這個帖子是我在數據挖掘研究院上的一篇回貼，原貼我也放在本文的下方：
我曾經看過所謂預警模型，只是對一些指標設定閾值，然后多個指標加權評分之后，得到總預警評分，若超過閾值，則提出預警。
問題在于：這種思路有些一刀切，指標的選取和閾值的設定都存在很大的人為性，也缺乏有效性評估，所以個人覺得沒有太大的實踐價值。
再談流失預測分析，業界普遍都是采用決策樹算法來建立模型。同意heilql的一些看法，包括挖掘流程的大致描述、指標選擇是重點等。其實在我們以前所做的多個客戶流失預測項目中，更重要的還有：明確業務問題的定義和如何運用挖掘結果來指導客戶挽留活動。以下分別簡要說明：
① 明確業務問題定義
我一直覺得數據挖掘就是個不斷嘗試的過程，沒有定式。也許挖掘人員掌握了一些套路，但是在你明白要做什么以及數據的情況到底如何之前，其實你是不能給客戶任何保證的。業務問題定義類似于需求分析，只有明確了業務問題才能避免多走彎路，浪費人力物力。
對于客戶流失預測來說，一般要明確這幾個問題：
－什么叫做流失？什么叫做正常？（嚴格定義好0和1）
－要分析哪些客戶？（比如在移動通信行業，很可能要對簽約客戶和卡類客戶分開建模，還需要排除員工號碼、公免號碼等等）
－分析窗口和預測窗口各為多大？（用以前多久范圍的數據來預測客戶在以后多久范圍內可能流失）
② 變量選取、數據探索和多次建模
這個類似于heilql所提到的指標選擇，也許變量是更常用的說法；） 電信業的絕大多數數據都可能被探查并用于建模過程。一般我們分為如下幾類：
－客戶基本信息（年齡、性別、在網時長、當前狀態。。。）
－客戶賬單信息（賬單金額、優惠金額、明細賬單金額。。。）
－客戶繳費信息（繳費次數、繳費金額、欠費次數、欠費金額。。。）
－客戶通話信息（通話次數、通話時長、短信次數、呼轉次數、漫游次數。。。）
－客戶聯絡信息（投訴次數、抱怨次數。。。）
這些變量的數目很多，而且還會根據需要派生出很多新變量，比如近一月賬單金額和近三月賬單金額的比例（用于反映消費行為的變動）。
建議挖掘人員把所有能拿到數據都探索一遍，然后逐步明確哪些變量是有用的。而對于一個公司來說，事先能給出一份比較全面的變量列表，也正體現了他們在這方面的經驗。對于挖掘新手來說，多思考，多嘗試，也會逐漸總結出來。
③ 對業務的指導（模型的發布及評估反饋）
挖掘人員常常是技術導向的，一旦建立好流失預測模型并給出預測名單之后，常常覺得萬事大吉，可以交差了。但是對于客戶來說，這遠遠不夠。一般來說，客戶投資一個項目，總希望能從中獲益，因此在驗收時領導最關注的問題可能是：數據挖掘對我的ROI有什么提升？
要給客戶創造價值，就需要通過業務上的行動來實現。No Action, No Value。這種行動可能是幫助客戶改善挽留流程，制定有針對性的挽留策略，明白哪些客戶是最值得被挽留的，計算挽留的成本以及挽留成功后可能帶來的收益。以上這些方面需要挖掘人員不僅僅是技術專家，還需要是業務專家，是Business Consultant。
| ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ |
[heilql的原貼 2005年07月01日 23:30]
理論背景
客戶流失分析或客戶流失預測：通過離網調研和數據挖掘，捕捉客戶離網前的特征，預測客戶流失的概率。這對于優質客戶的保護是十分重要和有效的分析手段。對于客戶流失預測，從兩個方面來看：一個是客戶流失預警，一個是流失客戶特征分析。
客戶流失預警：定義統一的預警模型，根據預警模型，客戶話單數據中自動匹配預警數據，預警模型可以按如下規則定義，并且可以靈活擴展。
流失客戶特征分析：通過決策數算法，分析流失客戶特征，然后通過這些特征得到當前在網客戶中匹配流失概率高的客戶數據。
通過客戶流失分析獲得流失客戶數據和潛在流失客戶數據，從而將這些數據分配給客戶服務部門，整合銷售服務資源，根據客戶的需求，設計個性化的營銷策略，快速反應，以此達到召回流失客戶，挽留流失概率高的客戶，實現對客戶的守護。（摘自人民郵電報）
現實背景
隨著電信行業競爭的加劇，客戶流失的規模越來越大，周期越來越短；電信業新增客戶和客戶流失模式，就猶如往沒有底的水桶中倒水。
