韦茂源++李蔚++卢沛杨++吕景楠++刘世伟

【摘 要】为了解决运营商缺乏识别客户关系的难题，采用大数据建模的方法，分析了运营商底层信令平台数据，研究了层次分析法和客户日常接触沟通频率层次的界定，提出了浅关系模糊营销快速机制，经过试验证明，浅关系模型能够快速验证客户的关系圈子并分析出业务倾向。基于当前营销方案，应用本关系嗅探方案可较好地与快速营销系统结合，以提升营销效率；同时，关系嗅探方案还可应用于更为广泛的家庭、政企业务。

【关键词】关系嗅探 大数据 快速营销 P2P频率模型

doi：10.3969/j.issn.1006-1010.2017.02.019 中图分类号：TL822+.6 文献标志码：A 文章编号：1006-1010（2017）02-0092-05

引用格式：韦茂源，李蔚，卢沛杨，等. 运营商基于信令大数据的关系嗅探方案[J]. 移动通信， 2017，41（2）： 92-96.

1 引言

随着互联网的广泛应用，机器终端占据人们的时间逐渐增多，人与人之间的交流沟通越来越少，将这个阶段简单定义为浅关系时代。在这个时代里，机器接触频率日益超过面对面的真诚沟通，人们的关系逐渐倾向于机器语言的频率，这个趋势赋予了通信行业新的研究课题。

2 运营商关系嗅探方案

本文的目标是“给出一个手机号码，立即能得到该号码的关系圈及圈内目标业务的属性偏好，并能用于业务实时推荐”，具体实现分为以下环节：

2.1 数据攫取和流转

从通信数据中攫取用户通信行为数据，采用标签分散映射法，通过将目标客户的通信行为打上标记，由标记调取数据的方式，减轻存储和实现实时处理。数据获取后，采用大数据入库工具快速处理网络文本、数据集市等数据，搭建大数据处理平台，为后续的实时相似度分析提供支持[1]。

2.2 模型建立和分析

浅关系模型的作用是：基于单一的手机号码，寻找到目标的关系圈子。由此创新提出了本模型的基础算法——P2P（Point to Point）频率算法，具体如下：

P2P频率=（主动频率+被动频率）×环境频率校对因子 （1）

其中，各频率的计算方法如下：

主动频率=主动语音通话频率+主动短信频率+主动软件频率-通话时长小于10s的频率-功能型主动频率

（2）

其中，功能型主动频率主要是指客户主动向系统发起系统短信指令，比如发送FX到10086即可实现安装注册飞信等，这种人与系统的短信交互需要剔除。

被动频率=被动语音通话频率+被动短信频率+被动软件频率-通话时长小于15s的频率-功能型被动频率

（3）

其中，功能型被动频率主要是指系统给客户下发的短信，比如登录网银时网银系统给客户下发的短信。同理，被动软件频率是指具有短信触发能力的软件按规律下发短信给客户。

环境频率校对主要是对客户某一时刻可能存在的环境进行校对，从而确保所得出的客户频率相对客观，因子分为以下3级[2-3]：

1级因子：系数为1，表明客户在统计周期内并无处于突发环境中；

2级因子：系数为0.8，表明客户在统计周期内曾处于1个突发环境中；

3级因子：系数为0.6，表明客户在统计周期内曾处于大于等于2个突发环境中。

其中，突发环境定义为：单位时间内（15分钟内），1对多的客户语音次数大于5次。

在实际操作中，该算法具体如下：

（1）通过信令相关库表匹配特定用户群的主叫通话、被叫通话、发送短信、接收短信明細，将被叫通话、接收短信清单均转化为被叫号码为主号码的记录，与主叫通话、发送短信明细合并为数据集A。这样数据集A实现了大数据级的各类库表的通信交互记录，简化为主叫、被叫号码的一一对应的记录，数据集A是一个海量的大数据清洗为标准简单的主叫、被叫，点对点记录次数的过程[4]。

（2）以数据集A主号码记录进行分组统计，可得出该用户群所有成员分别的交往圈子成员；以主号码圈子成员号码匹配数据集A记录的主次号码，按P2P频率计算，最终可得任意两个号码之间的P2P频率值，去重后形成数据集B。数据集B中得到的是数据集A范围内任意两个号码之间的P2P频率值，这个值为下述的3个层次关系圈确定提供了必备的基础。

（3）基于数据集B，使用阈值定位法（暂称其为样本量阈值定位算法）。选取目标地域具有代表性的样本，对样本中的每个号码进行P2P频率的统计，按照频率从高到低排序，取这些样本的a%、b%分位数，并对a%、b%分位数进行平均得到均值X和Y，则：联系最紧密的前a%的圈子，P2P频率平均为Y；联系紧密程度为a%～b%的圈子，P2P频率平均在（X， Y]区间；而联系舒散的后1～b%，P2P频率平均小于X次[5]。

