互联网产品营销应用案例.doc

中国移动通信企业标准中国移动省级经营分析系统互联网产品营销应用案例版本号：1.0.02012-发布2012-发布目录1范围52规范性引用档53术语、定义54总体说明64.1背景64.2目标64.3总体思路75业务应用85.1业务营销应用流程85.2核心业务应用85.2.1营销触发85.2.2市场监控与分析95.2.3营销策划和方案制定105.2.4营销执行115.2.5营销评估116技术实现126.1技术架构图126.2应用模型136.2.1互联网用户内容偏好挖掘模型136.2.2互联网产品潜在客户识别模型176.2.3互联网产品客户细分模型257应用场景与效果评估297.1手机阅读应用场景297.1.1手机阅读产品营销触发307.1.2手机阅读内容分析307.1.3目标客户筛选和细分317.1.4方案内容设计327.1.5营销脚本设计337.1.6营销方式选择337.1.7营销任务分配347.1.8营销方式使用效果357.1.9效益评估367.2手机视频应用场景377.2.1手机视频产品营销触发377.2.2手机视频内容分析377.2.3目标客户筛选和细分387.2.4方案内容设计397.2.5营销脚本设计407.2.6营销方式选择407.2.7营销方式使用效果417.2.8效益评估428编制历史43前言本案例的描述了中国移动互联网产品营销提升应用的建设经验及应用成果，通过对互联网产品潜在客户的识别、细分和产品匹配，为互联网产品营销提供支撑；并以中国移动H地市公司手机阅读产品为例，描述了基于事件营销的手机阅读业务、手机视频业务的营销流程。案例主要包括总体说明、业务应用、应用场景与效果评估等内容。本案例主要包括以下几方面内容：互联网产品（手机阅读业务、手机视频业务）营销提升应用的背景、目标、总体思路、建设流程、业务应用、技术实现、应用场景、应用效果和建设经验。本案例由规范归口部门负责解释。本案例起草单位：中国移动通信集团公司业务支撑系统部。本案例主要起草人：段云峰。1 范围本案例描述了中国移动基于互联网内容产品营销推送的业务需求、业务应用和效益评估等内容；并在此基础上描述了手机阅读产品、手机视频产品营销的全流程。本案例供中国移动各地市分公司、各业务基地在实施自有互联网产品营销时参考。2 规范性引用档下列文件中的条款通过本案例的引用而成为本案例的条款。凡是注日期的引用档，其随后所有的修改单（不包括勘误的内容）或修订版均不适用于本案例；凡是不注日期的引用档，其最新版本适用于本案例。1中国移动省级NG2-BASS技术规范总册v4.0中国移动通信有限公司2中国移动省级NG2-BASS业务规范 v4.0中国移动通信有限公司3 术语、定义下列术语、定义和缩略语适用于本案例：字母名词解释AAIDA方法一种基于执行点的脚本撰写方法；A(Attention) 引发注意；I(Interest)提起兴趣；D(Desire) 提升欲望；A(Action) 建议行动。CCLARANS方法一种基于分割而非分层的聚类方法H互联网产品当月使用人数当月有使用互联网产品的用户数H互联网产品普及率互联网产品当月使用人数/通信用户数100H互联网产品新发展用户二次使用率活动开展期内新发展的互联网产品用户，其中使用了二次以上的用户占比H互联网产品月收入贡献活动期末，衡量互联网产品当月的收入贡献R人工神经网络一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型S省公司中国移动通信集团省份有限公司Y有限公司中国移动通信有限公司下列符号和缩略语适用于本案例：字母名词解释BBOSS中国移动业务运营支撑系统BBPBack Propagation,前馈式网络RRFM动态价值模型VVPMNVirtual Private Mobile Network 移动虚拟专用网4 总体说明4.1 背景随着移动互联网业务与需求的飞速增长，传统语音通信业务日趋饱和，数据业务的重要性日趋增加。为了实现公司效益的持续增长，需要提升互联网产品使用率以带动收入增长.通过互联网数据集市内容分析功能，分析客户的移动互联网访问行为，深度挖掘客户潜在需求，通过精确营销手段提升互联网用户对移动互联网产品的依赖性和价值，为中国移动互联网转型提供支撑。4.2 目标为提升互联网产品使用率，通过数据挖掘等技术进行互联网产品营销的深度探索，并开展具体的营销活动，制定明确的营销指标，预期达到如下目标：l 提升互联网产品普及率：结合各地互联网产品发展情况，针对不同类型互联网产品，制定不同提升指标；l 提升互联网产品二次使用率：针对各类互联网产品营销活动开展期内新发展的互联网产品用户，提升使用二次以上的用户占比，以衡量本次营销活动目标客户筛选的精准度和推广的长期效果；l 提升互联网产品收入：提升各类互联网产品收入。