专题分析试点阶段成果文档
客户综合价值评估模型
专题分析试点项目组
2003年11月
编写人：
宋新峰、魏高山（上海公司）、王素兰（北京公司）、殷生伟（山西公司）、杨波、葛长伟（浙江公司）、李志华、姜慧（集团公司）
资料提供：
山西公司、北京公司、上海公司、浙江公司
一、综述 1
1二、业务问题描述
1三、模型的实现思路
11、模型的构成
12、子模型定义
11) 客户的当前贡献
12) 未来贡献
13) 客户的信用度
14) 客户的忠诚度
15) 客户的成长价值
16) 客户综合价值体系
1三、模型技术实现
11、数据准备
11) 数据源
12) 数据时间跨度
12、技术实现
11) 客户当前贡献价值
12) 客户成长价值
13) 客户信用度、忠诚度、未来贡献价值
14) 客户综合价值
1四、模型应用
11、 离网关怀和客户挽留
12、销售促进的应用
13、积分回馈计划的应用
14、差异化服务的应用
15、与其它模型的综合应用
11) 与客户行为细分模型的综合应用
12) 与交叉销售模型的综合应用
1五、模型改进思路
一、综述
以北京、上海、四川、山西、浙江、新疆为专题分析试点省份，针对目前市场有待解决的诸如客户离网、客户价值、交叉销售等问题进行探索，将经营分析系统的建设和应用紧密结合起来，通过数据挖掘寻找切实有效的解决办法。试点省份将分阶段总结利用数据挖掘工具解决市场问题的方法以及模型实施中的关键业务、技术问题，为各级业务、技术人员提供后台支撑。本阶段选取客户价值综合评估模型，结合模型的实施、应用案例，总结模型的实施步骤、应用思路和改进方向等关键问题供各省参考。
二、业务问题描述
随着中国移动客户群体的迅速扩展，我们面临的两大难题是：如何缓解客户的流失和贬值现象？如何保持和提升客户的价值？我们可以借助客户价值模型，加深我们对客户的认识，对市场和客户进行分析型和精细化的管理，在市场战略和观念意识上领先于竞争对手。
目前，我们衡量客户价值的主要指标是ARPU。但单纯依靠ARPU来衡量客户价值存在较大的局限性。因为ARPU仅反映客户过去给运营商的收入贡献，没有考虑客户的未来价值，也没有考虑运营商为客户服务的成本。所以，我们的价值模型将从客户的当前贡献（包括收入贡献和利润贡献）、未来贡献、信用度、成长潜力等方面全面衡量客户的综合价值，帮助我们充分认识客户、收入与利润之间的关系，为分析决策和市场经营提供科学的依据。
三、模型的实现思路
1、模型的构成
客户综合价值评估就是利用数据挖掘技术及各类数据分析来综合衡量客户当前贡献、未来贡献、客户信用度、客户忠诚度和客户成长价值五个方面的价值表现。在此基础上，确定对不同客户的服务水平和服务顺序，从而为客户提供更加恰当的业务和服务，有针对性的培养潜在高价值客户，以提升客户的价值，对运营商的收入贡献。
客户综合价值＝f （当前价值,未来价值）
注：f（x）的具体形式可以是线性函数，例如客户价值=*当前价值 +*未来价值。也可以是其他函数形式来体现。
当前价值通过当前收入贡献和当前利润贡献来体现。
未来价值通过对客户未来贡献、忠诚度、信用度和成长潜力来体现。
本文旨在提出模型设计的系统思想和设计框架。在具体模型设计应用时，可以将上述五个子模型单独设计，也可将部分子模型合并设计。此外，有条件的也可直接运用经营分析系统中其它模型（如流失预测模型、信用度模型等）的结果。
2、子模型定义
客户的当前贡献
衡量客户当前对运营商的贡献，包括客户当前收入贡献及利润贡献
客户当前收入贡献=客户当前三个月的月均应收费用
