基于BP神經網絡的電信客戶綜合價值評價研究

［摘 要］ 本文從操作層面出發，提出了一個包括直接經濟維度和社會網絡維度的電信客戶綜合價值評價指標體系，并設計了一個基于BP神經網絡的電信客戶綜合價值評價模型。通過一個實際案例的分析，進一步地闡明了整個評價模型的數據獲取、數據預處理、模型建立以及數據分析一整個流程的操作。

［關鍵詞］ 電信客戶價值 客戶價值評價 BP神經網絡 社會網絡分析

電信運營商在經歷了十多年的分分合合之后，目前正逐漸由賣方市場向買方市場過渡，客戶資源競爭，特別是價值客戶競爭，已經成為電信運營商戰略制定的新方向。因此，找出一個比較全面的方法對運營商所擁有的客戶進行評價和分類，挖掘出其擁有的價值總量顯得尤為重要。現有研究大多從直接經濟維度出發，以各種可直接測量的經濟指標作為客戶價值評價的依據。但是信息手段的飛快演變帶來的不僅是通信的便捷，還形成了一個更為復雜的客戶關系網絡，電信運營商作為信息交換的中樞，對客戶關系網絡的把握無論從硬件還是軟件上，都具有明顯的優勢。在其網絡中的客戶所具有的價值不僅僅只是傳統客戶價值理論中所定義的“收入減成本”，更重要的是客戶所擁有的社會網絡價值。因此，本文提出了一個包括直接經濟維度和社會網絡維度的電信客戶綜合價值評價指標體系，并設計了一個基于BP神經網絡的電信客戶綜合價值評價模型。通過一個實際案例的分析，進一步地闡明了整個評價模型的數據獲取、數據預處理、模型建立以及數據分析一整個流程的操作。

一、電信客戶綜合價值評價指標體系

本文提出的電信客戶綜合價值評價指標體系包括直接經濟維度和社會網絡維度，具體來說：

1.直接經濟維度包括當前價值類指標和潛在價值類指標：

（1）當前價值類指標，包括基本功能消費和附加功能消費兩部分。

基本功能消費是指客戶在電信運營商中交納的基本通信費用，包含月租（X1）、本地話費（X2）、長途話費（X3）三個指標。基本功能消費是電信運營商能夠給普通客戶帶來的最基本的服務，它是客戶在正常消費服務的過程中給電信運營商帶來的收益。

附加功能消費是指客戶發送短信、使用GPRS以及其他增值服務產生的費用，為了方便此處用數據業務通信費（X4）一個指標統計。這些附加功能消費屬于特殊功能，他們的使用能夠使客戶增加已購買產品的交易額。

（2）潛在價值類指標，主要通過考察客戶的忠誠度和信用度來判定。

忠誠度用在網時長（X5）和當月通話時長（X6）來衡量。在網時長是指客戶使用該電信運營商品牌的時間長度，在網時長數值越大表示客戶對該品牌越依賴。當月通話時長是指客戶當月使用該品牌進行通話的總時間長度，這個數值在一定程度上可以表征客戶對該品牌所持態度的變化，如果每個月的“當月通話時長”數值趨于穩定，則忠誠度較高，反之依然。

信用度包括最高欠費金額（X7）、月欠費金額（X8）和欠費次數（X9）三個指標。最高欠費金額為客戶在使用該品牌時欠費的最高值；月欠費金額是客戶當月欠費的數值；欠費次數是客戶使用該品牌中欠費的次數。這三個指標反映的是客戶的經濟承受能力，在一定程度上代表著其信用度。

2.社會網絡維度包括三個指標：

點度數中心度（X10）、點中間中心度（X11）、點接近中心度（X12）三個指標是社會網絡分析技術中的三個常見指標，所表征的客戶社會網絡屬性各有側重：點度數中心度表征的是客戶在網絡中“權利”的大小；點中間中心度表征的是客戶在網絡中“控制力”的大小；點接近中心度表征的是客戶在網絡中“反控制”的大小。而在電信客戶的社會網絡分析中，我們可以通過用戶的通話清單計算出這三個指標值。

二、基于BP神經網絡的電信客戶綜合價值評價模型

根據電信客戶綜合價值評價指標體系，客戶經理就可以用技術手段來分析某個特定客戶的綜合價值了。但是在具體實施中，電信運營商面向的客戶是多種多樣的，幾乎覆蓋了所有的行業，設置一套指標權值一勞永逸是不現實的想法。針對此，本文提出了基于BP神經網絡的電信客戶綜合價值評價模型，它能夠根據不同地區、不同行業客戶的特征，對歷史數據進行學習，計算出權值配置的優化方案，大大提高客戶綜合價值的評價準確率。

1.數據獲取

在理想情況下，處于電信運營商內部的客戶經理可以從業務運營支撐系統中直接導出直接經濟維度的指標X1~ X9，然后進行歸一化處理，將各量級數值轉化為無量綱、0~1間的數值。另外，X1~ X6是正向指標，即數值越大越優；X7~ X9是負向指標，即數值越小越優。在進行歸一化處理時要將它們統一為正向指標，方便分析。