4.3 总体思路为提升互联网产品的发展水平，必须把握产品内容特征、互联网特性，准确识别用户对互联网的需求驱动，利用互联网的舆论热点事件（如利用近期的舆论热点“黄岩岛事件”，进行事件营销），向偏好符合、终端符合、价值符合的用户进行营销：l 通过沉默用户、使用频率、使用时间习惯等方面分析，了解互联网产品使用用户的特征和使用习惯；l 引入内容偏好模型等，了解对当前互联网热点的关注层度以及内容偏好，了解用户的差异化需求，有效激活用户的消费兴趣，提升“二次使用率”；l 引入内容关联分析，了解访问与互联网产品同质的网站以及有访问习惯的潜在客户群体，提升营销的准确率；l 引入终端与互联网产品匹配模型，进一步提升目标客户识别的准确率；l 引入分类与热点内容匹配模型，即在互联网产品的分类与内容标签的分类之间建立关联关系，当互联网热点事件捕获后，能及时了解与热点事件相关的互联网产品以及相关客户群体，提高营销的快速反应能力。互联网产品发展水平提升思路如图 41所示。图 41互联网产品营销总体思路5 业务应用5.1 业务营销应用流程互联网产品营销活动的业务应用流程主要分为五个步骤：营销触发、市场分析、营销策划和方案制定、营销执行、营销评估。具体应用流程如图 51所示。图 51互联网产品营销应用流程图5.2 核心业务应用以下对流程中的核心应用进行说明。5.2.1 营销触发互联网产品具有更新快、传播快、影响大等特点，所以互联网产品营销必须在短时间内、快速吸引用户、获取客户。而“事件营销”作为互联网产品通用、典型的营销手段，利用具有新闻价值、社会影响以及名人效应的人物或事件，以网络为传播载体，吸引媒体、社会团体和消费者的兴趣与关注，最终促成产品或服务的销售。通过使用系统原有的监控预警功能，依据互联网热点内容挖掘模型输出信息，实现对互联网热点事件自动触发。互联网产品经理也可通过新闻媒体热点事件触发产品营销流程。5.2.2 市场监控与分析5.2.2.1 互联网内容分析内容对互联网产品的发展有着尤为重要的作用，为了提升用户对移动互联网产品的依赖性，必须提供满足客户需要的个性化产品和内容，必须对互联网产品的内容进行全方位、精准分析。l 通过利用互联网内容使用次数、下载次数、使用人数等信息，结合各大门户网站的品牌影响力，构建热点内容分析模型，利用此模型挖掘互联网热点内容。l 依据集团公司下发的互联网内容标签，实现对互联网内容分类分析；如军事类、娱乐类、生活类、教育类等分类。l 从互联网产品大小、流量消耗、收入、新增用户数等方面构建互联网产品价值分析模型，利用此模型完成对互联网产品价值的评估。通过以上分析，形成互联网产品的内容标签，为互联网产品营销的产品与客户匹配提供基础信息。5.2.2.2 互联网用户分析由于互联网用户具有“低龄化、低学历、娱乐化”等典型特点，所以必须对互联网用户进行快速、精准、全方位分析，满足特定用户在特定时机对特定互联网产品、内容的需求，实现快速、精准营销。l 依据用户性别、年龄、职业、学历等信息，分析互联网用户基本构成和发展趋势l 从互联网用户使用内容分类、使用频率等角度，构建内容偏好分析模型，实现对互联网用户内容偏好分析。l 通过对互联网用户换机信息、上网终端类型、终端功能的分析，完成对互联网用户终端偏好分析；l 依据互联网用户的使用时间、使用时长、使用地点、上网费用等信息，完成对互联网用户的上网行为分析。通过以上分析，形成互联网用户的标签。为互联网产品营销客户筛选、潜在客户识别提供基础信息。5.2.2.3 营销目标KPI制定依据上述互联网产品内容、用户分析结果，制定互联网产品营销KPI目标，即互联网用户普及率、互联网产品新发展用户二次使用率、互联网产品收入。5.2.2.4 营销监控营销活动中的交互环节比较多，执行周期也较长，为了尽可能降低执行中的风险和及时发现问题，各个执行环节的监控必不可少。通过对整个互联网产品营销活动的全流程进行监控，包括营销渠道监控、营销进度监控、营销质量等，提高整体营销活动流程的可靠和可控性。5.2.3 营销策划和方案制定5.2.3.1 潜在客户识别利用上述对现有互联网产品用户分析的信息，结合互联网内容分析信息，通过恰当的数据挖掘算法，得到具有同等特征的潜在客户，为营销活动提供初步的目标客户群信息。5.2.3.2 潜在客户细分对已挖掘出的潜在互联网产品客户进行进一步的分析挖掘，以更好的认知理解客户的组成，从而制定有针对性的营销政策及策略；依据客户的自然属性和使用特征，实现对潜在互联网产品客户分群画像，为下阶段向客户推荐符合其诉求的互联网产品内容提供支撑。5.2.3.3 营销产品与客户匹配只有向客户提供符合其真正需要的产品才能促使客户订购量的提升，所以做好营销产品与客户的匹配工作至关重要。