中国联通客户维挽分析支撑专题应用方案.doc

中国联通公司企业标准 QB/CU XXX-2009 中国联通 IT 系统 BSS 域 经营分析系统业务规范 China Unicom BAS Functional Specification 附件：客户维系挽留分析支撑专题应用方案 （V1.0） （送审稿） 2XXX-XX-XX 发布2XXX-XX-XX 实施 中国联通公司发布 目 次 目目 次次.I 前前 言言III 客户维系挽留分析支撑专题应用方案客户维系挽留分析支撑专题应用方案 4 1 范围.4 2 规范性引用文件.4 3 缩略语.4 4 总体说明.5 4.1 背景.5 4.2 目标.6 4.3 原则.6 5 业务需求.7 5.1 整体描述.7 5.2 业务描述.9 6 系统功能.10 6.1 功能概述.10 6.2 系统流程.12 6.3 核心客户识别.12 6.4 客户流失分析.17 6.5 维挽方案设计.22 6.6 维挽效果分析.28 7 技术实现.33 7.1 客户细分模型.34 7.2 客户价值模型.35 7.3 客户生命周期模型.36 7.4 交叉销售模型.38 7.5 客户套餐匹配模型.39 7.6 核心客户识别模型.40 7.7 客户流失预警模型.44 7.8 客户渠道响应模型.52 7.9 维挽后核心客户健康度评估模型.55 8 与其他系统关系.62 8.1 互动业务系统.62 8.2 互动流程图.62 8.3 互动功能说明.63 8.4 接口说明.64 9 应用场景.64 9.1 成熟核心客户价值提升.64 9.2 预警核心客户价值维护.65 前 言 本标准是中国联通 IT 系统 BSS 系统域经营分析系统 业务规范-专题应用方案系列标准之一，该 系列标准的结构和名称如下： 中国联通 IT 系统 BSS 系统域经营分析系统 业务规范-专题应用方案总册 中国联通 IT 系统 BSS 系统域经营分析系统 业务规范-营销分析支撑专题应用方案 中国联通 IT 系统 BSS 系统域经营分析系统 业务规范-套餐预演与评估专题应用方案 中国联通 IT 系统 BSS 系统域经营分析系统 业务规范-日运营监控 年度消费原则：全年平均 APRUN 元；在网年限Z 年且全年平均 APRUK 元; 相对值判断原则： 据客户群收入贡献曲线基准差，动态判定核心客户服务目标客户群，如图所示； 用用户户数数100% 总总收收入入100% 总总收收入入Y% ARPU排排名名前前X% A B 图 7-3-6-2 客户群收入贡献曲线 说明：将全体客户按照消费由高到底排序，再由高至低累加，计算不同用户数比例上收入贡献占 比，形成客户群贡献度曲线 A；再设定比较基准曲线 B（在客户 ARPU 均等情况下的曲线） ，以 A-B 的最大值作为是否中高端的区分点，确定当月核心客户的主体规模。 3、高价值人群： 该部分群体是企业收益的重要来源。通过客户收益来判别客户是否为企业带来较高价值。高价值 群体不等同于高收入群体，部分用户收入不算太高，但是由于其占用了较少的成本（比如折扣、网络、 积分服务、投诉等成本）或者由于其在网时长较长等导致其对企业贡献了较大的收益，这类客户是需 要重点关注的客户。 客户的收益（即利润）是客户为公司带来的收入和公司支出成本之差，即：客户收益=客户收入 客户成本。 客户收入包括帐单收入和网间结算收入。客户的成本包括独占资源成本和共享资源分摊成本，其 中独占资源成本包括结算成本、酬金成本、赠送预存成本、实物资源成本、用户积分成本等，共享资 源分摊成本包括广告宣传成本、通信业务成本、营销机构成本等。 在收益没有太大影响的情况下，可以根据用户的偏好通过体验或回馈的方式激发用户的消费潜能， 提升对移动业务及服务的粘性，从而提升用户的忠诚度。 核心客户识别期重点关注下图中新客户获取和低端客户提升两部分客户群。 初始时 中高端 客户群 初始时 中高端 客户群 评估时 中高端 客户群 低 端 客 户 提 升 客 户 关 怀 挽 留 新 客 户 获 取 1 1 2 2 3 3 初始时 中高端 客户群 初始时 中高端 客户群 评估时 中高端 客户群 低 端 客 户 提 升 低 端 客 户 提 升 客 户 关 怀 挽 留 客 户 关 怀 挽 留 新 客 户 获 取 新 客 户 获 取 1 1 2 2 3 3 图 7-3-4-3 核心客户获取识别阶段示意图 1、核心客户获取判别的指标维度 消费情况。如，月度消费指标、年度消费指标、客户贡献度曲线 在网年限 影响力级别。如，客户交往圈、活跃度、集团重要自然人或联系人、高消费或重要 客户的关联客户 2、识别标准： 符合识别标准的客户将在系统中标记为准中高端客户，作为重点价值提升目标客户（判别系数可 自行定义） 。 （1）月均APRU判别标准： 三个月平均 APRUM*判别系数 B 三个月平均 APRU 排名前 X%*判别系数 B 入网未满三个月的客户，已达到中高端判定条件（如：排名在前 X%内，或平均 APRUM 元） （2）年消费判别标准： 全年平均 APRUN*判别系数 B 在网年限Z 年且全年平均 APRUK*判别系数 B 7.6.5 模型评价 核心客户识别模型在对客户的价值打出标记后，应结合其他模块或市场细分方法才能更好的进行 应用并发挥出作用。对不同类型的核心客户采取的维系策略也不尽相同，因此，对核心客户识别模型 应用效果的评估应该结合其他模块功能联动起来进行。 核心客户识别模型的常用评价指标包括：命中率、覆盖率、提升度等。 假设不采用模型时自然状态营销响应率 2%，在此前提下，给出上述指标的参考值如下： 命中率：= 10% 覆盖率：= 30% 提升度：= 5 7.7 客户流失预警模型 7.7.1 模型概述 客户流失预测是采用特定算法、采集检查多角度的客户数据、预测客户未来一段时期离网概率的 一种预测方法，输出流失概率较大的客户清单，并提供客户流失症状描述及可能的流失原因。 客户流失预警模型是流失预测的核心模型，定义客户流失特征分类及细项、流失特征对应的指标、 指标数据采集规则及检查规则、指标阈值定义和指标权重、流失风险概率和风险级别的算法规则、流 失特征与流失原因的因果关系等关键信息。 客户流失预警模型还可以包含客户流失风险向相关人员通知预警的告警规则，用于定义当不同客 户群存在不同流失风险时，应以何种方式向哪些人员发出告警信息。此部分不作为本模型介绍的重点。 7.7.2 建模思路 客户预警模型的总体建模思路为经验总结和预测分析相结合。 首先组织专家和相关专业人员，对客户流失进行业务定义，对已离网客户的流失特征进行分类， 对客户维系挽留工作所积累的客户流失症状、流失原因进行经验总结，归纳出体现及影响客户流失的 各种因素，搭建评估指标体系；围绕指标体系进行发散辐射，明确相应的指标采集规则、计算规则、 告警规则等关键信息。 客户流失预警模型的框架搭建后，可部署到测试环境进行观察，或通过专业工具软件对模型进行 预演、训练，一方面验证现有模型，另一方面探索未知的流失因子，在验证和探索过程中针对客户群 不断细化，重点完善对核心客户的流失预测指标体系，制定合理的指标采集频次、数据取样范围、调 校算法规则，当预测命中率达到一定标准后，部署到生产环境正式运行。 7.7.3 输入输出 客户流失预警模型建模的两大依据经分系统对已离网客户的流失特征分析，以及客户维系挽留工 作对客户流失症状、流失原因的经验总结，模型探索时的主要输入为已离网客户的历史消费行为、业 务办理行为、客户交往圈信息、回馈享受情况、投诉情况等大类，以及客户离网调查情况等。 模型的输出为客户流失预警模型定义，主要包含以下内容： 1.基础数据定义 客户流失特征定义，包括流失特征分类和具体特征定义。 流失原因分类及定义。 流失预警指标定义，主要定义指标 ID、名称、对应的流失特征、指标统计口径、权重、指标阈 值所对应的指标分值。 流失风险级别定义，主要定义流失风险级别 ID、名称、对应的风险分值范围、风险级别计算规 则。 流失预警级别定义，主要定义流失预警级别 ID、名称、与风险级别的对应。 2.采集规则定义 采集规则主要配置被采集对象和采集算法，主要信息： 采集规则 ID、采集规则名称、被采集对象位置（如服务器 IP、端口、数据库及用户模式或文件系 统路径） 、被采集对象名称（如库表.字段名称，或接口文件名称） 、采集条件、采集算法及相关参数等。 3.检查规则定义 检查规则主要配置数据采集以后，以什么规则、算法做检查，从而计算出各项流失指标的得分。 检查规则的主要内容：检查规则 ID、名称、规则类型、被检查对象、检查算法等。 检查算法描述对采集到的若干数据用什么逻辑进行校验，例如：（前三个月主叫平均占比 - 最近 一个月主叫占比） X% 4.告警规则定义 告警规则主要用于配置对不同客户群的不同特征的流失风险，向不同的客服人员或客户经理发出 相应级别告警。 告警规则的主要信息：告警规则名称、告警接收人与流失特征、客户价值、客户群、风险级别的 对应关系、告警内容格式，以及告警通知方式和接收人的通知地址。 告警方式包括：短信、彩信、Email 等，通知地址为相应的手机号码、Email 地址。 7.7.4 实现方法 客户流失预警模型的经验总结和预测分析相结合的建模思路，有两种方法提供支撑：指标判别法、 数据挖掘判别法。 指标判别法基于经验积累，是对现有知识的综合运用，可快速搭建一个成型的流失监测模型。它 充分体现知识复用和价值发挥，建设成本较低、建设周期较短，建设成效可预见。 而数据挖掘判别法在本专题侧重于挖掘核心客户的流失特征，需借助专业的数据挖掘工具对模型 进行探索、训练和实验，对人员要求较高，建设周期较长。可作为指标判别法的有效补充。 