基于網(wǎng)絡(luò)社團(tuán)檢測(cè)的電信客戶細(xì)分

蔣盛益a，吳美玲b，楊博泓a

(廣東外語(yǔ)外貿(mào)大學(xué) a.思科信息學(xué)院；b.國(guó)際工商管理學(xué)院，廣州 510006)

1 概述

我國(guó)電信業(yè)發(fā)展迅速，行業(yè)發(fā)展在獲取客戶資源和提升客戶價(jià)值上面臨新的挑戰(zhàn)。電信企業(yè)為提高競(jìng)爭(zhēng)力，必須采用精準(zhǔn)的營(yíng)銷策略，而客戶細(xì)分是電信企業(yè)有效實(shí)施市場(chǎng)策略和客戶關(guān)系管理的基礎(chǔ)。傳統(tǒng)的客戶細(xì)分大多使用數(shù)據(jù)挖掘中的聚類方法，根據(jù)屬性數(shù)據(jù)將個(gè)體劃分成不同的群體[1-3]。這種劃分方法僅考慮個(gè)體的行為特征，而忽略了個(gè)體之間的交互關(guān)系對(duì)行為特征的影響和群體形成。利用電信企業(yè)的通話明細(xì)記錄可以構(gòu)造以客戶為節(jié)點(diǎn)、以通話關(guān)系為邊的電話呼叫網(wǎng)絡(luò)，該網(wǎng)絡(luò)在一定程度上體現(xiàn)了客戶之間的社交關(guān)系，屬于關(guān)系數(shù)據(jù)。通過(guò)電話呼叫網(wǎng)絡(luò)將客戶細(xì)分為不同的群體，電信企業(yè)能夠發(fā)現(xiàn)不同的客戶關(guān)系圈，如親戚圈、同學(xué)圈、同事圈等，同時(shí)識(shí)別關(guān)系圈中較大影響力的客戶，為電信企業(yè)客戶挽留、精準(zhǔn)營(yíng)銷等提供有效的決策支持，以在激烈的競(jìng)爭(zhēng)中保持領(lǐng)先優(yōu)勢(shì)。

網(wǎng)絡(luò)社團(tuán)檢測(cè)是指將網(wǎng)絡(luò)劃分成多個(gè)關(guān)系緊密對(duì)象組成的社團(tuán)，使得同一社團(tuán)對(duì)象間的關(guān)系較緊密，不同社團(tuán)對(duì)象間的關(guān)系較稀疏。通過(guò)社團(tuán)檢測(cè)，電信企業(yè)能夠有效地在電話呼叫網(wǎng)絡(luò)中進(jìn)行群體劃分。近年來(lái)，國(guó)內(nèi)外學(xué)者針對(duì)不同的網(wǎng)絡(luò)類型和社團(tuán)結(jié)構(gòu)提出多種社團(tuán)檢測(cè)方法，文獻(xiàn)[4]給出一種加權(quán)網(wǎng)絡(luò)的社團(tuán)檢測(cè)方法；文獻(xiàn)[5]提出一種基于隨機(jī)漫步模型的節(jié)點(diǎn)相似度計(jì)算方法，并使用層次聚類算法實(shí)現(xiàn)網(wǎng)絡(luò)節(jié)點(diǎn)的劃分，該方法能檢測(cè)不同規(guī)模的社團(tuán)；文獻(xiàn)[6]提出基于模塊度優(yōu)化的方法，該方法具有較高的時(shí)間效率；文獻(xiàn)[7]針對(duì)網(wǎng)絡(luò)隨時(shí)間變化的特性，提出一種基于時(shí)間戳的動(dòng)態(tài)網(wǎng)絡(luò)社團(tuán)檢測(cè)方法；文獻(xiàn)[8]根據(jù)社團(tuán)間的連接研究網(wǎng)絡(luò)的重疊社團(tuán)檢測(cè)問(wèn)題；文獻(xiàn)[9]從網(wǎng)絡(luò)中心點(diǎn)的角度出發(fā)，檢測(cè)以中心點(diǎn)為核心的社團(tuán)結(jié)構(gòu)。但現(xiàn)有方法在電話呼叫網(wǎng)絡(luò)的應(yīng)用研究較少。文獻(xiàn)[10]探索了呼叫網(wǎng)絡(luò)的基本屬性，但沒(méi)對(duì)社團(tuán)結(jié)構(gòu)展開(kāi)研究。文獻(xiàn)[11]的方法只能尋找較大的社團(tuán)，但忽略網(wǎng)絡(luò)中的小社團(tuán)，并提到網(wǎng)絡(luò)加權(quán)方法會(huì)影響社團(tuán)檢測(cè)效果。文獻(xiàn)[12]使用基于最大化派系的方法研究呼叫網(wǎng)絡(luò)的社團(tuán)檢測(cè)，該方法的效率較低，不適用于大規(guī)模網(wǎng)絡(luò)。另外，這些研究都沒(méi)有結(jié)合電信業(yè)的特性對(duì)社團(tuán)檢測(cè)結(jié)果進(jìn)行分析，因而不能為電信企業(yè)提供精確的決策支持。

