CN103150697A - 确定客户流失的方法及装置 - Google Patents

Abstract

本发明涉及广播电视技术领域，公开了一种确定客户流失的方法及装置，该方法包括：获取运营数据；从所述运营数据中提取流失变量；建立流失变量间的因果关系；根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络；利用所述贝叶斯网络计算客户流失概率。利用本发明，可以准确、有效地确定广电客户流失情况。

Description

确定客户流失的方法及装置

技术领域

本发明涉及广播电视技术领域，具体涉及一种确定客户流失的方法及装置。

背景技术

随着广电运营的开放化、市场化，运营商不得不与其他竞争对手展开争夺客户的角逐。而对于已经争取到的客户，运营商又要面临着严峻的客户流失问题。传统意义上讲，留住一个客户所需要的成本是争取一个新客户的五分之一，而老客户在未来可能为企业带来的价值要远大于一个新客户，客户流失会严重影响运营商的利润。基于这种现状，如何及早发现可能流失的客户，并找出客户可能流失的原因，进而有针对性地采取积极措施来保持客户，已成为目前急需解决的问题。

发明内容

本发明实施例针对上述现有技术存在的问题，提供一种确定客户流失的方法及装置，可以准确、有效地确定广电客户流失情况。

为此，本发明实施例提供如下技术方案：

一种确定客户流失的方法，包括：

获取运营数据；

从所述运营数据中提取流失变量；

建立所述流失变量间的因果关系；

根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络；

利用所述贝叶斯网络计算客户流失概率。

优选地，所述运营数据包括以下任意两项或多项：客户属性数据、客户行为数据、服务过程数据；

所述从所述运营数据中提取流失变量包括：

从所述客户属性数据中提取出以下流失变量：家庭类别、住房条件、人均月收入、每月基本生活开支；

从所述客户行为数据中提取出以下流失变量：基本服务收视频率、基本服务收视时长、基本频道覆盖面、增值频道覆盖面、基本服务消费数额、增值服务使用频率、增值服务使用时长、增值服务消费数额；

从所述服务过程数据中提取出以下流失变量：报修、投诉、客户回访。

优选地，所述建立流失变量间的因果关系包括：

根据各个流失变量的语义来建立流失变量间的因果关系。

优选地，所述根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络包括：

根据所述流失变量间的因果关系生成有向无环图；

根据所述有向无环图以及所述运营数据构建条件概率表。

优选地，所述利用所述贝叶斯网络计算客户流失概率包括：

利用贝叶斯网络工具包计算所述客户流失概率。

一种确定客户流失的装置，包括：

数据获取单元，用于获取运营数据；

变量提取单元，用于从所述运营数据中提取流失变量；

关系建立单元，用于建立所述流失变量间的因果关系；

网络建立单元，用于根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络；

计算单元，用于利用所述贝叶斯网络计算客户流失概率。

优选地，所述运营数据包括以下任意两项或多项：客户属性数据、客户行为数据、服务过程数据；

所述变量提取单元，具体用于从所述客户属性数据中提取出以下流失变量：家庭类别、住房条件、人均月收入、每月基本生活开支；从所述客户行为数据中提取出以下流失变量：基本服务收视频率、基本服务收视时长、基本频道覆盖面、增值频道覆盖面、基本服务消费数额、增值服务使用频率、增值服务使用时长、增值服务消费数额；从所述服务过程数据中提取出以下流失变量：报修、投诉、客户回访。

优选地，所述关系建立单元，具体用于根据各个流失变量的语义来建立流失变量间的因果关系。

优选地，所述网络建立单元包括：

有向无环图生成子单元，用于根据所述流失变量间的因果关系生成有向无环图；

条件概率表构建子单元，用于根据所述有向无环图以及所述运营数据构建条件概率表。

优选地，所述计算单元，具体用于利用贝叶斯网络工具包计算所述客户流失概率。

本发明实施例提供的确定客户流失的方法及装置，通过获取运营数据，从所述运营数据中提取流失变量，建立流失变量间的因果关系，根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络，利用所述贝叶斯网络计算客户流失概率，从而可以准确、有效地确定广电客户流失情况。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例确定客户流失的方法的流程图；

图2是本发明实施例中流失变量间的因果关系示意图；

图3是本发明实施例确定客户流失的装置的一种结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

针对广电行业，客户流失的概念是比较直接的，即客户在服务到期之后不再续费即被认定为流失。因为广电的数字电视产品大都是以包月或包年的预付费产品为基础的，虽然运营商目前正在大力推广视频点播产品，但没有交基础服务费的客户仍然不能享受任何服务。

