摘要: 随着互联网+、大数据等各种新技术的发展及存储成本的降低，使得利用大数据，数据挖掘技术建立模型，实现业务层面的精准营销成为可能。文章重点讨论流量运营中流量消费较低，流量待拉升的用户群体的精准营销问题。流量消费较低，流量待拉升的用户群体具体是哪些用户，他们具有哪些特征，如何针对这类群体的不同特征匹配不同策略?笔者通过建立三组模型，利用多模联动技术解决上述三个问题，最终实现流量运营中关于流量消费较低，流量待拉升用户群体的精准营销问题。
关键词: 多模联动;精准营销
数据挖掘也称为知识发现。是一个去粗存精、去伪存真的过程。是从大量数据中提取、归纳有用知识的过程和方法。将其用于决策，可以提高人类的福利。如果没有数据，通常是利用直觉，经验，逻辑推理的方法进行决策。有了数据，我们通过数据进行科学的决策。因为数据是现实世界的历史痕迹，需要通过各种痕迹来推断未来，数据就是历史，挖掘就是归纳。数据太多，人脑无法直接处理。记录的数据越来越多，形式和来源都越来越复杂。自然产生的数据，人类社会产生的数据(社交网络，文本，图像，语音，视频……)所以需要挖掘工具和方法的帮助。
当前的各项前提条件已经具备，硬件价格的下降，使数据的存储和运算成本降低，开源软件工具和公开课分享打破不同学科间的壁垒，可以较为容易的获得并学习其他学科的知识和工具。
一、精准营销的理解
精准营销关心客户细分和客户价值。强调企业与客户之间的“关系”的管理，而不是客户基础信息的管理。管理大师彼得·德鲁克说:“企业的最终目的，在于创造客户并留住他们”。传统的营销理论与实践忽略了客户的保有与挽留。保有与挽留最有效的方式是提高客户对企业的忠诚度及粘性。理解并有效的捕获客户需求及期望是实现客户忠诚的根本。精准营销理论依据构成包括4C理论，让客价值，沟通理论。
(1)4C理论。4C分别指Convenience(便利)、Communication(沟通)、Cost(成本)、Customer(顾客)。
精准营销为买卖双方创造了沟通交流小环境，符合消费者导向、成本低廉、购买的便利以及充分双向沟通，及时掌握顾客的需求和欲望。
精准营销强调比竞争对手更及时、更有效地了解并传递目标市场上所期待的满足。其绕过复杂的中间环节，直接面对消费者，通过各种现代化信息传播工具与消费者进行直接沟通，从而避免了信息的失真，可以比较准确在合适的时间合适的地点以合适的价格满足消费者，使消费者不出家门就能够得所需物品。
(2)让客价值。是指顾客总价值与顾客总成本之间的差额。其中顾客总价值是指顾客购买某一产品或服务所期望获得的一组利益，包括产品价值、服务价值和形象价值等。顾客总成本是指顾客为购买某一产品或服务所支付的货币及所耗费的时间、精力等，包括货币成本、时间成本及精力成本。
精准营销实现一对一的营销，通过一系列的营销活动努力提供周密完善的销售服务，提高顾客总价值，降低顾客总成本，培养用户对企业的偏好和忠诚，最大限度提升“让客价值”。
(3) 沟通理论。精准营销的线性模式:沟通是直线的，双方向的互动交流过程。要求时效性，有意义，互动交流。精准营销的直接沟通，使沟通的距离达到了最短，强化了沟通的效果。
二、数据挖掘与精准营销的关系
(1)数据挖掘是实现精准营销的科学手段。营销的理论依据中强调精准营销要以客户为导向，在合适的时间、合适的地点满足客户个性化需求，方便客户购买，降低客户购买成本，使客户“让客价值”最大化。实现营销目标需要具体分析与之相关的数据。在数据不够丰富，量不够大，方法不够先进时，传统方法是通过业务经验，逻辑推理进行营销。而随着数据及技术的发展，实现上述营销目标不再是业务经验，而是通过数据挖掘技术将散乱的数据进行预处理，探索，建模发现并识别数据与目标间的关系模式从而科学的指导决策营销方向，实现营销目标。