本文在構(gòu)造電話呼叫網(wǎng)絡(luò)的基礎(chǔ)上，提出使用高效的、適應(yīng)多分辨率的加權(quán)網(wǎng)絡(luò)社團(tuán)檢測(cè)算法建立客戶細(xì)分模型，并對(duì)不同網(wǎng)絡(luò)加權(quán)方法進(jìn)行測(cè)試。同時(shí)，結(jié)合客戶通話特征和基本屬性分析社團(tuán)特征以識(shí)別不同的客戶社團(tuán)類型，并尋找社團(tuán)內(nèi)較大影響力的中心客戶。

2 電話呼叫網(wǎng)絡(luò)的社團(tuán)檢測(cè)

2.1 網(wǎng)絡(luò)加權(quán)方法

已有研究中的電話呼叫網(wǎng)絡(luò)大多是沒(méi)有加權(quán)的[10-11]。然而，客戶之間的聯(lián)系緊密程度體現(xiàn)在網(wǎng)絡(luò)的邊權(quán)重上。本文分別使用客戶之間的通話總時(shí)長(zhǎng)、通話總次數(shù)和平均通話時(shí)長(zhǎng)對(duì)邊進(jìn)行加權(quán)，以構(gòu)造相應(yīng)的加權(quán)網(wǎng)絡(luò)，測(cè)試并選擇最佳的加權(quán)方法。

2.2 網(wǎng)絡(luò)社團(tuán)檢測(cè)算法

目前，網(wǎng)絡(luò)社團(tuán)檢測(cè)算法包括分割算法、基于模塊度優(yōu)化算法、譜分析法、信息論方法和動(dòng)態(tài)建模方法。分割算法依賴于邊的分裂標(biāo)準(zhǔn)，對(duì)網(wǎng)絡(luò)不具有自適應(yīng)性?；谀K度的方法建立于隨機(jī)圖沒(méi)有社團(tuán)結(jié)構(gòu)的假設(shè)，具有一定缺陷。譜分析法將網(wǎng)絡(luò)節(jié)點(diǎn)映射到多維向量空間中，運(yùn)用聚類方法將節(jié)點(diǎn)聚成社團(tuán)。信息論方法把網(wǎng)絡(luò)模塊化描述看作網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的有損壓縮，將社團(tuán)發(fā)現(xiàn)問(wèn)題轉(zhuǎn)換為尋找拓?fù)浣Y(jié)構(gòu)的有效壓縮方式，對(duì)社團(tuán)大小及邊密度不一的社團(tuán)發(fā)現(xiàn)問(wèn)題，性能優(yōu)于基于模塊度優(yōu)化算法。動(dòng)態(tài)建模方法中的隨機(jī)漫步模型算法使用隨機(jī)策略搜索網(wǎng)絡(luò)得到拓?fù)浣Y(jié)構(gòu)信息，具有較高效率，能檢測(cè)不同分辨率的社團(tuán)。

最好的社團(tuán)發(fā)現(xiàn)方法往往與應(yīng)用場(chǎng)景相關(guān)[13]。本文考慮電信數(shù)據(jù)特點(diǎn)選擇合適的算法：(1)電信業(yè)是數(shù)據(jù)密集型企業(yè)，算法應(yīng)能處理大規(guī)模數(shù)據(jù)；(2)客戶通話緊密程度不同，算法應(yīng)適用于加權(quán)網(wǎng)絡(luò)；(3)基于實(shí)際的社會(huì)結(jié)構(gòu)，客戶形成不同規(guī)模的群體，如小規(guī)模的親戚圈、大規(guī)模的企業(yè)圈等，算法應(yīng)能發(fā)現(xiàn)不同規(guī)模的社團(tuán)。

