基于流量抑制及 高额溢出用户识别的大数据流量经营

曹蕊　叶林　陈志伟　吴味波　诚然

摘要：文章针对流量用户进行区分，对高额溢出用户与流量抑制用户分别建立识别模型，在增强用户体验的同时增大流量包的销量，达到增加用户的ARPU值及用户品牌粘度的良好效果。

关键词：大数据;流量抑制;流量高额溢出;精准营销

当前，流量经营成为电信运营商摆脱管道化、同质化和低值化困境、实现突破的重要抓手，运营商必须基于对流量特质的深度理解、重新制定流量经营策略。随着4G流量时代的到来和需求的个性化，真正的转变已经发生，即以流量为承载的个性化、碎片化信息消费成为主流，同时信息的生产和消费使得产品品类极大丰富，市场呈现长尾效应。因此需要基于大数据分析细分用户需求，推进营销创新，释放传统电信业务潜力，从而扩大流量规模，同时利用资费杠杆调节量收。

一、问题提出与实证流程

面对着用户增量市场的趋于饱和，各大运营商已经纷纷将经营中心转移至如何进行有效的客服需求挖掘及客户维系上。如何有效挖掘流量用户的需求，进行精准营销，进一步的提升其ARPU值，并针对新流量用户循序渐进地引导养成其流量产品消费习惯，都成了各大运营商在流量运营中的核心发展战略。

基于以上背景，通过对中国电信S省公司用户2016年5月的流量激活用户流量使用情况进行分析，发现约253万用户为中低饱和度用户，136万用户为流量溢出用户，87万用户为高饱和度流量用户。本研究在开发过程中将神经网络算法以及决策树算法运融入管理流程中，通过采集整合电信公司CDR话单数据，利用数据挖掘工具对用户的流量使用轨迹进行量化分析，建立用户的流量轨迹变迁特征识别模型，区分出两大类用户特征群体，并建立流量客户识别模型。

其中，流量抑制型用戶为在自然月随着时间的推移，用户使用流量不断增多，到达某个时间点后，开始主动做出流量控制的用户。高额溢出型用户为在自然月随着时间的推移，用户使用流量不断增多，同时不会有减少趋势，最后流量使用达到高额溢出的用户。

针对流量抑制型用户，在用户到达使用临界点时，要展开流量包的营销，促使用户在本自然月剩余时间放心流量使用。针对高额溢出型用户，在用户流量增大到临界点，也同时要展开大额流量包推荐营销，为用户经济考量，让用户放心用，避免用户转为抑制型用户或者流失。

在对流量用户进行细分后，进一步进行精细化营销，同时与各种业务流程相结合，增加用户的ARPU值以及用户品牌粘稠度，经本省实际使用后，进一步印证了系统的商业效果以及流程创新的有效性，图1为本研究的实证流程图。

二、数据分析与汇聚

由于流量产品精准营销系统在运营商现有流量运营的整体系统工具中，是作为各项数据汇聚、筛选、整理、挖掘、共享及最终形成具体策略的系统，其所实现的效用就是在“在最合适的时间”、“最恰当的地点”将“最适合的业务”推荐给“最具潜在需求的用户”，在流量运营整体系统规划中占据着核心的地位。本次研究通过BSS接口、客户折扣资源系统接口、MISC接口、移动互联网网络行为分析系统接口、生活圈等，经过DPI设备解码后分拣出用户流量行为的数据。

三、数据挖掘模型建立

（一）数据挖掘模型分析

逻辑斯蒂增长模型又称自我抑制性方程，逻辑斯蒂曲线通常分为五个时期：

1. 开始期：种群个体数很少，密度增长缓慢。

2. 加速期：随个体数增加，密度增长加快。

3. 转折期：当个体数达到饱和密度一半（K/2），密度增长最快。

4. 减速期：个体数超过密度一半（K/2）后，增长变慢。

5. 饱和期：个体数达到K值而饱和。

如前所述，流量抑制型用户是在自然月里随着时间的推移，使用流量不断增多，到达某个时间点后主动做出流量使用控制的用户。其行为增长符合逻辑斯蒂增长模型，因此设计判定值：R=（100%-t）/（100%-c），意思是以某个时间点为界，之后的单位时间内的流量密度比之前的流量密度; 当R=1，意味着之前和之后的日均流量相等;R>1，意味着之后的日均流量相比之前出现下降，R越大，表明下降得越严重; 流量抑制型用户：R≥N（阈值）的用户。