本方案建议有条件的省分在指标判别法的基础上，尽可能运用数据挖掘判别法，以充分发挥经验 积累和挖掘分析的成果，实现更精确、更高效的流失预警监测。 7.7.4.1 指标判别法 指标判别法是基于已知的判别因子及判别因子的取值范围,对客户流失特征进行分类，客户一旦出 现在相应判别因子的取值范围内，则认为该客户存在离网倾向。 （一）模型建设（一）模型建设 1 1、判断因子、判断因子 指标大类指标细类指标异常示例 呼转异网情况 连续 2 天呼转异网同一号码且超过 X 次 通话情况连续 X 天未通话 话务波动情况 本周与上周通话时长对比下降超过 X% 消费波动情况 月消费额与近三个月平均消费额比 较下降超过 X% 呼叫异网客服电话情况主被叫异网客服电话 消费行为 主被叫消费占比变化情况 主叫占比较近三个月平均占比下降 X% 特殊业务办理情况 用户近期办理了：报停、话费转帐、 主动销户、过户业务办理行 为 用户缴费行为 不及时缴费，预付费用户余额低于 X 元 用户核心交往群变化情况核心交往圈中出现竞争对手员工 用户交往群体新成员属性(1)交往圈中出现竞争对手客户经理 用户交往群体新成员属性(2)交往圈中出现竞争对手策反号码 用户核心交往圈结构变化情况 用户核心交往圈中联通或电信客户 占比较近三个月占比提升 X% 客户交往圈 属性 用户核心交往圈中移动号码的 稳定性情况 用户核心交往圈中属于移动的客户 且状态异常（停机）或预警客户的 比例超过 X% 用户捆绑到期情况用户捆绑剩余期限少于 X 个月 回馈享受情 况 月租优惠享受情况 用户享受的月租优惠剩余少于 X 个 月 投诉频次近一个月投诉频次超过 X 次 投诉情况 投诉解决满意度情况 通过不同渠道投诉并且投诉未解决 或解决情况未进行表态的客户 表：流失预警指标因子 说明：竞争对手策反号码判断原则-竞争对手在某特定时间段往往会通过一些特定号码（非员 工号）对移动客户群发短信或主动呼叫移动客户进行业务宣传，为此需要通过统计近期与移动号码主 动联系开展业务宣传的号码（通过短信内容判断或主动呼叫移动号码的行为判断） ，统计分析出这些特 定号码，并标识为竞争对手的策反号码。 2 2、判断规则、判断规则 （1）单个指标评估法 针对每个指标，根据不同的取值范围预先设定风险级别，每个指标定义一级、二级、三级，客户 最终的风险级别则以所有指标中最高的风险级别为准。以下制定的指标阀值仅供参考，各省可根据实 际情况进行调整。 根据不同的地域特征，可对评估变量、风险级别和阀值进行配置，从而提高判断规则的灵活性、 可扩展性。 下表为客户流失预警指标类型及阀值的参考： 流失预警指标阀值流失预警 指标类型 流失预警指标名称流失预警指标计算规则 一级二级三级 监督 频次 呼转异网情况异常 连续 2 天呼转异网同一号码 且超过 X 次 1510 5每天 通话情况异常连续 X 天未通话 5 3 2每天 话务波动情况异常 本周与上周通话时长对比下 降超过 X% 50%30%10%每周 消费波动情况异常 月消费额与近三个月平均消 费额比较下降超过 X% 50%30%10%每月 呼叫异网客服电话情 况异常 主被叫异网客服电话 默认 三级 每天 消费行为 主被叫消费占比变化 情况异常 主叫占比较近三个月平均占 比下降 X% 30%20%10%每月 特殊业务办理情况异 常 用户近期办理了：报停、话费 转帐、主动销户、过户 默认 一级 每天 业务办理 行为 用户缴费行为异常 不及时缴费，预付费用户余额 低于 X 元 3 510每天 用户核心交往群变化 情况异常 核心交往圈中出现竞争对手 员工 默认 一级 每月 客户交往 圈属性用户交往群体新成员 属性异常 交往圈中出现竞争对手客户 经理 默认 一级 每天 用户捆绑到期情况异 常 用户捆绑剩余期限少于 X 个 月 1 2 3每月 回馈享受 情况月租优惠享受情况异 常 用户享受的月租优惠剩余少 于 X 个月 1 2 3每月 投诉频次异常近一个月投诉频次超过 X 次 5 31 每天 投诉情况 投诉解决满意度情况通过不同渠道投诉并且投诉默认 每月 异常未解决或解决情况未进行表 态的客户 一级 表：流失预警指标配置表 例：客户同时出现呼转异网情况异常（一级）和消费波动情况异常（三级）两个预警，则该客 户的预警级别为一级。但针对该客户的所有预警信息都应推送至相关渠道，以展现客户全方位信息。 （2）综合评估法 根据各流失预警指标的业务重要性，对每个指标设置权重，基于不同指标对客户的判断结果，按 照加权法进行综合计算，从而得到客户的综合流失风险概率及风险级别。 对于已知的五类流失因子，指标综合评估法通过划分五类不同指标所对应的权重，根据权重设定 每种指标相应的计算分值和取值方法。对应每个客户，分别计算每类预警指标的分值，加权累加后得 到综合风险分值，并根据不同风险分值范围定位到相应风险级别及预警级别。 