根據(jù)上述特性，本文選取隨機(jī)漫步模型算法作為網(wǎng)絡(luò)劃分方法[5]，該算法對(duì)于稀疏網(wǎng)絡(luò)時(shí)間復(fù)雜度為O(n2logn)(n和m分別為節(jié)點(diǎn)數(shù)和邊數(shù))，可處理百萬(wàn)節(jié)點(diǎn)的大規(guī)模網(wǎng)絡(luò)，并適用于加權(quán)網(wǎng)絡(luò)和發(fā)現(xiàn)不同規(guī)模的社團(tuán)。

2.3 隨機(jī)漫步模型算法

隨機(jī)漫步模型的原則是：若網(wǎng)絡(luò)具有很強(qiáng)的社團(tuán)結(jié)構(gòu)性，則隨機(jī)漫步者多數(shù)時(shí)間停留在社團(tuán)內(nèi)部邊上。基于圖的隨機(jī)漫步理論計(jì)算節(jié)點(diǎn)之間、社團(tuán)之間的距離，再使用層次聚類進(jìn)行網(wǎng)絡(luò)劃分。算法中參數(shù)t為漫步步數(shù)，通過(guò)t步從節(jié)點(diǎn)i到 j的概率為。漫步者更可能走向度數(shù)大的節(jié)點(diǎn)，會(huì)受度數(shù)d(j)的影響；若節(jié)點(diǎn)i和 j屬于同一社團(tuán)，則i和 j更傾向走到相同的節(jié)點(diǎn)集合，即為獲得網(wǎng)絡(luò)拓?fù)湫畔ⅲ瑃應(yīng)設(shè)置足夠大，同時(shí)需控制上限值。下面介紹基于上述隨機(jī)漫步特性的距離計(jì)算：

定義1節(jié)點(diǎn)i和 j的距離為：

其中，d(k)為節(jié)點(diǎn)k的度數(shù)。

定義2從社團(tuán)C到節(jié)點(diǎn) j的概率定義為C中任意一個(gè)節(jié)點(diǎn)i到 j的概率平均值，即：

定義3若社團(tuán)C1和C2至少有一條連邊，則稱C1和C2為鄰接社團(tuán)，且C1和C2的距離為：

基于距離計(jì)算方法，網(wǎng)絡(luò)劃分步驟如下：

(1)每個(gè)節(jié)點(diǎn)作為單獨(dú)的社團(tuán)，初始網(wǎng)絡(luò)劃分為P1={{v},v∈V }，計(jì)算任意鄰接社團(tuán)的距離。

(2)對(duì)于第h次劃分結(jié)果Ph，根據(jù)：

標(biāo)準(zhǔn)選擇使得Δσ最小的2個(gè)社團(tuán)C1和C2進(jìn)行合并。

(3)更新網(wǎng)絡(luò)劃分為Ph+1=(Ph{C1,C2}) ∪{C3}，重新計(jì)算鄰接社團(tuán)距離。

(4)重復(fù)步驟(2)、步驟(3)，n-1次形成網(wǎng)絡(luò)劃分序列(Ph)i≤h≤n，使用加權(quán)模塊度函數(shù)判定(Ph)i≤h≤n中效果最好的網(wǎng)絡(luò)劃分。

2.4 社團(tuán)檢測(cè)算法性能評(píng)價(jià)

社團(tuán)質(zhì)量評(píng)價(jià)方法有2種：(1)使用質(zhì)量函數(shù)；(2)最小化社團(tuán)模型與實(shí)際社團(tuán)結(jié)構(gòu)的差異。由于很難獲得實(shí)際社團(tuán)結(jié)構(gòu)，因此質(zhì)量函數(shù)是常用的社團(tuán)質(zhì)量評(píng)價(jià)準(zhǔn)則。

模塊度成為目前廣泛使用的社團(tuán)評(píng)價(jià)方法，其目的是社團(tuán)內(nèi)節(jié)點(diǎn)連邊盡量多，社團(tuán)間連邊盡量少。針對(duì)加權(quán)網(wǎng)絡(luò)，文獻(xiàn)[4]提出加權(quán)模塊度公式：

