客户流失预警分析材料

客户流失预警分析深圳市协尔信息系统有限公司2014年11月客户离网预警背景优质的客户资源，是运营商盈利的根本。随着中国三大主流运营商同质化竞争越来越激烈，彼此都不惜成本来争夺客户。因此客户挽留成为各个运营商重要的工作。开拓一个新用户的成本3

X=挽留一个老用户的成本客户离网预警分析能够帮助运营商有效的开展客户挽留工作，有效的识别有离网倾向用户，提高客户挽留成功率，降低离网率，进而为运营商带来可观的效益。手机客户是运营商利润的主要来源之一，也是市场竞争的焦点。在目前的市场客户的成本远远大于留住已有客户的成本，借助用户离网分析

，发展新发现流失手机用户的潜在模式，提前进行预测，从而变被动服务为主动服务。

目前在客户挽留过程中存在以下问题：对于客户流失不能准确的预警，导致客户的流失率上升。客户挽留活动没有针对性，成本高、效果不明显。客户离网分析准确定位即将流失的客户，从而采取一定的业务措施使客户的流失率大大下降，实现客户维系活动投资回报最大化。客户离网预警目的协尔公司电信运营商客户离网分析服务离网分析支撑团队离网分析支撑系统运营商客户基础数据运营商客户行为数据客户离网分析模型（每月）客户离网预警清单（每月）客户离网影响因素分析报告（每月）协尔客户离网分析服务于深圳联通，取得良好的效果：1、离网用户识别准确度：>70%。2、离网用户识别覆盖率：>70%数据获取、整合多数据源的数据整合数据标准化、规范化数据分析与模型应用客户保留策略制定确定目标不同目标客户挽留策略策划挽留方案客户保留计划实施营销方案服务方案管理方案数据清理、筛选数据分析模型应用客户离网预警模型规范整合的客户销售售后数据库客户离网预警及挽留模型建立模型学习、验证确定模型目标用户数据准备用户数据筛选用户模型建立用户模型验证结果支持决策目标：通过发现客户流失问题的真正原因，建立一对一的客户关系管理系统；

了解客户群的需求；

快速建立流失预警模型，为挽留决策提供数据依据；最大化每个客户的收入。协尔客户离网预警服务目标1234用户数据、销售数据等多数据源的数据整合数据筛选、清理数据规范化、标准化数据格式转换、处理数据合并数据筛选数据匹配人工查删重模糊查删重精确查删重数据规范化数据标准化规范整合的客户数据库数据整合清理数据来源数据的几个来源：CDR(CallDetailedRecord)客户资料数据(CustomerInformation）客户帐务数据销售策略与措施数据其他来源数据的整理与变换数据的简单描述和汇总、缺失值的填补数据挖掘变量的筛选和相关性分析数据的专业变换不同数据源数据的整合其他数据筛选数据筛选是建立模型的很重要的一步,这部分需要业务人员共同参与决策.前期我们并不知道哪些用户属性对用户离网有直接关系,所以我们需要进行验证来做数据筛选.我们会把用户所有属性利用遗传算法进行增益分类,然后带入到算法里面进行计算.算法会把对用户离网有影响的一些字段属性输出.我们再把对离网有影响关系大的一些属性来进行有机的组合,加,减,乘,除等直到找出用户离网的规律出来.用户数据整理这些数据需要能反映出用户的使用行为的轨迹。所以需要准备用户6个月的数据.前三个月用来做模型学习数据,后三个月数据用来做模型使用验证数据.

要看出用户的行为轨迹需要通过多个字段的组合乘相减相除,等.数据整合清理数据理解DataUnderstanding确定所需要的数据结果发布Delivery数据准备DataPreparation数据清理调整数据格式建立模型Modeling决策树模型人工神经网络回归分析模型评价Evaluation商业理解BusinessUnderstanding确定商业目标制定挖掘计划检查数据质量各个环节需不断地循环往复进行数据探索和模型的调优聚类分析和分类应用策略应用数据模型建立流程商业需求分析

客户离网分析的商业目标就是要对有离网倾向的客户进行有选择性的进行有效挽留，从而减少高价值客户流失率。通过离网分析建立的挖掘分析模型可以获得客户流失的预测以及流失倾向的评分，由市场人员制定出具体的挽留策略。客户定义：最近三个月的均有出帐用户。流失标志：本月有出帐,下月无出帐用户为流失用户分析窗口（预测基于多长时间的历史数据）：3个月预测窗口（预测客户在多长时间内会流失）：2个月（预测两个月后可能流失的用户）

客户流失预测模型分析过程2014/02/012014/03/012014/04/012014/05/012014/06/012014/05/01-2014/05/301个月预测月2014/06/01-2014/06/301个月预测月2014/05/01-2014/06/302个月预测月2014/01/01-2014/03/313个月观察月流失模型预测结构2014/01/01客户流失预测模型时间窗口2014/04/012014/04/301个月延迟月离网分析的学习数据ARPUGPRS上网流量通话次数通话总时长短信总条数彩信总条数当前结余…类标号（在网/离网）1005001001500400402000…080306050105500…190400400105270…012010105005…1客户流失预测模型学习训练数据准备离网预测的核心是从历史数据中通过回归分析，建立离网用户决策模型，数据包括：1、用户基本属性2、用户业务属性3、用户消费行为属性离网分析的训练学习结果实际离网预测及离网用户推荐电话号码ARPU所在地区所属分组流失倾向评分行动优先级评分180.。。。。

189.。。。。

189.。。。。

流失倾向评分说明该客户流失可能的大小营销人员可迅速确定客户的开户地区，以便采取行动营销人员可以更准确地抓住具有潜在流失倾向的客户营销人员可以根据ARPU确定客户挽留活动的目标群体了解潜在流失客户的行为特点，开展针对性的客户挽留综合客户流失倾向与ARPU，给出建议行动优先级供参考测试用户数离网用户离网率测试推荐用户总数测试推荐用户离网数离网率覆盖率601037455947.58%420683275379.75%71.83%190844160828.42%152281149075.45%95.06%134762102698.14%9862733574.37%71.42%实际测试效果上表是在深圳联通通过2014年4、5、6月份的部分数据建立离网用户模型，并根据9月份实际的离网用户数据进行验证的测试结果。客户流失预警意义及效益分析从举例运营商现有数据观察可得到，用户月流失率在8%左右，按用户月平均ARPU值100计算，300万基础用户将会有2400万的收入损失。在降低客户流失率方面，