胡丁相，李新群

（1.中国移动通信集团浙江有限公司，浙江 杭州 310000；2.流量海科技成都有限公司，四川 成都 610000）

0 引 言

在电信运营商领域，全面﹑客观地评估客户的价值，对于更好地识别和挖掘风险用户，优化业务规则，合理配置营销资源，提升服务效果，降低跑冒滴漏等收入流失风险，具有重要意义[1]。

随着业务的迅猛发展和客户群规模的扩大，新业务层出不穷，IT支撑系统越来越复杂。不法分子（风险用户）利用业务规则或系统支撑的漏洞，违规侵占或倒卖电信运营商营销资源，极大地危害着公司利益。电信管理论坛《Revenue Assurance Survey 2016》显示，欧美电信运营商的平均收入流失率为1.5%，而中国运营商由于客户服务的标准要求更高，违规套利犯罪成本低，收入流失比例远远高于欧美。因此，亟需一种方法，找到藏匿在正常用户群体的风险用户，以供后续进一步分析其行为，挖掘深层次的风险。

1 风险特征分析

在风险识别与特征分析过程中，如果数据相对完整，便可以定量的逐一分析风险，并建立对应的模型分析其产生的影响和损失。通常需要从两个方面进行考量，即风险的严重性和风险可能带来的损失。

当前，电信运营商通过数据一致性稽核﹑业务流程平衡性稽核等手段，已经具备一定的风险管控能力。但是，由于IT系统数量众多﹑集成复杂﹑对接不畅且三域间数据未关联，难以实现风险场景的自动识别﹑风险问题的精准定位。此外，企业外部欺诈形成产业链，欺诈分子可通过众多手段侵占电信运营商营销资源或通信资源，以谋取自身利益[2]。对于此类风险用户，目前尚无有效全面的手段去检测识别。当下，主要的手段有两种。第一，欺诈规则检测法。根据风险检测对象，制定风险检测规则和阈值门限，并通过风险检测规则对用户进行识别。第二，关联用户识别法。通过识别与 被处罚的用户存在行为交互的关联用户，按照预设的风险权重计算用户风险分值的方式识别风险用户。本文主要论述基于用户价值分析的风险识别方法，来寻找这些给电信运营商造成巨大损失的欺诈分子（风险用户）。

2 现有风险识别分析方法及其技术问题

现有风险用户识别手段存在如下缺陷。对于欺诈规则检测法，由于电信运营商用户基数庞大，用户消费水平﹑行为习惯各异，简单的规则检测容易造成较高的误判率；检测规则基于用户行为特征提炼封装，覆盖范围有限，存在较高的漏判率；该手段难以记录风险用户的全貌，不能对风险问题进行回溯，不利于进一步的分析挖掘。对于关联用户识别法，该方法要求足够多的被处罚的用户（坏样本）作为输入，进而识别坏样本的关联用户作为潜在风险用户，而实际生产的情况往往没有现成的坏样本，通常只有在造成重大影响或者被其他用户举报后，才会获得被处罚的用户。

3 基于价值分析的风险用户识别方法

通俗地，用户价值就是用户在特定的生命周期内，借助直接付费﹑口碑相传等手段，为企业贡献的所有价值。用户价值是企业与用户之间联系的关键。基于用户价值的风险识别模型，可以帮助电信运营商找出隐藏在正常用户群体中的风险用户，并对其进行深层次分析。挖掘业务规则或者系统实现上的漏洞，可为电信运营商制定更加完善的业务规则，修复系统漏洞，减少企业收入损失，保障业务健康发展。

下面结合附图，对基于价值分析的风险用户识别方法作详细阐述。

图1为基于价值分析的风险用户识别方法示意图，主要涉及构建用户价值分析体系﹑用户价值细分﹑筛选低利润率用户群﹑根据风险场景对低价值用户群进行细分等。

图2为基于用户价值构成（充值本金）聚类分析示意图。

图3为基于用户价值构成的细分示意图。

图1 本文中基于价值分析的风险用户识别方法

图2 本文中基于用户价值构成（充值本金）聚类分析

图3 本文中基于用户价值构成细分

基于价值分析的风险用户识别的详细步骤如下。

步骤1：构建用户价值分析体系。用户价值的基本计算方法：用户价值=用户收益-用户成本。收益主要为累计出账收入；用户成本主要为累计网间结算支出﹑累计SP（服务提供商）结算支出﹑累计营销成本支出等。

步骤2：设计用户价值评估指标。用户收益主要包括用户消费的价值（如缴费充值本金）和衍生消费的价值（如购买手机终端）；用户成本主要包括营销活动成本（如入网送终端/馈赠金/积分）﹑用户获取成本（如渠道发展酬金支出）和结算成本（如网间结算/SP（服务提供商）结算）。

步骤3：计算用户生命周期价值。计算通过资金相关数据的用户画像进行。例如，用户生命周期价值＝[累计充值本金收入+累计网间结算收入-累计网间结算支出-累计SP（服务提供商）结算支出-累计营销成本支出]。通过计费账务信息和成本使用信息确定用户的价值，使评价结果更加客观全面。

