客户保持策略的制定，客户的选择，都必须抓住关键点，以数据分析为支持，不能凭空捏造。客户保持中的流失预警、客户生命周期研究、流失客户分群、流失原因以及挽留措施和忠诚度测试，都需要客户消费时长、ARPU值、使用次数、客户心理特征、挽留策略偏好等数据的支持。因此，数据并不是经营分析人员所独有，市场营销人员，特别是客户保持策略的制定者，更应该使用好“数据”这把利器。然而，如何能使沉寂的数据“活”出精彩，“唱”得漂亮呢？

扫清数据“舞蹈”的障碍

在现实的电信运营商的数据库中，时常会出现这样那样的问题，如某个帐号的宽带上网时长一天超过了86400秒，某个用户某月的长途话费大于总话费，某个信息字段的数据值为空，某两个数据之间的逻辑关系出现错误等等。这主要是由于数据在真实性、准确性和完整性方面存在短板所致。由于客户保持分析中很重要的一块是运用分群技术，如K-means、Two-steps或者神经网络聚类，研究客户流失原因、流失点预测以及应对策略分析等，而内部数据的错误将直接影响分群的结果，客户流失预警点判断和策略使用。因此，首先需要做的就是尽量扫去让数据散发魅力的各种障碍。

盘活客户反馈信息和经营数据的相互作用

电信运营商一般都会拥有自己比较完整的计费和帐务系统，从中可以获取客户消费行为，如客户价值、在网年限、业务使用情况、使用次数、号码集中度、外网呼叫次数等等；事实上，在日常工作中，运营商也经常使用这些数据来辅助分析，但他们往往会发现这些数据只是反映了客户在行为方面的表现，却无法捕捉客户在心理层面的特征。这其实是缺乏一套完善的记录客户其它特征如职业、收入情况、促销偏好、投诉次数、投诉内容等的系统，因此无从与这些积累的数以亿计的消费记录进行结合分析。其实客户这些特征的获取有许多途径。

电信运营商一般都拥有自己的客服热线，如电信的10000、移动的10086、网通的10060等，而这样的区域呼叫中心（callcentre）每月收到的客户反馈至少千万，甚至上亿，涉及的业务和服务种类过千，这些交互信息不仅时效性强，而且蕴涵着重要的商业价值。面对这样的一块信息瑰宝，目前许多电信运营商的做法仅仅是停留在认真对待客户的每一起投诉和每一条建议的层面上，并没有对这些信息进行整理、归类、建库，更不用说与企业内部数据相结合来挖掘客户的消费行为周期，以预防客户的流失，实为一件憾事。

在国内电信业中，中国移动的做法值得借鉴，他们对内外部数据结合的分析研究也颇有心得。例如专门针对营销活动周期研究而开发的“客户反馈—销售业绩组合曲线”，该曲线运用内部的销售业绩数据和外部的客户反馈信息，考察营销活动在不同时间顾客的反应，明确了营销活动的关键时间点，内外部数据的结合，有助于中国移动制定各个阶段的具体营销策略，最大限度地提高营销活动的效果。针对客户保持，笔者建议同样可以结合客户反馈和客户消费行为数据，去判断客户生命周期和客户流失预警点，一般在用户使用初期，投诉等信息反馈会相对较少，使用量相对稳定；当问题出现的时候，用户对产品和服务的反馈会增加，使用量也维持稳定；但是当用户的问题没有得到解决的时候，用户的反馈将越来越少，而使用量也逐渐降低，这就是客户可能流失的预警信号了。单凭用户的使用量下降来判断用户是否流失并不完全合适，结合客户的反馈信息，除了增加客户流失判断的准确性外，还有助于挖掘客户流失的原因，对症下药提出挽留方案。

另外，中国电信采用数据挖掘技术，从内部经营分析系统和其它业务系统中提取了这些客户的背景信息、历史产品拥有信息、过去两年的电信业务消费信息等资料，作为流失判断模型的训练、测试样本，并建立商业客户显性和隐性流失预警模型，输出流失客户名单，安排客户经理上门走访。实践证明，该技术在一些地市分公司的商业客户和大客户流失预警研究中已经收到良好的效果。

使用内外部数据去研究客户保持的方法还有待挖掘，关键是电信运营商要提高对客户反馈信息的整理和与结合内部数据使用的关注度，才能发挥数据的真正作用。

电信行业是一个不断流失、不断获取的行业，虽然客户流失不可避免，但如果能够适当运用基础数据对客户的行为、心理等方面分析，让数据“活”起来，将可以最大限度地留住客户，达到客户保持目的。