预测电信行业客户流失-基于一种SAS生存分析模式的应用程序

标题：PredictingCustomerChurnintheTelecommunicationsIndustry––AnApplicationofSurvivalAnalysisModelingUsingSAS原文：ABSTRACTConventionalstatisticalmethods(e.g.logisticsregression,decisiontree,andetc.)areverysuccessfulinpredictingcustomerchurn.However,thesemethodscouldhardlypredictwhencustomerswillchurn,orhowlongthecustomerswillstaywith.Thegoalofthisstudyistoapplysurvivalanalysistechniquestopredictcustomerchurnbyusingdatafromatelecommunicationscompany.Thisstudywillhelptelecommunicationscompaniesunderstandcustomerchurnriskandcustomerchurnhazardinatimingmannerbypredictingwhichcustomerwillchurnandwhentheywillchurn.Thefindingsfromthisstudyarehelpfulfortelecommunicationscompaniestooptimizetheircustomerretentionand/ortreatmentresourcesintheirchurnreductionefforts.INTRODUCTIONInthetelecommunicationindustry,customersareabletochooseamongmultipleserviceprovidersandactivelyexercisetheirrightsofswitchingfromoneserviceprovidertoanother.Inthisfiercelycompetitivemarket,customersdemandtailoredproductsandbetterservicesatlessprices,whileserviceprovidersconstantlyfocusonacquisitionsastheirbusinessgoals.Giventhefactthatthetelecommunicationsindustryexperiencesanaverageof30-35percentannualchurnrateanditcosts5-10timesmoretorecruitanewcustomerthantoretainanexistingone,customerretentionhasnowbecomeevenmoreimportantthancustomeracquisition.Formanyincumbentoperators,retaininghighprofitablecustomersisthenumberonebusinesspain.Manytelecommunicationscompaniesdeployretentionstrategiesinsynchronizingprogramsandprocessestokeepcustomerslongerbyprovidingthemwithtailoredproductsandservices.Withretentionstrategiesinplace,manycompaniesstarttoincludechurnreductionasoneoftheirbusinessgoals.Inordertosupporttelecommunicationscompaniesmanagechurnreduction,notonlydoweneedtopredictwhichcustomersareathighriskofchurn,butalsoweneedtoknowhowsoonthesehigh-riskcustomerswillchurn.Thereforethetelecommunicationscompaniescanoptimizetheirmarketinginterventionresourcestopreventasmanycustomersaspossiblefromchurning.Inotherwords,ifthetelecommunicationscompaniesknowwhichcustomersareathighriskofchurnandwhentheywillchurn,theyareabletodesigncustomizedcustomercommunicationandtreatmentprogramsinatimelyefficientmanner.Conventionalstatisticalmethods(e.g.logisticsregression,decisiontree,andetc.)areverysuccessfulinpredictingcustomerchurn.Thesemethodscouldhardlypredictwhencustomerswillchurn,orhowlongthecustomerswillstaywith.However,survivalanalysiswas,attheverybeginning,designedtohandlesurvivaldata,andthereforeisanefficientandpowerfultooltopredictcustomerchurn.OBJECTIVESTheobjectivesofthisstudyareintwofolds.Thefirstobjectiveistoestimatecustomersurvivalfunctionandcustomerhazardfunctiontogainknowledgeofcustomerchurnoverthetimeofcustomertenure.Thesecondobjectiveistodemonstratehowsurvivalanalysistechniquesareusedtoidentifythecustomerswhoareathighriskofchurnandwhentheywillchurn.DEFINITIONSANDEXCLUSIONSThissectionclarifiessomeoftheimportantconceptsandexclusionsusedinthisstudy.Churn–Inthetelecommunicationsindustry,thebroaddefinitionofchurnistheactionthatacustomer’stelecommunicationsserviceiscanceled.Thisincludesbothservice-providerinitiatedchurnandcustomerinitiatedchurn.Anexampleofservice-providerinitiatedchurnisacustomer’saccountbeingclosedbecauseofpaymentdefault.Customerinitiatedchurnismorecomplicatedandthereasonsbehindvary.Inthisstudy,onlycustomerinitiatedchurnisconsideredanditisdefinedbyaseriesofcancelreasoncodes.Examplesofreasoncodesare:unacceptablecallquality,morefavorablecompetitor’spricingplan,misinformationgivenbysales,customerexpectationnotmet,billingproblem,moving,changeinbusiness,andsoon.High-ValueCustomers–Onlycustomerswhohavereceivedatleastthreemonthlybillsareconsideredinthestudy.High-valuecustomersarethesewithmonthlyaveragerevenueof$Xormoreforthelastthreemonths.Ifacustomer’sfirstinvoicecoverslessthan30daysofservice,thenthecustomermonthlyrevenueisproratedtoafullmonth’srevenue.Granularity–Thisstudyexaminescustomerchurnattheaccountlevel.Exclusions–Thisstudydoesnotdistinguishinternationalcustomersfromdomesticcustomers.Howeveritisdesirabletoinvestigateinternationalcustomerchurnseparatelyfromdomesticcustomerchurninthefuture.Also,thisstudydoesnotincludeemployeeaccounts,sincechurnforemployeeaccountsisnotofaproblemoraninterestforthecompany.SURVIVALANALYSISANDCUSTOMERCHURNSurvivalanalysisisaclanofstatisticalmethodsforstudyingtheoccurrenceandtimingofevents.Fromthebeginning,survivalanalysiswasdesignedforlongitudinaldataontheoccurrenceofevents.Keepingtrackofcustomerchurnisagoodexampleofsurvivaldata.Survivaldatahavetwocommonfeaturesthataredifficulttohandlewithconventionalstatisticalmethods:censoringandtime-dependentcovariates.Generally,survivalfunctionandhazardfunctionareusedtodescribethestatusofcustomersurvivalduringthetenureofobservation.Thesurvivalfunctiongivestheprobabilityofsurvivingbeyondacertaintimepointt.However,thehazardfunctiondescribestheriskofevent(inthiscase,customerchurn)inanintervaltimeaftertimet,conditionalonthecustomeralreadysurvivedtotimet.Thereforethehazardfunctionismoreintuitivetouseinsurvivalanalysisbecauseitattemptstoquantifytheinstantaneousriskthatcustomerchurnwilltakeplaceattimetgiventhatthecustomeralreadysurvivedtotimet.Forsurvivalanalysis,thebestobservationplanisprospective.Webeginobservingasetofcustomersatsomewell-definedpointoftime(calledtheoriginoftime)andthenfollowthemforsomesubstantialperiodoftime,recordingthetimesatwhichcustomerchurnsoccur.It’snotnecessarythateverycustomerexperiencechurn(customerswhoareyettoexperiencechurnarecalledcensoredcases,whilethosecustomerswhoalreadychurnedarecalledobservedcases).Typically,notonlydowepredictthetimingofcustomerchurn,wealsowanttoanalyzehowtime-dependentcovariates(e.g.customerscallstoservicecenters,customerschangeplantypes,customerschangebillingoptions,andetc.)impacttheoccurrenceandtimingofcustomerchurn.SAS/STAThastwoproceduresforsurvivalanalysis:PROCLIFEREGandPROCPHREG.TheLIFEREGprocedureproducesparametricregressionmodelswithcensoredsurvivaldatausingmaximumlikelihoodestimation.ThePHREGprocedureisasemi-parametricregressionanalysisusingpartiallikelihoodestimation.PROCPHREGhasgainedpopularityoverPROCLIFEREGinthelastdecadesinceithandlestimedependent.Howeveriftheshapesofsurvivaldistributionandhazardfunctionareknown,PROCLIFEREGproducesmoreefficientestimates(withsmallerstandarderror)thanPROCPHREGdoes.SAMPLINGSTRATEGYOnAugust16,2000,asampleof41,374activehigh-valuecustomerswasrandomlyselectedfromtheentirecustomerbasefromatelecommunicationscompany.Allthesecustomerwerefollowedforthenext15months.ThereforeAugust16,2000istheoriginoftimeandNovember15,2001istheobservationterminationtime.Duringthis15-monthobservationperiod,thetimingofcustomerchurnwasrecorded.Foreachcustomerinthesample,avariableofDURisusedtoindicatethetimethatcustomerchurnoccurred,orforcensoredcases,thelasttimeatwhichcustomerswereobserved,bothmeasuredfromtheoriginoftime(August16,2000).AsecondvariableofSTATUSisusedtodistinguishthecensoredcasesfromobservedcases.ItiscommontohaveSTATUS=1forobservedcasesandSTATUS=0forcensoredcases.Inthisstudy,thesurvivaldataaresinglyrightcensoredsothatallthecensoredcaseshaveavalueof15(months)forthevariableDUR.DATASOURCESTherearefourmajordatasourcesforthisstudy:blocklevelmarketingandfinancialinformation,customerleveldemographicdataprovidedthroughathirdpartyvendor,customerinternaldata,andcustomercontactrecords.Abriefdescriptionofsomeofthedatasourcesfollows.DemographicData–Demographicdadaisfromathirdpartyvendor.Inthisstudy,thefollowingareexamplesofcustomerleveldemographicinformation:-Primaryhouseholdmember’sage-Genderandmaritalstatus-Numberofadults-Primaryhouseholdmember’soccupation-Householdestimatedincomeandwealthranking-Numberofchildrenandchildren’sage