數(shù)據(jù)挖掘是近年來伴隨著人工智能和數(shù)據(jù)庫技術(shù)發(fā)展而出現(xiàn)的一門新興技術(shù)。它的核心功能是從巨大的數(shù)據(jù)集或數(shù)據(jù)倉(cāng)庫中獲取有用信息，以供企業(yè)分析和處理各種復(fù)雜的數(shù)據(jù)關(guān)系。隨著電信市場(chǎng)競(jìng)爭(zhēng)的日益加劇，運(yùn)營(yíng)商普遍開始向“客戶驅(qū)動(dòng)”管理模式轉(zhuǎn)變。最近幾年，數(shù)據(jù)挖掘技術(shù)以其強(qiáng)大的數(shù)據(jù)分析功能被普遍應(yīng)用到電信運(yùn)營(yíng)商客戶管理之中。

　　數(shù)據(jù)挖據(jù)的主要方法

　　作為一種先進(jìn)的數(shù)據(jù)信息處理技術(shù)，數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析的本質(zhì)區(qū)別在于它是數(shù)據(jù)關(guān)系的一個(gè)探索過程，而且多數(shù)情況下是在未有任何假設(shè)和前提的條件下完成的。數(shù)據(jù)挖掘具備多種不同的方法，供使用者從不同的緯度對(duì)數(shù)據(jù)展開全面分析。

　　(1)相關(guān)分析和回歸分析。相關(guān)分析主要分析變量之間聯(lián)系的密切程度；回歸分析主要基于觀測(cè)數(shù)據(jù)與建立變量之間適當(dāng)?shù)囊蕾囮P(guān)系。相關(guān)分析與回歸分析均反映的是數(shù)據(jù)變量之間的有價(jià)值的關(guān)聯(lián)或相關(guān)聯(lián)系，因此兩者又可統(tǒng)稱為關(guān)聯(lián)分析。

　　(2)時(shí)間序列分析。時(shí)間序列分析與關(guān)聯(lián)分析相似，其目的也是為了挖掘數(shù)據(jù)之間的內(nèi)在聯(lián)系，但不同之處在于時(shí)間序列分析側(cè)重于數(shù)據(jù)在時(shí)間先后上的因果關(guān)系，這點(diǎn)與關(guān)聯(lián)分析中的平行關(guān)系分析有所不同。

　　(3)分類與預(yù)測(cè)分析。分類與預(yù)測(cè)用于提取描述重要數(shù)據(jù)類的模型，并運(yùn)用該模型判斷分類新的觀測(cè)值或者預(yù)測(cè)未來的數(shù)據(jù)趨勢(shì)。

　　(4)聚類分析。聚類分析就是將數(shù)據(jù)對(duì)象按照一定的特征組成多個(gè)類或者簇，在同一個(gè)簇的對(duì)象之間有較高的相似度，而不同的簇之間差異則要大很多。在過程上看，聚類分析一定程度上是分類與預(yù)測(cè)的逆過程。

　　數(shù)據(jù)挖掘的應(yīng)用

　　目前，電信運(yùn)營(yíng)商面臨激烈的市場(chǎng)競(jìng)爭(zhēng)，客戶爭(zhēng)奪愈演愈烈，每個(gè)企業(yè)都存在客戶流失的問題。傳統(tǒng)意義上來講，留住一個(gè)客戶所需要的成本是爭(zhēng)取一個(gè)新用戶成本的1/5，尤其對(duì)于剩余客戶市場(chǎng)日漸稀疏的通信市場(chǎng)來說，減少客戶流失就意味著用更少的成本減少利潤(rùn)的流失，這點(diǎn)已經(jīng)為運(yùn)營(yíng)商所廣為接受。然而問題所在是當(dāng)運(yùn)營(yíng)商面臨海量的客戶資料時(shí)，應(yīng)如何才能夠從中提取出有效的信息以判斷客戶流失的狀況或者傾向。在此，數(shù)據(jù)挖掘所提供的數(shù)據(jù)探索能力得到了充分的發(fā)揮，下面簡(jiǎn)要地描述數(shù)據(jù)挖掘在客戶流失分析管理中的應(yīng)用過程。

