【正文】 發(fā)送短信 10條左右，主要使用短彩信業(yè)務(wù)，且短信和彩信上行條數(shù)均為最高 % 細(xì)分群主要消費行為特征（網(wǎng)齡 1個月） 2 24 ? 新增用戶中的流失用戶超過四分之三的用戶生命周期不超過四個月，不具有完整的生命周期特征 ? COX生存分析模型，隱含了一條假設(shè)，即在時間越長，其離網(wǎng)的可能性就越大，這樣一來，是否離網(wǎng)和在網(wǎng)時間應(yīng)該是正相關(guān)的， COX模型在擬合的時候，會在這個約束之下，所以其對數(shù)據(jù)的擬合沒有 LOGIT效果好 因此對新增用戶離網(wǎng)預(yù)警，采用 LOGIT回歸模型或決策模型 新增用戶中的流失用戶有 76%在入網(wǎng)后的四個月內(nèi)流失 ? 流失用戶的 76% 是在入網(wǎng)后的四個月內(nèi)流失 ? 分別有 22%和 23%的流失用戶在入網(wǎng)后的第一個月和第二月內(nèi)流失 數(shù)據(jù)來源： ?09年 1月 10月新增用戶 ?流失用戶定義：當(dāng)月停機(jī)，且連續(xù)停機(jī) 60天以上用戶 ,到 2023年 11月仍未開機(jī)用戶 ?網(wǎng)齡舉例： 3月入網(wǎng)， 3月流失的用戶，網(wǎng)齡為0個月 流失用戶的在網(wǎng)時長分布 25 決策樹預(yù)測模型：決策樹是以實例為基礎(chǔ)的歸納學(xué)習(xí)算法，它著眼于從一組無次序、無規(guī)則的實例中推理出以決策樹表示的分類規(guī)則。 流失異動用戶 營銷捆綁 日常維系及 異動監(jiān)控 辦理 未辦理 模型匹配 低網(wǎng)齡用戶 流失高危用戶 是否流失 流失 未流失 1 1 2 一級匹配和維系； 二級匹配和維系。 ? 采用戶外廣告、報紙等大眾媒體及營業(yè)廳、 10086短信、網(wǎng)站、 WAP等自有媒體體開展網(wǎng)齡營銷、優(yōu)惠補卡及帶號轉(zhuǎn)品牌、套餐、停機(jī)保號等的傳播。 ? 2個或以上號碼登記身份證號一致 這些號碼為疑似養(yǎng)卡號碼 ?ARPU： 渠道新增用戶中， 30%以上或 100人以上的用戶入網(wǎng)當(dāng)月和次月ARPU低于 5元，該渠道為疑似養(yǎng)卡渠道 6 □ 渠道養(yǎng)卡識別與監(jiān)控 ■ 重入網(wǎng)與反復(fù)重入網(wǎng)管理 □ 正常低網(wǎng)齡用戶維系 新增用戶維系 7 重入網(wǎng)與反復(fù)重入網(wǎng)（跳蚤）用戶識別規(guī)則 N N+1 N6 N4 N5 N2 N3 N1 新入網(wǎng)激活月 新入網(wǎng)激活后第 1月 新入網(wǎng)激活月前半年的存量用戶歷史 IMEI庫或身份證庫 N月在網(wǎng)用戶，區(qū)分新增和存量用戶 判斷重入網(wǎng)用戶 判斷新入網(wǎng)用戶的有效 IMEI或身份證號碼 N月新入網(wǎng)用戶中的重入網(wǎng)和反復(fù)重入網(wǎng)用戶名單 剔除無效IMEI或身份證號碼 生成、維護(hù)歷史有效 IMEI庫或身份證號庫 ? 重入網(wǎng)： 新用戶 IMEI或身份證號與歷史 IMEI或身份證號碼能夠匹配（ 6個月以內(nèi)）。如， 9月新入網(wǎng)用戶IMEI或身份證號與 3月到 8月用戶 IMEI或身份證號碼庫匹配后，得到 9月新入網(wǎng)用戶中重入網(wǎng)用戶。 ? 加強欠費管理，減少無效欠費； ? 主卡付費 +親情網(wǎng)； ? 賬戶低余額時充值提示； ? 優(yōu)惠或免費補卡； ? 推薦帶號轉(zhuǎn)品牌或帶號轉(zhuǎn)套餐。 1 2 13 正常低網(wǎng)齡用戶細(xì)分、預(yù)警及維系框架 精準(zhǔn)營銷模型 新增用戶細(xì)分模型 用戶價值 在網(wǎng)時長 渠道偏好 促銷偏好 用戶號碼 消費特征 用戶清單 話費余額 新增網(wǎng)用戶流失模型 商務(wù)高端用戶群 長途話務(wù)突出群 本地話務(wù)突出群 本地低端用戶群 數(shù)據(jù)業(yè)務(wù)發(fā)燒群 …… 漫游突出用戶群 數(shù)據(jù)業(yè)務(wù)興趣群 本地話務(wù)偏好群 在網(wǎng)異動用戶 流失高危用戶 長途話務(wù)突出群 本地話務(wù)突出群 本地低端用戶群 …… 漫游突出用戶群 數(shù)據(jù)業(yè)務(wù)突出群 本地話務(wù)偏好群 當(dāng)月新增用戶 其他新增用戶 營銷案 14 用戶流失預(yù)警和細(xì)分建模過程 ? 