Формирование оценки лояльности клиентов телекоммуникационной компании на основе байесовского подхода тема диссертации и автореферата по ВАК РФ 05.13.13, кандидат технических наук Салмин, Алексей Александрович

• Салмин, Алексей Александрович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Салмин, Алексей Александрович

ВВЕДЕНИЕ.

ГЛАВА 1. ЗАДАЧИ АНАЛИЗА ЛОЯЛЬНОСТИ КЛИЕНТОВ ТЕЛЕКОММУНИКАЦИОННОЙ КОМПАНИИ.

1.1. Лояльность как категория эффективности телекоммуникационной компании.

1.2. Системный анализ данных компании.

1.3. Сегментация по характеристикам клиента.

1.4. Выводы.

ГЛАВА 2. СЕГМЕНТАЦИЯ ДАННЫХ ДЛЯ ОЦЕНКИ ЛОЯЛЬНОСТИ.

2.1. Сегментированный анализ, основанный на формуле Байеса.

2.2. Сети Байеса.

2.3. Оценка взаимосвязи между факторами сегмента.

2.4. Выводы.

ГЛАВА 3. АЛГОРИТМЫ ОЦЕНКИ СЕГМЕНТОВ ТЕЛЕКОММУНИКАЦИОННЫХ ДАННЫХ.

3.1. Алгоритмы оценки наполнения сегментов и их реализация.

3.2. Алгоритмы оценки взаимосвязей между сегментами в телекоммуникационных данных и их реализация.

3.2.1. Определение взаимосвязей между услугами компании при помощи регрессионно-когнитивного моделирования.

3.2.2. Оценка лояльности клиента по отношению к услугам компании с учётом его характеристик.

3.3. Выводы.

Введение диссертации (часть автореферата) на тему «Формирование оценки лояльности клиентов телекоммуникационной компании на основе байесовского подхода»

Актуальность темы исследования. Одним из основных недостатков современных систем обслуживания клиентов телекоммуникационных компаний заключается в том, что клиент фактически обезличивается, рассматривается как «лицевой счёт». Такой подход к клиенту может привести к образованию упущенной выгоды, которая связана с недоучётом потребностей и возможностей клиента. Во многих ситуациях размер этой упущенной выгоды весьма значителен, поэтому в условиях обостряющейся конкурентной борьбы за клиента на первый план выходит индивидуальный подход к обслуживанию, способный найти наиболее рациональный индивидуальный баланс интересов на рынке телекоммуникационных услуг.

Одной из основных проблем при этом становится проблема предсказания оттока клиентов (churn prediction) или оценка «лояльности» клиентов. Как показывают оценки экспертов [34], привлечение нового клиента стоит примерно в 10 раз больше, чем удержание старого, а возврат ушедшего - в 100 раз больше. Для реализации качественного формирования оценки лояльности клиента должны быть использованы интеллектуальные методы анализа данных, которые позволяют выявить «скрытые» знания о взаимосвязях между индивидуальными характеристиками клиента и его отношением к компании-оператору. Лояльность клиента может измеряться в некоторых условных единицах и оцениваться достоверностью принадлежности клиента к определенному платёжному диапазону по шкале доходности компании, - здесь возможны разные методы и модели оценки.

Сфера использования таких методов и моделей отличается тем, что накопленные компанией объёмы данных должны обобщаться до такого уровня представления информации, который может быть охарактеризован как получение новых знаний о мотивациях поведения клиента.

