某運營商數(shù)據(jù)挖掘項目匯報_新增用戶維系-資料下載頁
2024-11-25 22:12本頁面
【正文】 口 建模變量 基本情況 語音通話情況 數(shù)據(jù)業(yè)務使用情況 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)務費用 數(shù)據(jù)業(yè)務消費占比 數(shù)據(jù)業(yè)務使用種類數(shù) … 數(shù)據(jù)業(yè)務費用波動率 … 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 30 建模結果 余額 本地被叫通話次數(shù) 欠費金額 本地被叫次數(shù)波動率 通話標志 通話時長大于 5分鐘標志 多次充值標志 其他費用 本地主叫次數(shù)波動率 新業(yè)務費 通話次數(shù) 月租費 ARPU 彩鈴訂購標志 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)變換和標準化變換，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)設臵同在在網(wǎng) 2月新增用戶流失預警模型 ? 模型的結果為對數(shù)流失風險比的線性擬合表達式 ? 用戶余額、本地被叫通話次數(shù)、欠費金額、本地被叫次數(shù)波動率、通話標志、通話時長大于 5分鐘標志變量重要 變量重要性 31 模型預警 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確率）提升度分別為 、 。 % * 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)當天直到 10月底的日數(shù)據(jù) 33 建模結果 余額 品牌 手機報費用 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) 包打套餐標志 本地通話次數(shù)波動率 手機郵箱標志 新業(yè)務費 多次充值標志 彩鈴訂購標志 手機報訂購標志 本地主叫次數(shù)波動率 重入網(wǎng)標志 外網(wǎng)通話對端數(shù)波動率 通話大于 5分鐘標志 通話標志 短信發(fā)送條數(shù)波動率 ? 模型使用了交叉驗證， 模型的結果為決策樹，應用模型后的輸出為用戶流失的臵信度 ? 用戶余額、品牌、手機報費用、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 模型應用流程 ? 新增用戶和高價值用戶 ? 當前在網(wǎng)用戶 定義候選用戶 識別正常用戶 ?渠道養(yǎng)卡用戶識別模型 ? 跳蚤用戶識別模型 篩選流失預警用戶 用戶細分模型 根據(jù)不同用戶特征，采用適宜的挽留策略 了解用戶特征 ?在網(wǎng) 1月新增用戶流失預警模型 ?在網(wǎng) 2月新增用戶流失預警模型 ?在網(wǎng) 2月以上新增用戶流失預警模型 ?高價值用戶流失預警模型 ?高價值用戶用戶細分模型 ?在網(wǎng) 1月新增用戶細分模型 ?在網(wǎng) 2月以上新增用戶細分模型 36 維 系 方 案 正常低網(wǎng)齡用戶維系措施 正常低網(wǎng)齡用戶維系 在網(wǎng)異動用戶 流失高危用戶 ?財務捆綁：預存話費送話費（高額度） ?用戶忠誠度計劃 ?網(wǎng)齡營銷（財務捆綁） ?服務捆綁 ?用戶歸位，主動引導用戶歸位至適合其自身消費的品牌和資費套餐； ?優(yōu)惠補卡； ?賬戶低余額時充值提醒； ?主卡付費 +親情網(wǎng) …… ? 同一細分群的流失高危用戶和在網(wǎng)異動用戶采用同一類型的捆綁政策，但在力度上會有所差異。 ?業(yè)務捆綁：預存送本地長途通話分鐘數(shù) ?業(yè)務捆綁：預存送本地通話分鐘數(shù)（高額度） ?財務捆綁 ： 預存話費送話費（中低額度） ?業(yè)務捆綁：專項預存 高價值數(shù)據(jù)業(yè)務套餐優(yōu)惠 ?業(yè)務捆綁：專項預存 短信套餐捆綁 ?業(yè)務捆綁：專項預存 GPRS套餐捆綁 ?業(yè)務捆綁：預存送漫游主叫通話分鐘數(shù) ?業(yè)務捆綁：專項預存 數(shù)據(jù)業(yè)務套餐優(yōu)惠 ?業(yè)務捆綁：預存送本地通話分鐘數(shù)（低額度） 商務高端用戶群 長途話務突出群 本地話務突出群 本地低端用戶群 數(shù)據(jù)業(yè)務發(fā)燒群 短信偏好用戶群 GPRS偏好用戶群 漫游突出用戶群 數(shù)據(jù)業(yè)務興趣群 本地話務偏好群 全用戶 37 謝 謝 ！
教學課件相關推薦
鄂ICP備17016276號-1