（CWW）在互聯(lián)網(wǎng)時(shí)代，手機(jī)已成為人們?nèi)粘Ｉ钪胁豢苫蛉钡耐ㄐ藕蛫蕵饭ぞ摺τ陔娦胚\(yùn)營商而言，通信服務(wù)與手機(jī)配套銷售是重要業(yè)務(wù)領(lǐng)域，而如何高效、高質(zhì)地識別有購機(jī)需求的用戶并開展?fàn)I銷，是運(yùn)營商在數(shù)字化轉(zhuǎn)型趨勢下實(shí)現(xiàn)高質(zhì)量、精細(xì)化運(yùn)營的業(yè)務(wù)場景之一。以某運(yùn)營商的數(shù)據(jù)為例，每月有更換手機(jī)行為的用戶占比為3%~4%。因此，掌握哪些用戶有潛在換機(jī)需求、用戶喜歡的手機(jī)類型及可接受的價(jià)位等信息，準(zhǔn)確定位用戶需求并開展針對性營銷，不僅有利于運(yùn)營商擴(kuò)大用戶市場規(guī)模，節(jié)約營銷成本；也有利于提升服務(wù)質(zhì)量，使用戶獲得更好的感知。

(資料圖片僅供參考)

現(xiàn)有用戶換機(jī)意向預(yù)測模型的不足

當(dāng)前對具有購機(jī)意向用戶的識別，主要采用數(shù)據(jù)分析及機(jī)器學(xué)習(xí)建模等方式，基于用戶上網(wǎng)行為等運(yùn)營商數(shù)據(jù)，從海量終端用戶中篩選出有換機(jī)意愿的用戶。從目前研究方向來看，大致可分為偏理論研究和偏應(yīng)用研究兩類。其中，偏理論研究側(cè)重于對不同算法、數(shù)據(jù)處理方法的探索，以提升模型預(yù)測的精準(zhǔn)度；而偏應(yīng)用的研究則聚焦于建模方式，希望建立更接近于真實(shí)應(yīng)用場景的模型。兩類研究的最終目的都是在業(yè)務(wù)拓展中提升營銷精準(zhǔn)度、降低營銷成本。

綜合現(xiàn)有研究成果來看，無論是偏理論的研究還是偏應(yīng)用的研究，用戶換機(jī)預(yù)測模型的建立都需要采集至少一個(gè)月的用戶樣本數(shù)據(jù)，并根據(jù)抽象出的標(biāo)簽屬性進(jìn)行畫像建模。這意味著從數(shù)據(jù)采集到利用模型預(yù)測出換機(jī)用戶，通常情況下較用戶產(chǎn)生換機(jī)意向滯后1個(gè)多月；而在實(shí)際營銷場景中，1個(gè)月內(nèi)用戶大概率已經(jīng)通過其他渠道完成購機(jī)。因此，現(xiàn)有預(yù)測模型在營銷實(shí)踐中，往往因時(shí)效性的限制而使應(yīng)用效果受到影響。

針對上述問題，本文提出一種基于檢索網(wǎng)站熱度分析的用戶換機(jī)意向預(yù)測模型，該方案能夠?qū)⒂袚Q機(jī)意向用戶的識別周期由30日縮短至2日以內(nèi)，較業(yè)內(nèi)傳統(tǒng)預(yù)測模型查準(zhǔn)率提升6.1PP以上。模型投產(chǎn)后外呼接通轉(zhuǎn)化率提升26%，因而具有良好的應(yīng)用推廣價(jià)值。

基于檢索網(wǎng)站熱度分析預(yù)測模型的建立

換機(jī)用戶的定義

在現(xiàn)有研究中，對換機(jī)用戶的判斷主要基于終端的國際移動設(shè)備識別碼（InternationalMobileEquipmentIdentity，IMEI）變更。但在業(yè)務(wù)實(shí)踐中，一些用戶的IMEI變更可能為假性換機(jī)信號，例如用戶終端的IMEI發(fā)生短期臨時(shí)性改變，或在信息采集過程中存在偶發(fā)性的錯(cuò)誤。為助力終端營銷，用戶

換機(jī)意向預(yù)測模型需剔除假性換機(jī)信號，識別真正具有換機(jī)意愿的用戶。故本文將換機(jī)行為定義為：用戶在當(dāng)月發(fā)生IMEI變更及機(jī)型變更，并在次月仍然使用新IMEI或新機(jī)型。與之相應(yīng)的技術(shù)性定義如下。

{[IMEI__A(M-1)≠IMEI__B(M)]and[MODEL__A(M-1)≠M(fèi)ODEL__B(M)]}

and

{[IMEI_B(M)=IMEI_B(M+1)]or[MODEL_B(M)=MODEL_B(M+1)]}

其中用戶使用的舊終端標(biāo)記為A，其IMEI標(biāo)記為IMEI__A，機(jī)型標(biāo)記為MODEL__A；更換的新終端標(biāo)記為B，其IMEI標(biāo)記為IMEI__B，機(jī)型標(biāo)記為MODEL__B；當(dāng)月標(biāo)記為M，上月及次月分別為M-1和M+1。