流失現(xiàn)狀分析 ? 流失原因分析 ? 流失用戶特征分析 ? 流失預(yù)警建模目標(biāo)溝通確定 ? 流失細(xì)分模型目標(biāo)溝通確定 ? 根據(jù)建模要求和現(xiàn)有數(shù)據(jù)情況，構(gòu)思、溝通和確定建模數(shù)據(jù)提取需求 ? 提取 09年 110月新增用戶在 110月的自然屬性和消費行為數(shù)據(jù) ? 提取 09年 10月新增用戶在 10月的日消費行為數(shù)據(jù) ? 數(shù)據(jù)質(zhì)量審核 ? 數(shù)據(jù)探索 ? 非正常用戶的剔除。它采用自頂向下的遞歸方式，在決策樹的內(nèi)部節(jié)點進(jìn)行屬性的比較，并根據(jù)不同屬性值判斷從該節(jié)點向下的分支，在決策樹的葉節(jié)點得到結(jié)論。 % * 提升度 =模型篩選用戶流失率 /用戶集中用戶流失率 32 在網(wǎng) 1月新增用戶流失預(yù)警模型 ?在網(wǎng) 1月新增用戶沒有月數(shù)據(jù)，只有日數(shù)據(jù)，由于系統(tǒng)只保留最近 3月的日數(shù)據(jù)， 9月的日數(shù)據(jù)不完整， 11月的新增用戶不能判定用戶流失，只能取 10月新增用戶的日數(shù)據(jù)為建模數(shù)據(jù)集 ? 用戶的樣本量小，考慮到?jīng)Q策樹算法如使用交叉驗證，能一定程度上彌補樣本量小的不足，采用決策樹算法作為預(yù)警建模算法 建模時間窗口 建模變量 基本情況 語音通話情況 數(shù)據(jù)業(yè)務(wù)使用情況 品牌 ARPU 余額 套餐名稱 … 日均數(shù)據(jù) 時間段日數(shù)據(jù) /變化趨勢數(shù)據(jù) 日均數(shù)據(jù) 時間段變化 趨勢數(shù)據(jù) 本地通話次數(shù) 長途通話次數(shù) 漫游通話次數(shù) … 本地通話次數(shù)波動率 長途通話次數(shù)波動率 漫游通話次數(shù)波動率 … 短信條數(shù) 彩信條數(shù) GPRS流量 … 短信條數(shù)波動率 … 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 入網(wǎng)時間在 10月 1~25日的用戶從入網(wǎng)當(dāng)天直到 10月底的日數(shù)據(jù) 33 建模結(jié)果 余額 品牌 手機(jī)報費用 套餐名稱 日均長途通話次數(shù) 月租費 日均本地被叫通話次數(shù) 充值次數(shù) 日均漫游通話次數(shù) 包打套餐標(biāo)志 本地通話次數(shù)波動率 手機(jī)郵箱標(biāo)志 新業(yè)務(wù)費 多次充值標(biāo)志 彩鈴訂購標(biāo)志 手機(jī)報訂購標(biāo)志 本地主叫次數(shù)波動率 重入網(wǎng)標(biāo)志 外網(wǎng)通話對端數(shù)波動率 通話大于 5分鐘標(biāo)志 通話標(biāo)志 短信發(fā)送條數(shù)波動率 ? 模型使用了交叉驗證， 模型的結(jié)果為決策樹，應(yīng)用模型后的輸出為用戶流失的臵信度 ? 用戶余額、品牌、手機(jī)報費用、套餐名稱、日均長途通話次數(shù)、月租費、日均本地被叫通話次數(shù)變量重要 變量重要性 34 模型預(yù)測效果評估 ? 由于沒有 11月的數(shù)據(jù)可用于測試 12月流失情況，使用建模數(shù)據(jù)集評估模型擬合效果 ? 從收益圖來看，模型篩選了 20%的 10月新增用戶，包含了 50%的 11月流失用戶 篩選 40%的的 10月新增用戶，包含了 74%的 11月流失用戶 74% 50% 35 模型應(yīng)用流程 ? 新增用戶和高價值用戶 ? 當(dāng)前在網(wǎng)用戶 定義候選用戶 識別正常用戶 ?渠道