基于生存分析方法移动通信行业顾客流失研究.docVIP

基于生存分析方法移动通信行业顾客流失研究 　　[摘要] 本论文阐述了如何运用生存分析方法，建立一个用以预测移动通信行业高风险流失顾客的模型。并通过实证性研究，验证了模型的有效性。应用模型将顾客群体划分为四个类别，并对其中的高盈利高流失风险顾客群体采取了干预措施试验，对三种干预措施采取了效果和经济性验证，并提出最优化的干预措施。 　　[关键词] 生存分析方法 顾客流失 比例风险回归模型 　　 　　引言 　　 　　美国哈佛商业杂志发表的一项研究报告指出,公司只要降低5%的顾客流失率,就能增加25%～85%的利润。20/80定律表明20%的顾客为企业创造了80%的价值，这20%的顾客被称为高盈利顾客。提高高盈利顾客的忠诚度、将其保留在企业中，似乎是企业经营活动的最佳策略。 　　移动运营商采取品牌划分顾客群体，虽然对不同品牌的顾客采取了分级管理的制度，但是移动运营商也面临着其他行业所遇到的问题： 　　1.面对着大量顾客流失，如何总结流失顾客的特征，在顾客流失之前识别顾客流失趋势； 　　2.识别出有流失倾向的顾客之后，采取何种方式挽留高盈利顾客。 　　本研究就移动通信行业的特点，采用生存分析方法建立一套客户流失预测模型。模型的意义在于能在顾客流失之前识别出顾客的流失意向，对高风险流失客户进行挽留，对移动运营商提高顾客质量、运营收入提出可操作的方法。 　　 　　一、理论引述 　　 　　“生存分析”原本是流行病学术语，用于理解、预测种群的死亡率。20世纪50年代开始,统计学家对工业产品可靠性问题的广泛研究,促使寿命数据分析在理论、方法和应用得到了迅速的发展。在市场营销活动中，顾客关系会经历建立（born）、持续（live）、最终破裂（die）的过程，分别对应生命体的诞生、生命持续、最终死亡过程。在这一框架下，死亡率（mortality）被定义为顾客的流失。比例风险回归模型（proportional hazard regression models）是最常用的一种生存分析技术，由Cox于1972首次提出。没有时间依赖共变量的基本模型可被写作： 　　hi(t)=λ0(t)exp{β1Xi1+β2Xi2+β3Xi3+β4Xi4+β5Xi5+β6Xi6} 　　该模型意味着，对于个体i，在时间t时间事??发生的风险等于如下两个因子的乘积： 　　1.基准风险函数λ0(t)。与多元回归分析的截距β0相似，基准风险函数可被看作是对于共变量都被设定为零的一位被调查者的风险函数。 　　2.共变量线性函数的幂。该模型与普通回归模型的区别在于： 　　(1)该模型能够容纳缺失数据; 　　(2）因变量包含顾客关系的终止以及顾客关系终止前的持续时间两方面的信。 　　 　　二、模型建立 　　 　　为了建立顾客流失风险模型，研究采用了四川移动某地市公司数据中心所提供2004年10月到2005年10月的顾客数据。通过分析顾客人口统计特征、ARPU值等变量，得到具有预测顾客流失风险的变量以及预测强度。模型的建立过程经历了样本选取、数据采集、数据分析和结果检验四个步骤。 　　1.样本选取。模型建立阶段，研究选定的样本为个人顾客，包括个人顾客中的当前顾客与流失顾客。 　　(1)个人顾客与集团顾客。在移动通信行业，个人顾客是指与移动运营商发生零星的、小金额交易的社会公众；集团顾客是指以工商政企为单位的，与移动运营商发生大量的、大金额交易的组织机构。根据集团客户的需求，移动运营商提供了移动通信解决方案，作为方案的使用者的集团员工在本次研究中也被视为集团客户。 　　没有选择集团客户的主要原因是相对于个人顾客，有更多原因影响着商业顾客的去留选择，并且在企业组织内部移动通信产品/方案的使用者通常不是购买决策者。 　　(2)当前顾客与流失顾客。生存分析研究以时刻t1作为事物起始点、时刻t2作为事物结束点对事物发展阶段进行研究。在本次研究中以2004年10月作为时刻t1、2005年10月作为时刻t2划分当前顾客与流失顾客。 　　本研究中当前顾客的定义为：时刻t1入网，时刻t2仍然在网的顾客；对离网顾客的定义为：时刻t1入网，时刻t2离网的顾客。本研究主要依赖于对两组顾客进行比较。研究基于的假设是，与忠诚顾客相比，具有高流失风险的顾客组可能会更年轻、不太富有，等等。 　　同时，有两类顾客的数据被作为缺失数据，它们分别是：在t1前入网、t2仍然在网的顾客数据，被称为左缺失（left-censored）;在t2前离网的顾客数据，被称为右缺失（right-censored）。 　　2.数据采集。确定样本范围之后，数据主要来源于电话访问和移动公司数据中心提供的顾客数据。 　　数据中心提供的顾客数据含有大量的动态信息，如顾客的AUPR值、投诉