移动通讯客户流失预警及挽留模型的构建与应用

■移动通讯行业客户流失预警及挽留模型构建与应用2009-12-4［摘要］文章以移动通信业为例，讨论企业如何分析客户的基本数据、交易数据和行为模式，建立客户流失预测模型，并在此基础上进行初步的流失原因分析和流失趋势预测，给出有效控制客户流失的建议。［关键词］数据挖掘，客户流失预警，客户挽留CRM在渐趋成熟的竞争性市场环境下，理解客户行为并做出有效反应是企业生存和发展的根本保障。客户流失是高度竞争产业中的一个普遍现象，也是束缚企业发展的瓶颈问题。迄今为止，大部分企业解决客户流失问题的主要手段还停留在经验识别的水平上；而学术界对客户流失问题的研究则主要集中在流失种类、原因和后果的定性识别上，这些研究结果和商业问题的耦合相对松散，难以在管理实践中加以应用。数据挖掘技术的出现，有效地解决了上述问题。但现有的少数利用数据挖掘工具对客户流失数据建模的尝试，大多过分注重对算法与技术的研究，而忽视了对商业问题解决的重视。而且，这些研究并未将对客户流失研究的成果深入到客户保留领域，使得作为客户流失研究最终目的的客户保留和客户价值提升工作缺乏系统的可操作的管理体系。1理解客户流失与客户保留客户流失问题是客户关系管理CRM中客户忠诚度研究的重要内容之一。早在1984年，有研究就发现获取一个新客户的成本比维持一个现有客户的成本高五倍。因此，企业应充分重视两类客户：一类是“竞争性的客户”，即那些虽然现在将本企业视为“首选”，但却认为其它某些供应商与本企业是非常类似的客户；其次是“可转变的客户”，即那些认为本企业与这些客户的首选供应商是非常类似的客户。对这两类客户应采取不同的营销手段以有效防止潜在流失，达到良好的销售效果。对客户忠诚度的研究主要集中于客户与厂商建立并保持关系意愿上。同时，一些学者认为，应对那些尽管仍然保持忠诚，却比其他人有更高的离开关系意愿和更少的保持关系意愿的客户给予特别关注。客户流失和客户保留是一组对企业经营效益有着显著影响的概念。国外研究发现客户流失对公司的利润有着惊人的影响，远远超过公司规模、市场份额、单位成本和其它许多通常被认为与竞争优势有关的因素。因此“客户保留”应运而生，成为学术界和企业界均极为关注的问题。通过实施客户保留，客户流失率小小的降低就能导致利润可观的改善。有关方面对美国9个行业进行调查的数据表明，客户流失率降低5%,行业平均利润增加幅度在25%〜85%之间。在各行业,客户保留已成为公司成功至关重要的目标。2客户为什么会流失客户流失主要是基于以下原因：产品质量与价格产品的质量与价格是导致客户流失的主要因素之一。为客户提供品质优良的产品是企业必须尽到的义务。粗制滥造或性能不达标的产品必然导致客户的流失。所以，企业开展商业活动必须以产品的高质量为基础。产品和服务的个性化也可以有效地降低企业客户流失率。对客户不闻不问客户的抱怨和询问不能得到妥善的处理会造成他们的离去。真正提出抱怨的客户也是最有可能回头的客户，企业应当认真倾听客户的意见，给予及时妥善的解决，让他们感觉到自己受到了尊重。在提高客户的满意度的同时还能从客户那里收集到免费的建议，以便不断改善企业的产品和服务。对员工置之不理为了保持客户，企业必须首先赢得自己的员工，特别是那些直接与客户打交道的人员。企业员工的流失，可能导致和他长期保持联系的重要客户的流失。为了减少客户流失率，要求企业必须拥有高素质的、稳定的员工群体。此外，企业思想消极以及竞争对手的行动也是企业客户流失的主要原因。3利用数据挖掘进行客户流失分析的可行性预测哪些客户将要流失，并不是一件容易的事情。但可喜的是在某些行业,如移动通讯业、银行业等，企业已经积累了大量的有关客户的有用信息，如运营商系统中的通话行为数据，客户服务系统的客户服务、查询与投诉数据，账务系统的缴费数据等。通过对大量的客户数据进行分析处理，归纳出具有流失倾向客户的行为特点和规律，建立起数据挖掘模型，并不断地进行实证校验，完全可以在一定程度上预测出客户的流失倾向。流失预警模型构建的第一步是采用数据挖掘中的决策树、神经网络等分析技术，通过对数据的探索和分析归纳出具有高度流失倾向的用户普遍特征。然后从现有用户中找出具有类似特征的用户群，通过大量的对比分析，最终利用用户的历史行为数据将不同用户归入不同的群组，并对不同用户群的流失倾向给予评分，形成对客户流失可能性的预测。