В настоящее время существуют различные методики анализа клиентской базы данных телекоммуникационной компании с целью формирования оценки лояльности клиентов. Наиболее известными в этой области являются исследования таких зарубежных и отечественных авторов, как: Вернер Дж. Рейнартц, В. Кумар, И. Ансофф, Д. Аакер, П. Дойль, К. Келлер, Ф. Котлер, Д. Кревенс, Ж. Ламбен, А. Макаров и др. Большой вклад в развитие внесли работы Д. Пепперс, М. Роджерс, Ф. Райчхелд, Р.Д. Блэкуелл, Пол У. Минард, Джейн Ф. Энджел, Ф. Котлер, Ж. Ламбен, Д. Говард, Д. Шет, Р. Голдсмит, С. Браун; этой проблеме посвящены работы российских авторов А.В. Зозулева, Ю. Морозова, В. Дорошева, Г. Багиева и др. Однако эти разработки не всегда позволяют учесть специфические особенности телекоммуникационных систем: организацию данных, биллинга, учёт индивидуальных свойств клиента и т.п.

Неполнота априорной информации о свойствах клиентов препятствует использованию существующих аналитических систем для интеллектуального анализа данных в телекоммуникационных компаниях. В связи с этим, решение проблемы оценки лояльности клиентов с учётом полноты разнородной информации об индивидуальных качествах клиента представляется актуальным, тесно связанным с развитием общих концепций CRM-систем (Customer Relationship Management).

Объектом исследования являются алгоритмы обработки данных биллинговой системы телекоммуникационной компании.

Целью работы является построение моделей и алгоритмов анализа данных телекоммуникационной компании, формирующих количественную оценки лояльности клиентов по отношению к компаниям-операторам.

Для достижения поставленной цели требуется решить следующие задачи:

1. Выявить наиболее перспективные подходы и методы оценки лояльности клиентов телекоммуникационной компании.

2. Проанализировать концепции апостериорного анализа данных для эффективного прогнозирования взаимодействий с клиентами.

3. Разработать алгоритмы сегментированного анализа данных с учётом индивидуальных свойств клиентов и оценки взаимосвязей между сегментами и услугами.

4. Провести моделирование, основанное на предложенных алгоритмах и реальных данных компании-оператора, и сделать выводы о целесообразности использования разработанных моделей.

Методы исследования. Основные теоретические и экспериментальные исследования диссертационной работы выполнены с применением методов теории вероятности, математической статистики, когнитивного моделирования, регрессионного анализа.

Научная новизна диссертационной работы заключается в следующем:

Предложены алгоритмы формирования оценок лояльности клиентов телекоммуникационной компании с использованием их индивидуальных личностных характеристик: алгоритм наполнения сегментов и алгоритм оценки взаимосвязей между сегментами. Алгоритм наполнения сегментов основан на использовании формулы Байеса, которая определяет апостериорную вероятность принадлежности клиента к сегменту с учётом его индивидуальных характеристик. Алгоритм оценки взаимосвязей между сегментами позволяет выявить скрытые закономерности между объёмами телекоммуникационных услуг на основе регрессионно-когнитивного моделирования.

Достоверность результатов работы обеспечивается адекватным использованием методов теории вероятности, математической статистики. Достоверность положений и выводов работы подтверждается результатами моделирования.

Практическая ценность работы. Использование разработанных алгоритмов позволяет повысить эффективность взаимодействия с клиентами и обеспечить достоверность оценок их лояльности и платёжеспособности.

Реализация результатов работы. Разработанные в работе алгоритмы анализа приняты к использованию Самарским филиалом ОАО «ВолгаТелеком», а также внедрены в учебный процесс Поволжской государственной академии телекоммуникаций и информатики (г. Самара).

Апробация работы. Отдельные законченные этапы работы докладывались и обсуждались на Российских научных конференциях профессорско-преподавательского состава, научных сотрудников и аспирантов (Самара, 2006-2008); Международных научно-технических конференциях «Проблемы техники и технологии телекоммуникаций» (Самара, 2006; Уфа, 2007); 4-й международной научно-технической конференции «Информатизация процессов формирования открытых систем на основе САПР, АСНИ, СУБД и систем искусственного интеллекта: ИНФОС-2007» (Вологда, 2007); 6-й Всероссийской научно-практической конференции «Компьютерные технологии в науке, практике и образовании» (Самара, 2007); 7-й Всероссийской научно-технической конференции «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза, 2007).

Публикации. Основное содержание диссертации отражено в 11 опубликованных работах. Публикации включают 4 статьи в научных изданиях, рекомендуемых ВАК для публикации научных работ, и 7 материалов докладов на научно-технических конференциях.

На защиту выносятся:

- модель прогнозирования лояльности клиентов телекоммуникационной компании, основанная на использовании их индивидуальных свойств;

- алгоритмы выявления скрытых зависимостей (корреляций) между объемами услуг телекоммуникационной компании;

- рекуррентные алгоритмы пересчёта апостериорных вероятностей при сегментном анализе платёжных-диапазонов.

Структура и объём работы

Диссертационная работа состоит из введения, трёх глав, заключения и списка литературы. Основная часть работы содержит 97 страниц машинописного текста, 39 рисунков, 9 таблиц. Список литературы содержит 51 наименование.

Заключение диссертации по теме «Телекоммуникационные системы и компьютерные сети», Салмин, Алексей Александрович

3.3. Выводы

1) Разработаны методы анализа лояльности клиента, которые позволят компании-оператору выявлять наиболее лояльных клиентов, учёт которых может сильно отразиться на перераспределении средств, а, следовательно, и на деятельности компании в целом.

2) Эффективность данных подходов заключается в том, что они позволяют своевременно производить анализ клиентов и прогнозирование объёмов услуг для данных клиентов с целью эффективного выстраивания с ними своей работы.

3) Подход анализа лояльности клиента при помощи сегментации, основанной на формуле Байеса, и оценки взаимовлияний между факторами внутри сегмента, основанные на регрессионно-когнитивном моделировании и логит-преобразованиях, решают принципиально различные задачи, но интегрирую эти методики, компания может выявить полезную для себя информацию с целью увеличения лояльности своих клиентов.

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. Также с целью установки возможных взаимосвязей между элементами сегмента целесообразно использовать методологию регрессионно-когнитивного анализа.

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.

Список литературы диссертационного исследования кандидат технических наук Салмин, Алексей Александрович, 2008 год

1. Албитов, A. CRM (Customer Relationship Management) эффект Электронный ресурс. / А. Албитов, Е. Соломатин. Режим доступа: http://www.cfin.ru/itm/crm-review.shtml, свободный. - Загл. с экрана.

2. Атанов, Г.А. Диагностика знаний и умений с помощью экспертных систем: Учебное пособие для студентов физического факультета / Г.А. Атанов, И.Н. Пустынников. Донецк: ДонГУ, 1997. - 64 с.

3. Атре, Ш. Структурный подход к организации баз данных / Ш. Атре. — М.: Финансы и статистика, 1983. — 320 с.

4. Балтрашевич, В.Э. Реализация инструментальной экспертной системы / В.Э. Балтрашевич. СПб.: Политехника, 1997. - 237 с.

5. Бернштейн, С.Н. Собрание сочинений. Т.4. Теория вероятностей. Математическая статистика / С.Н. Бернштейн. М.: Гостехимиздат, 1964. -578 с.

6. Буч, Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++ / Г. Буч. М.: Бином, 1998. - 560с.

7. Дич, Л.З. Биллинговые системы в телекоммуникациях / Л.З. Дич. М.: Радио и связь, 2003. - 232 с.

8. Дюк, В. Data Mining. Учебный курс / В. Дюк, А. Самойленко. СПб.: Питер, 2001.-368 с.

9. Елисеева, И.И. Эконометрика: учебник / И.И. Елисеева, С.В. Курышева, Т.В. Костеева: под ред. Елисеевой И.И. М.: Финансы и статистика, 2005. - 576 с.