步骤4：根据用户价值分析体系，计算所有用户的价值，即利润贡献率。利润贡献率=所有用户价值／电信运营商所有业务利润。

步骤5：对用户价值构成相关的数据进行聚类分析（图2），其中包括用户充值本金﹑馈赠金﹑酬金﹑SP（服务提供商）结算费和网间结算费等指标。投入计算公式：投入=馈赠金+酬金+SP结算费+网间结算费，产出计算公式：产出=用户充值本金，并将投入产出的比例以及投入和产出的实际金额按照实际情况设定一系列等级，通过投入产出比例的等级划分，将用户群进一步细分为高投入-低产出﹑高投入-高产出﹑低投入-高产出及低投入-低产出。图4显示了细分用户的等级。横坐标为生命周期内用户的成本和收益（单位为百元），纵坐标为收益和成本的比例。举例说明，成本大于1000元，收益成本比例大于3，为高投入-高产出；成本大于1000元，收益成本比例小于1，高成本-低产出。具体的阈值可以根据实际情况进行设定。

步骤6：筛选贡献利润率低的低价值客户群体，如高投入-低产出（如产出／成本＜0.33），投入金额＞100元（平均每月）。设定阀值可根据实际需求进行更改。

步骤7：对低价值客户群体的行为数据进行二次聚类分析。基于用户行为信息包括通信行为﹑消费行为﹑业务受理行为﹑缴费充值行为﹑流量使用行为和流量共享行为等信息进行二次聚类。例如，通过ARPU/业务受理记录等指标的变异系数（消除平均值的影响），进一步细分低价值客户群体。更进一步可以将筛选出的风险用户利用规则漏洞办理来套取酬金的业务列为敏感业务，更深层次可以对办理这些敏感业务的用户及受理渠道进行分析。

步骤8：根据预设风险场景对不同低价值用户群体进行分类，如酬金套利风险用户群﹑营销资源倒卖风险用户群[3]等。

步骤9：酬金套利风险场景的确定。对于低价值用户群体，如其用户成本主要由渠道酬金组成且存在渠道异常集中情况，则可确定为酬金套利风险用户群[4]。

步骤10：对于未匹配上预设风险场景的用户群，可通过关联用户识别法，将其作为潜在风险用户群进行重点监控。可以分析风险用户的交往圈，与风险用户交往密切的用户群体也需要重点监控。

步骤11：最终确定风险用户。

图4 用户划分等级三维图

4 基于价值分析识别风险方法的应用实例

以酬金套利风险场景为例，对低价值甚至负价值的用户群体，如其用户成本主要由渠道酬金组成，且存在某个或某几个渠道异常集中情况，则可确定为酬金套利风险用户群。随机选取部分疑似酬金套利用户限制其业务受理渠道，收到这批用户的投诉率极低，观察受限渠道，疑似养卡套酬金额环比下降40%，基本证明基于用户价值的风险识别方法具有很好的效果。

5 结 语

通过基于价值分析的风险用户识别方法在没有使用坏样本的前提下找到了大量藏匿在正常用户群体的风险用户，并通过抽取样本进行拨号测试﹑停机测试，接通率﹑投诉率极低。深入研究其通信行为﹑免费资源的使用情况，均发现极大的养卡嫌疑，基本论证了价值分析在电信运营风险识别中的重要意义，很大程度弥补了现有关联用户识别法需要足够的被处罚用 户（坏样本）的不足，提高了风险用户识别方法的实用性，同时解决了现有欺诈规则检测法中对风险用户覆盖率和误判率的不足。通过用户价值构成的画像分析，挖掘深层业务问题，使得运营商能够及时精准发现风险用户，减少收入流失[5]。

本文研究源于电信运营行业的欺诈行为，即代理商通过电信运营商系统的业务或者系统漏洞谋取自身利益。通过疑似风险用户的特征——低价值甚至负价值，提出基于用户价值的风险识别方法，将其应用于电信运营领域内，成功在没有使用坏样本的情况下找出大量藏匿在正常用户群体内的风险用户，减少了运营商损失，提升了管理效益。

本文论述的基于用户价值的风险识别方法的应用模式是：构建用户价值体系→根据用户价值体系计算用户的价值→对用户构成的价值构成的相关数据进行分析→对于疑似坏样本的典型行为进行二次聚类→将电信运营商数据依照体系进行分析→确定风险用户。模型的应用模式还可以应用于其他行业，如信用卡恶意透支套现行为。通过本文的分析方法及结论，可针对信用卡用户制定相应的用户价值体系并进行分析。

[1] 上官晓丽,许玉娜,杨建军.SP800-30‘风险评估实施指南“研究[J].信息技术与标准化,2011:44-47.

SHANGGUAN Xiao-li,XU Yu-na,YANG Jianjun.SP800-30 "Guidance on Implementation of Risk Assessment"[J].Information Technology and Standardization,2011:44-47.

[2] C C.Information Technology Security Evaluation Common Criteria[S].2004.

[3] 宋蕊.中国电信运营企业社会渠道佣金管理和渠道控制研究[D].北京:北京邮电大学,2011.

SONG Rui.Study on Commission And Control Management of Social Distribution Channels for Chinese Telecom Operators[D].Beijing:Beijing University of Posts and Telecommunications,2011:31-33.

[4] 王保华.利用大数据分析建立养卡模型[J].电信技术,2016(02):73-75.

WANG Bao-hua.Using Big Data Analysis to Build a Save Card Model[J].Telecommunications Technology,2016(02):73-75.

[5] 吕智超.基于hadoop平台的电信养卡研究与分析[D].南京:南京邮电大学,2016.

LV Zhi-chao.Telecommunications Save Card Research and Analysis base don Hadoop[J].Nanjing:Nanjing University of Posts and Telecommunications,2016:34-40.