【摘 要】基于通信運營商社交網絡數據量巨大、產生速度快、交互速度快、數據結構多樣和分析復雜的特點，結合傳統結構化數據的分析，提出了一種高影響力客戶識別的模型，并應用于客戶套餐購買過程中，得出了6個月內高影響力客戶比隨機客戶推薦成功率平均提升4.8%、絕對量提升29倍的效果。

　　【關鍵詞】中文核心期刊,大數據,社交網絡,客戶識別

　　1 前言

　　目前大數據和云計算兩個概念是很熱門的話題，業界逐步開始區分大數據和云計算。前者主要是指業務問題、創新機會和技術平臺;后者主要是指按需付費、資源動態調配、自服務的商業模式[1]。互聯網、社交網絡、傳感器、科研、金融正在產生越來越多的數據，聯合國于2012年7月10日在紐約總部發布了一份大數據政務白皮書《大數據促發展：挑戰與機遇》，總結了各國政府如何利用大數據更好地服務和保護人民[2]。美國政府推出了“大數據”戰略，媲美于當年克林頓政府時代的信息高速公路計劃，奧巴馬希望借助大數據來將美國經濟帶出泥潭，從基礎建設到IT硬件、軟件、網絡，最后到數據[3]。

　　運營商每天產生10TB+話單、30TB+上網日志和100TB+信令數據，對大數據的需求主要集中在Analytics

　　(分析)和使用方面。大數據驅動市場營銷、驅動成本控制、驅動產品和服務創新、驅動管理和決策的創新、驅動商業模式的創新。智能終端、交互渠道、用戶生成內容、傳感器、社交媒體等多種方式產生的新型非結構化/半結構化數據(大數據)，在通信運營商中，與傳統結構化數據和分析方式整合后將創造巨大的價值。通過基于客戶位置數據、網絡日志數據和社交網絡數據，對客戶的消費行為、交往圈、流失情況和欺詐情況進行分析，提高了客戶的忠誠度和保有率，既帶來了相當數量的收入貢獻，又挽回了巨大的損失。

　　2 社交網絡大數據特點分析

　　大數據帶來更強的競爭力、更快速的分析。應用數據分析的價值在于獲得比競爭對手更全面、更多樣化的信息以及更多發現，其中可能蘊含制勝的關鍵。企業的差異化能力依賴于數據分析，分析競爭成為企業的基礎戰略。數據分析幾乎可以提升所有的商業過程，包括產品、價格、流程、銷售、客戶、人力、收購等。

　　數字化運營和數據分析成為每個運營商的基本能力，傳統的數據及分析如CRM系統中的客戶信息(通話、交易記錄;廣告效果;賬戶信息;營銷預算、花費數據等)，可以一定程度地反映一些信息，但已不再能給出重要的洞察和發現，尤其是面對競爭的時候。未來5―10年沒有人會記得電信業，因為每件事情都基于數據，而不是基于通信。通信價值的逐漸下降有可能使得10年后大家都不知道什么是通信公司，成功的電信運營商將會成為大數據公司[4]。來自社交網絡/媒體行為和郵件數據、移動搜索的內容、有效的客戶生活信息及個人屬性、位置信息、漫游記錄、建筑數據和智能設備等的大數據構建了用戶行為分析的基礎，其中社交網絡數據由于社交網絡營銷正成為企業采用的一種新的營銷方式而顯得尤為重要。

　　社交網絡數據的特點體現在：

　　(1)數據量巨大(Volume)，包括海量信令信息(位置更新/開關機/網絡質量)、海量互聯網行為數據(DPI/URL/社交媒體/關鍵詞)、海量話單信息(語音話單/短信話單/CDMA話單)、M2M數據等;

　　(2)產生速度快(Velocity)，如互聯網/信令數據秒級到毫秒級的生成記錄;

　　(3)交互速度快，業務上需要能夠對數據實時訪問和處理;

　　(4)數據結構多樣(Variety)，包括文本信息/互聯網網頁/投訴文本/短信文本、WAP日志/Web日志、用戶行為內容、客戶語音/營業廳影像/票據、傳統結構化數據等;

