0 引言

    伴隨移動運營商4G技術(shù)逐漸的應(yīng)用成熟，運營商相互之間的競爭壓力日趨白熱化,，存量用戶的爭奪逐漸成為運營商提規(guī)模,、增效益的競爭核心^[1]。為了能將原有客戶順利轉(zhuǎn)化為新用戶,，并根據(jù)客戶的特征和行為對客戶的保持程度進行預(yù)測,，制定有效的客戶挽留和贏回策略并實現(xiàn)盈利是每一個運營商亟需解決的問題。

    近年來,，數(shù)據(jù)已經(jīng)滲透到每一個行業(yè)和業(yè)務(wù)職能領(lǐng)域,，逐漸成為生產(chǎn)經(jīng)營的重要因素，數(shù)據(jù)挖掘,、數(shù)據(jù)分析迅速成為各大行業(yè)的熱門詞匯,。數(shù)據(jù)挖掘引發(fā)的用戶需求的極大滿足，使得傳統(tǒng)運營商發(fā)展模式面臨巨大挑戰(zhàn)和危機^[2],。

    通過對用戶行為精準(zhǔn)分析,，搭建數(shù)據(jù)挖掘營銷模型對用戶進行聚類，實現(xiàn)網(wǎng)絡(luò),、終端,、業(yè)務(wù)統(tǒng)一適配^[3]，有助于完善落實用戶全生命周期維系管理體系,，加強用戶消費監(jiān)控,，協(xié)助用戶解決套餐消費不匹配問題,，提升用戶對業(yè)務(wù)依賴性，提升用戶忠誠度和穩(wěn)定度,，提高用戶對移動服務(wù)的期望,、提升用戶感知增強用戶黏性。

1 維系挽留系統(tǒng)模型建立

1.1 系統(tǒng)應(yīng)用對象分析

    用戶細(xì)分是對于用戶維系挽留的數(shù)據(jù)進行分析的一個必要手段,，有利于后期數(shù)據(jù)矩陣的建立,，用戶細(xì)分步驟如圖1所示。

    在移動用戶營銷中,，用戶價值和用戶的穩(wěn)定程度是判斷該用戶維系的關(guān)鍵指標(biāo),，因此在做用戶分類時以這兩個指標(biāo)為用戶細(xì)分屬性，按照資源保障優(yōu)先級由高到低的程度將用戶分為：黃金客戶,、高位客戶,、波動客戶、低端客戶,、潛力客戶和跳騷客戶6類,。通過聚類方法對移動用戶進行聚類，明確分群用戶及用戶資源配置原則,，將有限的資源優(yōu)先投放給最有價值的用戶,，得出聚類后的用戶類別如表1所示。

    隨著通信市場嚴(yán)重飽和,，用戶流失較為嚴(yán)重,，其主要原因表現(xiàn)在兩個方面：(1)各個運營商之間競爭以價格屬性特征競爭激烈；(2)用戶對業(yè)務(wù)模塊滿意程度不高,。

1.2 數(shù)據(jù)準(zhǔn)備

    用戶在使用移動通信業(yè)務(wù)時,，如在網(wǎng)上營業(yè)廳上進行費用詳單查詢、話費查詢,、業(yè)務(wù)充值等,，這些行為都會以半結(jié)構(gòu)化的數(shù)據(jù)方式記錄在中央服務(wù)器的Web日志和交易記錄中，通過數(shù)據(jù)提取和預(yù)處理后建立數(shù)據(jù)倉庫,，為用戶數(shù)據(jù)的分析和維系挽留系統(tǒng)的數(shù)據(jù)挖掘提供基礎(chǔ)數(shù)據(jù),。用戶數(shù)據(jù)分析主要采集的用戶數(shù)據(jù)信息包括：存量用戶的基本信息和用戶的交易記錄。數(shù)據(jù)屬性包括：(1)存量用戶基本信息,，即用戶手機號,、用戶姓名、用戶狀態(tài),、用戶入網(wǎng)時間,、近3個月出賬收入等屬性信息；(2)用戶交易信息,，即產(chǎn)品ID,、用戶通信號碼,、業(yè)務(wù)類型,、預(yù)存交易金額,、瀏覽次數(shù)等屬性信息。

    當(dāng)用戶數(shù)據(jù)屬性確定之后,，按照屬性建立用戶數(shù)據(jù)矩陣,，矩陣以價值作為主軸，結(jié)合穩(wěn)定度,，構(gòu)建交叉矩陣,，并以客戶編碼標(biāo)識，結(jié)合用戶規(guī)模,、收入規(guī)模占比分析,，對交叉矩陣用戶進行合并，通過重要-緊急的矩陣管理,，判定資源保障優(yōu)先級,。其中，存量用戶交叉矩陣如圖2所示,。

