CMGD-GZ LIUYAQI 中國移動科技創新成果推廣材料 完成單位： 廣東公司業務支持中心經營分析室 成果名稱： 流動人口識別監控與精準營銷系統 成果研究類別： 現有業務優化 成果專業類別： 業務支撐 2 CMGD-GZ LIUYAQI 目錄 A. 項目背景 B. 實施方案 C. 應用案例 D. 項目的主要創新點 E. 社會和經濟效益 -3- 低成本高效率的運營 通信行業全業務競爭加劇 客戶發展、爭奪和保有 產品和業務發展“長尾化” 業務拓展需求 利用這些業務知識實現精細化營銷 對客戶的這些信息進行清洗、提煉，挖掘出業務知識 收集客戶的業務訂購、產品消費、捆綁情況、行為習慣等等信息 項目背景 市場競爭日益激烈，市場趨于飽和，針對市場細分的精細化營銷顯得日趨重要 通信行業全業務競爭的加劇、市場趨于飽和、產品和業務發展的“長尾化”等等因素要求我們必須利用客戶的各種信息，進行市場細分，開展精細營銷，實現低成本高效率的運營。 -4- 項目背景 流動人口龐大 流動人口市場內部各群體存在顯著差異，外來工、高校學生消費需求及特征不同 龐大而復雜的流動人口對公司的統籌規劃影響較大，如何準確甄別出流動人口，識別出目標客戶的需求，為各級市場部門提供較好的支撐服務，為各級市場部門提供精細化營銷所必需的支撐服務。 外來務工人員 資費敏感，易棄卡 有定向交流需求 漫游消費有所壓抑 高校學生 消費力較強，潛力高 數據業務接受度高 群內交流需求多 隨著經濟體制改革的推進，我國流動人口群體迅速擴大，廣東流動人口逾 2300萬，成為不可忽視的客戶群 大規模人口流動的春節期間在兩地重復營銷，大進大出，內耗嚴重，造成巨大資源浪費。 億萬流動人口市場龐大，消費旺盛，月通信消費在 50元以上的約占 45%，富含商機，但市場競爭也日漸加劇 客戶流動棄卡，離網率高；重復入網帶來酬金成本增加、號源浪費；高漫游單價導致話務量未能充分釋放 外部環境帶來機遇 內部問題制約發展 -5- 項目背景 外來工是廣東移動重點關注的細分市場，在精準營銷方面亟待深入研究 身份信息缺失 歷史問題： 不需要實名登記 渠道問題： 社會渠道的號卡銷售過程復雜 競爭問題： 一味吸引客戶， 不強求客戶實名登記 系統問題： 系統中的數據不全、不精 廣東現有的外來工占到常駐人口的比重較大，是非常重要的細分市場，由于系統數據不全不精，難以準確識別該群體，因此以往針對這個群體的市場營銷不夠精準。 由于識別準確率低，存在以下問題： 營銷效果受到一定的影響 該細分市場的客戶需求和消費習慣尚未較為全面的掌握 市場潛力有待進一步挖掘 -6- 解決思路 提升外來工識別的準確性，深入分析客戶需求，從而實現外來工市場的精耕細作 基 礎 模 型 應 用 模 型 分析 應用 外來工客戶識別模型 高影響力人物識別 外來工市場細分 產品交叉銷售 提供群體內通話優惠 長途通話套餐 12582務工易 種子營銷、病毒營銷 紅緞子短信營銷 外來工關鍵人營銷 針對外來工市場 特點，設計個性化產品和營銷 方案 進行外來工關懷活動 外來工產品營銷 提供個性化服務 將外來工市場根據不同特征（如區域特征）分割成不同群體，進行針對性營銷。 分析外來工對新增值業務產品的傾向程度。 根據其交往圈大小、短彩性發送等特性，分析影響力，判斷其在外來工群體中的重要性。 基于基站、消費特征、交往圈等行為軌跡建立客戶識別模型 外呼模型修正 特定資費等針對模型預測的結果進行修正與補充。 全網各運算結果的整合 -7- 家庭 商務 初中 (54%) 小學 (21%) 單身 (半 )文盲 (3%) 客戶特征 (客戶識別 ) 20-29歲 (70%) 客戶需求 (需求細分 ) 20歲以下 (10%) 30歲以上 (20%) 高中及以上 (22%) 問候 購票 教育 娛樂 找工作 解決思路 客戶類型多樣，需求差異大，需要開展客戶行為研究，提升市場工作的針對性（以外來工客戶為例） -8- 目錄 A. 項目背景 B. 實施方案 C. 應用案例 D. 項目的主要創新點 E. 社會和經濟效益 -9- 總體分析思路 （以外來工客戶為例） 神州行、動感地帶用戶 根據篩選條件，取出流動人口樣本 根據篩選條件，取非流動人口樣本 對提取的樣本進行建模 步驟四：按規則打分 步驟五 找出流動人口 以下以外來工客戶為例，介紹特定流動人口精確識別的模型構建。 -10- 口徑 目標變量 是否流動人口：指的是來自外省的藍領階層的工人主要從事體力勞動的人群，收入相對較低；外地學生。 以用戶最近四個月的行為預測下個月是否為流動人口 分析用戶群 時間窗口定義 神州行、動感地帶用戶。其中包括兩城一家、定向長途以及移動提供的曾呼叫 12582客戶； 分析窗口 預測窗口 預測點 M M - 1 M - 2 M+ 1 M=2011年 4月 -11- 具體做法 目標客戶定位精準化 Text Text Text 根據數據挖掘模型生成外來人口客戶三類知識標簽 流動高端人士標簽、外來務工人員標簽和高校學生標簽，客戶知識標簽匯入客戶特征知識庫。 外來務工人員（高校學生） 長途通話集中度 60% 工業區 （校園） 通話時長占比 32% 春節期間定向漫游、長途通信 入網時長 33% 數據業務數量 4 經常漫游通話 長途通話占比較大 白天工業區通話 學校附近通話集中 寒假暑假定向漫游某省 經常使用飛信 1、收集客戶行為特征 2、構建客戶識別模型 3、建立客戶特征知識庫 -12- 對客戶需求進行研究和細分 內容偏好 業務使用偏好 增值業務影響力 構建客戶需求模型 學生群體及外來工群體識別 (1)基于基站和交往圈等行為軌跡建立客戶識別模型 (2)外呼模型修正 (3) 特定資費等針對模型預測的結果進行修正與補充 識別客戶 1 （ 1）日常外呼及營銷活動進行客戶社會屬性完善 （ 2）基于關聯分析算法的編碼技術完善客戶社會屬性 社會屬性完善 2 3 客戶需求細分 學生及外來工社會屬性收集 (1) 助力關愛外來工服務營銷活動的開展與跟蹤 (2) 日常外來工群體穩定性及規模發展 (占有率 )跟蹤分析 外來工客戶服務營銷應用 4 (1) 助力高校營銷活動的開展與跟蹤 (2) 日常學生規模發展的跟蹤分析 (3) 增值業務影響力應用到高校增值業務發展 個人與群體的相互影響 短信、彩信的病毒營銷 體驗營銷 刺激、激勵營銷 學生客戶服務營銷應用 4 應用思路 -13- 基于基站和交往圈等行為軌跡建立學生、外來工客戶甄別模型 學生 標識 群體識別模型 變量因素探索 模型初步 建立 交往圈數據 修正模型 通過用戶業務 使用情況 修正模型 模型修正 結果 最終模型修正結果 外呼結果用于修正模型 步驟一 步驟二 步驟三 外來工 標識 根據特定群體活動特征初步尋找目標用戶 結合以往活動市場營銷活動，獲取目標用戶清單 通過目標用戶的分析構建特定群體的初步模型 對于模型結果進行外呼調研 利用外呼的結果同時結合特定用戶群體交往圈的分析方法進行模型的修正 結合群體的用戶特征，對模型進行再次修正，最終得到模型結果 行為軌跡 交往圈規則 決策樹、邏輯回歸 先應用建模方法對學生和外來工客戶進行識別建模 模型結果標識 模型初步構建與修正 群體標識與指標探索 -14- 外來群體的識別模型的變量設計 消費能力 : 外來群體的消費特點 資費特點 : 選擇與自身相關的一些特定套餐 特殊節假日特征 :外來群體節假日消費特點 通話特征 : 外來的通話行為特點 外來群體 特點 地域特點 : 圍繞工業區、城中村、學校 外來群體識別特征變量考慮 套餐信息 神州行套餐 家園卡 消費價值 ARPU 語音行為 本地通話時長及占比 長途通話時長及占比 閑時通話時長及占比 特殊節假日消費特征 相關通話時長與平時的變化情況對比 基站信息 基站集中在企業附近 用戶活動范圍寬度基站 -15- 中山全量通信 活躍客戶 （ 3754964） 項目模型 流動人口樣本選取 定向地話務與短信次數占比大于等于 0.15（即篩選出前 35%的用戶） , 同時 ARPU小于等于200（ 62800人） 篩選出 2月（春節期間）有漫游通話 MOU，但全年其他時期（ 3、 4、 6、 7月）皆無漫游的用戶 （ 190744人） 10月老鄉網活躍用戶數 （ 1179558人 ） 篩選條件一 篩選條件二 篩選條件三 無法取到二月老鄉網指定的定向地漫游，故只能判斷 2月有無漫游通話； 由于 5月五一長假，漫游人較多，不具有代表性，故此處剔除，且 8、 9、 10月份作為建模月份，故也不加入。 