　　(5)分析復雜(Complexity)，如大數據交互式分析、移動互聯網背景下的客戶行為分析、復雜結構數據的關聯整合、復雜負載類型的管理等[5]。

　　3 基于社交網絡分析的高影響力(種子)

　　用戶識別

　　如何利用社交網絡分析提升營銷能力是通信企業面臨的一個重要問題。移動通信網絡組成一個有效的社交網絡，但通信企業在社交網絡分析和營銷方面還存在如下不足：

　　(1)企業營銷：企業在衡量客戶價值時沒有考慮客戶的影響力價值，營銷時關注客戶購買產品的潛在需求，沒有考慮客戶對產品的營銷傳播能力;

　　(2)客戶信息：數據倉庫存儲以客戶個體屬性信息為主，很少涉及客戶之間的關系屬性，特別是從通信網絡中提取的社交網絡特征;

　　(3)分析模型：在構建傳統分析模型時，沒有把客戶間的相互影響以及客戶關系和影響隨時間變化的趨勢考慮進來。

　　3.1 社交網絡分析概述

　　電信行業、傳媒產業借助社交網絡分析，通過客戶的通話數據、微博連接，能夠識別出這部分“影響者”。社交分析并不是分析單一用戶的通話記錄和微博信息，而是分析各用戶所處的社交網絡。社交網絡分析是從大數據量中識別客戶行為模式的技術，是一種無監督模型，其目的在于了解虛擬網絡或一個小群體中現有客戶的行為，建立客戶間關系的全貌，用于指導企業的社交網絡營銷[6]。社交網絡分析關注網絡的靜態分析和動態分析兩個層面，具體如下：

　　(1)靜態分析：提取網絡指標，對網絡特征刻畫，識別網絡群組;

　　(2)動態分析：網絡如何隨時間推移進行擴散，影響其他節點。

　　從電信CDRs(Call Detail Records)數據可以提取各種社會網絡，如語音通話網絡(客戶A撥打或接收客戶B的語音通話)、短信網絡(客戶A發送或接收客戶B的短信)、彩信網絡(客戶A發送或接收客戶B的彩信)、電子郵件網絡、飛信網絡、移動互聯網、社交媒體等。

　　客戶在擴散活動如產品推廣活動中，能夠接觸更多的客戶，并且可以影響到更多的關聯客戶跟他們采取同樣的行為或參加一樣的營銷活動，因此客戶影響力是附屬于具體營銷活動或營銷問題的，藉此可以進行流失應用和新業務推薦分析。流失應用是通過社交網絡分析識別流失客戶中的有影響力客戶，判斷與之關聯的哪些客戶可能跟隨流失，從而改善客戶維系工作流程;新業務推薦是通過社交網絡分析識別對某些新產品或業務推廣的有影響力客戶，進而影響與之關聯的客戶也跟隨購買同樣的產品或業務，從而降低營銷運營成本并提高效益。 　　3.2 社交網絡分析模型構建

　　首先，構建客戶影響力模型指標體系，見表1。所有指標一般采用最近4個月的平均值，另外需要對異常值進行剔除，對極端值按照客戶行為平均值進行平滑處理。

　　其次，建立客戶影響力模型計算方法。其中，去話和來話對通信企業的價值不同，去話的影響力和價值高于來話，去話與來話的收入折算系數為12.215。為消除量綱的影響，所有指標除以變異系數進行標準化處理，二階中心度的影響力較一階中心度低一級，做開平方根處理，單次通話時長做同樣的處理。根據已發生事實調優客戶影響力計算公式，如客戶影響力指數沒有與具體業務問題進行關聯，即在客戶流失問題中有影響力客戶在捆綁套餐營銷中不一定有影響力，因此需要根據具體的業務問題對客戶影響力指數的指標及權重進行調整。

