【正文】 10月 11月 3月 4月 5月 6月 7月 8月 9月 10月 11月 3月 4月 5月 6月 7月 8月 9月 10月 11月 3月 4月 5月 6月 7月 8月 9月 10月 11月 建模時間窗口 測試時間窗口 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 … 月數(shù)據(jù) 時間段變化趨勢數(shù)據(jù) 月數(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 … 數(shù)據(jù)業(yè)務(wù)費(fèi)用 數(shù)據(jù)業(yè)務(wù)消費(fèi)占比 數(shù)據(jù)業(yè)務(wù)使用種類數(shù) … 數(shù)據(jù)業(yè)務(wù)費(fèi)用波動率 … 3月 4月 5月 6月 7月 8月 9月 10月 11月 3月 4月 5月 6月 7月 8月 9月 10月 11月 3月 4月 5月 6月 7月 8月 9月 10月 11月 建模結(jié)果 余額 本地被叫通話次數(shù) 欠費(fèi)金額 本地被叫次數(shù)波動率 通話標(biāo)志 通話時長大于 5分鐘標(biāo)志 多次充值標(biāo)志 其他費(fèi)用 本地主叫次數(shù)波動率 新業(yè)務(wù)費(fèi) 通話次數(shù) 月租費(fèi) ARPU 彩鈴訂購標(biāo)志 長途通話次數(shù) 漫游通話次數(shù) 本地主叫次數(shù) ? 所有的數(shù)據(jù)經(jīng)過對數(shù)變換和標(biāo)準(zhǔn)化變換，消除不同變量和不同月份對模型的影響 ? 回歸分析方法和參數(shù)設(shè)臵同在在網(wǎng) 2月新增用戶流失預(yù)警模型 ? 模型的結(jié)果為對數(shù)流失風(fēng)險比的線性擬合表達(dá)式 ? 用戶余額、本地被叫通話次數(shù)、欠費(fèi)金額、本地被叫次數(shù)波動率、通話標(biāo)志、通話時長大于 5分鐘標(biāo)志變量重要 變量重要性 模型預(yù)警 20%的正常用戶，包含 61%的下月流失用戶 用戶集： 09年 06月 （包括06月）以前 入網(wǎng)、 08月仍然正常的用戶 ； 模型篩選用戶： 通過模型篩選出的用戶集中 20%的用戶，其中， ? 包含了用戶集中 %的9月流失用戶； ? 模型篩選用戶 9月、 10月和 11月的流失率 （模型準(zhǔn)確率） 分別為 %、 36%和43%，比用戶集中用戶的流失率（不使用模型篩選的準(zhǔn)確率）提升度分別為 、 。一旦生成模型，便可用于估計新記錄屬于某類的概率。根據(jù)提取的基礎(chǔ)數(shù)據(jù)寬表計算衍生變量 ? 建模變量篩選 ? 特征建模分析 ? 卡方分析 ? 方差分析 ? 雙變量分析 ? Pearson相關(guān)分析 ? wald顯著性檢驗 ? 量重要性分析 ? 建模變量數(shù)據(jù)轉(zhuǎn)換 ? 對數(shù)變換 ? 標(biāo)準(zhǔn)化變換 ? 確定建模用戶集 ? 確定建模用戶數(shù)據(jù)集 ? 采用 Two Step聚類算法，建立用戶細(xì)分模型 ? 月數(shù)據(jù)用戶細(xì)分模型（高價值 用戶和在網(wǎng) 2月及 2月以上的新增用戶細(xì)分 ? 日數(shù)據(jù)用戶細(xì)分模型（在網(wǎng) 1月新增用戶細(xì)分） ? 業(yè)務(wù)解釋聚類結(jié)果，調(diào)整模型參數(shù)和建模變量，直到得到滿意結(jié)果 ? 確定建模用戶集 ? 確定建模用戶數(shù)據(jù)集 ? 采用邏輯回歸和決策樹算法建立流失預(yù)警模型 ? 在網(wǎng) 2月新增用戶流失預(yù)警模型 ? 在網(wǎng) 2月以上新增用戶流失預(yù)警模型 ? 