其中，W 為網(wǎng)絡(luò)邊權(quán)重和；Aij為網(wǎng)絡(luò)鄰接矩陣；Si和Sj分別為節(jié)點(diǎn)i和 j的連邊權(quán)重和；Ci和Cj分別為i和 j所在的社團(tuán)，當(dāng)Ci=Cj時(shí) δ(Ci,Cj)=1，否則為0。Q值在[0,1]，Q=0.3為網(wǎng)絡(luò)有明顯社團(tuán)結(jié)構(gòu)的下界。

3 實(shí)例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文以電信運(yùn)營(yíng)商固話客戶的通話數(shù)據(jù)為研究對(duì)象，共148570條記錄，每條記錄為客戶的一次通話，如表1所示。另一類數(shù)據(jù)是客戶基本信息，如表2所示。

表1 通話明細(xì)記錄

表2 客戶基本信息

3.2 數(shù)據(jù)預(yù)處理

為使挖掘的效率和效果更好，在建模之前需要對(duì)數(shù)據(jù)樣本進(jìn)行預(yù)處理以保證數(shù)據(jù)質(zhì)量。采用如下步驟：(1)數(shù)據(jù)清洗。機(jī)器故障導(dǎo)致的噪聲數(shù)據(jù)，如空值、通話過(guò)長(zhǎng)的記錄，將其刪除。(2)數(shù)據(jù)變換。政企客戶打外線號(hào)碼時(shí)，被叫號(hào)碼以9開(kāi)頭，需還原成原始號(hào)碼。(3)樣本選擇。本文實(shí)驗(yàn)的目的是通過(guò)運(yùn)營(yíng)商內(nèi)部客戶的社會(huì)關(guān)系進(jìn)行客戶群體細(xì)分，選取對(duì)象是客戶間的市內(nèi)通話數(shù)據(jù)。(4)特征構(gòu)造。為測(cè)試加權(quán)方法對(duì)網(wǎng)絡(luò)劃分的影響，需要匯總2個(gè)相同客戶的通話記錄，以構(gòu)造通話次數(shù)、通話時(shí)長(zhǎng)、平均通話時(shí)長(zhǎng)3個(gè)特征。(5)構(gòu)造電話呼叫網(wǎng)絡(luò)。預(yù)處理后的數(shù)據(jù)有59317條記錄，特征包括原始主叫號(hào)碼、原始被叫號(hào)碼、通話次數(shù)、通話時(shí)長(zhǎng)、平均通話時(shí)長(zhǎng)。以號(hào)碼為節(jié)點(diǎn)、呼叫為邊并選取加權(quán)方法，構(gòu)造節(jié)點(diǎn)數(shù)為23166，邊數(shù)為59317的加權(quán)網(wǎng)絡(luò)，該網(wǎng)絡(luò)是密度為0.00022的稀疏網(wǎng)絡(luò)。

3.3 實(shí)驗(yàn)結(jié)果及分析

在構(gòu)建加權(quán)呼叫網(wǎng)絡(luò)的基礎(chǔ)上，本文采用隨機(jī)漫步模型算法[5]進(jìn)行社團(tuán)檢測(cè)。由算法可知，社團(tuán)結(jié)果受漫步步數(shù)的影響，步數(shù)太小則無(wú)法獲取整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的特性，步數(shù)過(guò)大則轉(zhuǎn)換概率完全由節(jié)點(diǎn)度數(shù)決定，所以步數(shù)的合理選擇是實(shí)驗(yàn)結(jié)果的有效保證。另外，社團(tuán)檢測(cè)結(jié)果與加權(quán)方法密切相關(guān)。針對(duì)上述問(wèn)題，測(cè)試多種加權(quán)網(wǎng)絡(luò)在不同步數(shù)參數(shù)值的劃分效果，并選擇最佳的加權(quán)方法和步數(shù)，如表3所示，其中，NC為社團(tuán)個(gè)數(shù)。

表3 不同加權(quán)網(wǎng)絡(luò)的社團(tuán)檢測(cè)結(jié)果

由表3可知，使用通話總時(shí)長(zhǎng)的加權(quán)網(wǎng)絡(luò)劃分效果最好，以此為例測(cè)試步數(shù)對(duì)社團(tuán)結(jié)果的影響。

