数据挖掘案例 客户价值分析.pptx

TeradataTMWarehouseMinerTrainingWorkshop案例-3客户价值分析

专题概要210/8/2019客户价值是衡量一个客户对移动公司的利润或者贡献大小的标准， 也是移动公司对客户进行争取、保持、市场营销活动等的重要依据 之一。客户价值分析专题通过核算客户价值，计算每个客户的当前利润贡 献度和潜在利润贡献度，用于客户挽留和推出新资费方案时的目标 客户群选择客户价值是指单个客户和单个客户群对整个企业收益率的贡献度， 包括两部分：客户当前价值和客户潜在价值，前者通过客户现有价值与客户成本计算得到客户的利润贡献度，它是 分析客户对移动公司贡献价值的一个较为准确的度量；后者主要输入客户的人口统计属性、客户的通话行为、客户的计帐属 性以及客户的扩展属性等变量，通过建立适当的数据挖掘分析模型， 计算客户的潜在价值，再结合现有价值最后得到客户的价值得分。

业务问题定义310/8/2019客户价值评分＝客户当前价值*系数X＋客户潜在价值*系数Y客户当前价值（客户利润贡献度）＝客户现有贡献度－客户成本客户潜在价值（通过分析找出可能影响客户价值变化的关键因素，采用回归模型计算）目标客户范围非特殊客户(公免、测试、员工等)当前状态为在网

数据准备410/8/2019数据准备阶段包括：数据清洗和预处理建立物理数据模型（PDM）数据的抽取转换和加载（ETL）选择与抽样使用物理数据模型作为选取和测试数据的依据，从数据仓库收集全 部的各类数据，更好地了解客户.

物理数据模型设计510/8/2019基表-总表(Allitemstable)客户基本资料客户缴费资料客户投诉资料客户帐单资料客户通话资料根据客户编号和帐务年月进行连接形成总表。派生变量-总表视图在总表的基础上，进一步派生出比率字段形成视图。在此基础上，一方面利用公式计算出客户的当前价值，另一方面用 回归方法计算出客户的潜在价值

数据的抽取、转换与加载610/8/2019尽管数据仓库中已经对原始的业务数据进行了清洗、转换和集成， 仍然需要按照挖掘任务的要求生成挖掘专用的数据集市，并将数据 从数据仓库抽取过来。

选择与抽样710/8/2019选择和价值分析有关的信息组成客户价值分析总表。从总表中各抽取600000作为训练和测试集合，抽样比例约为总样 本的28%左右。

探索型数据分析810/8/2019 采用可视化的工具或统计分析等方法来展示及探索各个变量对客户流失的影响，包括：柱状图频数分析相关分析值分析…

探索型数据分析910/8/2019值分析：通过值分析对数据进行基本的探查，包括空值数目、唯一 值数目、空字符串数目、零值、最大值、最小值的统计，舍弃一些 几乎全部是零值的变量。相关分析：通过相关分析发现并找出与客户6个月帐单平均费用（目标变量）相关性较强的客户属性，选取相关系数大于0.5的变量（显著相关的变量）作为回归客户潜在价值的自变量

建模通过探索型数据分析，把所有数据准备好之后，就可以选用适当的 数据挖掘工具及数据挖掘技术来建立客户价值分析模型。1010/8/2019

客户的当前价值1110/8/2019客户当前价值，即客户利润贡献度是客户价值分析的一个重要的组 成部分，它是指每位客户为移动公司所带来的具体的收益值，它为 科学地、准确地评价和度量客户价值提供重要的参考依据，其计算 方法为：客户利润贡献度＝客户收益－客户成本客户收益在此用其最近6个月的帐单平均值来计算客户成本＝客户招揽成本＋网络成本＋客户关怀成本＋计帐成＋其它成本

客户的潜在价值1210/8/2019首先把客户进行适当的分群，即6个月帐单平均值大于150元的客户定义为高价值客户，低于该值为中低端价值客户，根据2－8原则，该部分客户则为回归时的目标客户群对目标客户群使用回归算法建立预测模型，抽取600000条记录作 为训练数据集采用所得回归模型计算每位客户的潜在价值

客户价值评分1310/8/2019合并客户的当前贡献度和潜在价值，得到最终的客户价值评分：客户价值评分＝(QUANTILE(1000,近6个月帐单平均贡献值)+1)*0.8? +(QUANTILE(1000,客户潜在价值)+1)*0.2通过上面的计算即可得到每位客户的价值评分在1－1000之间

模型评估1410/8/2019 对客户价值分析模型在2003年5月的评分结果进行评估，进行客户价值评分与以下客户特征交叉对比：客户价值评分与客户收入客户利润贡献度客户近两个月收入变动情况并分析客户价值评分中与客户收入，客户利润贡献度，客户收入变 动不符合的情况进而分析这些客户的特征。

客户价值评分和收入的对照1510/8/2019