刘晓敏，楼 烨

【摘要】伴随着传统传媒市场的竞争越来越激烈，留住优质客户、发掘潜在价值客户变得尤为重要。通过对多个系统中的客户数据进行分析，构建一套客户群体画像和个体画像标签体系，在此基础上建立分析型和预测型两类数据挖掘模型，并将结果应用到运营管理和市场营销的多个环节中。再通过对实际使用效果的分析，对标签体系和挖掘模型做进一步的完善和优化。从而创建出一个完整的动态客户价值评价系统，为更好的服务客户，提升企业服务质量起到良好的促进作用。

【关键词】客户价值；画像标签；数据模型

【中图分类号】TN943.6；TP391 B

Research on Multilevel Media Customer Value Evaluation System

LIU Xiaomin , LOU Ye

Abstract：With the increasingly fierce competition in the traditional media market, retaining high-quality customers and exploring potential value customers have become particularly important. By analyzing users in various systems, a set of customer group profile and individual profile label systems is constructed. Based on this, analytical and predictive data mining models are established, and the results are applied to multiple stages of operation management and marketing. Through the analysis of actual usage effects, the label system and mining model are further improved and optimized to create a complete dynamic customer value evaluation system, To better serve customers and improve the quality of enterprise service, it plays a good promoting role.

Key words：customer value; portrait labels; data model

0 引言

近年来，传统传媒市场的竞争越来越激烈，实力强大的通信运营商利用自身庞大的客户群体抢占传媒市场，广电用户流失日益加剧，争夺客户资源已经成为企业生存之道的关键性因素。另外，随着互联网行业技术及应用日益成熟和普及，促使传统行业的转型升级已迫在眉睫。

华数传媒网络有限公司开发使用的客户价值评价系统围绕客户全面深入的分析客户标签，打造客户价值、客户信用模型，将客户标签体系及各种模型与相关下游系统连通，直达一线客户，实现针对客户群的选定、投放、效果评定的闭环管理，助力打造营销服务精准化、精益化的产品。以标签体系建设为核心，结合多种数据来源，构建精准化客户营销的辅助工具。

1 客户价值评价系统构成

客户价值评价系统通过构建群体画像和个体画像，标签管理体系，客户群识别和划分，客户群应用效果分析四个模块实现标签统一管理，客户群的选定、投放、效果评定的闭环管理。具体方案如下：

1）构建群体画像和个体画像。每个客户画像是由一组标签形成的，一个功能就是客户个体画像以及群体画像的展示，客户所在的属地为维度，对年龄层、业务分布、消费能力、喜好分布以及活跃度六个方面进行分析。个体画像内容分为三大块，分别为基础标签、客户价值标签、以及价值标签动态监测数据。

2）构建标签管理体系。标签管理包括标签配置和标签分析两大部分。标签配置包括标签的唯一标识、标签值、标签存放位置以及标签所属类别等，以及标签生成相关的参数。而标签分析通过对标签客户群人数、使用次数、更新次数以及分布情况的统计分析，并且结合后续模型使用情况的数据实现对标签质量的监控感知。

3）构建客户群识别和划分。客户群是通过应用于基于标签规则的客户群模型建立，根据不同的使用场景和业务要求，为上下游系统建立具有各自特征的不同的客户群，筛选出客户范围，形成对应的客户群画像。

4）构建客户群应用效果分析。将各上下游系统使用客户群后的实际效果数据进行收集，与预期的效果进行比对分析，找出二者的差异，并且以实际数据为依据对标签进行优化改进，对客户群的划分进行调整，从而持续改进标签体系，使得标签体系在滚动的更新，不断的优化和升级。

2 客户价值评价系统核心设计

客户价值评价系统采用“1+2+N（多）”的设计模式，即构建1套统一标签体系，作为系统的基础；设计分析型和预测型2类数据挖掘模型；应用到N（多）个业务和运营场景中去进行效果的检验，应用后的结果数据用于进一步的优化和改进标签池和数据挖掘模型，实现数据的闭环、动态的更新和管理。

