大数据挖掘助力电信运营商终端营销
一、
引言在移动互联网时代，三大电信运营商均将流量经营作为竞争重点，
力图建立智能管道，以流量与增值服务实现收入的持续增长。同时，电信市场环境呈现“端管云”（即手机终端、通信管道、云计算中心）协同竞争的新模式，终端营销成为运营商必争之地。
虽然三大运营商在策略侧重上有所不同，他们在终端营销上都面临相似的挑战与需求：（1）通信市场趋于饱和：工信部数据显示，2012年全国电话客户总数突破13.9亿户，靠客户高速增长拉动电信收入增长的时代已一去不复返，由于新增客户多来源于竞争对手客户，将终端销售与高价值客户的维系与拓展结合刻不容缓。（2）管道化风险：微信等互联网异质业务的竞争对传统电信业务的分流和替代不断加剧，
运营商需明确“卖手机是为了卖业务与流量”的观念，推进终端、业务、套餐的融合营销。（3）对质量与效益的追求：以补贴驱动的销售模式难以适应市场拓展需要，同时渠道存在的拆包套机、虚假销售等问题，以及运营商对定向捆绑、实时营销等方面的需求，都对终端营销质量与效益的管控提出了更高的要求。
因此，运营商在终端营销中迫切需要强化商业智能应用，而面对海量的客户数据和指数级增长的移动互联网行为数据，大数据挖掘技术的引入和应用则成为将终端营销精细化管理落到实处的重要抓手。
二、运营商终端营销精细化管理的典型需求2.1
需求预测
运营商利用话务、服务等客户接触点收集客户消费与通信特征，并通过群体特征的归纳与分析，了解客户对手机终端的需求与评价标准，
制定营销与客户覆盖策略。在存量客户中识别出潜在换机倾向高、流量价值高的目标客户群优先进行营销推荐，
也有重要的意义。2.2
融合营销
为了促进流量的量收提升，运营商不仅着眼终端销
售，更应着眼与终端配套的业务和套餐关联销售。运营商可以把握客户换机时机，
精确推荐适配的自有业务、第三方合作业务和流量套餐，改善客户手机上网和数据业务使用的体验，提升业务的客户规模和服务感知。
2.3换机监控
为跟踪客户的终端使用行为及换机前后的消费和行为变化，需要建立IMEI 与号码的对应关系以及IMEI 对应终端型号和终端属性的数据库。运营商还需要评估已销售终端的价值及健康度以防范经营风险，并对已换机用户的来源、活跃度和消费异动进行跟踪分析以提高营销效益。
2.4渠道协同
运营商具有成熟的线上电子商务平台和覆盖较广的营业厅渠道，
通过建立与运营“O2O ”模式（Online to Of-fline ，即在线支付，线下服务），可以发挥电子渠道客户接触量大和实体渠道网点分布面广的优势，实现线上线下库存及物流的协同，提高运营效率，这离不开目标客户分群、需求与订单成功率预测、渠道偏好分析等大数据分析方法的使用。
2.4实时营销
基于网络信令与流量话单的实时捕获与动态分析，快速提炼出客户的位置特征或行为偏好，将有助于在第一时间向客户推荐终端、业务、套餐等合适的组合，提升营销成功率。
三、终端营销大数据挖掘及应用手段3.1终端营销大数据处理
按麦肯锡全球数据分析研究所的定义，“大数据是指大小超出了典型数据库软件工具收集、存储、管理和分析能力的数据集”
，当前运营商所面对的呈爆炸式增长的海量客户及移动互联网行为数据正是典型的大数据，需要对其进行有效的筛选和提炼，才能利用有限的软硬件资源支撑终端营销等战略业务应用。
终端营销应用涉及的大数据主要包括三类：一是BSS
新观察
ew Observation
N
43
参考文献
[1]Bill Franks.Taming the Big Data Tidal Wave[M].Wiley Publishing ，Inc.，2012
[2]Louis W.Stern ，Adel I.Ansary ，Anne T.Coughlan.Marketing channels[M].Prentice Hall ，1996[3]林有宏，黄宇芳.电信行业精确营销方法与案例[M].北京：人民邮电出版社，2007
域数据，包括计费系统数据（计费清单等）以及业务支撑系统数据（业务办理日志、用户订购关系等）；二是CS 域和PS 域信令，包括网络信令监测系统采集的用户呼叫、
短信、切换、寻呼等业务数据，用户运动轨迹等位置信息，以及用户互联网日志；三是其他平台的终端相关数据，例如DM （设备管理）平台数据。
上述海量数据接入数据分析平台后，可采用云计算技术（例如HADOOP ）实现大数据的高效低成本ETL （数据提取、转换和加载）处理，即对大数据尤其是其中的互联网非结构化数据进行库外汇总计算，再入库建模后支撑终端客户规模分析、终端网络性能分析、终端客户行为分析等上层应用。相比传统方案，云ETL 平台技术成本较低，使运营商在移动互联网时代的大数据存储与处理成为可能，是支撑上层大数据挖掘应用的基础。
