WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 ||

Каждый клиент характеризуется определёнными индивидуальными (личностными) характеристиками: пол клиента (SEX), регион предоставления услуги для данного клиента (REGION) и месяц его подключения к сети оператора (DATE): {ЛХ}=(SEX, REGION, DATE).

Характеристики могут быть категориальными (SEX, REGION), темпоральными (DATE) и числовыми. В общем случае количество и состав {ЛХ} может меняться. Из множества услуг выбраны те, которые несут наибольшую информативность о платежеспособности клиента:

мобильная связь (MOB), включающая в себя звонки между операторами только мобильной связи; внутригородская связь (GOROD), которая отражает звонки между компаниями, предоставляющими услуги стационарной связи и мобильной связи;

услуга SMS; услуга GPRS; группа вспомогательных услуг под названием «сервис» (SERVICE) (абонентская плата, услуги по обеспечению работы сети и т.д.).

Анализ клиента в соответствии с {ЛХ} на основе алгоритмов, изложенных во 2-й главе, формирует оценку лояльности как вероятность тяготения к услугам и платёжным диапазонам компании.

Для осуществления сегментации по услугам весь диапазон исходных данных разбивается на поддиапазоны (для примера выбирается пять типичных услуг): Smob – тяготение клиента к мобильной связи, Sgorod – к внутригородской связи, Ssms – к услуге sms, Sgprs – к услуге gprs, Sservice – к «сервису» оператора. На рис. представлена гистограмма априорного распределения вероятностей Р(Si) (i = 1, …, 5) тяготения клиента к конкретной услуге, построенная на основе данных биллинговой системы.

Для реализации сегментации в соответствии с индивидуальными личностными характеристиками «оцениваемого» клиента используется стереотип клиента (см. рис. 5 для услуги «мобильная связь» – сегмент Smob). В структуру стереотипа входят три гистограммы SEX, REGION, DATE, построенные по соответствующим данным. Сопоставляя стереотип клиента в сегменте Smob с личностными характеристиками оцениваемого клиента, например, {ЛХ} = (SEX= 0, REGION = Оренбург, DATA = Январь) (4) на основе формулы Байеса (1) определяется вероятность тяготения клиента к сегменту Smob.

0,0,0,0,0,0,0,0,0,0,0,Mob Gorod sms gprs service Рис. 4. Гистограмма априорного распределения вероятностей тяготения клиента к услугам, представленным сегментами Р(Si) Рис. 5. Характеристика стереотипа клиентов, принадлежащих сегменту Smob Аналогично проводится анализ для всех возможных услуг, после чего формируется общая оценка тяготения клиента к услугам компании. На рис. 6 в качестве примера приведены результаты эксперимента для клиента с индивидуальными характеристиками (4).

0,Mob Gorod 0,service 0,0,0,service 0,25 Mob 0,0,0,sms sms Gorod gprs gprs 0,P(S) с учетом ЛX Рис. 6. Тяготение клиента к услугам при наборе ЛХ (4) Вероятность.

Вероятность В левой части рис.6 представлено априорное распределение (рис. 4), в правой – апостериорное, формируемое с учётом набора (4).

Полученное распределение интерпретируется как процентное соотношение услуг (в объёмах времени, выделяемого клиентом на реализацию услуг). Для данного примера после предъявления ЛХ наибольшее время (45%) выделяется на услугу GOROD, 22% всего времени – на услугу MOB, 6% – на услугу sms, 2% – на услугу gprs, 25% – на услугу SERVICE.

Пересчёт формулы (1) с учётом (4) иллюстрирует изменение общего процентного соотношения услуг применительно к анализируемому клиенту. Согласно рис. 6, клиент в априорном распределении с наибольшими вероятностями тяготеет к услугам MOB и SERVICE, а в апостериорном с учётом набора (4) к услуге GOROD.

Априори факт тяготения анализируемого клиента к этой услуге очень мал (0,05 против 0,45).

Сегментированный анализ платёжеспособности клиента наряду с анализом его тяготения к услугам, может проводиться на уровне шкалы платёжеспособности. Для этого такая шкала платёжеспособности разбивается на поддиапазоны (ПД) (для примера выделено шесть ПД): ПД1 клиент ничего не платит в течение месяца, ПД2 – клиент платит от 0 до 5 условных единиц (у.е.) в месяц, ПД3 – от 5 до 10 у.е., ПД4 – от 10 до 20 у.е., ПД5 – от 20 до 30 у.е., ПД6 – более у.е. в месяц.

Внутри каждого из ПД имеется набор услуг, которые взаимосвязаны между собой. Зная ПД и зависимости между услугами, можно количественно оценить лояльность и объёмы этих услуг для конкретного клиента.

В общем случае лояльность клиента L определяется средними выплатами с учётом вероятностей принадлежности клиента к ПД – PПД :

j N ПД ПД j j L PПД, (5) j j где ПД и ПД – соответственно нижняя и верхняя границы j-го ПД.

j j Для выявления тяготения клиента к ПД аналогично рис. 4, формируются гистограммы априорного распределения вероятностей Р(ПДj) принадлежности клиента к ПДj (j = 1, …, N) и характеристики стереотипов клиентов каждого из диапазонов в соответствии с атрибутами клиентов.

При помощи формулы Байеса (1) определяется вероятность принадлежности клиента к каждому из 6-и платёжных диапазонов ПДj с учётом личностных характеристик клиента PПД ЛХ.

j Рис. 7 иллюстрирует изменение вероятностной структуры ПДj в связи с тяготением клиента с набором свойств (4). В априорном распределении вероятностей ПДj доминирует ПД1, в апостериорном – ПД2, что прогнозирует существенное увеличение платёжеспособности и лояльности клиента. Априори его лояльность была недооценена (по формуле (5) априори – L = 4,42 у.е., апостериори – L = 4,56 у.е. в месяц).

