KPI预测-试点(收入及新用户).pptVIP

KPI预测模型（收入与新增用户） KPI预测模型（市公司试点） 对收入、净增市场占有率、新业务收入、个人中高端客户保有率、全球通目标市场占有率等进行实时预测 及时掌握市场和业务发展趋势 对可能存在不良状况进行预警，及时发现原因以采取适当补救措施 分析内容 利用最新的数据，预测未来的KPI指标值，以及全月的累计值： 话费与固定费收入 新业务收入 新增市场占有率 中高端保有率 全球通中高端占有率 分析过程 数据探索 通过图表，寻找收入数列的增长规律 建立预测模型 利用所知的规律，设计模型 模型性能评估 收入指标与预测方式 本次预测的“收入指标”包括 话费：语音通话费用 固定费：包括基本月租与新功能费 新业务收入：短信、彩信、彩铃等其它费用 预测方式 取BI网站上公布的每日话费、固定费和总收入，作为历史数据来训练模型 话费、固定费和总收入分别用相应历史数据来预测 新业务费＝总收入－话费－固定费 数据探索 通过各种图表来寻找数据序列中的规则，以助于建模 统计各项收入的总体数据表 观察各个指标的日序列线，寻找其中规律 观察各个指标的月增长线，寻找增长规律 数据探索 －日收入的总体情况 （样本为3－5月） 数据探索 － 全球通日话费 数据探索 － 全球通日话费 数据探索 －全球通每月话费累计增长线 数据探索 － 智能网日话费 数据探索 － 智能网日话费 数据探索 － 各品牌每月话费累计增长线 数据探索 － 动感地带固定费 数据探索 － 各品牌每日新业务收入 数据探索 － 各品牌每日累计总收入 数据探索结论及建模目标 在建模时，将考虑到数据的以下特点： 话费与总收入近似线性增长 日话费收入具有周期性，全球通还有以月为周期的季节性 日租具有月周期性 既要考虑往月的趋势，更要反映本月的特点 对日收入预测和全月累计预测分别建模 建模方法 时序预测的建模方法 季节性分解 将序列按周期中的不同阶段拆成不同的序列 ARIMA时序预测模型 AR（自回归） － 用近期的收入值辅助预测 MA（移动平均） － 用近期的冲击值辅助预测 在TWM中的线性回归模块来实现 建模时的输入数据 构造宽表，包括各种变量 目标变量：当天的收入值 季节性变量 星期标识 扣费日标识 滞后变量 例：前一天的收入值，前一周同期的收入值 移动平均量 前一周的平均量 不同的品牌和指标选择不同的变量 平衡准确度与泛化能力，只选作用大的变量 模型训练与调优 模型训练 用3－5月的共92天的数据作为样本 构造合适的变量 不同品牌构建不同的数据集，分别建模 模型调优 分析准确度 对比拟合所得序列与实际序列 残差分析 通过更改变量选择方案来调节模型性能 建模结果 － 每日话费准确度 每天话费预测： 建模结果 － 拟合效果 （全球通话费） 建模结果 － 拟合效果 （智能网话费） 建模结果 － 残差（＝实际－预测） 通过图表分析残差，残差序列已接近随机噪声 近似正态分布(均值为0) 无自相关 建模结果 －日租准确度(固定费) 每天日租预测： 建模结果 － 拟合效果 （日租） 建模结果 － 每日总收入准确度 每天总收入预测： 建模结果 － 每月累计话费预测 全月话费累计： 建模结果 － 每月累计固定费预测 月固定费 建模结果 － 每月累计新业务收入预测 全月新业务收入累计： 建模结果 － 每月累计总收入预测 全月总收入累计： 指标与预测方式 “新增市场占有率”即移动公司新增客户占东莞整体移动新增客户的比例 预测方式 统计各品牌每天的新增数作为历史数据 先预测各运营商的每天和当月新增用户数 再计算新增市场占有率 数据探索 – 移动日新增用户数 移动用户日新增数 数据探索 – 智能网日新增用户数 将智能网的新增数序列按星期分解 星期三至五的新增明显多于其它时间 数据探索 – 竞争对手日新增用户数 联通、小灵通用户日新增 每日新增用户总体统计 （2－4月） 相关性分析 － 发现有助预测的关系 自相关分析 普遍有滞后1天的自相关 智能网有滞后1周的自相关，即有一定周期性 建模结果 － 日新增客户数准确度 单个品牌由于影响因素多，无法有效预测，只预测移动新增数与市场总体新增数 日新增预测准度： 建模结果 － 拟合效果（新增用户数） 每天新增用户数的实际值与预测值对比： 建模结果 － 拟合效果（市场占有率） 单天市场占有率的实际值与预测值对比： 建模结果 －全月新增市场占有率 所预测的“全月新增市场占有率”的误差随时间的变化曲线。可见随着数据增加，全月新增市场占有率误差逐渐减小。约1周后误差降到1个百分点之内。 还可以加一些变量，使预测更准确。但一方面要考虑到变量越多，结果越不稳定（过拟合）。视移动对准度的要求，看是否再加变量 同时也给了大众卡的线，供对照 交叉相关分析