運(yùn)營(yíng)商大數(shù)據(jù)用戶畫像實(shí)踐

王曉霞，劉靜沙，許丹丹

（中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司研究院，北京 100176）

1 引言

大數(shù)據(jù)時(shí)代下，在企業(yè)的生產(chǎn)實(shí)踐中，利用大數(shù)據(jù)技術(shù)進(jìn)行“用戶畫像”是各行各業(yè)的選擇。用戶畫像、語音識(shí)別、圖像識(shí)別和自然語言理解并列為當(dāng)前人工智能領(lǐng)域最重要的四大應(yīng)用場(chǎng)景[1]。用戶畫像的本質(zhì)是從業(yè)務(wù)角度出發(fā)對(duì)用戶進(jìn)行分析，了解用戶需求，尋找目標(biāo)客戶。同一用戶在不同時(shí)間、不同場(chǎng)景下的行為有差異，而不同場(chǎng)景下的不同用戶畫像更是千變?nèi)f化。本文以流失預(yù)警這一業(yè)務(wù)場(chǎng)景為例，介紹如何利用大數(shù)據(jù)用戶畫像來實(shí)現(xiàn)客戶流失提前預(yù)警。

2 用戶畫像

用戶畫像（給用戶打標(biāo)簽）是用戶數(shù)據(jù)的形象化展示，可以理解為用一連串的用戶標(biāo)簽簡(jiǎn)短而形象地描述一個(gè)用戶的特征[2]。用戶畫像是勾畫目標(biāo)用戶、聯(lián)系用戶訴求與設(shè)計(jì)方向的有效工具，它是具體商業(yè)目標(biāo)下標(biāo)簽的重新排列組合[3]。

用戶畫像有兩類，一是user personal（用戶角色），二是 user profile（用戶屬性）。用戶角色是產(chǎn)品經(jīng)理、策略設(shè)計(jì)師和運(yùn)營(yíng)人員從用戶群體中抽象出來的典型用戶，可以借助虛擬的角色，跳出離散的需求，聚焦用戶需求。它的本質(zhì)是用來描述用戶需求的工具，適合產(chǎn)品早期目標(biāo)用戶人群的定義和研究，幫助開發(fā)者在產(chǎn)品設(shè)計(jì)、策略匹配階段，站在用戶的角度思考問題。用戶屬性是根據(jù)每個(gè)人在產(chǎn)品中的用戶行為數(shù)據(jù)，生成描述用戶的標(biāo)簽的集合。利用已有數(shù)據(jù)，通過以定量為主的研究方法描繪出用戶的人口學(xué)、產(chǎn)品行為和人群數(shù)據(jù)屬性，適合產(chǎn)品中后期實(shí)體用戶的人群劃分和聚類分析[4]。用戶角色適用于產(chǎn)品和策略設(shè)計(jì)，針對(duì)用戶設(shè)計(jì)產(chǎn)品；用戶屬性適用于精準(zhǔn)營(yíng)銷，針對(duì)產(chǎn)品找用戶。

3 用戶畫像分級(jí)架構(gòu)

用戶畫像的第一步就是進(jìn)行畫像架構(gòu)的分級(jí)分類。畫像的維度不同，畫像結(jié)果千變?nèi)f化，所以有效的畫像必須是以商業(yè)結(jié)果為目標(biāo)的標(biāo)簽集合。例如存量經(jīng)營(yíng)的商業(yè)目的就是存量產(chǎn)品的精準(zhǔn)營(yíng)銷，因此畫像架構(gòu)的分級(jí)依據(jù)為存量產(chǎn)品體系。從存量產(chǎn)品體系的策略、需求、產(chǎn)品和渠道4個(gè)維度出發(fā)，建立了四級(jí)用戶畫像架構(gòu)。

3.1 一級(jí)架構(gòu)