設：

其中，n表示客戶樣本總數；Tij表示第i個客戶樣本的第j項指標值；Tjb表示所有客戶樣本的第j項指標的最大值；Tjs表示所有客戶的第j項指標的最小值。

那么，歸一化后的客戶樣本正向指標值為：

歸一化后的客戶樣本負向指標值為：

而對于社會網絡維度指標X10~ X12的獲得，需要客戶經理通過業務運營支撐系統先導出目標客戶群的通話記錄數據，然后用社會網絡分析軟件Ucinet分析出每個客戶樣本的點度數中心度、點中間中心度和點接近中心度并做歸一化處理，方法同上所述。

為了保障客戶信息安全，保護客戶隱私，電信運營商對業務運營支撐系統的管理十分嚴格，非內部職工是無法查詢客戶數據的。因本文作者不是電信運營商內部職工，無法拿到指標體系中所有的數據。為了能夠收集到足夠多的數據來進行模擬，本文采用網絡問卷調查的方法，對本人所在單位正在使用某品牌的43人進行了訪問，邀請他們通過登陸網上營業廳導出包括通話清單、月租、本地話費、長途話費、通話時長、數據業務通信費等在內的個人數據以作研究。而“在網時長X5”在網上營業廳是無法查到的，則需引導被訪者回憶使用該品牌的大概時長。另外，在本次調查中被訪者的信用度都非常良好，幾乎沒有出現欠費記錄，為了達到降維、加快運算速度的目的，沒有對X7~X9進行統計。最終，調查得到了37份有效數據。

2.數據預處理

（1）建立數據倉庫

建一個名為“數據處理.xls”的Excel文檔，作為數據倉庫。在“數據處理.xls”中，新建“10月”、 “11月”、 “12月”、 “1月”、 “2月”五個工作表用于存放被訪者對應月份的數據。其中，X1~X6可以從被訪者原始數據表中得到，X10~X12用社會網絡分析軟件Ucinet計算求得，詳細步驟如下：

① 根據被訪者原始數據表，構建鄰接矩陣：二者在本月內有通話記錄記為1，否則記為0。

② 打開Ucinet，通過Data#61664;Import via spreadsheet(DL editor)#61664;Full matrix w/multiple sheets路徑將鄰接矩陣表導入軟件。導入數據之后，Ucinet將在默認目錄自動生成工程文件“鄰接矩陣.##h”和“鄰接矩陣.##d”。

③ 通過Network#61664;Centrality#61664;Multiple Mesures(old)路徑打開工程文件“鄰接矩陣.##h”，計算出各月份每個被訪者的點度數中心度（Degree）、點中間中心度（Betweenness）和點接近中心度（Closeness）。并通過Visualize#61664;NetDraw路徑得到網絡關系圖。

（2）歸一化處理

在“數據處理.xls”中新建“10月歸一化”、“11月歸一化”、“12月歸一化”、“1月歸一化”、“2月歸一化”五個工作表用于存放被訪者對應月份的歸一化數據，并在對應月份的單元格中算出歸一化數值。例如，“10月歸一化”工作表中C3單元格的歸一化公式為“='10月 '!C3/MAX('10月 '!C$3:C$39)”，它表示用“10月”工作表中C3單元格的數值除以C3至C39單元格中的最大值。

這樣，我們就得到了預處理完畢的五個月數據，接下來進行BP神經網絡的建模。

3.評價模型神經網絡的確立

（1）輸入向量、輸出向量維數確定

輸入向量為指標X1~X6以及X10~X12共9個維，每個月的輸入向量是一個9×37的矩陣。輸出向量為一個確定的數值，因此維數為1，而每個月的輸出向量是一個1×9的矩陣。

（2）隱層節點數的確定

根據現有文獻經驗，設m、n、h分別表示輸入向量維數、輸出向量維數以及隱層節點數，則在m>n時， 為最佳隱層節點數選擇區間。因此，本研究的最佳隱層節點數區間為[4~13]。通過在MATLAB中進行仿真模擬比較，確定最佳隱層節點數為9。因此，本研究最終的神經網絡結構為[9，9，1]。

（3）傳遞函數確定

由于S型非線性函數的網絡具有較強的分類能力，它也接近于人腦神經元的輸入輸出特性，神經元采用S型非線性函數，對于隱層神經元，我們取傳遞函數為tansig函數，函數表達式為：。而我們的輸出層需要在區間[1，5]進行評分取值，因此用purelin函數，函數表達式為：。

（4）學習算法確定

根據現有文獻研究，在進行中小規模數據處理時，LM算法的收斂速度最快，而且精度也比其他算法高，能夠獲得更小的均方差。因此，本研究采用LM算法作為神經網絡的學習算法。

