基于大数据模型的运营商营销资源配置研究

林 敏，陈 祥，廖 娟（中国联通广东分公司，广东广州 510627）

0 引言

随着人口红利的消失和携号转网业务的普及，通信运营商之间的竞争愈发激烈，如何有效触达用户、提升用户黏性和价值成为大数据时代的研究热点。运营商触达用户的渠道通常有外呼、短信、手机营业厅等，与互联网公司相比，运营商的营销优势主要在于外呼渠道，就营销转化率而言，外呼的转化率最高，但营销成本也较高。某运营商的营销数据显示，近年来，为完成业务的办理量指标，外呼营销资源投入正在不断增加，且用户对电话营销方式的好感度不断下降。因此，如何利用有限的外呼资源，挖掘用户的产品需求，获得营销效能最大化是研究关键。

整体来说，运营商的营销活动目的一般分为3类：用户拉新、维系挽留和价值提升。价值提升活动通常以效益最大化为目标。针对上述情况，文本聚焦以价值提升为目的的外呼营销效能优化，主要有以下创新点。

a）提出产品营销效能计算公式。该公式具备灵活性和通用性，可应用于单个项目效益计算，也可应用于多个项目效益计算。可应用于营销效益的事后评估，也可应用于营销的事前评估，为资源分配、成本设定、项目上下线等业务决策提供数据依据。

b）实现以多项目营销效能最大化为目标的营销资源配置方案。当前，业内对单个项目的精准营销研究较多，但在用户对多项目营销优先级问题上缺乏理论依据，主要以业务经验为主。在此背景下，基于理论推导公式，提出多项目营销资源分配方案，实现营销效能的最大化。

c）提供多项目营销资源分配的实证应用案例。针对算法模型、业务规则模型分别展示用户适配度计算方法，并给出实际营销资源分配流程和效益计算。

1 产品营销效能计算

1.1 单项目效益评估公式

对于单个项目而言，例如运营商最关注的5G产品营销项目，项目营销效益可表示为：

其中，A为项目的营销目标客群；Pi为营销转化率；Si为营销成功可带来的用户价值提升，即收入；Ci为渠道i的营销成本，受渠道、营销用户数量的影响，例如外呼坐席成本、发展激励成本等；为项目的固定成本，例如项目经理、产品经理等人工成本等。

上述为项目效益的后评估，说明项目可实际带来的效益为W。

1.2 多项目效益评估公式

为简化公式，定义用户i转化后可带来的营销收入为Ri，则：

将式（2）代入式（1）即可得到多项目的总营销效益，为：

其中，B为项目B 的营销目标客群，N为项目N 的营销目标客群。

多项目效益评估公式可应用在以下几个方面。

a）多个项目的营销资源分配。为避免过多打扰用户，且营销资源有限，通常会限制对用户的营销次数。换言之，在一个周期内，对用户营销了项目A，就错失了对用户营销项目B的机会。

b）项目成本评估和目标设定。可辅助评估、制定项目的营销资源分配、营销成本和目标转化率。

c）项目的上下线评估。部分项目本身效益为正，但因占用了其他项目的营销资源，可能会出现总效益下降的情况。此时，为了整体的营销效益最大化，建议对这部分项目进行下线。

式（3）可直接应用于项目效益的后评估，但在赋能营销资源分配时需要做事前评估，故提出基于大数据模型的多项目效益评估公式。

1.3 基于大数据模型的多项目效益评估公式

在进行存量运营精准营销时，通常会对各个项目建立大数据模型，输出用户适配度评分。例如，对于项目A、B，通过算法模型建立评分，如表1所示。

表1 用户适配度样例

为简化公式，以2 个项目场景的效益评估为例进行公式推演，多项目场景同理。

基于式（3）可得出2个项目场景的效益评估公式，为：

其中，Pai为用户i基于项目A潜在用户模型的适配度评分，反映用户订购项目A的概率；Pbi为用户i基于项目B潜在用户模型的适配度评分，反映用户订购项目B的概率；f（Pai）表示以Pai为变量的函数，当满足条件Pbi≥f（Pai）时，对用户i营销项目B，当满足条件Pbi

引入项目B 时的效益必须大于不引入项目B 时的效益才有意义，不引入项目B 即全部营销A，此时的效益为：

引入项目B的效益增益为式（4）-式（5），即：

引入项目B的营销目标有2个。

a）式（6）为正值，即S>0，则：

又由于Pbi≥f(Pai)，则：

假设f为正比例函数，有：

将式（9）代入式（8）即可得到：

由于Pai≥0，则：

由式（7）、式（9）和式（10）可得引入项目B 的资源分配约束条件为：

式（11）的实际意义解释如下。

a）2 个项目营销资源分配原则。对2 个项目的用户适配度进行评分后，对项目评分满足Pbi≥RaiPai/Rbi的用户营销新项目B，其他用户营销项目A，可实现项目总效益的最大化。

