這個(gè)帖子是我在數(shù)據(jù)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(jīng)看過所謂預(yù)警模型，只是對(duì)一些指標(biāo)設(shè)定閾值，然后多個(gè)指標(biāo)加權(quán)評(píng)分之后，得到總預(yù)警評(píng)分，若超過閾值，則提出預(yù)警。
問題在于：這種思路有些一刀切，指標(biāo)的選取和閾值的設(shè)定都存在很大的人為性，也缺乏有效性評(píng)估，所以個(gè)人覺得沒有太大的實(shí)踐價(jià)值。
再談流失預(yù)測(cè)分析，業(yè)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(biāo)選擇是重點(diǎn)等。其實(shí)在我們以前所做的多個(gè)客戶流失預(yù)測(cè)項(xiàng)目中，更重要的還有：明確業(yè)務(wù)問題的定義和如何運(yùn)用挖掘結(jié)果來指導(dǎo)客戶挽留活動(dòng)。以下分別簡要說明：
① 明確業(yè)務(wù)問題定義
我一直覺得數(shù)據(jù)挖掘就是個(gè)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(shù)據(jù)的情況到底如何之前，其實(shí)你是不能給客戶任何保證的。業(yè)務(wù)問題定義類似于需求分析，只有明確了業(yè)務(wù)問題才能避免多走彎路，浪費(fèi)人力物力。
對(duì)于客戶流失預(yù)測(cè)來說，一般要明確這幾個(gè)問題：
－什么叫做流失？什么叫做正常？（嚴(yán)格定義好0和1）
－要分析哪些客戶？（比如在移動(dòng)通信行業(yè)，很可能要對(duì)簽約客戶和卡類客戶分開建模，還需要排除員工號(hào)碼、公免號(hào)碼等等）
－分析窗口和預(yù)測(cè)窗口各為多大？（用以前多久范圍的數(shù)據(jù)來預(yù)測(cè)客戶在以后多久范圍內(nèi)可能流失）
② 變量選取、數(shù)據(jù)探索和多次建模
這個(gè)類似于heilql所提到的指標(biāo)選擇，也許變量是更常用的說法；） 電信業(yè)的絕大多數(shù)數(shù)據(jù)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(wǎng)時(shí)長、當(dāng)前狀態(tài)。。。）
－客戶賬單信息（賬單金額、優(yōu)惠金額、明細(xì)賬單金額。。。）
－客戶繳費(fèi)信息（繳費(fèi)次數(shù)、繳費(fèi)金額、欠費(fèi)次數(shù)、欠費(fèi)金額。。。）
－客戶通話信息（通話次數(shù)、通話時(shí)長、短信次數(shù)、呼轉(zhuǎn)次數(shù)、漫游次數(shù)。。。）
－客戶聯(lián)絡(luò)信息（投訴次數(shù)、抱怨次數(shù)。。。）
這些變量的數(shù)目很多，而且還會(huì)根據(jù)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(fèi)行為的變動(dòng)）。
建議挖掘人員把所有能拿到數(shù)據(jù)都探索一遍，然后逐步明確哪些變量是有用的。而對(duì)于一個(gè)公司來說，事先能給出一份比較全面的變量列表，也正體現(xiàn)了他們?cè)谶@方面的經(jīng)驗(yàn)。對(duì)于挖掘新手來說，多思考，多嘗試，也會(huì)逐漸總結(jié)出來。
③ 對(duì)業(yè)務(wù)的指導(dǎo)（模型的發(fā)布及評(píng)估反饋）
挖掘人員常常是技術(shù)導(dǎo)向的，一旦建立好流失預(yù)測(cè)模型并給出預(yù)測(cè)名單之后，常常覺得萬事大吉，可以交差了。但是對(duì)于客戶來說，這遠(yuǎn)遠(yuǎn)不夠。一般來說，客戶投資一個(gè)項(xiàng)目，總希望能從中獲益，因此在驗(yàn)收時(shí)領(lǐng)導(dǎo)最關(guān)注的問題可能是：數(shù)據(jù)挖掘?qū)ξ业腞OI有什么提升？