以下为五类指标参考分值设定及计算方式参考： （1） 消费行为指标计算消费行为指标计算 用户消费行为指标得分（A）呼转异网情况异常指标得分（A1）+通话情况异常指标得分（A2）+ 话务波动情况异常指标得分（A3）+消费波动情况异常指标得分（A4 ）+ 呼叫异网客服电话情况异常 指标得分(A5) +主被叫消费占比变化情况异常指标得分（A6） 例：用户连续 2 天呼转异网同一号码且超过 5 次，A1 为 1 分；连续 3 天呼转异网同一号码且超过 5 次为 2 分；连续 4 天呼转异网同一号码且超过 5 次为 3 分；连续 5 天及以上呼转异网同一号码且超 过 5 次为 4 分。 （2） 业务办理行为指标计算业务办理行为指标计算 业务办理行为指标指标得分（）特殊业务办理情况异常指标得分（）用户缴费行为异 常指标得分（） 例：的取值方法为，用户每办理一次异常业务积 1 分。 （3 3） 客户交往圈属性指标计算客户交往圈属性指标计算 客户交往圈属性指标得分（C）=用户核心交往群变化情况异常指标得分(C1) +用户交往群体新成 员属性异常指标得分(C2) 例：的取值方法为用户核心交往圈中出现位竞争对手员工积分。 （4 4） 回馈享受情况指标计算回馈享受情况指标计算 馈享受情况指标得分（）用户捆绑到期情况异常指标得分（）月租优惠享受情况异常 指标得分（D2） 例：D1 的取值方法为，用户捆绑剩余期限少于 6 个月积 1 分，少于 5 个月积 2 分，依此类推，少 于 1 个月积 6 分 （5 5） 投诉情况指标计算投诉情况指标计算 投诉情况指标得分（E）=投诉频次异常指标得分（E1）+投诉解决满意度情况异常（E2） 例：的取值方法为，近一个月投诉超过次得分，超过次得分，超过次得分。 最终经过计算得出综合积分后，分为基本无流失倾向，为三级预警， 分为二级预警，以上为分为一级预警。 配置界面参考配置界面参考 流失风险级别与指标阀值可根据客户群、品牌、地域等多维度提供配置功能，以增强使用的实效 性和灵活性。配置界面参考如下： 预警级别与预警指标阀值可根据品牌、地域等多维度提供配置功能，以增强使用灵活性。 配置界面可参考下图： 呼转异网此处选择天数呼转统一号码持续天数呼转次数此处选择次数 未通话此处选择天数连续未通话天数 周通话时长下降此处选择比例 月消费额下降此处选择比例 月消费额下降比例 主被叫异网客服 本周通话时长下降比例 办理特殊业务 状态异常此处选择天数连续欠停天数 预付费余额此处选择余额范围 预付费余额 竞争对手员工通话此处选择次数范围与竞争对手员工通话次数 预预警警信信息息定定制制筛筛选选 此处选择地域品牌用户等级此处选择品牌此处选择用户等级（钻金） 本地接口导入预警 此处选择主叫或被叫呼叫类型 此处选择特殊业务类型办理特殊业务类型 图：流失监测指标配置图 （二）模型评价（二）模型评价 在建模输入维度小于 30，分群个数 5-15 个之间，建模变量经过归一化操作的前提假设下，给出 各个指标的参考值如下： 群内相似度：0.2-0.6 群间差异度：0.6-8 群内相似度与群间差异度之比（取倒数）：2-30 7.7.4.2 数据挖掘判别法 核心客户是维系挽留工作的重点对象，因此在指标判别法基础上，运用数据挖掘方法分析核心客 户的流失倾向，完善对这部分客户的流失评估指标体系。 数据挖掘判别法基于数据仓库的海量数据，使用数据挖掘的方法，根据实际情况选择业务要素构 建核心客户的流失预测模型；在每个统计周期内，系统根据预测规则触发监测，完成数据采集和对比 校验，筛选其中高流失风险的核心客户名单连同详细流失症状，提供给客户挽留人员确认；对于其中 确认准确的预测，提炼核心客户特征及相关预测指标，补充到指标判别法的评估指标体系。 1、数据挖掘方法论：、数据挖掘方法论：CRISP-DM（Cross-Industry Standard Process for Data Mining） CRISP-DM 方法将一个数据挖掘项目的生存周期分为六个阶段：商业理解、数据理解、数据准备、 建立模型、模型评估、结果发布。流程图如下： 业 业 业 业业 业 业 业 业 业 业 业 业 业 业 业 业 业 业 业 图：数据挖掘流程 以上各环节有序进行，不断循环进行数据探索和模型调优，使模型达到最优化。 2、数据挖掘判别法的输入输出、数据挖掘判别法的输入输出 基本输入信息主要为： 消费行为指标、业务办理行为指标、客户交往圈属性指标、回馈享受情况指标、投诉情况指标等 大类。 基本输出信息主要为： 核心客户标识、预测时间、客户分类（如集团客户、社区客户、普通协议客户、非协议客户等） 、 客户价值、流失风险级别（如高/中/低） 、是否初次表现流失倾向、是否相对上次监测的新增流失风险 客户、流失症状描述等。 