b）项目成本评估和目标设定原则。若项目B 占用了项目A 的营销资源，则需满足项目B 占用资源带来的效益提升高于项目B 的固定成本，项目B 才有上线的价值。若满足营销资源分配原则的用户太少，或B的价值提升不够，则无法覆盖成本，建议下线。

c）效益最大化的关键环节。找到一部分在项目A 转化率低而在项目B 转化率高的用户，实现营销效能提升。

2 实证应用

在运营商场景中进行实证推演。

假设1：项目A 为5G 业务，当前整体营销转化率为11%，项目B 为创新业务，当前整体营销转化率为4.7%。

假设2：对同一个项目，用户订购后带来的营销收入相同，Rai=15,Rbi=20,∀i∈A,B。

2 个项目转化率差距悬殊，导致一线更愿意将营销资源投入项目A。通过本文提出的基于大数据模型的多项目效益评估方案进一步提升营销效益，大数据模型可以是机器学习算法模型，也可以是业务规则模型。

2.1 用户适配度评分模型

项目A 基于业务规则模型对用户进行分群，输出用户适配度，如图1 所示。根据历史营销数据统计发现，对于近半年项目A 营销月数为6 的用户，其营销转化率为3.397%，则认为这部分用户的适配度评分Pai为3.397%。对于近半年项目A 营销月数为0 的用户，其营销转化率为14.673%，则认为这部分用户的适配度评分Pai为14.673%。

图1 项目A的用户适配度

项目B 基于机器学习算法模型对用户进行分群，输出用户适配度。根据历史营销数据和用户特征进行机器学习建模，测试集上的结果如图2 所示。对于模型评分为90～100 的用户，其营销转化率为10.026%，则认为这部分用户的适配度评分Pbi为10.026%。对于模型评分为0～10 的用户，其营销转化率为3.315%，则认为这部分用户的适配度评分Pbi为3.315%。

图2 项目B的用户适配度

2.2 营销资源配置

根据式（11）的资源分配原则和假设条件，可得Pbi≥RaiPai/Rbi=15Pai/20=0.75Pai，即 当Pbi/Pai≥0.75时，对用户i营销项目B，反之营销项目A。资源计算样例如表2所示。

表2 营销资源分配计算样例

2.3 效益提升

过去，当分别输出2个项目的目标用户群后，对于交集用户，只能通过项目优先级决定营销目标，例如，一线业务口认为项目A 的重要度高于项目B 或项目A整体转化率远高于项目B，则统一对交集用户营销A。但在交集用户中，可能存在一部分用户在项目B 带来的潜在收益高于项目A。因此，按照本文的营销资源分配原则，当Pbi/Pai≥0.75 时，对用户i营销项目B，反之营销项目A。如图3 所示，对于从区域②中挖掘出的满足条件的用户群④，根据第2.2 节的推理，对此部分用户营销项目B的潜在收益高于营销项目A。

图3 资源重分配图例

以某运营商数据的样本营销用户为例，计算资源重分配的效益提升值。满足Pbi/Pai≥0.75 的用户如图4所示，共计28万户。营销效益提升如图5所示。

图4 满足Pbi/Pai≥0.75的用户分布

图5 对Pbi/Pai≥0.75的用户营销项目B带来的效益提升

以项目A 营销月数为2 且项目B 模型分档为70～80的用户为例，此部分用户规模为29 243户，对项目A的适配度为8.64%（与图1对应），对项目B的适配度为7.177%（与图2 对应），则Pbi/Pai=7.177%/8.64%=0.83 ≥0.75。

如果对此部分用户营销项目A，带来的收益为29 243×8.64%×15=37 899 元，对此部分用户营销项目B，带来的收益为29 243×7.177%×20=41 976 元，效益提升41 976-37 899=4 077元。

整体来看，对满足Pbi/Pai≥0.75 的28 万用户进行资源重分配，即营销项目B，比营销项目A 预计可提升8.3万元的效益。

2.4 项目成本制定和下线评估

根据式（11），项目成本的约束条件为：

即图3中资源重分配后③、④的收益高于成本，其中④的收益为第2.3 节中的效益提升值，为8.3 万元。根据假设条件1 得项目B 的整体转化率为4.7%，即Pbi=4.7%,∀i∈③。根据假设条件2得Rbi=20,∀i∈③。再假设③的用户规模为50万户，代入式（12）得：

即当项目B 的固定成本低于55.3 万元时，项目值得投入运营。反之，建议下线。

3 总结

与互联网公司相比，运营商的营销优势主要在于外呼渠道，而外呼资源宝贵且影响用户感知，因此，如何利用有限的外呼资源获得最大化营销效能是关键。基于此，本文提出具备灵活性和通用性的产品营销效能计算公式，可应用于单个项目、多个项目的效益计算，以及应用于营销效益的事前评估、事后评估。基于效能计算公式提出以多项目营销效能最大化为目标的营销资源分配方案，为资源分配、成本设定、项目上下线等业务决策提供数据依据。最后给出多项目营销资源分配的实证应用案例，为实际应用提供参考。