-Numberofvehiclesandvehiclevalue-Creditcard-Frequenttraveler-Respondertomailorders-DwellingandlengthofresidenceCustomerInternalData–Customerinternaldataisfromthecompany’sdatawarehouse.Itconsistsoftwoparts.Thefirstpartisaboutcustomerinformationlikemarketchannel,plantype,billagency,customersegmentationcode,ownershipofthecompany’sotherproducts,dispute,latefeecharge,discount,promotion/savepromotion,additionallines,tollfreeservices,rewardsredemption,billingdispute,andsoon.Thesecondpartofcustomerinternaldataiscustomer’stelecommunicationsusagedata.Examplesofcustomerusagevariablesare:-Weeklyaveragecallcounts-Percentagechangeofminutes-Shareofdomestic/internationalrevenueCustomerContactRecords–TheCompany’sCustomerInformationSystem(CIS)storesdetailedrecordsofcustomercontacts.Thisbasicallyincludescustomercallstoservicecentersandthecompany’smailcontactstocustomers.Thecustomercontactrecordsarethenclassifiedintocustomercontactcategories.Amongthecustomercontactcategoriesarecustomergeneralinquiry,customerrequeststochangeservice,customerinquiryaboutcancel,andsoon.MODELINGPROCESSModelprocessincludesthefollowingfourmajorsteps.ExplanatoryDataAnalysis(EDA)–Explanatorydataanalysiswasconductedtopreparethedataforthesurvivalanalysis.Anunivariatefrequencyanalysiswasusedtopinpointvaluedistributions,missingvaluesandoutliers.Variabletransformationwasconductedforsomenecessarynumericalvariablestoreducethelevelofskewness,becausetransformationsarehelpfultoimprovethefitofamodeltothedata.Outliersarefilteredtoexcludeobservations,suchasoutliersorotherextremevaluesthataresuggestednottobeincludedinthedatamininganalysis.Filteringextremevaluesfromthetrainingdatatendstoproducebettermodelsbecausetheparameterestimatesaremorestable.Variableswithmissingvaluesarenotabigissue,exceptforthosedemographicvariables.Thedemographicvariableswithmorethan20%ofmissingvalueswereeliminated.Forobservationswithmissingvalues,onechoiceistouseincompleteobservations,butthatmayleadtoignoreusefulinformationfromthevariablesthathavenonmissingvalues.Itmayalsobiasthesamplesinceobservationsthathavemissingvaluesmayhaveotherthingsincommonaswell.Therefore,inthisstudy,missingvalueswerereplacedbyappropriatemethods.Forintervalvariables,replacementvalueswerecalculatedbasedontherandompercentilesofthevariable’sdistribution,i.e.,valueswereassignedbasedontheprobabilitydistributionofthenonmissingobservations.Missingvaluesforclassvariableswerereplacedwiththemostfrequentvalues(countormode).Variablereduction–Startedwith212variablesintheoriginaldataset,byusingPROCFREQ,aninitialunivariateanalysisofallcategoricalvariablescrossedwithcustomerchurnstatus(STATUS)wascarriedouttodeterminethestatisticallysignificantcategoricalvariablestobeincludedinthenextmodelingstep.Allthecategoricalvariableswithachi-squarevalueortstatisticsof0.05orlesswerekept.Thisstepreducedthenumberofvariablesto115(&VARLIST1)–includingallthenumericalvariablesandthekeptcategoricalvariablesfromthestepone.ThenextstepistousePROCPHREGtofurtherreducethenumberofvariables.Astepwiseselectionmethodwasusedtocreateafinalmodelwithstatisticallysignificanteffectsof29exploratoryvariablesoncustomerchurnovertime.PROCPHREGDATA=SASOUT2.ALL2OUTEST=SASOUT2.BETA;MODELDUR*STATUS(0)=&VARLIST1/SELECTION=STEPWISESLENTRY=0.0025SLSTAY=0.0025DETAILS;ModelEstimation–Withonly29exploratoryvariables,thefinaldatasethasreasonablenumberofvariablestoperformsurvivalanalysis.Beforeapplyingsurvivalanalysisprocedurestothefinaldataset,thecustomersurvivalfunctionandhazardfunctionwereestimatedusingthefollowingcode.Thepurposeofestimatingcustomersurvivalfunctionandcustomerhazardfunctionistogainknowledgeofcustomerchurnhazardcharacteristics.Fromtheshapeofhazardfunction,customerchurninthisstudydemonstratesatypicalhazardfunctionofaLog-Normalmodel.Aspreviouslydiscussed,sincetheshapeofsurvivaldistributionandhazardfunctionwasknown,PROCLIFEREGproducesmoreefficientestimates(withsmallerstandarderror)thanPROCPHREGdoes.PROCLIFETESTDATA=SASOUT2.ALL3OUTSURV=SASOUT2.OUTSURVMETHOD=LIFEPLOT=(S,H)WIDTH=1GRAPHICS;TIMEDUR*STATUS(0);RUN;Thefinalstepistoestimatecustomerchurn.PROCLIFEREGwasusedtocalculatecustomersurvivalprobability.Atthisstepthefinaldatasetwasdivided50/50intotwodatasets:modeldatasetandvalidationdataset.Themodeldatasetisusedtofitthemodelandthevalidationdatasetisusedtoscorethesurvivalprobabilityforeachcustomer.AvariableofUSEisusedtodistinguishthemodeldataset(setUSE=0)andvalidationdataset(setUSE=1).Inthevalidationdataset,setbothDURandSTATUSmissingsothatcasesinthevalidationdatasetwerenottobeusedinmodelestimation.出处：JunXiangLu,Ph.D.PredictingCustomerChurnintheTelecommunicationsIndustry––AnApplicationofSurvivalAnalysisModelingUsingSAS:SASUserGroupInternational(SUGI27)OnlineProceedings,2002,PaperNo.114-27.译文：预测电信行业客户流失——基于一种SAS生存分析模式的应用程序JunXiangLu,Ph.D.SprintCommunicationsCompanyOverlandPark摘要传统的统计方法（如logistic回归，决策树等等）都是能非常成功的预测客户流失的。但是，这些方法是很难预测什么时候客户会流失，或者这些客户还能保留多久。这项研究的目的是运用生存分析技术通过使用来自电信公司的数据来预测客户流失。这项研究将会帮助电信公司了解客户流失的风险和通过预测那些和何时客户将要流失的一种时间方式的危害。这一研究的结果有助于电信公司优化客户的保留和（或）处理资源来努力降低他们的客户流失。引言在电信行业，客户可以在多个提供服务的供应者中进行选择，积极运用他们从一个服务供应商转换到另一个供应商的权利。在这个竞争激烈的市场，客户需要用低价格获得的按要求特质非产品和更好的服务，服务的供应商要不断的专注于收购作为他们的业务目标。