如圖1所示，步數(shù)在15以后Q值較穩(wěn)定，在18處達(dá)到第1個(gè)峰值。同時(shí)考慮算法時(shí)間復(fù)雜度隨步數(shù)呈指數(shù)收斂，因而步數(shù)不宜設(shè)置太大。本文選取18為算法的步數(shù)參數(shù)，并使用通話總時(shí)長(zhǎng)為權(quán)重進(jìn)行網(wǎng)絡(luò)社團(tuán)檢測(cè)和結(jié)果分析，得到的模塊度值為0.8022，社團(tuán)個(gè)數(shù)為2029。社團(tuán)規(guī)模分布如圖2所示，難以對(duì)每個(gè)社團(tuán)進(jìn)行分析。社團(tuán)規(guī)模在10、100、500處的變化率較大，將社團(tuán)分為4類：小規(guī)模社團(tuán)，中等規(guī)模社團(tuán)，大規(guī)模社團(tuán)和超大規(guī)模社團(tuán)。再通過(guò)社團(tuán)的通話特征分析和客戶屬性分析來(lái)驗(yàn)證社團(tuán)的類型。

圖1 漫步步數(shù)與模塊度相關(guān)性

圖2 社團(tuán)規(guī)模分布

3.3.1 社團(tuán)的通話特征分析

通過(guò)社團(tuán)統(tǒng)計(jì)特征和客戶通話特征對(duì)社團(tuán)進(jìn)行分析，以驗(yàn)證社團(tuán)類型，如表4所示。

表4 4種社團(tuán)類型的統(tǒng)計(jì)和通話特征

社團(tuán)的平均密度公式為：

其中，b為每種類型的社團(tuán)個(gè)數(shù)；Ni為第i個(gè)社團(tuán)的節(jié)點(diǎn)數(shù)；Ei為社團(tuán)內(nèi)邊數(shù)。

由于社團(tuán)節(jié)點(diǎn)數(shù)會(huì)影響社團(tuán)內(nèi)的通話特征，因此在計(jì)算社團(tuán)平均通話特征時(shí)需使用規(guī)范化公式：

其中，Ci為第i個(gè)社團(tuán)的通話特征。休息工作時(shí)段比例為休息時(shí)間(12:00-14:00,17:30-8:00)與工作時(shí)間(8:00-12:00,14:00-17:30)的通話次數(shù)比例。從社團(tuán)類型分布來(lái)看，規(guī)模越大社團(tuán)個(gè)數(shù)越少，而總客戶數(shù)與規(guī)模和社團(tuán)個(gè)數(shù)相關(guān)，同時(shí)密度與規(guī)模呈正比關(guān)系。類型1的社團(tuán)規(guī)模小密度大，規(guī)范化平均總時(shí)長(zhǎng)最大，且休息時(shí)段通話也較多，說(shuō)明客戶之間比較熟悉；類型4的社團(tuán)規(guī)模大密度小，規(guī)范化總次數(shù)最大，說(shuō)明客戶聯(lián)系范圍廣，且通話主要分布在工作時(shí)段，可能為商業(yè)關(guān)系；類型2和類型3相對(duì)來(lái)說(shuō)社團(tuán)規(guī)模和密度處于中間值，該類客戶通話頻率較少但每次通話時(shí)間較長(zhǎng)，可能是偶爾聯(lián)系的朋友群。

3.3.2 社團(tuán)的客戶屬性分析

不同社團(tuán)類型的特征具有差異性，因此，需要根據(jù)客戶基本信息分析客戶類型的分布和社團(tuán)形成因素。

本文實(shí)驗(yàn)中家庭客戶、政企客戶和其他客戶的比例分別為：73.10%,16.33%和10.57%；客戶性質(zhì)以城市私人(75.10%)、辦公用戶(10.73%)為主體；行業(yè)類別主要為其他行業(yè)(86.03%)，少數(shù)為住宿和餐飲業(yè)(2.41%)、批發(fā)和零售業(yè)(2.28%)。

4種社團(tuán)類型在客戶類型、行業(yè)類別和客戶性質(zhì)的分布如表5所示?？蛻纛愋头植贾蠥1～A3代表家庭客戶、政企客戶、其他客戶；行業(yè)類別分布中B1～B11代表采礦業(yè)、房地產(chǎn)、公共服務(wù)業(yè)、公共管理、交通運(yùn)輸、郵政業(yè)、金融業(yè)、科學(xué)教育、批發(fā)和零售業(yè)、信息傳輸、軟件業(yè)、住宿和餐飲業(yè)、其他行業(yè)；客戶性質(zhì)分布中C1～C9代表城市辦公、城市私人、公免用戶、經(jīng)營(yíng)、局內(nèi)職工、農(nóng)村辦公、農(nóng)村私人、辦公用戶、其他。

