| Blog信息 |
| |
blog名称:IDMer (数据挖掘者)
日志总数:175
评论数量:848
留言数量:119
访问次数:2502859
建立时间:2005年6月24日 |
| 我的相册 |
| |
|
| 联系方式 |
 |
|
| |
| 公告 |
“数据挖掘者”博客已经搬家，欢迎光临新博客网址：http://idmer.blog.sohu.com
我的新浪微博：@张磊IDMer |
| 网络日志 |
|
关于“电信业客户流失预测” |
|
|
|
|
|
数据挖掘者 发表于 2005/7/5 17:19:06 |
|
|
|
这个帖子是我在数据挖掘研究院上的一篇回贴，原贴我也放在本文的下方：我曾经看过所谓预警模型，只是对一些指标设定阈值，然后多个指标加权评分之后，得到总预警评分，若超过阈值，则提出预警。问题在于：这种思路有些一刀切，指标的选取和阈值的设定都存在很大的人为性，也缺乏有效性评估，所以个人觉得没有太大的实践价值。再谈流失预测分析，业界普遍都是采用决策树算法来建立模型。同意heilql的一些看法，包括挖掘流程的大致描述、指标选择是重点等。其实在我们以前所做的多个客户流失预测项目中，更重要的还有：明确业务问题的定义和如何运用挖掘结果来指导客户挽留活动。以下分别简要说明：① 明确业务问题定义 我一直觉得数据挖掘就是个不断尝试的过程，没有定式。也许挖掘人员掌握了一些套路，但是在你明白要做什么以及数据的情况到底如何之前，其实你是不能给客户任何保证的。业务问题定义类似于需求分析，只有明确了业务问题才能避免多走弯路，浪费人力物力。 对于客户流失预测来说，一般要明确这几个问题： －什么叫做流失？什么叫做正常？（严格定义好0和1） －要分析哪些客户？（比如在移动通信行业，很可能要对签约客户和卡类客户分开建模，还需要排除员工号码、公免号码等等） －分析窗口和预测窗口各为多大？（用以前多久范围的数据来预测客户在以后多久范围内可能流失）② 变量选取、数据探索和多次建模 这个类似于heilql所提到的指标选择，也许变量是更常用的说法；） 电信业的绝大多数数据都可能被探查并用于建模过程。一般我们分为如下几类： －客户基本信息（年龄、性别、在网时长、当前状态。。。） －客户账单信息（账单金额、优惠金额、明细账单金额。。。） －客户缴费信息（缴费次数、缴费金额、欠费次数、欠费金额。。。） －客户通话信息（通话次数、通话时长、短信次数、呼转次数、漫游次数。。。） －客户联络信息（投诉次数、抱怨次数。。。） 这些变量的数目很多，而且还会根据需要派生出很多新变量，比如近一月账单金额和近三月账单金额的比例（用于反映消费行为的变动）。 建议挖掘人员把所有能拿到数据都探索一遍，然后逐步明确哪些变量是有用的。而对于一个公司来说，事先能给出一份比较全面的变量列表，也正体现了他们在这方面的经验。对于挖掘新手来说，多思考，多尝试，也会逐渐总结出来。③ 对业务的指导（模型的发布及评估反馈） 挖掘人员常常是技术导向的，一旦建立好流失预测模型并给出预测名单之后，常常觉得万事大吉，可以交差了。但是对于客户来说，这远远不够。一般来说，客户投资一个项目，总希望能从中获益，因此在验收时领导最关注的问题可能是：数据挖掘对我的ROI有什么提升？ 要给客户创造价值，就需要通过业务上的行动来实现。No Action, No Value。这种行动可能是帮助客户改善挽留流程，制定有针对性的挽留策略，明白哪些客户是最值得被挽留的，计算挽留的成本以及挽留成功后可能带来的收益。以上这些方面需要挖掘人员不仅仅是技术专家，还需要是业务专家，是Business Consultant。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝[heilql的原贴 2005年07月01日 23:30]理论背景 客户流失分析或客户流失预测：通过离网调研和数据挖掘，捕捉客户离网前的特征，预测客户流失的概率。这对于优质客户的保护是十分重要和有效的分析手段。对于客户流失预测，从两个方面来看：一个是客户流失预警，一个是流失客户特征分析。 客户流失预警：定义统一的预警模型，根据预警模型，客户话单数据中自动匹配预警数据，预警模型可以按如下规则定义，并且可以灵活扩展。 流失客户特征分析：通过决策数算法，分析流失客户特征，然后通过这些特征得到当前在网客户中匹配流失概率高的客户数据。 