图1反映的就是数据挖掘模型的核心部分一分类与预测的一个简单例子（以移动通讯行业为例）。算法的输入是一部分样本数据（即训练数据），通过分类算法，按我们需要的目标属性，对这些样本数据进行多次分类，直到找到可以将目标属性全部筛选出来的标准。最后在其它样本数据上应用这些标准，预测可能同样具有目标属性的数据。分类算法客户号年龄月通话时长是否按时分类算法客户号年龄月通话时长是否按时（分钟）续费1000423230是1000515120否1000656412是1000745365是1000823228是10009■■■irr21893■■IIHdI是训练数据集图1分类与预测的一个例子在客户流失预警模型中，通常采用决策树算法获取分类标准。图2简单地说明了流失预警模型的工作原理。假定训练数据中有100万个客户的信息，其中有5万已经流失。通过多个变量，逐层将这100万个客户分组，即把他们归入图中决策树不同的叶子中。通过多次分类，最终发现不同方格里的分组用户的流失倾向也不同。如绿色方块所示，同时满足A1、B1、...、X1等条件的用户的流失概率是66.7%，远远大于样本的平均流失率5%。这样，通过构建流失预警模型，就非常准确地发现了具有高流失倾向的用户群。如果将其他用户的行为数据作为模型的输入，对这群用户的流失倾向进行评分，就可以发现具有较高流失可能的用户群体。这意味着如果对这一类客户进行挽留的话，将大大提高挽留工作的针对性，以尽可能少的资源投入换取尽可能大的挽留成果。

100万客户

5万流失A1「30万客户A1「30万客户3万流失70万客户2万流失IIn巨2|B31一.•…1A2力客户L5万流失10万客户1万流失10万客户0.5万流失■1T rIX1JI3千客户2千客户K流失1千流失|Xi图2流失预警模型的决策树算法举例4移动通信行业客户流失预警及挽留流程客户流失解决方案可以划分为四部分:发现挽留机会一制订挽留策略一实施挽留行动、收集客户反馈一评估挽留效果并调整策略。(1)发现挽留机会最基本的做法是建立客户流失预测模型(用决策树方法)，然后对在网客户进行流失倾向的评分，按倾向高低判别。但此处最好结合对全体客户的分群来识别出真正的挽留机会，并非流失倾向越高就越值得挽留。比如可以按照客户价值进行分群，优先考虑对中高价值客户的挽留；同时根据客户行为分群，判别出哪些客户可能已经用了竞争对手的服务，或者属于欺诈类型的客户，对这批客户的挽留可能是没有成效的，不应视为挽留机会。制订挽留策略经过第一个步骤，我们已经从预测名单中圈定了值得挽留的客户。但是一般来说，这批客户依然数目较大，难以逐个分析而决定采取何种挽留策略。可以对圈定的客户进行进一步分群，将他们划分为几种类型，当然此时最好在分群模型中放入行为等属性，然后逐群制订有针对性的挽留策略。比如有的群组是属于夜间通话多(和总体的均值相比)的客户，那么针对他们的挽留策略可能是推荐一些夜间通话优惠的资费方案。实施挽留行动、收集客户反馈这里最好有类似操作型CRM的系统来支撑。将上述两步骤给出的挽留机会和挽留策略分配给相应的实施人员，由他们实施，并收集客户反馈。在挽留阶段,最佳实践步骤是：♦下载预警高危客户名单;♦预警高危客户分类分析;♦针对不同高危细分人群设计适宜的政策;♦大客户经理对高危名单进行分析并判断是否回访;♦开展回访并对过程进行详细记录;♦分析对比及经验总结。评估挽留效果在客户流失预测专题分析的试运行阶段，由于模型预测的效果、挽留机会的识别是否准确、挽留策略的制订是否合适等方面尚未得到确认，常常会将预测名单中圈定的客户划分为两组——实施组和对照组。对前者展开挽留，对后者不采取任何行动，根据两组的流失情况来评估模型的预测效果和挽留效果。当专题分析基本稳定后，对照组会被取消。5结论实际上，回答流失预警模型要不要做，首先要回答的问题是：客户关怀要不要做？也就是说，做流失预警模型的目的是为了降低流失率呢？还是为了提高关怀与挽留工作的有效性？这是一个不能回避的问题，但它的答案也是早就存在的。那就是：如果是单纯为了大幅度降低客户流失率，流失预警模型所起到的效果是相对较小的。为什么呢？原因也很简单，数据挖掘的流失模型其实是一种方法论，它并不能直接带来客户流失率的降低。