某市电信低质用户活跃度解决方案

1,汕头电信低质用户活跃度提升解决方案,-2017.12.25,目录,一,数据挖掘项目经验,2,二,IPTV活跃度提升解决方案,三,套餐流量使用率提升解决方案,五个数据挖掘模型，两个客户画像标签,3G升4G换卡模型（营销响应模型）,政企专线离网预警模型（用户保有模型）,双百兆目标用户模型（营销响应模型）,乐享5折用户聚类模型（用户画像刻画）,乐享5折用户生命周期分析（用户画像刻画）,手机加副卡目标用户模型（营销响应模型）,乐享5折目标用户模型（营销响应模型）,数据挖掘客户标签（数据挖掘基础能力沉淀）,3G升4G换卡营销模型,目标,为提升当前3G升级4G营销成功率，通过数据挖掘模型，找出意愿度更高的用户优先进行营销。,截止9月份，共提供5批次，共计48.2万精确目标用户营销清单给外呼相关部门进行营销,模型评估,模型实际应用,营销成功率,双百兆目标用户模型,目标,为提升当前营销成功率，通过数据挖掘模型，找出意愿度更高的用户优先进行营销。本模型以老宽带用户为出发点，以是否融合划分不同子模型，利用随机森林算法，构建最终目标用户模型。,模型评估,模型实际应用,模型经过10月，11月两月实际应用，接通率，接通后成功率及总体成功率均比未使用模型前有明显提升。10月总体成功率接近9月的两倍。,手机加副卡目标用户模型,目标,为提升当前营销成功率，通过数据挖掘模型，找出意愿度更高的用户优先进行营销。手机加副卡模型分成两部分，一部分为网龄3个月以上的用户，另一部分为网龄3个月以下的用户。利用逻辑回归算法和KNN分类算法，分别构建模型。,逻辑回归模型评估,逻辑回归模型系数,注：系数的绝对值越大，对模型的影响越大。,KNN分类模型评估,KNN分类模型字段重要性,政企离网预警模型,目标,通过深度数据挖掘方法，挖掘政企专线用户离网规律，并提前2个月预测用户离网概率,模型的效能（ROC）曲线,乐享5折目标用户模型,目标,为提升当前营销成功率，通过数据挖掘模型，找出意愿度更高的用户优先进行营销，利用随机森林算法，构建最终目标用户模型。,模型评估,字段重要性,模型实际应用,模型效能（ROC）曲线,乐享5折用户聚类模型,为了提高乐享5折用户的活跃度及价值，我们将对用户进行分群，以达到精细化营销的目的。根据聚类模型的数据要求，需要观测用户在基准月前3个月及次月的行为表现，因此选取2016年2月作为基准月。2016年2月，出账用户17.6万，其中，套餐使用时长不足3个月的用户2.3万，疑似用完即扔用户1707户，疑似养卡用户6709户。基于精细化营销的目的，剔除套餐使用时长不足3个月及疑似养卡、用完即扔用户，最后聚类的目标用户12.4万户，接下来的聚类模型针对这部分用户进行建模。,出账用户：17.6万,正常：16.5万,停/预拆：1.1万,疑似用完即扔：T+4个月内开始产生欠费，并且欠费后连续2个月依然有欠费记录用户疑似养卡：省公司模型清单,疑似用完即扔：1707,疑似养卡：6709,套餐使用时长3：2.3万,聚类目标用户：12.4万,聚类模型构建思路,本次聚类模型的构建，采用聚类数据挖掘中成熟的“行为-价值”分析框架，分别对用户的行为和价值特征进行聚类，并总结用户在这两个维度上的特征，从而给出用户画像由于聚类模型对于输入字段的要求，需要对行为字段和价值字段进行Z-SCORE标准化及主成分算法分析，降维之后作为输入，通过测试多个聚类算法（K-MEANS聚类算法、两步聚类算法）并选择聚类模型通过聚类的结果，分析不同用户群的特征，并针对用户特征提出针对性的营销策略,行为-价值分群平面图,通过观察用户分类在年龄、通话、流量、短信、在网时长、离网、ARPU、欠费等方面的特征及趋势，将用户分为以下7个典型用户群,用户分群分布图,七大用户群客户画像,本地消费能力较低的中老年群体，社交圈子较小，只有基础的通话需求,X-1低端温饱群27.3%,本地有一定消费能力的中老年群体，有一定社交圈子，主要通信需求为通话，没有形成流量使用习惯,X-2传统节省群18.4%,外来人口中消费能力较强的群体，通话活跃度非常高，且人均漫游通话时间最长，但流量需求低,X-5通话活跃群11.4%,有一定消费能力的时尚年轻群体，终端新、流量使用非常活跃，同时也有一定通话需求,X-4流量活跃群11.3%,本地年轻人群，消费能力不高，但追求新终端、偏好使用流量，群体流量贡献度大,X-3低端时尚群15.3%,忠诚的电信老用户，通话、流量活跃度高，流失率低，终端新,外来人口人群，漫游通话需求量大，终端旧，通话和流量活跃度低，资费敏感，流失率高,X-6中档低活跃群5.0%,X-7高值稳定群11.4%,ARPU值,活跃度,针对性营销策略建议,根据构建的聚类模型，应用到4月份用户，其分群简要情况如下：,乐享5折用户生命周期分析,对分析用户的户均ARPU、流量、主被叫、短信、销户率和终端更换率进行综合分析，发现流量使用量随着终端更换率的提升而逐步提升。