經探索，經條件二 篩選后的客戶 80%以上 ARPU小于 100，為避免 ARPU100成為流動人口的硬性條件，此處選用 200切除部分極值點便可 -16- 項目模型 非流動人口樣本選取 中山全量通信 活躍客戶 （ 3754964） 剔除非神州行用戶 （ 139611人） 春節期間無漫游，平時段（ 3、4、 6、 7月）有適當漫游話務 （ 158724） 篩除活躍老鄉網 （ 2575406人 ） 篩選條件一 篩選條件二 篩選條件三 此處沒有將長途話務定向集中度、本地話務集中度作為篩選規則，是基于建模需要用到這兩個關鍵變量，以免模型具有明顯的傾向性 由于老鄉網客戶都是神州行品牌，故此處建模時流動人口樣本和非流動人口樣本都僅限于神州行客戶； 在評分中如有需要，可加入動感地帶用戶 -17- 17 樣本選取效果評估 根據 8、 9、 10月份客戶定向長途話務的定向地，統計客戶三個月中定向地相同的月份數： 指長途話務通話次數 占比最大的地方 從表中可以看出，流動人口長途話務的定向地比較集中， 70%以上的用戶三個月向同一個地方定向長途通話； 非流動人口長途話務較為零散，三個月不同長途話務定向地的客戶占接近 45%； 樣本效果較好。 定向地相同的月份數 流動人口 非流動人口 0 175 21222 1 6552 44281 2 11375 38880 3 40257 35228 -18- 數據探索方法與過程 比較各種變量在外省求職者的均值與其它用戶的差異。初步了解外來求職者的特征。 用圖線全面展示變量在不同取值下，用戶群中外省求職者的比例，發現變量值與外省求職者的更深層的相關聯性。 1. 均值比較 2. 圖形分析 -19- 均值比較 變量 A(外來工求職者的平均值 ) B(非外來工求職者的平均值 ) A-B 全體平均 值 A與 B差異率 (A-B)/全體均值 ) 頭 10次通話中外省通話次數 2.65 0.52 2.14 0.63 338.12% 上行省外短信費用 6.92 2.25 4.67 2.51 186.22% 定向短信量 56.09 18.30 37.79 20.37 185.49% 上行省外短信次數 80.88 26.64 54.25 29.61 183.21% 國內定向費用 19.75 8.12 11.63 8.76 132.76% 國內定向費用對 ARPU占比 0.21 0.09 0.12 0.10 125.60% 上行國內彩信費用 0.14 0.06 0.08 0.07 123.08% 定向短信與本地短信占比 0.24 0.10 0.14 0.11 122.16% 定向交往圈人數 4.36 1.96 2.40 2.09 114.75% 上行國內彩信次數 1.31 0.61 0.69 0.65 106.09% 國際漫游出訪次數 0.00 0.06 -0.06 0.05 -105.80% 國際漫游出訪 MOU 0.00 0.03 -0.03 0.03 -105.80% 親情匯款用戶 0.00 0.00 0.00 0.00 -105.80% 國際漫游出訪時長 0.00 1.70 -1.70 1.60 -105.80% 國際漫游出訪費用 0.00 0.30 -0.30 0.28 -105.80% 定向通話次數 13.17 6.45 6.72 6.82 98.63% 主叫港澳臺長途 MOU 0.03 0.38 -0.35 0.36 -97.64% 國際長途被叫 MOU 0.01 0.16 -0.15 0.15 -96.50% 港澳臺長途被叫 MOU 0.03 0.28 -0.25 0.27 -93.79% 主叫國內長途 MOU 71.73 36.67 35.06 38.59 90.84% . . . . . . -20- 在網時長： 新入網 1 3個月用戶是外省求職者的可能性較高。 1年以上的老客戶是外省求職者的可能性較小 。 品牌： 動感地帶中外來求職者的占比是各品牌中最高的 。 大眾卡則非常低 。 5 . 5 1 % 5 . 6 4 %6 . 3 8 %1 . 