通过业务运营支撑系统、用户运营系统、呼叫中心、用户行为以及互联网相关数据，以客户价值模型（CVM）为主，分析挖掘得到最有价值标签体系，在此基础上建立客户群模型，进行精准化营销，营销结果数据又能反馈至系统中进行迭代分析，依此优化和调整标签以及客户群模型，实现高效、灵活、精准的客户营销和产品服务。同时与上下游系统衔接，将结果应用到线上线下的运营和营销活动中，包括广告系统，任务积分系统，营销系统以及业务支撑管理系统和客户服务系统等，针对每个系统建立不同的客户群，提供不同的客户服务数据。

2.1 标签池设计

统一标签池是为实现全方面、多维度、多层级的剖析管理客户标签。按照业务属性可分为基础属性、房产、业务属性、收入、收视行为、喜好、客户服务和客户成长等8大类。按照标签能力可分为定值型标签（如年龄、性别、家庭构成等）、统计型标签（如开机天数、点播次数等）、分析型标签（活跃度、忠诚度、满意度等）、预测型标签（流失概率、信用额度等）4大类。标签构成图如图1所示。

图1 标签构成图

2.2 分析和预测模型设计

建立分析型模型和预测型模型，其中分析型模型包含客户价值模型[1]，预测型模型包含流失预测模型[2]、客户信用模型[3]等。

2.2.1 客户价值模型

客户价值模型（CVM，customer value model）作为客户价值体系的庞大分支构成旨在根据客户的历史活动轨迹实现客户价值精准定量评价，即客户对贡献总和的定量评价。其特点是从微观到中观到宏观层次清晰，可灵活组合。客户价值模型建立方法：

1）建立模型体系。根据客户的基本信息数据、业务数据以及行为喜好数据构建多层次、全方面的客户价值模型，模型自上而下从宏观到微观划分为四个层次：

最上层为客户价值，包含当前价值、潜在价值、成长价值三个二级标签；当前价值由第四层级的收入标签聚类生成，潜在价值包含活跃度、忠诚度、满意度、接触度四个三级标签，成长价值包含新业务贡献度和活动参与度两个三级标签；各自的三级标签再由最底层的四级标签聚类而成。客户价值层级图如图2所示。

图2 客户价值层级图

2）基础指标数据标准化处理。用基于客户属性的相似度算法为缺失行为数据的客户寻找相似客户，并估算其相应的行为数据；为客户名下的多个用户制定权重，进而转化为客户相关的基础标签；并做数据归一化。

3）对数据进行分类。假设每层有 个指标，其中 表示自上而下的层数，则每个上层指标 挑选出相关性最大的基础指标集 ，利用层级聚类算法对客户进行聚类，将m个客户样本最终划分为100类 ；

4）为每个类计算分数。为了确定100个类别集合的客户数据的优劣程度，即为每个类打上科学合理的分数 ，将所属各个集合的客户总创收进行排序，以此确定每个集合的分值，创收越高分值越高。

2.2.2 客户信用模型

客户信模型（CCM，customer credit model）旨在根据客户的历史消费、欠停、收视行为实现客户信用评估，给出合理的信用额度从而减少坏账风险。

客户信用层级构成：客户信用包含三个层级，最上层信用额度包含信用分和出账金额两个二级标签，信用分由三级底层标签聚类而成。客户信用层级图如图3所示。

图3. 客户信用层级图

根据不同的信用等级以及各自的缴费习惯，来合理预置客户所可以持有的欠费额度，从而提高公司的财务安全性，有效减少坏账，同时又能保证客户对产品使用感官，最大程度地留住客户。该模型是在CVM模型中衍生出的子模型，同时上层结构完全不同于CVM，是从另一个维度对用户价值进行描述。

2.2.3 流失预测模型

流失预测模型旨在通过数据的分析挖掘输出有潜在流失风险的杭州华数互动套餐客户群体，并分析对互动套餐用户流失有影响的因素，为市场的维挽及决策提供数据支撑。

流失预测模型分为订购客户流失预测模型和一定期限内恢复订购客户预测模型。订购客户流失预测模型是通过数据的分析挖掘输出有潜在流失风险的套餐订购客户群体，并分析对订购套餐用户流失有影响的因素，为市场的维挽和决策提供数据支撑；一定期限内恢复订购客户预测模型输出客户在一定期限（一个月/三个月等）内可能会恢复订购的客户群体，并分析客户恢复订购的因素，为市场的维挽和决策提供数据支撑。同时两大模型相互验证，进一步筛选客户，提高预测准确率，进一步识别分出摇摆客户群体，即可能恢复订购也可能会流失的客户。两大模型研究对象不同，输出结果有所不同，对所选特征进行特征工程处理，选用随机森林的算法，得到比较好的效果。