3、数据挖掘判别法的模型实现、数据挖掘判别法的模型实现 采用层次分析法先分解后综合的思想，首先将所要分析的问题层次化，根据问题的性质和要达 到的总体目标，将问题分解成不同的组成因素，按照因素间的相互关系及隶属关系，将因素按不同 层次聚集组合，形成一个多层分析结构模型，最终归结为最低层因素相对于最高层（总目标）相对 重要程度的权值或相对优劣次序的问题。层次分析法可以合理地将定性与定量的决策结合起来，按 照思维、心理的规律把决策过程层次化、数量化。 采用层次分析法构建客户流失预测模型的步骤如下： （1）建立核心客户流失预测模型层次结构 根据核心客户特征，归纳影响客户流失的各种因素。 （2）构建核心客户预警评价指标 根据实际业务情况建立核心客户预警评价指标，具体可参见指标判别法中的指标详细内容。 （3）确定核心客户评价指标权重 确定核心客户预警模型评价指标之后，组织专家和业务人员对指标的相对重要性进行比较， （4）确定评价指标阈值 为核心客户流失预警指标体系中的每一个指标设计阈值，并赋予相应的预警值。各省可根据实 际情况确定预警值的个数。 （5）计算核心客户预警评分 为每一个核心客户，计算风险评价指标值，并根据设定的指标阈值，赋予预警值。并将预警值 加权汇总得到核心客户流失风险评分。 （6）确定核心客户预警级别 为核心客户流失风险评分设定阈值，根据阈值判定核心客户流失预警级别。 4、数据挖掘判别法的模型评估、数据挖掘判别法的模型评估 采用数据挖掘预测法的常用评价指标包括：预测命中率、预测覆盖率等。 假设不采用模型时自然状态营销响应率 2%，在此前提下，给出上述指标的参考值如下： 预测命中率：= 10% 预测覆盖率：= 30% 7.8 客户渠道响应模型 7.8.1 模型描述 渠道是中国联通与客户进行交互的具体途径，包括直销渠道、电子渠道、实体渠道和社会渠道 等。其中直销渠道包括：普通客户经理、VIP 客户经理等，电子渠道包括短信、彩信、10010 号、 网厅、186 邮箱等，实体渠道包括营业厅和合作营业厅等，社会渠道一般是指合作伙伴的相关渠道。 客户渠道响应模型主要研究不同客户细分群体与渠道之间的联系关系，发现不同客户细分群体 的渠道使用偏好特征。一般使用基于客户渠道接触的细分群体，研究不同细分客户群对于业务办理 （包括产品订购和功能开通）、业务咨询、投诉、缴费、营销接触等行为的偏好渠道和接受程度。 客户渠道响应模型输出结果为每类渠道偏好分群在不同接触渠道的偏好度打分，以及每个客户 所属渠道喜好分群标签。 各渠道偏好分群在不同接触渠道的偏好度打分，可以依据对细分群体统计分析获得。以下通过 每类分群样本在各渠道的人数使用占比，表达该分群的渠道偏好度： 短信渠 道 （人数 占比） 10010 号 （人数 占比） 网厅 （人数 占比） 普通客 户经理 （人数 占比） VIP 客 户经理 （人数 占比） 营业厅 （人数 占比） 186 邮 箱 （人数 占比） 合作伙 伴 （人数 占比） 区局 （人数 占比） 客户群 1 客户群 2 客户群 N 客户渠道响应模型可以应用于覆盖客户全生命周期的营销与维系挽留过程，包括增值业务推荐、 高价值业务推荐、存费维系、客户关怀、客户挽留及赢回等。在制定针对性营销及维系挽留方案时， 依据客户渠道偏好分析的结果，选择客户易于接受的偏好渠道，开展业务的推荐及维系挽留工作，可 以提高执行的成功率和客户的响应率，从而提高针对性营销及维系挽留执行的效果。 7.8.2 建设思路 可以通过对于基于客户的渠道接触行为进行聚类分析，从而将对于渠道有类似偏好和接受程度的 客户划分为一个客户细分群体，从而发现客户群体对于渠道的偏好；刻画这群客户的渠道偏好特征。 常用的方法有聚类分析等。 7.8.3 输入输出 客户渠道响应模型的观察期通常为 3 至 6 个月。主要从以下几个角度分析客户对渠道的偏好： 1、分析客户在业务办理、业务咨询、投诉、缴费等客户主动接触中使用不同种类渠道的数据； 2、分析企业主动同客户接触开展营销、维挽工作中，客户对不同种类渠道接触的响应数据； 3、分析客户在不同的时间段（如工作时间、周末）使用或者响应不同种类渠道的数据； 下面对渠道偏好分析给出的宽表设计建议： 序号变量名称计算公式变量类别 原始变量 1客户基本属性 原始 2产品拥有类 原始 3客户装拆移 原始 4客户欠费行为 原始 5客户参加营销活动行为 原始 6呼叫转移 原始 7客服类 原始 8客户新业务消费细项 原始 衍生变量 9使用短信渠道 是否使用，使用次数，占比 10使用 10010 号渠道 是否使用，使用次数，占比 11使用网厅渠道 是否使用，使用次数，占比 12使用普通客户经理渠道 是否使用，使用次数，占比 13使用 VIP 客户经理渠道 是否使用，使用次数，占比 14使用营业厅渠道 是否使用，使用次数，占比 15使用区局渠道 是否使用，使用次数，占比 16使用 186 邮箱渠道 是否使用，使用次数，占比 17使用合作伙伴渠道 是否使用，使用次数，占比 7.8.4 模型评价 客户渠道响应模型的评价包括技术评价和业务评价。 