附件3-广东工业大学.PPTVIP

协同计算与知识工程 协同计算与知识工程 数据挖掘 滕少华 广东工业大学 协同计算与知识工程 案例三：客户细分与流失分析 概述 本案例主要使用两类模型进行挖掘：聚类和分类预测模型。就针对客户流失这个问题来说，聚类有利于分析客户特征，让经营决策者可以根据流失客户的特征制定具有针对性的市场策略来减少客户的流失；而分类预测模型通过数据挖掘获得的知识，更主要地是对每个客户的消费行为进行评估，对客户的流失行为进行预测。结合聚类和分类模型的结果判定流失客户的类别及价值。从这些知识的用途来说，聚类模型建立的是战略方面的知识，分类预测模型建立的是战术层面的知识。 数据准备-1 样本选择和数据描述 以某地区电信行业的客户业务数据作为实验数据。该样本数据集中总共包含了176 921条(正常客户记录156 885条+流失客户记录20 036条)记录，每条记录由18个客户基本特征和108个客户行为特征（9种业务，12个月共108个）以及一个类别特征来刻画。 样本数据集中主要包含三类特征数据： 客户基本特征：主要客户资料数据 客户基本特征数据是客户的静态数据(如表7-7)，相对来说是比较稳定的，但由于这些数据在收集时会包含大量的缺失值、不一致的值甚至是错误的数据。所以需要进行大量的数据转换和清理工作。 编号 字段 类型 编号 字段 类型 1 服务编号 Char 10 产品 Varchar 2 行业大类ID Char 11 竣工时间 Date 3 行业小类ID Char 12 拆机类型 Varchar 4 电话号码 Varchar 13 通话级别 Varchar 5 客户编号 Char 14 状态 Varchar 6 用户类型 Varchar 15 套餐名称 Varchar 7 客户类别 Varchar 16 套餐生效时间 Date 8 行业大类 Varchar 17 套餐失效时间 Date 9 行业小类 Varchar 18 套餐竣工时间 Date 数据准备-2 表7-7 客户基本特征表 数据准备-3 客户行为特征：主要是客户的消费行为特征数据 每条记录包含了客户在一个年度内的消费行为数据，共有9个基本消费行为特征。详细内容见表7-8。 字段名 字段含义 字段类型 Total_fee 月总费用 Decimal FEE1 月租费 Decimal Local_fee 本地通话费用 Decimal CK_D_fee 传统国内通话费用 Decimal CK_I_fee 传统国际通话费用 Decimal CK_GOT_fee 传统港澳台通话费用 Decimal IP_ CK_D_fee IP国内通话费用 Decimal IP_CK_I_fee IP国际通话费用 Decimal IP_CK_GOT_fee IP港澳台通话费用 Decimal 表7-8 客户消费行为特征表(单个月份) 数据准备-5 客户类别特征 实验样本数据集中包含一个能够判定类别信息的类别特征，根据类别信息可知道每个样本的基本状态(如表7-9)。 字段名 字段含义 字段类型 Class 客户是否流失 Char 表7-9 客户类别特征 数据预处理-1 数据清洗 在客户样本数据集中有些客户的套餐名称、套餐生效时间等数据为空。在处理含有缺失值的特征时，如果有些特征的有效值少于总记录数据的1/5，则可删除此类特征；如果某记录中存在大量的空缺值，而这些空缺值难以以正常方法给予补全，则可以去除此类记录。 数据变换 数据转换主要包括构造新的衍生特征和对连续型数据进行规范化。在实验数据集中没有直接体现客户价值和客户流失倾向的特征。根据需要可以构造以下特征： 年度总费用：为一年内12个月的费用总和，表示为Year_total_fee。 月消费比率：指下一个月与上一个月的总费用比值。根据这一原理可构造11个月消费比率特征。用符号可表示为： ratei=total_feei+1/total_feei(1≤i≤11) 根据客户在一个年度内的消费情况可构造未消费月份数Non-fee，此特征可反映样本客户消费情况及流失情况。由于在原始数据中存在有些记录有连续11或12个月都没消费的，在本案例中将删除这些记录。 数据预处理-2 同时为了体现不同类别客户群体之间的消费差别，我们还需要构造8个不同的消费行为特征，其计算方法比较简单，就是将12个月份的相关费用进行累加。 聚类算法中要求对各连续型数据进行规范化，使得各连续数据的取值范围在[0,1]之内。在该值域范围内各数据的规范化使用最大最小值规范化方面，其表达式可表示为： 数据预处理-3 数据预处理-4 特征选择 特征选择的效果会直接影响到分类预测模型的性能。通过特征选择可以减少样本的维度，降低时间和空间复杂度，简化学习模型。例如该样本数据集中电话号码和客户