某運營商數(shù)據(jù)挖掘項目匯報_新增用戶維系(參考版)
2025-01-04 00:52本頁面
【正文】 % * 提升度 =模型篩選用戶流失率 /用戶集中用戶流失率 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) 建模結(jié)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(jié)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 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% 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 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。 ?比較模型預測效果，選擇預測效果較佳分類算法 模型 比較 結(jié)論 正常低網(wǎng)齡用戶流失采用預警分類算法 在網(wǎng) 2月新增用戶流失預警模型 ? 采用 SPSS和 CLEMENTINE作為數(shù)據(jù)分析和建模工具 ? 分別采用邏輯回歸算法和決策樹算法建模，比較模型預測效果，確定使用邏輯回歸算法 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 … 本地通話次數(shù) 長途通話次數(shù) 漫游通話次數(shù) … 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) … 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 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 入網(wǎng)月份 取數(shù)月份 流失月份 流失觀察月份 建模變量 建模結(jié)果 余額 通話次數(shù) 套餐名稱 本地被叫次數(shù) 欠費金額 本地主叫次數(shù) 網(wǎng)內(nèi)通話對端數(shù) 網(wǎng)外通話對端數(shù) 彩鈴訂購標志 通話時長大于 5分鐘標志 多次充值標志 欠費標志 ARPU大于 0標志 長途通話次數(shù) 漫游通話次數(shù) 新業(yè)務費 通話標志 包打套餐標志 手機報費用 本地主叫通話標志 撥打 10086次數(shù) 重入網(wǎng)標志 ? 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 ? 邏輯回歸算法使用的方法是進入法，模型調(diào)整變量的依據(jù)是回歸參數(shù)的 Wald檢驗，模型擬合優(yōu)度的評判標準時是 2對數(shù)似然值，值越小，擬合效果越好 ? 模型的結(jié)果為對數(shù)流失風險比的線性擬合表達式，應用模型時輸入為用戶當前在建模變量上的值，輸出為用戶的流失概率 ? 下圖展示了建模變量的重要性（調(diào)整后的實際建模變量） 變量重要性 用戶集： 09年 07月入網(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 16%、 34%和48%，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 、 。概率最大的目標類被指定為該記錄的預測輸出值 。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。它采用自頂向下的遞歸方式，在決策樹的內(nèi)部節(jié)點進行屬性的比較，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。 層次聚類可以分為兩種：凝聚的方式和分割的方式，凝聚是一種至底向上的方法，將每一條記錄看作一個類，然后根據(jù)一些規(guī)則將他
教學課件相關(guān)推薦
鄂ICP備17016276號-1