CN101620692A

CN101620692A - 一种移动通信业务的客户流失分析方法

Info

Publication number: CN101620692A
Application number: CN200810039886A
Authority: CN
Inventors: 冯谧
Original assignee: SUCCESSFULL TELECOM TECHNOLOGY Co Ltd
Current assignee: SUCCESSFULL TELECOM TECHNOLOGY Co Ltd
Priority date: 2008-06-30
Filing date: 2008-06-30
Publication date: 2010-01-06

Abstract

本发明涉及一种移动通信业务的客户流失分析方法，该方法连接数据仓库，调度数据挖掘工具，对已流失客户过去一段时间的通话、客户服务投诉或交费等信息进行分析，提炼出流失或有流失趋势客户的行为特征，建立客户流失预测模型，并将模型应用于现实的客户服务中，得出客户流失预测信息，为企业的经营决策提供支持。与现有技术相比，本发明能很好的针对移动通信行业，对客户流失进行分析。

Description

一种移动通信业务的客户流失分析方法

技术领域

本发明涉及移动通信行业的数据挖掘技术，特别是涉及一种移动通信业务的客户流失分析方法。

背景技术

在激烈的电信市场竞争中，如何保持客户越来越引起电信运营商的重视。市场营销专家迈克尔·波特认为，能否维系客户价值是检验一个企业是否成熟的重要标志。分析客户流失原因，吸引潜在客户入网，增加现有客户满意度，减少客户流失几率，提高客户消费水平，充分占有市场，是通信企业在激烈市场竞争中制胜的关键。

追溯维系客户的渊源，是基于国际上新兴的关系营销理论。其理论依据在于：

(1)发展一个新客户所支出的费用，是保留一个老客户的数倍；维系老客户，能有效地降低成本；

(2)老客户的重复购买能够缩短购买周期，企业与老客户形成的特定的关系，有利于企业制定生产计划；相对固定的客户群能够使企业减少各种不确定因素的干扰和减少市场的混乱，使企业决策效率更高；

(3)维系老客户并提高其满意度，企业可以建立相应的口碑效应和引起老客户相关的销售行为；并且，老客户更容易接受企业其它的业务和创新服务；

(4)通过老客户的口碑传播，亦成为吸引新客户的重要途径。

客户流失是客户因某种原因而离开为其服务公司的一种常见行为。客户流失分析，就是利用数据挖掘等分析方法，对已流失客户过去一段时间的通话、客户服务投诉或交费等信息进行分析，提炼出流失或有流失趋势客户的行为特征，建立客户流失预测模型，并将模型应用于现实的客户服务中，预测潜在流失客户，并采取相应的营销手段做到客户保持和客户发展。

针对客户流失管理，国外移动企业均采用CRM系统进行客户流失管理，指定数据挖掘解决方案，建立客户流失分析模型。每个月根据客户流失倾向的高低为客户进行评分，并根据评分对流失可能性高的客户采取适当的市场策略进行挽留。国内，电信运营商面临激烈的市场竞争，客户争夺愈演愈烈，客户保留和客户价值开发已逐步成为电信企业考虑的重点所在。目前，我国电信企业客户流失的管理还处于一个初级阶段，只有少数移动企业对客户流失采取了简单的预警机制，对一些的消费异常的客户进行预警，这也只能告诉一个客户流失存在的可能性，却无法告诉该客户流失的时间表，更不能告诉该客户是否有挽留的价值。

综上所述，客户流失问题已经成为移动通信运营商必须尽快解决的问题，但是迄今为止，在移动通信行业，尚未提出一种系统化的、规范的客户流失分析的流程及实时的、自动化的方法。

发明内容

本发明所要解决的技术问题就是为了克服上述现有技术存在的缺陷而提供一种移动通信业务的客户流失分析方法。

本发明的目的可以通过以下技术方案来实现：一种移动通信业务的客户流失分析方法，其特征在于，包括以下步骤：

(1).根据业务需求，确定客户流失分析的主题；

(2).根据客户流失分析的主题，构建面向业务主题的数据集市；

(3).基于上述的数据集市，建立建模分析型数据集和应用分析型数据集；

(4).基于分析主题和建模分析型数据集，调用数据挖掘工具，建立多个流失分析模型；

(5).检验模型；

(6).在应用分析型数据集上应用模型，得出流失客户的特征；

(7).发布模型及模型应用的结果。

所述的客户流失分析的主题包括流失客户的特征、现有客户的流失概率、客户流失的因素。

所述的步骤(2)进一步包括：

(21).从数据仓库选择、收集与客户流失相关的数据字段；

(22).处理缺失的数据；

(23).数据转换；

(24).根据原始数据字段，生成用于流失分析的衍生变量。

所述的步骤(3)包括：

(31).界定流失分析时间的范围，该范围包括：

过去时间，作为从数据集市中获取分析数据集的区间；

现在时间，作为进行客户流失分析的区间；

未来时间，作为客户流失分析的目标区间；

(32).分析型数据集构建：

基于步骤(31)，设置时间范围，确定过去时间、现在时间、未来时间，从数据集市中取得过去时间的分析数据，建模分析型数据子集，根据业务需求，以一定长度的区间多次后移时间范围，每次后移建模一个分析型数据子集，将多个分析型数据子集合成一个分析型数据集；