模型設(shè)計(jì)原理

為提升換機(jī)用戶識別的時(shí)效性，本文將用戶換機(jī)行為的路徑明確為：產(chǎn)生換機(jī)想法—確定預(yù)算—檢索在售機(jī)型—確定預(yù)購機(jī)型—對比價(jià)格—購買新手機(jī)。從中可以發(fā)現(xiàn)，用戶產(chǎn)生購機(jī)意向的早期信號較直觀地體現(xiàn)在相關(guān)檢索和訪問記錄中。

目前對用戶上網(wǎng)瀏覽內(nèi)容的識別主要采用深度數(shù)據(jù)包檢測(DeepPacket Inspection，DPI)技術(shù)。用戶上網(wǎng)檢索在售手機(jī)信息時(shí)，搜索內(nèi)容將以相應(yīng)規(guī)則協(xié)議的形式，通過URL編碼體現(xiàn)在用戶訪問的網(wǎng)址中，或通過用戶終端發(fā)起請求的網(wǎng)址記錄呈現(xiàn)。因此，可通過DPI技術(shù)解析用戶上網(wǎng)日志中涉及換機(jī)的內(nèi)容，定位具有換機(jī)意向的用戶，具體示例見表1。

表1 檢索訪問vivo官網(wǎng)URL示例表2部分網(wǎng)站關(guān)鍵詞訪問量統(tǒng)計(jì)

URL優(yōu)先級規(guī)則庫

為挖掘用戶在各類網(wǎng)頁及APP上檢索換機(jī)相關(guān)信息的記錄，本文整理主流搜索引擎、電商網(wǎng)站等相關(guān)網(wǎng)址域名，按照檢索訪問行為統(tǒng)計(jì)各域名下搜索手機(jī)、訪問下單頁等URL信息，并提取關(guān)鍵詞轉(zhuǎn)化為正則表達(dá)式，獲取購機(jī)相關(guān)URL規(guī)則共69條。

因運(yùn)營商用戶上網(wǎng)日志數(shù)據(jù)量巨大，單日壓縮后約10~12TB，為提升解析效率，本模型采用網(wǎng)址熱度優(yōu)先級排序法及無效URL過濾法。

1.網(wǎng)址熱度優(yōu)先級排序法

分析各域名關(guān)鍵詞數(shù)量及訪問熱度（如表2所示），對URL進(jìn)行優(yōu)先級排序，然后對用戶上網(wǎng)日志從高優(yōu)先級至低優(yōu)先級依次匹配，并提取匹配到的URL記錄。按照上述方法整理URL優(yōu)先級規(guī)則庫案例，如表3所示。

表2 部分網(wǎng)站關(guān)鍵詞訪問量統(tǒng)計(jì)

表3URL優(yōu)先級規(guī)則庫案例

2.無效URL過濾法

在按照正則表達(dá)式匹配域名的過程中，存在大量與購機(jī)無關(guān)的URL信息，需在解析過程中進(jìn)行剔除。以百度為例，百度定位記錄占百度域名記錄總數(shù)的13.15%，URL對于用戶購機(jī)行為無參考意義，故需要進(jìn)行過濾。本方案最終整理剔除無效URL28條。

模型建立步驟

本文所述用戶換機(jī)意向預(yù)測模型的建立步驟如下（如圖1所示）。

圖1 基于檢索網(wǎng)站熱度分析的預(yù)測模型流程示意

第一步：域名正則表達(dá)式匹配。

1.域名匹配。輸入用戶上網(wǎng)日志數(shù)據(jù)，基于URL優(yōu)先級規(guī)則庫，按照優(yōu)先級依次匹配域名，若匹配成功則提取該上網(wǎng)日志數(shù)據(jù)記入待過濾數(shù)據(jù)表A，并跳過后續(xù)規(guī)則，啟動下一條上網(wǎng)日志匹配；若69條規(guī)則均未匹配成功則剔除該上網(wǎng)日志數(shù)據(jù)。

2.無效URL過濾。將待過濾數(shù)據(jù)表A中的上網(wǎng)日志記錄，基于28條無效URL規(guī)則進(jìn)行過濾剔除，并將剔除后數(shù)據(jù)集記為待解析數(shù)據(jù)集B。

第二步：意向換機(jī)行為識別。

1.關(guān)鍵詞提取。對待解析數(shù)據(jù)集B，匹配檢索或訪問關(guān)鍵詞并提取對應(yīng)信息，例如檢索內(nèi)容及商品編碼，并將提取內(nèi)容記入待解析數(shù)據(jù)集C。

