息平台和系统.该系统应当以数据仓库为基础,以知识发现为手段,以提高客户满意度和忠诚度为目的,体现以“客户为根”的经营理念,为电信企业市场分析人员和高层决策者提供分析和决策支持.这主要包括以下两个方面的内容：
（1）对于模型构建：根据具体模型要实现的业务问题和分析主题,通过建立数据集市的方式对操作型系统中的数据进行重新组织,并最终构建一个统一的数据仓库.
（2）对于日常分析：基于数据仓库或数据集市,利用自行开发的数据挖掘工具对数据进行分析和挖掘,并将最终结果展示给用户.
3. 挖掘算法选择
聚类分析是一个具有很强挑战性的领域,作为一种非监督型的知识发现方法,它不需要任何事先的训练数据,而仅仅按照相似性原则,将一组数据划分为事先未知的分类状态,因而是一种识别与发现未知模式的有效方法,近年来被广泛应用在客户划分、模式识别、趋势分析等领域中.
主要的聚类算法可以划分为5大类：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法.由于每种算法都有其优点和不同的应用领域,在数据挖掘中应根据实际需要选择适当的聚类算法.
为了找到一个效率高且通用性强的聚类算法,人们从不同角度提出了数十种聚类算法.在数据挖掘中,常用的有：K-Means方法,CLARANS算法,BIRCH算法,CURE算法,DBSCAN算法,WeCluster算法,CLIQUE算法等. 在聚类分析中,K-Means算法能够很好地解决给出数值型属性的数据对象的聚类问题,经常以局部最优结束；对处理大数据集,该算法是相对可伸缩的和高效率的；对输入数据顺序的敏感度一般；虽然对处理噪声数据的能力不高,由于电信数据还算完整,可以用数据预处理来弥补；因此选择这种算法,建立精准服务营销模型.
4. 模型建立及优化
在模型建立及优化上,首先从客户业务与价值、客户电子渠道行为及客户基本属性等三个维度进行了指标的选取,在此基础上建立了精准服务-营销模型的“宽表”.宽表（WIDE TABLE）是企业用户数据库中用于实现统一客户视图的模型,它为每个客户创建一条记录,记录包含很多与该客户相关的属性,以便进行分析.
它以客户编号为中心,汇集了许多可供分析的信息.
本模型重点选择“客户业务与价值”和“客户电子渠道行为”两个细分属性.经过的初步经验筛选及用测试数据进行相关性分析（即对于高度相关的属性采取完全剔除的方法）,将无区分作用的属性予以剔除,最终得到模型属性指标集如下表：
聚类分析包括聚类结果的生成、调整、优化和输出等步骤.本模型初期采用SPSS公司的Clementine 11.0的K-Means算法完成聚类过程,后期将通过把模型以模块化方式植入运营商分析系统中与数据集市中的数据对接,持续优化模型,并为日常运营及决策提供支撑.
三、电子渠道精准服务/营销模型应用展望
1.模型在客户服务工作中的应用展望
（1）根据模型分析出的结果,将部分服务前置,减少人工话务咨询量
电子渠道精准服务/营销模型会根据数据分析出偏好人工服务的客户群及其咨询的热点业务,根据模型中电子渠道使用行为聚类的结果,可以将这部分客户的服务前置,如对于流量信息敏感的客户可以根据其渠道使用行为特征,在其拨打人工电子渠道前,以短信、邮件等方式发送其要咨询的相关信息,通过服务前置,减少人工话务咨询量.
（2）针对模型识别出的目标客户,开展营销
针对已经进入人工电子渠道的客户,通过打通CRM系统与模型所在分析系统的接口,可以实现对客户可能感兴趣的业务进行提示,座席人员可以根据提示准确识别客户需求,开展营销.如通过模型各维度指标优化调整可以分析出新推出的套餐的目标客户,当该套餐目标客户拨打人工服务时,CRM系统应弹出提示,座席人员可根据提示向客户推荐,因为客户各项数据适合该套餐,故可以在不浪费过多通话时长的同时大大提高营销的成功率.
2. 模型在市场营销工作中的应用展望
（1）根据模型分析结果在适合的电子渠道向客户推荐新业务
在运营商推出新产品时,模型也能帮助产品运营人员进一步明确目标客户以往业务及渠道行为特征,运营分析人员可以根据分析结果将相关资源投入到目标客户适合的电子渠道进行推广,提高投资回报率（ROI）,客户也会在自己偏好的渠道上不断获得新业务的信息,也有利于提高客户感知.
（2）根据模型分析结果,在客户偏好的电子渠道开展交叉销售
模型丰富了客户渠道行为维度的指标,使得模型的分析结果可以进一步支撑网站等电子渠道开展交叉销售及精准营销.如对于经常登录网站查询流量信息的客户,可以根据客户消费行为数据,为其精准推荐适合的流量包产品.结合客户价值维度特征,还可以适时推荐长途漫游类和家庭类产品,通过交叉销售进一步提高客户忠诚度.
（3）根据模型分析结果,在客户有离网倾向时进一步保有客户
模型在优化指标后,还可以用于离网客户预警及保留,如通过模型分析出具有离网倾向的客户群的特征,针对主要价值类指标设置预警阀值.当客户指标低于这一阀值时,通过设计离网客户专属营销活动或业务,通过客户偏好的电子渠道及时推送给客户,进一步引导客户,达到保有存量客户的目标.
结束语
通过构建精准服务/营销模型,精细化开展客户细分及服务营销工作,可以有效满足客户多样化的业务需求,给予客户超出期望的服务感知,对于运营商在激烈的竞争中获得竞争优势具有重要作用,此外,模型实现嵌入运营商系统后,可以持续优化,并根据新问题新建分析模型,为企业日常运营与决策提供有力支持.