客户当前利润贡献=客户当前三个月的月均应收费用减去客户月均成本（以过去1年不含网内结算支出的运营支出为成本分摊基础计算）
未来贡献
预测客户在未来几个月内会给公司带来的贡献
用客户三个月的收入贡献、利润贡献来预测客户在未来3个月内的收入贡献价值和利润贡献价值
客户的信用度
衡量客户在付款方面的信用水平，信用水平越高，其信用度越大。
客户信用度表示的是客户未来的信用水平，而不是客户当前表现出来的信用水平，它具有一定的预测性质。可以基于客户历史数据，通过数据挖掘模型来预测客户未来的信用度
客户的忠诚度
衡量客户现在以及未来一段时间内的忠诚度。忠诚度是通过客户现在以及未来的行为特征综合表现出来的。如果一个客户当前的ARPU值相比以前有明显的下降，或如果一个客户在未来一段时间内流失的可能性高，那么这个客户的忠诚度就低。一个客户的忠诚度由这两部分综合组成。
当前的忠诚度可以通过对ARPU值变化、呼转联通次数、拨打联通客户热线的次数等指标的统计来进行描述。
未来的忠诚度即客户未来一段时间内流失的可能性大小，可以通过数据挖掘模型来进行预测。
因此客户忠诚度模型包含两个部分：客户当前忠诚水平和未来忠诚度预测。前者衡量并跟踪客户忠诚水平的变化，后者对未来一段时间内客户流失的可能性做出预测。
客户的成长价值
衡量客户未来的增值潜力，一定程度上反映客户在未来在产品选择上的潜力水平。
客户的成长价值以客户行为价值分组为主要依据，结合市场策略和产品设计方案对不同使用行为特征的客户进行区分，从中发现每一类客户针对每一类产品的成长潜力，并将这种潜力用量化的指标予以表示，并构成一个评分体系。
客户综合价值体系
根据客户在以上五个价值上的评分，还可以进行根据客户综合价值指数及五类价值指数对客户进行深层次的价值分析，从而指导对不同类客户的营销资源及营销注意力分配方向。通过对客户综合价值的评估，可以指导客户获取、关怀、挽留等工作。
三、模型技术实现
1、数据准备
1) 数据源
客户基本信息
包括客户的手机号码、客户的出生日期、客户的开户日期、流失客户的流失日期、客户的性别、集团客户等标识，此部分数据需要符合建模时间窗口的要求。通常签约客户在开户时会提供身份证等证明材料，并填写一份较详细地的申请表格，其他品牌往往没有客户的详细资料；同时即使是签约客户的个人信息也往往是不准确的或者与手机真实用户的身份不符。因此我们在使用此类数据是要加以注意。对于多数模型来说，开户日期和销户日期都是比较重要的变量。同时这也要求我们在以后接受新客户申请时要更加完善客户信息的收集与验证工作。
客户话单信息
如客户标识、客户每次使用的开始时间、客户每次使用的时长等客户话单中记录的信息，这部分数据是我们能使用的最主要也最可靠的数据源，多数模型都以此类数据为主要研究对象。至于此类数据价值的确定往往取决于建模目的和项目时间、成本、资源状况等因素。因此需要会同各相关部门和供应商共同决定。但有一个基本规律是模型做得越细，时间窗口定义越长也就相应的需要更多的资源保证和更长的项目时间。
客户服务使用信息
包括客户标识，客户使用的每一个服务代码，客户开始使用服务的日期等，这部分数据往往数据量比较小，但是通常在建模过程中起关键作用。
客户帐单数据
主要记录的客户使用服务的费用状况以及缴费情况。通常来说前者对于价值模型或者分类模型来说很重要，后者对于客户信用情况和离网模型有很强的指导作用。
客户咨询和投诉数据：
