KPI管理系统电信行业的应用案例

OUBAS在电信行业的应用案例OUBAS行业应用电信行业•BOSS•CRM•CallCenter•SMS•Voice•MMS•Digital•Access•ValueAdded•Protocol•Network•Device网络协议层业务应用层运营服务层协议分解报表设备故障监控网络优化分析数据报表协议监控网络流量分析定制化报表业务分析监控与告警业务KPI挖掘与预测业务报表市场分析客户分析竞争分析挖掘与预测定制化报表精准营销KPI指标分析Analysis多维分析Report数据报表Mining数据挖掘通过OUBAS，利用BI技术从海量业务数据中，分析用户行为、习惯、喜好，理解用户，体贴服务客户个人信息消费行为价值定位客户自画像身份信息归属地性别/年龄入网时间家庭情况受教育程度短信/彩信数据业务通话期间通话次数通话时长漫游通话信用度增值业务连带率累计消费月均消费最近消费Case1：客户信用评估信用管理失败案例：某客户是移动全球通用户：ARPU值约800元，在网时间超过5年。同时用于随e行上网卡一个，200元包月。每月向中国移动贡献大约1000元收入。对中国移动有较高的忠诚度。最近由于其欠费0.7元随e行短信费用被停机，停机前没有收到移动正式的停机通知或欠费催缴通知。该客户先抱怨GPRS网络不稳定，后来发现同事可以上网，就怀疑网卡有问题，最后当发现是中国移动由于0.7元而停机导致其不能在差旅途中上网并为他带来很多麻烦时，他愤怒了……Case1：客户信用评估我们可以根据以下的属性创建一套客户信用评价模型，通过该模型对客户行为细分。客户信用评价模型+归属地类别职业资料真实性黑名单平均停机时长月均停机次数客户状态欠费时长欠费金额入网时长缴费方式客户级别月均消费额累计消费总额每次缴费额客户基本属性客户欠费属性客户业务属性客户贡献度客户预期准则客户行为准则客户价值准则客户信用度Case1：客户信用评估了解了信用度高或低的客户行为特征，从而可以采取对应措施：如提升对高信用度客户的服务水准，对低信用度客户采取限制性的策略以降低风险。客户客户信用评价模型+信用度高的客户信用度低的客户可信用的客户客户生命周期分析目标市场响应者新客户高价值客户潜力客户低价值客户主动离开被动离开•获得客户活动•市场活动回报•询问•填写申请•消费……•交叉销售•升级销售•激发•首次购买•挽回客户活动•强制性取消•主动取消•活动历史•购买统计•市场活动回应•信用报告•自动报告的信息•其它•产品使用•付账历史•活动响应•渠道偏爱•其它•终止原因潜在客户既得客户客户流失考察期形成期稳定期衰退期（危险期）Case2：客户离网预警某通信运营商优质客户变动分析显示，4-6月份优质组客户的流失率较高。这是一个很大的收入损失。4-6月份有95.8%的客户保持在优质组。流失率4.2%103664101983109132617231633315优质组客户人数50000600009000010000011000080000700003月优质组流往普通流失普通流入弱势流入新增6月优质组Case2：客户离网预警构建客户离网行为预测模型，将客户按离网概率高低分组。客户高危客户边缘客户离网概率低数据挖掘预警全体客户，103664人在网115天，2800人在网≥115天，100864人最近一月通话次数5次，21人最近一月通话次数6~50次，1093人最近一月通话次数50次，1686人更换套餐次数2次，3425人更换套餐次数≤2次，97439人ARPU28元，125人ARPU≥28元，3300人Case2：客户离网预警电话号码最近一个月ARPU值在网时长（天）最近一个月通话次数更换套餐次数流失倾向评分(1-10)1331637258316.0049228133016476256.0076316189887654326.00341191893647522316.0023415371890000456716.0032725461331663225418.0016529381334325456318.002783059营销人员可以准确地抓住高流失倾向的客户营销人员可以根据ARPU确定客户挽留活动的力度了解潜在流失客户的行为特点，制定针对性的挽留措施营销人员可以参考流失倾向评分高低确定客户挽留活动的顺序根据预警模型产生未来1-2月之中需要挽留、值得挽留的客户清单，有的放矢的采取挽留行动。Case2：客户离网预警7-9月份，实施挽留措施后优质客户组变动情况，可以看到流失率明显下降。降低了客户保持成本，同时增加了收入。4-6月份有95.8%的客户保持在优质组。流失率4.2%103664101983109132617231633315优质组客户人数50000600009000010000011000080000700003月优质组流往普通流失普通流入弱势流入新增6月优质组流往普通流失普通流入弱势流入新增9月优质组460120015034010201024337-9月有98.7%的客户优质组。流失率下降到1.3%通过OUBAS，利用BI技术分析产品及业务推介方式，给客户带来新的价值和体验，了解产品，创新模式Case3：关联销售某电信运营商彩铃产品销售关联性分析周杰伦属性：歌手属性：风格王力宏林俊杰S.H.E.