4.評價模型在MATLAB上的訓練及仿真

因為9個指標都是正向指標，因此整個評價模型應該是遞增函數。我們將預處理后的數據進行分類，按數值大小分為“很高（0.8~1）、高（0.6~0.8）、一般（0.4~0.6）、低（0.2~0.4）、很低（0~0.2）”五級，那么可以知道：當9個指標都取最大值1時，評價值最高，其他等級亦是如此。設期望評價值為區間[1，5]上的實數，那么用于評價模型學習訓練的輸入向量p和輸出向量t分別為：

將p、t導入MATLAB，并編寫訓練程序：

經過5次迭代，網絡停止了訓練，訓練均方誤差下降到

，而測試均方誤差和確認均方誤差在第2次迭代時達到一致的0.011898，如圖1所示。說明建立的神經網絡可以被接受。

圖1 誤差曲線

網絡訓練完成后，我們將預處理好的數據按月份導入MATLAB。設x2、x1、x12、x11、x10和y2、y1、y12、y11、y10分別為2月、1月、12月、11月、10月的輸入向量和輸出向量，則有程序：

這樣，我們就得到了各月份各客戶的綜合評價值。在Excel中根據綜合評價值按月份做出圓環圖，如圖2所示，自圓心向外的五個環依次為10月、11月、12月、1月、2月的評價值數據，每個色塊代表每個客戶的綜合評價值占當月總分值的比重。

圖2 客戶綜合價值圓環圖

由圓環圖我們可以看出：

（1）每個月各色塊所占比重是相對穩定的，這說明本研究的客戶群體的消費習慣趨于穩定，整體離網概率較低。從另一個角度看，客戶經理每個月查看該圖，就能知道目標群體中是否有異常數據，及時做離網預警分析。

（2）五個月內編號為9的客戶綜合評價值最高。從歸一化表中可以查到，盡管其直接經濟維度各指標值并不是最高，但是其社會網絡維度指標值每個月都排在前列，這說明她在此研究群體中比別人有更大的影響力。而考察實際的客戶身份可知，9號客戶是單位辦公室主任，負責單位的內外部人員聯系，傳達領導指示，分派具體任務。據觀察分析，因為該客戶的主要聯系方式是單位的固定電話，移動通話的頻率相對沒有那么高，所以其直接經濟維度價值被掩埋了。如果只分析其直接經濟維度指標，是不能將其客戶價值真正挖掘出來了。而采用本文提出的電信客戶綜合價值評價指標體系進行分析的話，就能通過社會網絡維度的指標值，挖掘出了其隱藏著的社會關系屬性，糾正了對其客戶價值的評價。這也驗證了該指標體系的有效性和實用性。而從另一角度來看，客戶經理在分析數據時，如果發現某個客戶的直接經濟維度數值不高但社會網絡維度數值較高，就應該引起重視，因為其很有可能擔當著目標群體內部“上傳下達”的角色，客戶經理應該優先發展該類型的客戶，將更多的優惠資源投放于此，以把握住該目標群體的“關系核心”所在，從而方便地將營銷網絡由中心向周邊擴散。

（3）五個月內編號為27的客戶綜合評價值排名第二。從歸一化表中可以查到，其直接經濟維度和社會網絡維度各指標值都排在前列，說明其是優質價值客戶，這類型客戶不僅對公司保有足夠的忠誠，而且其在目標群體中屬于活躍分子，具有較大的概率愿意為公司做業務推廣傳播，加強口碑效應。客戶經理對該類型客戶應該多加培養感情，提高其業務滿意度，將其作為新業務推廣的原點，向外擴張。

（4）觀察到編號為26的客戶綜合評價值雖然較高，但是通過分析歸一化表發現，社會網絡維度指標數值較低，說明其在此目標群體中的“認同度”不高，即在此群體中不活躍。但是從歸一化表中又能發現，其直接經濟維度指標數值還是比較高的，這表明該客戶在另外的群體中是個優質價值客戶。這表明本評價模型能很好地平衡了直接經濟維度和社會網絡維度各指標間的權值設置。而從另一角度來看，客戶經理在分析數據時，如果發現某個客戶的直接經濟維度指標值較高而社會網絡維度指標值較低，可以嘗試去挖掘一下其所屬的別的活躍圈子，因為該類型客戶往往就是其活躍圈子中的關系網絡核心人物，客戶經理可以通過他拓展出一個新的業務營銷群體。

三、結論

本文提出的電信客戶綜合價值評價指標體系比較全面地考慮了直接經濟維度和社會網絡維度兩方面，并據此設計了基于BP神經網絡的電信客戶綜合價值評價模型，經過實際案例的分析，具有較高的可信度和較強的實際操作意義，為客戶經理、研究人員進行相關的分析研究提供了一個可參考的技術框架。

參考文獻：

[1] 齊佳音，舒華英.客戶價值評價、建模及決策[M].北京:北京郵電大學出版社.2005

[2] 王艷輝，吳斌，王柏.電信社群網絡靜態幾何性質分析研究[J].復雜系統與復雜性科學，2005(02)

[3] 嚴寒冰.人工神經網絡在電信業客戶關系管理中的應用研究[D].重慶大學，2007

[4] 劉軍.社會網絡分析導論[M].北京:社會科學文獻出版社.2004.12

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文