（4）至此，通过模型可以得出联系最紧密、联系紧密、联系舒散这3个层次关系圈。这3个层次关系圈的数据确定来自通话频率，并摒除了快递、中介等不稳定因素的干扰，最大限度地从电信大数据中将客户的3个层次关系圈进行还原，为下一个阶段营销打好基础。

2.3 业务属性相似度分析模型

浅关系模型产出后，运用逻辑回归建立预测模型，假设Y代表某一偏好（如阅读偏好、上网偏好等）的可能性，X代表客户特征属性（如通信行为、上网行为、位置信息等），通过建立Y=f（x）来挖掘客户偏好的可能性，输入已存在的客户行为数据（如MC、GB、GN口数据），输出客户是否具有某种偏好的预测结果，从而有针对性的精准营销。

比如，根据关系模型，基于单一目标号码，得到了联系最紧密的号码3个、联系紧密的号码15个、联系舒散的号码28个。针对这3个层次关系圈，应用用户行为分析预测，得到了紧密圈子的15个号码中有5个喜欢使用手机进行电子阅读，那么可以针对紧密圈子的客户制定营销政策，对于喜欢阅读的伙伴，为其设计“拉新”活动，推荐或吸引伙伴一起阅读同一本书，将能享受等额开销次月返还；而针对紧密圈子的其他伙伴，则推荐阅读中的最新精品，这些精品从5个喜欢阅读的伙伴记录中抽取，阅读即有赠送奖励。在这么一个有交集的紧密圈子中，大家都收到了阅读的普惠信息，部分经常使用的伙伴还收到了推荐有礼的活动，这样营销就具有精准的效力，受众不仅接收到了优惠信息，而且还接收到了来自圈子中的口碑宣传，这样将大幅提升营销的效率。

此外，每个层次的业务属性不一样，程度也不一样。比如，舒散的关系圈26个伙伴中有4个喜欢音乐、5个喜欢阅读、8个喜欢投注、9个喜欢游戏，可以结合不同的业务爱好倾向，寻找共同的提升契机。

通过浅关系模型和业务偏好模型的组合，能够改变从前不知道对象的1V1型或1V不知名对象的营销乱象，将营销资源聚焦到关系圈子中来，根据不同层次、不同业务爱好，采用不同方式推广营销，以实现效率提升。

2.4 自动推荐模型

给出一个号码，得出目标号码的分层关系圈，针对性地分析目标关系圈的业务属性或相似度，配合业务串口，将数据实时从信令平台、大数据分析平台推送到传播渠道（如短信交互平台），从而根据已设置的业务优惠方案快速开展自动化业务推荐[6-7]。

比如，客户平时在服务厅等候办理业务时，以前是完全没有任何的业务介入，如今经过浅关系快速营销模型，客户在领取排队票时，输入的手机号码信息将能快速通过浅关系模型计算出客户的群体特征和业务偏好属性，并以短信的方式为客户呈现对应的业务优惠推荐，这样的营销将变得十分精准，如A客户的圈子最近都在热炒电视剧《老九门》，而且A客户的圈子中有13个伙伴喜欢游戏，那么客户在等候时，快速营销平台会为客户推送对应的IP题材游戏并附上短信优惠，客户只要试玩或者推荐就可以获得营销优惠，这种结合实际生活的营销将显得非常高效，并且不会让客户反感。

2.5 模糊营销机制

为避免营销让客户带来窥探隐私的反感，最大限度地减小营销投诉的阻力，在自动营销模型中增加了模糊营销机制。该机制包含模糊口径、分享意愿和录入三个机制，模糊口径部分主要用于日常营销，避免为客户提供任何可能导致反感的隐私信息，如推荐号码采用“大家都在看，推荐您也一起看？是否愿意分享给周围的朋友？”等之类，而在平时的分享中也增加了一键征询功能，客户在参与的营销优惠中既可以选择分享给自己录入的朋友号码，也可以允许读取通信录来为客户提供小范围的大数据服务[8]。

2.6 系统搭建和布设

本项目承载于运营商语音信令分析平台，大数据轻营销平台。其中，语音信令分析平台输出关系圈子数据，大数据挖掘平台输出相似度分析，轻营销平台完成快速营销能力。

从常见的大数据流框架来讲，系统搭建包括数据层、逻辑层和应用层，这3个层次在本方案中的设计如下：

（1）数据层：网络侧的底层数据经过标准流程接入到大数据存储服务器中，这个数据的更新频率以及覆盖地域视乎营销需求。

（2）逻辑层：重点处理P2P频率的算法，处理不同圈子之间的业务属性分析，配置时下对应的集群营销方案。

（3）应用层：以不同触点的方式到达客户，如外呼、短信、上网助手等。

这3个层次的构建确保了整个数据流转通畅，其中逻辑层的浅关系模型和业务偏好分析模型是关键。

2.7 快速能力输出

结合关系圈数据产出，形成了业务广播、P2P点对点业务及线下活动等维度的能力输出。一方面，基于频率关系，开展业务运营；另一方面，为客户提供接触、沟通的平台，真正推动客户的关系深化[9-10]。

