基于数据挖掘关于通信行业客户研究.docVIP

基于数据挖掘关于通信行业客户研究 　　【摘要】简单的客户流失预测并不能减少客户的流失，要降低客户流失率，关键在于对流失客户的挽留。本文基于数据挖掘技术，建立了客户流失预测模型和挽留策略制定模型，针对不同流失客户提出相对应的挽留建议。期望对通信行业的客户挽留问题有实用价值。 　　【关键词】CART K-means；客户流失预测；客户挽留；挽留策略 　　1.引言 　　随着电信公司的发展，国内通信运营商正面对着一个全新的、激烈的市场竞争环境。然而竞争加剧将导致利润下降，这将迫使国内各通信运营商不得不考虑寻求新的盈利模式，以及如何提升自身的核心竞争力。运营商需要意识到，客户才是企业生存和发展的根基，而保有客户、吸引客户和充分发掘客户的盈收潜力是企业提高核心竞争力的关键。因而如何通过提高客户的满意度及忠诚度，提升客户价值来扩大自身的收入及利润等问题，成???各通信运营商关注的焦点问题。 　　2.研究意义 　　现阶段通信运营企业作为通信电信业务的服务商有其独特的市场特性和客户特性。首先，通信企业的客户具有多元性，从党政机关、经济组织和社会团体，直到居民个人都是其客户；其次，通信客户需求具有多元性，从团体到个人，从城市到农村，从“金领”、“白领”到低收入家庭对电信服务有各种层次的需求；最后，通信服务产品之间的替代性较强，市场竞争性较强，客户使用通信服务的随机性也较强。这就决定了通信企业的80%的利润来自占客户总量20%的企业客户；客户加入时间越长，对通信公司的价值越高；老客户介绍新客户是最有效、最经济的销售方式；了解客户对通信业务服务的需求才能推出满足客户需求的打包服务，提高客户的忠诚度并留住客户；目标客户的类别划分越明确，促销效果越好，转换率越高。 　　现阶段对于客户流失的研究，大多集中在客户流失预测上。但是，简单的客户流失预测并不能减少客户的流失，要降低客户的流失率，关键就需要提高客户的挽留率，因而就需要预测哪些客户会流失；其次，针对不同客户的流失特征制定相对应的挽留策略。因而本文采用CART决策树和K-means聚类的数据挖掘方法对通信客户的流失特征以及针对不同客户群进行研究，并制定客户挽留策略。 　　3.通信行业客户流失预测模型 　　本文选定来自网络的某通信企业的数据，运用Clementine对数据进行预处理，选取样本数据的2/3作为训练集，用来建立预测模型；剩下的1/3作为检验集，检验预测模型的预测效果。客户属性表包含居住地、年龄、婚姻状况、收入、教育、性别、家庭人数、开通时间、无线服务、基本服务、免费服务、无线费用、电子支付、套餐类型。 　　将是否流失作为模型的目标字段，在Clementine上运行CART决策树，得出关于客户流失决策树 　　从得出的结果可以看出开通月数、套餐类型、无线费用对客户的是否流失起到重要作用。为实现客户流失的控制，应首先关注新客户。由于老客户的入网时间较长，对企业的忠诚度较高，有86.4%的把握不流失。对于拥有附加套餐的客户，有77.1%的把握留下来，可能是由于通信运营商提供了其他运营商无法提供的个性化服务。但申请其他套餐的客户就没有较好的保持性，企业更应关注其服务的多样性以及各套餐的个性化。同时，基本费用过高以及无线费用的过高也将导致客户的流失，基本费用过高对于短期用户是相对较大的支出让客户难以接受，而过高的无线费用可能是过低的无线服务不能满足高利用率的客户需求。借助Clementine中的Analysis节点对上述模型进行评估。用正确率指标评价预测的正确性。表格显示了该CART模型的检验结果。由表可知该模型的正确率为72.86%，具有较好的预测准确性。 　　4.挽留客户策略分析 　　挽留策略制定根据流失客户的不同特征，来制定适当的挽留策略。首先运用K-means聚类技术对客户进行不同的聚类，将样本数据中的用户划分类别，对具有相似特征的用户进行归类分析，分析每一类对客户流失的重要影响属性再根据不同聚类的分析，制定合适的客户挽留策略。根据客户流失预测模型分析出与客户流失关联度较大的指标有开通月数、套餐类型、无线费用、年龄、收入、免费部分、基本费用7个指标。这7个指标作为K-means聚类方法的输入，将流失用户分为4类。聚类1：客户在4个聚类中开通月数最少，收入最低，只使用最基础的套餐业务，具有较高的流失风险，该客户共258人。聚类2：客户开通时间有一定时间，收入最高，同时无线费用很高，具有选择余地，具有一定的流失风险，该客户共216人。聚类3：客户开通的时间在4个聚类中最长，基本费用过多，免费部分较少存在着可能的流失率，该客户共205人。聚类4：客户开通时间较长，采用附加套餐，流失的可能性比较低。该客户共255人。 　　对聚类的结果，分别分析这4类客户的特征，从中找出对挽留客户有价值的信息，给出适当