　　(1)定義主題客戶流失分析中的主題應(yīng)當(dāng)包括流失客戶的特征；現(xiàn)有客戶的流失概率如何(包括不同細(xì)分客戶群的流失程度)；哪些因素造成了客戶的流失等。主題是數(shù)據(jù)挖掘的主要目標(biāo)，決定了此后過程中數(shù)據(jù)挖掘的主要努力方向，因此在定義上應(yīng)當(dāng)十分明確。

　　(2)數(shù)據(jù)選擇。數(shù)據(jù)選擇是數(shù)據(jù)挖掘的前提，主要是確定數(shù)據(jù)字段的收集，因?yàn)椴⒉皇撬械目蛻粜畔⒍紩?huì)對(duì)客戶的流失產(chǎn)生影響，應(yīng)盡可能地降低數(shù)據(jù)的復(fù)雜度以發(fā)掘較高的關(guān)聯(lián)度，但是考慮到后期客戶流失的多維分析，應(yīng)當(dāng)盡量確?？蛻粜畔⒌耐暾裕虼?，應(yīng)對(duì)客戶的有價(jià)值信息予以區(qū)分收集，剔除部分冗余數(shù)據(jù)，減少數(shù)據(jù)噪音。此間要注意的是在客戶流失分析上，從數(shù)據(jù)倉(cāng)庫中采集數(shù)據(jù)的主要目的是調(diào)查客戶信息的變化情況，因此對(duì)數(shù)據(jù)采集時(shí)間間隔的設(shè)置顯得尤為重要。若采集時(shí)間過長(zhǎng)，可能在流失判斷出來時(shí)客戶已然流失；若采集時(shí)間過于緊密或者實(shí)時(shí)采集則需要考慮運(yùn)營(yíng)商現(xiàn)有系統(tǒng)的支撐能力。

　　(3)分析數(shù)據(jù)。分析數(shù)據(jù)主要是對(duì)提取的數(shù)據(jù)進(jìn)行分析，找到對(duì)預(yù)測(cè)輸出影響最大的數(shù)據(jù)字段，并決定是否需要定義導(dǎo)出字段。在分析數(shù)據(jù)時(shí)需要謹(jǐn)慎選擇對(duì)預(yù)測(cè)相關(guān)的流失客戶數(shù)據(jù)參與建模才能有效建立模型。分析數(shù)據(jù)過程還應(yīng)包括數(shù)據(jù)清洗和數(shù)據(jù)預(yù)處理。數(shù)據(jù)清洗和預(yù)處理是建模前的數(shù)據(jù)準(zhǔn)備工作，主要包括數(shù)據(jù)抽樣、數(shù)據(jù)轉(zhuǎn)換、缺損數(shù)據(jù)處理等。數(shù)據(jù)抽樣是根據(jù)事先確定的數(shù)據(jù)進(jìn)行樣本抽取，選擇抽樣而不是對(duì)整體進(jìn)行處理，以降低系統(tǒng)的處理量。另外樣本一般分為建模樣本和測(cè)試樣本，一部分用來建模，另一部分用來對(duì)模型進(jìn)行修正和檢驗(yàn)。數(shù)據(jù)轉(zhuǎn)換是為了保證數(shù)據(jù)的質(zhì)量和可用性，比如某些數(shù)據(jù)挖掘模型需要對(duì)連續(xù)數(shù)據(jù)進(jìn)行離散化、歸一化處理等。缺損數(shù)據(jù)有時(shí)可以不做處理，由后面具體選擇的數(shù)據(jù)挖掘模型來處理。

　　(4)模型建立。對(duì)數(shù)據(jù)進(jìn)行分析并利用各種數(shù)據(jù)挖掘技術(shù)和方法在多個(gè)可供選擇的模型中找出最佳模型。初始階段可能模型擬合度不高，需要反復(fù)更換模型，直到能夠找到最合適的模型來描述數(shù)據(jù)，并從中找到規(guī)律。建立模型通常由數(shù)據(jù)分析專家配合業(yè)務(wù)專家來完成，常用的流失分析模型主要有決策樹、貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)等。