要給客戶創(chuàng)造價(jià)值，就需要通過業(yè)務(wù)上的行動(dòng)來實(shí)現(xiàn)。No Action, No Value。這種行動(dòng)可能是幫助客戶改善挽留流程，制定有針對(duì)性的挽留策略，明白哪些客戶是最值得被挽留的，計(jì)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(shù)專家，還需要是業(yè)務(wù)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(yù)測(cè)：通過離網(wǎng)調(diào)研和數(shù)據(jù)挖掘，捕捉客戶離網(wǎng)前的特征，預(yù)測(cè)客戶流失的概率。這對(duì)于優(yōu)質(zhì)客戶的保護(hù)是十分重要和有效的分析手段。對(duì)于客戶流失預(yù)測(cè)，從兩個(gè)方面來看：一個(gè)是客戶流失預(yù)警，一個(gè)是流失客戶特征分析。
客戶流失預(yù)警：定義統(tǒng)一的預(yù)警模型，根據(jù)預(yù)警模型，客戶話單數(shù)據(jù)中自動(dòng)匹配預(yù)警數(shù)據(jù)，預(yù)警模型可以按如下規(guī)則定義，并且可以靈活擴(kuò)展。
流失客戶特征分析：通過決策數(shù)算法，分析流失客戶特征，然后通過這些特征得到當(dāng)前在網(wǎng)客戶中匹配流失概率高的客戶數(shù)據(jù)。
通過客戶流失分析獲得流失客戶數(shù)據(jù)和潛在流失客戶數(shù)據(jù)，從而將這些數(shù)據(jù)分配給客戶服務(wù)部門，整合銷售服務(wù)資源，根據(jù)客戶的需求，設(shè)計(jì)個(gè)性化的營銷策略，快速反應(yīng)，以此達(dá)到召回流失客戶，挽留流失概率高的客戶，實(shí)現(xiàn)對(duì)客戶的守護(hù)。（摘自人民郵電報(bào)）
現(xiàn)實(shí)背景
隨著電信行業(yè)競爭的加劇，客戶流失的規(guī)模越來越大，周期越來越短；電信業(yè)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(shù)據(jù)指標(biāo)的選擇；
2. 數(shù)據(jù)倉庫數(shù)據(jù)提取及清洗；
3. 不相關(guān)指標(biāo)剔除；
4. 用訓(xùn)練數(shù)據(jù)建立模型；
5. 用測(cè)試數(shù)據(jù)檢驗(yàn)?zāi)Ｐ停?br>6. 預(yù)測(cè)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(xiàn)世：
其實(shí)本人認(rèn)為關(guān)鍵是指標(biāo)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(zhǔn)確性，后面的步驟都是水到渠成，但有關(guān)這方面的探討確實(shí)很少，應(yīng)用的實(shí)例就更少了。
一般電信運(yùn)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(fèi)行為：是否欠費(fèi)，流失前半年平均消費(fèi)額＼消費(fèi)趨勢(shì)，話費(fèi)構(gòu)成．．．
3.其他：交費(fèi)方式，設(shè)備使用類別．．
其實(shí)能夠想到的指標(biāo)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(biāo)都可以跟帖
|
|
|
|
閱讀全文(6066) | 回復(fù)(8) | 編輯 | 精華 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
yixinist(游客)發(fā)表評(píng)論于2008-1-22 17:09:33 |
|
|
|
你好,用戶流失最重要的進(jìn)行用戶分類,只有有效用戶細(xì)分才能找到高流失用戶群體,我們對(duì)全網(wǎng)用戶進(jìn)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(jié)果發(fā)現(xiàn)補(bǔ)貼用戶流失率遠(yuǎn)低于未補(bǔ)貼用戶....... |
|
|
|
個(gè)人主頁 | 引用回復(fù) | 主人回復(fù) | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
conjurer(游客)發(fā)表評(píng)論于2006-8-21 18:00:58 |
|
|
|
