客戶細(xì)分聚合模型方法研究

青島科技大學(xué)數(shù)理學(xué)院 郭 涌

中國移動(dòng)山東省公司濱州分公司 楊 慶

隨著國內(nèi)電信市場競爭的日趨激烈，電信運(yùn)營商的經(jīng)營模式逐漸從“技術(shù)驅(qū)動(dòng)”向“市場驅(qū)動(dòng)”、“客戶驅(qū)動(dòng)”轉(zhuǎn)化。面對客戶的多樣化、層次化、個(gè)性化的需求，大眾化營銷已經(jīng)失去了其優(yōu)勢，基于客戶信息、客戶價(jià)值和行為，深入數(shù)據(jù)分析的洞察力營銷、精確化營銷的理念逐漸被各大電信運(yùn)營商所接受，并渴望通過從數(shù)據(jù)中挖掘價(jià)值來減少營銷成本、提高營銷效益。近幾年迅速崛起的數(shù)據(jù)挖掘技術(shù)成為實(shí)現(xiàn)這些目標(biāo)的必要手段。

準(zhǔn)確的市場細(xì)分和差異化的營銷策略是目前企業(yè)市場營銷所必須面對的難題。而客戶分群是市場細(xì)分和目標(biāo)市場營銷的前提。因此，有效的利用數(shù)據(jù)挖掘方法對客戶進(jìn)行細(xì)分具有重要的意義。從目前的研究情況來看，理論研究仍處于比較薄弱的階段，而本課題的研究將豐富這一方面的內(nèi)容，為以后進(jìn)行更深刻的研究做準(zhǔn)備。

第一，有利于企業(yè)戰(zhàn)略的制定：客戶細(xì)分的方法為企業(yè)的管理者和決策者提供了一種方法，來發(fā)現(xiàn)消費(fèi)者的需求和需求的變化。企業(yè)戰(zhàn)略的選擇不是選擇產(chǎn)品，也不是選擇業(yè)務(wù)，而是選擇客戶價(jià)值。只有選擇了客戶群，才能夠根據(jù)客戶群的需求，定制公司的發(fā)展方向。根據(jù)消費(fèi)者的需求的差異化，找到企業(yè)差異化戰(zhàn)略的落腳點(diǎn)，同時(shí)也根據(jù)企業(yè)定位的差異化，組織公司的資源和發(fā)展公司的能力。

第二，促進(jìn)公司用戶規(guī)模增長，保持移動(dòng)市場的領(lǐng)先優(yōu)勢：通過客戶細(xì)分，找到客戶群較大的客戶需求點(diǎn)，定位公司產(chǎn)品的特殊性，有利于企業(yè)進(jìn)行大規(guī)模定制。企業(yè)的規(guī)模不能限制在極少數(shù)的客戶群，否則無法取得規(guī)模。客戶細(xì)分的一個(gè)目的，就是幫助企業(yè)實(shí)現(xiàn)規(guī)模化定制。

第三，提供客戶最需要的業(yè)務(wù)，提升客戶滿意度：一個(gè)企業(yè)不可能服務(wù)所有的客戶。企圖服務(wù)所有客戶的企業(yè)戰(zhàn)略本身就是對客戶不負(fù)責(zé)任的行為。如果企業(yè)試圖滿足所有消費(fèi)者的需求，最終的結(jié)果只能是所有的消費(fèi)者都不滿意。每個(gè)企業(yè)擁有的資源和企業(yè)自身的能力都存在著差別。企業(yè)擁有的資源是有限的，企業(yè)應(yīng)該把企業(yè)所擁有的有限的資源發(fā)揮在更好的滿足客戶某一方面的價(jià)值上。企業(yè)自身擁有的能力也不同，企業(yè)應(yīng)該把自身的能力發(fā)揮在更加適合創(chuàng)造消費(fèi)者特殊價(jià)值的地方。這樣，在滿足消費(fèi)者某個(gè)特殊需求的時(shí)候，該企業(yè)擁有更加優(yōu)勢的能力，能夠更好地滿足消費(fèi)者的需求。

國內(nèi)外各標(biāo)桿企業(yè)對客戶細(xì)分都有了一定的研究。

KDDI多樣化的客戶細(xì)分手段：2000年—2007年，KDDI的移動(dòng)客戶市場份額從18%升至28.9%，2007年6月底，3G客戶更是占到市場的37%。目前KDDI的3G客戶自身占比依然高達(dá)98%。