依据分群画像后的各个潜在订购客户群的标签信息、内容标签信息进行互联网产品内容和用户的匹配，向互联网产品潜在用户推荐个性化互联网内容。5.2.3.4 营销渠道匹配只有通过合适的营销渠道才能成功有效的接触到目标客户，并准确高效的将营销信息传达给客户，从而促使客户业务订购量的提升，这是整个营销执行的关键环节。本案例对分群画像后的各个互联网产品潜在订购客户群，根据客户的自然属性、使用习惯分析其渠道偏好，以匹配最佳营销渠道。5.2.4 营销执行营销执行部分主要对营销渠道进行改造，包括改造支撑系统和业务流程，如改造网上营业厅的用户推荐产品提示、修改营业厅业务办理时的产品推介流程、营销任务到外呼任务的转换及对外呼进行中的市场反馈信息进行汇总分析、修改任务分配流程实现将营销任务细分到一线执行人员。5.2.5 营销评估5.2.5.1 营销效果评估营销效果评估是阶段性营销任务完成以后，对营销活动进行全面总结的过程。通过评估不仅可以获取营销活动的实施效果，分析营销活动是否达到最初设定的目标，而且可以总结营销活动存在的问题与经验，为营销活动的改进提供依据。5.2.5.2 渠道绩效评估营销活动通过渠道进行执行，渠道的执行成本是营销活动的主要支出，分析渠道在营销活动中的投入产出绩效，有利于优化相关的营销考核激励规则，更好的调动渠道营销积极性，提升营销资源的利用效率。分析渠道执行人员在营销过程中的效率，激励一线人员对营销执行过程中的积极性、提升人员工作效率。5.2.5.3 渠道执行评估营销渠道是营销活动的最终执行方，直接关系营销活动的进度和执行效果。渠道执行评估主要集中在任务按计划完成率分析、渠道执行质量分析。通过对渠道执行评估可以更准确的了解渠道的营销能力和执行力，为营销活动选择营销渠道、制定营销计划提供决策支撑。6 技术实现6.1 技术架构图互联网产品发展水平提升由数据层、功能层、应用层三层组成，技术架构图如图 61所示：图 61互联网产品发展水平提升技术架构图6.2 应用模型6.2.1 互联网用户内容偏好挖掘模型6.2.1.1 建模思路通过人工神经网络前馈式网络对互联网产品潜在用户资料、消费行为、终端使用情况、内容访问情况等指标进行多变量的概率分布预测，构建互联网用户内容偏好模型。前馈式网络(BP)是Rnmenhort在1986年提出的一种前馈阶层网络的学习算法。前馈阶层网络包含输入层、隐含层和输出层，各层之间实行全连接，层内神经元之间无连接，网络的拓扑结构如图 62所示。图 62前馈式网络拓扑结构图N为输入层神经元的数目，P为隐含层层神经元的数目，M为输出层神经元的数目，对于一个输入样本，经过权值、阈值和作用函数运算后，得到一个输出，然后让它与期望的样本进行比较，若有偏差，则从输出开始反向传播该偏差,进行权值、阈值调整，使网络输出逐渐与希望输出一致。6.2.1.1.1 模型输入基于业务理解以及数据分析，我们选取以下变量为构建模型的基础变量。字段名字段定义说明MSISDN用户号码字符BILL_MONTH计费月数值AREA_CODE地市字符BRAND用户品牌字符INNET_DATE入网日期日期PRODUCT用户产品数字AGE年龄数字BILL_CHARGE消费金额数字DATA_CHARGE数信业务消费金额数字PAY_TIMES缴费次数数字PAY_MONEY缴费金额数字PHONE_COMPANY终端厂家字符PHONE_BRAND终端型号字符FLOW_UP总上行流量数字FLOW_DOWN总下行流量数字BILL_FLOW_UP计费上行流量数字BILL_FLOW_DOWN计费下行流量数字PHONE_IN是否智能终端字符PHONE_OS终端操作系统字符PHONE_READ是否支持手机阅读字符PHONE_TV是否支持手机视频字符PHONE_TD是否TD手机字符PHONE_WLAN是否有WLAN功能字符PHONE_MUSIC是否支持手机音乐字符PHONE_COMIC是否支持手机动漫字符PHONE_PAY是否支持手机支付字符CON_A_TIMES访问内容A次数数字CON_A_DURA访问内容A时长数字CON_A_FLOW访问内容A流量数字CON_B_TIMES访问内容B次数数字CON_B_DURA访问内容B时长数字CON_B_FLOW访问内容B流量数字CON_C_TIMES访问内容C次数数字CON_C_DURA访问内容C时长数字CON_C_FLOW访问内容C流量数字CON_D_TIMES访问内容D次数数字CON_D_DURA访问内容D时长数字CON_D_FLOW访问内容D流量数字6.2.1.1.2 数据处理第一步：数据预处理l 对模型输入相关表数据质量进行稽核；验证拿到的建模数据是否正确、可用，一般是按照客观经验、业务的标准来验证，例如，用户量及用户收入、流量与经分数据是否一致、计费流量是否小于总流量等。