3.2终端营销大数据挖掘应用
大数据挖掘技术在终端营销中的分析与使用，契合了电信运营商战略转型的方向，支撑终端营销服务向“大数据分析、客户超细分、
精确微营销”的转型。大数据分析：汇聚话单、信令、业务平台等各类数据，通过大数据解析处理，还原客户使用场景，建立客户终端、业务需求全景视图，
实现深度客户洞察。客户超细分：基于大数据处理，构建起更为多元化和精细化的客户上网行为分类标签及终端库，建立以个体为粒度的超细分客户洞察体系，以辅助精准营销实践的深入开展。
精确微营销：细化营销的颗粒度，基于对客户需求的精准把握，开展个性化的、精准的、场景化的细微营销，包括了基于超级细分的个体营销，基于关键时刻的实时营销、基于客户潜在需求的融合营销等。
基于大数据挖掘的终端营销具体应用手段举例如下：
（1）建立客户上网行为分类标签：
通过从Gn 口采集用户上网行为话单，经过网址解析库解析可得到用户访问的URL 分类；对内容型业务页面利用网络爬虫爬取页面内容，可得到比URL 分类更为详细的数据（例如书籍书名、分类、作者等信息）。基于网址解析信息，可挖掘出归属于该用户的上网行为标签，支持精确营销。
（2）数据挖掘模型：客户潜在换机需求：
建模思路：通过对比分析现用3G 终端用户与非3G 终端用户的特征差异，寻找规则识别潜在3G 终端用户。
模型算法：通过测量对比3G 终端用户与非3G 终端用户的属性特征，最终发现对用户选择3G 终端有影响的变量，包括：客户通信行为、客户消费特征、客户换机行为、客户交往圈特征、客户数据业务特征等。使用决策树
算法进行建模，对客户进行打分，输出具有潜在换机需求的客户名单。
（3）数据挖掘模型：
客户终端偏好识别：建模思路：根据终端特征与用户特征，进行关联分析，最终输出涵盖品牌、网络、价格、操作系统、屏幕等偏好的客户终端偏好标签。
模型算法：进行终端属性分类，并提炼客户购机重点关注的终端特征，
包括：品牌、价格、操作系统等。运用关联分析算法，结合用户特征进行建模与打分，输出客户终端偏好标签
（例如价格段偏好）。（4）数据挖掘模型：终端与流量套餐组合适配：建模思路：通过分析客户流量套餐订购和使用特征，挖掘影响用户订购流量包的费用、用量、数据业务粘合度等方面的因素，为用户推荐最合适的流量包套餐。
模型算法：资费方面，根据客户最近的流量情况，计算客户如果使用这一套餐所产生的费用，费用越小，客户更倾向于选择该套餐。流量方面，评估客户与套餐之间的匹配度，即评估客户流量与流量套餐之间的“距离”，“距离”小，则客户与套餐匹配度高。
（5）数据挖掘模型：
互联网应用偏好模型：建模思路：跟踪客户互联网访问内容类型及对应的互
联网应用，结合互联网应用的支持度和可信度，给出关联互联网应用的推荐方案。
模型算法：依据手机上网用户使用互联网使用日志、结合DPI 解析互联网应用使用情况，利用URL 内容解析规则，得出用户在各类内容的使用标签，建立内容分类与互联网应用的对应关系，最终形成用户—互联网应用的适配关系，用于定制终端业务预装和在用户换机时点的高效应用推荐。
（6）实时事件营销：
基于客户行为和特征的挖掘，OSS 域与BSS 域联动设
置营销触发规则，实现对目标客户的自动实时捕获，在最佳营销时机接触客户，开展精确的终端、套餐、业务融合营销和服务。
事件营销业务逻辑架构包括数据层、捕获层、过滤层和接触层，在清单和信令等数据中根据事件规则捕获目标号码，对目标客户名单进行频次过滤、红黑名单过滤和容量控制，并将目标号码名单匹配特定的营销内容后，推送到短信等营销渠道。
大数据挖掘在电信运营商终端营销等领域的应用方兴未艾，并正渗透至改善产品用户体验，提升用户满意度以及支撑市场精细化运营和营销决策等多个领域，上述在终端营销领域引入大数据技术构建的云存储及挖掘平台、客户偏好细分与“终端-套餐-业务”关联适配模型、实时事件营销机制等均有着广泛的应用前景。
新观察
ew Observation
N
44
大数据挖掘助力电信运营商终端营销
作者：邓逸斌， 朱克隽
作者单位：邓逸斌(中国移动广东公司)， 朱克隽(广州诚毅科技公司)刊名：
中国新通信
英文刊名：China New Telecommunications
年，卷(期)：2013(23)
本文链接：https://www.doczj.com/doc/4a9548935.html,/Periodical_zgsjtx201323033.aspx