一級(jí)架構(gòu)為基本畫像即用戶的基本維度，是用戶的生命周期畫像，如圖1所示。一級(jí)架構(gòu)從產(chǎn)品策略維度出發(fā)，根據(jù)用戶對(duì)業(yè)務(wù)的使用程度進(jìn)行劃分，將用戶劃分為4個(gè)群體，分別是體驗(yàn)用戶、價(jià)值提升用戶、穩(wěn)定保有用戶、離網(wǎng)挽留用戶。體驗(yàn)用戶為新入網(wǎng)用戶，由于入網(wǎng)時(shí)間短，這類用戶對(duì)產(chǎn)品的感知還處于探索階段，消費(fèi)需求尚不明確，其中一部分體驗(yàn)用戶隨著對(duì)產(chǎn)品的良好體驗(yàn)和品牌好感度的增加將轉(zhuǎn)為價(jià)值提升用戶；價(jià)值提升用戶介于體驗(yàn)用戶和穩(wěn)定用戶之間，入網(wǎng)時(shí)間大于半年，對(duì)產(chǎn)品的消費(fèi)需求非常明確，消費(fèi)特征顯著，ARPU（每用戶平均收入）連續(xù)3個(gè)月呈現(xiàn)提升的趨勢(shì)，有些用戶同時(shí)伴隨著流量壓抑、流量超套或者流量高飽和等行為，部分價(jià)值提升用戶隨著對(duì)產(chǎn)品持續(xù)性的良好感知將會(huì)轉(zhuǎn)變?yōu)榉€(wěn)定用戶；穩(wěn)定用戶的在網(wǎng)時(shí)長(zhǎng)一般大于1年，在4種用戶中品牌忠誠(chéng)度最高，套餐變動(dòng)頻率低、對(duì)資費(fèi)較為不敏感，由于用戶感知良好，客服投訴量也較少；維挽用戶為即將離網(wǎng)的用戶，其消費(fèi)特征為ARPU值連續(xù)3個(gè)月呈現(xiàn)持續(xù)降低的趨勢(shì)，此階段用戶有可能投訴較多，這部分趨于離網(wǎng)的用戶語音和流量的飽和度值呈下降狀態(tài)。

圖1 生命周期畫像

3.2 二級(jí)架構(gòu)

二級(jí)架構(gòu)是行為畫像。從用戶的需求維度進(jìn)行畫像，行為畫像根據(jù)不同的行為特征可細(xì)分為4類：通信行為、語音行為、流量行為和權(quán)益行為。通信行為反映用戶的綜合行為特征，如套餐是否經(jīng)常超量，語音、短信和流量的使用度是否失衡等；語音行為用來描述用戶語音套餐的使用程度，例如國(guó)內(nèi)及國(guó)際語音是否有剩余或超額；流量行為用來描述用戶流量套餐的使用程度，例如是否存在流量壓抑、流量超出套餐以及流量高飽和的行為；權(quán)益行為用來描述用戶對(duì)自身權(quán)益的敏感程度，例如是否資費(fèi)敏感、ARPU值是否相對(duì)固定以及是否積極參加優(yōu)惠活動(dòng)等。

3.3 三級(jí)架構(gòu)

三級(jí)架構(gòu)是產(chǎn)品畫像，如圖2所示。產(chǎn)品畫像針對(duì)具體的產(chǎn)品以及產(chǎn)品的具體內(nèi)容進(jìn)行目標(biāo)用戶畫像。將用戶的標(biāo)簽屬性與產(chǎn)品內(nèi)容、產(chǎn)品特征相結(jié)合，進(jìn)行相互匹配，篩選目標(biāo)用戶。例如根據(jù)現(xiàn)有產(chǎn)品冰激凌、暢越流量王、暢越視聽寶等套餐的具體內(nèi)容和特征進(jìn)行目標(biāo)用戶畫像尋找目標(biāo)用戶，實(shí)現(xiàn)精確的產(chǎn)品推薦。

3.4 四級(jí)架構(gòu)