韓國：SKT以年齡為主的客戶細(xì)分：從全球范圍來看，SKT的增值業(yè)務(wù)發(fā)展一直處于世界領(lǐng)先位置，其成功經(jīng)驗(yàn)主要體現(xiàn)在市場細(xì)分、網(wǎng)絡(luò)建設(shè)、終端定制、渠道創(chuàng)新等4個(gè)方面，市場細(xì)分已經(jīng)成為SKT營銷和市場滲透戰(zhàn)略的重要手段。

AT&T從2000年開始就將策略重點(diǎn)轉(zhuǎn)移到企業(yè)客戶中來，目前AT&T公司將客戶細(xì)分為企業(yè)客戶、小型商業(yè)客戶和住宅客戶，針對不同類型客戶的特點(diǎn)，設(shè)計(jì)了不同的業(yè)務(wù)體系，以滿足客戶差異化的需求。

英國“Orange”的“四型”客戶：了保證套餐設(shè)計(jì)的個(gè)性化和更強(qiáng)的針對性，Orange通過對客戶消費(fèi)行為、消費(fèi)結(jié)構(gòu)、行為方式等的深入分析，將其客戶分為：“海豚型客戶”、“浣熊型客戶”、“金絲雀型客戶”和“黑豹型客戶”四類客戶，并在細(xì)分的基礎(chǔ)上提供區(qū)隔化的資費(fèi)方案。

廣東是外來務(wù)工人員聚集的省市，廣東移動(dòng)針對外來工群體提供專屬的服務(wù)。外來務(wù)工人員使用通信具有周期性特征，在年初務(wù)工時(shí)期，新增用戶將增加，他們對價(jià)格敏感，同時(shí)其長途通信的需求很大，愿意也有時(shí)間嘗試眾多業(yè)務(wù)，而且會(huì)形成群體效應(yīng)。

四川移動(dòng)在原有僅依靠基于ARPU值的客戶細(xì)分轉(zhuǎn)變?yōu)榭紤]不同客戶細(xì)分方法的有效性及實(shí)施的難易程度，并結(jié)合公司所提供的數(shù)據(jù)資源和移動(dòng)用戶特點(diǎn)，采用用戶行為方式進(jìn)行客戶細(xì)分，再結(jié)合人口統(tǒng)計(jì)和客戶價(jià)值準(zhǔn)確定位細(xì)分人群。

在家庭客戶方面：北京移動(dòng)推出”全球通家庭計(jì)劃方案”，該套餐的目標(biāo)是以全球通高端客戶的高離網(wǎng)成本提高整個(gè)家庭計(jì)劃組的離網(wǎng)成本，并以此維系低端客戶在網(wǎng)，降低客戶離網(wǎng)率。而且這種捆綁也會(huì)超出家庭范圍，業(yè)務(wù)交往頻繁的商業(yè)合作伙伴或者任何通話頻率高的人群也競相加入。

通過大量閱讀國內(nèi)外文獻(xiàn)，對數(shù)據(jù)挖掘的研究背景、方法論、研究和應(yīng)用前景等進(jìn)行了綜述，并簡要描述其中聚類分析以及聚類融合算法的相關(guān)信息。

聚類算法從：劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法以及基于模型的方法進(jìn)行綜述并討論了聚類算法的研究方向。聚類融合算法將不同算法或者同一算法下使用不同參數(shù)得到的結(jié)果進(jìn)行合并，從而得到比單一算法更為優(yōu)越的結(jié)果。在分類算法和回歸模型中，正廣泛而且成功地使用著融合方法，該方法能克服分類、回歸中的不穩(wěn)定性，并給出較好的結(jié)果，并對目前聚類融合技術(shù)的主要進(jìn)展進(jìn)行了綜述和總結(jié)。

在客戶細(xì)分建模方面：本文介紹了客戶細(xì)分的必要性及其理論依據(jù)，分析了客戶細(xì)分應(yīng)關(guān)注的各類變量，給出了客戶細(xì)分的一般方法和步驟，強(qiáng)調(diào)了客戶細(xì)分項(xiàng)目實(shí)施過程中應(yīng)注意的關(guān)鍵因素。