分析方法
客戶流失分析的流程到處都在講，不外乎是：
1. 分析主題確定及數據指標的選擇；
2. 數據倉庫數據提取及清洗；
3. 不相關指標剔除；
4. 用訓練數據建立模型；
5. 用測試數據檢驗模型；
6. 預測新的流失用戶，并提取用戶名單；
為了引起更多的這方面的探討，本人有的一些想法，先現世：
其實本人認為關鍵是指標的選擇，以及模型建立前的資料的分類，這樣將增加模型的準確性，后面的步驟都是水到渠成，但有關這方面的探討確實很少，應用的實例就更少了。
一般電信運營商客戶資料主要包括：
1.客戶背景資料：年齡、性別、收入。。。
2.客戶消費行為：是否欠費，流失前半年平均消費額＼消費趨勢，話費構成．．．
3.其他：交費方式，設備使用類別．．
其實能夠想到的指標都可以放上去，然后從定性和定量的角度考慮剔除
大家想到有什么新的指標都可以跟帖
|
|
|
|
閱讀全文(6066) | 回復(8) | 編輯 | 精華 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
yixinist(游客)發表評論于2008-1-22 17:09:33 |
|
|
|
你好,用戶流失最重要的進行用戶分類,只有有效用戶細分才能找到高流失用戶群體,我們對全網用戶進行過分析,最終分成12-18類用戶,每類用戶群從1萬-5萬戶,結果發現補貼用戶流失率遠低于未補貼用戶....... |
|
|
|
個人主頁 | 引用回復 | 主人回復 | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
conjurer(游客)發表評論于2006-8-21 18:00:58 |
|
|
|
我覺得你已經通過外呼,或者客戶經理的方式對客戶進行了挽留,那這里面是不是會因為挽留政策的好壞,使我無法準確估計我所做模型的好壞程度.我傾向于預測,再把預測的結果分成兩部分,一部分讓他繼續自然發展,最后看他與我預測結果的差別.另一部分進行挽留,這樣這部分既可以看挽留效果,又可以我預測出來的流失客戶,是否已經沒有了挽留期(這個很多情況是因為客戶的機卡已經分離了). |
|
|
|
個人主頁 | 引用回復 | 主人回復 | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
loafer(游客)發表評論于2005-8-31 10:33:03 |
|
|
|
這個事情基本上算是告一段落了。 1、分類結塊的現象我的看法是不去解決它了。其實我已經找到了方法去解決它，但是結果失去了作用。比如用sigmoid的方式去將數據先做變換，但是類之間的差異非常不明顯。雖然各個群的大小差不多，但這樣的結果已近沒有意義了。 2、根據SH博士的建議，分類前先用因子分析的方法把變量歸類了一下。可是歸出來的變量，實在難以解釋他的意義。因此最后也放棄了這個思路。現在市場人員對有針對性地制定相應的政策還是很有把握的，下個月看看挽留的結果如何，等待時間來驗證。 |
|
|
|
個人主頁 | 引用回復 | 主人回復 | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
lazycat(游客)發表評論于2005-8-25 10:29:06 |
|
|
|
email :cao_liwei[at]hotmail.com 謝謝 各位了 搞這個東西好頭疼啊 自己研究 |
|
|
|
個人主頁 | 引用回復 | 主人回復 | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
lazycat(游客)發表評論于2005-8-25 10:27:48 |
|
|
|
老大 能不能提供一點項目資料啊 也許能起到剔糊灌頂的作用啊 老大們 幫忙啊 |
|
|
|
個人主頁 | 引用回復 | 主人回復 | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
數據挖掘者發表評論于2005-8-7 11:05:15 |
|
|
|
