數據挖掘技術在3G業務擴展中的研究與應用

［摘 要］ 本文運用數據挖掘技術中的分類決策樹算法和快速聚類算法，對某省會城市聯通公司的3G業務數據進行深入分析，研究并實現一個準確、實用的3G客戶識別和客戶細分的模型。在對模型進行評估的基礎上，為精確發展優質3G客戶提供了一個具體參考，同時對3G的資費策略提出一些參考意見。

［關鍵詞］ 數據挖掘； 3G業務； 客戶識別； 客戶細分

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2010 . 24 . 024

［中圖分類號］F270.7；TP39 ［文獻標識碼］A ［文章編號］1673 - 0194（2010）24- 0049 - 04

１引言

從２００８年開始的三大電信運營商重組至今，經歷了３Ｇ牌照發放以及３Ｇ正式商用，中國電信業市場環境發生了根本性變化。特別是３Ｇ的正式商用，標志著通信領域跨入了一個新的時代，３Ｇ業務的競爭和３Ｇ客戶的爭奪日趨白熱化。目前電信企業對３Ｇ客戶的識別以及３Ｇ客戶細分方面都還處在摸索階段，無法在客戶與企業之間有效交互信息，無法滿足廣大客戶以及３Ｇ業務發展的需要。本文使用數據挖掘方法，整合３Ｇ客戶大量數據，通過對客戶基本自然屬性與消費行為屬性的數據進行深入分析，提煉出３Ｇ客戶屬性特征和消費特征來建立３Ｇ客戶識別模型，并對３Ｇ客戶進行細分。通過對３Ｇ客戶識別模型和３Ｇ客戶細分模型的評估和分析，為如何發展優質３Ｇ客戶和３Ｇ資費的調整提供一定的指導。

２分類決策樹和快速聚類算法概述

２．１分類決策樹算法

ＣＡＲＴ算法采用一種二分遞歸分割的技術，將當前樣本集分為兩個子樣本集，使得生成的決策樹的每個非葉節點都有兩個分支。ＣＡＲＴ算法考慮到每個節點都有成為葉節點的可能，對每個節點都分配類別。分配類別的方法可以用當前節點中出現最多的類別，也可以參考當前節點的分類錯誤或采用其他更復雜的方法。當滿足下列條件之一時，則視葉節點不再進行分支操作：① 所有葉節點的樣本數為１或樣本數小于某個給定的最小值或者樣本都屬于同一類的時候；② 決策樹的高度達到用戶設置的閾值，或者分支后的葉節點中的樣本屬性都屬于同一類的時候；③ 當訓練數據集中不再有屬性向量作為分支選擇的時候。

２．２快速聚類算法

Ｋ－Ｍｅａｎｓ算法是一種典型的基于劃分的聚類算法。Ｋ－Ｍｅａｎｓ算法接受輸入量Ｋ，然后將Ｎ個數據對象劃分為Ｋ個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的［１］。Ｋ－Ｍｅａｎｓ算法采用了動態分裂的思想，對給定一個有Ｎ個元組或者記錄的數據集，分裂法將構造Ｋ個分組，每一個分組就代表一個聚類，Ｋ＜Ｎ，而且這Ｋ個分組要滿足兩個條件，即每一個分組至少包含一個數據記錄并且每一個數據記錄屬于且僅屬于一個分組［１］。對于給定的Ｋ，該算法首先給出一個初始的分組方法，以后通過反復迭代的方法改變分組，使得每一次改進之后的分組方案都較前一次更好，而所謂好的標準就是同一分組中的記錄越近越好，而不同分組中的記錄越遠越好［１］。

３實證研究

３．１數據理解

數據來源于某省會城市聯通公司２００９年１１月的用戶基本信息數據和消費信息數據。客戶基本信息可由客戶表、賬戶表和用戶表關聯得來的。但是在客戶基本信息中包含一些對于數據分析無意義的信息，如客戶表中的ＣＵＳＴＯＭＥＲ＿ＮＯ（外部客戶編號）、ＣＵＳＴＯＭＥＲ＿ＮＡＭＥ（客戶姓名）等。另外還有很多的字段在系統中都是填寫的默認值，如客戶表中的ＣＵＳＴＯＭＥＲ＿ＯＣＣＰ（客戶職業）、ＣＵＳＴＯＭＥＲ＿ＩＮＤＵＳＴＲＹ（客戶行業）等字段，這些數據對于數據挖掘已經失去意義。所以在客戶基本信息數據提取的過程中需要剔除那些無用的、無效的數據。客戶的消費信息數據主要包括語音話單數據、增值話單數據、ＧＰＲＳ詳單數據以及賬單數據。不同客戶的具體資費其實是不一樣的，所以對于客戶消費數據的提取需要盡量采用客戶消費的硬性指標，如通話時長、ＧＰＲＳ流量等。