在用數(shù)據(jù)挖掘技術(shù)來做客戶細(xì)分時(shí)，通常采用k-means算法。這種算法具有簡單易行、可擴(kuò)展性好、時(shí)間復(fù)雜度較低等優(yōu)點(diǎn)。這是一種較為原始的基于劃分的聚類算法。但在使用K-means算法進(jìn)行數(shù)據(jù)挖掘時(shí)，仍然存在一些問題：運(yùn)行K-means算法是必須預(yù)先指定聚類個(gè)數(shù)k，但k值的確定難以估計(jì)。很多情況下，工作人員并不知道給定數(shù)據(jù)集應(yīng)該被分為幾類，只能在一定先驗(yàn)知識背景下隨機(jī)選擇數(shù)值進(jìn)行聚類。這也是K-means算法本身的一個(gè)缺點(diǎn)。在K-means算法中，需要首先隨機(jī)選卻k個(gè)數(shù)據(jù)點(diǎn)作為初始聚類中心。這些初始聚類中心點(diǎn)的選取對最終聚類結(jié)果的影響較大，一旦初始點(diǎn)選擇不當(dāng)，很有可能無法得到有效的聚類結(jié)果。這也是K-means算法運(yùn)用中面臨的問題。

為解決K-means算法在移動(dòng)通信客戶細(xì)分中遇到的問題，本文引入聚類融合算法。聚類融合算法將多個(gè)聚類結(jié)果進(jìn)行融合優(yōu)化，在適應(yīng)性、魯棒性、可擴(kuò)展性、穩(wěn)定性和并行性等方面優(yōu)于單一聚類算法。聚類融合算法用于移動(dòng)客戶細(xì)分，將各層次聚類結(jié)果進(jìn)行匯總?cè)诤希玫絻?yōu)化的群體劃分，同時(shí)，還能通過對最終群體劃分和Co-association矩陣的綜合分析得到每個(gè)客戶對所分群的歸屬度。

在進(jìn)行客戶細(xì)分操作方面依據(jù)CRISP-DM方法論給出了完整的解決方案；對“商業(yè)理解–數(shù)據(jù)理解–數(shù)據(jù)準(zhǔn)備–模型建立–模型評估–模型發(fā)布”各個(gè)環(huán)節(jié)的實(shí)施關(guān)鍵點(diǎn)結(jié)合實(shí)例進(jìn)行了詳述闡述；最后還論述了戰(zhàn)略分群與戰(zhàn)術(shù)分群的關(guān)系，對設(shè)計(jì)有效的目標(biāo)市場營銷方案作更深入的思考。通過客戶分群（戰(zhàn)略分群）確定營銷機(jī)會(huì)，通過再次細(xì)分（戰(zhàn)術(shù)分群）確定營銷方案。戰(zhàn)略分群關(guān)注總體，戰(zhàn)術(shù)分群關(guān)注個(gè)體，個(gè)體與總體的平均特性不一定一致。采用聚類的分析方法，由于我們在模型建立時(shí)需要同時(shí)考慮幾十個(gè)方面的維度，雖然每個(gè)分群都有決定其特性的主要屬性，但一些個(gè)體也會(huì)由于次要屬性的影響而歸到此類中，最終會(huì)導(dǎo)致許多個(gè)體與總體的平均特性有較大差異。因此在確定戰(zhàn)略分群后，還有可能會(huì)根據(jù)客戶特征、商業(yè)目標(biāo)、營銷方案的可行性等進(jìn)一步進(jìn)行戰(zhàn)術(shù)分群。

同時(shí)由于營銷方案的普適性，最終會(huì)出現(xiàn)：同一戰(zhàn)略分群的個(gè)體可能歸屬不同戰(zhàn)術(shù)分群，不同戰(zhàn)略分群個(gè)體也可能歸屬同一戰(zhàn)術(shù)分群。如在我們的案例中，首先根據(jù)上述的客戶戰(zhàn)略分群，識別出營銷優(yōu)先級最高的三個(gè)客戶群：高值高危群、經(jīng)濟(jì)商務(wù)群和傳統(tǒng)長途群；然后根據(jù)這三個(gè)目標(biāo)客戶群的個(gè)體和總體特性，同時(shí)考慮我們的商業(yè)目標(biāo)和營銷方案的可行性、易操作性，從收入的變化趨勢和他網(wǎng)IP的使用情況兩個(gè)維度重新劃分出三個(gè)戰(zhàn)術(shù)分群：下降客戶群、上升客戶群和他網(wǎng)IP客戶群，并依據(jù)戰(zhàn)術(shù)分群來設(shè)計(jì)對應(yīng)的營銷方案。