打个比方，就如同病人看病，再先进的医疗设备也只能帮助病人查出毛病，而不能帮助病人养好病。归根结底，流失预警模型的构建目的应该是为了提高关怀与挽留工作的有效性，而不是所谓的大幅度降低用户流失率。参考文献[1]戴维•奥尔森，石勇，著.吕巍，等译.商业数据挖掘导论[M].北京：机械工业出版社，2007.［2］ 吕巍，编著.精确营销［M］.北京：机械工业出版社，2008.［3］ 周颖，等.基于数据挖掘技术的移动通信行业客户细分［J］.上海交通大学学报，2007(7).［4］ 梁波，吴俊峰，舒华英.移动通信客户保持及其决定因素实证研究［J］.北京邮电大学学报(社会科学版)，2005(4).［5］ 吴学雁，辜敏，漆晨曦.综合运用各种建模方法提高预测模型的准确度［J］.广东通信技术，2006(6).［6］ 盛昭瀚，柳炳祥.客户流失危机分析的决策树方法［J］.管理科学学报，2005(2).［作者简介］吕巍：教授，上海交通大学安泰经济与管理学院副院长，博士生导师，研究方向为消费者行为和战略管理。李玉峰：上海交通大学安泰经济与管理学院博士研究生，研究方向为消费者行为。移动通信客户流失分析方法广东移动通信有限责任公司【摘要】本文描述了移动客户流失分析的重要性,流失的定义和客户细分方法，提出了影响客户流失的各种特征因素，阐述了客户流失分析的建模流程及与营销活动的关系。1刖言我国的移动通信企业经过前几年的高速发展，现在正步入缓慢增长期：移动通信注册客户数动态增长，即在大量客户入网的同时，又有大批客户离网流失；每月注册客户数与在网活动客户数相差悬殊，涌现大批零次话务客户；业务与收入总量增长相对趋缓，出现"增量不增收”。因此，分析客户流失原因，吸引潜在客户入网，增加现有客户满意度,减少客户流失几率,提高客户消费水平，充分占有市场,是移动通信企业在激烈市场竞争中制胜的关键。2移动客户流失的定义与特征因素2.1移动客户流失的定义移动通信领域的客户流失有三方面的含义:一是指客户从本移动运营商转网到其他电信运营商，这是流失分析的重点。二是指客户使用的手机品牌发生改变,从本移动运营商的高价值品牌转向低价值品牌，如中国移动的用户从全球通客户转为神州行客户。三是指客户ARPU（指每用户月平均消费量）降低，从高价值客户成为低价值客户。客户流失分析，就是利用数据挖掘等分析方法，对已流失客户过去一段时间的通话、客户服务投诉或交费等信息进行分析，提炼出流失或有流失趋势客户的行为特征，再将这些特征应用于现有的客户服务，采取相应的营销手段做到客户保持和客户发展。进行客户流失分析的目的就是挽留客户，增大业务收入。因此进行客户流失分析预测和客户挽留应与客户服务成本结合起来。客户服务成本包括为客户服务的所有成本,如客户使用网络的成本，客户交费、投诉的营业成本等。客户的消费带来的收益可能大于或小于为其服务的成本，因此需要对流失的客户进一步细分：⑴有完整联系资料与没有联系资料的客户：客户入网应提供正确可联系的资料，如果客户提供的资料虚假或不完整，则其欠费离网的概率增大，因此对中国移动来说，应着重分析全球通客户，神州行客户的流失分析应次之。⑵短期签约客户和长期签约客户：那些使用期限大于一年的中长期客户才是有价值的客户。如果客户在3个月内离开，可能是在促销优惠补贴等因素影响下入网,优惠期满即设法离开，我们很难分析他的消费行为，因而难采取措施防止他的流失,这部分的客户应从样本数据中剔除。⑶区分主动流失与被动流失客户：客户流失分析与挽留应集中在主动流失的客户，对于被迫离开的客户（如因高额欠费而被移动公司停机）不应进行挽留。⑷区分集团客户和个人客户：一些大的企业集团通常为其员工购买通信工具并报销相应的费用,员工离开则不能享受该服务，但整个集团的消费没有变化。这类个人客户的流失不是因为移动企业方面的原因，对其挽留收效甚微。⑸区分本地客户和外来客户：一些人员因为工作发生变化，通常在不同的城市和地区流动，到达新地点后再购买新的本地网号码，因而对该类客户挽留难度很大。2.2影响客户流失的特征与因素⑴客户的基本属性：如性别、年龄、在网时间、职业、爱好、籍贯、入网品牌与号码、注册服务等级（SLA）等，这些资料在客户登记入网或客户调查等过程中得到,并永久保存在客户资料数据库中。不同背景的客户有不同的社会行为特征和爱好，如职业影响收入,年龄影响产品购买类型等。