电信数据挖掘之 客户细分

关于客户细分，我想大家多少都有过一些了解，甚至有很多"弟兄姊妹"都亲自做过。呵呵，我想谈到的就是：细分无用。

从挖掘模型角度来看，细分属于"无监督学习"模型，呵呵，我对模型也是"有限"人士，也就只能有限解释了，诸位权当"网文"而已，看看则已。

无监督学习，从实际建模来看，就是没有目标变量。有x有y，那就是有目标变量，即建立x和y的等式；只有x，那就是没有目标变量。

没有了目标变量作为"督导"，那么模型如何才能评估好坏呢，呵呵，这就靠细分建模中常提到的空间距离。简单说来，就是你分好n类后（类由一群用户组成），各类之间的距离要长些，而同一类中用户之间的距离要短些。空间距离呢，就可以由用户的诸多属性的一个函数给出，如大家都熟知的"欧式距离"。还有，一般在做细分时，还会限定每个类的用户最小个数，以保证分类不要太多。（有点太通"俗"，多包涵）

细分专题在好多省份的移动公司都上了，特别是上海有个学院派的公司，叫"华院"（说是和老江的母校关系亲密），单一个细分专题就做了好几个省份，赚了不少银子。曾经有幸"参观"了华院的细分专题。

谈到细分客户的应用，渊源我想还是从营销学的角度提出的吧－－要做精细化营销，要细分市场。简单说就是要有全球通，也要有动感地带。当然，这还不细，要继续细分。

而目前做的细分，多数是先"海选"：选出用户的无比多的属性，如在哪个时段，有多少次被叫，多少次长途主叫，多少次ip主叫；还不细，那就把时段在分成是节假日、工作日：在节假日的xx时段的 漫游的 主叫的 长途的 ip的...次数（够细吧）。呵呵，组合起来个千而八百是不成问题的。然后把这些信息扔给模型，歘歘歘，就出来20左右个分类（当然要做一些变量选择的工作）。每个分类拥有了一个标识：cluster1～cluster20。这些个cluster-i，可苦了使用人员－－"我怎么理解呀？"。

得给出通俗点的解释：如少女、大嫂、plmm、芙蓉姐姐等等才好呀！－－给每个细分一个特征表述。怎么表述呢，那么多的变量属性呀！！那就来些简化吧。看看每群的arpu如何，分成低端、潜力、高端好了。全体用户ip通话月均4分钟，cluster-i通话月均8分钟，好了，cluster-i就"ip侧重潜力组"好了。

然后就是细分展现－－因为这样的细分暂时还不能结合实际营销进行使用，那就展现出来吧。每个用户在"男性、女性、xx地区、某某套餐等"属性之余，就多了一个属性：归属哪个cluster-i，这个cluster-i的特征表述是...。

这样一来就引起诸多歧义了：这个用户归属ip侧重潜力组，可明明就是一个ip电话都没打呀。（我做过一次简单数据分析，看了看该组ip通话时长频数分布图，呵呵，为0的就有1/3强；虽然从均值和总体用户对比，确实就是8分钟vs4分钟，没错的）。

为此，我才提出了"个人观点"－－这样细分"无用"，是对细分技术的"滥用"。

细分还是更应该从市场需求来，不求做一个"全体用户细分n群"（所谓的基础细分）；可以先分析出对某项业务使用有特定需求的一群群体，结合深入的实际市场调研，制定针对性营销策略，推荐给这部分特定使用群。呵呵，这样一来，细分可就好挣钱啦－－年年细分，今又细分；移动用户被我们一刀刀切来，这银子嘛也就...

以前探讨过此"细分无用说"，比较认同这样的说法，至少在现在这个时候。

严的这个例子中涉及到数据挖掘要解决的问题中的两个——分群和概念描述。分群没有目标变量，因此也就显得这件工作本身就缺乏明确的目的性，恐怕这就是细分无用的起因吧。

相比分群，我想概念描述更需要丰富的业务经验。每个聚好的类别，给之cluster-i，cluster-j这样缺乏业务含义的名称起不了多大帮助。因此需要给每个群一个恰当的特征表述。刚才宇航看了严这个例子，发出感慨，"他举例子喜欢用少女啊、mm什么的"，但如果给每个群起个有诱惑力的名字，恐怕不是坏事，并且能够让客户细分的目的性更强一些。

因此，我猜测之所以现在觉得细分无用，有两个难点制约了其目的性。

一是细分变量的选择，一是分群之后的特征表述。

好久没发言了，也来侃侃如何分人。

先看看目前社会上如此把人分类的

例子1:

北京人、非北京人

这是从北京政府和市民角度的客户细分，显然偏重点只关心是否具有北京户口？

说明：分类依赖于分析者的感性目的。外地入京有户口的在一些分析人士中恐怕也不算是标准的"北京人"也就是基础细分之上的二次细分，但往往是潜台词。

例子2:

有钱人、工薪阶层、穷人

这个细分主要考查银行里钱的多少，标准看上去只有一个。

说明：细分是依赖于客观存在量化，当然对于细分的目的和潜在后续手段另外有一套标准。

例子3:

美女

涉及细分因素很多，皮肤、脸蛋、身材、气质等
说明：这个细分就不在是单纯的分类了，而是模型评价，特个性的那种。

到这里我理解，如果细分是单纯的分类，不被目的和观点所影响那他基本上不存在，也不存在什么基础分类的概念，因为所有分类都是扁平的，重要和不重要也是依赖于分析者。

客户细分和模型要分离开来，如果把客户细分当成筛子，那么模型就是分拣工。
客户细分的关键在于给客户一大堆筛子，我可以帮你过滤，但不能帮你分拣和命名，这又回到了老问题上，需要有个妥协的处理方法。这也是BI一直被客户称为花瓶工程的原因了，把分析完全实体化客户觉得不符合需求，而提供分析工具和数据他们又觉得你的东西太难用。

建立客户细分的方法就是引导客户提出他们对客户３６９等的看法，大加赞赏然后小小的加以完善和扩充，我们当助产士就行了，谁来分？客户自己！

1、谈到细分如何提出，首先细分是为了解决什么？

营销学上提出了“一对一个性营销”，而在电信行业对于“一对一”有着一定的误解，一个客户经理根据一个客户的个性需求来进行“客户关系管理维系”；这种做法显然是有问题。而细分是更“确切” 意义上的“一对一营销”。

细分就是为了客户关系管理，将用户划分成可管理的群体。

2、简单的细分：

在移动，最简单的细分就是按一个划分标准来分群，如：按地域对客户进行划分，各个地市、县市分片，各个分片的客户经理维系属地为本分片的客户。

多维细分：

复杂一点的，就有多维细分，或者说是广义上的多维分析的一种。如从地域、性别、是否集团客户、收入分档等。

3、从细分用户的角度来看，细分又可以分为：

根据用户基本属性（年龄、性别等细分。

根据用户行为属性细分，如根据帐务属性细分，如：是否使用短信、彩信、长途、漫游等等；根据用户的cdr及客服等，又可以得到用户细分：是否投诉、呼叫接通率、手机终端、热点小区等等、使用时段、主被叫行为、呼叫对端等等。

4、细分更重要的是要有相应的应用，即细分的目标。细分的数学模型、算法等，相对来说较次要。

严桑提到细分采用聚类的挖掘技术，没有目标变量。

同时也提到"最重要的是搞清楚细分的目标"，我相信这点，做任何事情都得有目的性。

那么可否如此理解——"细分变量的选择即确定了其目标"。