5 4 %0%1%2%3%4%5%6%7%全球通 神州行 動感地帶 神州大眾卡外省求職者占比 12.75%9.69%5.51%4.36%12.05%4.33%2.05%1.28%0.81% 0.58%0%2%4%6%8%10%12%14%027 2828 2930 3131 329697262263548 549936 93716851686外省求職者占比客戶屬性 在網時長（天） -21- 客戶地區 珠三角地區的用戶中外省求職者的比例較大。 一類城市中，深圳、東莞的外省求職者占比高，而廣州、佛山較低。 9 . 6 %7 . 5 %6 . 4 %5 . 7 %5 . 0 %4 . 7 %4 . 1 %3 . 9 %3 . 3 % 3 . 2 %3 . 1 %2 . 9 % 2 . 8 %2 . 7 %1 . 9 % 1 . 9 %1 . 6 % 1 . 5 %1 . 1 % 1 . 0 %0 . 6 %0 . 0 0 %1 . 0 0 %2 . 0 0 %3 . 0 0 %4 . 0 0 %5 . 0 0 %6 . 0 0 %7 . 0 0 %8 . 0 0 %9 . 0 0 %1 0 . 0 0 %深圳 東莞 珠海 中山 惠州 廣州 汕尾 佛山 汕頭 云浮 韶關 揭陽 江門 肇慶 梅州 清遠 潮州 陽江 湛江 茂名 河源珠三角城市其它城市6.72%2.28%0%2%4%6%8%珠三角用戶 不是外省求職者占比-22- 客戶價值 ARPU ARPU在 23到 54之間的用戶是外省求職者的機會就較大了 。 而 ARPU高于 120的用戶是外省求職者的可能較小 。 5.03%6.07%6.50% 6.31%5.76% 5.69% 5.61% 5.61%4.48%3.75%0%1%2%3%4%5%6%7%023.623.634.3 34.344.1 44.154.2 54.266.4 66.481.781.7101.4 101.4126.9127181.7181.8外省求職者占比6.18%6.58%7.05%6.52%5.75%5.07%5.65% 5.50%3.83%2.67%0%1%2%3%4%5%6%7%8%099100176 177264 265359 360480 481632 633846 8471175117618031804外省求職者占比 MOU在 360分鐘以內的用戶是外省求職者的可能性較高。 MOU很高的用戶是外省求職者的可能性較低。 ARPU MOU -23- 0.85%2.38%5.76%7.65%8.07%9.82% 9.96%10.49%0%2%4%6%8%10%12%00 11 27817 1831 325556106107外省求職者占比7.39%6.16%6.40%4.93%5.76%6.41%4.73%3.01%1.53%0%1%2%3%4%5%6%7%8%00 11 23 47814 1525 2646 479798外省求職者占比通話行為 長途 省內長途多的用戶是外省求職者的可能性較 低 。 主叫省內長途 MOU 主叫省際長途 MOU 省際長途多的用戶外省求職者的可能性都較 高 。 -24- 5.78%4.20%3.78%0%1%2%3%4%5%6%7%0012122外省求職者占比6.66%4.43%4.73%3.34%1.94%0%1%2%3%4%5%6%7%00 1562728114115外省求職者占比通話行為漫游 漫游較多的用戶是外省求職者的可能性較 低 。 省內漫游 MOU 省際漫游 MOU -25- 8.97% 8.93%7.05%6.15%5.39% 5.28% 5.20%3.70%2.10%1.32%0%1%2%3%4%5%6%7%8%9%10%06710 1113 1417 1821 2226 2733 3442 436364外省求職者占比本地交往圈號碼 少 ，省內交往圈號碼數 少 、省際交往圈號碼數 多 的用戶，是外省求職者的可能性較 高 。 省內交往圈號碼數 國內交往圈號碼數 0.84%3.98%6.87%7.64%9.75%10.04%11.08%8.80%0%2%4%6%8%10%12%00 11 22 33 44 5671011外省求職者占比7.54%6.86%5.91%6.32%5.24%3.55%2.64%1.14%0%1%2%3%4%5%6%7%8%00 11 22 33 45 6891516外省求職者占比本地交往圈號碼數 通話行為 交往圈 -26- 通話行為 定向通話 定向通話次數 多 、定向交往圈 大 、定向短信條數 多 的用戶是外省求職者的可能性 高 。 