技术评价指标包括：群内相似度，群间差异度，群内相似度与群间差异度之比等。 在建模输入维度小于 30，分群个数 5-15 个之间，建模变量经过归一化操作的前提假设下，给出 各个指标的参考值如下： 群内相似度：0.4-0.6 群间差异度：0.6-3 群内相似度与群间差异度之比（取倒数）：1.5-5 业务评价可以采用对比组的方法：首先选定需要推荐的客户名单，然后从目标客户中抽取两个样 本集：一个根据客户渠道响应模型来抽取各渠道执行名单，另外一个根据业务经验来抽取，并向两个 样本集客户执行针对性营销，最后比较两个样本集的接触成功率（成功接触客户的样本数/样本总数） 和响应率（响应营销活动客户的样本数/样本总数） ，评估是否达到预期目标。 7.9 维挽后核心客户健康度评估模型 7.9.1 模型概述 维系后核心客户健康度是对客户维系效果的深度挖掘，从客户价值以外另一角度对核心客户维系 后在网状态及效果的综合状态描述。维系后核心客户健康度评估通过对核心客户健康程度判断以及健 康问题的准确定位，及时发现客户指标异常波动情况，有效巩固核心客户维系效果，助力核心客户维 系工作。客户健康度评估可以从客户的收入质量、业务质量、服务质量三个方向考虑。评估方向见表 7-3-7-1。 评估方向 维度 收入质量业务质量服务质量 渠道维系 方案维系 分级别预警维系 表 7-3-7-1 维系后客户健康度评估方向 通过挖掘影响核心客户健康发展的因素，构建执行维系后核心客户健康度评估体系，将执行维系 后核心客户分为健康、较健康和不健康三类群体。通过与核心客户价值评估结果的二维评定，及时发 现影响核心客户价值的短板，为核心客户价值提升、分层分级管理、提高营销服务针对性、准确性和 高效性等工作提供信息分析支撑，为省公司制定核心客户保有策略和价值提升策略提供决策依据。 为保证对核心客户进行健康度评估的准确性，科学合理地应用健康度评估结果，核心客户健康度 评估模型构建遵循以下流程： （1）根据核心客户健康度的定义，结合省公司核心客户信息化水平、产业结构特征等实际情况， 选择和抽取相应指标，构建核心客户健康度评估指标库； （2）根据评估核心客户健康度时使用的不同分析维度，对关键指标库的指标进行分类； （3）根据影响核心客户健康度的程度高低，运用主成份分析法和层次分析法等数据挖掘方法，科 学确定分类后的指标权重，最终形成核心客户健康度评估模型，输出健康度评估结果。 7.9.2 建设思路 维系后客户健康度评估模型实现遵循以下思路： 1确定目标客户 按照不同角色的不同视角选择不同的客户群。 2确定评估方向 按不同的客户群选择具体关注的方向，即收入质量、业务质量、服务质量等。 3确定关键指标 按照既定的关注方向，选择具体指标。例如：选取关注方向“业务质量”的几个关键指标，业 务量变动率、客户活跃度等。 4评估模型 按照选定的关键指标，按照指标的重要程度赋权重，例如：健康度业务量变动率* a%+客户 活跃度(1-a)%，总体权重的赋权目标能让选定的客户群趋于正态分布。 5健康特征展示 按照赋权加和得出的正态分布结果，可以分析具体客户群每个层级中表现出的健康特性。如不 健康的客户群明显反映出：业务变动率偏高，客户活跃度低。 6健康度提升 按照健康度特征展示的结果，深入分析客户群的特征短板，制定具体的营销或者产品策略，如 降低业务变动率等。 7.9.3 输入输出 针对核心客户特点，评估指标的选择与分类从业务属性、收入属性和服务属性三个维度刻画核心 客户健康状况。 业务属性健康度 业务使用类指标：A 业务使用率等； 业务收入类指标：A 业务资费匹配度等； 收入属性健康度 收入类指标：收入变动率等； 欠费类指标：欠费金额、欠费次数等； 服务属性健康度 客户维系类指标：客户接触次数、客户投诉率等。 7.9.4 实现方法 ）指标权重的计算方法 在分类确定核心客户健康度评估指标的基础上，综合使用层次分析法与主成份分析法，计算出主 要变量的系数，即确定指标权重，构建核心客户健康度评估模型。 使用主成份分析法筛选关键指标，建立健康度子模型，确保子模型中各指标权值的客观性；在健 康度子模型的基础上采用层次分析方法，充分利用业务经验，处理子模型中的定性指标，从而建立健 康度模型。 ）主成份分析法建模的主要方法和思路 在健康度评估模型创建中主成份分析法主要用于筛选关键指标，建立健康度子模型并确保子模型 中各指标权值的客观性。该方法是研究如何用较少的指标去描述多指标或进行指标重要程度的排队， 通过主成份的载荷矩阵和主成份的贡献率确定指标权重。 