论文部分内容阅读
一、背景
长尾理论是网络时代兴起的一种新理论,由美国人克里斯·安德森提出。长尾理论认为,由于成本和效率的因素,过去人们只能关注重要的人或重要的事,如果用正态分布曲线来描绘这些人或事,人们只能关注曲线的“头部”,而将处于曲线“尾部”、需要更多的精力和成本才能关注到的大多数人或事忽略。这个长尾“头”是短信、彩铃等高普及率的业务,也是用户需求最统一的产品;长尾“中”可能很多都是KPI业务,由于考核的压力需要努力去营销。但大量的业务却在长尾“尾”,而这些产品恰恰能满足用户个性化需求,也是更好体现增值业务价值的所在。“需要有对用户消费观念和消费趋势的有用信息”,这句话是长尾理论里最关键的一句话。长尾产品需要形成一种筛选、过滤、提炼的机制,可以根据用户的需求帮助他在产品的海洋里找到符合他需求的产品。辽宁移动的数据业务统一营销模型正是对这种过滤机制的一种探索。
二、数据业务统一营销模型架构
电信行业精确营销模式的发展趋势正在从为产品找客户的各自独立的单一营销模型向为客户找产品,基于客户多维度特征的多产品营销模型转变。客户喜好什么样的产品?客户喜欢什么样的产品内容?我们应该怎样向客户推送产品内容?辽宁移动提出了数据业务统一营销模型解决方案。通过为客户找产品模型,帮助用户找到符合需求的产品;通过客户—产品内容匹配模型,深挖用户内容偏好;通过客户认知模型,选择适合用户的产品推送方式。这种解决方案节省了营销资源,可同时向用户营销多种产品,另外实现了客户特征知识的沉淀。
(一)为客户找产品模型建模过程
第一步:数据业务分析。梳理需要推荐的数据业务,分析每种数据业务的内容、订购条件、适用人群,从业务角度对新业务进行分类,分类的类型和模型偏好的类型保持一致。
第二步:数据准备。探索所有数据业务的当前订购情况,选择合适的抽样算法和样本量,对每种业务订购用户进行抽样,确定需要提取的用户属性,从统一视图对所有的抽样用户按组别提取属性数据,对数据质量进行核查。
第三步:建模准备。运用特征建模分析、卡方分析、双变量分析、方差分析、Pearson相关分析、自相关分析、wald显著性检验等方法对已有数据进行分析,为后续建模进行准备工作。
第四步:业务推荐指数计算。该模块式为客户找产品模型的核心,分为类型偏好指数评估模型、业务特征匹配指数模型、业务关联指数模型三种模型。基于层次分析的业务类型偏好指数评估模型根据用户订购标志和使用活跃程度分级,利用积分算法分析指标权重,计算用户数据业务类型偏好;业务—特征匹配指数模型是建立一个业务多分类预测模型,应用此模型计算未订购业务的业务-特征匹配指数;业务关联模型是根据关联强度积分算法计算产品的关联指数,从而计算所有当前已订购产品关联的未订购产品。三个模型相辅相成,最终通过推荐指数层次分析模型,计算数据业务推荐指数。
第五步:对推荐指数排序。
第六步:推荐阀值判断。判断数据业务推荐指数是否大于预先设定好的阀值。
第七步:输出推荐业务。输出大于阀值的数据业务及优先级。
(二)客户—产品内容匹配
仅知道应该向客户推荐什么业务还远远不够,还需要了解用户对什么内容感兴趣,因此需要打通用户在不同产品内容类型上的偏好,沉淀和挖掘用户内容类型偏好特征。客户—产品内容匹配模型利用内容类型偏好模型,计算出用户音乐类、通信类、资讯类、生活服务类等偏好。
1、营销积累偏好积分模型
该模型只对有过营销响应记录的用户计算积分,对历史响应用户按照积分排序,积分越高的用户响应可能性越高,如果历史响应用户规模很大,可按照积分从高到低的顺序筛选营销用户。用户的初始分为60分,满分为100分,超过100分以100分计算,低于0分按0分计算。
加分规则
客户在响应彩信营销活动之后可以获得加分:
新分数 = 原分数 + (1 - 活动响应率)×10
活动响应率 = 宣传客户中的响应客户数÷宣传客户数
减分规则
如果用户未响应某次活动,则减分:
新分数 = 原分数 - 活动响应率×10
衰减规则
系统定期(每月)为所有客户的量化指标减分:
新分数 = 原分数 × 0.95