此类数据可以在1860、营业厅、网站等界面收集到，记录了客户与移动公司沟通的次数和内容，反映了客户的产品使用偏好或者对某些新产品的兴趣以及不满，因此可以对离网或者交叉销售等模型提供一定指导意义。类似的，可以将竞争对手的客服电话也列入统计范围，这将帮助我们从更多角度了解客户。
F、运营成本数据
结构性数据：指根据企业实际情况确定的成本构成元素数据。主要包括会计科目、固定资产等
交易性数据：指因客户和企业之间互动表现在客户价值结果上的成本数据。主要包括电路网元租赁费、网间结算、折旧、人工成本（按部门/成本中心）、销售、一般管理费用及其他费用
动因性数据：指驱动和影响交易性数据变化，可以用作成本分摊依据的数据。
电路及网元租赁费：按客户的区内及长途分钟数分摊
折旧1：按网络相关及非网络相关的固定资产分类分摊
折旧2：按网络设备的成本性质分类（用量敏感、客户数敏感、通话次数敏感、基本网络）分摊
折旧3：按客户数分摊
折旧4： 按客户的通话次数分摊
人工成本1：按部门与成本中心人工成本对照（网络相关、面对客户相关、职能相关、计费业务中心、客户服务中心-呼叫中心）分摊
人工成本2：按BOSS、MIS、经营分析等IT系统建设及维护进行分摊
人工成本3：按客户服务次数、销售及一般管理费用及其他动因数据分摊
2) 数据时间跨度
A、模型训练所需数据的时间跨度
模型训练数据的时间窗口的选择是一个比较复杂的问题，通常受多种因素的综合制约，譬如不同类型的建模需求、不同的建模算法、不同的商业定义、不同的数据情况、不同的项目资源配置、甚至同类模型的不同的参数设置等等众多条件都能影响建模数据的时段选择。因此很难给出一个到处通用的规则。但是为了方便起见，还是在众多假设条件下，我们给出一个大概的时间跨价值。譬如说，离网模型、信用模型等预测类模型需要大概6到12个月的数据；分类或者交叉销售等模型通常需要3到6个月的数据。当然这种时间上的跨价值非常初级，只是给大家一个感性的认识，在具体项目实施时往往需要在多种约束条件下由项目相关各方共同讨论决定。
模型打分数据的时间选择
当模型开发完成后，需要通过专门的软件系统或者现存系统将模型结果加以实施，以指导相关部门的工作。因此这时需要对应用模型的目标群体进行全体打分，这里有几点需要注意：
打分数据的时间窗口与建模时的时间窗口要保持严格一致
因为我们的模型开发是在一定假设条件之下开发，所以当且仅当满足以上假设条件时才能最大程度的发挥模型的效能，也才能对模型的预测或者描述结果有所把握，才能对模型表现进行公正客观的评价并指导未来的模型调优和改善工作；
打分的频度应主要根据业务部门或模型最终客户商业需要而选择。
譬如某移动公司本月做出了重大的营销举措，那么我们就需要及时打分，以支持市场活动。
C. 数据处理与汇总：
数据挖掘的数据源主要来自BOSS、客服、大客户等生产系统，此类系统多是关系型数据库，系统的高效率和稳定性是第一目的，因此数据经过第三范式等正规化操作变得比较零散。这对数据挖掘来说通常是不合适的，因此需要经过相应的数据汇总与重组，形成比较规整的宽表结构利于分析。
a) 表的操作
表的合并：刚才提到数据挖掘项目往往涉及到多方面的数据源，因此需要将多种数据按照客户标识（多数模型如此）进行拼表，将原来的窄长表变成短宽表，通常会有很多列，不同的列可能来自不同的数据源。同时，即使对一种类型的数据操作时也需要面对很多小表，比如话单数据。我们把话单数据作为一类看待，但是生产系统上又把话单分成几十个甚至上百个小表分别记录，彼此之间用主键、外键连接。因此我们在处理话单数据时就需要做很多的拼表操作。从众多小表中抽取项目需要的字段并加以汇总、拼接。至于如何定义项目需要的字段往往需要听取来自业务部门和供应商的建议。
