某市电信低质用户活跃度解决方案 PPT.pptx

1
电信低质用户活跃度提升
解决方案
--
目录
一
数据挖掘项目经验
2
二
IPTV活跃度提升解决方案
三
套餐流量使用率提升解决方案
五个数据挖掘模型,两个客户画像标签
3G升4G换卡模型
(营销响应模型)
政企专线离网预警模型
(用户保有模型)
双百兆目标用户模型
(营销响应模型)
乐享5折用户聚类模型
(用户画像刻画)
乐享5折用户生命周期分析(用户画像刻画)
手机加副卡目标用户模型
(营销响应模型)
乐享5折目标用户模型
(营销响应模型)
数据挖掘客户标签
(数据挖掘基础能力沉淀)
3G升4G换卡营销模型
目标
为提升当前3G升级4G营销成功率,通过数据挖掘模型,找出意愿度更高的用户优先进行营销。
截止9月份,共提供5批次,
测试分区
预测在网
预测离网
实际在网
536,691
31374
实际离网
21689
7522
离网命中率
%
离网覆盖率
%
提升度

模型评估
模型实际应用
营销成功率
双百兆目标用户模型
目标
为提升当前营销成功率,通过数据挖掘模型,找出意愿度更高的用户优先进行营销。本模型以老宽带用户为出发点,以是否融合划分不同子模型,利用随机森林算法,构建最终目标用户模型。
模型评估
测试分区
预测未办理
预测办理
实际未办理
59,563
2650
实际办理
1940
9049
办理命中率
%
办理覆盖率
%
提升度

模型实际应用
月份
外呼量
接通量
接通率
接通后成功率
总体成功率
201609
17736
4798
27%
%
%
201610
6666
2381
36%
%
%
201611
22821
8360
37%
%
%
模型经过10月,11月两月实际应用,接通率,接通后成功率及总体成功率均比未使用模型前有明显提升。10月总体成功率接近9月的两倍。
手机加副卡目标用户模型
目标
为提升当前营销成功率,通过数据挖掘模型,找出意愿度更高的用户优先进行营销。手机加副卡模型分成两部分,一部分为网龄3个月以上的用户,另一部分为网龄3个月以下的用户。利用逻辑回归算法和KNN分类算法,分别构建模型。
测试分区
预测未办理
预测办理
实际未办理
35946
679
实际办理
4335
2948
办理命中率
%
办理覆盖率
%
提升度

逻辑回归模型评估
变量名称
系数
套餐内流量

用户类型

合同剩余月份数

近3月月均充值金额

套餐小类
-
同客户下手机流量
-
同客户下4G手机流量

同客户下4G用户数

语音使用率
-
逻辑回归模型系数
注:系数的绝对值越大,对模型的影响越大。
测试分区
预测未办理
预测办理
实际未办理
117079
3219
实际办理
5725
5664
办理命中率
%
办理覆盖率
%
提升度

KNN分类模型评估
KNN分类模型字段重要性
政企离网预警模型
目标
通过深度数据挖掘方法,挖掘政企专线用户离网规律,并提前2个月预测用户离网概率
测试分区
预测在网
预测离网
实际在网
4,507
277
实际离网
137
109
离网命中率
%
离网覆盖率
%
模型的效能(ROC)曲线
乐享5折目标用户模型
目标
为提升当前营销成功率,通过数据挖掘模型,找出意愿度更高的用户优先进行营销,利用随机森林算法,构建最终目标用户模型。
模型评估
字段重要性
测试分区
预测未办理
预测办理
实际未办理
51599
300
实际办理
1921
2954
办理命中率
%
办理覆盖率
%
提升度

月份
外呼量
接通量
接通率
接通后成功率
总体成功率
201610
4497
1533
34%
%
%
201611
5056
1870
37%
%
%
模型实际应用
模型效能(ROC)曲线
乐享5折用户聚类模型
为了提