l 对模型输入相关表数据进行整合、清洗；主要包括无关字段的排除及字段缺失值的处理。在挖掘过程中并不是数据库表中的所有字段都与数据挖掘目标相关，这些字段可以剔除掉一部分，然而如果太多的字段在分析中被剔除则会导致某些潜在的事件之间的关联性会被忽略，在真正开始数据挖掘之前须对此权衡。对于数值型的输入变量，一般来说都是将缺失值置换成零，对于用户属性（例如年龄）一般参照相关属性替换成某个小群体的均值。第二步：根据业务知识对移动业务情况进行统一梳理，生成挖掘客户基本变量表（衍生变量表），如表 61所示：表 61客户基本变量表指标类别指标描述说明基本信息用户号码字符计费月数值地市字符用户品牌字符入网日期日期用户产品数字年龄数字终端使用情况终端厂家字符终端型号字符是否智能终端字符终端操作系统字符是否支持手机阅读字符是否支持手机视频字符是否TD手机字符是否有WLAN功能字符是否支持手机音乐字符是否支持手机动漫字符是否支持手机支付字符内容访问情况访问内容A次数数字访问内容A时长数字访问内容A流量数字访问内容B次数数字访问内容B时长数字访问内容B流量数字访问内容C次数数字访问内容C时长数字访问内容C流量数字访问内容D次数数字访问内容D时长数字访问内容D流量数字网络使用行为总上行流量数字总下行流量数字计费上行流量数字计费下行流量数字6.2.1.1.3 模型算法人工神经网络与回归模型的区别在于：后者必须进行误差分布检验，需假定函数类型是线性或非线性的，而在神经网络中这些都不需要。至少有一个隐蔽层的前馈神经网络可以看成一种类灵活的函数形式，它不作任何关于相关变量分布的假定和回归分析中基本函数类型的假定。本次BP神经网络算法重点参数设置如下：l 样本确定：采用BP神经网络方法建模的首要和前提条件是有足够多典型性好和精度高的样本。而且，为监控训练（学习）过程使之不发生“过拟合”和评价建立的网络模型的性能和泛化能力，故将本模型挖掘出来的潜在用户业务办理情况作为检验样本进行验证，以月为周期进行人工后向迭代修正各类参数；l 网络节点：网络输入层神经元节点数就是系统的特征因子(自变量)个数，输出层神经元节点数就是系统目标个数。隐层节点选按经验选取，一般设为输入层节点数的75%。如果输入层有32个节点，输出层2个节点（用户号码、偏好内容类型），那么隐含层可暂设为24个节点，即构成一个32-24-2 BP神经网络模型；l 初始权值的确定：初始权值是不应完全相等的一组值。已经证明，即便确定 存在一组互不相等的使系统误差更小的权值，如果所设初始值彼此相等，它们将在学习过程中始终保持相等。故而我们使用一组一0.5+0.5的随机数，作为网络的初始权值；l 最小训练速率：在经典的BP算法中，训练速率是由经验确定，训练速率越大，权重变化越大，收敛越快；但训练速率过大，会引起系统的振荡，因此，训练速率在不导致振荡前提下，越大越好。因此训练速率会自动调整，并值，本例使用0.9； l 动态参数：动态系数的选择也是经验性的，本例取0.7；l 允许误差：一般取0.0010.00001，当2次迭代结果的误差小于该值时，系统结束迭代计算，给出结果，本例取0.001；l 迭代次数：一般取1000次。由于神经网络计算并不能保证在各种参数配置下迭代结果收敛，当迭代结果不收敛时，允许最大的迭代次数，本例取1000；l Sigmoid参数：该参数调整神经元激励函数形式，一般取0.91.0之间，本例取0.95；设计一个神经网络专家系统重点在于模型的构成和学习算法的选择。一般来说，结构是根据所研究领域及要解决的问题确定的。通过对所研究问题的大量历史资料数据的分析及目前的神经网络理论发展水平，建立合适的模型，并针对所选的模型采用相应的学习算法，在网络学习过程中，结合各地实际情况，不断地调整网络参数，直到输出结果满足要求。6.2.1.1.4 模型输出l 内容偏好标识表 数据周期：月；表 62内容偏好标识表指标类别指标描述说明标识用户标识数值内容偏好内容字符6.2.2 互联网产品潜在客户识别模型6.2.2.1 建模思路鉴于通信行业的新趋势，行业价值以从传统的语音服务转向更广泛的通信服务，由于互联网市场及客户对互联网需求的变化，原有的静态客户价值评估无法满足日常运营的需要。动态价值模型（RFM）通过客户的消费意愿评分、消费能力评分构建客户的潜在价值挖掘矩阵，进而挖掘潜在客户，客户动态价值模型如图 63所示：图 63客户动态价值模型示图l 客户消费能力体现客户对服务的消费能力，即客户使用一次服务愿意消费金额的多少；l 客户消费意愿体现客户的消费服务活跃程度，活跃程度越高的客户对服务的依赖性越高，越容易通过市场干预提升其消费。