商业背景

        随电信市场竞争的发展，客户选择电信产品及电信企业的余地越来越大，电信企业之间对客户的争夺也越来越激烈。面对日益激烈的市场竞争环境，电信企业的传统的、被动式服务体系已无法满足客户需要，应对对手挑战。同时，传统的网络、技术等优势难以在电信企业之间拉开差距，无法形成差异化的竞争优势。因此，为了在新的市场形势下能够培育和创造出新的差异化竞争优势，电信企业应以客户为中心，深入的了解客户，引导客户，留住客户。根据调查机构的数据显示，“用户保持率”增加5%，就有望为运营商带来85%的利润增长，由此可见用户流失对业绩的影响之大。通常，电信企业客户流失有三种表现形式，即公司内客户转移、客户被动流失、客户主动流失。

1. 公司内客户转移在电信企业表现为客户转移至本电信公司的不同网络或不同业务。例如，电信企业增加新业务，或者资费调整引发的业务转移，例如从普通的固定电话转至IP电话。这种情况下，虽然就某个业务单独统计来看存在客户流失，但对公司整体而言客户没有流失。当然公司内客户转移也会影响公司的收入。

2. 客户被动流失表现为电信运营商由于客户欺诈或恶意欠费等行为而主动终止客户使用网络和业务。这是由于电信运营商在客户开发的过程中忽视了客户质量造成的。

3. 客户主动流失分为两种情况，一种是客户不再使用任何一家电信运营商的电信业务，另一种是客户选择了另一家运营商，即所谓的“客户跳网”。这一种情况的原因则是客户认为公司不能提供他所期待的价值，即公司为客户提供的客户让渡价值低于另一家电信运营商。这可能是客户对电信公司的业务和服务不满意，也可能是由于客户发现其他公司价格更便宜，还有可能是客户仅仅想尝试一下别家公司提供而本公司未提供的新业务。这种客户流失形式往往是研究的主要内容。

客户的问题

研究电信客户流失的时候我们会考虑以下的一些问题：

现有的客户哪些客户即将流失？

现有客户他们的流失概率如何？

哪些因素造成了客户的流失？

客户流失对客户自身会造成什么影响？

客户流失对电信公司的影响如何？

不同类别之间客户的流失情况有什么差别？

如果某个客户将要流失，他会在多长时间内流失？

玖数软件解决方案

                                    ——客户流失分析案例

      以上的问题都可以由玖数软件设计合适的数据挖掘解决方案来解决。研究哪些客户即将流失时，将其定位为一个分类问题，即将现有客户分为流失和不流失两类。选择适量的历史上流失客户和未流失客户的属性数据组成训练数据集，利用神经网络、决策树、logistic回归等分类建立客户流失的分类模型。

        分析流失用户的特征时可以有很多方法，用关联分析的方法可以将选择合适的数据集，将是否流失作为目标变量，其他的客户属性作为输入变量使用APRIORI或GRI模型分析，可以分析哪些属性是影响流失的重要因素。另外也可以用决策树模型得出客户流失的规则集或决策树。决策树既具有分类预测的功能，它的可解释性很强，很适合特征描述。

        分析客户流失对客户自身的影响时，主要可以考虑客户的流失成本和客户流失的受益分析。客户流失成本可以考虑流失带来的人际关系损失等因素，通过归纳客户的通话特征来表征。减少客户流失的一个手段就是增加客户的流失成本。客户流失的受益分析就是判断客户流失的动机，是价格因素还是为了追求更好的服务等。这方面内容丰富，需作具体分析。

        分析客户流失对电信公司的影响时，不仅要着眼与对收入的影响，而且要考虑其他方面的影响。单个的客户流失对电信公司的影响可能是微不足道的，此时需要研究流失客户群对电信公司收入或业务的影响。这时候可能需要对流失客户进行聚类分析和关联分析，归纳客户流失的原因，有针对性的制定防止客户流失的措施。

        在研究不同类别之间客户的流失情况时候，我们首先需要作的就是对现有客户的细分。客户细分的方法有很多，常用的有根据业务知识划分、聚类分析。客户细分后使用统计分析、关联分析、决策树分析等手段来研究不同类别间客户的流失情况。找出需要特别关注的流失群体，采取必要的挽留措施。

        在预测客户流失时一个很重要的问题是流失的时间问题，即一个客户即将要流失，那么它可能什么时候会流失。被预测为流失的用户如果很快就流失了，没有补救的余地，这样的预测即使很准确也没有多大意义。根据经验，预测某个客户在距今多长时间流失是不现实的。对这个问题需要在数据挖掘的各个环节多下功夫，特别是业务的理解和数据准备阶段，通过变通的方法来处理。

         总之在利用数据挖掘研究客户流失问题时，需要明确并深入理解你的目标，在这个目标的基础上准备你的数据、建模。

1．商业理解

预测现有用户中哪些客户即将流失。

2．数据理解

选取一定数量的客户（包括流失的和未流失的），选择客户属性，包括客户资料、通话行为特征、消费属性、客服信息利用直方图、分布图来初步确定哪些因素可能影响客户流失。

3．数据准备

根据数据理解的结果准备建模用的数据，包括数据选择、新属性的派生，数据合并等。

4．建立模型和评估

将准备的数据划分为训练集和检验集，利用C5.0、神经网络、logistic回归模型建立客户流失预测模型。对检验集应用该模型，并根据预测结果的准确性评价模型。

5．模型部署

将已经建立并通过评估的模型部署到数据挖掘应用服务器上，满足企业日常运作的需要。