通过客户流失分析获得流失客户数据和潜在流失客户数据，从而将这些数据分配给客户服务部门，整合销售服务资源，根据客户的需求，设计个性化的营销策略，快速反应，以此达到召回流失客户，挽留流失概率高的客户，实现对客户的守护。（摘自人民邮电报）现实背景 随着电信行业竞争的加剧，客户流失的规模越来越大，周期越来越短；电信业新增客户和客户流失模式，就犹如往没有底的水桶中倒水。分析方法客户流失分析的流程到处都在讲，不外乎是：1. 分析主题确定及数据指标的选择；2. 数据仓库数据提取及清洗；3. 不相关指标剔除；4. 用训练数据建立模型；5. 用测试数据检验模型；6. 预测新的流失用户，并提取用户名单；为了引起更多的这方面的探讨，本人有的一些想法，先现世：其实本人认为关键是指标的选择，以及模型建立前的资料的分类，这样将增加模型的准确性，后面的步骤都是水到渠成，但有关这方面的探讨确实很少，应用的实例就更少了。一般电信运营商客户资料主要包括：1.客户背景资料：年龄、性别、收入。。。2.客户消费行为：是否欠费，流失前半年平均消费额＼消费趋势，话费构成．．．3.其他：交费方式，设备使用类别．．其实能够想到的指标都可以放上去，然后从定性和定量的角度考虑剔除大家想到有什么新的指标都可以跟帖
|
|
|
|
阅读全文(13308) | 回复(7) | 编辑 | 精华 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
yixinist(游客)发表评论于2008/1/22 17:09:33 |
|
|
|
你好,用户流失最重要的进行用户分类,只有有效用户细分才能找到高流失用户群体,我们对全网用户进行过分析,最终分成12-18类用户,每类用户群从1万-5万户,结果发现补贴用户流失率远低于未补贴用户....... |
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
conjurer(游客)发表评论于2006/8/21 18:00:58 |
|
|
|
我觉得你已经通过外呼,或者客户经理的方式对客户进行了挽留,那这里面是不是会因为挽留政策的好坏,使我无法准确估计我所做模型的好坏程度.我倾向于预测,再把预测的结果分成两部分,一部分让他继续自然发展,最后看他与我预测结果的差别.另一部分进行挽留,这样这部分既可以看挽留效果,又可以我预测出来的流失客户,是否已经没有了挽留期(这个很多情况是因为客户的机卡已经分离了). |
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
loafer(游客)发表评论于2005/8/31 10:33:03 |
|
|
|
这个事情基本上算是告一段落了。
1、分类结块的现象我的看法是不去解决它了。其实我已经找到了方法去解决它，但是结果失去了作用。比如用sigmoid的方式去将数据先做变换，但是类之间的差异非常不明显。虽然各个群的大小差不多，但这样的结果已近没有意义了。
2、根据SH博士的建议，分类前先用因子分析的方法把变量归类了一下。可是归出来的变量，实在难以解释他的意义。因此最后也放弃了这个思路。
现在市场人员对有针对性地制定相应的政策还是很有把握的，下个月看看挽留的结果如何，等待时间来验证。 |
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
lazycat(游客)发表评论于2005/8/25 10:29:06 |
|
|
|
email :cao_liwei[at]hotmail.com
谢谢 各位了
搞这个东西好头疼啊 自己研究
|
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
lazycat(游客)发表评论于2005/8/25 10:27:48 |
|
|
|
老大 能不能提供一点项目资料啊 也许能起到剔糊灌顶的作用啊
老大们 帮忙啊
|
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
数据挖掘者发表评论于2005/8/7 11:05:15 |
|
|
|