而且這類變量的區分能力相對其它變量更顯著。 定向通話次數 說明： “ 定向長途地 ” 是指一個用戶打電話最多的一個城市（排除發達地區） “ 定向通話次數 ” 是與指定向長途地的號碼通話的次數。如類推理。 1.79%7.88%9.14%10.31% 10.47%11.10%0%2%4%6%8%10%12%00 12 34 59101920外省求職者占比1.23%5.06%7.01%8.79%11.31%13.96%0%2%4%6%8%10%12%14%16%00 11 22 33 467外省求職者占比定向交往圈大小 2.26%3.66%5.27%8.02%12.55%16.07%0%2%4%6%8%10%12%14%16%18%00 11 25616 175152外省求職者占比定向短信條數 -27- 1.40%2.96%4.24%6.22%7.10%13.09%16.37%0%2%4%6%8%10%12%14%16%18%00 12 35613 1431 327980外省求職者占比通話行為 SMS 發送外省的 SMS條數在 14條以上的的用戶是外省求職者的可能性較 高 。條數多于 32條的，則這個可能性 很高 。 短信變量比長途變量的區分力更強 因為長途費率較高，用戶與省外聯系時用戶打移動長途的需求受抑制，數據不能很好反映用戶實際與外省聯系程度。 短信費率固定，發短信更隨意。因此外省的短信發送條數更能反映用戶與省外通話的需求。 往外省 SMS條數 0.85%2.38%5.76%7.65%8.07%9.82% 9.96%10.49%0%2%4%6%8%10%12%00 11 27817 1831 325556106107外省求職者占比主叫省際長途 MOU VS. -28- 通話行為 首 10次通話 首 10次通話中外省通話次數 多 的用戶，是外省求職者的可能性 很高 。 2.96%14.85%17.84% 17.90%25.23%21.94%23.94%34.33%30.88%29.21%0%5%10%15%20%25%30%35%40%0 2 3 4 5 6 7 8 9 10頭1 0 次通話中外省通話次數可能原因：用戶在開號后，都會先和家人聯系，告知新號碼。因此外來工的首 10次通話中會有與老家的通話。 這個變量的區分力非常顯著。 注：首 10次通話中有外省通話的樣本數占 14.4% -29- 相關業務 “ 我愛我家”業務用戶是外 省求職者的可能性較 大 。 但“我愛我家”的現在用戶數很少，樣本中只占 0.2% 10.00%5.47%0%2%4%6%8%10%12%我愛我家用戶 不是外省求職者占比3.10%6.47%0%1%2%3%4%5%6%7%集團客戶成員 不是外省求職者占比 集團客戶成員是外省求職者的可能性較 小 。 -30- 數據探索總結 調研樣本中外省求職者的統計特征較明顯。 通過用戶的 ARPU、長途通話、定向長途、首 10次通話等變量可以識別出可能是外來求職的用戶。 從相關業務也可以識別外省求職者，但是這些業務現有用戶數量很少，不能滿足本模型的需求。 從數據探索的圖線中總結出特征變量的參考取值范圍。 樣本特征 通信特征 數據業務特征 數據探索特征 -31- 模型構建 建模方法選擇： 根據數據探索結果顯示，變量與外省求職者的概率大體是單調關系。因此用 Logistics回歸這類線性方法也能勝任。 Logistics回歸簡介： Logistic回歸模型是一種概率分類模型 , 它以用戶是外省求職者的概率為因變量 , 客戶屬性、通信行為等因素為自變量建立回歸模型。 以 p 表示用戶是外省求職工的概率，函數 p 對 Xi 的變化在 p=0 或 p=1 的附近是不敏感的、緩慢的，且非線性的程度較高。按照 Logistic 變換（或稱為 p 的 Logit 變換），即 ( p) 對 Xi 就可以是線性的關系了，即可以表示為： -32- 模型構建 流動人口識別是判別是否流動人口的分類問題，用決策樹和邏輯回歸均能較好解決問題。