我覺得你已經(jīng)通過外呼,或者客戶經(jīng)理的方式對(duì)客戶進(jìn)行了挽留,那這里面是不是會(huì)因?yàn)橥炝粽叩暮脡?使我無法準(zhǔn)確估計(jì)我所做模型的好壞程度.我傾向于預(yù)測(cè),再把預(yù)測(cè)的結(jié)果分成兩部分,一部分讓他繼續(xù)自然發(fā)展,最后看他與我預(yù)測(cè)結(jié)果的差別.另一部分進(jìn)行挽留,這樣這部分既可以看挽留效果,又可以我預(yù)測(cè)出來的流失客戶,是否已經(jīng)沒有了挽留期(這個(gè)很多情況是因?yàn)榭蛻舻臋C(jī)卡已經(jīng)分離了). |
|
|
|
個(gè)人主頁 | 引用回復(fù) | 主人回復(fù) | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
loafer(游客)發(fā)表評(píng)論于2005-8-31 10:33:03 |
|
|
|
這個(gè)事情基本上算是告一段落了。 1、分類結(jié)塊的現(xiàn)象我的看法是不去解決它了。其實(shí)我已經(jīng)找到了方法去解決它，但是結(jié)果失去了作用。比如用sigmoid的方式去將數(shù)據(jù)先做變換，但是類之間的差異非常不明顯。雖然各個(gè)群的大小差不多，但這樣的結(jié)果已近沒有意義了。 2、根據(jù)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(shí)在難以解釋他的意義。因此最后也放棄了這個(gè)思路。現(xiàn)在市場(chǎng)人員對(duì)有針對(duì)性地制定相應(yīng)的政策還是很有把握的，下個(gè)月看看挽留的結(jié)果如何，等待時(shí)間來驗(yàn)證。 |
|
|
|
個(gè)人主頁 | 引用回復(fù) | 主人回復(fù) | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
lazycat(游客)發(fā)表評(píng)論于2005-8-25 10:29:06 |
|
|
|
email :cao_liwei[at]hotmail.com 謝謝 各位了 搞這個(gè)東西好頭疼啊 自己研究 |
|
|
|
個(gè)人主頁 | 引用回復(fù) | 主人回復(fù) | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
lazycat(游客)發(fā)表評(píng)論于2005-8-25 10:27:48 |
|
|
|
老大 能不能提供一點(diǎn)項(xiàng)目資料啊 也許能起到剔糊灌頂?shù)淖饔冒?老大們 幫忙啊 |
|
|
|
個(gè)人主頁 | 引用回復(fù) | 主人回復(fù) | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
數(shù)據(jù)挖掘者發(fā)表評(píng)論于2005-8-7 11:05:15 |
|
|
|
梳理一下思路：正如loafer所說的，對(duì)于客戶流失預(yù)測(cè)和客戶挽留這個(gè)專題分析來說，客戶更需要的是能夠采取恰當(dāng)行動(dòng)的完整方案，而非僅僅一個(gè)名單。那么這個(gè)解決方案可以劃分為四部分：發(fā)現(xiàn)挽留機(jī)會(huì)→制訂挽留策略→實(shí)施挽留行動(dòng)，收集客戶反饋→評(píng)估挽留效果并調(diào)整模型和策略。 ①發(fā)現(xiàn)挽留機(jī)會(huì)：最基本的做法是建立客戶流失預(yù)測(cè)模型（用決策樹或?qū)?shù)回歸），然后對(duì)在網(wǎng)客戶進(jìn)行流失傾向的評(píng)分，按傾向高低判別。但此處最好結(jié)合對(duì)全體客戶的分群來識(shí)別出真正的挽留機(jī)會(huì)，并非流失傾向越高就越值得挽留。比如可以按照客戶價(jià)值進(jìn)行分群，優(yōu)先考慮對(duì)中高價(jià)值客戶的挽留；同時(shí)根據(jù)客戶行為分群，判別出哪些客戶可能已經(jīng)用了競爭對(duì)手的服務(wù)，或者屬于欺詐類型的客戶，對(duì)這批客戶的挽留可能是沒有成效的，不應(yīng)視為挽留機(jī)會(huì)。 ②制訂挽留策略：經(jīng)過第一個(gè)步驟，我們已經(jīng)從預(yù)測(cè)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(shù)目較大，難以逐個(gè)分析，決定采取何種挽留策略。