四級(jí)架構(gòu)是觸點(diǎn)畫像，如圖3所示。進(jìn)行產(chǎn)品匹配后的用戶，需要通過用戶最常用和最容易接受的觸點(diǎn)，進(jìn)行產(chǎn)品營(yíng)銷。通過分析用戶行為得到用戶最常用的業(yè)務(wù)辦理渠道，有針對(duì)性地在用戶觸點(diǎn)渠道進(jìn)行產(chǎn)品營(yíng)銷。渠道類型分為電子渠道和實(shí)體渠道兩類。其中電子渠道包括自助終端、網(wǎng)上營(yíng)業(yè)廳、掌上營(yíng)業(yè)廳、互聯(lián)網(wǎng)和短信營(yíng)業(yè)廳等；實(shí)體渠道包括大客戶客戶經(jīng)理、營(yíng)業(yè)廳和呼叫中心等。

4 用戶畫像步驟

圖2 產(chǎn)品畫像

圖3 觸點(diǎn)畫像

首先對(duì)標(biāo)簽體系進(jìn)行系統(tǒng)梳理，根據(jù)具體的業(yè)務(wù)場(chǎng)景進(jìn)行用戶畫像，再將用戶畫像形成的特征標(biāo)簽庫應(yīng)用于實(shí)際營(yíng)銷中精準(zhǔn)的定位目標(biāo)用戶。畫像流程分為4個(gè)步驟，分別是畫像數(shù)據(jù)收集、標(biāo)簽梳理、用戶畫像和標(biāo)簽應(yīng)用。

4.1 數(shù)據(jù)源

用戶畫像的第一步是列舉相關(guān)的數(shù)據(jù)源。在對(duì)數(shù)據(jù)源進(jìn)行列舉分析之前應(yīng)該收集所有可以提供用戶數(shù)據(jù)的數(shù)據(jù)源，盡可能多地掌握用戶的全量數(shù)據(jù)。用戶信息分布在不同的系統(tǒng)中，一般情況下，客戶的自然人信息主要集中在客戶關(guān)系管理系統(tǒng)，消費(fèi)特征主要集中在渠道和產(chǎn)品系統(tǒng)中。畫像流程的第一步就是將這些分散在各個(gè)系統(tǒng)的用戶信息收集起來集中處理。將五大數(shù)據(jù)源信息集中起來按照設(shè)定規(guī)則生成標(biāo)簽元數(shù)據(jù)體系。五大數(shù)據(jù)源包括互聯(lián)網(wǎng)、通信網(wǎng)絡(luò)、業(yè)務(wù)平臺(tái)系統(tǒng)、IT生產(chǎn)系統(tǒng)、合作伙伴。

其中來自通信網(wǎng)絡(luò)、業(yè)務(wù)平臺(tái)系統(tǒng)和IT生產(chǎn)系統(tǒng)的數(shù)據(jù)是企業(yè)內(nèi)部數(shù)據(jù)，可信度高，采集方式為在系統(tǒng)中直接獲取。IT生產(chǎn)系統(tǒng)的數(shù)據(jù)源主要包括電子化銷售服務(wù)管理系統(tǒng)（ESS）、業(yè)務(wù)支撐系統(tǒng)（BSS）、企業(yè)管理域（MSS）和運(yùn)營(yíng)支撐域（OSS）等。ESS主要負(fù)責(zé)管理終端銷售；BSS主要負(fù)責(zé)客戶關(guān)系管理、數(shù)據(jù)采集系統(tǒng)、計(jì)費(fèi)賬務(wù)、綜合結(jié)算、營(yíng)銷支撐等功能，它包括總部CRM、集中 PRM 和集中集團(tuán)客戶等系統(tǒng)；MSS主要負(fù)責(zé)電信企業(yè)運(yùn)營(yíng)的流程管理，它包括ERP、OA、財(cái)務(wù)和人力資源等系統(tǒng)；OSS是一個(gè)綜合的業(yè)務(wù)運(yùn)營(yíng)和管理平臺(tái)，同時(shí)也是真正融合了傳統(tǒng)IP數(shù)據(jù)業(yè)務(wù)與移動(dòng)增值業(yè)務(wù)的綜合管理平臺(tái)。它主要由網(wǎng)絡(luò)管理、系統(tǒng)管理、計(jì)費(fèi)、營(yíng)業(yè)、賬務(wù)和客戶服務(wù)等部分組成。