10. Копытько, Т. Прямой маркетинг универсальный ключ к лояльности клиента Электронный ресурс. / Т. Копытько. - Режим доступа: http://www.terrasoft.com.Ua/academy/articles/l 1/, свободный. - Загл. с экрана.

11. Кораблин, М.А. Байесовский подход-для оценки-лояльности-клиентов----телекоммуникационной компании / М.А. Кораблин, А.В. Мелик

12. Шахназаров, A.A. Салмин // Инфокоммуникационные технологии. 2006. -Т. 4, №2.-С. 85-90.

13. Кораблин, М.А. Оценка лояльности клиентов телекоммуникационной компании на основе байесовского подхода / М.А. Кораблин, A.B. Мелик-Шахназаров, A.A. Салмин // Информационные технологии. 2006. - № 04. - С. 63-67.

14. Кораблин, М.А. Регрессионно — когнитивные графы в задачах анализа биллинговых систем / М.А. Кораблин, A.B. Мелик-Шахназаров, A.A. Салмин // Информационные технологии. 2005. - № 08. - С. 35-39.

15. Кулинич, A.A. Система когнитивного моделирования «Канва» // Программные продукты и системы. 2002. - № 3 Электронный ресурс. / A.A. Клинич. - Режим доступа: http://www.raai.org/about/persons-/kulinich/pages/ kanva2003.html, свободный. - Загл. с экрана.

16. Мазитов, Ю.И. Инновации в CRM: вызовы времени и выгоды реализации / Ю.И. Мазитов, Ю.В. Пуха // Вестник связи. 2005. - №3. - С. 32-35.

17. Министерство связи РФ Электронный ресурс. Режим доступа: http://www.minsvyaz.ru/site.shtml?id=2522, свободный. - Загл. с экрана.

18. Назначение систем Data Mining Электронный ресурс. Режим доступа: http://www.iso.ru/journal/articles/276.html, свободный. - Загл. с экрана.

19. Некрасов В. Мобильный OLAP Электронный ресурс. // Открытые системы. 2003. - N° 05. — Режим доступа: http://www.osp.ru/os/2003/05/183051/, свободный. -Загл. с экрана.

20. Особенности маркетинга в телекоммуникациях Электронный ресурс. — Режим доступа: http://www.nii-ecos.ru/?a=23, свободный. Загл. с экрана.

21. Павлюков, Ю.А. Биллинговые системы в телекоммуникационной отрасли Электронный ресурс. / Ю.А. Павлюков // Информост Радиоэлектроника и Телекоммуникации. - 2003 - № 05 (29) - Режим доступа: http://informost.ru/ss/29/13.shtml, свободный. - Загл. с экрана.

22. Павлюков, Ю.А. Сбор и предобработка CDR в биллинговых системах Электронный ресурс. / Ю.А. Павлюков // Биллинг. Компьютерная телефония. 2003. - № 04. — Режим доступа: http://www.cti-online.ru/libraryreg.shtml, свободный. — Загл. с экрана.

23. Пугин, В.В. Разработка и исследование сетевых диагностических систем на основе вероятностных критериев: дис. . канд. техн. наук / В.В. Пугин — ПГАТИ, 2007.- 111с.

24. Роберте, Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экономическим задачам / Ф.С. Роберте. -М.: Наука, 1986.-496 с.

25. Романов, B.C. Понятие рисков и их классификация как основной элемент теории рисков / B.C. Романов // Инвестиции в России. -2007. № 12. -С. 41-43.

26. Салмин, A.A. Задачи аналитического управления трафиком в современных биллинговых системах / A.A. Салмин // Инфокоммуникационные технологии. 2007. - Т. 5, № 10.-С. 58-61.

27. Салмин, A.A. Сегментация клиентов телекоммуникационной компании на основе формулы Байеса / A.A. Салмин // VII МНТК «Проблемы техники и технологии телекоммуникаций»: материалы конференции. Самара, ПГАТИ, 2006. - С. 162-164.