另外基于账户余额、消费历史、套餐到期、设备年限、投诉记录等数据，使用C4.5决策树[4]、回归决策树[5]、逻辑回归等算法，基础用户流失预测模型，预测出最近三个月内可能取消订购、出现欠费等概率较高客户群体等。

2.3 客户价值评价体系应用

客户价值评价体系应用到运营和营销的多个环节中，特别是在客户生命周期管理中，从客户拉新、客户增值和客户留存三个生命阶段的定向营销和维系。

1) 助力网格营销。在线下营销实战中，根据客户画像标签输出与小区的业务渗透率、机顶盒开机率、互动电视点播率、小区的客户人员结构、小区客户的业务订购、付费、及欠费等数据，选出套餐即将到期、即将欠费的用户和小区用户的点播偏好等信息，为网格营销活动在制定营销策略、服务套餐等方面提供数据支撑。一方面提高了营销人员的效率，另一方面通过营销反馈的结果数据丰富和检验了系统的可用性。经过营销实战结果情况统计，在数据的协助指导下，营销实战获得良好的效果，充分发挥了数据的指导作用。

2) 支撑客户挽留。以订购客户为对象，使用客户价值评价系统中的客户社会属性、用户粘性、服务产品、客户续费情况的数据，以用户流失模型为基础，预测得出客户流失的规则，应用于业务受理、网格营销、客户咨询服务等环节中，同时市场人员结合客户的半年内订购的产品数、服务使用情况、缴费情况等数据，对客户是否进行挽留进行分析，并且为每个客户规划适合的营销策略和服务策略，达到最大限度的将客户留下来的目标。

3) 为客户规划最优的服务套餐。根据客户的基本属性标签、分时段点播偏好标签、点播内容标签等，为客户定制其感兴趣但暂时还未订购的产品列表，在客户自助续费、营业厅业务受理、业务咨询受理时，向客户提供最佳的产品订购推荐，从而优化客户的订购服务，使得其真正体会到物有所值。

4）门户运营更加精细化。在互动点播门户上，将客户的标签与智能推荐算法相结合，为每个客户筛选出更加切近自身偏好需求的内容资产，在门户的显耀位置呈现，使得客户能更加便捷、直观的找到感兴趣的内容，不但为客户节约了内容选取的时间，更是盘活存量历史内容资产，提升了门户的浏览转化率，使得运营人员从以往大量的手工编排工作中释放出来，更加聚焦于内容本身，提高了工作效率

3 结语

对于客户价值的分析和探讨，从对数据实体的关注，到特质标签的提炼，再到统计、分析和数据模型的建立，以及在业务中的应用，形成一整套完整的用户价值体系。结合业务发展需要，以灵活组合构建新模型以及模型的效果评估和检验。结合广电行业运营经验，为专业的数据分析人员和市场政策活动提供数据支撑，为一线营销人员、产品运营人员实现及时、快速、智能的数据服务，促进其提高工作效率，为客户提供更好的优质产品和服务。

参考文献

[1]李晓萍.K-means算法对综合商场客户价值分类的研究[J].电子技术与软件工程,2021 (24):122-124.

[2]许乃利.基于大数据技术的电信客户流失预测模型研究及应用[J].信息通信技术,2018,12(2):66-71.

[3]何姿娇,欧阳浩,刘智琦等.基于决策树的个人信用风险评估模型[J].信息技术与信息化,2021(7):122-124.

[4]王文霞.数据挖掘中改进的C4.5决策树分类算法[J].吉林大学学报(理学版),2017,55(5):1274-1277.DOI:10.13413/j.cnki.jdxblxb.2017.05.42.

[5]闫云凤.基于决策森林的回归模型方法研究及应用[D].杭州：浙江大学,2019.DOI: 10.27461/d.cnki.gzjdx.2019.000022.