本发明实施例提供的确定客户流失的方法及装置，通过获取运营数据，从所述运营数据中提取流失变量，建立流失变量间的因果关系，根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络，利用所述贝叶斯网络计算客户流失概率，从而可以准确、有效地确定广电客户流失情况。

进一步地，针对那些流失概率较大的客户，确定其流失原因，使运营商采取有针对性地措施来防止其真正流失。

如图1所示，是本发明实施例确定客户流失的方法的流程图，包括以下步骤：

步骤101，获取运营数据。

在本发明实施例中，可以根据广电行业特有的运营和服务模式，获取客户属性数据、客户行为数据、服务过程数据等。其中：

客户属性数据是客户基本的社会属性数据，反映了客户基本的生活状况。这些数据可以通过问卷调查的方式获得。

客户行为数据是客户在使用运营商提供的产品和接受服务的过程中关键行为特征的描述和统计。这些数据可以在服务提供系统中自动收集获得。

服务过程数据是客户和运营商之间发生的交互活动的描述和记录。这些数据可以在运营流程中通过运营支撑系统记录下来。

当然，所述运营数据也可以是上述客户属性数据、客户行为数据、服务过程数据中的任意两项数据。

步骤102，从所述运营数据中提取流失变量。

比如从客户属性数据中可以提取出以下流失变量：家庭类别、住房条件、人均月收入、每月基本生活开支等；从客户行为数据中可以提取出以下流失变量：基本服务收视频率、基本服务收视时长、基本频道覆盖面、增值频道覆盖面、基本服务消费数额、增值服务使用频率、增值服务使用时长、增值服务消费数额等；从服务过程数据中可以提取出以下流失变量：报修、投诉、客户回访等。

如下表1给出了对不同类别的运营数据所包含的流失变量。

表1：

步骤103，建立流失变量间的因果关系。

具体地，可以根据各个流失变量的语义来建立流失变量间的因果关系。

首先，为了方便描述，可以将步骤102中提取的各个流失变量进行编号，比如，从客户属性数据中提取的流失变量用P开头的编号表示，从客户行为数据中提取的流失变量用B开头的编号表示，从服务过程数据中提取的流失变量用S开头的编号表示。各流失变量的编号及取值如下表2所示。

表2：

基于上述表2，建立的流失变量间的因果关系如图2所示。

由图2可以看出，大部分的流失变量都是直接作用于最终的流失类型的。另外还有两类流失变量，一类只作用于其它变量，并不作用于最终的流失类型，如P3和P4；一类则既作用于其它变量，又直接地作用于最终的流失类型，如B4、B6和B7。

P3和P4表明了客户的收入能力和消费水平。这两个因素并不能和最终是否流失建立起直接的关联，因为数字电视的基本服务都是廉价的，普通百姓都消费得起。这两个因素作用于客户为数字电视服务的消费(即B5和B8)则更有意义。而B5和B8则可以直接作用于流失类型。通过这样的组合，不仅可以通过消费能力和方式来预测客户是否流失，还能分析出一些流失的原因。比如，如果某客户家庭的收入和消费比例都很高，但在数字电视方面的投入较小，通过计算确定客户将要流失，那么很可能是因为客户对于目前数字电视的产品和服务质量不满意，或并不习惯于数字电视这种家庭娱乐方式。这样的客户恰恰应该是尽量争取的有价值客户，因此，基于这种情况，运营商就可以对这样的客户采取积极的市场和营销措施，将这种客户流失的概率降到最低。

B4、B6和B7主要表明了客户对增值频道以及其它增值服务的接受程度。增值频道和其它增值服务是运营商创收的主要来源，好的增值频道和增值服务能够帮助运营商吸引和保持更多的客户。客户使用增值服务越多，对运营商收入的贡献就越大，所以B4会作用于B5，B6和B7会作用于B8(增值频道算是在基本的广播频道服务范畴之内，其消费数额可通过B5来反映；而交互式的增值服务则往往是另外单独计费，其消费数额可通过B8反映)。除了在消费数额上的作用之外，B4、B6和B7与B1、B2、B3一样，可以反映客户对服务质量的真实评价、以及客户的收视行为特点。这些因素都是直接影响客户流失的关键因素。

步骤104，根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络。

贝叶斯分类算法是统计学分类方法，它是一类利用概率统计知识进行分类的算法。朴素贝叶斯分类算法可以与决策树和神经网络分类算法相媲美，朴素贝叶斯分类算法假定一个属性值对给定类的影响独立于其他属性值，这一假定称作类条件独立性。