表5 4種社團(tuán)類型的客戶特征

類型1以家庭客戶為主(83.20%)，且多為私人用戶(89.28%)。類型4在政企客戶、辦公客戶、住宿和餐飲業(yè)、批發(fā)和零售業(yè)客戶中的比例都高達(dá)70%，如圖3所示。

圖3 4種社團(tuán)類型的客戶比例

從表4、表5和圖3可知，類型1符合親戚圈，類型4符合大企業(yè)關(guān)系圈，類型2或類型3符合中等規(guī)模同學(xué)圈。

3.3.3 社團(tuán)的中心客戶發(fā)現(xiàn)

本實(shí)驗(yàn)使用節(jié)點(diǎn)中心性方法中的點(diǎn)度中心度測(cè)量客戶的中心性，計(jì)算公式為：

其中，Aij為網(wǎng)絡(luò)鄰接矩陣。比較不同網(wǎng)絡(luò)節(jié)點(diǎn)度通常使用規(guī)范化公式：

其中，ni為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，使用貢獻(xiàn)率表示客戶中心性在社團(tuán)中的比重，公式為：

其中，m為網(wǎng)絡(luò)總邊數(shù)。以其中客戶數(shù)為97的社團(tuán)為例計(jì)算客戶中心性。

由于中心客戶的數(shù)量與社團(tuán)規(guī)模相關(guān)，本文根據(jù)社團(tuán)內(nèi)客戶中心性分布選取中心客戶數(shù)量，如圖4所示，中心性值在11之后比較平穩(wěn)，因此選擇中心性值大于等于11的為中心客戶，如表6所示。

圖4 客戶中心性值分布

表6 中心客戶列表

本文對(duì)該社團(tuán)的交互情況進(jìn)行可視化，如圖5所示?？梢?jiàn)節(jié)點(diǎn)中心性較高的為中心客戶(如節(jié)點(diǎn)37,32)，通話較活躍、社交廣泛，處在網(wǎng)絡(luò)圖的中心位置，起領(lǐng)導(dǎo)作用；中心性值中等的客戶(如節(jié)點(diǎn)73)通話范圍不廣但有較高信息傳遞能力，起橋梁作用；中心性很小的客戶(如3,24)處在網(wǎng)絡(luò)邊緣位置，受社交關(guān)系約束很小，為易流失客戶。

圖5 社團(tuán)可視化

3.3.4 基于社團(tuán)檢測(cè)的電信客戶細(xì)分的特點(diǎn)

與傳統(tǒng)客戶細(xì)分相比，基于社團(tuán)檢測(cè)的客戶細(xì)分具有以下特點(diǎn)：(1)客戶以社交關(guān)系形成不同社團(tuán)，電信企業(yè)可針對(duì)不同社團(tuán)實(shí)施精準(zhǔn)營(yíng)銷，如向親戚圈推廣親情網(wǎng)語(yǔ)音業(yè)務(wù)、向大企業(yè)關(guān)系圈提供語(yǔ)音包月套餐。還可根據(jù)不同關(guān)系圈的通話時(shí)段特征，提供通話價(jià)格優(yōu)惠，如向親戚圈提供晚間通話優(yōu)惠。(2)在關(guān)系圈基礎(chǔ)上識(shí)別中心客戶，電信企業(yè)可以少量中心客戶為目標(biāo)進(jìn)行業(yè)務(wù)營(yíng)銷推廣，利用信任機(jī)制讓中心客戶自發(fā)地通過(guò)人際關(guān)系向圈內(nèi)其他客戶進(jìn)行產(chǎn)品或業(yè)務(wù)推廣，大大減少企業(yè)的營(yíng)銷成本，提高響應(yīng)率。(3)電信企業(yè)針對(duì)客戶社團(tuán)進(jìn)行客戶流失預(yù)測(cè)，替代傳統(tǒng)的個(gè)體流失預(yù)測(cè)，降低管理成本。如一個(gè)核心客戶離網(wǎng)，則及時(shí)監(jiān)控該客戶社團(tuán)中其他客戶的行為并及時(shí)挽留。