３．２數據準備

因實驗環境數據龐大，所以在數據挖掘之前隨機提取５萬個賬戶（按照對有效賬戶以２０取模等于１得到前５萬條記錄），然后再以這５萬個賬戶為基礎，分別提取這些客戶的基本信息和消費信息。最后根據關鍵字賬戶號碼、手機號碼，將提取出來的客戶基本信息和客戶消費信息進行合并，將這些信息合并到一張數據表中。接著再對這些數據進行規整，剔除已經銷戶的用戶，并且在根據身份證號碼提取年齡的時候，剔除那些身份證資料不正確的用戶數據，同時根據數據表中的ＢＲＡＮＤ＿ＩＤ＝７０００將這些數據分為２Ｇ客戶數據和３Ｇ客戶數據（３Ｇ客戶的ＢＲＡＮＤ＿ＩＤ＝７０００）。另外，還需要在稍后的數據處理中將年齡字段的值進行離散化、特殊數據值的填充以及無關數據數據字段的過濾。最終數據中包含３Ｇ用戶的記錄５４４條，非３Ｇ用戶的記錄條２４ ３３４條。數據挖掘過程中所使用的字段數據以及解釋見表１。

３．３數據挖掘

３．３．１３Ｇ客戶識別模型

從提取的數據來看，３Ｇ客戶僅占總客戶的３％左右，那么用這個訓練集去訓練決策樹，結果會導出一個“空”的識別系統，即一棵“空”樹［２］。為了解決類別偏斜，一種方法是在訓練集中通過多次復制３Ｇ客戶數據來加大３Ｇ客戶在總數據中所占比例［３］；另外一種方法是把２Ｇ客戶數據均勻地分成若干份，每一份都與３Ｇ數據形成一個訓練集［３］。因所提取的規范樣本數據量只有２萬多條，若采取把２Ｇ數據等分成多份然后再與３Ｇ數據進行合并的方式，那么每一個訓練集的樣本數據太少，將在一定程度上影響決策樹的精確度。所以３Ｇ客戶的識別模型按照第一種方法解決類別偏斜問題，將３Ｇ客戶數據復制９份，然后再與２Ｇ客戶數據進行合并。因所提取的數據中，可能有些字段因其特殊值的原因，將對３Ｇ客戶識別模型產生影響，所以３Ｇ客戶識別模型分析的源字段選取經特征選擇節點提取出來的重要字段。在３Ｇ客戶識別模型中，使用ＣAＲＴ建模節點進行判定，最終結果為一棵二叉決策樹，其生成規則如圖１所示。

對于ｉｓ＿Ｇ３字段等于０（即為２Ｇ客戶）有１１個判斷規則，ｉｓ＿Ｇ３字段等于１（即為３Ｇ客戶）有５個判斷規則，現將ｉｓ＿Ｇ３＝１的５條規則逐條解釋如下。

規則１：如果客戶的GPRS流量小于等于１８７ ７７０．５００比特，省內漫游通話時長小于等于２ １４５．５秒并且國內漫游通話時長大于４ ３５２秒，那么這樣的客戶為３Ｇ客戶；

規則２：如果客戶的GPRS流量小于等于１８７ ７７０．５００比特，省內漫游通話時長大于２ １４５．５并且本地通話時長小于６ ４９３秒，那么這樣的客戶為３Ｇ客戶；

規則３：如果客戶的GPRS流量大于１８７ ７７０．５００比特而小于等于４７ ４４０ ６７５ 比特，年齡大于２３．３歲并且客戶生活在該市區，客戶等級為１００、３０１或３０２，并且客戶性別為女性，那么這樣的客戶為３Ｇ客戶；

規則４：如果客戶的GPRS流量大于１８７ ７７０．５００比特而小于等于４７ ４４０ ６７５比特，年齡大于２３．３歲并且客戶生活在該市區，客戶等級為１００、３０１或３０２，并且客戶性別為男性，那么這樣的客戶為３Ｇ客戶 ；

規則５：如果客戶的GPRS流量大于４７ ４４０ ６７５比特，那么這樣的客戶為３Ｇ客戶。

針對以上５條規則進行分析總結，３Ｇ客戶的綜合特征為：①ＧＰＲＳ流量大于４５Ｍ；②年齡在２３歲以上，生活在市區，國內漫游通話時長大于７２分鐘；③年齡在２３歲以上，生活在該市區，省內漫游通話時長大于３６分鐘。若滿足以上一個或多個特征，那么這些客戶都極有可能是３Ｇ客戶。

