编辑: 匕趟臃39 2019-12-24
信息技术论文范文参考 西方学者的案例研究过程渊源已久,Kyburz-Graber(2004)将案例研究分为三类:描述性案例研究、探索性案例研究 以及因果解释性案例研究.

本研究属于探索性案例研究,希望以国内一家电信运营商的CRM管理过程实践为研究对 象,分析客户对于渠道的偏好度.本案例企业为某电信运营商的一家地市分公司,拥有超过三百万用户,主要从事移 动通信和数据服务业务. 摘要:文章以CRM系统对客户行为和偏好的深入分析为基础,对基于信息技术对客户的渠道偏好进行了深入探讨. 论文以中国电信行业为例,选取了一个典型案例企业,对其电话客服中心、短信渠道和网站渠道的偏好度进行分析, 研究结论对电信运营商的提升客户关系、提升业务绩效、提高客户数据处理技术方面均提供了良好的指导. 关键词:CRM,渠道偏好度,电信

一、案例研究方法与模型介绍 这家电信运营商在完成基本的各种业务运营的生产性信息系统后,进一步完成数据汇总并建设了涵盖所有客户互动历 史数据的中央数据仓库系统作为企业级业务数据平台.其市场营销部门充分利用这个统一集中的管理信息平台,对客 户作各种深度的数据挖掘研究.对于渠道的偏好度的研究分析方案 1.渠道的类型定为四类:营业厅、电话客服中心、短信、网站. 2.客户渠道的偏好度模型,使用数据挖掘的人工神经网络技术(详述如后),计算出每个用户使用四种渠道办理业务 的倾向度评分. 3.主要的数据来源包括客服中心呼叫记录,短信请求记录,网站渠道运营记录,业务支撑系统工单,服务使用数据, 以及客户基本属性数据等. 4.时间分析窗口数据,利用渠道偏好度模型给每个分析用户进行渠道使用倾向评分,再通过验证窗口用户使用渠道情 况进行模型验证.分析窗口:用于分析特征的历史数据的时间跨度,需要3个月的历史数据;

验证窗口:用于验证用 户使用渠道情况,需要2个月的历史数据. 5.本案例研究所使用的技术方法为人工神经网络(ANN).人工神经网络的研究发展起源于20世纪40年代,是一种模 仿人脑神经系统的非线性映射结构.它不依赖于精确数学模型,而显示出自适应和自学习功能.1943年,法国心理学 家W.S.McCuloch和W.Pitts提出了第一个神经元数学模型,开创了人类自然科学史上的一门新兴科学ANN的研究. 人工神经网络会不断检验预测结果与实际情况是否相符.把与实际情况不符合的输入输出数据作为新的样本,对新样 本进行动态学习并动态改变网络结构和参数,这样使网络适应环境或预测对象本身结构和参数的变化,从而使预测网 络模型有更强的适应性.而在ANN的实现过程中,往往需要大量的数据来产生充足的训练和测试样本模式集,以有 效地训练和评估ANN的性能,这正好是建立在数据仓库和数据挖掘工具所能提供的.由于ANN和数据挖掘两者的优 势互补,将神经网络用于数据挖掘具有现实意义和实用价值.人工神经网络在数据挖掘中的优势是:对于噪声数据的 强承受能力,对数据分类的高准确性,以及可用各种算法进行规则提取. 人工神经网络方法常用于分类、聚类、特征挖掘、预测和模式识别.神经网络模型大致可分为以下三种:(1)前馈 式网络:以感知机、反向传播模型和函数型网络为代表,主要用于预测和模式识别等领域;

(2)反馈式网络:以Ho pfield离散模型和连续模型为代表,主要用于联想记忆和优化计算;

(3)自组织网络:以自适应共振理论:(Adaptiv eResonanceTheory,ART)模型为代表,主要用于聚类分析. 在本案例应用中,主要是用前馈式网络来进行多变量的概率分布预测.因为本文目标是对用户使用几种渠道的可能性 高低进行预测.

二、案例研究的实施与分析 1.业务规划的考量.对客户使用渠道的习惯偏好进行分析具有重大意义,可以对营销活动提供有力的支持.通过客户 行为特征分析,寻找客户选择渠道的偏好,提供客户营销渠道的最优路径.不但有利于优化渠道资源,降低营销成本 ,更能提高营销成功率,提升客户满意度.