在網(wǎng) 1月新增用戶流失預(yù)警模型 ?采用生存分析算法建立高價值用戶流失預(yù)警模型 ? 模型的評估 ? 提升圖、收益圖 ? 混淆矩陣。 正常低網(wǎng)齡用戶分群 用戶 ? 重綁： 針對高危用戶在網(wǎng)黏性已很弱的特點(diǎn)，采取較大力度的營銷捆綁策略，以返還周期短的財務(wù)捆綁和力度較大的業(yè)務(wù)捆綁為主，以服務(wù)捆綁為輔。 ?為了提高分析結(jié)果的準(zhǔn)確率，每月定期對上月新入網(wǎng)的用戶（上月入網(wǎng)并激活的用戶）進(jìn)行分析。某運(yùn)營商數(shù)據(jù)挖掘項目匯報 _新增用戶維系 2023年 3月 新增用戶維系基本流程 采用生存分析法，對有流失傾向的用戶進(jìn)行提前預(yù)警，并可根據(jù)用戶流失概率的高低劃定預(yù)警級別 ? 流失高危用戶群 ? 在網(wǎng)異動用戶群 ? 正常用戶群 異動預(yù)警監(jiān)控 維系策略方案生成 ? 渠道養(yǎng)卡監(jiān)管措施 ? 重入網(wǎng)與反復(fù)用戶管控措施 ? 正常低網(wǎng)齡用戶維系措施 維系方案實施 ? 營銷案實施流程 ? 維系渠道 ? 維系方式 維系策略及方案 維系情況反饋 目標(biāo)達(dá)成情況 維系效果評估： ? 渠道養(yǎng)卡識別及監(jiān)管 ? 重入網(wǎng)與反復(fù)重入網(wǎng) ? 正常低網(wǎng)齡用戶維系 維系效果評估 新增用戶分群： ? 渠道養(yǎng)卡 ? 重入網(wǎng)與反復(fù)重入網(wǎng)用戶 ? 正常低網(wǎng)齡用戶細(xì)分 根據(jù)正常低網(wǎng)齡用戶偏好進(jìn)行細(xì)分 新增用戶分群 ? 建立新增用戶維系閉環(huán)管理體系，準(zhǔn)確分群，分級預(yù)警，制定針對性的維系策略和方案并實施，實現(xiàn)新增用戶保有。分析示意如下：用戶在 N月入網(wǎng)并激活（有話單產(chǎn)生），則在 N+1月（計算月）對 N月入網(wǎng)并激活的所有用戶進(jìn)行重入網(wǎng)分析。 ? 力保： 針對異動用戶尚處于流失猶豫期、還具有一定黏性的特點(diǎn)，維系策略將以強(qiáng)化用戶的業(yè)務(wù)黏性為重點(diǎn)，以業(yè)務(wù)捆綁和較長返還周期的財務(wù)捆綁為主，以服務(wù)捆綁為輔。準(zhǔn)確率和查全率 ? 模型的優(yōu)化 ? 建模訓(xùn)練集比例 ? 異常值處理 ? 建模變量 ? 建模方法 ? 模型參數(shù) – 顯著性檢驗方法 – 顯著性檢驗變量剔除閾值 – 樹的深度和頁節(jié)點(diǎn)記錄個數(shù) – …… 業(yè)務(wù)與數(shù)據(jù) 分析 數(shù)據(jù)準(zhǔn)備 建模準(zhǔn)備 細(xì)分模型 預(yù)警模型 模型評估和優(yōu)化 數(shù)據(jù)提取 數(shù)據(jù)清洗 數(shù)據(jù)審核 數(shù)據(jù)集成 ? 數(shù)據(jù)挖掘?qū)挶順?gòu)建 ? 缺失數(shù)據(jù)處理 ? 極值數(shù)據(jù)處理 ? 錯誤數(shù)據(jù)處理 ? 冗余數(shù)據(jù)處理 ? 數(shù)據(jù)統(tǒng)計錯誤審核 ? 數(shù)據(jù)源錯誤審核 ? 數(shù)據(jù)統(tǒng)計口徑審核 數(shù)據(jù)準(zhǔn)備確保建模數(shù)據(jù)的完整性、可用性和完整性 ? 提取建模所需數(shù)據(jù) 數(shù)據(jù)準(zhǔn)備 篩選建模變量、根據(jù)模型要求進(jìn)行數(shù)據(jù)變換 建模準(zhǔn)備 字段過濾 ? 變異系數(shù) ? 標(biāo)準(zhǔn)差 ? 最大類別數(shù) ? 最小類別數(shù)