３．３．２3Ｇ客戶細分模型

另外，對于３Ｇ客戶細分模型可將所獲得的３Ｇ數據作為數據源，Ｋ－Ｍｅａｎｓ建模節點作為分析工具。因聚類數目Ｋ的選擇對聚類結果具有較大的影響，很難一次確定，所以需要根據聚類結果進行調整。調整策略如下：初步將聚類數（細分客戶簇數）Ｋ值定在３~９之間。分別取值３，４，５，６，７，８，９，對樣本進行嘗試性運算。經過幾次試驗，Ｋ＝４是本次聚類的最佳數目，各分類之間的數目相對均勻且各類之間的相關字段差異較大，其細分之后的結果如圖２所示．

針對Ｋ－Ｍｅａｎｓ聚類節點所形成的4類３Ｇ客戶，對其各項指標進行整理，包含ＧＰＲＳ流量、短信費用、月總消費費用、年齡、縣市等信息。根據整理后的數據可將每個分類的特點描述如下。

聚類１：短信較多；GPRS流量約為２４Ｍ；每月費用在１４０元左右；國內漫游較多；以市區４居民居多，其次為市區１居民；性別為男性；年齡在２８~３８歲之間。

聚類２：短信使用較少；GPRS流量很多；每月費用在１２０元左右；市區１的用戶居多，其次為市區４居民；性別為男性；年齡在３８~４８歲之間。

聚類３： 短信費用多；GPRS流量也很多；本地通話時長也很長；每月費用達２２０元；以市區４的用戶居多，其次為市區１居民；性別為男性；年齡在１８~２８之間。

聚類４：短信較多；GPRS流量比較少；本地通話時長較多；省內漫游也是比較多；費用在１４０元左右；以市區４用戶居多，其次為市區1居民；性別為女性；年齡在１８~２８歲之間。

３．４模型評估

３．４．１３Ｇ客戶識別模型評估

對３Ｇ客戶的識別規則進行評估，其測試集為３Ｇ客戶數據復制９份之后與２Ｇ客戶數據合并的數據集。但不能單從測試集判斷的準確率來評估模型，準確率是判斷準確的人數與測試集總人數的比，其中判斷準確的人數中既包括２Ｇ客戶也包括３Ｇ客戶。在此可以衍生出２個量化指標計算公式：

（１） ２Ｇ客戶判斷準確率＝被判定為２Ｇ客戶數量／實際的２Ｇ客戶數量＝Ａ／（Ａ＋Ｃ） （１）

（２） ３Ｇ客戶判斷準確率＝被判定為３Ｇ客戶數量／實際的３Ｇ客戶數量＝Ｄ／（Ｂ＋Ｄ） （２）

２Ｇ客戶判斷準確率表達了３Ｇ客戶識別規則對２Ｇ客戶的影響程度，此值越大，說明影響越小；３Ｇ客戶判斷準確率表達了３Ｇ客戶識別規則對真正的３Ｇ客戶的識別的正確程度。顯然這兩個指標值越大，說明模型預測效果就越好。

對系統進行評估時采用ＳＰＳＳ Ｃｌｅｍｅｎｔｉｎｅ中的分析節點對２Ｇ和３Ｇ客戶的判斷準確率進行分析統計，其分析結果如圖３所示。

從圖３可以看出，在３Ｇ客戶中有９１．４４％（４ ４７７／４ ８９６ × １００％ ＝ ９１．４４％）的３Ｇ客戶被識別正確，在２Ｇ客戶中有９２．２２％（２２ ４４１／２４ ３３４ × １００％ ＝ ９２．２２％）的2G客戶被識別正確；由此可見這個模型的準確率比較高。那么根據這個規則也可以看出，實際的２Ｇ客戶中有１ ８９３位客戶被誤判為３Ｇ客戶，說明了些２Ｇ客戶與３Ｇ客戶的特征非常相似，極有可能發展為３Ｇ客戶，這些客戶占２Ｇ客戶的比率為７．７８％（１ ８９３／２４ ３３４ × １００％ ＝ ７．７８％）。根據前面提取３Ｇ客戶的顯著特征，將這１ ８９３位２Ｇ客戶信息進行匯總分析，其結果見表２。

其中同時“滿足年齡在２３歲以上生活在市區，其國內漫游通話時長大于７２分鐘、省內漫游通話時長大于３６分鐘并且ＧＰＲＳ流量大于４５Ｍ”條件的客戶共計有１１２位，這１１２位２Ｇ客戶是未來重點發展為３Ｇ客戶的對象。