建立新表：在生成模型训练数据的时候往往需要建立很多新表，这其中包括并表过程中很多临时表的创建、中间表的创建、以及最终抽取训练数据时涉及到视图的创建与结果集的创建。
变量的操作
变量的操作最主要就是当前变量的汇总和衍生变量的创建。
变量的汇总：数据挖掘的目的就是从一个较长的时间段和较多数据中抽象出一定的相对稳定的规则和模式。为了找到这些通用性和稳定性较高的规律就需要提高数据的粒度。因此我们需要将来自生产系统的交易级的记录转化成一定时间段内的汇总数据。比如生产系统中会记录客户每次通话时长，我们就需要将其汇总到每月总的通话时长，或者月均通话时长以方便研究。
衍生变量的创建：许多时候仅仅有汇总变量还不足以开发一个很好的模型，因此需要创建许多衍生变量以更好的拟合数据和揭示深层规律。譬如，为了研究客户在忙闲时通话行为的不同，我们需要创建忙闲时通话次数比例的变量。
2、技术实现
1) 客户当前贡献价值
A、客户当前收入贡献计算方法
客户当前收入贡献=(3个月应收费用的总和)/3
如果客户存在时间小于3个月，则汇总其实际存在月数的数据并以实际存在月数相除；
B、客户月均成本计算方法
客户月均成本计算应该因不同省市公司的具体情况而具体计算，在此我们只是按照通常移动公司的体系结构、财物计算方法，将费用尽可能得分摊到每个用户。1~5项用图标识，其余支出用文字说明。
网间结算支出 使用网络相关折旧的分摊方法分摊网间结算支出。即在折旧分摊的基础上分摊（折旧按设备性质分为：用量敏感、客户数敏感、通话次数敏感、线路敏感、基本网络等网络设备折旧和非网络设备折旧，可因具体公司不同而不同），这里只需考虑与网络设备折旧相关的部分。
折旧 按性质识别网络设备及非网络设备相关的固定资产，其中网络设备按成本性质分类为：用量敏感、客户数敏感、通话次数敏感、线路敏感、基本网络，基本网络以用量敏感、客户数敏感、通话次数敏感、线路敏感已分摊折旧的分摊比例进行分摊。
根据以人工成本分摊比例为依据对非网络设备折旧分摊。
人工成本 按照一般功能分类为：网络运维相关、面对客户相关、职能相关、其他。网络运维相关人工成本按客户的网络设备折旧比例分摊至客户；面对客户相关人工成本，可以识别客户则按直接人工成本进行归属，1860呼叫中心人工成本按电话记录的分钟数比例分摊，其他按客户收入比例分摊；职能相关人工成本使用间接固定成本分摊法分摊至各客户，按网络及面对的客户人工成本已分摊至客户的成本比例分摊。人工成本分类和具体的企业组织结构相关，不同企业差别可能会很大。
销售、一般管理费用及其他 按相关财务报表项目的性质分为：网络运维相关、市场类相关、行政/支持相关、坏帐准备、其他。网络运维相关按己分摊至客户的全部网络相关成本费用比例分摊至客户；市场类相关按己分摊至客户的人工成本(面对客户相关)比例分摊至相关客户；行政/支持相关按己分摊至客户的全部人工成本比例分摊至客户；坏帐准备按客户欠费余额(应收帐款减除相应的回收数)，分摊至客户；其他按己分摊至客户的销售、一般管理费用及其他成本比例，分摊至客户。最后将所有客户月均成本标准化并使其取值范围落在[0~1000]。
在得出客户当前贡献和客户月均成本之后，客户当前利润贡献就能很容易得到(客户收入贡献-客户月均成本)。
2) 客户成长价值
客户成长价值的评分体系由两部分构成：客户对新产品的潜力以及对每个产品的潜力。
A、对新产品的潜力
分别统计：
当前客户正在使用的产品数N1
自客户入网以来曾经使用过的产品总数N2