選用 TERADATA專用挖掘工具 TWM中的邏輯回歸和決策樹算法進行建模 。 流動人口樣本 （ 62800 ） 非流動人口樣本 （ 139611 ） 0.31： 0.69的比例組合 模型總樣本 （ 202411） 訓練集 （ 138579 ） 測試集 （ 59391） 樣本切分：按外省求職者標志隨機分層抽樣： 80%作為訓練集， 20%作為測試集。 模型訓練：用訓練集以分步 Logistics回歸訓練，自動選擇最有用的變 量，擬合出變量的參數。 模型評估和優化：用測試集評估模型的準確率，不斷優化模型。 模型構建后得到外省求職者概率的計算公式，用于識別外省求職者。 -33- 建模結果（邏輯回歸） 變量 參數值 Wald Statistic 標準化參 數 (常數項 ) -4.538305 950.7058 首十次通話省外次數 0.164047 224.9809 0.1585 定向交往圈人數 0.08442 127.8529 0.1754 在網時長（天） -0.000869 80.3789 -0.3861 上行省外短信次數 0.005299 73.7941 0.2632 主叫交往圈號碼數 -0.029367 70.075 -0.3572 珠三角用戶 0.625817 40.6551 0.1546 省際主叫次數占比 3.605697 40.0386 0.9211 非漫游費用 0.006456 30.7848 0.1926 定向短信量 -0.004215 29.0053 -0.2046 ARPU -0.005115 24.6581 -0.2483 國內漫游 MOU占比 0.747288 10.7334 0.0607 定向漫游時長 3.00E-05 7.933 0.0541 省際主叫占比 -1.436906 6.6362 -0.37 省際定向 mou占比 -0.359402 6.5786 -0.0826 上行省內短信次數 0.001993 5.8292 0.0664 Wald Statistic 反映變量區分外省求職者的能力 ， 越大則區分力越顯著 。 外省求職者識別變量及參數： 標準化參數 反映變量在以標準差為單位變化時 ， 外省求職者概率變化的程度 。 絕對值越大則表示影響越大 。 -34- 模型評分公式（邏輯回歸） 根據建模結果，用戶是外省求職者的概率 p的公式為： 1XXepe其中 X -4.538305+ 0.164047 * 首十次通話省外次數 + 0.08442 * 定向交往圈人數 - 0.000869 * 在網時長（天） + 0.005299 * 上行省外短信次數 - 0.029367 * 主叫交往圈號碼數 + 0.625817 * 珠三角用戶 + 3.605697 * 省際主叫次數占比 + 0.006456 * 非漫游費用 - 0.004215 * 定向短信量 - 0.005115 * ARPU+ 0.747288 * 國內漫游 MOU占比 + 3.00E-05 * 定向漫游時長 - 1.436906 * 省際主叫占比 - 0.359402 * 省際定向 mou占比 + 0.001993 * 上行省內短信次數 -35- 模型驗證結果（邏輯回歸） 在測試集上評估模型準確率： 0123456789101% 6%10% 14% 28% 32% 37% 42% 46% 51% 55% 66% 73% 78% 82% 87% 91% 94% 96% 98%0%10%20%30%40%50%60%70%80%90%100%LIFT值 查全率分數在前 5%的用戶，命中了全部外省求職者的 28.5%， LIFT值為 5.2； 分數在前 10%的用戶，命中了全部外省求職者的 42.7%， LIFT值為 4.2。 LIFT 查全率 -36- 外來工群體建模并設計系統開發 經分應用專題 現狀 模型構建 系統中針對特定用戶群體的分析處于相對粗放的分析方法 針對外來工群體進行模型設計，構建特定用戶群體的識別模型、客戶影響力模型，用戶特定的市場營銷與分析需要 變量探索 模型 建立 交往圈數據修正模型 通過用戶業務使用情況修正模型 外呼調研修正 最終模型修正結果 用戶發展情況 語音業務發展情況 增值業務發展情況 品牌分析 優惠使用情況分析 欠費分析專題 外來工群體 -37- 目錄 A. 