主成份分析的数学模型 npn p p xx xx xxxx , , ),( 1 111 21 综合指标为 pp xaxaxaF 12211111 mpmmmm xaxaxaF 2211 简写为 ppiziii xaxaxaF 211 ),(mi1 并取 1 22 1 pii aa 要求（1） ji FF , 不相关。（2） 1 F 是 p XX 1 的线性函数中方差最大的，依此类推。 1.主成份分析建模的主要步骤与思路 步骤一：选取指标属性。选取与解释的新变量相关的属性，属性必须与新变量相关，无关的变 量和指标之间相关性过高的变量予以剔除； 步骤二：求解主成份。将指标变量标准化为 X；计算 X 的相关系数/方差/协方差矩阵 V(X)；计 算矩阵 V(X)的特征值 ；计算所有特征值对应的特征向量 W； 步骤三： 确定主成份的个数。根据主成份的累计贡献率来确定，主要原则为累计贡献率 70%- 85%；据特征值来确定，主要原则为特征值1 步骤四：解释主成份的意义。主成份: Zi=wi1X1+wijXj+wikXk，其中，Wij 表示第 j 个指 标变量 Xj 与第 i 个主成份 Zi 的相关程度，|Wij|值越大，说明 Xj 对 Zi 的贡献越大。符号表示正负 相关，如果为正表示指标与新变量正相关，为负表示负相关。 用 Wij 的大小和正负对应的指标变量来解释新变量 Zi 的综合意义主成份分析法建模主要步骤 包括：计算主成份表达式系数；计算各指标的均值和标准差；标准化待评分数据；根据主成份表达 式计算各指标的主成份得分。 ）使用层次分析法建模的主要步骤和思路 步骤一：递阶层次结构的建立与特点 应用层次分析法分析决策问题时，首先要把问题条理化、层次化，构造出一个有层次的结构模 型： 最高层：这一层次中只有一个元素，一般它是分析问题的预定目标或理想结果，因此也称为目 标层； 中间层：这一层次中包含了为实现目标所涉及的中间环节，它可以由若干个层次组成，包括所 需考虑的准则、子准则，因此也称为准则层； 最底层：这一层次包括了为实现目标可供选择的各种措施、决策方案等，因此也称为措施层或 方案层； 每一层次中各元素所支配的元素一般不要超过 9 个。这是因为支配的元素过多会给两两比较判 断带来困难。 步骤二：构造判断矩阵 采取对因子进行两两比较建立成对比较矩阵的办法，比较n个因子 , 1n xxX 对某因素 Z的影响大小。即每次取两个因子 i x 和 j x ，以 ij a 表示 i x 和 j x 对Z的影响大小之比，全部比较结 果用矩阵 nnij aA )( 表示，称A为 XZ 之间的成对比较判断矩阵（简称判断矩阵）。容易看出， 若 i x 与 j x 对Z的影响之比为 ij a ，则 j x 与 i x 对Z的影响之比应为 ij ji a a 1 。 步骤三：层次单排序及一致性检验 判断矩阵A对应于最大特征值 max 的特征向量W，经归一化后即为同一层次相应因素对于上 一层次某因素相对重要性的排序权值，这一过程称为层次单排序。 对判断矩阵的一致性检验的步骤如下： 计算一致性指标CI， 1 max n n CI ； 查找相应的平均随机一致性指标RI； 计算一致性比例CR RI CI CR 当 10 . 0 CR 时，认为判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当修正。 步骤四：层次总排序及一致性检验 上面得到的是一组元素对其上一层中某元素的权重向量，最终得到各元素，特别是最低层中各 方案对于目标的排序权重，从而进行方案选择。总排序权重要自上而下地将单准则下的权重进行合 成。 设B层中与 j A 相关的因素的成对比较判断矩阵在单排序中经一致性检验，求得单排序一致性 指标为 )( jCI ，（ mj, 1 ），相应的平均随机一致性指标为 )( jRI （ )()(jRIjCI、 已在层次 单排序时求得），则B层总排序随机一致性比例为当 10 . 0 CR 时，认为层次总排序结果具有较满 意的一致性并接受该分析结果。 m j j m j j ajRI ajCI CR 1 1 )( )( ）计算核心客户健康度得分 按照本地化模型对核心客户进行健康度得分计算，方法如下： n j hwH 1 jiji * ），（ 其中： I 表示核心客户标识；j 表示核心客户健康评估指标序号；Hi 表示核心客户健康度评分； Wj 第 j 个子健康度的权重；h（i,j）是健康度指标项，为标准化后数据，表示第 i 个核心客户的第 j 项子健康度指标。 