4 結(jié)束語(yǔ)

本文提出使用社團(tuán)檢測(cè)方法進(jìn)行客戶細(xì)分，并測(cè)試多種加權(quán)網(wǎng)絡(luò)的劃分效果。以電信業(yè)客戶通話明細(xì)數(shù)據(jù)為研究對(duì)象，使用預(yù)處理技術(shù)整合數(shù)據(jù)及構(gòu)建電話呼叫網(wǎng)絡(luò)。在呼叫網(wǎng)絡(luò)的基礎(chǔ)上，首先以網(wǎng)絡(luò)社團(tuán)檢測(cè)為工具，建立基于社交關(guān)系的電信客戶細(xì)分模型；其次分析社團(tuán)特征和識(shí)別社團(tuán)的中心客戶；最后對(duì)社團(tuán)進(jìn)行可視化以清晰地展現(xiàn)客戶交互情況和在社團(tuán)中的地位。經(jīng)實(shí)例數(shù)據(jù)與分析表明，該模型可以有效地識(shí)別不同關(guān)系類型的客戶群，是一種有效的電信客戶細(xì)分方法。在模型的基礎(chǔ)上可以準(zhǔn)確地描述群體特征，從而為電信企業(yè)提供決策依據(jù)和技術(shù)支持。下一步將對(duì)以下2個(gè)方面進(jìn)行研究：(1)結(jié)合客戶消費(fèi)屬性分析社團(tuán)的消費(fèi)特性，以提升社團(tuán)的價(jià)值；(2)研究具有時(shí)間因素的動(dòng)態(tài)社團(tuán)檢測(cè)算法，跟蹤關(guān)系圈的演化。

[1]Li Jinfeng,Wang Kanliang,Xu Lida.Chameleon Based on Clustering Feature Tree and Its Application in Customer Segmentation[J].Annals of Operations Research,2009,168(1):225-245.

[2]Konstantinos T,Antonios C.Data Mining Techniques in CRM:Inside Customer Segmentation[M].[S.l.]:Wiley,2010.

[3]王扶東,馬玉芳.基于數(shù)據(jù)挖掘的客戶細(xì)分方法的研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(4):215-218.

[4]Newman M E J.Analysis of Weighted Networks[J].Physical Review E,2004,70(5).

[5]Pons P,Latapy M.Computing Communities in Large Networks Using Random Walks[C]//Proc.of the 20th International Conference on Computer and Information Sciences.Berlin,Germany:Springer-Verlag,2005:284-293.

[6]Zhen Zhou,Wang Wei,Wang Liang,et al.Community Detection Based on an Improved Modularity[C]//Proc.of Chinese Conference on Pattern Recognition.Beijing,China:[s.n.],2012:638-645.

[7]Mucha1 P J,Richardson T,Macon K,et al.Community Structure in Time-dependent,Multiscale,and Multiplex Networks[J].Science,2010,382(5980):876-878.

[8]Ahn Y Y,Bagrow J P,Lehmann S.Link Communities Reveal Multiscale Complexity in Networks[J]. Nature,2010,466(7307):761-764.

[9]Chen Qing,Fang Ming.Community Detection Based on Local Central Vertices of Complex Networks[C]//Proc.of International Conference on Machine Learning and Cybernetics.[S.l.]:IEEE Press,2011:920-925.

[10]Nanavati A A,Gurumurthy S,Das G.On the Structural Properties of Massive Telecom Call Graphs:Finding and Implication[C]//Proc. of the 15th ACM International Conference on Information and Knowledge Management.New York,USA:ACM Press,2006:435-444.

[11]Pandit V,Modani N,Mukherjea S,et al.Extract Dense Communities from Telecom Call Graphs[C]//Proc.of the 3rd International Conference on Communication Systems Software and Middleware.[S.l.]:IEEE Press,2008:82-89.

[12]Wu Bin,Ye Qi,Yang Shengqi,et al.Group CRM:A New Telecom CRM Frameworkfrom Social Network Perspective[C]//Proc.of the 1st ACM International Workshop on Complex Networks Meet Information and Knowledge Management.New York,USA:ACM Press,2009:3-10.

[13]黃發(fā)良.信息網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)及其應(yīng)用研究[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué),2010,7(1):64-74.