梳理一下思路：正如loafer所說的，對于客戶流失預測和客戶挽留這個專題分析來說，客戶更需要的是能夠采取恰當行動的完整方案，而非僅僅一個名單。那么這個解決方案可以劃分為四部分：發現挽留機會→制訂挽留策略→實施挽留行動，收集客戶反饋→評估挽留效果并調整模型和策略。 ①發現挽留機會：最基本的做法是建立客戶流失預測模型（用決策樹或對數回歸），然后對在網客戶進行流失傾向的評分，按傾向高低判別。但此處最好結合對全體客戶的分群來識別出真正的挽留機會，并非流失傾向越高就越值得挽留。比如可以按照客戶價值進行分群，優先考慮對中高價值客戶的挽留；同時根據客戶行為分群，判別出哪些客戶可能已經用了競爭對手的服務，或者屬于欺詐類型的客戶，對這批客戶的挽留可能是沒有成效的，不應視為挽留機會。 ②制訂挽留策略：經過第一個步驟，我們已經從預測名單中圈定了值得挽留的客戶。但是一般來說，這批客戶依然數目較大，難以逐個分析，決定采取何種挽留策略。（這也是一些廠商宣傳的一對一營銷，想法雖好，可是未必可行）此時可以對圈定的客戶進一步進行分群，將他們劃分為幾種類型，當然此時最好在分群模型中放入行為、人口統計學、地域等屬性，然后基于這幾群客戶逐群制訂有針對的挽留策略。比如有的群組是屬于夜間通話多（和總體的均值相比）的客戶，那么針對他們的挽留策略可能是推薦一些夜間通話優惠的資費方案。 ③實施挽留行動、收集客戶反饋：這里其實最好有類似操作型CRM的系統來支撐。將上述兩步驟給出的挽留機會和挽留策略分配給相應的實施人員（可能是客戶經理、Call Center等），由他們進行實施，并收集客戶反饋（最簡單的客戶反饋是響應或不響應，復雜些的可以包含對客戶流失傾向的認定、客戶流失原因的了解、挽留策略是否適合該客戶等等） ④評估挽留效果：在客戶流失預測專題分析的試運行階段，由于對模型預測的效果、挽留機會的識別是否準確、挽留策略的制訂是否合適等方面尚未得到確認，常常會將預測名單中圈定的客戶劃分為兩組——實施組和對照組。對前者展開挽留，對后者不采取任何行動，根據兩組的流失情況來評估模型的預測效果和挽留效果。當專題分析已經基本穩定后，對照組會被取消，那么對挽留效果的評估主要依賴于客戶的反饋、客戶隨后是否在網以及其用量的變化等來評估。 分群中的結塊問題的確比較麻煩，我覺得還是從變量的歸一化入手。因為在進行聚類之前，一般要對變量進行歸一化以消除量綱不同造成的影響，但如果采取了不合適的歸一化方法，會導致大量客戶聚集在中位數附近（因為大多數變量都會滿足正態分布）。此時我們要做的是盡量將他們之間的距離拉開。首先在歸一化之前將孤立點拿出來，避免它們對歸一化的結果造成較大影響；然后選擇合適的歸一化方法（例如對數變換，bin code，zscore，sigmoid等，最好多嘗試一下它們的組合；另外可以問問Ann，她們對此有些心得）。 |
|
|
|
個人主頁 | 引用回復 | 主人回復 | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復:關于“電信業客戶流失預測” |
|
|
|
|
|
loafer(游客|218.12.2.210)發表評論于2005-7-26 17:45:37 |
|
|
|
其實現在碰到的最大的問題是給出流失名單之后，客戶很難利用這些名單。傳統意義上的講法是說，可以通過外呼或者大客戶經理的方式去挽留名單上的用戶，但實際操作中，客服的人員和大客戶經理不知道怎么去跟客戶講。因此，感覺在名單給出的時候需要通過一定的方式去描述它。不知道你有什么好的建議。目前我的思路是說通過簡單的分群的方法找到用戶的一些特點，然后請市場人員針對每類用戶制定相應的策略，然后去跟客戶講。現在在很多個site上都出現了這樣的問題，客戶希望得到的是更加細致完整的解決方案，而不是僅僅是一個名單。另外，對所有的用戶來進行Cluster還是對預測為流失的用戶進行Cluster，現在還沒有想太清楚。我覺得兩者的側重點不同，作用可能也不一樣。都說客戶分群是做其他事情的前提，現在看起來似乎也有那么一點點道理。另外，分群的時候結塊的問題怎么解決？目前我碰到的問題就是有個群最大，但是它也最沒有特點，在我們所采集到的任何變量上都沒有特點。頭疼！！！ |
|