來自合作伙伴的數(shù)據(jù)源主要包括公共機(jī)構(gòu)和數(shù)據(jù)/知識(shí)合作伙伴，屬于外部數(shù)據(jù)，價(jià)值密度中等，包含了第三方的用戶/企業(yè)的各方面信息，需要與內(nèi)部高可信數(shù)據(jù)相互驗(yàn)證，獲取方式可通過合作伙伴直接獲取。

來自互聯(lián)網(wǎng)的數(shù)據(jù)源主要包括互聯(lián)網(wǎng)的訪問行為、互聯(lián)網(wǎng)網(wǎng)站內(nèi)容，屬于外部數(shù)據(jù)，價(jià)值密度低，包含互聯(lián)網(wǎng)上的各種行為/言論，可信度低，需要與內(nèi)部高可信數(shù)據(jù)驗(yàn)證?；ヂ?lián)網(wǎng)信息庫的數(shù)據(jù)源主要來自移動(dòng)用戶上網(wǎng)日志和互聯(lián)網(wǎng)數(shù)據(jù)，其中移動(dòng)用戶上網(wǎng)日志數(shù)據(jù)是采用 FTP（文件傳輸協(xié)議）文件方式進(jìn)行數(shù)據(jù)采集實(shí)現(xiàn)；互聯(lián)網(wǎng)數(shù)據(jù)是建立多臺(tái)服務(wù)器集群，通過實(shí)現(xiàn)分布式網(wǎng)絡(luò)爬蟲采集、插件采集、模擬采集等技術(shù)方式進(jìn)行高效的互聯(lián)網(wǎng)數(shù)據(jù)采集。

4.2 標(biāo)簽梳理

用戶畫像的第二步是根據(jù)用戶數(shù)據(jù)的類型梳理用戶標(biāo)簽。標(biāo)簽是指對(duì)客戶行為數(shù)據(jù)與基本信息進(jìn)行分析、歸納，提煉出的客戶行為特征或?qū)傩蕴卣鳎ㄈ缧詣e標(biāo)簽），即描述男女兩性區(qū)別的客戶特征。基礎(chǔ)標(biāo)簽庫主要由電信業(yè)務(wù)基礎(chǔ)標(biāo)簽庫、互聯(lián)網(wǎng)基礎(chǔ)標(biāo)簽庫兩部分組成，分為五大類，即自然人標(biāo)簽、個(gè)人標(biāo)簽、通信標(biāo)簽、互聯(lián)網(wǎng)標(biāo)簽以及應(yīng)用標(biāo)簽。電信業(yè)務(wù)基礎(chǔ)標(biāo)簽庫以應(yīng)用需求和用戶的業(yè)務(wù)使用特征為基礎(chǔ)，結(jié)合數(shù)據(jù)支撐能力，反映用戶全生命周期的行為特征，包括基本屬性、產(chǎn)品需求、業(yè)務(wù)特征、消費(fèi)特征、渠道特征、終端偏好、客戶服務(wù)評(píng)價(jià)及位置軌跡八大類內(nèi)容?；ヂ?lián)網(wǎng)基礎(chǔ)標(biāo)簽庫（互聯(lián)網(wǎng)內(nèi)容偏好標(biāo)簽庫）的設(shè)計(jì)，參考主流互聯(lián)網(wǎng)門戶網(wǎng)站和應(yīng)用商店的分類目錄，借鑒電信行業(yè)經(jīng)驗(yàn)，將用戶上網(wǎng)行為分為新聞資訊、通信交流、娛樂休閑、生活服務(wù)、商務(wù)應(yīng)用、自有業(yè)務(wù)、工具和使用偏好8類[5]。

