運(yùn)用呼叫中心的電子郵件整合顧客信息用于客戶流失預(yù)測docxdocx(編輯修改稿)
2025-08-14 15:42 本頁面
【文章內(nèi)容簡介】 入向量,w為參數(shù)向量和w0為攔截。Neslin等[23]表示，使用這種技術(shù)是因為它的概念很簡單[8]，后驗概率的封閉形式的解決方案是可用的，它提供了在流失預(yù)測中的快速和穩(wěn)定的結(jié)果。變量選擇是根據(jù)他們的預(yù)測性能消除一些變量的一個子集選擇的過程。Kim等人[18]指出，使用一個變量選擇技術(shù)的主要有三個原因：節(jié)省計算時間，從最少的變量中提取盡可能多的信息，提高模型的可理解性和使決策模型更好地概括。我們的研究采用了前瞻性的選拔程序：該算法在一定時間內(nèi)增加一個變量。第一個進(jìn)入模型的變量，具有最高的X2統(tǒng)計。在每一步中，其余的變量被認(rèn)為是列入最終模型，直到停止規(guī)則觸發(fā)，前瞻性選擇添加變量停止。本標(biāo)準(zhǔn)的變量選擇技術(shù)的選擇，使得它很容易實施，而更復(fù)雜的算法計算更加昂貴，并且需要額外的參數(shù)設(shè)置。為了評估分類模型的性能，使用兩種常用的標(biāo)準(zhǔn)是：接收操作曲線（AUC）下的電梯和地區(qū)。電梯是最常用的績效衡量標(biāo)準(zhǔn)評估分類模型。它反映了事件的流失密度在總數(shù)據(jù)庫中的密度相對增加。電梯越高，預(yù)測模型越好。在市場營銷應(yīng)用中，它的增加是有趣的，尤其是在排名前10％的情況下最有可能流失。營銷決策者通常是在整個營銷數(shù)據(jù)庫中只有10％的權(quán)益，因為預(yù)算往往是有限的，為減少流失通常涉及的行動在整個客戶數(shù)據(jù)庫中只有10％。實際上，所有的案件都是按照從最有可能流失到最不容易流失。之后，排名前10％的情況下最有可能流失的密度與整個客戶收集的流失的密度相比。這種密度的增加，被稱為頂級等分電梯。直觀地說，等分電梯的兩種手段，在排名前10％的情況下最有可能流失，流失的密度是在整個數(shù)據(jù)庫中的流失的密度的兩倍。AUC是考慮與該事件的真正類的事件的預(yù)測類，考慮所有可能的臨界值。因此，AUC考慮到可能的是閾值范圍的個人級的性能。如果真陽性（TP）是正確識別的陽性數(shù)，假陽性（FP）是歸類為陽性陰性數(shù)，假陰性（FN）被確定為陰性的真正陽性案例數(shù)，真陰性（TN）是歸類為陰性的案例數(shù)然后靈敏度（TP /（TP + FN））：預(yù)測為陽性的陽性例的比例。特異性（TN /（TN + FP））：預(yù)測為陰性的陰性例的比例對于這些多種多樣不同的閾值。接收機(jī)操作特性曲線（ROC）是一個相對于（1特異性）靈敏度的二維圖。為了比較兩個或更多分類模型，接收機(jī)操作特性曲線下計算面積的。這項措施是用來評估二進(jìn)制分類系統(tǒng)的性能[15]。為了測試，如果兩個AUCS 是不同的，可以申請非參數(shù)檢驗等。 [13]。3. 經(jīng)驗證實 研究資料在我們的研究中，我們使用了一個大型的比利時報紙出版公司獲得的數(shù)據(jù)。用戶支付一個固定的價格，他們的報紙根據(jù)認(rèn)購的長度而定套餐和促銷優(yōu)惠。公司不允許用戶屆滿日期前結(jié)束其認(rèn)購。因此，客戶流失預(yù)測問題涉及預(yù)測客戶是否將在到期后的4周內(nèi)重新訂閱。在此期間，報紙出版公司還提供報紙，為了讓用戶在規(guī)定時間更新其認(rèn)購，公司擁有一個結(jié)構(gòu)化的營銷數(shù)據(jù)庫，交易和認(rèn)購的相關(guān)信息都存儲在其中，他們保存所有客戶的電子郵件發(fā)送到呼叫中心。圖3顯示我們的研究分析中的時間窗口 . Time window of analysis從2002年1月至2005年9月的訂閱數(shù)據(jù)進(jìn)行了分析，因此，它是可能的定義依賴和解釋變量。2004年7月和2005年7月之間對所有重建點進(jìn)行了審議。一位顧客被視為一個流失客戶，未在到期日的4周后重新訂閱。解釋變量構(gòu)建了兩個可用的信息類型。這些都是用來預(yù)測是否將重新訂閱。第一種類型的變量包含結(jié)構(gòu)化營銷數(shù)據(jù)庫中的信息。這些變量包含在30個月內(nèi)的信息。他們被分為4個類別（見附錄C）：l 客戶端/公司的互動變量l 訂閱相關(guān)變量l 重建和特定變量l 社會經(jīng)濟(jì)人口統(tǒng)計第二類信息，包括他/她在去年同期通過電子郵件發(fā)送的所有認(rèn)購信息。因為這些信息是高度非結(jié)構(gòu)化，郵件預(yù)處理代表他們在我們的客戶流失預(yù)測模型中。為了比較從客戶流失預(yù)測模型的呼叫中心電子郵件中獲得的非結(jié)構(gòu)化信息的有利影響，可以考慮在認(rèn)購的最后任期內(nèi)至少發(fā)送一個電子郵件訂閱。表1和表2總結(jié)了隨機(jī)分成訓(xùn)練和測試集的數(shù)據(jù)特征。訓(xùn)練集，以獲得最佳的SVD維和模型估計，而測試集是用來驗證和比較不同的模型。 選擇最優(yōu)維度文本預(yù)處理階段，生成高維電子郵件矩陣。從預(yù)測的觀點來看，這是行不通的。其最佳的降低范圍是通過在訓(xùn)練數(shù)據(jù)上應(yīng)用一個交叉驗證程序獲得的。圖4顯示了這種交叉驗證的結(jié)果。 X軸和Y軸代表的AUC交叉驗證。很顯然，在1100范圍內(nèi)，交叉驗證的性能顯著提高。從100單位開始，交叉驗證的AUC增長速度減慢，而在約170單位，交叉驗證的性能穩(wěn)定。包括超過170單位，導(dǎo)致一個更復(fù)雜的流失模型的預(yù)測性能，而難以提高。因此170的單位是在我們的研究文本信息中的最佳選擇。此時，在單位數(shù)和預(yù)測性能之間達(dá)到一個良好的平衡。Fig. 4. The crossvalidated AUC during the optimal dimension selection phase.
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1