摘要:本文重点探讨电信业如何开展及运用数据挖掘技术,提高市场差异化营销能力。用实际证明数据挖掘技术对市场精细化营销具有切实的指导作用。
一、研究背景 依照国外电信市场的发展经验和历程,市场竞争中电信公司的成功经营之道是: 通过数据仓库和统计分析模型确立竞争优势 以高质量的服务留住现有客户;客户加入时间越长,客户终生价值(Customer Life Time Value)越高,电信公司的利润越高 提高通话量和设备利用率,用比竞争者更低的成本争取新客户,扩大市场份额 放弃无利润和信用差的客户,降低经营风险和成本 使用柏拉图80/20 定律,掌握80%的现在和未来利润的来源:20%的企业客户 了解客户对电信服务的需求,推出满足客户需求的打包服务,提高客户忠诚度和留住客户 目标客户划分越明确,促销效果越好,竞争对手的客户转换率越高 电信经营机构如何利用客户的特征数据和行为数据,获得客户的行为模式,从而更好地为客户服务,是企业增强核心竞争力迫切需要解决的问题。 对于一个相对成熟的电信运营商来说,各运营与支撑系统所积累的海量历史数据无疑是一笔宝贵的财富,而数据挖掘系统正是充分利用这些宝贵资源,从而达到降低成本、提高效益目标的一种最有效方法与手段。二、数据挖掘技术及其应用 技术上的定义及含义 数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。这个定义包括好几层含义:数据源必须是真实的、大量的、含噪声的;发现的是用户感兴趣的知识;发现的知识要可接受、可理解、可运用;并不要求发现放之四海皆准的知识,仅支持特定的发现问题。 商业角度的定义 数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性数据。数据挖掘是一种深层次的数据分析方法。 因此,数据挖掘可以描述为,是按企业既定业务目标,对大量的企业数据进行探索和分析,揭示隐藏的、未知的或验证已知的规律性,并进一步将其模型化的先进有效的方法。 数据挖掘未来研究方向 ----当前,DMKD(数据挖掘和知识发现)研究方兴未艾,其研究与开发的总体水平相当于数据库技术在70年代所处的地位,迫切需要类似于关系模式、DBMS系统和SQL查询语言等理论和方法的指导,才能使DMKD的应用得以普遍推广。预计在本世纪,DMKD的研究还会形成更大的高潮。研究焦点可能会集中到以下几个方面: 发现语言的形式化描述; 寻求数据挖掘过程中的可视化方法; 研究在网络环境下的数据挖掘技术(WebMining); 加强对各种非结构化数据的开采(DataMiningforAudio&Video) 但是,不管怎样,需求牵引与市场推动是永恒的,DMKD将首先满足信息时代用户的急需,大量的基于DMKD的决策支持软件产品将会问世。数据挖掘在电信行业中的应用 数据挖掘在国内的研究与应用还处于刚起步的阶段,目前有关电信,包括通信行业中数据仓库和数据挖掘方面的研究与讨论日渐增多,但是投入实际运用的系统与案例不多,或者说真正意义上大规模、有计划、有步骤地把数据挖掘运用到实际的经营决策中的还不多。 国外有关数据挖掘的成功应用实例: 如:英国电信选用了SPSS 的数据挖掘产品Clementine,为其“商业高速公路”活动,分析数据和建立探索模型。应用这个系统的结果是,英国电信更好地了解到这些客户和他们在电信市场的行为特征: 向销售人员和营销活动提供了“最佳客户”清单; 直邮活动回应率提高了100%。 又如美国西部电信公司(US WEST),作为美国最大型的长途电信公司之一,拥有2000 万以上的客户。该公司使用SAS 研究所的企业挖掘器(Enterprise Miner)软件以进一步增强其已获成功的目标市场战略。US WEST 利用销售活动管理软件,连同SAS 的Enterprise Miner 一起,使得营销专家可以对列入目标的销售活动进行规划、执行及评估。