互联网产品潜在客户挖掘模型通过客户的基本信息和客户的消费行为信息进行建模，首先通过客户的每天上网流量、每天上网时长、使用的流量套餐及上网终端价格得到客户的消费能力，其次通过客户消费服务频度、客户最近一段时间上网访问的互联网内容数得到客户消费意愿，进而通过客户消费能力、客户消费意愿构造二维客户动态价值，挖掘潜在互联网产品客户。模型通过抽取的验证集数据进行验证并优化，最终互联网产品潜在客户在目标视图中通过标签的形式予以体现。模型构建关键点：l 模型构建数据周期的确定 考虑到模型构建的适用性，客户消费行为数据以当前统计期前三个月的各互联网产品业务使用的平均值进行构建； 客户资料选取统计期当期数据。例如：获取2011年3月客户的消费能力数据需取2011年3月的客户信息，而消费行为数据需取2011年1月至3月的WAP日志所选指标的平均值。l 模型阈值的确定 互联网产品潜在客户的动态价值阈值的确定是模型构建的关键，包括消费能力上限阈值、消费能力下限阈值、消费意愿上限阈值、消费意愿下限阈值； 阈值确定方法详见6.2.2.2.2数据处理节第四步第五步。l 模型结果展现通过模型挖掘出互联网产品潜在客户之后，对潜在客户打上相应的标签，并纳入目标客户视图中。6.2.2.2 建模过程6.2.2.2.1 模型输入模型用到经营分析系统WAP日志表、客户账单表、客户信息表，所有模型候选变量都必须经过数据预处理，并转换成与模型挖掘相关的衍生变量。数据内容如表 63至表 65所示：l 经营分析系统WAP日志表： 数据周期：日；表 63经营分析系统WAP日志表指标类别指标描述说明基本信息用户标识字符日期数值上网行为上网终端类型字符上网漫游类型字符每日平均上网时长数值每日平均上网流量数值每日平均上网费用数值每日平均上网网站数数值每日平均上网次数数值平均每日浏览内容个数数值l 经营分析系统账单表： 数据周期：月；表 64经营分析系统账单表指标类别指标描述说明基本信息用户标识字符账期数值品牌字符客户类别字符入网时长数值账务信息流量费数值互联网产品订购费数值总费用数值l 经营分析系统客户信息表： 数据周期：月；表 65经营分析系统客户信息表指标类别指标描述说明基本信息用户标识字符账期数值客户类别数值是否高价值客户字符性别字符教育水平标志字符职业类型标志数值婚姻状况标志数值年龄数值流量套餐编码数值终端价格层次数值入网时间数值6.2.2.2.2 数据处理第一步：数据预处理l 对模型输入相关表数据质量进行稽核；验证拿到的建模数据是否正确、可用，一般是按照客观经验、业务标准来验证，例如，用户量及用户ARPU、上网时长与经分数据是否一致、总流量等于上行流量和下行流量总和等。l 对模型输入相关表数据进行整合、清洗；主要包括无关字段的排除及字段缺失值的处理。在挖掘过程中并不是数据库表中的所有字段都与数据挖掘目标相关，这些字段可以剔除掉一部分，然而如果太多的字段在分析中被剔除则会导致某些潜在的事件之间的关联性会被忽略，在真正开始数据挖掘之前须对此权衡。而缺失值的处理一般来说都是将数值型缺失值置换成零，对于用户属性（例如年龄）一般参照相关属性替换成某个固定值。第二步：根据业务知识对移动业务情况进行统一梳理，生成挖掘客户基本变量表（衍生变量表），如表 66所示：l 挖掘客户基本变量表 数据周期：月； 数据源表：经营分析系统客户信息表、月账单表、客户WAP日志信息表；表 66挖掘客户基本变量表指标类别指标描述说明标识日期字符用户标识字符业务量每日平均上网时长数值每日平均上网流量数值每日平均上网费用数值每日平均上网网站数数值每日平均上网次数数值每日平均浏览内容个数数值当月上网访问的门户网站个数数值当月上网流量互联网内容个数数值费用流量费数值互联网产品订购费数值总费用数值时间距离最后一次本地上网距统计期末时间数值最后一次漫游上网距统计期末时间数值最后一次上网距统计期末时间数值第三步：根据生成的挖掘客户基本变量表得到客户消费意愿评分：l 计算客户消费意愿值； 客户消费意愿（RF）=客户上网的频度（F）+客户最近一次使用服务的时间（R）； 客户上网的频度(F)=平均每天上网次数+平均每日上网网站数+平均每天访问网站个数； 客户最近一次使用服务的时间（R）=最后一次本地上网距统计期末时间+后一次漫游上网距统计期末时间+最后一次上网距统计期末时间；l 计算客户消费意愿评分；将客户消费意愿进行标准化处理并乘100后即可得客户消费意愿评分，结构如表 67所示。l 客户消费意愿评分表 数据周期：月； 数据源表：挖掘客户基本变量表；表 67客户消费意愿评分表指标类别指标描述说明标识日期字符用户标识数值等级用户消费意愿评分数值第三步：得到客户综合消费能力评分：l 计算客户综合消费能力； 客户综合消费能力（M）=平均每日上网流量+平均每日上网费用+上网终端价格；l 计算客户综合消费能力评分：将客户消费能力进行标准化处理并乘100后即可得客户综合消费能力评分，结构如表 68所示。