全球通中高端用户价值降低预警_佛山_模型分析报告

佛山市全球通中高端用户价值降低预警模型分析报告 主要内容 背景介绍 分析目标 模型定义 数据分析与探索 模型构建 模型评估 背景 2008年底，运营商重组基本完成，随着全业务运营时代的来临，移动市场上客户争夺越演越烈，尤其是中高端客户市场硝烟四起，战火纷飞。 为了赢得这场战争，集团公司把中高端客户保有作为 09年的战略目标之一，为各省公司下达了相应的中高端保有任务，而省公司也对市公司下发锁定中高端考核指标。 分析目标 利用客户近期通信行为，建立中高端客户的价值流失预警模型，预测集团公司下发的客户以及最新的中高段客户的价值下降的情况，使中高端客户保有更有针对性，更有效地支撑客户挽留活动，实现集团公司中高端客户保有的目标。 模型定义 分析用户群： 集团公司下发的拍照用户中的全球通用户： 08底在网且 10、 11、 12月三个月累计 ARPU不低于 360元，且客户年底状态正常且 12月是通话的二类地市全球通客户。 模型目标： 预测哪些客户的 ARPU将会低于 50元。 时间窗口： 分析窗口 预测窗口 预测点 M M-1 M-2 M-3 M-4 M-5 M+1 M+2 请下载观看 ! 主要内容 背景介绍 分析目标 模型定义 数据分析与探索 模型构建 模型评估 总结 数据分析与探索 我们采用了拍照用户中的 193009个用户在 2008年 8、 9、 10月的数据，利用直方图进行分析各个变量与流失的关系比较 184033,95%8976, 5%ARPU大于 等于50ARPU小于 50数据分析与探索：网内号码情况 客户网内的号码数越多越稳定 ，不易流失。 网内号码占比过高或者过低的人群，流失率都偏大。当此比值是 0.4到 0.8时流失率最小。 H i s t o g r a m 010000200003000040000500006000070000800001 2 3 4 500 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率网内号码数 H i s t o g r a m 0500010000150002000025000300001 2 3 4 5 6 7 8 9 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率网内号码占比 H i s t o g r a m 01000020000300004000050000600007000080000900001000001 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率数据分析与探索 :家庭、集团用户 H i s t o g r a m 0200004000060000800001000001200001 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率H i s t o g r a m 01000020000300004000050000600007000080000900001000001 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率是否家庭产品用户 是否集团产品用户 集团产品用户占 80%，流失率较低； 家庭产品用户占 12%，流失率较高； 用户等级高占 83%，流失率较高，普通用户流失率较低 客户等级 H i s t o g r a m 01000020000300004000050000600007000080000900001 2 300 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率H i s t o g r a m 0100002000030000400005000060000700001 2 300 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率数据分析与探索 :最近新业务情况 用户新业务使用数增加带来的价值增长比较稳定，不易流失 用户新业务使费用用增加带来的价值增长比较稳定，不易流失 用户新业务使用费用占比增加带来的价值增长不稳定，容易流失 H i s t o g r a m 0500010000150002000025000300003500040000450001 2 3 4 5 6 7 8 9 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率最近新业务使用数 新业务费用占比 新业务费用 (最近一月 ) H i s t o g r a m 01000020000300004000050000600007000080000900001000001 2 3 4 5 6 700 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率数据分析与探索 :用户 ARPU情况 平均 ARPU 用户平均 ARPU高带来的价值增长比较稳定，不易流失。 用户当前 ARPU高带来的价值增长比较稳定，不易流失。 。 H i s t o g r a m 01000020000300004000050000600007000080000900001000001 2 3 4 5 600 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率当前 ARPU 数据分析与探索 :用户 ARPU情况 H i s t o g r a m 01000020000300004000050000600007000080000900001000001 2 3 4 500 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率警戒 ARPU H i s t o g r a m 0200004000060000800001000001200001 200 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率ARPU波动 用户警戒 ARPU高比较稳定，不易流失。 