0,ПД0,ПД0,0,ПД0,ПД0,ПД0,ПД0,ПДПД0,0,05 ПДПД6 ПДПДP(ПД) с учетом ЛX Рис. 7. Тяготение клиента к ПД2 при наборе ЛХ (4) Для определения взаимозависимостей между услугами внутри платёжного диапазона формируется таблица 1, в которой приведён пример результирующих значений базовых объёмов и коэффициентов, полученных для второго платёжного диапазона ПД2. По диагонали расставлены базовые объёмы услуг (в у.е.), а в остальных клетках безразмерные коэффициенты линейных связей. Данная таблица получена на основе системы (2) с использованием программы PolyAnalyst, относящейся к классу систем Data Mining.

Таблица 1. Коэффициенты линейных связей и базовые значения регрессионной модели для ПД MOB GOROD SMS GPRS SERVICE MOB 2,2273 -0,29018 -0,25446 -0,39053 -0,GOROD -0,0546 0,816831 -0,02294 -0,1024 SMS -0,05198 -0,025319 0,88941 0 GPRS -0,037201 -0,051833 0 0,65658 SERVICE -0,012618 0 0 0 0,Вероятность Путём пересчёта системы (2) в соответствии с взаимосвязями между услугами внутри платёжного диапазона (таблица 1) определяются возможные объёмы услуг для клиента с учётом процентного отношения услуг (пример рис. 6). На рис. 8 представлена диаграмма прогнозируемых значений услуг для клиента во 2-м платёжном диапазоне с набором характеристик (4).

2,2,1,1,0,0,MOB GOROD SMS GPRS SERVICЕ Рис. 8. Прогнозируемые объёмы услуг для ПД2 при наборе ЛХ (4) ЗАКЛЮЧЕНИЕ В работе показано, что при современной ситуации на рынке телекоммуникационных услуг, использование предлагаемых алгоритмов оценки лояльности клиентов является важным фактором повышения эффективности деятельности телекоммуникационной компании.

Выполнен аналитический обзор методов анализа лояльности клиентов, по результатам которого установлено, что наиболее перспективным при решении данных задач является сегментный анализ, основанный на байесовском подходе.

Предлагаемая в работе сегментация телекоммуникационных данных с учётом стереотипов клиентов компании, основанная на индивидуальных (личностных) характеристиках, позволяет оперативно и с большей достоверностью принимать управленческие решения, а также делать соответствующие прогнозы платежеспособности как для индивидуальных, так и для корпоративных клиентов.

НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ:

1) Кораблин, М.А. Байесовский подход для оценки лояльности клиентов телекоммуникационной компании / М.А. Кораблин, А.В. Мелик-Шахназаров, А.А. Салмин // Инфокоммуникационные технологии. – 2006. – Т. 4, № 2. – С. 85- 90.

Объёмы в у.е.

2) Кораблин, М.А. Оценка лояльности клиентов телекоммуникационной компании на основе байесовского подхода / М.А. Кораблин, А.В. Мелик-Шахназаров, А.А.

Салмин // Информационные технологии. – 2006. – № 04. – С. 6367.

3) Кораблин, М.А. Регрессионно – когнитивные графы в задачах анализа биллинговых систем / М.А. Кораблин, А.В. МеликШахназаров, А.А. Салмин // Информационные технологии. – 2005. – № 08. – С. 35-39.

4) Салмин, А.А. Задачи аналитического управления трафиком в современных биллинговых системах / А.А. Салмин // Инфокоммуникационные технологии. – 2007. – Т. 5, № 10. – С. 58-61.

5) Салмин, А.А. Лояльность как категория эффективности телекоммуникационной компании / А.А. Салмин // VII Всероссийская научно-техническая конференция «Проблемы информатики в образовании, управлении, экономике и технике»:

сб. статей. – Пенза, ПДЗ, 2007. – С. 146-148.

6) Салмин, А.А. Методы индивидуального подхода к абонентам в биллинговых системах / А.А. Салмин // ХIII Юбилейная российская научная конференция профессорскопреподавательского состава, научных сотрудников и аспирантов:

материалы конференции. – Самара, ПГАТИ, 2006. – С. 178.

7) Салмин, А.А. Сегментация клиентов телекоммуникационной компании на основе формулы Байеса / А.А. Салмин // VII МНТК «Проблемы техники и технологии телекоммуникаций»:

материалы конференции. – Самара, ПГАТИ, 2006. – С. 162-164.

8) Салмин, А.А. Сегментированный анализ данных телекоммуникационного оператора для выявления лояльности клиента / А.А. Салмин // VIII МНТК «Проблемы техники и технологии телекоммуникаций»: материалы конференции. – Уфа, УГАТУ, 2007. – С. 136-138.

9) Салмин, А.А. Технология Data Mining и её практическое использование в телекоммуникационных системах / А.А. Салмин // XIV Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов: материалы конференции. – Самара, ПГАТИ, 2007. – С. 160-161.

10) Салмин, А.А. Задачи аналитического управления трафиком в современных биллинговых системах / А.А. Салмин // 4-я МНТК «Информатизация процессов формирования открытых систем на основе САПР, АСНИ, СУБД и систем искусственного интеллекта» (ИНФОС-2007): материалы конференции. – Вологда, ВоГТУ, 2007. – С. 176-178.

11) Салмин, А.А. Процесс «поиска решения» для анализа телекоммуникационных данных / А.А. Салмин // 6-я Всероссийская научно-практическая конференция «Компьютерные технологии в науке, практике и образовании»:

материалы конференции. – Самара, СамГТУ, 2007. – С. 94-96.

Pages:     | 1 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»