4.3 業(yè)務(wù)場(chǎng)景的理解

用戶畫像的第三步是對(duì)業(yè)務(wù)需求的理解，將業(yè)務(wù)語言轉(zhuǎn)化為建模語言，為下一步的數(shù)據(jù)建模做準(zhǔn)備。

· 根據(jù)具體的業(yè)務(wù)場(chǎng)景需求確定用戶畫像的目的，在此基礎(chǔ)上制定用戶畫像標(biāo)簽，形成畫像用戶的特征標(biāo)簽庫。

· 確定畫像目的后，根據(jù)畫像目的找到強(qiáng)相關(guān)信息，剔除不重要的弱相關(guān)信息。強(qiáng)相關(guān)信息是指同業(yè)務(wù)場(chǎng)景需求直接相關(guān)的信息，可以是因果信息，也可以是相關(guān)程度很高的信息。強(qiáng)相關(guān)信息可以幫助定位目標(biāo)客戶，了解客戶潛在需求，開發(fā)需求產(chǎn)品。只有強(qiáng)相關(guān)信息才能有效結(jié)合業(yè)務(wù)需求，創(chuàng)造商業(yè)價(jià)值。

· 集中了所有強(qiáng)相關(guān)數(shù)據(jù)標(biāo)簽之后，依據(jù)業(yè)務(wù)需求，對(duì)標(biāo)簽進(jìn)行加工整理，需要對(duì)定性的標(biāo)簽進(jìn)行定量以方便數(shù)據(jù)分類和篩選。這部分工作一般在數(shù)據(jù)倉(cāng)庫進(jìn)行，定性信息進(jìn)行定量分類是用戶畫像的一個(gè)重要工作環(huán)節(jié)，具有較高的業(yè)務(wù)場(chǎng)景要求，主要目的是將復(fù)雜數(shù)據(jù)簡(jiǎn)單化，形成用戶特征標(biāo)簽庫。

4.4 數(shù)據(jù)建模

通過對(duì)業(yè)務(wù)場(chǎng)景的理解可以確定數(shù)據(jù)建模的輸入以及建模目的。對(duì)數(shù)據(jù)源進(jìn)行分析，并對(duì)數(shù)據(jù)進(jìn)行清洗后，就可以進(jìn)行數(shù)據(jù)建模，數(shù)據(jù)建模主要包括數(shù)據(jù)核查、數(shù)據(jù)處理、變量相關(guān)性分析、變量篩選以及模型建立。

4.5 提供標(biāo)簽/數(shù)據(jù)可視化

在數(shù)據(jù)建模完成后，需要對(duì)數(shù)據(jù)模型進(jìn)行可視化的展現(xiàn)。所以畫像步驟的最后一步就是給用戶打上標(biāo)簽，即以可視化的形式清晰簡(jiǎn)潔地將數(shù)據(jù)建模的結(jié)果傳達(dá)出來。

5 用戶畫像基于用戶流失預(yù)測(cè)的實(shí)踐

5.1 畫像概述

將業(yè)務(wù)場(chǎng)景與用戶畫像深度結(jié)合，篩選出具有價(jià)值的數(shù)據(jù)和客戶，精準(zhǔn)地定位目標(biāo)客戶，觸達(dá)客戶，對(duì)營(yíng)銷效果進(jìn)行記錄和反饋。以存量用戶保有為例，具體步驟如下。

步驟1 確定畫像的目的，通過梳理各類流失模型應(yīng)用場(chǎng)景得出流失定義，如不出賬、極低三無、狀態(tài)不正常行為等，然后根據(jù)流失定義確定用戶畫像的目的，即對(duì)定義的預(yù)警用戶進(jìn)行數(shù)量保有。

步驟 2 根據(jù)畫像目的來篩選預(yù)警用戶強(qiáng)相關(guān)信息標(biāo)簽，如用戶的生命周期、消費(fèi)行為、通信行為、產(chǎn)品使用和行為偏好等標(biāo)簽。

步驟 3 根據(jù)步驟 1篩選出來的強(qiáng)相關(guān)客戶聚類信息，經(jīng)過標(biāo)簽定性和定量形成用戶特征標(biāo)簽庫。最后通過流失預(yù)警用戶特征標(biāo)簽庫篩選出實(shí)際的目標(biāo)用戶，以提升客戶使用感知為手段，通過匹配維系產(chǎn)品資源，為篩選出的目標(biāo)客戶推薦合適產(chǎn)品，實(shí)現(xiàn)客戶維挽的最終目的。

5.2 流失預(yù)警的理解

將用戶畫像技術(shù)應(yīng)用在流失預(yù)警上需要對(duì)業(yè)務(wù)場(chǎng)景有深入的理解。確定流失預(yù)警的定義為拆機(jī)離網(wǎng)、不出賬、極低三無和狀態(tài)不正常。其中，離網(wǎng)用戶毋庸置疑是流失；不出賬用戶根據(jù)探索和市場(chǎng)部經(jīng)驗(yàn)基本可以定義為流失；極低三無用戶約占整個(gè)離網(wǎng)人數(shù)的 98%，且每個(gè)月離網(wǎng)速度在 14%左右，需將這部分用戶定義為流失用戶，作為模型目標(biāo)變量，確保后期模型能夠提前在極低三無前發(fā)現(xiàn)目標(biāo)；狀態(tài)不正常的用戶后期有67%轉(zhuǎn)為不出賬和極低三無，基本可以定義為流失用戶。綜上所述，得出流失定義為：如果用戶在T月為在網(wǎng)出賬、非極低三無、狀態(tài)正常的用戶，在（T+1）月及以后發(fā)生離網(wǎng)、不出賬、轉(zhuǎn)為極低三無、轉(zhuǎn)為狀態(tài)不正常即視為流失用戶。隨著3G與4G網(wǎng)絡(luò)與業(yè)務(wù)的不斷普及，用戶在行為上也出現(xiàn)了風(fēng)格迥異的局面，對(duì)全網(wǎng)用戶籠統(tǒng)地構(gòu)建流失模型已經(jīng)完全無法適應(yīng)當(dāng)前情況，需要針對(duì)性差異化構(gòu)建流失模型。目前，市場(chǎng)維系產(chǎn)品以合約（終端合約、單卡類合約）產(chǎn)品、單產(chǎn)品（裸機(jī)、流量包和語音包）、固網(wǎng)融合業(yè)務(wù)產(chǎn)品為主。

5.3 模型建立

根據(jù)不同地區(qū)（城市人口結(jié)構(gòu)、用戶特點(diǎn)）以及不同業(yè)務(wù)體系（2G、3G、4G）用戶行為的特點(diǎn)，分別搭建流失模型。如合約到期流失模型、可提前續(xù)約用戶流失模型、逾期未續(xù)約用戶流失模型、合約成長(zhǎng)期用戶流失模型、單卡用戶流失模型等。以提前續(xù)約用戶流失模型為例，模型輸入為：選取本網(wǎng)3G用戶近3個(gè)月的用戶信息（使用指標(biāo)、消費(fèi)行為指標(biāo)、終端指標(biāo)等），并根據(jù)經(jīng)驗(yàn)創(chuàng)建出具有顯著相關(guān)性的衍生變量，通過數(shù)據(jù)清洗、單變量分析、雙變量分析和相關(guān)性分析等，最終確定建模所需變量。模型數(shù)據(jù)預(yù)處理過程如下：數(shù)據(jù)核查，根據(jù)業(yè)務(wù)標(biāo)準(zhǔn)及客觀經(jīng)驗(yàn)來判斷提取的建模數(shù)據(jù)是否正確、可用；數(shù)據(jù)處理，對(duì)于值域過大的非錯(cuò)誤數(shù)據(jù)進(jìn)行數(shù)據(jù)去極值化處理；相關(guān)性分析，提取對(duì)目標(biāo)變量強(qiáng)相關(guān)的變量，能夠大大縮短模型的運(yùn)行周期、提升模型的運(yùn)行效率及精準(zhǔn)度；變量篩選，根據(jù)業(yè)務(wù)經(jīng)驗(yàn)和相關(guān)性分析選取重要的模型輸入變量。然后再進(jìn)行模型算法對(duì)比分析：邏輯回歸對(duì)數(shù)據(jù)整體結(jié)構(gòu)的分析優(yōu)于決策樹，而決策樹對(duì)局部結(jié)構(gòu)的分析優(yōu)于邏輯回歸。

離網(wǎng)預(yù)測(cè)準(zhǔn)確率：S為全體用戶數(shù)，P為預(yù)測(cè)流失用戶數(shù)、C為真實(shí)流失用戶數(shù)，P與C的交集即正確預(yù)測(cè)用戶數(shù)。離網(wǎng)預(yù)測(cè)準(zhǔn)確率如圖4所示[6]。

圖4 離網(wǎng)預(yù)測(cè)準(zhǔn)確率

預(yù)測(cè)準(zhǔn)確率計(jì)算式為：預(yù)測(cè)流失用戶數(shù)P=預(yù)測(cè)流失（實(shí)際非流失）+預(yù)測(cè)流失（實(shí)際流失），P∩C=預(yù)測(cè)流失（實(shí)際流失）。預(yù)測(cè)準(zhǔn)確率（查準(zhǔn)率）等于正確預(yù)測(cè)用戶數(shù)除以預(yù)測(cè)流失用戶數(shù)。

打標(biāo)簽用戶數(shù)據(jù)組離網(wǎng)預(yù)測(cè)準(zhǔn)確率計(jì)算為：預(yù)測(cè)流失用戶數(shù)P=72 022，預(yù)測(cè)流失（實(shí)際流失）P∩C=61 720，查準(zhǔn)率

提前續(xù)約用戶流失模型訓(xùn)練結(jié)果見表1。

表1 提前續(xù)約用戶流失模型訓(xùn)練結(jié)果

5.4 模型運(yùn)用及結(jié)果

將模型結(jié)果應(yīng)用到合約到期流失預(yù)警名單、提前續(xù)約/逾期續(xù)約流失預(yù)警名單、單卡類用戶流失預(yù)警名單中，每月輸出移動(dòng)互聯(lián)網(wǎng)用戶中流失概率為極高/高的用戶并對(duì)其進(jìn)行月度維系挽留，每天輸出流失概率極高的特定人數(shù)用戶并進(jìn)行預(yù)警。模型應(yīng)用對(duì)比結(jié)果如下。

（1）解決目標(biāo)不明確

傳統(tǒng)手段無法精準(zhǔn)且全面地捕獲流失用戶；流失模型可以準(zhǔn)確地捕獲流失目標(biāo)。

（2）解決方向不明確

傳統(tǒng)的維系手段無法對(duì)不同流失原因的用戶差異化營(yíng)銷；流失模型可以準(zhǔn)確識(shí)別用戶離網(wǎng)原因。

（3）解決節(jié)奏不明確

以往的維系節(jié)奏單一，所有用戶統(tǒng)一時(shí)間段維系；流失模型能夠明確緊急流失用戶和緩期流失用戶。

（4）解決資源浪費(fèi)

傳統(tǒng)手段無法區(qū)分流失風(fēng)險(xiǎn)大小，無法做到資源合理投放；流失模型針對(duì)不同流失風(fēng)險(xiǎn)的用戶，精準(zhǔn)化維系資源投放。