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

29. Системы планирования ресурсов предприятия ERP Электронный ресурс. Режим доступа: http://erpnews.ru/docl596.html, свободный. - Загл. с экрана.

30. Технология DM и CRM-системы: синергический эффект Электронный ресурс. — Режим доступа: http://www.snowcactus.ru/crm.htm, свободный. — Загл. с экрана.

31. Тимур Василенко О.Генри и когнитивные карты Электронный ресурс. / Т. Василенко. Режим AOCTyna:http://www.improvement.ru/zametki/cognitive/, свободный. - Загл. с экрана.

32. Федулов, A.A. Введение в теорию статистически ненадежных решений / A.A. Федулов, Ю.Г. Федулов, В.Н. Цыгичко. М.: Статистка, 1979. - 279 с.

33. Фелан, С. Информация о клиенте стратегический ресурс Электронный ресурс. / С. Фелан. - Режим доступа: http://citforum.gatchina.net/consu lting/articles/client/index.shtml, свободный. - Загл. с экрана.

34. Хабаров, С. Байесовские сети доверия как средство разработки экспертных систем Электронный ресурс. / С. Хабаров. Режим доступа: Ьйр://йгт.й-аёе.8рЬ.ги/8еф/та1пе8.Мт, свободный. - Загл. с экрана.

35. Хейс, Д. Причинный анализ в статистических исследованиях / Д. Хейс: перевод с англ. Ю.Н. Гаврильцева, JI.M. Кутикова, М.А. Кутикова. М.: Финансы и статистика, 1981. - 256 с.

36. Храбров, В. Как удержать абонентов? Электронный ресурс. / В. Храбров. Режим доступа: http://www.sas.com/offices/europe/russia/articles/-2002/con06.html, свободный. — Загл. с экрана.

37. Цой, А. Конвергентный биллинг реального времени следующее поколение систем тарификации / А. Цой // Вестник связи. - 2004. - №4. -С. 32-35.

38. Чанышев, О.Г. Критерий близости документов и кластеризация/ О.Г. Чанышев // Математические структуры и моделирование: сб. научн. тр. / Под ред. А.К. Гуца. Омск: ОмГУ, 2001. - С. 121-130. - Вып. 8.

39. Частиков, А.П. Использование байесовской сети при разработке экспертных систем с нечеткими знаниями Электронный ресурс. / А.П. Частиков, И.Ю. Леднева. — Режим доступа: http ://ito. е du. ru/2 О О 0/II/5/5152.html, свободный. Загл. с экрана.

40. Школин, A. CRM: управление клиентами. Электронный ресурс. / А. Школин. — Режим доступа: http://www.finansmag.rU/4/9121/9179/9180, , свободный. — Загл. с экрана.

41. Щавелев, JI.В. Способы аналитической обработки данных для поддержки принятия решений Электронный ресурс. / JI.B. Щавелев // СУБД. 1998. -№ 04-05, № 06. Режим доступа: http://infovisor.ivanovo.ru/rus/press/-paper04.htm, свободный. - Загл. с экрана.

42. Data Mining and Knowledge Discovery Электронный ресурс. Режим доступа: http://www.dbmsmag.com/9807m01.html, свободный. — Загл. с экрана.

43. Data Mining в телекоммуникациях Электронный ресурс. Режим доступа: http:// www.megaputer.ru, свободный. - Загл. с экрана.

44. Doug, Alexander. Data Mining Электронный ресурс. / Alexander Doug. -Режим доступа: www.eco.utexas.edu/~norman/BUS.FOR/course.mat/Alex/. -Загл. с экрана.

45. Poly Analyst & Data mining Электронный ресурс. Режим доступа: http://www.polyanalyst.ru, свободный. — Загл. с экрана.

46. SAS INSTITUTE в телекоммуникационной индустрии Электронный ресурс. — Режим доступа: http://www.sas.com, свободный. Загл. с экрана.