朴素贝叶斯分类的工作过程如下：

(1)设D是训练元组和相关联的类标号的集合。每个元组用一个n为属性向量X＝{x₁，x₂，...，x_n}表示，描述由n个属性A₁，A₂，...，A_n对元组的n个测量。

(2)假定有m个类C₁，C₂，...，C_m。给定元组X，分类法将预测X属于具有最高后验概率(条件X下)的类。

也就是说，朴素贝叶斯分类法预测X属于类C_i，当且仅当P(C_i|X)＞P(C_j |X)，1≤j≤m，j≠i，其P(C_i|X)最大的类C_i称为最大后验假设。

(3)根据贝叶斯定理，要想求P(C_i |X)最大，只需要P(X|C_i)P(C_i)最大即可。如果类的先验概率未知，则通常假设这些类是等概率的；否则，可以用P(C_i)＝|C_i，D|/|D|估计，其中|C_i，D|是D中类C_i的训练元组数。

(4)给定具有许多属性的数据集，计算P(X|C_i)的开销可能非常大。为降低计算P(X|C_i)的开销，可以做类条件独立的朴素假定。给定元组的类标号，假定属性值有条件地相互独立，即在属性间不存在依赖关系。这样有：

$P\left(X\right|C_i)=\underset{k=1}{\overset{n}{\mathrm{\Π}}}P(x_k+C_i)---\left(1\right)$

可以很容易地由训练元组估计概率P(x_k|C_i)的值。

朴素贝叶斯分类法假定类条件独立，即给定元组的类标号，假定属性的值可以有条件地相互独立。这一假定简化了计算，当假定成立时，与其它所有分类法相比，朴素贝叶斯分类法是最准确的。然而，在实践中变量之间的依赖可能存在，因此通过贝叶斯网络说明联合条件概率分布，允许在变量的子集间定义类条件独立性。提供一种因果关系的图形模型，可以对其进行学习。

贝叶斯网络由两个成分定义——有向无环图和条件概率表。有向无环图的每个节点代表一个随机变量，对应于给定数据中的实际属性；每条弧表示一个概率依赖，如果一条弧由节点Y到节点Z，则Y是Z的双亲或直接前驱，而Z是Y的后代。对于每个变量，贝叶斯网络有一个条件概率表(CPT)，用于将有向无环图中的各节点和它的直接父节点关联起来。变量Y的CPT说明条件分布P(Y|Parents(Y))，其中Parents(Y)是Y的双亲。

贝叶斯网络有一个重要的性质：贝叶斯网络中的一个节点，如果它的父节点已知，则它条件独立于它的所有非后代节点。节点关联的概率表有如下规律：

1.如果节点X没有父节点，则表中只包含先验概率P(X)。

2.如果节点X只有一个父节点Y，则表中包含后验概率P(X|Y)。

3.如果节点X有多个父节点{Y₁，Y₂，...，Y_k}，则表中包含后验概率P(X|Y₁，Y₂，...，Y_k)。

设X＝{x₁，x₂，...，x_n}是变量或属性Y₁，Y₂，...，Y_n描述的数据元组。那么下式提供了存在的联合概率的完全表示：

$P(x_1,x_2,...,x_n)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(x_i\right|\mathrm{Parents}\left(Y_i\right))---\left(2\right)$

其中，P(x₁，x₂，...，x_n)是X的值的特定组合的概率，而P(x_i|Parents(Y_i))的值对应于Y_i的CPT的表目。网络中的节点可以选作“输出”节点，代表类标号属性。这样就可以计算出指定类别的概率值。

在本发明实施例中，可以基于贝叶斯网络预测客户流失情况。

具体地，可以根据步骤103中建立的流失变量间的因果关系生成有向无环图。然后，根据所述有向无环图以及真实的运营数据构建条件概率表，具体可根据前面介绍的条件概率表构成的三点律来实现，对此下面举例说明。

如图2所示，节点B5有三个父节点P3、P4和B4，通过这四个节点可为节点B5建立条件概率表。再根据表2可知，节点B5的取值范围为high、mid、low；P3的取值范围为high、mid、low；P4的取值范围为p1、p2、p3、p4、p5；B4的取值范围为vp0、vp1、vp2、vp3、vp4。因此，可以得到一个3行75列的节点B5的条件概率表(三个父节点取值的全组合一共3×5×5＝75种情况)。表3示出了节点B5的条件概率表的一部分内容。

表3：

表中的每一项都可以通过一个简单的计算公式计算得到，比如在P3＝high，P4＝p1，B4＝vp0的时候，B5＝high的概率如下：

$P(B5=\mathrm{high}|P3=\mathrm{high},P4=p1,B4=\mathrm{vp}0)$

$=\frac{P(P3=\mathrm{high},P4=p1,B4=\mathrm{vp}0|B5=\mathrm{high})P(B5=\mathrm{high})}{P(P3=\mathrm{high},P4=p1,B4=\mathrm{vp}0)}---\left(3\right)$