ARPU波动大的流失率较高。 H i s t o g r a m 01000020000300004000050000600007000080000900001 2 3 4 5 6 7 8 9 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率数据分析与探索 :月固定费 月固定费 用户月固定费增加带来的价值增长比较稳定，不易流失。 请下载观看 ! 数据分析与探索：变量筛选 通过以下方法来筛选模型的输入变量： 值分析：去掉取值不正常的变量 直方图：选取和流失相关、区分度大的变量 相关分析：从相关性大的变量中选取区分度较大的 201782, 95%9518, 5%ARPU大于 等于50ARPU小于 50数据分析与探索：变量筛选 利用直方图，我们可以直观的看到该变量和流失的关系，对于和流失的关系比较复杂的变量，我们将其排除在模型输入变量之外，或者生成新的变量。 H i s t o g r a m 0500010000150002000025000300003500040000450001 2 3 4 5 6 7 8 9 1000 . 0 20 . 0 40 . 0 60 . 0 80 . 10 . 1 20 . 1 40 . 1 60 . 1 80 . 2arpu = 50 流失率 整体流失率最近新业务使用数 主要内容 背景介绍 分析目标 模型定义 数据分析与探索 模型构建 模型评估 模型构建：建模工具 该业务问题是一个二元预测问题，并且从数据探索的结果来看，与之相关的数据大都是数值型的数据，因而适合用 逻辑回归 的方法来建模。 Teradata Warehouse Miner能够方便的建立逻辑回归模型，并且能够很好的配合 Teradata数据库进行大量数据的计算，是建模工具一个较好选择。 请下载观看 ! 模型构建：建模流程 模型输入变量 抽样 训练集 用 TWM建模 测试集 LG模型 对测试集打分 我们将 2008年 8、 9、 10的数据按照 6： 4的比例分成训练集（115805个用户）和测试集（77204个用户）来构建、评估模型。 模型结果 yyeep1通过用训练集来建模，我们得到用户在下下个月 arpu低于 50元的概率为 ： 其中 Y=常数 +变量 1*系数 1+变量 2*系数 2+变量 3*系数 3 +。 变量名称 系数 标准化系数 常数 -2.7654 N/A 网内号码数 -0.0193 -0.3586 警戒 ARPU -0.042 -2.2721 平均 ARPU 0.029 1.8927 最近一月对手主叫次数 -0.0128 -0.6196 当前 ARPU -0.0061 -0.4183 最近新业务使用数 -0.2099 -0.2276 客户等级 0.6831 0.1417 ARPU 波动 -0.013 -0.363 在网时长 -0.0001 -0.0685 月固定费 -0.0002 -0.2225 网内号码占比 0.6178 0.0504 新业务使用数趋势 0.1701 0.0659 是否家庭产品用户 0.2629 0.047 是否飞信 0.1491 0.0332 是否集团产品用户 0.1261 0.0276 月均省外长途费用 -0.0076 -0.0639 省外漫游费用趋势 0.0051 0.0321 月均 WLAN费用 6.2483 0.0178 新业务费用占比 1.5705 0.1173 新业务费用 (最近一月 ) -0.0123 -0.1881 最近一月是否对手客服接触 1.4235 0.0164 最近省外长途费用 0.0047 0.0473 请下载观看 ! 模型结果分析 变量名称 系数 标准化系数 意义解释 常数 -2.7654 N/A 警戒 ARPU -0.042 -2.2721 警戒 ARPU高，最近 ARPU增加， ARPU 波动增加，月固定费高的用户流失风险小 当前 ARPU -0.0061 -0.4183 ARPU 波动 -0.013 -0.363月固定费 -0.0002 -0.2225 最近一月对手主叫次数 -0.0128 -0.6196 最近一月对手主叫次数多的用户流失风险小 网内号码数 -0.0193 -0.3586 网内号码数多的流失风险小 新业务费用 (最近一月 ) -0.0123 -0.1881 新业务使用数，费用多的用户流失风险小 最近新业务使用数 -0.2099 -0.2276在网时长 -0.0001 -0.0685 在网时长长的用户比较稳定，流失风险小 月均省外长途费用 -0.0076 -0.0639 省外长途费用高流失风险小 是否集团产品用户 0.1261 0.0276 集团用户流失风险大 是否飞信 0.1491 0.0332 飞信用户流失风险大 网内号码占比 0.6178 0.0504 网内号码占比高的流失风险大 平均 ARPU 0.029 1.8927 平均 ARPU高的流失风险大 客户等级 0.6831 0.1417 用户等级高流失风险大 新业务费用占比 1.5705 0.1173 新业务使用趋势增加，新业务费用占比高的流失风险大 新业务使用数趋势 0.1701 0.0659是否家庭产品用户 0.2629 0.047 家庭网用户流失风险大 月均 WLAN费用 6.2483 0.0178 月均 WLAN费用高流失风险大 最近一月是否对手客服接触 1.4235 0.0164 有与对手客服接触的流失风险大 最近省外长途费用 0.0047 0.0473 最近省外漫游长途费用高，趋势增加的流失风险大 省外漫游费用趋势 0.0051 0.0321主要内容 背景介绍 分析目标 模型定义 数据质量分析 数据探索 模型构建 模型评估 模型评估 我们使用命中率（ Response %）、提升率（ Lift）、覆盖率（ Capture Respones%）来对模型进行评估： 命中率 =提取的客户中流失的数目 /提取的人数 提升率 =命中率 /总体的流失率 覆盖率 =提取的客户中流失的数目 /总体的流失的人数 请下载观看 ! 模型评估 测试集评估结果： 前 3%（约 0.23万用