（這也是一些廠商宣傳的一對(duì)一營銷，想法雖好，可是未必可行）此時(shí)可以對(duì)圈定的客戶進(jìn)一步進(jìn)行分群，將他們劃分為幾種類型，當(dāng)然此時(shí)最好在分群模型中放入行為、人口統(tǒng)計(jì)學(xué)、地域等屬性，然后基于這幾群客戶逐群制訂有針對(duì)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(duì)他們的挽留策略可能是推薦一些夜間通話優(yōu)惠的資費(fèi)方案。 ③實(shí)施挽留行動(dòng)、收集客戶反饋：這里其實(shí)最好有類似操作型CRM的系統(tǒng)來支撐。將上述兩步驟給出的挽留機(jī)會(huì)和挽留策略分配給相應(yīng)的實(shí)施人員（可能是客戶經(jīng)理、Call Center等），由他們進(jìn)行實(shí)施，并收集客戶反饋（最簡單的客戶反饋是響應(yīng)或不響應(yīng)，復(fù)雜些的可以包含對(duì)客戶流失傾向的認(rèn)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(píng)估挽留效果：在客戶流失預(yù)測(cè)專題分析的試運(yùn)行階段，由于對(duì)模型預(yù)測(cè)的效果、挽留機(jī)會(huì)的識(shí)別是否準(zhǔn)確、挽留策略的制訂是否合適等方面尚未得到確認(rèn)，常常會(huì)將預(yù)測(cè)名單中圈定的客戶劃分為兩組——實(shí)施組和對(duì)照組。對(duì)前者展開挽留，對(duì)后者不采取任何行動(dòng)，根據(jù)兩組的流失情況來評(píng)估模型的預(yù)測(cè)效果和挽留效果。當(dāng)專題分析已經(jīng)基本穩(wěn)定后，對(duì)照組會(huì)被取消，那么對(duì)挽留效果的評(píng)估主要依賴于客戶的反饋、客戶隨后是否在網(wǎng)以及其用量的變化等來評(píng)估。 分群中的結(jié)塊問題的確比較麻煩，我覺得還是從變量的歸一化入手。因?yàn)樵谶M(jìn)行聚類之前，一般要對(duì)變量進(jìn)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(huì)導(dǎo)致大量客戶聚集在中位數(shù)附近（因?yàn)榇蠖鄶?shù)變量都會(huì)滿足正態(tài)分布）。此時(shí)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(diǎn)拿出來，避免它們對(duì)歸一化的結(jié)果造成較大影響；然后選擇合適的歸一化方法（例如對(duì)數(shù)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(duì)此有些心得）。 |
|
|
|
個(gè)人主頁 | 引用回復(fù) | 主人回復(fù) | 返回 | 編輯 | 刪除 |
|
|
|
|
|
|
|
回復(fù):關(guān)于“電信業(yè)客戶流失預(yù)測(cè)” |
|
|
|
|
|
loafer(游客|218.12.2.210)發(fā)表評(píng)論于2005-7-26 17:45:37 |
|
|
|
其實(shí)現(xiàn)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(tǒng)意義上的講法是說，可以通過外呼或者大客戶經(jīng)理的方式去挽留名單上的用戶，但實(shí)際操作中，客服的人員和大客戶經(jīng)理不知道怎么去跟客戶講。因此，感覺在名單給出的時(shí)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(diǎn)，然后請(qǐng)市場(chǎng)人員針對(duì)每類用戶制定相應(yīng)的策略，然后去跟客戶講?，F(xiàn)在在很多個(gè)site上都出現(xiàn)了這樣的問題，客戶希望得到的是更加細(xì)致完整的解決方案，而不是僅僅是一個(gè)名單。另外，對(duì)所有的用戶來進(jìn)行Cluster還是對(duì)預(yù)測(cè)為流失的用戶進(jìn)行Cluster，現(xiàn)在還沒有想太清楚。我覺得兩者的側(cè)重點(diǎn)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(xiàn)在看起來似乎也有那么一點(diǎn)點(diǎn)道理。另外，分群的時(shí)候結(jié)塊的問題怎么解決？目前我碰到的問題就是有個(gè)群最大，但是它也最沒有特點(diǎn)，在我們所采集到的任何變量上都沒有特點(diǎn)。頭疼?。?！ |
|