由于P3、P4和B4之间是条件独立的，所以有

P(P3＝high，P4＝p1，B4＝vp0|B5＝high)

(4)

＝P(P3＝high |B5＝high)P(P4＝p1|B5＝high)P(B4＝vp0|B5＝high)

并且：

P(P3＝high，P4＝p1，B4＝vp0)＝P(P3＝high)P(P4＝p1)P(B4＝vp0)(5)

因为这里的流失变量都被定义为是离散的值，所以以上表达式中的每一个子项都可以从原始数据所构成的训练集中通过一步除法得出。

在将条件概率表计算好之后，贝叶斯网络模型就构建完成了。

步骤105，利用所述贝叶斯网络计算客户流失概率。

基于上述步骤104中构建的贝叶斯网络，可以很容易地计算客户流失的概率。比如，可以利用Matlab的贝叶斯网络工具包BNT计算最终流失类别的概率，对此不再进行详细说明。

可见，本发明实施例提供的确定客户流失的方法，通过获取运营数据，从所述运营数据中提取流失变量，建立流失变量间的因果关系，根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络，利用所述贝叶斯网络计算客户流失概率，从而可以准确、有效地确定广电客户流失情况。

进一步地，基于上述计算得到的客户流失概率，可以针对那些流失概率较大的客户确定其流失原因，以便运营商采取有针对性的措施来防止其真正流失。

比如，可以从以下几个方面分析客户流失原因：

1.以客户对服务和内容的好恶作为第一出发点

从客户行为数据中提取的变量反映了客户对于基本服务和增值服务的接受程度。B5和B8表明了客户在数字电视娱乐方式上的金钱投入，其它变量则反映了客户的收视习惯和行为特征。通过综合这些变量的值，可以很容易地得出客户对服务和内容的好恶。如果从中分析出客户并不喜欢目前的服务和内容，那么运营商就需要挖掘客户的需求，或对服务和内容进行调整和改进。

2.以客户和运营商的交互活动作为重要的参考依据

从服务过程数据中提取的变量反映了客户和运营商直接交流的情况。如果客户报修比较频繁，那么说明运营商的产品质量上有较大问题；如果客户投诉比较频繁，那么其突然流失到其他家运营商也就不足为奇了。当然，如果运营商能够及时准确地进行客户回访，积极地了解客户需求，并将其应用到产品的变更当中，那么还是可以消除一些客户的不满。因此，对于预测出的可能要流失的客户，在分析了他们对于服务和内容的好恶之后，就需要看他们对产品质量和售后服务的满意程度。

3.以客户的社会属性作为辅助参考

从客户属性数据提取的变量反映了客户的某些重要社会特征。首先是家庭结构会在一定程度上影响到收视行为和消费习惯，但这并没有很强的规律可循，需要运营商根据实际的数据做出切合于当地人文特点的分析。接下来，住房条件也会在一定程度上决定着家庭在数字电视上的投入。比如，一个暂时租住的客户很有可能会在没有任何预兆的情况下突然流失。如果真是因为搬家而停止使用服务，那么这种流失是不可避免的，运营商也没有必要采取过多措施来挽留客户。最后就是客户的收入和消费情况。客户的经济实力和消费习惯直接决定了其稳定性。一般情况下，经济实力较好，且愿意在家庭娱乐方面消费的客户是不太容易流失的(当然，最大的前提还是运营商提供了足够好的产品和服务，否则客户就有可能转投他家)。

4.总结和综合多方因素

虽然前面3个方面从主要到次要地给出了分析客户可能流失的原因，但这并不是一成不变的模式，不可能绝对地说某一方面就是造成客户流失的根本原因，很多时候却是由多种因素交织起来之后形成了最终的局面。因此，最后还是要梳理多种因素，进行比较和综合，才能挖掘出客户流失的关键原因。

相应地，本发明实施例还提供一种确定客户流失的装置，如图3所示，是该装置的一种结构示意图。

在该实施例中，所述装置包括：

数据获取单元301，用于获取运营数据；

变量提取单元302，用于从所述运营数据中提取流失变量；

关系建立单元303，用于建立所述流失变量间的因果关系；

网络建立单元304，用于根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络；

计算单元305，用于利用所述贝叶斯网络计算客户流失概率。

在本发明实施例中，所述运营数据包括以下任意两项或多项：客户属性数据、客户行为数据、服务过程数据。

相应地，所述变量提取单元302可以从所述客户属性数据中提取出以下流失变量：家庭类别、住房条件、人均月收入、每月基本生活开支；从所述客户行为数据中提取出以下流失变量：基本服务收视频率、基本服务收视时长、基本频道覆盖面、增值频道覆盖面、基本服务消费数额、增值服务使用频率、增值服务使用时长、增值服务消费数额；从所述服务过程数据中提取出以下流失变量：报修、投诉、客户回访。

