中高端保有(卡类流失到50元以下)_模型分析报告.pptVIP

主要内容 背景介绍 分析目标 模型定义 数据分析与探索 模型构建 模型评估 背景 分析目标 模型定义 主要内容 背景介绍 分析目标 模型定义 数据分析与探索 模型构建 模型评估 总结 数据分析与探索 目标： 通过对数据质量的检查、各个变量关系的探索，选取进入逐步逻辑回归模型的变量 对象： 用户：944029个卡类拍照用户 数据：本地、长途、漫游通话，交往圈，ARPU等 方法： 值分析：对数据质量进行检查，处理缺失值 直方图分析：直观的看到该变量和流失的关系。 相关性分析：对于相关性比较大的变量，只选取其中一个进入模型。 数据分析与探索：直方图分析 数据分析与探索:国内漫游 左图：有国内漫游被叫的人群流失率较高，其中被叫次数多的流失率又偏小 右图：由国内漫游带来的价值增长不太稳定，容易流失 数据分析与探索:国内与省内漫游 从上面两图比较，省内漫游和国内漫游的情况有较大区别： 国内漫游的流失偏高 大部分用户省内漫游的流失偏低 数据分析与探索:国内与省内长途 数据分析与探索:网内通话占比 数据分析与探索：变量筛选 数据分析与探索：ARPU波动 在当本月ARPU波动较大的人群中，流失率较大 在模型构建时，我们有可以利用这一性质，生成新的变量，标识该用户的ARPU是否在本月波动较大 主要内容 背景介绍 分析目标 模型定义 数据分析与探索 模型构建 模型评估 模型构建：建模工具 模型构建：建模流程 模型结果 模型结果分析 主要内容 背景介绍 分析目标 模型定义 数据质量分析 数据探索 模型构建 模型评估 模型评估 模型评估 模型部署 卡类中高端用户价值降低预警模型分析报告 2008年底，运营商重组基本完成，随着全业务运营时代的来临，移动市场上客户争夺越演越烈，尤其是中高端客户市场硝烟四起，战火纷飞。 为了赢得这场战争，集团公司把中高端客户保有作为09年的战略目标之一，为各省公司下达了相应的中高端保有任务，而省公司也对市公司下发锁定中高端考核指标。 利用客户近期通信行为，建立中高端客户的价值流失预警模型，预测集团公司下发的客户以及最新的中高段客户的价值下降的情况，使中高端客户保有更有针对性，更有效地支撑客户挽留活动，实现集团公司中高端客户保有的目标。 分析用户群： 集团公司下发的拍照用户中的卡类用户：08底在网且10、11、12月三个月累计ARPU不低于360元，且客户年底状态正常且12月是通话的卡类客户。 中高端客户：最近三个月账单总金额不小于360元的卡类用户 模型目标： 预测哪些客户的在预测窗口的ARPU将会低于50元，将此类用户定义为流失用户。 时间窗口： 分析窗口 预测窗口 预测点 M M-1 M-2 M-3 M-4 M-5 M+1 M+2 构建模型时的时间窗口： 分析窗口：2008年10月至12月，选择拍照用户此窗口内的通信行为进行分析 预测窗口：2009年2月，用此窗口内的ARPU来打流失标签 80568人在2009年2月ARPU降到50以下，约占8.5% ARPU50 ARPU=50 用户数 流失率 本地下午主叫次数 通过直方图，我们可以直观的看到该变量和流失的关系。 我们按照等频分箱的方法，将用户分成10个箱，计算每个分箱内的流失率。 如右图所示，是按照网内主叫号码数将用户分成10个箱（尽可能使得每个箱里面的用户数相等）。 红柱子是该分箱内2009年2月ARPU小于50元的用户(即流失的用户），紫柱子是该分箱内2009年2月ARPU大于等于50元的用户。 黄线是各个分箱的流失比率。蓝线是全体用户中的流失率。 观察第十个分箱的网内主叫号码数区间，可以发现此区间内包含比较异常的数据，而等频分箱的方法可以降低这类数据对分析的影响。 生成该直方图的数据 按照外内主叫号码数的多少将用户分成10个箱 用户数 流失率 网内主叫号码数 本月国内漫游网内主叫次数 本月国内漫游网内主叫次数与最近三个月平均值的比值 本月国内漫游网内主叫次数 本月省内内漫游网内被叫次数 比较上面两图，国内长途和省内长途的区别： 在有国内长途的人群中，呼叫多的流失风险偏高 省内长途呼叫多的流失少 最近三个月国内长途主叫时长的平均值 有国内长途的人群 最近三个月省内长途主叫时长的平均值 网内通话占比过高或者过低的人群，流失率都偏大。 当此比值是0.63到0.68时流失率最小 最近两个月网内通话占比的平均值 直方图分析的结果还可以用于变量筛选：如果流失率曲线与变量的关系比较复杂，我们可以简单的将其排除在模型输入变量之外，或者利用分箱结果，生成一些标志变量。 本月被叫联通gsm号码数与最近三个月平均值的比值 本月ARPU与最近三个月平均值的比值 2.1793 =本月AR