l 客户综合消费能力评分信息表 数据周期：月； 数据源表：挖掘客户基本变量表；表 68客户综合消费能力评分表指标类别指标描述说明标识日期字符用户标识数值等级用户综合消费能力评分数值第四步：构建客户价值矩阵：以客户消费意愿评分为横坐标，客户消费能力评分为纵坐标构建客户动态价值矩阵。动态价值矩阵以二维图示清晰反映了客户动态价值分布，如图 64所示； 图 64客户动态价值矩阵第五步：定位潜在互联网产品客户综合消费意愿评分、消费能力评分分类阈值；从当前在网互联网产品客户中随机抽取10万样本数据进行动态价值投影，并根据投影结果界定潜在互联网产品客户综合消费意愿评分、消费能力评分分类阈值。第六步：以第五步生成的分类阈值为依据初步定位互联网产品潜在客户，并形成目标潜在客户清单。6.2.2.2.3 模型算法模型通过客户使用服务频度、客户最近一次使用服务时间、客户综合消费能力信息构建客户动态价值，并形成动态价值矩阵，通过动态价值矩阵采用互联网产品用户集中分布选取原则挖掘潜在互联网产品用户；l 客户上网的频度=平均每天上网次数+平均每日上网网站数+平均每天访问网站个数；l 客户最近一次使用服务的时间=最后一次本地上网距统计期末时间+后一次漫游上网距统计期末时间+最后一次上网距统计期末时间；l 客户消费意愿（RF）=客户上网的频度（F）+客户最近一次使用服务的时间（R）；l 客户综合消费能力（M）=平均每日上网流量+平均每日上网费用+上网终端价格；将客户消费意愿、客户综合消费能力进行标准化处理并量纲100倍放大后即可得客户消费意愿、客户消费能力评分；以客户消费意愿评分为横坐标，客户消费能力评分为纵坐标构建客户动态价值矩阵，对互联网产品用户动态价值进行矩阵投影并采用互联网产品用户集中分布区域选取原则确定潜在互联网产品用户动态价值界定阈值；如图 65所示： 图 65互联网产品客户动态价值矩阵投影图中阴影点即单个互联网产品客户的分布位置，图例所示互联网产品用户分类阈值选择如下：l 潜在互联网产品客户消费意愿下限值：50；l 潜在互联网产品客户消费意愿上限值：80；l 潜在互联网产品客户消费能力下限值：23；l 潜在互联网产品客户消费能力上限值：65；以上结果仅是一次挖掘的示例，各地市互联网产品的消费动态价值分布差异较大，具体地市的分类阈值必须根据本地的实际情况具体界定；6.2.2.2.4 模型输出模型输出结构如表 69所示：l 潜在客户标识表 数据周期：月；表 69潜在客户标识表指标类别指标描述说明标识用户标识数值类别潜在客户标识字符6.2.3 互联网产品客户细分模型6.2.3.1 建模思路通过对互联网产品潜在客户的客户资料、上网行为等指标进行聚类分析，并通过人工监管的筛选和修正处理，得到具有鲜明分类特征的客户群。洞察客户消费能力及个性化需求，为客户推荐符合其需求的互联网产品和内容。6.2.3.2 建模过程互联网产品潜在客户细分由数据预处理、客户细分和二次细分客户群三步构成并最终形成分群客户清单，流程示意如图 66所示：图 66潜在客户细分流程图6.2.3.2.1 模型输入本模型共用到5张基础数据表，分别为经营分析系统客户信息表，经营分析系统用户WAP日志表，经营分析系统客户账单信息表，数据内容如下：l 经营分析系统用户WAP日志表，如表 63；l 经营分析系统客户账单信息表，如表 64；l 经营分析系统客户信息表，如表 65。6.2.3.2.2 数据处理第一步：数据预处理l 对模型输入相关表数据质量进行稽核；验证拿到的建模数据是否正确、可用，一般是按照客观经验、业务标准来验证，例如，用户量及用户ARPU、上网时长与经分数据是否一致、总流量等于上行流量和下行流量总和等。l 对模型输入相关表数据进行整合、清洗；主要包括无关字段的排除及字段缺失值的处理。在挖掘过程中并不是数据库表中的所有字段都与数据挖掘目标相关，这些字段可以剔除掉一部分，然而如果太多的字段在分析中被剔除则会导致某些潜在的事件之间的关联性会被忽略，在真正开始数据挖掘之前须对此权衡。而缺失值的处理一般来说都是将数值型缺失值置换成零，对于用户属性（例如年龄）一般参照相关属性替换成某个固定值。第二步：由经营分析系统客户资料表、用户WAP日志表获取细分模型关键指标数据，如表 69所示：l 客户细分关键指标表 数据周期：月； 数据源表：客户信息表、账单表、WAP日志表； 获取说明：以当前月客户资料为主表，取近3个月的业务量平均值进行获取。表 610客户细分关键指标表指标类别指标描述说明基本信息性别男/女/未知年龄数值入网时间日期归属地字符所选品牌字符上网使用情况主要上网位置类别农村/学校/商业区等 上网终端类型智能机/普通机/上网本/数据卡上网总流量农村/学校/商业区等 本地流量占比数值漫游流量占比数值上行流量数值下行流量数值上网时长数值本地上网时长数值漫游上网时长数值帐务信息流量费数值互联网产品订购费数值总费用数值第三步：客户细分以客户的业务使用行为、出账及缴费行为为依据进行快速聚类，将潜在客户分为本网络社交群、非主流网游群、网络浅尝群、网络商务群、自我展示群、网络依赖群、基础应用群，结构如表 611所示。l 客户一次细分结果表 数据周期：月； 数据源表：客户细分关键指标表；表 611客户一次细分结果表指标类别指标描述说明标识账期字符用户标识字符群群编号字符客户第一次细分客户类别分为：重度用户群、中度用户群、轻度用户群。重度用户群：在使用的网络应用数理、上网时长、上网流量都远高于互联网用户的平均水平。中度用户群：在使用的网络应用数理、上网时长、上网流量都与互联网用户的平均水平接近。轻度用户群：在使用的网络应用数理、上网时长、上网流量都远低于于互联网用户的平均水平，同时也是网龄最小的群体。第三步：客户二次细分初始聚类体现了客户上网行为的差异，但还比较粗糙，没有清晰的表达出客户群的职业特征。在初始聚类的基础上，通过考察业务特征，采取经验方法人工对客户进行进一步的拆分、合并、筛选，最终形成面向客户职业特征的客户细分群，结构如表 612所示。l 客户二次细分结果表 数据周期：月； 数据源表：客户一次细分结果表、客户信息表；表 612客户二次细分结果表指标类别指标描述说明标识账期字符用户标识字符群主群编号字符子群编号字符6.2.3.2.3 模型算法考虑CLARANS 方法聚类具有较好的时空开销、很好的健壮性、对离群值不敏感等优点，本案例选择CLARANS 方法作为客户细分的主要算法，该算法是一种分割而非分层的聚类方法。它首先随机选择一个点作为当前点 ,然后随机检查它周围不超过最大邻接点个数的一些邻接点据该点的距离,找到一个比它更好的邻接点,则把它移入邻接点,否则把该点作为局部最小量，然后再随机选择一个点来寻找另一个局部最小量,直到所找到的局部最小量数目达到应用要求为止。两点间的距离采用明氏距离进行测度，本次模型挖掘采用SAS9.1的Enterprise Miner中的Clustering做为挖掘模块，重点参数设置如下：l 各类的最少包含的数量：2000；l 种子的选取方法：采用随机选取的替代方法；l 最大迭代次数：一般设为100次；l 收敛标准： 0.002；l 聚类输入指标：忙时上网时长，闲时上网时长，忙时上网流量，闲时上网流量，国内漫游上网流量，国际漫游上网流量，上网上行流量，上网下行流量，上网次数，月上网费、上网费占比；在挖掘过程中会对目标数据进行多次反复聚类，直至所选取的分类维度（即分类变量）上都存在一个优势明显的组，如果模型分的好，则模型每个分类维度上都有一个优势很突出的组存在，至少要保证最多只有一两个组没有强势的特征，并且绝大部分组都能通过一个或几个显著的维度（变量）进行描述。6.2.3.2.4 模型输出模型输出客户标识及客户分群标识，具体结构如表 612所示。通过两次细分将互联网产品潜在客户分为7大类，如表 613Error! Reference source not found.所示。表 613潜在客户分群类别表序号细分群基本特征推荐优先级1网络社交群他们在具有社交特征的应用上的比例明显高于其他群体，他们在即时通信、博客、论坛/BBS、交友网站等社区类网络应用上的渗透率明显偏高。一级2非主流网游群此群体除了游戏之外，在其他应用上的指数都低于总体。三级3网络浅尝群此群体在各个应用上的群体特征都不突出，他们上网时间最少，使用的网络应用数量最少，同时他们也是网龄最短的群体，但是他们却是平均年龄最大的群体。三级4网络商务群群体与网络依赖群比较接近，但是在上网时长、网络应用数量上都远低于网络依赖群。他们在电子商务、在线炒股、旅行预订等应用上的特征明显强于搜索引擎、即时通信、电子邮件等基础应用。一级5自我展示群此群体中的用户100%拥有博客，而在其他应用上他们的使用率明显低于总体。三级6网络依赖群他们使用的网络应用最多，每周上网时间也最长。他们是互联网的最忠实的用户。一级7基础应用群他们使用的网络应用较少，上网集中为浏览新闻等基础应用。二级注：优先级数值越低，推荐优先级越高。7 应用场景与效果评估基于如上所述基于热点事件的互联网产品营销的流程和方法，以下内容描述基于黄岩岛事件的手机阅读产品、基于欧洲杯事件的手机视频产品营销的全流程。