(33).数据抽样。

所述的建立多个流失分析模型可以采用决策树方式、神经网络方式、逻辑回归方式或多元回归方式。

所述的步骤(5)进一步包括：

(51).将已经流失的客户的数据输入多个模型进行分析，比较分析结果与实际历史结果的差异，选出最优模型；

(52).调用存储过程，将最优模型写入模型库中。

所述的模型包括检验弃真错误、检验存伪错误。

与现有技术相比，本发明能很好的针对移动通信行业，对客户流失进行分析。

附图说明

图1为本发明的流程图；

图2为本发明的建模分析型数据集的构建示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种移动通信业务的客户流失分析方法，包括以下步骤：

(1).根据业务需求，确定客户流失分析的主题；

(5).检验模型；

(6).在应用分析型数据集上应用模型，得出流失客户的特征；

(7).发布模型及模型应用的结果。

所述的步骤(2)进一步包括：

从数据仓库选择、收集与客户流失相关的数据字段；处理缺失的数据；数据转换；根据原始数据字段，生成用于流失分析的衍生变量；

所述的步骤(3)包括：界定流失分析时间的范围，该范围包括：

过去时间，作为从数据集市中获取分析数据集的区间；

现在时间，作为进行客户流失分析的区间；

未来时间，作为客户流失分析的目标区间；

分析型数据集构建：设置时间范围，确定过去时间、现在时间、未来时间，从数据集市中取得过去时间的分析数据，建模分析型数据子集，根据业务需求，以一定长度的区间多次后移时间范围，每次后移建模一个分析型数据子集，将多个分析型数据子集合成一个分析型数据集；

数据抽样；

所述的步骤E进一步包括：

将已经流失的客户的数据输入多个模型进行分析，比较分析结果与实际历史结果的差异，选出最优模型；

调用存储过程，将最优模型写入模型库中。

所述的模型包括检验弃真错误、检验存伪错误。

本发明选择世界上最通用的方法论CRISP-DM(跨行业数据挖掘标准流)作为指导，详细过程如下：

(一)确定流失分析主题：

确定业务需求；

确定流失分析主题，主题是数据挖掘的主要目标，决定了此后过程中数据挖掘的主要努力方向。客户流失分析中的主题包括流失客户的特征；现有客户的流失概率如何(包括不同细分客户群的流失程度)；哪些因素造成了客户的流失等。

(二)建立数据集市

选择数据字段：是指确定所要用到的数据字段和确定数据采集的时间间隔，数据字段的选择、收集是数据挖掘的前提，应选择与流失相关的数据字段，考虑到后期流失的多维分析，应当尽量确保客户信息的完整性；

缺失数据处理：依据一定的规则、方法，对缺失值进行处理；

数据转换：为了保证数据的质量和可用性，某些数据挖掘模型需要对连续数据进行离散化、归一化处理等；

生成衍生变量：根据原始数据字段，生成用于流失分析的衍生变量；

(三)建立建模分析型数据集和应用分析型数据集

流失分析时间界定：

电信行业，客户的绝大部分信息都与时间密切相关，因此，时间在流失分析中是一个决定性的因素。流失分析需要用到用户的长期信息，涉及一定的时间范围，将该时间范围划分为三个区间：

过去时间：过去时间区间内，用户资料都已收集、整理好，并已存入数据库中，是可获取的；

现在时间：“现在时间”是介于“过去时间”和“未来时间”之间的一个时间段。现在时间的提出是时分必要的。进行流失分析，应在客户真正做出个人选择之前得出流失趋势，进而采取措施，对客户进行挽留，所以，现在时间是分析人员建模、进行流失预测、企业采取挽留客户措施的时间；

未来时间：预测的目标时间区间。通过流失分析，预测在该时间区间内将要流失的客户；

举例说明：

现在是2007年9月。分析人员利用2007年9月之前的数据建立流失模型、分析预测未来时间(2007年10月)将要流失的客户，企业采取挽留客户的措施。

未来时间定为2007年10月，流失分析预测的目标时间区间，通过流失分析，得到将要在10月流失的客户的信息。

过去时间为2007年9月之前。该时间区间内，用户资料已整理好、输入数据库中，用来训练建立模型和作为预测的输入信息；

确定分析型数据集构建方式：

进行流失分析，需要建立两个分析型数据集：建模数据集(建模ADS)和模型应用数据集(模型应用ADS)。建模数据集用来训练建立模型，模型应用ADS作为预测分析时输入信息；