　　3.3 模型應用結果

　　篩選基礎目標客戶：抽取用戶近3個月的交往圈信息和互聯網訪問內容信息，剔除移動互聯影響力較弱的用戶隊列，即：剔除近3個月相互主動聯系次數不超過N次的用戶;剔除上網行為匹配度低的交往用戶(近3 個月內沒有使用相同業務或不滿足訪問內容一致性、相同內容/應用訪問時間、時長一致性等);計算每對用戶間的互聯邊權重(強聯系是指語音聯系;弱聯系是指信息聯系，如短信、彩信、飛信、飛聊、郵件等;虛聯系是指其他無顯式的互聯，如微博粉絲、通信錄好友、集群網成員等)。計算次數時要求客戶彼此之間有互聯，如彼此有語音主叫、彼此有發送信息、彼此加對方為好友，否則聯系值為0。剔除權重低于全網均值的互聯邊，如某群體之間的平均互聯邊權重約為28，則剔除后社交網絡的互聯邊數量從7億條降至1.2億條，可大大減少計算量。

　　(1)選擇購買套餐的前100名最具有影響力客戶和隨機100名客戶，觀察這兩組客戶的關聯客戶在隨后6個月內的套餐辦理數和辦理率，結果如圖1所示。這表明有影響力客戶影響關聯客戶隨后購買套餐的數量和比例都高于隨機客戶的影響，且初始月份之后，影響力有逐漸增強的趨勢，而隨著時間再繼續向前，影響力又逐漸變小。

　　(2)以客戶間的通話時長作為關系強度的衡量。如圖2所示，本網一對客戶之間的月平均通話時長為6.5分鐘;選取前100名有影響力客戶，他們與其關聯客戶之間每個月平均通話時長達到24.6分鐘;觀察有影響力客戶與6個月內受影響購買套餐的關聯客戶之間的通話時長，最先受影響購買套餐的關聯客戶與初始有影響力客戶的通話時長最長，隨著月份的增加呈逐漸下降的趨勢，這表明與初始有影響力客戶聯系越多的客戶越最先受到影響。

　　在套餐推廣過程中引入基于社交網絡分析的高影響力客戶識別模型算法，可以明顯看出有影響力的套餐購買客戶能夠帶動更多的客戶跟隨購買。隨著時間的推移，有影響力客戶與隨機客戶對管理客戶的影響比較越明顯，推薦成功率、推薦絕對數均隨時間推移有顯著增加，具體如表2和表3所示：

　　本次推薦的套餐價格為88元，根據三年內的統計數據，套餐的平均使用周期為 12個月，將社交網絡分析的高影響力客戶識別模型算法僅用于100名客戶就為運營商增加242.35萬元的收益，有效地解決了運營商在企業營銷中充分挖掘客戶對產品的營銷傳播能力，提取客戶之間的關系屬性，將客戶間的相互影響、客戶關系和影響隨時間變化的趨勢在構建分析模型時充分地考慮進來。

　　4 總結

　　大數據時代的運營商將具備前所未有的深度洞察能力，各類客戶數據、交互數據將通訊行業的商務智能從傳統分析帶到了更廣闊的空間，全球眾多運營商目前正在實施大數據。未來運營商將有更多的模式來經營大數據資產，包括租售數據模式、租售信息模式、數字媒體模式、數據使能模式等，各種模式背后也將催生出更多的產業[7]。

　　參考文獻：

　　[1] 移動Labs. 應區分云計算和大數據兩個概念[EB/OL]. (2012-12-28).

　　[2] 王萌. “與數俱進”：聯合國發布大數據政務白皮書[EB/OL]. (2012-07-12).

　　[3] 大數據蘊含大價值[EB/OL]. (2013-07-21). .

　　[4] 維克托・邁爾-舍恩伯格，肯尼思・庫克耶. 大數據時代[M]. 盛楊燕，周濤，譯. 杭州： 浙江人民出版社， 2012.

　　[5] 吳增海. 社交網絡模型的研究[D]. 合肥： 中國科學技術大學， 2012.

　　[6] 肖云鵬. 在線社會網絡用戶行為模型與應用算法研究[D]. 北京： 北京郵電大學， 2013.

　　[7] 趙正永. 大數據專題講座心得體會[N]. 陜西日報， 2014-02-11.★