基于CRM信息技术的渠道偏好度模型的管理应用(一)

详细内容

摘要：文章以CRM系统对客户行为和偏好的深入分析为基础，对基于信息技术对客户的渠道偏好进行了深入探讨。论文以中国电信行业为例，选取了一个典型案例企业，对其电话客服中心、短信渠道和网站渠道的偏好度进行分析，研究结论对电信运营商的提升客户关系、提升业务绩效、提高客户数据处理技术方面均提供了良好的指导。
　　关键词：CRM；渠道偏好度；电信
　　
　　一、 案例研究方法与模型介绍
　　
　　西方学者的案例研究过程渊源已久，Kyburz-Graber（2004）将案例研究分为三类：描述性案例研究、探索性案例研究以及因果解释性案例研究。本研究属于探索性案例研究，希望以国内一家电信运营商的CRM管理过程实践为研究对象，分析客户对于渠道的偏好度。本案例企业为某电信运营商的一家地市分公司，拥有超过三百万用户，主要从事移动通信和数据服务业务。
　　
　　这家电信运营商在完成基本的各种业务运营的生产性信息系统后，进一步完成数据汇总并建设了涵盖所有客户互动历史数据的中央数据仓库系统作为企业级业务数据平台。其市场营销部门充分利用这个统一集中的管理信息平台，对客户作各种深度的数据挖掘研究。对于渠道的偏好度的研究分析方案如下：
　　1. 渠道的类型定为四类：营业厅、电话客服中心、短信、网站。
　　2. 客户渠道的偏好度模型，使用数据挖掘的人工神经网络技术（详述如后），计算出每个用户使用四种渠道办理业务的倾向度评分。
　　3. 主要的数据来源包括客服中心呼叫记录，短信请求记录，网站渠道运营记录，业务支撑系统工单，服务使用数据，以及客户基本属性数据等。
　　4. 时间分析窗口数据，利用渠道偏好度模型给每个分析用户进行渠道使用倾向评分，再通过验证窗口用户使用渠道情况进行模型验证。分析窗口：用于分析特征的历史数据的时间跨度，需要3个月的历史数据；验证窗口：用于验证用户使用渠道情况，需要2个月的历史数据。
　　5. 本案例研究所使用的技术方法为人工神经网络（ANN）。人工神经网络的研究发展起源于20世纪40年代，是一种模仿人脑神经系统的非线性映射结构。它不依赖于精确数学模型，而显示出自适应和自学习功能。1943年，法国心理学家W.S.Muloch和W.Pitts提出了第一个神经元数学模型，开创了人类自然科学史上的一门新兴科学ANN的研究。
　　人工神经网络会不断检验预测结果与实际情况是否相符。把与实际情况不符合的输入输出数据作为新的样本，对新样本进行动态学习并动态改变网络结构和参数，这样使网络适应环境或预测对象本身结构和参数的变化，从而使预测网络模型有更强的适应性。而在ANN的实现过程中，往往需要大量的数据来产生充足的训练和测试样本模式集，以有效地训练和评估ANN的性能，这正好是建立在数据仓库和数据挖掘工具所能提供的。由于ANN和数据挖掘两者的优势互补，将神经网络用于数据挖掘具有现实意义和实用价值。人工神经网络在数据挖掘中的优势是：对于噪声数据的强承受能力，对数据分类的高准确性，以及可用各种算法进行规则提取。
　　人工神经网络方法常用于分类、聚类、特征挖掘、预测和模式识别。神经网络模型大致可分为以下三种：（1）前馈式网络：以感知机、反向传播模型和函数型网络为代表，主要用于预测和模式识别等领域；（2）反馈式网络：以Hopfield离散模型和连续模型为代表，主要用于联想记忆和优化计算；（3）自组织网络：以自适应共振理论：（Adaptive Resonance Theory，ART）模型为代表，主要用于聚类分析。
　　在本案例应用中，主要是用前馈式网络来进行多变量的概率分布预测。因为本文目标是对用户使用几种渠道的可能性高低进行预测。
　　
　　二、 案例研究的实施与分析
　　
　　1. 业务规划的考量。对客户使用渠道的习惯偏好进行分析具有重大意义，可以对营销活动提供有力的支持。通过客户行为特征分析，寻找客户选择渠道的偏好，提供客户营销渠道的最优路径。不但有利于优化渠道资源，降低营销成本，更能提高营销成功率，提升客户满意度。
　　目前电信客户可以使用的移动通信服务渠道包括营业厅、电话客服、短信、网站、自助服务终端等，其中营业厅提供服务功能最为齐全，但成本也是最高；电话客服使用最为广泛，几乎每个客户都有使用电话客服的经验，也是提供最多服务的渠道，对于电信公司的用户满意度非常重要。因此，研究应用的重点之一就是如何发挥电话客服的优势，以有限资源服务更多的高价值客户和业务，减少低价值客户和业务占用客服资源的比例。同时，重点发展电子渠道，着重提高电子渠道的普及率，培养用户使用电子渠道的习惯，引导用户从传统渠道（营业厅、电话客服）向电子渠道（短信和网站）转变。
　　
　　2. 具体的技术实现方案：
　　（1）数据准备：基于业务理解以及数据分析，选取以下变量为构建模型的基础变量；（详细列表如表1所示）
　　（2）数据质量分析：对预处理之后的基础变量进行数据质量分析以剔除质量较差的变量；
　　（3）数据探索：通过可视化（Visualization）工具及统计分析等方法来展示及探索各个变量的可用性，从而获得模型的输入变量。从中了解变量的重要性及业务发展规律；
　　（4）数据处理流程：按照挖掘任务的要求，将数据从中央数据仓库抽取生成挖掘专用的数据集市。基本的数据处理流程有：数据源的汇总合并；执行数据探索抽样；透过人工神经网络（ANN）进行模型打分；产生模型并进行模型验证整体技术方案的关键点体现在两个方面：建模过程：为渠道偏好的分类预测找到合适的基础变量，有助于模型收敛更快更好；模型应用过程：应用最小长度原理，控制隐藏节点数，以达到拟合最优。另借助SAS软件工具实现模型打分。
　　3. 具体应用实现案例。根据电话、网站、短信和营业厅渠道各个评分前10%的用户，取各渠道用户的评分值、每用户平均收入（ARPU）、以及在网时长的信息设计营销方案。
　　（1）对偏好电话的客户，通过电话营销中心外呼进行营销，完成后需要对客户进行短信感谢，同时介绍网站渠道的便利性和信息丰富的特点。
　　（2）对偏好网站的客户，通过短信提醒用户登录网上营业厅办理业务的优惠信息，在客户登录网上营业厅时进行营销推荐，同时考虑发展响应较高的用户群作为网站营销的种子客户，进行持续的优惠激励。
　　（3）对偏好短信的客户，通过短信进行营销推荐，给予短信办理业务的优惠条件，提醒客户可以尝试使用信息更加丰富的渠道――网站，并提供网站办理的简单指引。
　　（4）对偏好营业厅的客户，通过短信提醒客户最近的营业厅，同时推荐客户使用电话渠道，而后再通过电话引导客户使用营业厅之外的渠道，并考虑对这些客户给予业务优惠吸引他们采用。