其中，业务广播是基于圈子的特定属性推广特定的业务，推广对象之间存在着浅关系；P2P点对点业务是推荐、拉新等业务类型，如流量转赠、流量共享等；线下活动则是真正将浅关系营销落实为推动人们关系发展的工具，如针对某些关系层的目标用户推广电影俱乐部的优惠、针对美食偏好的团队推荐美食优惠等。

浅关系模糊营销解决方案基于电信业内部大数据，结合数据模型的应用，实现了给出一个号码即可得到这个号码的关系圈的效果。在得到目标号码的关系圈后，随机配套不同业务属性偏好的营销方案，通过快速营销触发，实现集群精准营销的效果。

3 运营商关系嗅探方案应用效果

本项目可广泛引入到运营商家庭、集团及数据业务运营等多个市场运营维度，并可应用于全业务价值的提升，有利于大连接策略的价值提升。

（1）家庭、集团类业务运营的引入

家庭、集团类业务对关系具有强烈的依赖，是否能准确识别关系和拓展关系是本类产品发展的关键。通过本成果，可以准确、实时地为这两个线条的运营提供精准的数据和实时的营销途径，从而提高这类产品的营销效率。

案例：针对6.2万个样本圈子共10万用户，通过短信PUSH、阅读客户端和书包推荐运营成功办理8800笔，平均成功率为8.8%，高于常规基于网络行为的精准营销接近5个百分点。

（2）数字内容业务推广、流量业务转赠、分享策略引入

由于本成果能够实时准确产出3個层次关系圈，且能基于关系圈快速聚类分析，固化自动营销模板，因此对于数字内容推广将能带来截然不同的效果。

案例：针对具有星座属性偏好的用户，通过推荐分享的方式向圈内好友推广星座杂志《Star Week》，并配合大环境的社区广告物料投放、轻营销端口的跟进自动营销，成功实现了该杂志销售4万册的提升，成功率高达29%。

（3）全业务维度引入，可以通过圈子氛围的搭建推动圈子相似度提升，从而间接带来业务收入

案例：通过浅关系模型圈定2800个圈子共1万名客户，通过外呼开展套餐进阶运营，以推动其圈子流量的相似性（10元套餐），成功办理1900笔，使得圈子流量套餐平均相似度从45%提升至49.4%。

从目前营销实例的平均提升来看，浅关系模糊营销模型的引入能够带来最低4%、最高30%的效率提升；从目前中国移动东莞分公司投入在业务折扣上的总额计算，每年至少能减少折扣800万～6000万的投入。

4 结束语

近年来，各行业对客户关系口碑的运营价值日益重视。本项目能够基于实时动态产出客户相对准确的关系圈，并形成有效、快速的自动营销机制，这样一方面大幅提升大数据精准营销的效能，另一方面可以改变传统营销运营方式，为客户提供更多的相互沟通机会的同时创造价值[11]。

本文从当前运营商缺乏客户关系识别工具这一难题出发，采用大数据建模的方法，分析运营商底层信令平台数据，研究层次分析法和客户日常接触沟通频率层次的界定，提出浅关系模糊营销快速方案，并将该方案置于运营实践中进行检验，获得了较好的效果。在未来，基于运营商底层大数据建模嗅探关系，一方面，能发挥大数据轻营销的威力，通过网络将更为精准的营销产品推荐至客户手中，并在关系口碑中构建风向标，引领业务体验潮流；另一方面，运营商将基于内部的关系积累，逐步探索大数据变现和大数据连接互联网，实现变现探索的同时在关系圈营销中匹配更为广泛的互联网产品，以推动运营商转型。

参考文献：

[1] 张洋，秦艳锋. 嗅探器发现技术研究[J]. 计算机工程与设计， 2006（12）： 2143-2145.

[2] 黄皓. ARP协议分析及在网络安全中的应用实现[D]. 成都： 电子科技大学， 2007.

[3] 谢文华. 种子大小对岩松鼠觅食策略的影响[D]. 吉首： 吉首大学， 2015.

[4] 杨洋. 基于知识模型的个性化学习需求智能挖掘技术[D]. 成都： 四川师范大学， 2013.

[5] 冯永进. 基于POMDP的仿生鼻主动感知研究[D]. 杭州： 浙江工商大学， 2015.

[6] 温乃宁，龚尚福. 基于Winpcap嗅探器技术分析与实现[J]. 高校实验室工作研究， 2013（1）： 45-46.

[7] 卢华. 基于WinPcap的网络嗅探器的设计与实现[D]. 长春： 吉林大学， 2014.

[8] 杨明涛. 基于嗅探技术的网络监控系统设计与实现[D]. 长沙： 中南大学， 2007.

[9] 李天镇. 嗅探技术应用于ARP攻击检测的研究[D]. 大连： 大连海事大学， 2008.

[10] 宋学军. 网络安全监控系统的设计与实现[D]. 杭州： 浙江大学， 2005.

[11] 俞淑婷. 基于WLAN嗅探攻防的安全技术研究[D]. 天津： 天津大学， 2014.★