⑵客户的通话情况：如通话类型、平均通话时间、通话对象及亲情号码、通话地点、漫游类型、数据业务使用情况、消费积分、客户价值类型、客户VPMN群等。在计费中心客户消费话单和账单中可以获取客户消费的详细信息。⑶客户服务情况：指客户通过投诉渠道或客户服务界面（如营业厅，网站，客户经理等）进行的有关缴费、服务投诉/建议的情况。客户满意度高，投诉就少；查询月消费详细清单的客户对资费政策通常很敏感等。⑷网络运行质量情况：包括通信网络的质量，小区或无线信道通话接通率等影响客户消费的网络因素。网络维护部门通过对交换机进行话务测量可以获得网络运营的详细分析报告。网络质量是移动通信企业的生命，是客户服务与业务领先的基础。⑸资费政策与技术进步：不同运营商的资费高低改变等也是影响流失的一个重要因素。技术革新，会带动一大批追新潮客户使用最新技术产品。3客户流失模型建立方法3.1客户流失模型建立的基础建立客户流失模型,必须遵循数据挖掘模型建立与分析方法。数据挖掘，在某种意义上讲，是统计学的扩充,加上一点人工智能的含义。如同统计学，它不是商业解决方案，而是一门技术。数据挖掘的结果直接在数据库中不能查找到，是隐藏在数据库中的宝石，而客户流失特征就是数据挖掘需要找的宝石。移动通信企业数据挖掘存在的基础已经具备：♦移动企业大量的历史数据：每天的客户服务部门和计费中心均产生多达上百Gbyte的客户投诉/客户通话等数据。目前,各大移动公司正进行业务支撑系统的集中化建设。统一集中的数据源拥有宝贵的数据信息。♦大规模并行计算机的出现：IBM\HP\SUN\NCR等公司的主流机型都能支持多达几十Gbyte数据的并发I/O处理/小时。这些保证数据挖掘处理能每天进行更新数据源，对市场能快速反应，真正做到"time-to-marketing”。♦多种多样的数据挖掘算法：SAS/IBM/SPSS等公司都有成熟的商业数据挖掘软件包供利用。3.2客户流失分析过程客户流失分析过程指客户流失逻辑模型的建立过程，包括数据采样、数据分析、模型评估和应用等方面,以下就这些方面进行简单的描述。⑴数据采样数据采样就是从所有已经流失的移动客户中，抽取部分客户的信息，进行预处理，如对错误格式的记录数据进行过滤、转换，对部分字段进行必要的拆分或汇总。注意，有些字段在业务系统中并不直接存在，需要转换得到。 例如：某种离网模型数据输入如表1所示：表1某离网模型数据表•基本资料组客户性别，客户职业，地区，年龄，付费方式，客户等级，入网时间，客户所在VPMN客户群通话方式最近连续半年平均消费水平最近连续3月平均消费水平前第3个月呼叫转移次数前第2个月呼叫转移次数本月呼叫转移次数网间通话占网内通话的比率未接电话次数通话总分钟数漫游次数交费方式最近半年欠费停机次数最近3月交费方式变更次数交费渠道投诉方式投诉类型投诉故障级别网络故障类型政策方面运营方式变更资费方式调整国家出台新政策

技术发生改变⑵数据分析数据分析就是对采样后的数据进行初步分析，试图寻找出不同变量之间的关联度，以及不同变量对于客户流失的影响程度。并非所有输入变量都是同样的权重，部分因子可能同客户流失无关，则在选择流失分析的输入因子时，就必须将该部分因子去掉。部分因子间可能存在很强的正负关联关系，建模时只需输入其中的基本因子。例如：将从移动网管中心获得的交换机故障同从客服中心获得的客户投诉（如不能登录）进行关联分析，发现投诉情况同网络故障成正比，则我们认为网络故障是基本的输入因子，而相关的投诉情况则不能够作为输入因子。⑶模型建立运用相关的数据挖掘工具,选择正确的挖掘算法（如决策树，神经网络,各种统计分析方法）建立模型。整个建模过程实际上是一个不断循环的过程，一个模型分析的结果可能是另一个模型的输入变量。⑷模型评估及应用当模型确定后，即可以应用于所有的当前客户。经过客户经理将结果运用于生产系统，我们最终有了如下信息：所有可能流失的客户清单，每个客户流失的概率，客户流失的相关影响因素。这只是完成了第一步，更重要的工作是制定什么样的客户保留策略去实施客户保留,并不断修正模型，使之更加完备。这里涉及到具体问题具体分析，个性化服务才是关键,没有相应的市场营销措施,从数据挖掘分析的结果永远是数值，不能产生应有的效益。数据挖掘系统用户访问果面数