T+5月之后在主叫通话时长未出现明显增加的情况下，流量逐月增加，但ARPU值并未表现出增加迹象，用户的流量使用习惯逐步养成。T+17月后用户的销户率处于整个生命周期当中较低的水平，并趋势稳定。,可为用户特征分析销户结点(1/2),针对T+3月销户用户和在网8月以上正常用户，在T+2月进行特征比较，销户用户主叫语音时长为正常用户的21%，流量为正常用户的40%，ARPU无明显变化。,单位：元,单位：兆,单位：分钟,通过建模发现T+3月销户用户中,变量重要性前三的指标为：T+2月主叫环比上月减少62.8%，T+2月被叫小于等于21.5分钟，T+0月ARPU大于61.2元。,T+2月主叫环比上月减少62.8%,T+2月被叫小于等于21.5分钟,T+0月ARPU大于61.2元,可为用户特征分析销户结点(2/2),模型评估,模型效能（ROC）曲线,关键字段解释,建模对T+3月销户用户进行分析，并评估模型效果，离网用户命中率达到51.51%，离网覆盖率达到56.5%。其中关系到离网的主要字段T+2月主叫环比上月重要性达到63.8%。,目录,一,数据挖掘项目经验,17,二,IPTV活跃度提升解决方案,三,套餐流量使用率提升解决方案,IPTV用户活跃度提升方案,IPTV用户结构的差异决定着用户行为习惯的不同，要改善IPTV用户活跃度，需了解汕头地市IPTV用户结构、用户使用习惯；从而针对特殊用户进行精准运营的目的。,短信触发,IPTV用户整体结构,IPTV用户（以广州为例）主要覆盖高学历高收入的群体，多人家庭为主，是社会中流砥柱;视频网站用户则多为初入社会的青年人群;有线电视用户主要是中老年成熟人群。相对而言，IPTV与网络视频的用户交叉比例较高，达到50%以上。,用户形象描述,性别,年龄分布,学历,职业地位,平均家庭月收入,家庭结构,ITV用户,有线电视用户,视频网站用户,社会中流砥柱,中老年成熟人群,初入社会的青年人群,男性比例略高，占6成,无明显性别偏向,男性比例率高55.2%,25-35岁(42%)&41岁及以上(33.3%）,41岁及以上(69.3%),30岁及以下(61.6%),大学专科及以上70.8%,大学专科及以上27.5%,大学专科及以上88.5%,74%拥有稳定工作，20.2%担任管理工作,-,-,￥16198,￥7203,￥10154,多人家庭占比75%,-,-,对使用IPTV的用户喜欢什么类型的节目进行网络调研，最受欢迎的节目类型为电影大片、其次为热播电视剧，最不受欢迎的节目为健康养生类。,IPTV用户视频兴趣,数据来源问卷星,确定影响因子,选取样本空间,数据预处理,变量抽样和平衡,6,算法建模,模型评估,模型优化,运营清单,建模思路,按照已办理IPTV用户，拍照选取样本数据，进行数据挖掘算法聚类，分析目前用户的行为、消费特征。最后依据聚类清单，针对不同用户进行运营，提升用户活跃度。,目录,一,数据挖掘项目经验,22,二,IPTV活跃度提升解决方案,三,套餐流量使用率提升解决方案,套餐内流量活跃度提升方案,移动用户结构的差异决定着用户行为习惯的不同，要改善4G用户流量使用活跃度，需了解汕头地市移动4G用户结构、用户使用习惯；从而针对特殊用户进行精准运营的目的。,从用户入网当月后，在整个生命周期内形成一个完整的行为画像（广州电信用户），可看出：用户在T+0至T+3月之间表现出流量、通话极不稳定的状态；在T+3月出现销户率峰值，并在随后几月依旧表现出较高的销户率；在T+8月后用户使用行为和价值行为表现平稳；在T+14月出现流量缓慢上升结点，流量的使用表现出逐步增加的走势；到T+16月，用户终端跟换率出现明显上升趋势，同时T+17月之后出现较低的销户率，并趋于平稳。,1、在T+3月销户用户表现出通话和流量使用量极少的特征，需要对销户高危用户进行维系挽留，延长用户生命周期。2、在T+14月环比上月流量上升10%以上的用户可对其加大流量类增值产品的营销，这批用户在后续几月同样表现出较高的流量需求，可先通过短期免费体验包进行流量习惯使用培养。3、对处于T+16月以上阶段的用户进行价值流量营销，这部分用户在接下来几月表现出较低的销户率，以及较高的终端更换率，随着终