數(shù)據(jù)挖掘在渠道偏好用戶識(shí)別中的應(yīng)用——以某市移動(dòng)網(wǎng)上營(yíng)業(yè)廳為例.pdf

1、在移動(dòng)互聯(lián)網(wǎng)的新形勢(shì)下，越來越多的電信運(yùn)營(yíng)商開始實(shí)現(xiàn)多向發(fā)展實(shí)體渠道和電子渠道，以提供給消費(fèi)者更多便捷性的服務(wù)。同時(shí)，面對(duì)激烈的競(jìng)爭(zhēng)環(huán)境，各渠道需要依托對(duì)于偏好用戶的精準(zhǔn)定位去迎合客戶需求，對(duì)客戶進(jìn)行分流并實(shí)施差別化營(yíng)銷和服務(wù)，從而結(jié)合產(chǎn)品與渠道的適配實(shí)現(xiàn)產(chǎn)品的精準(zhǔn)營(yíng)銷，以解決運(yùn)營(yíng)商“廣撒網(wǎng)、低回報(bào)”的難題。
　　為了解決該問題，本文基于精準(zhǔn)營(yíng)銷的思路:首先尋找出該渠道的偏好用戶，然后在合適的時(shí)機(jī)向其推薦合適的產(chǎn)品，旨在提高該渠道

2、活動(dòng)推廣效果以及客戶滲透率。其中，文章重點(diǎn)解決的是如何找到各個(gè)渠道的偏好用戶這個(gè)問題。在實(shí)施過程中，為了減少模型的復(fù)雜程度，我們將根據(jù)目前的主流渠道分別構(gòu)建偏好用戶識(shí)別模型。并以某市移動(dòng)網(wǎng)上營(yíng)業(yè)廳為例，基于該運(yùn)營(yíng)商企業(yè)級(jí)數(shù)據(jù)倉庫以及從屬的數(shù)據(jù)集市，利用各類生產(chǎn)系統(tǒng)的輕度匯總數(shù)據(jù)，彌補(bǔ)了數(shù)據(jù)面窄、數(shù)據(jù)周期短的弊端，充分挖掘了該渠道偏好用戶的特征信息、行為習(xí)慣等，并分別使用邏輯回歸和隨機(jī)森林?jǐn)?shù)據(jù)挖掘算法對(duì)用戶進(jìn)行了該渠道偏好度的預(yù)測(cè)。

3、>　　本文中的分析挖掘流程包含明確業(yè)務(wù)目標(biāo)、變量設(shè)計(jì)、數(shù)據(jù)準(zhǔn)備、變量篩選、數(shù)據(jù)預(yù)處理和模型構(gòu)建與評(píng)估這幾個(gè)過程，即根據(jù)業(yè)務(wù)需求明確了要解決的業(yè)務(wù)問題之后，進(jìn)行數(shù)據(jù)調(diào)研、取數(shù)設(shè)計(jì)、寬表構(gòu)建，然后通過SQL取數(shù)結(jié)果進(jìn)行數(shù)據(jù)質(zhì)量檢查和變量探索，確定需要保留的相對(duì)“重要”的變量，最后通過參數(shù)的不斷調(diào)整與模型擬合，對(duì)不同的算法產(chǎn)生的模型效果進(jìn)行評(píng)估，從而選擇最優(yōu)的模型進(jìn)行固化。
　　本文基于TWM和R挖掘工具，分別使用Logistic回歸和

4、隨機(jī)森林算法進(jìn)行了模型構(gòu)建，并利用模型結(jié)果和業(yè)務(wù)規(guī)則對(duì)目標(biāo)用戶進(jìn)行了效果驗(yàn)證，結(jié)果顯示二者均能達(dá)到較高的覆蓋率和提升度。經(jīng)過綜合考慮模型效果和固化成本，本文選擇了使用邏輯回歸算法并實(shí)現(xiàn)庫內(nèi)效果固化。另一方面，本文還根據(jù)預(yù)測(cè)概率對(duì)全網(wǎng)用戶進(jìn)行了偏好度分檔，并利用分層抽樣的方式對(duì)用戶進(jìn)行了短信營(yíng)銷測(cè)試，測(cè)試結(jié)果顯示該模型的分檔效果非常顯著。
　　為了更好地實(shí)現(xiàn)渠道與產(chǎn)品的結(jié)合，本文提出通過衍生出其他渠道的偏好用戶識(shí)別模型后，根據(jù)產(chǎn)品在