(2)精准营销的“精”和“准”依赖数据挖掘。精准营销要达到的营销效果是“精”和“准”，那么可衡量的方法才是其核心思想。那就要洞察并具体确定营销的客户是谁?消费习惯如何?偏好和需求是什么?以往靠业务经验和直觉以及简单的数据统计已经无法实现，只有依赖数据挖掘算法及技术才能实现。随着数据的丰富，开源软件的发展，数据挖掘技术已能够满足目标客户的识别，用户消费偏好识别，渠道偏好识别等问题，因此说精准营销依赖数据挖掘。
三、目标用户识别模型库
“低流量客户流量拉升营销”。低流量用户群体:从运营商经营分析系统(BASS)数据库中提取流量使用的用户数据，去掉流量使用极高值和极低值，文章去掉前后各1%的极值数据。然后对剩余用户流量数据进行离散处理。通过数据统计，0～5M用户占比为8．46%，5～300
M的用户占比53．44%，300兆以上的用户占比36．1%。
最终确认流量消费较低的用户群体为5～300兆的用户群体。对该部分群体定义流量消费较低，进行拉升精准营销。(低于5兆及高于300兆用户群体另外进行沉默客户激活营销，高于300兆用户群体另外进行保有及提升营销，这里不做研究)。
低流量客户群体分两部分进行研究。一部分客户流量消费较低是客户真实流量需求或消费能力低导致。另一部分是因为被家庭宽带、二卡槽(多终端)、wifi分流导致用户移动号码流量消费较低，而真实消费并不低。不同的目标客户最终营销推荐的产品及政策不同，所以低流量客户流量拉升营销的目标客户识别模型库包含4个模型，分别是家庭宽带用户识别模型，双卡客户识别模型，wifi分流客户识别模型，真实低流量用户识别模型。
(1)家庭宽带识别模型。通过探索低流量客户的GPＲS上网行为数据与其夜间常驻基站的关系数据识别移动号码使用竞争对手宽带用户以及移动号码并未使用任何宽带既宽带空白用户。(样本数据:选择已办理移动宽带的客户;夜间常驻基站:模型通过汇总用户近3个月的语音清单和流量清单(有位置信令数据用位置信令数据)，分析其夜间时段(晚上10点～早上5点)的基站使用情况，找出综合通讯时长(语音通话时长+流量上网时长)最长的基站为其夜间常驻基站。
(2)双卡用户识别模型。双卡用户识别模型建模方法为典型的分类算法。典型的挖掘算法流程包含数据预处理，数据清洗，数据探索，变量特征选择，构建模型，模型评价，模型部署。如果模型评价效果不理想，进行模型调优。文章研究的低流量客户是否是双卡客户，是否被第二卡槽分流导致流量消费较低。本次双卡建模使用spssClementine12．0工具，配合SQL进行使用。开发人员将宽表数据放到数据挖掘库下的表中，从数据源节点直接调取。对宽表数据进行数据审核、变换及各种直方图散点图的探索。最终通过特征变量选择节点结合前期业务经验选择建模变量，最终通过逻辑回归及决策术算法进行建模。经过模型评价最终选取决策树C5．0作为本次双卡建模方法。(后期会考虑用Python工具集成的方法进行建模。此处不再累述)。
(3)Wi-Fi分流识别模型。判断用户在各时段是否受WiFi影响，模型中剔除功能机用户、终端无WiFi功能用户、低流量(DOU＜10MB)和有中国移动宽带的家庭成员。数据探索:①Wifi用户ARPU、DOU、DAＲPU、手机上网时长均高于非Wifi用户。②高消费、高流量、4G用户、订购安心包闲时包用户更善于使用WiFi满足流量需求。建模过程:①判断用户流量比:用户在该时段流量比不小于阈值FＲ，说明用户该时段不受WiFi影响，否则进入下一步骤;流量比:一个时段内，用户手机上网流量与各时段平均流量的比，不同时段流量比不同。流量比越小，说明用户本时段内使用的流量越少，被WiFi分流的可能性越大。②判断用户上网时长:用户在该时段流量使用时长不小于阈值T，说明用户该时段不受WiFi影响，否则可能受WiFi影响。手机上网时长:一个时段内用户使用手机上网流量的时长。上网时长越小，被WiFi分流的可能性越大。阀值确定:结合分布及减小误判风险，选取各时段三类用户均值作为阈值。