數(shù)據(jù)挖掘技術(shù)能夠解決許多常規(guī)的數(shù)據(jù)分析方法不能解決的問題。一方面，數(shù)據(jù)挖掘技術(shù)可以同時(shí)考慮非常多的因素，人觀察的緯度就十幾二十個(gè)緯度，同時(shí)觀察的緯度不可能超過太多；而數(shù)據(jù)挖掘技術(shù)，比如聚類分析可以同時(shí)考慮非常多的因素，甚至達(dá)到幾十上百個(gè)維度。

另外數(shù)據(jù)挖掘可以考察非常大的數(shù)據(jù)量，也就是說對于大量的數(shù)據(jù)可以自動(dòng)的進(jìn)行分析。并且可以幫助我們?nèi)W(xué)習(xí)新的潛在模式，也就是說我們用人工或者傳統(tǒng)的方法很難發(fā)現(xiàn)的一些規(guī)定。比如聚類分析，除了能夠有效地幫助我們劃分出特征迥異的客戶群，并幫助我們發(fā)現(xiàn)決定客戶分群的主要屬性，實(shí)現(xiàn)對各客戶群特征的深入洞察。

同時(shí)，正是因?yàn)榫垲惙治瞿軌驈谋姸嗟木S度去對客戶屬性作綜合考察，因此還能為我們揭示一些我們的經(jīng)驗(yàn)沒有發(fā)現(xiàn)的關(guān)系，或者對我們的經(jīng)驗(yàn)給以數(shù)據(jù)證實(shí)，而這些往往會(huì)給我們帶來一些有價(jià)值的意外收獲，例如在我們的案例中，我們發(fā)現(xiàn)擁有寬帶的客戶離網(wǎng)率會(huì)比較低，擁有增值業(yè)務(wù)的用戶新業(yè)務(wù)的滲透率較高，增值業(yè)務(wù)和新業(yè)務(wù)使用較多的用戶與移動(dòng)用戶接觸較為頻繁，入網(wǎng)時(shí)長較短的客戶離網(wǎng)率高于老客戶，卡類用戶對價(jià)格比較敏感但產(chǎn)品滲透率較高需求較旺盛，低值用戶產(chǎn)品滲透率也低，長途構(gòu)成對ARPU影響至關(guān)重要，長途和區(qū)間話務(wù)較易流失等等，這些對我們市場營銷都很有啟發(fā)意義。

實(shí)踐證明本文提供的移動(dòng)目標(biāo)市場營銷客戶分群的解決方案是極為成功有效的。

[1]陳治平.聚類算法在電信客戶細(xì)分中的應(yīng)用研究[J].計(jì)算機(jī)應(yīng)用,2007,27(10):2566-2577.

[2]方安儒.基于數(shù)據(jù)挖掘的客戶細(xì)分框架模型[J].計(jì)算機(jī)工程,2009,35[19]:251-253.

[3]陽琳.聚類融合算法綜述[J].計(jì)算機(jī)應(yīng)用研究,2005,(12):8-15.

[4]喻彪.數(shù)據(jù)挖掘聚類算法研究[J].現(xiàn)代制造工程,2009,(3):141-145.

[5]楊占華.SOM神經(jīng)網(wǎng)絡(luò)算法的研究和進(jìn)展[J].計(jì)算機(jī)工程,2006,32(16):201-228.

[6]張國方.客戶細(xì)分理論及應(yīng)用策略研究[J].華中科技大學(xué)學(xué)報(bào),2003.(03):101-104.

[7]狄輝.客戶細(xì)分海外經(jīng)驗(yàn)[N].通信產(chǎn)業(yè)網(wǎng),2009.

[8]李娜.基于數(shù)據(jù)挖掘的零售客戶細(xì)分模型的應(yīng)用研究[D].成都:四川師范大學(xué)學(xué)位論文,2008:2-12.