模型算法由三个基本条件组成：时间变量T;饱和度C;流量阀值R;T=发生日/当日天数;C=截至判定日累计用量/截止判定日套餐量;R=T/（1-C）;判定值R意味着随着自然月时间推移，流量密度的变化情况。

（二）系统流程改造

对营销管理系统中的数据表进行改造，增加如下的功能模块：

1. 增加流量日表。

2. 日表中加入字段T，表示自然月中当日天数。

3. 日表中加入字段C，表示截止发生当日已使用流量/套餐流量。

4. 加入字段公用数表示用户套餐下绑定号码数量，SC为该套餐下所有号码C的总值。

5. 日表中加入阀值判定值R，R=TX/（1-SC）TX为当日天数/当月总天数。

6. 日表中加入预测总用量M用于计算流量缺口同时分类推荐流量包，M=30*目前使用用量/T。

流量抑制模型验证以当月21日当日为基准，92%的用户在达到抑制点后，用量比会同比减少，其中20%用户流量使用速率降到之前的20%以下，61%用户适用速率降为之前的50%以下。流量高额溢出模型验证以15日为基准，66%的用户在达到溢出判定条件后流量使用速率并未减少，其中36%用户流量使用速率为之前1倍。

需要指出的是，传统的数据挖掘模型，本质上都是计算概率，存在误差;流量抑制模型与高额溢出模型不依赖概率，而是赋予每一个用户每一天一个R值，根据R值进行判断，因此能零差错定位用户。

（三）营销启示

对于运营商来说，流量抑制用户与高额溢出用户都具有较高的营销价值。流量抑制型用户会对减收和减量均造成较大影响，做好这部分用户的保收、保量，将起到事半功倍的效果。流量抑制型用户对饱和度非常敏感，导致用户当月达到一定饱和度后开始严重抑制流量使用，且抑制行为延续到次月，导致次月用量和流量支出降低;但这些用户对流量的需求旺盛，需求和支出的矛盾突出。

流量高额溢出用户持续的高额溢出会使用户的离网风险加大，同时也有用户在下个自然月转为抑制用户的风险，做好这部分用户的保量营销会有很好的效果。流量抑制型用户与高额溢出用户的行为开始时间，在一个月的各个时段都有发生，行为开始时间越早，用户的需求压抑得越久，需求越迫切，营销成功的可能性越高，如果到了次月，开始新的一轮流量计费周期，时效性会打折扣，因此，有必要在一个月周当中进行多波次营销，或针对行为时间进行实时营销。

四、精准营销工作安排

业务负责人每次需要实施一个营销推广任务，都需要先在管理界面上先填写本次推广任务的基本信息，描述本次营销推广任务的目的，目标，计划实施的方案，时间等，以确保任务实施过程各部门的协助工作。

分析挖掘目标客户群体包括系统自动推荐和业务负责人特定需求提取等方式。在目前的流量包营销体系中，省公司集约营销，对高额流量溢出型用户和高饱和度流量抑制用户分别在自然月的7，10，15，21日展开针对性的常态化流量包升级营销;分公司根据省公司挖掘出的连续2月高额流量溢出用户做好客户关怀工作，展开用户套餐升级营销工作。

推广成功时，本流程可以通过业务开通接口实时获取到客户开通信息，并查询到相关的实时信息。同时本流程创新为业务负责人和渠道负责人监控业务推广过程和效果，提供一系列多角度的统计报表。

五、结论及展望

2016年下半年，S省公司以大数据精准化识别模型的应用为驱动开展流量经营工作。9月份完成全省流量抑制用户以及流量高额溢出用户识别模型的上线工作，通过推算用户的月流量缺口，展开流量产品的精细化集约销售。2016年下半年，通过各个营销触点报表统计，模型用户直接轉化率接近14%，较自然转化率提高7.5倍。同时，基于该模型的精准营销在2016年全年的流量营销中取得良好的商业效果。2016年下半年流量产品累计销售环比增幅36.2%，在流量活跃用户中的渗透率达到44.55%，直接拉动流量收入9.71%。

数据时代下，当所有运营商的网络质量都相差无几时，就必须依靠个性化、精细化的产品来维系用户了。要满足复杂多变的客户需求、提供差异化的套餐产品以及避免同质化的竞争，这些都将是运营商必须解决的重要课题。

参考文献：

[1]樊莉.人工智能中的A*算法应用及编程[J].微机发展，2003（05）.

[2]Robert B Bentley. Information technology and torisn[M].An update， 2003.

（作者单位：曹蕊、叶林，中国电信集团有限公司陕西分公司;陈志伟、吴味波、诚然，中国电信学院）