利用营销积累偏好积分模型,简单易行,记录了用户对每种营销类型的响应和不响应情况,但是根据积分判断用户内容偏好,用户可能无偏好或偏好种类数不足。如果无偏好,不能找到用户的偏好类型;如果偏好种类数不足,营销内容类型狭窄,且不能了解用户的真正偏好。
2、逻辑回归偏好预测模型
该模型基于用户的历史响应数据,利用logistic回归模型挖掘用户特征与类型偏好之间的关系。
逻辑回归偏好预测模型在没有营销积累的情况下,也能够基于用户的自然属性和消费行为对用户的偏好类型进行预测。但是没有充分利用营销积累信息,比如没有反映用户的多次响应情况和不响应情况。
3、内容类型偏好模型
内容类型偏好模型结合了逻辑回归偏好预测模型和营销积累积分模型的优点,充分利用了营销沉淀信息,弥补了在营销沉淀期许多用户无偏好,或者即使用户有偏好,但偏好种类数不够的问题。在用户无营销响应信息的情况下,仍然可以利用用户特征和偏好预测模型,预测用户的分类偏好。在营销沉淀期取积分模型的第一偏好,随着营销沉淀信息的逐步完善,我们可以适当增加模型中积分模型的偏好数量。随着用户的偏好信息日益完善、准确,可通过挖掘沉淀信息优化逻辑回归预测模型。
(三)客户认知模型
该模型基于客户细分,采用适宜的产品推送方式。根据消费类型维度、消费价值维度、营销渠道维度、营销时机维度、促销方式维度等多维度对客户进行细分,再根据用户群体特征制定相应的营销策略。
三、结论
辽宁移动的数据业务统一营销模型是对长尾产品整合过滤机制的一种探索,摆脱了为产品找客户的传统思路,一切以客户需求为中心。通过为客户找产品模型,帮助用户找到符合需求的产品;通过客户—产品内容匹配模型,深挖用户内容偏好;通过客户认知模型,选择适合用户的产品推送方式。该模型对于指导营销、提高精准营销效果具有一定的价值,需要持续优化、持续提升,力争使其成为数据业务统一营销的蓝本和工具。
(武一南,1978年生,辽宁沈阳人,中国移动通信集团辽宁有限公司业务支撑中心营销支撑室主任助理、通信工程师)
长尾理论是网络时代兴起的一种新理论,由美国人克里斯·安德森提出。长尾理论认为,由于成本和效率的因素,过去人们只能关注重要的人或重要的事,如果用正态分布曲线来描绘这些人或事,人们只能关注曲线的“头部”,而将处于曲线“尾部”、需要更多的精力和成本才能关注到的大多数人或事忽略。这个长尾“头”是短信、彩铃等高普及率的业务,也是用户需求最统一的产品;长尾“中”可能很多都是KPI业务,由于考核的压力需要努力去营销。但大量的业务却在长尾“尾”,而这些产品恰恰能满足用户个性化需求,也是更好体现增值业务价值的所在。“需要有对用户消费观念和消费趋势的有用信息”,这句话是长尾理论里最关键的一句话。长尾产品需要形成一种筛选、过滤、提炼的机制,可以根据用户的需求帮助他在产品的海洋里找到符合他需求的产品。辽宁移动的数据业务统一营销模型正是对这种过滤机制的一种探索。
二、数据业务统一营销模型架构
电信行业精确营销模式的发展趋势正在从为产品找客户的各自独立的单一营销模型向为客户找产品,基于客户多维度特征的多产品营销模型转变。客户喜好什么样的产品?客户喜欢什么样的产品内容?我们应该怎样向客户推送产品内容?辽宁移动提出了数据业务统一营销模型解决方案。通过为客户找产品模型,帮助用户找到符合需求的产品;通过客户—产品内容匹配模型,深挖用户内容偏好;通过客户认知模型,选择适合用户的产品推送方式。这种解决方案节省了营销资源,可同时向用户营销多种产品,另外实现了客户特征知识的沉淀。
(一)为客户找产品模型建模过程
第一步:数据业务分析。梳理需要推荐的数据业务,分析每种数据业务的内容、订购条件、适用人群,从业务角度对新业务进行分类,分类的类型和模型偏好的类型保持一致。
第二步:数据准备。探索所有数据业务的当前订购情况,选择合适的抽样算法和样本量,对每种业务订购用户进行抽样,确定需要提取的用户属性,从统一视图对所有的抽样用户按组别提取属性数据,对数据质量进行核查。
