在中国通信市场竞争日益激烈的今天，通信运营商的经营理念也逐渐从“质量第一”向“用户至上”转变。以往的营销模式不能满足顾客多样化、分层、个性化的需求。在很长时间内，通信单元的大量详细业务数据被简单地应用到各种业务系统中，并没有得到更有效的开发和利用。

一是数据挖掘模式。

以呼叫行为、数据服务等为例，将具有类似通信行为的人分组为一组，并对其进行分组。数据挖掘方法学选择Cross-IndustryProcessforDataMining),CRISP-DM，也就是跨行业数据挖掘过程标准。该方法从应用角度对数据挖掘工作进行了划分，实现了数据挖掘技术与实际应用的有机结合。在此，为了简化说明，我们没有考虑循环的探索与调整过程，直接对每个环节进行依次检查，通过问卷和访谈来了解顾客的消费行为和需求。

1.1资料编制。

资料编制流程如下：

(1)确定项目目标，制定挖掘计划。

(2)获取分析变量。

(3)收集和获得数据。

(4)数据整合。

按照CRISP-DM过程，先确定项目的目标。在客户分类中，将客户划分为“基于客户行为的视角”，以几十万个普通顾客为对象，以了解不同群体顾客行为特点；这就为发展新业务、保留现有客户以及其他通讯公司之间的竞争提供了有针对性的战略。并且达到公司的战略目标，稳定现有客户，增加客户增长。此后，应充分利用分析变量，并在保证数据的一致性、完整性、有效性和层次性的基础上，全面、全面、有效地满足所有业务分析和数据挖掘的要求。数据来源主要有客户档案、客户营销记录、销售订单主表等。

1.2建模。

在最终的数据集生成之后，可以构建模型来执行集群分析。建立模型的过程主要是对各种建模技术的选择与应用，并对其参数进行校正。建立模型时，运用多种技术手段对建模效果进行了对比分析，选择适当的变量参与建模。建模是一种螺旋型连续优化过程。若得到不理想的结果，就需要调整聚类模型来优化模型，即聚类优化。聚类优化可通过调整聚类数量、调整聚类变量输入或多次运行来选择满意结果。聚类结果是否是理想的，通常依据以下的原则来判断：类间的差异是否明显，组内特征是否相似，群集结果是否容易管理，是否有商业指导意义。

2进行数据挖掘的分析。

基于顾客分类结果，对顾客进行重新定位，加深对顾客的理解，并据此制定相应的对策。顾客分类法最终会产生一些顾客分类，根据顾客的特点可分为三类。所有组别之间频繁和不频繁交往的行为比较见表1。

在表1中比较了经常和不经常交往的行为。

分组号

通讯频率特性

非频繁交流行为

团体1：移动电话低使用群体。

和小灵通说话

致电10086。

当地、省内长途跋涉，

省间长途电话、IP。

固定用户通话。

群2：固定电话频繁群。

和固话通话。

当地、省内长途跋涉，

省间长途、IP、

和联通的用户通话。

组别3：移动电话低使用群。

和固话通话。

跨省长途，IP电话。

连接电话的次数。

针对各群体之间频繁、频繁的沟通消费行为，分析各个客户基础，制定相应的客户营销策略。在此基础上，以第一组顾客为例，通过对这种顾客电话行为的分析，获得了总体行为特征：

①这些人对关税十分敏感，可能对经济上的储蓄产品感兴趣。

②这类人几乎不能接听电话，他们能通过单向充电产品增加通话需求。

③因通信范围相对狭小，且主要是本地电话，容易成为小灵通或大灵通的抢劫者，因此可以设计一些市话特惠产品以留住顾客，防止顾客流失。

针对这些行为特点，他们可以发展相应的促销计划和销售渠道：因为他们可能包括低收入人群、家庭妇女、老年人、学生以及社会上不需要的技术人员。所以在超市、商场、学校等地方可以选择海报宣传，或者安排人员在人群聚集的地方做一些促销活动，实物奖品对这个群体很有吸引力。除基本销售点外，还可选择小区附近的居民小区、小商店等作为销售点，效果会更好。

结论

数据挖掘过程中，不同工艺生成的模型结果有较大差异，模型结果的可理解性也有较大差异。另外，分析、描述结果也非常重要，不恰当的描述可能造成误导。应该注意到，不同的业务问题和不同的数据分布属性会影响模型建立和调整的策略。同时，采用多种近似算法对建模过程进行了简化，优化过程。所以，业务专家也需要参与战略调整，以避免由于不适当优化造成业务信息的损失。