7.1 手机阅读应用场景试点地市作为该省经济地位比较前的地市，一直积极推广互联网产品，将其作为增收的方向之一，手机阅读为中国移动集团公司的重点互联网产品，经过2年的持续推广，目前市场普及率基本维持在3左右，每月活跃用户数约11万，每月收入贡献约37万元，与全省其他地市比较，仍然存在不足；试点地市的营销人员希望建立一个机制，利用互联网分析手段，在近二个月内，支撑提升手机阅读业务的普及率和收入贡献。具体流程如图 71基于黄岩岛事件的手机阅读产品营销流程所示：图 71基于黄岩岛事件的手机阅读产品营销流程7.1.1 手机阅读产品营销触发试点地市产品经理小李，利用经分系统原有的规则管理功能和互联网数据集市内容监控预警功能，对最近一周内容热点排名TOP10的内容设置了短信、彩信提醒规则，对提醒内容设置了模板，实现对互联网内容访问排名、内容访问波动监控与预警。小李通过使用互联网内容监控预警功能获悉，“黄岩岛事件”成为最近一周互联网内容排行榜TOP1事件；小李同时阅读最近报纸、杂志等新闻媒体内容，使用各大门户网站，发现最近媒体和网络上有关“黄岩岛事件”的新闻、评论非常多。小李想利用此事件，通过事件营销为自己所负责的互联网产品实施精准、快速营销。7.1.2 手机阅读内容分析小李立即登录互联网数据集市，从内容分类、内容关联、内容价值等方面进行分析；l 首先利用互联网热点内容分类分析功能，获得黄岩岛事件属于军事类内容；l 通过互联网内容分析，发现最近浏览军事类新闻、下载军事类小说、杂志的互联网用户数、流量都比较大；l 依据集团公司下发的内容标签和关键词信息，通过内容使用分析发现，最近浏览、下载黄岩岛相关知识、事件的互联网内容比较多；l 小李依据内容关联分析，发现有关黄岩岛事件的相关新闻、小说、杂志与手机阅读产品很匹配；l 依据集团公司下发的内容标签和关键词信息，小李对有关黄岩岛相关新闻、小说、杂志等互联网内容进行价值分析，发现有关黄岩岛相关小说、杂志等互联网内容极具营销价值。小李立即与相关营销策划人员联系，商讨如何利用目前的这个热点事件，推广手机阅读产品；而后制定了在一个月内利用各渠道来推广“手机阅读军事黄岩岛”应用的营销案，并在营销管理平台上发起营销流程。7.1.3 目标客户筛选和细分通过互联网用户分析功能，获取活动目标客户，目标客户满足以下两个条件： l 有消费意愿的客户，通过用户内容偏好分析获得经常浏览军事类新闻、小说的用户群；l 有消费能力的客户，通过用户上网行为、用户套餐、用户终端偏好分析，获得有智能手机或者支持手机上网终端、办理流量套餐的用户群。依据以上两个条件，构建手机阅读互联网产品潜在客户识别模型，利用数据挖掘技术，实现对手机阅读互联网产品潜在客户的识别和筛选。在完成目标客户筛选后，依据客户标签信息（如客户基本特征、客户上网行为特征、客户终端偏好特征等）、内容标签信息（内容分类信息、内容价值信息等）构建潜在手机阅读客户细分模型，重点对网络依赖群、网络商务群、网络社交群潜在目标客户进行细分，如表 71所示，为精准营销方案设计提供数据支撑。表 71 客户细分说明序号细分群基本特征推荐优先级用户量1网络社交群他们在具有社交特征的应用上的比例明显高于其他群体，他们在即时通信、博客、论坛/BBS、交友网站等社区类网络应用上的渗透率明显偏高。一级2570292非主流网游群此群体除了游戏之外，在其他应用上的指数都低于总体。三级1770273网络浅尝群此群体在各个应用上的群体特征都不突出，他们上网时间最少，使用的网络应用数量最少，同时他们也是网龄最短的群体，但是他们却是平均年龄最大的群体。三级2587324网络商务群群体与网络依赖群比较接近，但是在上网时长、网络应用数量上都远低于网络依赖群。他们在电子商务、在线炒股、旅行预订等应用上的特征明显强于搜索引擎、即时通信、电子邮件等基础应用。一级868115自我展示群此群体中的用户100%拥有博客，而在其他应用上他们的使用率明显低于总体。三级1702186网络依赖群他们使用的网络应用最多，每周上网时间也最长。他们是互联网的最忠实的用户。一级1106417基础应用群他们使用的网络应用较少，上网集中为浏览新闻等基础应用。二级102131注：优先级数值越低，推荐优先级越高。7.1.4 方案内容设计针对手机阅读产品特点，采用波次营销策略，在手机阅读产品推广初期采用体验式营销策略，在推广中后期采用稳定营销策略，达到手机阅读产品用户快速发展、提升客户粘性的目标。体验式营销是符合互联网产品特性的营销方式，通过客户的亲身体验，促进产品的订购。通过对新用户使用初期的增费返款，使客户更愿意进行产品使用，实现用户的快速发展。通过稳定营销策略，巩固客户的手机阅读消费习惯。具体策略方案内容如表 72所示：表 72方案内容设计策略方案名称营销目标策略方案内容体验式营销通过“体验先行”的方式吸引客户使用业务。目标客户申请开通手机阅读业务，即可享受免费章节阅