建模ADS和模型应用ADS的数据来源及构建对于模型的稳定性来说，是十分重要的因素。考虑到历史数据的季节效应对模型的影响，提出如下ADS的构建方法，以建模ADS的构建为例，如图2：

①假设现在时间是2007年9月，2007年9月之前为过去时间，流失预测目标时间为2007年10月；

②以2006年9月至2007年8月12个月的数据为输入信息，进行2007年10月客户流失预测；

③从数据库中取得过去时间的用户信息，构建ADS，ADS中的数据分为两部分，输入变量和输出变量。输入变量为“虚拟过去时间”12个月的用户信息，输出变量为“虚拟未来时间”用户的流失记录。例如，在ADS子集1中，输入变量为2006年7月至2007年6月的用户信息，输出变量为2007年8月用户的流失记录；

④建模ADS＝(建模ADS子集1+建模ADS子集2+......+建模ADS子集n)。子集个数根据业务需求给定。

数据抽样：确定建模ADS及模型应用ADS的构建方式、数据取值时间范围后，进行数据抽样而不是对整体进行处理，以降低系统的处理量；建模ADS又分为建模样本和测试样本，一部分用来建模，另一部分用来对模型进行修正和检验；从实际情况上看，国内电信企业每月的客户流失率一般在1％～3％左右，如果直接采用某种模型(比如决策树、人工神经网络等)可能会因为数据概率太小而导致模型的失效，因此采用过采样技术，从总体中抽取大部分的小概率事件，和小部分的普通事件，加大流失客户在总样本中的比例。规定过采样结果必须囊括75-100％的流失服务号，并且保持在样本中的流失者和非流失者的比例为1比5到15。

(四)建立模型

基于分析主题和建模ADS，调用集成的数据挖掘工具，实现参数的自动化调优，生成多个模型。

备选的数据挖掘方法有决策树方法、神经网络方法、逻辑回归方法、多元回归方法。

(五)模型的评估与检验

模型的评估及检验：测试集为一些历史的流失客户数据，输入测试集，运行模型予以判断，比较流失分析结果与已知历史结果的差异，选出最优模型。

客户流失判断一般存在两种错误结果。一是弃真错误，即原有历史客户具备流失倾向并且已经流失，但是模型未能够准确预测客户的流失倾向；二是存伪错误，即原有用户并未有流失的倾向，但被模型判断为具有流失倾向。

将模型写入模型库：调用存储过程，将最优模型写入模型库中。

(六)模型的应用

流失预测：在模型应用ADS数据集上应用模型，得出流失客户的特征；现有客户的流失概率(包括不同细分客户群的流失程度)。

流失后分析：辅以相关调查，分析哪些因素造成了客户的流失，力求发现客户流失的症结所在。

(七)模型及模型应用结果的发布

模型发布：在系统前台发布模型。进行模型及模型应用结果的发布，

流失分析结果发布：在系统前台发布模型应用结果，流失客户的特征；现有客户的流失概率(包括不同细分客户群的流失程度)或最有可能流失的客户的名单，客户流失的原因等等。

Claims

1.一种移动通信业务的客户流失分析方法，其特征在于，包括以下步骤：

(1).根据业务需求，确定客户流失分析的主题；

(5).检验模型；

(6).在应用分析型数据集上应用模型，得出流失客户的特征；

(7).发布模型及模型应用的结果。

2.根据权利要求1所述的一种移动通信业务的客户流失分析方法，其特征在于，所述的客户流失分析的主题包括流失客户的特征、现有客户的流失概率、客户流失的因素。

3.根据权利要求1所述的一种移动通信业务的客户流失分析方法，其特征在于，所述的步骤(2)进一步包括：

(21).从数据仓库选择、收集与客户流失相关的数据字段；

(22).处理缺失的数据；

(23).数据转换；

(24).根据原始数据字段，生成用于流失分析的衍生变量。

4.根据权利要求1所述的一种移动通信业务的客户流失分析方法，其特征在于，所述的步骤(3)包括：

(31).界定流失分析时间的范围，该范围包括：

过去时间，作为从数据集市中获取分析数据集的区间；

现在时间，作为进行客户流失分析的区间；

未来时间，作为客户流失分析的目标区间；

(32).分析型数据集构建：

(33).数据抽样。

5.根据权利要求1所述的一种移动通信业务的客户流失分析方法，其特征在于，所述的建立多个流失分析模型可以采用决策树方式、神经网络方式、逻辑回归方式或多元回归方式。

6.根据权利要求1所述的一种移动通信业务的客户流失分析方法，其特征在于，所述的步骤(5)进一步包括：

(52).调用存储过程，将最优模型写入模型库中。

7.根据权利要求1或6所述的一种移动通信业务的客户流失分析方法，其特征在于，所述的模型包括检验弃真错误、检验存伪错误。