　　(5)模型的評(píng)估與檢驗(yàn)。模型建立之后，一般要通過訓(xùn)練集的測(cè)試才能考慮下一步應(yīng)用。比較常規(guī)的驗(yàn)證方法是輸入一些歷史的流失客戶數(shù)據(jù)，運(yùn)行此模式予以判斷，比較數(shù)據(jù)挖掘的結(jié)果與已知?dú)v史結(jié)果的差異。客戶流失判斷一般存在兩種錯(cuò)誤結(jié)果。一是棄真錯(cuò)誤，即原有歷史客戶具備流失傾向并且已經(jīng)流失，但是模型未能夠準(zhǔn)確預(yù)測(cè)客戶的流失傾向；二是存?zhèn)五e(cuò)誤，即原有用戶并未有流失的傾向，但被模型判斷為具有流失傾向。

　　(6)應(yīng)用模型。從前面的工作中可以得出一些簡(jiǎn)單的結(jié)論，比如通信支出越少的客戶越容易流失、欠費(fèi)頻率越高的客戶越容易流失等。除此之外，數(shù)據(jù)挖掘人員還應(yīng)配合業(yè)務(wù)專家，根據(jù)數(shù)據(jù)挖掘分析尋找流失的原因，并找出潛在的規(guī)律，對(duì)未來的客戶流失進(jìn)行預(yù)測(cè)，指導(dǎo)業(yè)務(wù)行為。

　　流失分析中需要注意的問題

　　與其它行業(yè)客戶流失分析相比，電信行業(yè)以其龐大的客戶群而特征鮮明，因此在一些問題的處理上也應(yīng)當(dāng)多加注意。

　　(1)過度抽樣。從實(shí)際情況上看，國(guó)內(nèi)電信企業(yè)每月的客戶流失率一般在1%～3%左右，如果直接采用某種模型(比如決策樹、人工神經(jīng)網(wǎng)絡(luò)等)可能會(huì)因?yàn)閿?shù)據(jù)概率太小而導(dǎo)致模型的失效，因此我們需要加大流失客戶在總樣本中的比例，但是這種過度抽樣必須謹(jǐn)慎小心，要充分考慮它的負(fù)面效應(yīng)。

　　(2)模型的有效性。在實(shí)際運(yùn)用的過程中，數(shù)據(jù)挖掘除了上述提到的兩類錯(cuò)誤之外還可能存在客戶被判斷具備流失傾向，但當(dāng)數(shù)據(jù)返回到客戶服務(wù)前臺(tái)的時(shí)候客戶已經(jīng)流失的情況，其原因可能存在于不同業(yè)務(wù)部門之間協(xié)調(diào)工作的時(shí)延過長(zhǎng)或者數(shù)據(jù)采集間隔太長(zhǎng)等，這使得流失判定預(yù)警喪失了原有的意義。

　　(3)模型的流失后分析。數(shù)據(jù)挖掘在客戶流失管理中的重要應(yīng)用不僅僅應(yīng)包括對(duì)客戶流失的提前預(yù)警，還應(yīng)包括客戶流失后的問題分析。按照不同的客戶信息緯度，查找最容易流失的客戶群，同業(yè)務(wù)部門人員配合，輔以相關(guān)調(diào)查，力求發(fā)現(xiàn)客戶流失的癥結(jié)所在。然而，這一部分往往由于過度專注于挖掘模型本身的擬合度而忽略了流失管理的實(shí)際價(jià)值所在。

　　隨著電信行業(yè)競(jìng)爭(zhēng)的日益加劇，客戶保留和客戶價(jià)值開發(fā)將成長(zhǎng)為電信企業(yè)考慮的重點(diǎn)所在，而技術(shù)的不斷進(jìn)步將為深度的數(shù)據(jù)挖掘提供更多的支持，也必然會(huì)被越來越多地應(yīng)用到運(yùn)營(yíng)商的客戶關(guān)系管理之中。

通信世界