(4)真实低流量用户识别模型。主要是从用户流量需求角度出发，排除上述疑似分流的用户群体，同时结合用户流量需求强烈度子模型进行确定。建模思路:流量需求强烈程度，采用熵值法计算。①属性选择:流量频次，APP个数(总的APP个数)，APP种类个数(Label_name2)，总流量。②计算方法:将每个属性去极值，熵值化，标准化处理后计算(标准化后的流量频次+标准化后的总的APP个数+标准化后的APP种类个数)/标准化后的总流量。将比值降序排序，按照分布确定需求强烈度不同阀值。
四、用户特征识别模型库
(1)流量抑制用户识别模型。识别低流量客户是否为流量抑制型用户，根据流量抑制频次及抑制程度为客户推荐合适套餐或流量产品。建模思路:在剩余时间，用较多的时间消耗了较少的流量，如图1。
(2)资费敏感度模型识别。识别用户资费敏感度，对敏感用户与不敏感用户推荐的策略不同。有些需要拉升价值推荐套餐，有些需要原价升舱。建模思路:
采用规则判断和模型识别结合的方法，对于满足明显特征客户，可以设计合适规则直接定义为相关客户，对于剩余客户，根据客户对资费敏感度要素，获取客户资费敏感度信息，提取资费敏感相关变量使用熵值法建立模型。
五、用户需求识别模型库
(1)套餐适配模型。当低流量目标客户流量频繁抑制，说明用户套餐可能不匹配，用户需要更合适的套餐来与之消费相匹配。建模思路:大数据挖掘客户近三个月
MOU、DOU均值与现有套餐相似度计算，推荐较为相似的套餐。
(2)流量适配模型。根据上述目标用户特征，如果用户是流量抑制型客户，那么通过测算流量缺口，推荐合适用户的流量产品包。建模思路:根据流量抑制开始时间，推算用户流量缺口，如图2。
六、多模联动实现精准营销
将上述三大模型库中的八大模型标签化，然后通过IOP系统统一实施精准营销。同时充分利用外呼渠道同步协同营销。
IOP系统是指(Integrated Operation Platform)集中运营平台。其依托现有VGOP、营销管理平台和POP-Ｒ等运营支撑能力，通过功能升级、整合、新增，形成一个统一入口、全业务、全流程的运营支撑平台。功能包括市场分析、营销策划、营销执行、营销活动评估、营销活动基础管理功能。在此不再另做详细描述。
七、客户流量拉升营销效果
通过半年的试运行，多模联动技术实现低流量客户流量拉升精准营销，外呼渠道:平均低流量拉升营销较传统营销提升14．9个百分点。IOP渠道:平均营销成功率21．7%。效果显著。
八、结论
精准营销是一系列体系性的过程，要想实现精准营销的“精”与“准”要依赖数据挖掘，而单一模型难以满足精准营销要求的一系列过程，每一个环节都需要模型的支撑与配合，因此完成一个精准营销需要建立多个模型才能实现最终目标。文章正是通过建立目标客户识别模型库，目标客户特征识别模型库以及目标客户需求模型库三大模型库，八大模型共同完成“低流量用户流量提升精准营销”应用。其营销效果显著高于传统营销。
参考文献:
［1］成英玲，甲鲁平．Web2．0时代广告精准营销探析［J］．新闻界，2008(1):136－137．
［2］科特勒著，梅汝和等译．营销管理:分析、计划、执行和控制
［M］．上海:上海人民出版社，2016．
［3］范明，范宏建等译．数据挖掘导论(完整版)［M］．北京:人民邮电出版社，2011．
［4］熊平．数据挖掘算法与Clementine实践［M］．北京:清华大学出版社，2011．