    矩陣數(shù)據(jù)形式如下：

    (1)存量用戶屬性矩陣V_m×n

    存量用戶信息矩陣主要包括用戶的自然屬性,，代表了用戶的一般性質(zhì)，其具體的表現(xiàn)形式為：

其中,，v_i代表為一個可維系用戶,，總共有m個可維系用戶；v_ij為可維系用戶i的第j個屬性,，共有n個屬性,。

    (2)用戶興趣信息矩陣P_m×k

    在用戶B2C模式下，用戶通過Web進行交易,，交易及瀏覽的次數(shù)不同,，代表了用戶的興趣度，分別為興趣度進行加權(quán)賦值,，將興趣度分為三類：一般,、有興趣、非常有興趣,。通過用戶的興趣等級進行用戶興趣信息矩陣的建立,。

其中，d_ij是第i個可維系用戶對第j次交易的感興趣等級程度,，值為一般,、有興趣、非常有興趣,。通過以上的矩陣的構(gòu)建可以將每一個用戶的情況唯一地表示成一個向量,，可以通過向量的計算來分析用戶的性質(zhì),。

1.3 基于B2C環(huán)境下的模型的建立

    用戶行為分析是指企業(yè)通過對用戶的存量自然屬性、用戶興趣行為軌跡所表現(xiàn)的特征進行分析,，來了解用戶的消費偏好,，分析用戶流失的原因，判定用戶獲取渠道,，管理用戶的滿意度及預(yù)測用戶的忠誠度,，并制定用戶維系挽留計劃^[4-5]。

    根據(jù)以上的定義,，可以構(gòu)建一個基于B2C模式下的用戶行為分析框架,，如圖3所示，完整的用戶行為分析過程如下：

    (1)用戶和電子商務(wù)平臺的交互過程,；

    (2)數(shù)據(jù)收集,、整理過程；

    (3)知識獲取過程,；

    (4)數(shù)據(jù)挖掘過程,；

    (5)決策優(yōu)化過程；

    (6)維系挽留系統(tǒng),。

    建立一個可以可靠預(yù)測用戶行為的維系挽留模型,，首先需要數(shù)據(jù)源并進行預(yù)處理分析，然后經(jīng)過參數(shù)確定后進行預(yù)測識別,，在識別的過程中進行聚類分析和數(shù)據(jù)挖掘,，將預(yù)測結(jié)果建立決策樹，最終給出維系挽留的預(yù)測結(jié)果^[6],。

2 數(shù)據(jù)挖掘算法在系統(tǒng)中的應(yīng)用

2.1 數(shù)據(jù)分析

    在維系挽留中,，數(shù)據(jù)挖掘的應(yīng)用主要表現(xiàn)在以下幾個方面：

    (1)獲得新用戶

    通過數(shù)據(jù)挖掘可以針對不同用戶的興趣程度、消費習(xí)慣,、消費傾向和消費需求等用戶購買屬性來對新用戶進行促銷,。

    (2)維系挽留住老用戶

    數(shù)據(jù)挖掘技術(shù)中的分類算法則可以將所有的用戶分為不同的種類，可以完全做到為不同的用戶提供完全不同的產(chǎn)品服務(wù)來提高用戶的滿意度,。

    (3)對老用戶進行交叉銷售

    對老用戶進行交叉銷售,，預(yù)測用戶的下一個購買行為。

    數(shù)據(jù)分類工作的目的就是學(xué)習(xí)訓(xùn)練出分類模型,，利用該模型可以將數(shù)據(jù)庫中的數(shù)據(jù)項目映射到預(yù)先設(shè)定好的某個類別中,，具體來說：給定一個數(shù)據(jù)庫D={t₁，t₂,，…,，t_n}和一組類C={C₁，C₂,，…,，C_m},，分類問題是去確定一個映射f:D→C，每個元組t_i被分配到一個類中,，一個類C_j包含映射到該類的所有元組,，即C_j={t_i|f(t_i)=C_j，1≤i≤n,，t_i∈D},。

2.2 K-means在維系挽留系統(tǒng)中的應(yīng)用

    K-means算法是一種得到廣泛應(yīng)用的聚類算法，該算法也稱為k-均值算法^[7],。k-均值算法以k為參數(shù)，將n個對象分為k個簇,，每個簇滿足低耦合高內(nèi)聚的特性,，即使得簇內(nèi)部的屬性元素具有較高的相似度，而簇與簇之間元素的相似度較低^[8],。

2.3 數(shù)據(jù)準(zhǔn)備

    在維系挽留系統(tǒng)中,，本文需要對用戶的消費習(xí)慣和行為等特征進行分析，進行聚類,。本文利用運營商在某一階段的用戶數(shù)據(jù)對其進行學(xué)習(xí),，給出聚類數(shù)據(jù)樣本，如表2所示,，為后續(xù)的數(shù)據(jù)細(xì)化分類工作的推進提供參考依據(jù),。