将数据挖掘工具与销售活动管理软件结合在一起既消除了销售人员对全部客户数据进行评分的负担(而这将极为耗时),也减少了手工干预所造成的人为错误,其结果是,公司的市场营销周期大为缩短,而且由于能够对市场做更加细致和高度目标化的划分而使企业得到了更高的营销投资回报(ROI)。 三、电信市场精细化营销对数据挖掘的需求分析 随着国内电信业的发展壮大、市场竞争格局的改变和市场监管的规范,适应入世后与国际接轨的竞争环境,电信市场竞争逐步加深,国内电信运营商的竞争理念和方式正在悄然发生转变。 首先,竞争正由企业间的竞争向价值链间的竞争转变。价值链竞争将处于未来竞争的主导地位,不同的运营商将会构筑不同的价值链,价值链环节包括SP、设备商、系统集成商、软件开发商及终端提供商等。从前瞻性的角度来考虑的话,不同价值链之间将会成为未来竞争的主要领域。目前的竞争主要体现在话务量竞争、接入手段竞争等方面;从未来看,应该是一种全面满足客户多媒体需求的综合解决方案能力的竞争,这种能力的具备需要价值链各个环节共同合作来完成,“移动梦网”、“联通无限”的数据业务的竞争就是比较典型的价值链之间的竞争。 其次,竞争重点逐步由网络资源转移到业务和服务创新。长期以来,电信运营商之间的竞争主要在网络和业务两个层面展开。当前,各大运营商的资源与实力越来越接近,电信技术的发展使得业务的替代性竞争日益增强。同时,电信需求日趋多样化、个性化和多层次化,而价格战和用户普及率的不断提高等原因已经导致运营商的ARPU值(户均月收入)逐年降低,企业利润摊薄。因此,随着电信竞争的加剧,电信运营商的核心竞争力将越来越依赖其服务竞争。 四、电信行业离网预警模型设计 用户离网预警模型主题的选取 对于电信运营商来说,市场的客户转移是一个很大的问题。 随着行业中的竞争越来越激烈和获得一个新客户的开支越来越大,保持原有客户的工作也越来越有价值,特别是高价值的客户。保留一个旧客户所需的费用要远远低于吸引并使一个新客户签约所需的开支。如何使用数据挖掘,来对不同的旨在保留客户的活动进行建模,对整个客户保持工作起着重要的作用。 对于保持原有客户而不只是吸引新客户的价值,Don Peppers 和MarthaRogers 在他们的书《一对一企业》中给出一个简单的例子来说明。他们举了一个杂志订阅的例子。如果每年的续订率以2%增长,那么若用当前净价值来衡量每个客户的整个生命周期价值的话,每个客户的价值将得到25%的提高。 原因是,保留一个客户的时间越长,收回在这个客户身上所花的初期投资和获取费用的时间也越长。随着保留客户的费用与获得新客户的费用比在逐年降低,这样的效果也逐年明显。 在电信业中使用数据挖掘技术建立一个有关客户流失的预测模型来预测哪些客户具有高风险转移的可能性,并可将这些结果应用到市场活动中去。 模型解决的业务问题 自动发现预警用户离网的主要变量以及变量参数 自动产生某段时间可能离网的高危用户名单以及各用户的ARPU等信息 指导针对性的用户预警挽留工作 降低用户挽留的成本,提高用户挽留成功率 模型的输出结果及应用 激烈行业竞争和市场的逐渐成熟使获得一个新用户的成本愈来愈大,与此同时,现有用户的离网却愈来愈容易。尤其是优质用户的离网对公司的影响如釜底抽薪,不但使公司开发用户时投入的成本毁于一旦,又使目前已稳定的收入水平直线下降,公司形象受到损失,还会让竞争对手日渐强大。用户的离网并不仅仅意味着用户账户的完全注销,有时也意味着用户放弃该运营商提供的某项服务(如IP电话或DDD)而转用其它运营商的类似产品。一个不争的事实是,获得新用户的成本远远高于维护一个老用户的成本。 其实,用户的离网是有着各种征兆和规律可循的,只是我们因用户数量庞大,人手有限,以传统的办法,很难准确而迅速的发现……因此,一个有效的用户离网预警模型显得尤为紧迫和重要! 基于数据挖掘的用户离网预警模型工作原理
图4.3.2用户离网预警模型工作原理