鉴于电信业的经验是30-35%的平均客户流失率，开发一个新客户的成本是保留原有客户成本的5-10倍。对于许多老牌的运营商，企业的主要头痛的是留住高利润的客户。许多电信公司在协调方案和过程时使用保持战略通过提供量身定做的产品和服务来更长时间的保持客户。随着各地方使用客户保持战略，很多公司开始把降低客户流失作为他们业务的目标之一。为了支持电信企业管理客户流失的减少，我们不仅需要预测那些客户存在流失的高风险，还需要知道什么时候这些高风险的客户要流失。因此，电信公司优化了其市场营销的资源来防止很多可能的客户流失。换句话说，如果电信公司知道他们的客户有流失的高风险和什么时候他们将要流失，他们就设计出与客户即使有效的交流沟通的方案。传统的统计方法（如logistic回归，决策树等等）都是能非常成功的预测客户流失的。但是，这些方法是很难预测什么时候客户会流失，或者这些客户还能保留多久。然而，生存分析的最初设计是用于处理存在的数据，因此是预测客户流失的一种有效和强大的工具。目标这项预测研究的目标有两个。第一个目标是为了建立客户生存函数和客户风险函数来获取在客户的任期时间的客户流失的知识。第二个目标是演示用来识别那些是高风险流失的客户和什么时候他们将要流失的生存分析技术。定义和排除本问澄清一些重要的概念和排除在本次研究之外的使用。流失——在电信含有，客户流失的广泛定义是指一个客户的电信服务被取消了。这包括服务提供者引发的客户流失，和客户主动的流失。一个服务提供者引发的客户流失的例子有客户的账户因为客户欠费被关闭。客户主动流失就比较复杂，流失的原因也是不同的。在这项研究中只研究客户的主动流失，它被定义为由一系列取消原因代码，原因代码的举例有：不能接受通话质量，竞争对手的更优惠的定价计划，在销售中误传了信息，客户的期望得不到满足，计费问题，移动，业务上的变化等等。高价值客户——仅仅只那些已经接受至少有三个月账单的客户。高价值客户是那些在过去三个月每个月平均收益在x美元或以上的客户。如果客户的第一张发票少于30天的服务，那么客户的每个月的收益是按比例分配到一个整月的收入。尺度——本研究讨论关于账户的客户流失率排除——这项研究没有区分国内客户和国际客户，实际上把国际客户流失从国内客户流失中分开是值得做的。此外，这项研究不包括员工的账户，因为员工账户的流失不只是一个问题或是企业的一种权利。生存分析和客户流失生存分析是为学习发生的事情和实时的事件的一种统计研究方法。从一开始，生存分析对发生的事件的设计纵向数据。对客户流失的跟踪时一个生存数据的很好的例子。生存数据有两个共同的特点，很难用传统的统计方法处理：审查和时间上的依赖性变量。一般情况下，生存函数和风险函数是用来描述在任期间观察客户存在的状态。生存函数给出了超过一定时间t的存在概率，而风险寒素描述在间隔时间t的事件风险（在这种情况下，客户流失）在时间t后的一段间隔时间，在时间t中考虑已经生存下来的客户。因此，风险功能更直观的在生存分析中的使用，因为它试图把风险量化，客户流失将在这个客户存货的时间t内发生。为了生存分析，最佳观测计划是有前瞻性，我开始观测在一些时间定义的明确点（成为时间的起源）的客户集，然后按照相当长的一段时间记录在那时间所发生的客户流失。每个客户体验流失（客户没有体验流失被称为审查情况，这些客户已经流失的称为观察情况）是不必要的。通常情况下，我们不仅预测客户流失的时间，我们也需要分析如何随着时间变化（如客户服务呼叫中心，客户变更计划类型，客户改变结算方式等）发生和时间影响流失的客户。SAS/STAT对生存分析有两个程序：LIFEREG程序和PHREG程序。LIFEREG程序产生的参数回归模式对生存分析的数据使用最大可能的估计。PHREG过程时一个半参数回归分析使用部分可能的估计。PHREG程序在过去的十年里依赖它处理的时间性，已经获得了的普及超过LIFEREG程序。但是，如果生存分布和风险函数的形状是已知的，LIFEREG程序比PHREG程序更有效的估计（标准误差较小）。抽样策略2000年8月16日，41374活动的高价值客户的样本是从整个电信公司的客户群中随机挑选的。所有的客户在未来的15个月的跟随，2000年8月16日是时间的起点，2001年11月15日时观察的终止时间。在这15个月的观察期，客户流失的时间被记录。对于样本中的每一个客户，一个变量的总指数是用来表示在客户流失情况或者审查情况下的时间，最后一次客户进行观察，从开始的时间（2000年8月16日）进行测量。第二个变量状态是用来区分审查情况和观察情况的。在观察情况下状态=1和在审查情况下状态=0都是常见的。在这项研究中，生存数据是单独正确的审查情况，所有的审查情况有15个（月）有价值的总指数为变量值。资料来源这里有四个主要数据来源的研究：数据营销和财务信息，客户水平，通过第三方的供应商提供的人口统计数据，客户内部数据和客户联系记录。一个数据源的一些简要说明如下。人口数据——人口数据时来自第三方的厂商。在这项研究中，以下是客户级别的人口信息的例子：小学家庭成员的年龄性别和婚姻状况成人人数小学家庭成员的职业家用估计收入和财富排名儿童和儿童人数的年龄车辆辆数和车辆价值信用卡频繁游客有响应的邮件订单住宅与居住期限客户内部数据——客户内部数据是从该公司的数据仓库得到的。它由两部分组成。第一部分是关于客户如市场渠道，计划的类型，票据代理，客户细分的代码，该公司的其他产品的所有权，纠纷，滞纳金费用，折扣，促销信息/保存推广，额外的线路，免费服务，奖励赎回，结算纠纷等等。对客户内部数据的第二个部分是客户的电信使用数据。客户使用变量的例子有：每周平均通话次数会议纪要变动百分率应占的国内/国际业务收入客户联系记录——该公司的客户信息系统（CIS）存储客户接触的详细记录。这基本上包括客户呼叫服务中心和公司的邮件往来的客户。客户联系记录为客户联系的类别分类。其中客户联系客户类别有一般查询，客户要求变更服务，客户查询有关取消等等。模型建立过程模型建立的过程包括以下四个主要步骤。说明资料分析（EDA）——说明数据进行分析，以备生存分析的数据。一个的频率分析被使用于精确值分布，遗漏值和离群值。