2.換機(jī)意向識別。用待解析數(shù)據(jù)集C的記錄匹配手機(jī)品牌，若匹配成功則打標(biāo)對應(yīng)用戶換機(jī)意向?yàn)椤笆恰保⑵ヅ渖系氖謾C(jī)品牌打標(biāo)為用戶偏好品牌；否則打標(biāo)用戶換機(jī)意向?yàn)椤胺瘛薄?/p>

3.預(yù)測結(jié)果輸出。輸出換機(jī)意向標(biāo)記為“是”的用戶群及其偏好的手機(jī)品牌，作為換機(jī)預(yù)測結(jié)果集D。

對基于檢索網(wǎng)站熱度分析預(yù)測模型應(yīng)用效果的評估

數(shù)據(jù)說明

本文抽取2022年3月某一天的上網(wǎng)日志數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，建模預(yù)測用戶是否將發(fā)生換機(jī)行為，并基于預(yù)測結(jié)果核驗(yàn)用戶是否在2022年4月發(fā)生換機(jī)行為，據(jù)此評估模型效果。

經(jīng)統(tǒng)計(jì)某運(yùn)營商各主流手機(jī)品牌用戶量，發(fā)現(xiàn)蘋果、華為、OPPO及vivo終端用戶總占比為69.65%（詳見表4），故本文最終選取上述4個(gè)手機(jī)品牌用于換機(jī)行為預(yù)測。

表4 終端品牌用戶占比

模型結(jié)果

根據(jù)上述數(shù)據(jù)集最終得到預(yù)測換機(jī)用戶7058人（品牌分布見表5），本文將從模型效果、時(shí)效性及應(yīng)用效果3個(gè)維度進(jìn)行整體評估。

表5 基于正則表達(dá)式的用戶換機(jī)預(yù)測結(jié)果

1.模型效果評估

因不同數(shù)據(jù)集正負(fù)樣本比等情況會影響最終模型應(yīng)用效果，故本文主要通過對比不同換機(jī)預(yù)測模型在同一數(shù)據(jù)集的表現(xiàn)，評估模型效果。本文引入查準(zhǔn)率作為模型應(yīng)用效果評估指標(biāo)，查準(zhǔn)率主要用于衡量模型的準(zhǔn)確性，以換機(jī)模型為例，查準(zhǔn)率的定義為：查準(zhǔn)率=預(yù)測換機(jī)且實(shí)際換機(jī)的用戶數(shù)/預(yù)測換機(jī)的用戶數(shù)。

經(jīng)建模分析，本文提出的DPI預(yù)測方法查準(zhǔn)率為17%，較其他方法查準(zhǔn)率提升6.1PP以上（見表6），即該模型預(yù)測查準(zhǔn)率較好。

表6 預(yù)測模型效果對比

2.時(shí)效性評估

業(yè)務(wù)營銷使用的傳統(tǒng)規(guī)則模型及l(fā)ightGBM模型，需采集至少1個(gè)月的用戶數(shù)據(jù)方可進(jìn)行換機(jī)預(yù)測。而本文使用的DPI方法僅需累計(jì)1日數(shù)據(jù)，并基于現(xiàn)有資源運(yùn)算14小時(shí)即可得到換機(jī)預(yù)測結(jié)果，與傳統(tǒng)方法相比，預(yù)測周期從30日縮短至2日以內(nèi)。

3.營銷效果

針對模型輸出的潛在換機(jī)用戶，根據(jù)其品牌選擇偏好匹配相應(yīng)的終端政策，并將結(jié)果反饋給業(yè)務(wù)營銷人員，以便對用戶開展精準(zhǔn)營銷。實(shí)際營銷效果統(tǒng)計(jì)顯示，模型預(yù)測目標(biāo)接轉(zhuǎn)率可達(dá)1.45%，較非模型預(yù)測的1.15%提升約26%，模型應(yīng)用效果良好。

總結(jié)與展望

本文提出一種基于檢索網(wǎng)站熱度分析的用戶換機(jī)意向預(yù)測模型，結(jié)合業(yè)務(wù)營銷需求及用戶品牌使用情況，選取4個(gè)手機(jī)品牌進(jìn)行模型測試與評估，進(jìn)而驗(yàn)證了該方案在模型準(zhǔn)確性、時(shí)效性及業(yè)務(wù)應(yīng)用效果等方面均有所提升。當(dāng)然，本文所提出的建模方法仍存在改進(jìn)和完善的空間。一方面，可以通過補(bǔ)充并解析更多購機(jī)相關(guān)平臺及購機(jī)行為URL，如各平臺下單、分享商品等行為，擴(kuò)大換機(jī)用戶識別范圍并提升模型查全率；另一方面，不斷拓展手機(jī)品牌及具體機(jī)型，為精準(zhǔn)匹配用戶偏好并開展?fàn)I銷提供支撐。后續(xù)我們將不斷完善購機(jī)行為解析體系，以適應(yīng)不斷變化的終端市場，助力高質(zhì)量、高效率的用戶服務(wù)運(yùn)營。