首先,在充分了解运营商用户行为特点的基础上,建立数学模型。通过模型发现了与用户离网高度相关的几个因素,并具体针对各个因素进行分析,并在因素分析的基础上进一步比较不同用户群体在某因素上的差异。然后,用户离网预警模型产生需要挽留的用户名单,以便营销人员更好地把握用户行为,采取相应的行动。 通过用户离网预警模型指导用户挽留工作 通过用户离网预警模型,评估用户的离网概率,并根据这些用户所在的行为组别,针对性的设计营销策略,有效预防用户的离网或延长用户的寿命,同时由于离网预警模型可以告诉营销决策者哪些用户的离网概率较高,因而通过对这些离网概率较高的用户进行针对性的营销活动,这样就可缩小营销活动所需要覆盖的范围,提高了营销效率,降低了营销费用。 建立离网预警模型要注意的问题 1)找到关键环节,注意商业问题,而非技术问题 通常,模型的建立,很多在技术层面上令人感兴趣或者技术上难的问题得到人们的关注,尽管它们的商业价值很有限。在解决业务问题时,数据挖掘技术仅仅是整个项目的一小部分,真正关键的环节是商业需求的分析理解过程,如果模型与实际需求脱节,模型建得再完美,其结果也不会符合需求。 在开始知识发现之前最先的同时也是最重要的要求就是了解数据和业务的问题。如果事先没有这种了解,没有任何算法,不管他有多么复杂玄妙,也难以能够提供有价值的结果,即使有也难以使人信赖他。缺少了对商业问题的理解,就没办法明确定义要解决的问题,不能为挖掘准备数据,也很难正确的解释得到的结果。要想充分发挥数据挖掘的价值,必须要对目标有一个清晰明确的定义,即决定到底想干什么。 2)模型的应用,是有时间限制的 虽然建立模型是一个反复的过程,但即使是在“千挑万选”之后建立的模型也是有使用时限的。市场环境、用户特征都是在不断变化的,包括模型使用者的需求也是在不断变化的,模型不能够一劳永逸的解决所有的问题,当环境、目标发生改变时,模型也需要进行适时的调整甚至是重建。 3)整个数据挖掘项目的成功不仅仅取决于数据挖掘模型的成功构建,还要设法将挖掘出的结果应用到企业的营销实践中去,这样才有实际价值。 参考文献 [1] 迈克尔•波特(陈小悦译)•竞争战略•北京;华夏出版社,1997 年1 月; [2] 曾娅•是替代还是融合?•人民邮电,2001 年1 月31 日; [3] Michael Meltzer•Customer Profitability Information Just Isn't Enough•http://www.dmreview.com/whitepaper/wid286.pdf; [4] Michael Meltzer•Segmenting your customers based on profitability•http://www.dmreview.com/ whitepaper/wid287.pdf; [5] 本报编辑•国家移动通信产业化概况•通信产业报,2004年3 月14 日; [6] 谭淑贞•全球电信市场结构变化和电信企业的经营模式•邮电企业管理,2000,(8) [7] 金碚•产业组织经济学•经济管理出版社,1999 年10 月第1 版 [8] [美] 斯蒂芬•哈格,梅芙•卡明斯,詹姆斯•道金斯(严建援等译)•信息时代的管理信息系统•北京;机械工业出版社,2000 年9 月; [9]Customer Data Quality:The Foundation of a One-to-One Customer Relationships•http://www.dmreview.com/whitepaper/dqa.pdf; [10] 朱爱群•客户关系管理与数据挖掘•北京,中国财政经济出版社;2001 年8月; [11] 张振,赵明,黄晓惠•煮网论英雄•信息产业报,2003年8 月23 日; [12] Saharon Rosset, Uzi Murad, Einat Neumann, Yizhak Idan, Gadi Pinkas•Discovery of Fraud Rules for Telecommunications-Challenges and Solutions
|