３．４．２３Ｇ客戶細分模型評估

因為在采用Ｋ－Ｍｅａｎｓ方法對３Ｇ客戶進行聚類分析的時候，是根據分組中的各對象到簇中心的距離最小來不斷調整簇中心和分組對象的，所以同一個分組中的對象之間的距離的平均值是要大于等于分組中的各個對象到簇中心的距離的平均值的，因此可以將類內各對象到簇中心的平均距離近似衡量類內各對象之間的平均距離，其值越小說明組內越緊湊。

在對３Ｇ客戶的細分模型進行評估的時候，首先抽取各分組中的每條記錄與其所屬簇中心的距離，然后再使用ＳＰＳＳ Ｃｌｅｍｅｎｔｉｎｅ軟件中的“統計量”工具，對其進行統計分析。另外在聚類分析的時候能夠產生各個分組之間的相似度的一組值，統計此類與其他類之間的類間距離，可以用來衡量各個聚類之間的分散程度，類間距離越大說明分組越好。各分組內的對象到簇中心的平均值以及各分組之間類間距離的統計見表３。

由表３可以看出，類間距離在０．８８~０．９９之間，說明各組之間的分散程度比較好；另外從類內到簇心平均距離可以看出，其值分布在０．６８~０．８２之間，說明各個聚類內的對象還不夠緊湊，這個３Ｇ客戶的細分模型還不夠成功。分析其原因，可能是數據的維度不夠，數據量也不是特別多，容易受噪聲和孤立點的影響。

３．５模型實施

針對以上３Ｇ客戶特征識別模型所獲得的結果，根據其總結出來的３Ｇ客戶的綜合特征，從現網的２Ｇ客戶中提取出符合這些因素的客戶，并且對這些客戶進行電話營銷。據營銷人員提供的數據反映，在第一天中所營銷的１００位客戶的情況來看，有２５位客戶愿意使用３Ｇ品牌；５６位客戶對３Ｇ品牌產生了興趣，愿意考慮之后再決定是否使用；有１９位客戶暫時不愿意使用３Ｇ品牌。與以往的逐個詢問的營銷方式相比，這種有針對性的營銷能大大提高營銷的效果、節約成本，并且也不會使大量客戶產生厭煩情緒。

另外，基于３Ｇ客戶的細分模型所得出的結果，可對 ３Ｇ業務的資費提幾點參考建議：①現有的３Ｇ客戶使用的ＧＰＲＳ流量基本上都只有幾十Ｍ，說明很多的３Ｇ客戶一般使用ＧＰＲＳ瀏覽網頁，可以考慮贈送更多的ＧＰＲＳ流量，例如９６檔的３Ｇ套餐贈送的ＧＰＲＳ流量原為３００Ｍ，可以考慮贈送ＧＰＲＳ流量５００Ｍ，以鼓勵更多的３Ｇ客戶來使用手機上網下載、上網觀看視頻等；另外不同類型的客戶對短信有不同程度的使用，可以在套餐中贈送相應的短信條數，相信可以更好地吸引客戶；②現有的３Ｇ套餐都是全國統一的，其實不同地區、不同年齡段、不同客戶對３Ｇ的需求是不一致的。例如年齡１８~２８歲的市區４性別為女性的客戶對短信和本地電話的需求多一點，而對ＧＰＲＳ流量的使用比較少一點，所以可以針對不同的區域的各類客戶進行相應的資費調整。

４結論

對３Ｇ客戶識別模型和細分模型進行評估，基于對３Ｇ客戶識別模型產生的決策規則和評估結果，將研究結果用于營銷實踐，取得較好效果；對于評估效果稍有缺陷的３Ｇ客戶細分模型，對其原因進行分析，并提出了適當的３Ｇ資費策略。３Ｇ客戶和業務是不斷發展變化的，很可能過一段時間之后，模型有可能要發生變化，因此需要不斷地對模型進行測試，有時甚至需要重新建立模型。

主要參考文獻

［１］ ［加］Ｊｉａｗｅｉ Ｈａｎ，Ｍｉｃｈｅｌｉｎｅ Ｋａｍｂｅｒ． 數據挖掘概念與技術［Ｍ］． 范明，孟小峰，譯． 北京：機械工業出版社，２００１：３－６８．

［２］ Ｊ Ｈａｄｄｅｎ，Ａ Ｔｉｗａｒｉ． Ｃｈｕｒｎ Ｐｒｅｄｉｅｔｉｏｎ：Ｄｏｅｓ Ｔｅｃｈｎｏｌｏｇｙ Ｍａｔｔｅｒ？ ［Ｊ］ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｃｈｎｏｌｏｇｙ，２００６，１（２）：１０４－１１０．

［３］ 郭俊芳．電信領域客戶流失預測模型的研究與實現［Ｄ］． 大連：大連海事大學，２００７．