最近7个月内客户新增使用的产品数N3
等指标然后根据一定的规则来对客户进行评分，表示其在新产品方面的潜力。
对每个产品的潜力
假设移动公司共有5大类产品，17个行为价值分组，那么就有5x17的矩阵，每一个产品的潜力指数分为5级，这样五个产品分别是250分，每个产品的每一级分别是50分。例如seg1的综合得分为：1x50+5x50+3x50+2x50+2x50=650;如果是0级，那么表示该组在此产品上没有潜力，举例如下图所示：
产品分类
综合得分
客户行为价值分类
产品A
产品B
产品C
产品D
产品E
seg1
1
5
3
2
2
650
seg2
3
4
0
3
3
seg3
4
4
2
4
3
seg4
4
0
3
0
4
seg5
4
4
3
4
1
seg6
4
2
1
0
2
seg7
5
0
2
1
1
seg8
4
4
3
0
2
seg9
4
0
4
3
3
seg10
4
4
2
4
3
seg11
4
4
3
0
4
seg12
4
0
4
4
4
seg13
2
4
4
4
2
seg14
4
4
4
4
4
seg15
1
4
2
1
4
seg16
2
1
1
2
1
seg17
3
2
2
3
2
3) 客户信用度、忠诚度、未来贡献价值
以上两个模型是描述性模型，而客户信用度、忠诚度、未来贡献价值等三种模型是预测性模型，有诸多共性。所以我们以表格形式展现出来希望方便大家进行综合比较，能够形成一个整体的视图。
说明：
以下三种模型都是用历史数据来预测未来表现或趋势，因此都是基于这样一个基本假设：以前发生过的事件在以后相同或相近条件下很大程度上将再次发生。这是我们创建预测性模型的基本信念和模型能够发生作用的前提条件。因此希望大家在开发类似模型时对研究课题能有一个清醒地判断，要考查清楚是否存在一个稳定的规律在左右事件的发生和发展。如果有很多偶然的或者不可重复的约束条件，那模型的效果将变得非常易退化和不稳定。这需要丰富的行业经验和深入的数据探索才能准确把握。
模型的开发中往往很难在一开始就准确地发现整个规律或模式，因此需要在极大的特征空间和假设空间中进行搜索。在搜索过程中需要很多的算法和参数设置需要考虑并分别加以实践，因此，可以说数据挖掘的过程更多的是一个反复的尝试和盘旋式深入的研究过程。这需要很多的验证和反复调优工作，所以准确的方法论和严格的工作流程对于知识发现至关重要。
4) 客户综合价值
在客户综合价值五要素评分的基础上，根据每个客户五要素的得分结果对全部客户进行聚类分析，以便从总体上把握客户在综合价值评分不同要素上的表现。
经过多次的分析和充分的商业讨论，我们得到了如下所示的客户综合价值的分布图，这是经过对全体客户在五个主要方向上的价值表现分别研究后再经过进一步综合后得到的最高抽象程度的全景视图。我们结合移动行业的特点并按照先进营销理论的指导从发展性和稳定性两大主题来构建全体客户的策略分布（如下图所示）。
四、模型应用
针对处于不同位置的群体分别支持战略性营销政策的制定和执行。例如：对于发展性和稳定性都很低的群体我们的策略可以这样考虑：
又比如：对于发展性和稳定性都很高的群体可以有如下的营销建议：
客户综合价值评估模型作为一个对客户价值认识的平台、及其五个子模型，既可将各项因素独立使用，又可和其他相关模型一起结合运用在营销管理、服务管理、销售管理等方面，是由经验型管理向分析型管理和精细化管理方向迈进的有力手段，应用举例如下：
离网关怀和客户挽留
优质客户流失对公司的影响如同釜底抽薪，不但使公司发展和维护客户的成本毁于一旦，又使目前稳定的收入不断下降。