1 /

3 目前电信客户可以使用的移动通信服务渠道包括营业厅、电话客服、短信、网站、自助服务终端等,其中营业厅提供 服务功能最为齐全,但成本也是最高;

电话客服使用最为广泛,几乎每个客户都有使用电话客服的经验,也是提供最 多服务的渠道,对于电信公司的用户满意度非常重要.因此,研究应用的重点之一就是如何发挥电话客服的优势,以 有限资源服务更多的高价值客户和业务,减少低价值客户和业务占用客服资源的比例.同时,重点发展电子渠道,着 重提高电子渠道的普及率,培养用户使用电子渠道的习惯,引导用户从传统渠道(营业厅、电话客服)向电子渠道( 短信和网站)转变. 2.具体的技术实现方案: (1)数据准备:基于业务理解以及数据分析,选取以下变量为构建模型的基础变量;

(详细列表如表1所示) (2)数据质量分析:对预处理之后的基础变量进行数据质量分析以剔除质量较差的变量;

(3)数据探索:通过可视化(Visualization)工具及统计分析等方法来展示及探索各个变量的可用性,从而获得模型 的输入变量.从中了解变量的重要性及业务发展规律;

(4)数据处理流程:按照挖掘任务的要求,将数据从中央数据仓库抽取生成挖掘专用的数据集市.基本的数据处理 流程有:数据源的汇总合并;

执行数据探索抽样;

透过人工神经网络(ANN)进行模型打分;

产生模型并进行模型 验证整体技术方案的关键点体现在两个方面:建模过程:为渠道偏好的分类预测找到合适的基础变量,有助于模型收 敛更快更好;

模型应用过程:应用最小长度原理,控制隐藏节点数,以达到拟合最优.另借助SAS软件工具实现模型 打分. 3.具体应用实现案例.根据电话、网站、短信和营业厅渠道各个评分前10%的用户,取各渠道用户的评分值、每用户 平均收入(ARPU)、以及在网时长的信息设计营销方案. (1)对偏好电话的客户,通过电话营销中心外呼进行营销,完成后需要对客户进行短信感谢,同时介绍网站渠道的 便利性和信息丰富的特点. (2)对偏好网站的客户,通过短信提醒用户登录网上营业厅办理业务的优惠信息,在客户登录网上营业厅时进行营 销推荐,同时考虑发展响应较高的用户群作为网站营销的种子客户,进行持续的优惠激励. (3)对偏好短信的客户,通过短信进行营销推荐,给予短信办理业务的优惠条件,提醒客户可以尝试使用信息更加 丰富的渠道――网站,并提供网站办理的简单指引. (4)对偏好营业厅的客户,通过短信提醒客户最近的营业厅,同时推荐客户使用电话渠道,而后再通过电话引导客 户使用营业厅之外的渠道,并考虑对这些客户给予业务优惠吸引他们采用. 4.渠道模型分析结果与验证. (1)电话客服中心渠道的偏好度分析.在电话客服中心的营销活动中,电话外呼的目标客户优先选择具有电话偏好 度的客户群,其次是没有明显渠道偏好的客户群,再次是营业厅偏好的客户群,针对营业厅偏好客户,可以在电话营 销的时候加入向用户推荐就近的营业厅的资料. 通过电话渠道偏好客户分析,归纳出影响偏好电话客服渠道最明显的前10个参数如表2示. 其中,拨打客服次数、在网时长、总计费分钟数、是否VIP客户、拨打客服平均时长、拨打声讯台次数、呼转次数这 7个因素对客户的电话偏好产生正影响,也就是客户的这些参数的值越大,其偏好电话渠道的可能性就越大;

而网站 操作业务类型数、短信操作次数、网站登录次数这3个因素对电话偏好产生负影响,与正影响相反. 以 拨打客服次数 为例,T统计量基本显着(P-值小于显着性水平0.05),即 拨打客服次数 对因变量具有显着 的解释能力,参数估计值为0.1023,即在其他控制其他变量不变的情况下,对数发生比随着 拨打客服次数 的增加 而增加. 从电话渠道模型验证的角度,前10%的用户数量明显较多,因此选择前模型得分前10%的客户作为电话偏好的目标客 户.从图2的曲线来看,模型得分前10%的客户覆盖实际具有电话渠道偏好客户比例达到了30%以上,因此模型提升

2 /

3 率达到3倍以上,说明选择前10%是可以满足目前的要求. (2)短信渠道的偏好度分析.通过短信渠道偏好客户分析,归纳出影响偏好短信渠道最明显的前9个参数:其中短信 操作业务类型数、WLAN使用分钟数、是否使用中文秘书、漫游计费分钟4个参数,对短信偏好产生正影响;

而在网 时长、网站操作业务类型数、总计费分钟数、拨打客服次数、是否使用留言信箱5个参数对短信偏好产生负影响. 由于短信办理业务的方式比较容易被年轻人接受,而在网时长比较大的客户通常是老客户,他们比较习惯使用电话, 使用短信的可能性比较小,因此对比可以看出,在网时长对电话渠道是正影响,对短信渠道是负影响. 对短信渠道模型进行验证,几乎所有的短信业务办理的用户都是模型得分在20%以内的,采用短信方式办理业务的用 户的得分都很高,模型覆盖率非常精确,模型评分前20%的用户几呼覆盖100%的短信办理用户,模型提升率接近5倍 .说明短信渠道偏好的模型评价用户是否有短信偏好的能力较强,具有很好的预测能力. (3)网站渠道的偏好度分析.通过网站渠道偏好的客户分析,归纳出影响偏好网站渠道最明显的前10个参数:其中 网站操作业务类型数、数据业务使用种........

下载(注:源文件不在本站服务器,都将跳转到源网站下载)
备用下载
发帖评论
相关话题
发布一个新话题