蔡依林潘玮柏xxxxxx秋天不回来求佛香水有毒大城小爱不得不爱不怕不怕菊花台千里之外黄金甲隐形的翅膀老公我爱你两只蝴蝶Case3：关联销售彩铃产品销售关联性分析结果：王力宏4.0%庞龙9.8%誓言15.5%林俊杰3.5%刀郎3.7%郑源12.7%SHE3.2%火凤3.6%张振宇4.9%潘玮柏2.8%布仁巴雅尔3.6%刘嘉亮4.5%蔡依林2.5%谢雨欣3.2%周传雄3.4%求佛16.6%千里之外9.8%你是我的玫瑰花15.5%香水有毒7.0%黄金甲3.7%你到底爱谁12.7%不怕不怕5.5%隐形的翅膀3.6%老公我爱你4.9%不得不爱4.7%大城小爱3.6%两只蝴蝶4.5%大城小爱4.6%不得不爱3.2%不怕不怕3.4%下载周杰伦g其他歌手的可能性下载凤凰传奇g其他歌手的可能性下载王强g其他歌手的可能性秋天不回来g其他歌曲的可能性菊花台g其他歌曲的可能性求佛g其他歌曲的可能性Case3：关联销售针对分析结果采取销售措施：进行交叉销售推荐及套餐推荐基于彩铃关联性的交叉推荐下载周杰伦→王力宏、林俊杰、SHE、潘玮柏下载求佛→你是我的玫瑰花、你到底爱谁下载秋天不回来→求佛、香水有毒、不怕不怕基于彩铃关联性的套餐推荐【秋天不回来、求佛、香水有毒】套餐价3元，折扣50%【菊花台、千里之外、黄金甲】套餐价3元，折扣50%【……】12Case4：精准营销某运营商针对细分群组彩信产品使用情况统计，找到4#组实施精准促销措施。本组内客户使用彩信比例4#组客户使用彩信的比例较高，但使用频次并不高。▶推出优惠套餐提升使用频次。左轴：月均彩信使用次数右轴：本组内客户使用彩信比例Case4：精准营销促销活动之后是否达到了预期的效果？OUBAS功能支持精准营销整个过程（分析、设计、行动、反馈与评估）,帮助企业制定更合理的营销策略。数据管理客户分群及理解方案设计营销方案实施结果反馈与评估建立客户数据库数据源生成目标数据集客户细分客户理解RFM分析动态调整客户群客户生命周期筛选目标客户活动/产品策划数据支撑决策建立预测模型按计划执行相关市场活动和促销活动收集营销活动数据与相关信息对营销活动中的执行、渠道、产品和广告等方面的有效性进行评估。KPI指标分析Analysis多维分析Report数据报表Mining数据挖掘KPI监控与分析功能，作为高效、有力的管理工具协助企业实时管理，随机应变DashboardKPI监控与分析某电信客服中心满意度分析满意度78%满意度85%2个月之后客户投诉次数客户投诉平均时长投诉问题严重程度平均解决问题的时间接通率服务评价反馈调查表!客服热线等待时间调整排班表增加坐席提高系统易用性提升客服业务水平改进语音自动应答减少休假率目标90%客户投诉次数客户投诉平均时长投诉问题严重程度平均解决问题的时间接通率！服务评价反馈调查表客服热线等待时间通过OUBAS，利用BI技术在现有知识库的基础上进行预测，感知未来，领先一步Case5：业务量增长趋势预测某电信分公司根据2009年1-9月3G业务用户使用数量，使用时间序列分析模型预测第四季度的趋势。根据趋势调整网络铺设进度、终端设备开发和营销策略优化。用户数Case6：目标客户定位与潜在需求挖掘某电信运营商正在推广某种增值业务，需要寻找有购买潜力的目标客户特征，通过数据挖掘分类模型可以非常直观准确的找到目标客户。总体客户232951,33.6%ARPU12035496,38.1%ARPU≤120197455,32.8%主叫比例67%14505,50.0%主叫比例≥67%20991,29.8%短信条数≥50193022,42.0%短信条数504433,26.4%主叫比例84%147503,42.0%主叫比例≥84%45519,55.9%缴费次数≥218106,64.4%缴费次数227413,48.3%通话对端2059297,48.1%通话对端≥2088206,36.7%A.满足该特征(ARPU120，主叫67%）的客户购买此增值业务的可能性较高。而具备特征（ARPU≤120，短信≥50，主叫≥84%，缴费两次以上）的客户购买可能性更高，达到64.4%ABBCCC样本中有33.6%的客户已经订购了该增值业务。AB.具备特征（ARPU≤120，短信≥50，主叫≥84%，缴费两次以下或主叫84%但通话对端少于20）的客户购买可能性较低。C.满足该特征(ARPU120，主叫≥67%）的客户购买此增值业务的可能性不大。另外，ARPU≤120，短信50的客户购买可能性更低。Case7：客户欺诈行为预测利用统计分类分群挖掘技术，对利用增值服务号码共谋欺诈行为进行事前预测，在恶意欠费发生前就采取防范措施，大幅减少欺诈行为带来的巨额损失。首先，利用数据描述技术，可以对已知的欺诈性客户和非欺诈性客户进行有关的数据分析，发现可能影响客户欠费的因素。客户欺诈可能性客户呼叫行为呼叫频率呼叫模式优惠时段呼叫次数夜间呼叫次数接听次数呼叫时长Case7：客户欺诈行为预测然后，我们可以根据对以上因素的分析和统计，构建预测模型，应用到当前客户数据库中，利用预测结果，适时地采取适当措施，以减少损失。0.20-0.2-0.4-0.6-0.8-1.0-1.2-1.4-1.60.40.60.81.01.21.41.61.82.02.22.42.6其他预测类应用竞争对手分析不同运营商客户之间的互联互通是最基本的前提，因此通过对客户与竞争对手客户之间通话的行为分析，可以建立有关竞争对手经营和客户服务的模型，比如竞争对手客户发展模型，通过对这些模型的使用，可以制定有效的市场应对策略。促销策略仿真优惠促销是市场营销中十分重要的一部分，促销策略的不恰当，常常会得到适得其反的市场效果。促销策略仿真预测就是通过已建立的客户行为模型仿真客户对促销策略的反应，从而预测优惠策略实施的效果。通过对促销策略的仿真，可以预测优惠策略的成功与否，从而进行相应的调整和优化。Thanks!: