【正文】 的線性擬合表達(dá)式，應(yīng)用模型時輸入為用戶當(dāng)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 28 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(zhǔn)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(zhǔn)確率）提升度分別為 、 。概率最大的目標(biāo)類被指定為該記錄的預(yù)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)則將他們聚合成越來越大的類，直到滿足一些預(yù)先設(shè)定的條件。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)點記錄個數(shù) – …… 15 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 16 篩選建模變量、根據(jù)模型要求進行數(shù)據(jù)變換 建模準(zhǔn)備 經(jīng)分?jǐn)?shù)據(jù) 挖掘?qū)挶? 變量轉(zhuǎn)換 變量篩選 健康度建 模指標(biāo)庫 變量清洗 17 用戶細(xì)分采用凝聚層次聚類算法 選擇 初始化 更新 結(jié)束 ?計算包含每對樣本間距離（如歐氏距離）的相似矩陣，把每個樣本作為一個簇 ?使用相似矩陣查找最相似的兩個簇 ?將兩個簇合并為一個簇，簇的個數(shù)通過合并被更新；同時更新相似矩陣，將兩個簇的兩行（兩列）距離用 1行（ 1列）距離替換反映合并操作。確定建模用戶集合 ? 建模衍生變量計算。 1 2 13 正常低網(wǎng)齡用戶細(xì)分、預(yù)警及維系框架 精準(zhǔn)營銷模型 新增用戶細(xì)分模型 用戶價值 在網(wǎng)時長 渠道偏好 促銷偏好 用戶號碼 消費特征 用戶清單 話費余額 新增網(wǎng)用戶流失模型 商務(wù)高端用戶群 長途話務(wù)突出群 本地話務(wù)突出群 本地低端用戶群 數(shù)據(jù)業(yè)務(wù)發(fā)燒群 …… 漫游突出用戶群 數(shù)據(jù)業(yè)務(wù)興趣群 本地話務(wù)偏好群 在網(wǎng)異動用戶 流失高危用戶 長途話務(wù)突出群 本地話務(wù)突出群 本地低端用戶群 …… 漫游突出用戶群 數(shù)據(jù)業(yè)務(wù)突出群 本地話務(wù)偏好群 當(dāng)月新增用戶 其他新增用戶 營銷案 14 用戶流失預(yù)警和細(xì)分建模過程 ? 流失現(xiàn)狀分析 ? 流失原因分析 ? 流失用戶特征分析 ? 流失預(yù)警建模目標(biāo)溝通確定 ? 流失細(xì)分模型目標(biāo)溝通確定 ? 根據(jù)建模要求和現(xiàn)有數(shù)據(jù)情況，構(gòu)思、溝通和確定建模數(shù)據(jù)提取需求 ? 提取 09年 110月新增用戶在 110月的自然屬性和消費行為數(shù)據(jù) ? 提取 09年 10月新增用戶在 10月的日消費行為數(shù)據(jù) ? 數(shù)據(jù)質(zhì)量審核 ? 數(shù)據(jù)探索 ? 非正常用戶的剔除。 細(xì)分用戶群 基本策略 流失高危 用戶 在網(wǎng)異動 用戶 相對穩(wěn)定 用戶 12 多級預(yù)警，多級維系 在模型挖掘的基礎(chǔ)上，準(zhǔn)確判別正常低網(wǎng)齡用戶的流失傾向，根據(jù)用戶流失概率的高低分別實施針對性的維系策略和措施，對可能流失的用戶提前預(yù)防，多級維系，有效地防止用戶流失。 ? 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，維系策略將以強化用戶的業(yè)務(wù)黏性為重點，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。運用數(shù)據(jù)挖掘方法，識別出不同流失預(yù)警級別的用戶，針對高危用戶和異動用戶分別采取針對性的營銷捆綁手段進行維系，同時結(jié)合網(wǎng)齡營銷，延長用戶生命周期。 ? 加強欠費管理，減少無效欠費； ? 主卡付費 +親情網(wǎng)； ? 賬戶低余額時充值提示； ? 優(yōu)惠或免費補卡； ? 推薦帶號轉(zhuǎn)品牌或帶號轉(zhuǎn)套餐。 產(chǎn)品 /促銷 傳播 渠道 服務(wù) ? 加強（社會）渠道掌控，規(guī)范渠道行為，減少系統(tǒng)性離網(wǎng)行為。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行重入網(wǎng)分析。 ?識別規(guī)則： 通過對新入網(wǎng)用戶使用手機的 IMEI號（或身份證號碼）與存量用戶的 IMEI號歷史庫（或身份證號碼歷史庫）進行分析識別出重入網(wǎng)和反復(fù)重入網(wǎng)用戶。如， 9月新入網(wǎng)用戶IMEI或身份證號與 3月到 8月用戶 IMEI或身份證號碼庫匹配后，得到 9月新入網(wǎng)用戶中重入網(wǎng)用戶。 疑似養(yǎng)卡渠道和養(yǎng)卡號碼判斷規(guī)則 疑 似 養(yǎng) 卡 渠 道 ?產(chǎn)品： 渠道新增用戶中， 30%以上的用戶都為兩廣情零聽計劃或都市“零聽”計劃二，該渠道為疑似養(yǎng)卡渠道 ?主叫時長 ：渠道新增用戶中， 50%以上或 100人以上的用戶入網(wǎng)當(dāng)月和次月主叫時長在 3分鐘內(nèi)，該渠道為疑似養(yǎng)卡渠道 ?用戶狀態(tài)： 渠道新增用戶中，入網(wǎng)后在第 3個月， 30%以上的用戶狀態(tài)為停機流失，該渠道為疑似養(yǎng)卡渠道 疑 似 養(yǎng) 卡 號 碼 ?消費情況 : ? 5個或以上號碼號碼入網(wǎng)當(dāng)月和次月主叫時長都在 3分鐘內(nèi)； ? 5個或以上號碼號碼入網(wǎng)當(dāng)月和次月消費在 5元以內(nèi)； ? 2個以上號碼入網(wǎng)當(dāng)月或次月應(yīng)收費完全一致， 這些號碼為疑似養(yǎng)卡號碼 ?激活情況： ? 5個或以上號碼號碼激活I(lǐng)MEI一致 。某運營商數(shù)據(jù)挖掘項目匯報 _新增用戶維系 2023年 3月 2 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