6 結(jié)束語

用戶畫像的本質(zhì)是深度分析客戶，掌握有價(jià)值數(shù)據(jù)，找到目標(biāo)客戶，按照客戶需求來定制產(chǎn)品，利用數(shù)據(jù)實(shí)現(xiàn)價(jià)值變現(xiàn)[7,8]。運(yùn)營(yíng)商擁有豐富的海量數(shù)據(jù)，具有天然的大數(shù)據(jù)優(yōu)勢(shì)，在目前存量發(fā)展模式下，利用畫像技術(shù)實(shí)現(xiàn)企業(yè)存量用戶價(jià)值經(jīng)營(yíng)是必然的選擇，更為有效的畫像方法有待進(jìn)一步思考和實(shí)踐。

參考文獻(xiàn)：

[1]李英坤.大數(shù)據(jù)背景下用戶畫像的統(tǒng)計(jì)方法實(shí)踐研究[D].北京： 首都經(jīng)濟(jì)貿(mào)易大學(xué), 2016： 2-59.LI Y K.Statistical methods of user portrait in big data background[D].Beijing： Capital University of Economics and Business, 2016： 2-59.

[2]韓晶, 張智江, 王健全, 等.面向統(tǒng)一運(yùn)營(yíng)的電信運(yùn)營(yíng)商大數(shù)據(jù)戰(zhàn)略[J].電信科學(xué), 2014, 30(11)： 154-158.HAN J, ZHANG Z J, WANG J Q, et al.The unified-operationoriented big data strategy for telecom operators [J].Telecommunications Science, 2014, 30(11)： 154-158.

[3]高玉龍.基于文本挖掘的用戶畫像研究[D].汕頭： 汕頭大學(xué),2014： 1-54.GAO Y L.Users portrait research based on text mining[D].Shantou： Shantou University, 2014： 1-54.

[4]陳如明.大數(shù)據(jù)時(shí)代的挑戰(zhàn)價(jià)值與應(yīng)對(duì)策略[J].移動(dòng)通信,2012(17)： 14-15.CHEN R M.The challenges and strategies in big data[J].Mobile Communications, 2012(17)： 14-15.

[5]張敏, 宋杰, 劉曉峰.電信運(yùn)營(yíng)商面對(duì) OTT的戰(zhàn)略選擇[J].電信科學(xué), 2014, 30(2)： 142-146, 151.ZHANG M, SONG J,LIU X F, et al.Strategic selection of telecom operators to counter OTT [J].Telecommunications Science,2014, 30(2)： 142-146,151.

[6]尤海浪, 錢鋒, 黃祥為, 等.基于大數(shù)據(jù)挖掘構(gòu)建游戲平臺(tái)個(gè)性化推薦系統(tǒng)的研究與實(shí)踐[J].電信科學(xué), 2014, 30(10)： 27-32.YOU H L, QIAN F, HUANG X W, et al.Research and practice of building a personalized recommendation system for mobile game platform based on big data mining [J].Telecommunications Science, 2014, 30(10)： 27-32.

[7]郝勝宇, 陳靜仁.大數(shù)據(jù)時(shí)代用戶畫像助力企業(yè)實(shí)現(xiàn)精準(zhǔn)化營(yíng)銷[J].中國(guó)集體經(jīng)濟(jì), 2016(4)： 61-62．HAO S Y, CHEN J R.User portrait helps accurate marketing in big data era[J].China Collective Economy, 2016(4)： 61-62．

[8]袁海, 陳康, 陶彩霞, 等.基于中文文本的可視化技術(shù)研究[J].電信科學(xué), 2014, 30(4)： 114-122.YUAN H, CHEN K, TAO C X, et al.Research on visualization techniques based on Chinese texts [J].Telecommunications Science, 2014, 30(4)： 114-122.