梳理一下思路：正如loafer所说的，对于客户流失预测和客户挽留这个专题分析来说，客户更需要的是能够采取恰当行动的完整方案，而非仅仅一个名单。那么这个解决方案可以划分为四部分：发现挽留机会→制订挽留策略→实施挽留行动，收集客户反馈→评估挽留效果并调整模型和策略。
①发现挽留机会：最基本的做法是建立客户流失预测模型（用决策树或对数回归），然后对在网客户进行流失倾向的评分，按倾向高低判别。但此处最好结合对全体客户的分群来识别出真正的挽留机会，并非流失倾向越高就越值得挽留。比如可以按照客户价值进行分群，优先考虑对中高价值客户的挽留；同时根据客户行为分群，判别出哪些客户可能已经用了竞争对手的服务，或者属于欺诈类型的客户，对这批客户的挽留可能是没有成效的，不应视为挽留机会。
②制订挽留策略：经过第一个步骤，我们已经从预测名单中圈定了值得挽留的客户。但是一般来说，这批客户依然数目较大，难以逐个分析，决定采取何种挽留策略。（这也是一些厂商宣传的一对一营销，想法虽好，可是未必可行）此时可以对圈定的客户进一步进行分群，将他们划分为几种类型，当然此时最好在分群模型中放入行为、人口统计学、地域等属性，然后基于这几群客户逐群制订有针对的挽留策略。比如有的群组是属于夜间通话多（和总体的均值相比）的客户，那么针对他们的挽留策略可能是推荐一些夜间通话优惠的资费方案。
③实施挽留行动、收集客户反馈：这里其实最好有类似操作型CRM的系统来支撑。将上述两步骤给出的挽留机会和挽留策略分配给相应的实施人员（可能是客户经理、Call Center等），由他们进行实施，并收集客户反馈（最简单的客户反馈是响应或不响应，复杂些的可以包含对客户流失倾向的认定、客户流失原因的了解、挽留策略是否适合该客户等等）
④评估挽留效果：在客户流失预测专题分析的试运行阶段，由于对模型预测的效果、挽留机会的识别是否准确、挽留策略的制订是否合适等方面尚未得到确认，常常会将预测名单中圈定的客户划分为两组——实施组和对照组。对前者展开挽留，对后者不采取任何行动，根据两组的流失情况来评估模型的预测效果和挽留效果。当专题分析已经基本稳定后，对照组会被取消，那么对挽留效果的评估主要依赖于客户的反馈、客户随后是否在网以及其用量的变化等来评估。
分群中的结块问题的确比较麻烦，我觉得还是从变量的归一化入手。因为在进行聚类之前，一般要对变量进行归一化以消除量纲不同造成的影响，但如果采取了不合适的归一化方法，会导致大量客户聚集在中位数附近（因为大多数变量都会满足正态分布）。此时我们要做的是尽量将他们之间的距离拉开。首先在归一化之前将孤立点拿出来，避免它们对归一化的结果造成较大影响；然后选择合适的归一化方法（例如对数变换，bin code，zscore，sigmoid等，最好多尝试一下它们的组合；另外可以问问Ann，她们对此有些心得）。 |
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
|
|
回复:关于“电信业客户流失预测” |
|
|
|
|
|
loafer(游客|218.12.2.210)发表评论于2005/7/26 17:45:37 |
|
|
|
其实现在碰到的最大的问题是给出流失名单之后，客户很难利用这些名单。传统意义上的讲法是说，可以通过外呼或者大客户经理的方式去挽留名单上的用户，但实际操作中，客服的人员和大客户经理不知道怎么去跟客户讲。因此，感觉在名单给出的时候需要通过一定的方式去描述它。
不知道你有什么好的建议。
目前我的思路是说通过简单的分群的方法找到用户的一些特点，然后请市场人员针对每类用户制定相应的策略，然后去跟客户讲。
现在在很多个site上都出现了这样的问题，客户希望得到的是更加细致完整的解决方案，而不是仅仅是一个名单。
另外，对所有的用户来进行Cluster还是对预测为流失的用户进行Cluster，现在还没有想太清楚。我觉得两者的侧重点不同，作用可能也不一样。都说客户分群是做其他事情的前提，现在看起来似乎也有那么一点点道理。
另外，分群的时候结块的问题怎么解决？目前我碰到的问题就是有个群最大，但是它也最没有特点，在我们所采集到的任何变量上都没有特点。
头疼！！！ |
|
|
|
个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除 |
|
|
|
|
|
| » 1 »
| |
