【文章內(nèi)容簡介】 主要消費行為特征（網(wǎng)齡 =2個月） 1 序號 細(xì)分群名稱 細(xì)分群特征 規(guī)模占比 1 商務(wù)高端用 戶群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；ARPU最高為 240元 /戶以上，交往圈最大，本長漫語音話務(wù)均高，且每次通話時長較長 % 2 漫游突出用 戶群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；ARPU為 85元 /戶左右，經(jīng)常去外地，漫游話務(wù)突出，本地及長途話務(wù)較少，且漫游通話頻次最高 % 3 長途話務(wù)突 出群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；ARPU為 120元 /戶左右，交往圈中有大量外地號碼，長途話務(wù)突出，漫游很少，且長途通話頻次最高 % 4 本地話務(wù)突 出群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；ARPU為 120元 /戶左右，交往圈主要集中在本地，本地話務(wù)突出，長途漫游較少，且本地通話頻次最高 % 5 本地話務(wù)偏 好群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；ARPU為 67元 /戶左右，交往圈主要集中在本地，通話時長相對較低，但本地話務(wù)相對突出，長途漫游很少 % 6 本地低端用 戶群 語音和數(shù)據(jù)業(yè)務(wù)消費行為均較低，用消費戶行為相對均衡； ARPU較低為30元 /戶左右，很少去外地，漫游和長途時長比例最低 ,平均每次通話時長最短 % 20 序號 細(xì)分群名稱 細(xì)分群特征 規(guī)模占比 7 短信突出用 戶群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；ARPU為 40元 /戶左右，數(shù)據(jù)業(yè)務(wù)消費占比高于 50%，主要使用短信業(yè)務(wù)，且短信上行條數(shù)最高 % 8 GPRS突出用戶群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；ARPU為 30元 /戶左右，數(shù)據(jù)業(yè)務(wù)消費占比高于 50%， GPRS流量高，其他數(shù)據(jù)業(yè)務(wù)使用較少 % 9 數(shù)據(jù)業(yè)務(wù)興 趣群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；ARPU為 20元 /戶左右，訂購數(shù)據(jù)業(yè)務(wù)種類最多，但消費不高，數(shù)據(jù)業(yè)務(wù)費用占比高于 50% % 10 數(shù)據(jù)業(yè)務(wù)發(fā) 燒群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；ARPU為 65元 /戶左右，訂購數(shù)據(jù)業(yè)務(wù)種類最多，且數(shù)據(jù)業(yè)務(wù)消費最高， 占比高達(dá) 67% % 細(xì)分群主要消費行為特征（網(wǎng)齡 =2個月） 2 21 網(wǎng)齡 1月新增用戶細(xì)分模型 ? 采用 SPSS及 CLEMENTINE作為數(shù)據(jù)分析與聚類建模工具 ? 算法為 Two Step 聚類算法 ? 使用細(xì)分矩陣，按照語音消費行為和數(shù)據(jù)業(yè)務(wù)消費行為兩次聚類的方法分別聚類，多維聚類的方法較傳統(tǒng)單維聚類方法，聚類后的用戶細(xì)分特征更明顯 ? 聚類數(shù)據(jù)集為 2023年 10月 1~25日入網(wǎng)， 11月 1日之前未流失的用戶從入網(wǎng)當(dāng)日至月底的日均消費行為數(shù)據(jù) ? 數(shù)據(jù)在聚類前需進(jìn)行標(biāo)準(zhǔn)化變換和極值處理 低端 中低端 長途突出 本地突出 商務(wù) 占比占比 高 使用少 興趣 上網(wǎng)突出 發(fā)燒友 日均本地通話次數(shù) 日均長途通話次數(shù) 日均漫游通話次數(shù) 日均計費通話時長 日均 GPRS流量 日均彩信條數(shù) 日均短信條數(shù) 新業(yè)務(wù)使用 種類數(shù) 新業(yè)務(wù)費占比 22 序號 細(xì)分群名稱 細(xì)分群 特征 規(guī)模占比 1 漫游突出用戶群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 100元 /戶左右，經(jīng)常去外地，漫游話務(wù)突出，本地及長途話務(wù)很少，且漫游通話頻次最高 % 2 長途話務(wù)突出群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 100元 /戶左右，交往圈中有大量外地號碼，長途話務(wù)突出，基本無漫游，且長途通話頻次最高 % 3 本地話務(wù)突出群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 75元 /戶左右，交往圈主要集中在本地，本地話務(wù)突出，基本無漫游，長途很少，且本地通話頻次最高 % 4 本地話務(wù)偏好群 語音消費行為相對數(shù)據(jù)業(yè)務(wù)消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 55元 /戶左右，交往圈主要集中在本地，通話時長相對較低，但本地話務(wù)相對突出，基本無漫游，長途很少 % 5 本地低端用戶群 語音和數(shù)據(jù)業(yè)務(wù)消費均較低，且二者消費相對均衡；入網(wǎng)當(dāng)月 ARPU為 25元 /戶左右，主要在本地活動，本、長、漫通話時長均為最低，基本無數(shù)據(jù)業(yè)務(wù)使用量 % 細(xì)分群主要消費行為特征（網(wǎng)齡 1個月） 1 23 序號 細(xì)分群名稱 細(xì)分群 特征 規(guī)模占比 6 數(shù)據(jù)業(yè)務(wù)突出群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 30元 /戶左右，訂購數(shù)據(jù)業(yè)務(wù)種類最多，且數(shù)據(jù)業(yè)務(wù)消費占比高， 高達(dá) 79% % 7 GPRS偏好用戶群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；入網(wǎng)當(dāng)月 ARPU為 54元 /戶左右， GPRS消費最高，遠(yuǎn)高于其他群，且數(shù)據(jù)業(yè)務(wù)消費占比高， 高達(dá) 77% % 8 短信突出用戶群 數(shù)據(jù)業(yè)務(wù)消費行為相對語音消費行為更為突出，為用戶主要行為屬性；入當(dāng)月 ARPU為 80元 /戶左右，數(shù)據(jù)業(yè)務(wù)消費占比為 65%左右，日平均發(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，且連續(xù)停機 60天以上用戶 ,到 2023年 11月仍未開機用戶 ?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。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。 ?邏輯回歸預(yù)測模型：也稱定性變量回歸，類似于線性回歸，但是目標(biāo)字段使用字符型字段而不是數(shù)值型字段。Logistic回歸建立一組方程，把輸入屬性值與輸出字段每一類的概率聯(lián)系起來。一旦生成模型，便可用于估計新記錄屬于某類的概率。概率最大的目標(biāo)類被指定為該記錄的預(yù)測輸出值 。 ? 邏輯回歸算法具有訓(xùn)練集和測試集預(yù)測準(zhǔn)確率的差