第三步:建模准备。运用特征建模分析、卡方分析、双变量分析、方差分析、Pearson相关分析、自相关分析、wald显著性检验等方法对已有数据进行分析,为后续建模进行准备工作。
第四步:业务推荐指数计算。该模块式为客户找产品模型的核心,分为类型偏好指数评估模型、业务特征匹配指数模型、业务关联指数模型三种模型。基于层次分析的业务类型偏好指数评估模型根据用户订购标志和使用活跃程度分级,利用积分算法分析指标权重,计算用户数据业务类型偏好;业务—特征匹配指数模型是建立一个业务多分类预测模型,应用此模型计算未订购业务的业务-特征匹配指数;业务关联模型是根据关联强度积分算法计算产品的关联指数,从而计算所有当前已订购产品关联的未订购产品。三个模型相辅相成,最终通过推荐指数层次分析模型,计算数据业务推荐指数。
第五步:对推荐指数排序。
第六步:推荐阀值判断。判断数据业务推荐指数是否大于预先设定好的阀值。
第七步:输出推荐业务。输出大于阀值的数据业务及优先级。
(二)客户—产品内容匹配
仅知道应该向客户推荐什么业务还远远不够,还需要了解用户对什么内容感兴趣,因此需要打通用户在不同产品内容类型上的偏好,沉淀和挖掘用户内容类型偏好特征。客户—产品内容匹配模型利用内容类型偏好模型,计算出用户音乐类、通信类、资讯类、生活服务类等偏好。
1、营销积累偏好积分模型
该模型只对有过营销响应记录的用户计算积分,对历史响应用户按照积分排序,积分越高的用户响应可能性越高,如果历史响应用户规模很大,可按照积分从高到低的顺序筛选营销用户。用户的初始分为60分,满分为100分,超过100分以100分计算,低于0分按0分计算。
加分规则
客户在响应彩信营销活动之后可以获得加分:
新分数 = 原分数 + (1 - 活动响应率)×10
活动响应率 = 宣传客户中的响应客户数÷宣传客户数
减分规则
如果用户未响应某次活动,则减分:
新分数 = 原分数 - 活动响应率×10
衰减规则
系统定期(每月)为所有客户的量化指标减分:
新分数 = 原分数 × 0.95
利用营销积累偏好积分模型,简单易行,记录了用户对每种营销类型的响应和不响应情况,但是根据积分判断用户内容偏好,用户可能无偏好或偏好种类数不足。如果无偏好,不能找到用户的偏好类型;如果偏好种类数不足,营销内容类型狭窄,且不能了解用户的真正偏好。
2、逻辑回归偏好预测模型
该模型基于用户的历史响应数据,利用logistic回归模型挖掘用户特征与类型偏好之间的关系。
逻辑回归偏好预测模型在没有营销积累的情况下,也能够基于用户的自然属性和消费行为对用户的偏好类型进行预测。但是没有充分利用营销积累信息,比如没有反映用户的多次响应情况和不响应情况。
3、内容类型偏好模型
内容类型偏好模型结合了逻辑回归偏好预测模型和营销积累积分模型的优点,充分利用了营销沉淀信息,弥补了在营销沉淀期许多用户无偏好,或者即使用户有偏好,但偏好种类数不够的问题。在用户无营销响应信息的情况下,仍然可以利用用户特征和偏好预测模型,预测用户的分类偏好。在营销沉淀期取积分模型的第一偏好,随着营销沉淀信息的逐步完善,我们可以适当增加模型中积分模型的偏好数量。随着用户的偏好信息日益完善、准确,可通过挖掘沉淀信息优化逻辑回归预测模型。
(三)客户认知模型
该模型基于客户细分,采用适宜的产品推送方式。根据消费类型维度、消费价值维度、营销渠道维度、营销时机维度、促销方式维度等多维度对客户进行细分,再根据用户群体特征制定相应的营销策略。
三、结论
辽宁移动的数据业务统一营销模型是对长尾产品整合过滤机制的一种探索,摆脱了为产品找客户的传统思路,一切以客户需求为中心。通过为客户找产品模型,帮助用户找到符合需求的产品;通过客户—产品内容匹配模型,深挖用户内容偏好;通过客户认知模型,选择适合用户的产品推送方式。该模型对于指导营销、提高精准营销效果具有一定的价值,需要持续优化、持续提升,力争使其成为数据业务统一营销的蓝本和工具。
(武一南,1978年生,辽宁沈阳人,中国移动通信集团辽宁有限公司业务支撑中心营销支撑室主任助理、通信工程师)