項目背景 B. 實施方案 C. 應用案例 D. 項目的主要創新點 E. 社會和經濟效益 -38- 應用一：外來工群體關懷 此項成果可支撐兩方面的應用 ： 一方面為外來工的通信行為、業務或服務需求及滿足度等方面提供寶貴的分析數據，為制定針對性的營銷服務策略提供有得的參考依據 。 另一方面為今后外來工客戶關懷活動提供系統營銷方案配臵及目標客戶清單和方案開展后的跟蹤統計。 應用流程圖 通過模型識別可以給出一個客戶標識，判斷該客戶屬于外來工，從而為后續的經營分析，針對不同客戶群體進行精確化營銷奠定基礎。 -39- 應用二：及時跟蹤外來工客戶規模異動情況 區域 時間 總客戶 外來工規模 該項目完成后，可以從區域（縣市、各個工業園區）、時間和總客戶（考核外來工在總人口和總客戶中占比等等）三個維度進行實時跟蹤和考察，便于及時把控各個區域外來工規模的變動。 -40- 應用三：開展外來工客戶招聘信息主動關懷 通過該項目建立的外來工識別模型，提取其中有短信收發且片區位臵有企業發布招聘信息的外來工，發送短信推薦移動開發的“外來工短信招聘求職平臺 ” ，搭建便捷的信息化招聘通道。 求職者或招聘單位，只需編輯求職或招聘所要求的崗位情況，發送短信至特定端口，系統根據請求將自行發送最新匹配的崗位信息，今后打算將此平臺改造 12582統一平臺。 -41- 應用四 :基于影響力模型針對產品生命周期不同階段開展營銷 成長期 成熟期 衰退期 病毒營銷 激勵營銷 投入期 激勵營銷 根據影響力模型確定高影響力用戶，針對產品不同生命周期階段采取不同的營銷策略。 體驗營銷 病毒營銷 影響力模型應用在產品生命周期的不同階段 -42- 應用五：開展外來工客戶精確營銷活動 信息關懷 天氣預報 技能培訓信息關懷 車次、航班信息服務 氣象、新聞等手機報推薦 招工信息關懷 資費營銷 長途話務折扣促銷 兩城一家推薦 保底消費 品牌遷移 交叉銷售 天氣預報 手機上網 全曲下載 手機 QQ 飛信 外來工客戶精確營銷活動 針對某一種產品，利用關聯分析，找出曾經購買該產品的外來工客戶更容易購買其他相關產品的規則，基于這些規則挖掘不同產品之間的潛在關系，并組成外來工產品關聯規則矩陣，進行產品組合分析，向客戶提供捆綁組合產品，實現交叉銷售，在為客戶提供更多產品和服務的同時實現企業收益的增長 根據外來工客戶在親情溝通、信息服務及生活娛樂等方面的需求，進行客戶細分，開展外來工客戶精確營銷活動 ，提升外來工客戶價值。 -43- 案例：流動人口識別助力外來流動人口細分市場營銷 以中山分公司為例，使用流動人口識別模型，發掘定位為工業園區的外來工群體，聯合相關政府部門，大力推廣“ 12580找工我幫你”活動，效果顯著。 根據流動人口識別模型，精準定位客戶群體。 主動關懷 根據目標名單對外來工群體發送“關懷”宣傳短信，讓客戶及時了解就業信息。 匹配推薦 利用 12580強大招聘信息庫進行匹配，將合適的就業信息推薦給客戶。 找工，我幫您 實現雙贏 70%客戶在找工后通話量明顯增加， 10% 20客戶靠 12580成功求職 根據客戶通話發生地信息，經常到訪的營業廳位臵等信息，實現區域客戶群體的進一步確定 結合起來監控各個外來工微區域，制定本地個性化的外來工服務策略 -44- 目錄 A. 項目背景 B. 實施方案 C. 應用案例 D. 項目的主要創新點 E. 社會和經濟效益 -45- 主要系統創新點 通過客戶通信基站信息可以獲取客戶的位臵信息，而位臵信息背后蘊藏豐富的客戶特征數據。 流動人口因地緣等關系自然而然成組成群，外來務工人員、高校學生圈子內部的通信交流較多，通過客戶交往圈信息可以作為流動人口的輔助判定依據。 經營分析系統建立外來務工人員、高校學生和流動高端人士等三類客戶數據挖掘模型，并為客戶打上知識標簽 . 技術 創新 技術要點 1：客戶位臵信息 技術要點 2：客戶交往圈信息 技術要點 3：數據挖掘技術和客戶特征知識標簽庫 -46- 主要管理創新點 系統建立監控預警機制，監控全省外來人口的返鄉與回流趨勢，并能根