上述计算公式应用到核心客户健康度模型中，建立类似如下的指标权重： 核心客户健康度模型核心客户健康度模型 指标体系指标体系 健康度健康度 1 层层2 层层3 层层 指标指标权重权重指标指标权重权重指标指标权重权重指标分值指标分值 K1W1KV1=f(K1) K2W2KV2=f(K2)K111W111 K3W3KV3=f(K3) K4W4KV4=f(K4) K221W221 K112W112 K5W5KV5=f(K5) K6W6KV6=f(K6) K113W113 K7W7KV7=f(K7) K8W8KV8=f(K8) K222W222 K114W114 K9W9KV9=f(K9) K10W10KV10=f(K10) K115W115 K11W11KV11=f(K11) K12W12KV12=f(K12) K116W116 K13W13KV13=f(K13) K14W14KV14=f(K14) H K223W223 K117W117 K15W15KV15=f(K15) 表：健康度评估模型指标权重 其中： 层级的层数跟据实际情况对指标的分类不同而不同，但建议 2 到 3 层； 1 层的指标从指标池中抽取，指标分值通过公式 f 由指标转换得到； 1 层以上的合成指标值是由上层的指标分值与权重计算得到； 各变量的说明：H 表示核心客户健康度评分；K 表示具体的指标；KV 表示指标分值；W 表示 各指标的权重； 权重的设置原则： W1+W2+W3=1 2 层的计算公式： K111=KV1*W1+KV2*W2+KV3*W3 3 层的计算公式 K221=K111*W111+K112*W112 健康度的计算公式 H=K221*W221+K222*W222+K223*W223 ）确定核心客户健康度分群结果 通过健康度评估公式计算得出每个核心客户的健康得分，根据执行维系核心客户健康度得分排 名，将执行维系核心客户细分为健康、较健康和不健康三类群体，考虑到核心客户的正态分布，三 类比例建议控制为 20:60:20。 健康客户：客户满意度较高，有比较显著的消费意向，续购意愿强，一般表现为产品捆绑率高， 收入持续保持稳定等特点； 较健康客户：客户满意度有待提升，客户规模存在进一步拓展空间，需要升级产品方可满足客 户需求，如客户投诉次数较多等； 不健康客户：客户存在流失风险，健康度评估指标出现异动，如收入连续三个月较大幅度下降 等。 ）模型优化方法 各省公司在上述模型框架范围内，在遵循以下原则的基础上允许对模型作本地优化： 各省应结合客户属地化服务特征，以地市为单位实施建模过程，并尽可能保证建模基础数据的 全面性（不少于全省在网核心客户数量的 80）。 各省在实施过程中，应遵循以下统一原则：模型指标权重测算方法；健康度评估三大类维度(业 务属性维度/收入属性维度/服务属性维度)；核心客户健康度三类分群标准。已开展健康度评估的省 公司也应根据以上统一原则作相应整合。对于选择哪些指标构建核心客户健康度评估指标库，可省 可以自主选择，但需全面考虑包含真实影响核心客户健康度的关键指标。 各省应优先选择业务方案中定义的指标构建核心客户健康度评估指标库。在此基础上，各省可 以酌情增加能够真实影响核心客户健康度的本地指标，但新增指标应能保证数据来源客观，并说明 其所属的指标分类、数据来源及统计口径。 各省可在保持各维度分类不变的情况下，对本省各细分维度和指标的权重分值作适当调整，其 中新增指标权重从所在维度大类中进行调整。权重的调整应参照主成份分析方法确保科学合理。 ）动态调整核心客户健康度评估结果 各省可根据自身工作需要，以半年或年度为周期建立升降级机制（升、降级周期可不同） ，对核心 客户健康评估模型进行调整，并建立核心客户健康度变更、交接管理以及核心客户健康度变动预警机 制，对客户健康度分群的变动实现无缝交接。 7.9.5 模型评价 维挽后核心客户健康度评估模型的常用评价指标包括：命中率、及时性、数据误差率等。 假设不采用模型时自然状态营销响应率 2%，在此前提下，给出上述指标的参考值如下： 命中率：= 10% 及时性：在营销活动执行完毕后 48 小时内统计出营销效果数据 数据误差率：=0. 5% 8 与其他系统关系 8.1 互动业务系统 省分经营分析系统的客户流失分析和风险预警专题同 CRM 系统的维系挽留业务功能构成一个应 用闭环。 8.2 互动流程图 CRM系统-客户维系挽留 经营分析系统 步骤一： 历史流失状况分析 步骤二： 确定数据范围/ 目标用户群选择 步骤三： 确定流失分析指标/ 建立流失风险分析模型 步骤四： 流失用户细分 步骤五： 流失预警客户名单/ 挽留策略推荐 步骤六： 选取挽留名单 步骤七： 推荐挽留方案分析 制定新的挽留方案 步骤八： 实施挽留方案 步骤九： 记录挽留过程 步骤十： 反馈挽留结果 步骤十一： 分析挽留结果 步骤十二： 评估流失模型评估 维系挽留效果 图 8.2-1 核心客户维系及客户流失挽留 互动流程图 8.3 互动功能说明 针对流失风险用户，为了实现完整的闭环应用流程，建议在CRM系统的维系挽留中，实现如下 功能： 1.1. 选取挽留名单选取挽留名单 从经营分析系统提供的流失风险用户清单中，根据