用数据挖掘提升电信CRM能力

客户世界 | 2015年7月12日 | 会议会展 | 评论已关闭 | 1462

客户世界||2006-11-10

国内电信运营企业在经过了轰轰烈烈的CRM"运动"之后,似乎又陷入了沉寂。或许是大家满怀希望开始,以不理想的状态而告终,陷入了深沉的思考;也或许是项目建设小有成果 ,现在正在调整和推广……

但总体来看,国内几大运营商的CRM建设，除在呼叫中心这一客户接触渠道有了一些突破性的成果外,其他都不应该说取得了完全成功,在IT系统上形成了BSS和CRM系统的夹生饭。

电信运营商CRM系统的规划和实施主要解决的问题是: 销售过程管理、销售预测、订单管理和销售分析，主要管理对象为企业的大客户。

销售过程管理即对业务人员与客户的接触纪录进行管理，电信运营商的大客户销售管理也是分行业、分区域，因此往往容易形成多级客户管理的模式，如何让不同层级的员工更好地了解企业与客户的沟通，从而及时满足客户需求并获取销售机会，成为重要的管理问题。

因此，企业需要通过CRM系统来解决业务人员的客户拜访进程纪录、费用管理及销售漏斗管理等问题。其管理数据包括: 客户联系人决策树、客户交互纪录、费用等; 销售漏斗的管理包括: 各客户所处的不同状态、预计签单额、跟单销售人员等；订单管理即对客户购买的产品/服务、价格、期限、SLA协议进行管理; 销售分析则是对销售状况按产品、时间、员工、价格、趋势等做OLAP分析。

在提供以上关键应用解决方案的同时，项目组也要对该运营商的其他系统作充分调研，让业务部门最大程度地建立全面的客户视图。包括与营销管理系统、Call-Center、OSS、流程管理系统等接口，通过这些系统与CRM系统的数据交换，让业务部门实时了解企业与客户的交互。

换个角度思考问题

可以肯定的是，以上的这些工作在帮助运营商提升客户关系管理能力方面起了非常重要的作用。但随着电信市场的竞争，尤其是资费竞争使客户忠诚度日渐下降，加之运营商在CRM方面的认识不断深化，数据挖掘技术在国内的兴起，我们又不得不换一个视角来思考问题。

销售过程的管理能够了解客户深层次的需求吗？对于电信企业上百万的住宅用户如何进行销售过程的管理？销售过程管理，使企业只能通过表面的交互来了解客户，不能深入洞察客户的需求。对于住宅用户而言，这种管理显然是不能执行的，仅仅可以通过将客户账务数据导入系统后做OLAP分析。

电信运营商现有的CRM系统已经帮助企业积累了大量数据：客户基本信息、客户联系人决策关系、客户交互纪录、销售费用、销售状态、产品、价格、趋势、Call-Center交互纪录、甚至账务信息等。面对日益激烈的资费竞争，如何深入应用这些信息，提升企业客户洞察能力，发掘客户需求，提升客户满意度，进而利用客户的消费趋势和规律发掘新客户，成为摆在各电信运营商面前的实际问题。

数据挖掘用于日常经营

数据挖掘，顾名思义就是从大量的数据中挖掘出有用的信息。数据挖掘技术主要包括“关联规则”、“时间序列”、“聚类”、“分类”、“回归”、“决策树”、“神经元网络”、“K-means”等几种算法（如图所示）。

在全球电信行业，数据挖掘技术已经被广泛应用于日常市场经营活动中，目前主要用于“分群”和“预测”。分群就是根据客户基本信息、客户的消费水平、客户的消费行为及客户与企业的交互，将客户分为不同的群，分群摆脱了传统的以客户价值为依据的“分类”思想，它综合考虑了客户与企业交互的所有行为及基本人口统计信息。

例如：以往的分类标准将客户月均消费水平在100元～150元之间的作为一群。但用分群的观点来看，这些客户就不一定属于一个客户群，因为虽然客户的消费都在100元～150元，但部分客户可能是经常使用传统长途和本地电话，部分客户可能是使用IP卡和200卡，还有一部分客户可能是仅宽带上网就使用了100元～150元，应该针对不同客户的需要，提供不同的服务并采用不同的营销策略。

电信企业有其先天性的IT优势，大量的数据包括: 客户基本信息、产品/服务使用信息、各种通话时长、各种通话费用、通话时间偏好、与企业互动信息等，都可拿来作为分群的变量（维度）。

用数据挖掘技术对客户进行分群与OLAP的根本区别在于，前者能够帮助企业以更全面的视角洞察客户，同时发现一些隐藏在数据背后的商业机会；而OLAP则是根据人的主观意图，通过向数据库发出指令，从数据库中得到一个结果。

挽留流失的客户群

电信运营商基于现有各种系统的数据作聚类，可能会得到：流失中用户群、长途用户群、数据业务用户群等。对于流失中用户群需要采取相关策略进行挽留，对长途用户则可根据其长途去向分布推出亲情号，对数据业务则可推出语音+数据业务捆绑套餐等，以期提升客户价值，而不再仅仅局限于用ARPU来对客户进行区分。

笔者在最近的一个固网运营商数据挖掘项目中发现了一个流失客户群，该群客户具有很多相同特征，如本地通话量下降、故障号码呼叫次数多、欠费次数多等，如果在客户呼叫故障号码多于2次时即对客户进行关怀，相信该群客户的流失情况会大大缓解。

“预测”则是通过对客户过去在发生某种行为前一段时间的特定表现，来预测其他客户发生该行为的可能性。其主要应用包括流失预测、购买倾向预测、市场活动响应预测，通过预测模型可以大大提高流失中客户挽留率，提高市场活动响应率，从而保证企业持续增长的收入，提高营销活动的命中率。

如某运营商要推出一种套餐，在不使用预测模型的情况下，该公司向1万个客户发送了邮件，得到的回应只有500个，命中率为5%。为了提高命中率，该公司采用过去购买同样套餐的客户信息做预测模型，得到了增益为3的模型，对客户进行预测打分后选取得分最高（购买可能性最高）的前1万名客户开展营销活动，结果有1500个客户购买了该套餐，命中率为15%。命中率的提高极大地提高了营销效率，节省了营销成本。

同样，可以通过客户离网前的行为特征构建流失预测模型，对即将流失的客户做挽留；也可以通过对现有CRM系统中，业务人员的客户拜访行为对签单成功率的影响构建预测模型，改善业务人员客户拜访水平；通过以往销售人员的客户拜访费用构建预测模型，预测下阶段费用预算；通过销售漏斗所处的阶段与是否签单的关系，预测市场部门的市场活动所需投入等。

通过以上分析我们可以看到，数据挖掘技术已经不再仅仅局限于客户接触层面的客户关系管理，它已经真正深入到客户的消费行为和消费喜好，从更加深入全面的角度洞察客户、理解客户价值，继而基于这种洞察，在合适的时间通过合适的渠道向合适的客户提供量身定做的产品套餐。

在电信业竞争日益激烈，客户流失严重的今天，数据挖掘技术必将成为国内电信运营商进一步提高客户关系管理水平，提升核心竞争力的又一利器！

责编：admin