变量变换进行了一些必要的数字变量，以减少偏度水平，因为有利于提高转换一种模式适合数据。离群的筛选，以排除如离群或其他不建议在数据挖掘分析包括极端值的观察。从训练数据筛选极端值往往会产生更好的模型，因为参数估计更稳定。变量有遗漏值不是一个大问题，除了这些人口统计变数。超过20％的人口遗漏值的变量被淘汰。对于遗漏值的观察，一个选择是使用不完整的意见，但可能导致忽略的变量有没有遗漏价值的有用信息。它也可能带有偏见的误差样本，因为意见有遗漏值在其他中可能有共同的东西。因此，在这项研究中，遗漏值改为适当的方法。对于区间变量，重置价值计算依据变量的分布，即价值被分配的基础上，在没有遗漏观测概率分布的随机百分点。为类变量遗漏值被替换最频繁值（计数或模式）。减少变项——212中的原始数据集的变量使用了FREQ程序，初步的交叉与客户的所有分类变量单因素分析，流失状态进行了以决定在未来包括分类变量显着建模步骤。所有一卡方值的分类变量或t为0.05统计或更小统计分类变量统统保留。这一步变量的数目减少了115（＆变量1）---包括所有的数字变量，从一个步骤保持绝对的变数。接下来的步骤是使用PHREG程序进一步减少变数。一个逐步选择方法被用于创建与探索29客户显着影响一个变量的最终模型随着时间的推移流失。PHREG程序数据=SASOUT2.ALL2OUTEST=SASOUT2.;指数模型*状态(0)=&变量/选择=递进SLENTRY=0.0025SLSTAY=0.0025详情;模型的估计——只有29探索变量，最终的数据集有合理数量的变量进行生存分析。在申请程序，以存活分析最终数据集，客户生存函数和风险函数估计采用下面的代码。顾客的生存函数估计和客户风险函数的目的是为了获取客户知识流失的危险特性。从风险函数的形，状，这项研究的客户流失是对数正态模型典型的风险函数。如前所述，由于生存分布和危害函数的形状是众所周知的LIFEREG程序比PHREG程序的估计数（标准误差较小）更有效。LIFETEST程序数据=SASOUT2.ALL3OUTSURVSASOUT2.OUTSURV方法=上升容积=(面积,高)宽=1图形;时间总指数*状态(0);运行;最后一步是评估客户流失。LIFEREG程序是用来计算客户的生存概率。在这一步最后的数据集被分成50/50的两组数据：模型数据集和验证数据集。该模型的数据集是用于拟合模型和验证数据集是用于评分为每一个客户的生存概率。USE的一个变量是用来区分模型数据集（设置使用=0）和验证数据集（设置使用=1）。在验证数据集，总指数和状态都设置失踪，以便在验证数据集是不能在模型的估计使用。出处：JunXiangLu,Ph.D.PredictingCustomerChurnintheTelecommunicationsIndustry––AnApplicationofSurvivalAnalysisModelingUsingSAS:SASUserGroupInternational(SUGI27)OnlineProceedings.2002,PaperNo.114-27,基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究基于C8051F040单片机的嵌入式系统开发基于单片机的液压动力系统状态监测仪开发模糊Smith智能控制方法的研究及其单片机实现一种基于单片机的轴快流CO〈,2〉激光器的手持控制面板的研制基于双单片机冲床数控系统的研究基于CYGNAL单片机的在线间歇式浊度仪的研制基于单片机的喷油泵试验台控制器的研制基于单片机的软起动器的研究和设计基于单片机控制的高速快走丝电火花线切割机床短循环走丝方式研究基于单片机的机电产品控制系统开发基于PIC单片机的智能手机充电器基于单片机的实时内核设计及其应用研究基于单片机的远程抄表系统的设计与研究基于单片机的烟气二氧化硫浓度检测仪的研制基于微型光谱仪的单片机系统单片机系统软件构件开发的技术研究基于单片机的液体点滴速度自动检测仪的研制基于单片机系统的多功能温度测量仪的研制基于PIC单片机的电能采集终端的设计和应用基于单片机的光纤光栅解调仪的研制气压式线性摩擦焊机单片机控制系统的研制基于单片机的数字磁通门传感器基于单片机的旋转变压器-数字转换器的研究基于单片机的光纤Bragg光栅解调系统的研究单片机控制的便携式多功能乳腺治疗仪的研制基于C8051F020单片机的多生理信号检测仪基于单片机的电机运动控制系统设计Pico专用单片机核的可测性设计研究基于MCS-51单片机的热量计基于双单片机的智能遥测微型气象站MCS-51单片机构建机器人的实践研究基于单片机的轮轨力检测基于单片机的GPS定位仪的研究与实现基于单片机的电液伺服控制系统用于单片机系统的MMC卡文件系统研制基于单片机的时控和计数系统性能优化的研究基于单片机和CPLD的粗光栅位移测量系统研究单片机控制的后备式方波UPS提升高职学生单片机应用能力的探究基于单片机控制的自动低频减载装置研究基于单片机控制的水下焊接电源的研究基于单片机的多通道数据采集系统基于uPSD3234单片机的氚表面污染测量仪的研制基于单片机的红外测油仪的研究96系列单片机仿真器研究与设计基于单片机的单晶金刚石刀具刃磨设备的数控改造基于单片机的温度智能控制系统的设计与实现基于MSP430单片机的电梯门机控制器的研制基于单片机的气体测漏仪的研究基于三菱M16C/6N系列单片机的CAN/USB协议转换器基于单片机和DSP的变压器油色谱在线监测技术研究基于单片机的膛壁温度报警系统设计基于AVR单片机的低压无功补偿控制器的设计基于单片机船舶电力推进电机监测系统基于单片机网络的振动信号的采集系统基于单片机的大容量数据存储技术的应用研究基于单片机的叠图机研究与教学方法实践基于单片机嵌入式Web服务器技术的研究及实现基于AT89S52单片机的通用数据采集系统基于单片机的多道脉冲幅度分析仪研究机器人旋转电弧传感角焊缝跟踪单片机控制系统基于单片机的控制系统在PLC虚拟教学实验中的应用研究基于单片机系统的网络通信研究与应用基于PI