数据挖掘在电信客户细分模型研究中的应用

摘 要：在以客户为导向的电信市场对客户群进行细分可以帮助企业制定更高效可行的营销策略，拓展市场份额，增强市场竞争力。本文首先对电信客户细分的定义、特点进行了介绍，然后对数据挖掘技术的特点及其在电信客户细分中的应用优势进行了分析，最后对基于数据挖掘的电信客户细分模型及其所使用的数据挖掘技术进行了研究。

关键词：客户；电信市场；电信客户细分；数据挖掘

中图分类号：TP311.13 文献标识码：A 文章编号：1674-7712 （2013） 24-0000-01

随着通信市场竞争日趋激烈，电信客户的通信需求和消费理念都发生了显著的变化。为满足客户的应用需求、提升市场竞争力，就必须将当代通信服务由以产品为导向以客户需求为导向转变，通过建立客户数据库，对客户的类别属性、消费类型以及消费倾向等进行分析。数据挖掘技术是一种大数据环境下的数据分析方法，其可以在海量数据中建立一种内在的联系，基于该联系对客户进行细分，协助企业制定更具价值的认知体系和决策规则。

一、电信客户细分特点

客户细分包括客户描述与划分两部分内容。前者主要是提取可用于描述客户的特征和属性，以便于可应用该描述内容对客户行为模式进行预测和评估。后者主要是对经过特征化后的客户进行类别划分，使具有共同类别与特点的用户归入同一类别，以便于增强服务和营销的针对性与有效性。对客户进行细分可以调整资源分配结构，满足商业目的，对不同类型的客户指定不同的营销策略。

电信市场是典型的以客户为中心的消费市场，对该市场客户进行细分可以提升企业争取新客户、保留老客户、维护现有客户价值、拓展企业市场份额与经济效益的目的。

总结来看，电信客户细分中需要从以下几方面特征出发：一是电信客户消费具有持续性，为维系客户关系，就需要以该特征为着力点；二是电信客户消费层次和类别更为明显，如电信企业的客户分为具有较强稳定消费能力的集团用户和消费能力差别较大的个人用户；三是客户自身特点占据的权重较大，如客户的消费习惯、个人价值、品牌忠诚度、人际关系等。

二、数据挖掘技术及其在电信客户细分中的应用特点

数据挖掘技术本质是借助大量的知识体系和数据分析技术对海量、无序的数据信息进行整合与关联建立，从中提取可有效反映数据内部规律和模式，并依照所总结出来的规律与模式对未来的发展情况进行预测与评估，帮助决策者制定更有效的执行策略。

传统的电信客户细分方法主要使用资料调查或客户价值分析等两种，前者具有较少的细分维度，调查结果更易理解和应用，但是受调查样本数量的限制，其结果的可靠性和有效性有待进一步确认；后者操作简单，对于高价值电信客户细分具有良好的应用效果，但是在体现不同客户、不同业务、不同消费结构差异性等方面存在一定的缺陷。

在电信客户细分中应用数据挖掘技术可以有效利用企业发展过程中产生的大量数据进行多维度、多层面、多角度的客户细分，并为细分结果提供高可靠性的理论支持。特别是数据挖掘技术中的聚类分析方法可以将客户群按照电信企业最为关注的消费行为和消费价值进行细分，体现出不同客户属性之间的差异性，协助制定更加完备的营销策略。基于数据挖掘的电信客户细分可以分为战略细分和策略细分两类。前者主要是对客户特征进行分析与研究，从中查找适当的营销机会；后者主要是对营销活动进行分析与研究，为其选取最佳的目标人群。

三、基于数据挖掘的客户细分模型分析

（一）细分模型设计

细分模型应该包括三部分内容，即客户部分、市场部分、营销部分。

客户部分可进一步细化为客户分类和客户分析两类。客户细分中应该从客户消费习惯、消费种类、消费频度、消费结构、消费模式等建立模型，以便于电信企业依照这些特征对已有客户的收益率、新客户的定位、现存客户与流失客户特征等进行定义。客户分析模型则需要包括客户的行为、关系、价值属性、利润率、忠诚度以及业务量等内容，通过这些内容，电信企业可以对现有的营销进行效果分析。

市场部分主要体现为市场预测与市场总结等内容。建立可靠、客观的市场模型可以帮助企业制定更精准、分类更清晰、目标性更强的市场策略，并依照所架构的市场模型对用户行为进行解释，对未来用户的行为趋向进行预测。

营销部分可进一步细化为辅助营销、定向服务以及价格定位三部分。辅助营销模型可以针对特定的客户群使用特定的手段进行分析与研究，进而开拓更具针对性的销售渠道和宣传策略，充分满足客户的消费需求，在维持现有客户关系的基础上提升客户价值，拓展客户量。定向服务则是充分听取客户的消费需求，制定差异化服务策略，提供全方位、高质量定制服务。价格定位则是对客户的价格敏感度建立模型并深入分析。

（二）电信客户细分中的数据挖掘技术

目前，电信客户细分中所使用的数据挖掘技术主要分为分类、聚类以及统计分析三类。

分类可以依照预先制定的规则制定清晰的分类标准，并依照该标准对客户进行归类，生成预测模型。分类可以有效反映同类客户中的同属性知识特征和不同客户中的差异性知识特征，其具有非常强的预测性、指导性和方向性。常用的分类数据挖掘算法有神经网络法、决策树法、贝叶斯法以及示例学习法等。

聚类则是在海量的数据中对客户属性进行归纳与总结，将分析对象依照共同的特征分为多个簇，然后再在簇中进行特征提取，生成聚类标准，依照该标准对不同用户进行分类、对不同簇进行更新。该技术无需指导和事先规则的制定。常用的聚类数据挖掘算法有神经网络法、模糊聚类法、统计聚类法等。

统计分析则是直接对客户进行分群或辅助其他数据挖掘技术共同实现电信客户细分。其以一定的方法从数据库中提取样本，并对这些样本进行行为、地域、年龄、需求等进行差异性分析，辅助其他数据分析与处理技术即可实现客户的细分。常用的统计分析方法有交叉分析、相关分析、显著性分析、因子分析等。

参考文献：

[1]蔡宁.基于数据挖掘的电信客户细分研究[D].江西理工大学，2008.

[2]许昌加，高阳.数据挖掘在电信客户细分中的应用研究[J].成组技术与生产现代化，2004（21）：43-46.

[3]谭军.基于CRM数据挖掘的电信客户细分模型分析与设计[D].重庆：重庆大学，2005.

[4]刘岗.电信企业客户细分研究[D].暨南大学，2008.