    然后，從數(shù)據(jù)庫中選取數(shù)據(jù)樣本,，如表3所示,。

    按照K-means算法對上面數(shù)據(jù)表中所給出的企業(yè)用戶進行聚類分析。在此實例中主要對用戶的收入,、ARPU,、是否合約捆綁、是否滲透和有效語音交往圈總?cè)藬?shù)進行分析,，根據(jù)它們之間所存在的潛在關(guān)系得到相應(yīng)不同的類,，并且從結(jié)果當(dāng)中得到相應(yīng)的聚類規(guī)則。本文希望從分析的結(jié)果中能夠得到以下一些用戶的屬性類別：其他屬性和收入大體相關(guān),；合約捆綁和是否滲透基本一致等顯著特征的類別,。這些屬性類別可以使企業(yè)的決策者們能夠根據(jù)數(shù)據(jù)的分類進行相應(yīng)營銷策略的制定和實施。

2.4 K-means聚類算法實現(xiàn)

    本文采用C#語言對K-means算法進行實現(xiàn),，將表3所選取的50名消費用戶作為數(shù)據(jù)輸入建立用戶樣本數(shù)組,，數(shù)組元素個數(shù)n=50；將所有數(shù)據(jù)劃分為5類,，即簇數(shù)數(shù)組個數(shù)k=5,；按照歐式距離公式將用戶劃分為最近的均值聚類中,。然后進行遞歸，直到運算完成,。算法流程圖如圖4所示,。

    程序運行開始后，首先調(diào)用子程序LoadPatterns(char*fname)進行裝載數(shù)據(jù),，同時將數(shù)據(jù)轉(zhuǎn)換成Pattern[i][j]數(shù)組,；接著調(diào)用子程序InitClusters()進行簇中心的初始化過程，將選取數(shù)據(jù)樣本中的前k個樣本作為初始的聚類中心,；然后程序?qū)⑦M入主控程序RunKMeans(),，它將比較每個對象和各個簇中心的距離，將數(shù)據(jù)對象分配到與簇中心距離最短的簇中,；然后再根據(jù)對象的分配重新計算簇的中心,，如果簇中心不再發(fā)生變化，即ConFlag=True,，則聚類已完成,，否則繼續(xù)遞歸運算；最后運行子程序ShowCenters()和ShowCluster(),，輸出聚類中心和每個簇成員的數(shù)目,，程序結(jié)束。

3 數(shù)據(jù)測試及分析

    通過對算法的實現(xiàn)發(fā)現(xiàn)將數(shù)據(jù)樣本輸入得出結(jié)果基本與分析一致,，加大樣本數(shù)量對用戶進行分析,，還可得出用戶消費能力和消費意愿，結(jié)果分布如圖5所示,。

    由圖5可見,，用戶消費能力呈現(xiàn)平均分布情況，高端客戶平均分布在49元～73元之間,，低端客戶用戶數(shù)分布最多的區(qū)間位于10元～12元之間,。消費意愿普遍高于用戶消費能力，說明用戶具備極大的消費潛力,。特別是高端用戶消費能力明顯增強,。

4 結(jié)論

    本文首先建立用戶維系挽留系統(tǒng)，并利用數(shù)據(jù)挖掘算法對用戶特征進行挖掘聚類,。另外,，對算法進一步實現(xiàn)，最后,，采用運營商實際產(chǎn)生數(shù)據(jù)對算法進行驗證,，表明分類結(jié)果真實可靠。

參考文獻(xiàn)

[1] 郭光亮.江蘇聯(lián)通客戶維系與挽留策略研究[D].上海：華東理工大學(xué)，2011.

[2] 沈偉,，高尚,，梅鋒.建立基于生命周期的維系挽留系統(tǒng)[J].通信企業(yè)管理，2013(1)：76-77.

[3] 劉晨,，孫秀杰,，李響.電信企業(yè)客戶維系挽留應(yīng)用數(shù)據(jù)挖掘探討[J].商場現(xiàn)代化，2008(24)：29.

[4] 葉晟,，龐貴泳.基于BCS數(shù)據(jù)倉庫的廣西聯(lián)通存量維系系統(tǒng)[J].廣西通信技術(shù),，2014(3)：34-40.

[5] 劉志超，王雷,，谷壘,，等.基于數(shù)據(jù)挖掘技術(shù)的客戶流失預(yù)警模型[J].微計算機信息，2011,，27(2)：176-177.

[6] 文篤石.基于數(shù)據(jù)倉庫的客戶挽留系統(tǒng)[J].微型機與應(yīng)用,，2015，34(18)：11-13.

[7] 張杰,，卓靈，朱韻攸.一種K-means聚類算法的改進與應(yīng)用[J].電子技術(shù)應(yīng)用,，2015,，41(1)：125-131.

[8] 黃海新，吳迪,，文峰.決策森林研究綜述[J].電子技術(shù)應(yīng)用,，2016，42(12)：5-9.

作者信息:

石元博1,，張鑫明1,，黃越洋2

（1.遼寧石油化工大學(xué) 計算機與通信工程學(xué)院，遼寧 撫順113001,；

2.遼寧石油化工大學(xué) 信息與控制工程學(xué)院,，遼寧 撫順113001)