上述关系建立单元303可以根据各个流失变量的语义来建立流失变量间的因果关系，具体过程可参照前面本发明实施例确定客户流失的方法中的描述，在此不再赘述。

在本发明实施例中，上述网络建立单元304的一种具体结构包括：有向无环图生成子单元和条件概率表构建子单元(未图示)。其中：

所述有向无环图生成子单元，用于根据所述流失变量间的因果关系生成有向无环图；

所述条件概率表构建子单元，用于根据所述有向无环图以及所述运营数据构建条件概率表。

基于网络建立单元304构建的贝叶斯网络，计算单元305可以利用Matlab的贝叶斯网络工具包BNT计算最终流失类别的概率，对此不再进行详细说明。

可见，本发明实施例提供的确定客户流失的装置，通过获取运营数据，从所述运营数据中提取流失变量，建立流失变量间的因果关系，根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络，利用所述贝叶斯网络计算客户流失概率，从而可以准确、有效地确定广电客户流失情况。

进一步地，基于上述计算得到的客户流失概率，可以针对那些流失概率较大的客户确定其流失原因，以便运营商采取有针对性的措施来防止其真正流失，具体可参见前面的描述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及设备；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种确定客户流失的方法，其特征在于，包括：

获取运营数据；

从所述运营数据中提取流失变量；

建立所述流失变量间的因果关系；

根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络；

利用所述贝叶斯网络计算客户流失概率。

2.根据权利要求1所述的方法，其特征在于，所述运营数据包括以下任意两项或多项：客户属性数据、客户行为数据、服务过程数据；

所述从所述运营数据中提取流失变量包括：

从所述客户属性数据中提取出以下流失变量：家庭类别、住房条件、人均月收入、每月基本生活开支；

从所述客户行为数据中提取出以下流失变量：基本服务收视频率、基本服务收视时长、基本频道覆盖面、增值频道覆盖面、基本服务消费数额、增值服务使用频率、增值服务使用时长、增值服务消费数额；

从所述服务过程数据中提取出以下流失变量：报修、投诉、客户回访。

3.根据权利要求1所述的方法，其特征在于，所述建立流失变量间的因果关系包括：

根据各个流失变量的语义来建立流失变量间的因果关系。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络包括：

根据所述流失变量间的因果关系生成有向无环图；

根据所述有向无环图以及所述运营数据构建条件概率表。

5.根据权利要求4所述的方法，其特征在于，所述利用所述贝叶斯网络计算客户流失概率包括：

利用贝叶斯网络工具包计算所述客户流失概率。

6.一种确定客户流失的装置，其特征在于，包括：

数据获取单元，用于获取运营数据；

变量提取单元，用于从所述运营数据中提取流失变量；

关系建立单元，用于建立所述流失变量间的因果关系；

网络建立单元，用于根据所述流失变量及所述流失变量间的因果关系建立贝叶斯网络；

计算单元，用于利用所述贝叶斯网络计算客户流失概率。

7.根据权利要求6所述的装置，其特征在于，所述运营数据包括以下任意两项或多项：客户属性数据、客户行为数据、服务过程数据；

所述变量提取单元，具体用于从所述客户属性数据中提取出以下流失变量：家庭类别、住房条件、人均月收入、每月基本生活开支；从所述客户行为数据中提取出以下流失变量：基本服务收视频率、基本服务收视时长、基本频道覆盖面、增值频道覆盖面、基本服务消费数额、增值服务使用频率、增值服务使用时长、增值服务消费数额；从所述服务过程数据中提取出以下流失变量：报修、投诉、客户回访。

8.根据权利要求6所述的装置，其特征在于，

所述关系建立单元，具体用于根据各个流失变量的语义来建立流失变量间的因果关系。

9.根据权利要求6至8任一项所述的装置，其特征在于，所述网络建立单元包括：

有向无环图生成子单元，用于根据所述流失变量间的因果关系生成有向无环图；

条件概率表构建子单元，用于根据所述有向无环图以及所述运营数据构建条件概率表。

10.根据权利要求9所述的装置，其特征在于，

所述计算单元，具体用于利用贝叶斯网络工具包计算所述客户流失概率。

Images