结合与客户流失模型应用，指导客户经理、1860、营业厅等服务界面对高价值的风险客户开展一对一的营销，实施客户挽留，延长客户的生命周期。
2、销售促进的应用
当移动公司要推出新产品时，可以从全体客户中找出对新产品具有最大需求和购买力的群体，将合适的产品通过合适的渠道推给合适的客户，提升客户的价值。
同时，经过一段时间的推广，当新产品有了一定的客户群体后可以从相近潜力群体中发现升级销售的机会。
3、积分回馈计划的应用
在积分计划的基础上，根据客户价值确定相应的回馈计划，即积分回馈比例不仅依据客户的总积分，同时参照客户的价值而定。
4、差异化服务的应用
根据价值挖掘结果，区别客户的不同价值，并将结果反馈输出到BOSS系统中，使客户服务部门和前台各个应用系统（如营业系统、呼叫中心）可以共享这些信息，用于制定差异化的服务计划。具体应用：及时评定客户享受优质服务的级别，实现1860接入、网络优先接入、异地跨区服务等差异化、个性化服务，提高服务竞争力。
5、与其它模型的综合应用
1) 与客户行为细分模型的综合应用
通过客户行为细分模型可以实现对客户呼叫行为特征的精确刻划，从多个维度深入了解客户的行为特点，从而可以实现对客户的精确营销，包括实施差异的套餐设计、差异化的产品组合、差异化的服务策略、有针对性的促销计划、个性化账单设计等等。
客户行为细分模型可以产生每一客户的行为分组编号，客户综合价值模型又可以产生每一客户的综合价值编号（如将所有模型综合使用），把这两个分析结果结合起来，就可同时从客户行为和客户价值两个维度来考察一个客户，从而更加精确地认识客户，开展相应的营销或挽留等活动。
2) 与交叉销售模型的综合应用
不可否认，客户对各类产品的成长潜力之和代表了客户未来的成长空间，并在很大程度上影响到客户的未来贡献价值，从而决定其是否会成为移动公司所关注的高价值客户。如果从客户终身价值的角度进行客户关系管理，这一点尤其值得注意。
交叉销售模型的分析结果可以作为分析客户对某一特定产品使用潜力的依据。同时，通过分析那些客户在使用这一产品后的行为―价值变化，便可以进一步地分析目标客户的未来价值，形成公司客户提升与维护的决策依据。
五、模型改进思路
这次数据挖掘的三个模型仅仅是开始，有很多问题还需要我们在今后工作中不断地加以改进。
模型时间跨度的改进 在建模时段的选取上可以根据商业需求和以后的数据情况作相应的改进与调整。一般来说，选取的建模时间跨度越大，模型和实际情况的拟合程度就越高。
模型定义的改进 随着时间的推移，当初建模的目标定义可能不能完全反映商业上的真实需求，需要适时进行调整，因此需要我们对模型的表现进行不断的跟踪，当发现有偏差时及时采取措施。
模型开发的约束条件 在未来的调整中可以将很多商业或政策上的约束条件加入模型中，并加以数量化。
从模型供应商的知识转移 数据挖掘项目是技术性含量很高的基于数据仓库的营销专题应用研究。移动公司从数据挖掘模型供应商处获得某一模型的分析结果，用于指导营销实践。同时，公司也应不断地从数据挖掘模型供应商处获得关于数据挖掘的相关知识。从数据处理、准备、抽样数据观察、抽样数据建模、模型调优、确定，最终到模型应用到全部客户形成分析结果，其中蕴含了丰富的知识和经验积累，移动通信公司也要不断的丰富知识，武装头脑，从数据挖掘模型供应商处汲取营养，了解数据挖掘技术的方方面面。这样做的目的是为了更好地了解数据挖掘，以便于更好地界定如何通过数据挖掘解决移动公司实际的商业问题。
PAGE 0
PAGE
PAGE 13
