本章中，我們將闡述可預(yù)測哪些客戶在不久的將來可能會從您公司流失的數(shù)據(jù)挖掘方法，電信業(yè)務(wù)常將這種方法稱為客戶流失預(yù)測?？蛻袅魇ьA(yù)測通常因其市場飽和度和動態(tài)市場變化等典型市場特征而成為電信公司首公司。就可以提前采取一些規(guī)避措施。您可以通過簡單的查詢方式、OLAP分析，或僅根據(jù)經(jīng)以及如何將其應(yīng)用到您的CRM系統(tǒng)中。開發(fā)客戶保持策略(開展客戶保持活動)我們將詳細討論數(shù)據(jù)挖掘是如何利用您公司可用的變量來讓您預(yù)測哪些客戶很可能會或特征。因此，您可以在其從公司流失之前盡早發(fā)現(xiàn)這些行為。在構(gòu)建客戶流失預(yù)測模型時，我們并不建議您對各種各樣的客戶流失情況進行整體預(yù)而使其對業(yè)務(wù)用戶更具意義。弄清楚客戶流失類型(從某個公司(國家)流失到另一公司(國家))6章“如何發(fā)現(xiàn)客戶的真正價值”。內(nèi)進一步匯總，以供客戶流失預(yù)測建模時使用。在該案例中，我們使用了過去6個月正確推導(dǎo)產(chǎn)生的主要指標(亦稱主要指標或主要性能指標)可將實際業(yè)務(wù)經(jīng)驗轉(zhuǎn)化成數(shù)據(jù)，而客戶行為則可利用從詳細呼叫數(shù)據(jù)推導(dǎo)而來的數(shù)據(jù)得到充實。815.3節(jié)“初始化及及表5-1表5- 數(shù)據(jù)模型樣CUSTOMER客戶當前聯(lián)系狀態(tài)(可聯(lián)系、暫時不可聯(lián)系等客戶等級(金、銀、銅牌客戶等66呼叫相關(guān)服務(wù)(呼叫轉(zhuǎn)發(fā)、呼叫等待)折扣優(yōu)惠呼叫(常規(guī)呼叫方面)3計費/N個月內(nèi)的呼叫記錄(分鐘)預(yù)報窗口：用于預(yù)測和在初始化目標預(yù)測變量(客戶流失指標)HOEN會從公司流失”和“這些客戶將在什么時候離開公司”的問題。預(yù)報窗口是客戶流失建模的“O”部分。在建模階段，預(yù)報窗口是確定客戶是否會離開為其提供服務(wù)公司的時間框架。圖5- 預(yù)測建模時用到的時間范圍示可在對時間間隔為一個月、兩個月和N個月模型性能進行比較后對時間間隔進行定義。情況均標識為負值(非流失客戶)的優(yōu)質(zhì)模型(99%)。不過，這不能提供任何行收集。有些變量是按業(yè)務(wù)知識分類的。例如，DS(手機)是一個欄，說明客戶4.45-2表示的是由IntelligentMinerforData生成的一元統(tǒng)計的輸出結(jié)果。也是無效值。您可以用IntelligentMinerforData中的數(shù)據(jù)處理功能來正確處理這些無效5-3所示，每行中的變量順序向用戶表明：哪個變量可能會對客戶流失情況的預(yù)測影響更大。二元統(tǒng)計數(shù)據(jù)在IntelligentMinerforData中的可視化非常有利于用戶直觀而5-3CHURN變量明顯不同的程度。如圖所示，最明顯不同的變量是用于兩種情況的NEW_HANDSET。CONTRACTEX是最重要的五個變量，用以從整個用戶集中識別流失客戶。在任一徑向基函數(shù)徑向基函數(shù)徑向基函數(shù)(RBF)網(wǎng)絡(luò)屬于采用監(jiān)督訓(xùn)練算法(supervisedtrainingalgorithm)的前向回饋神經(jīng)網(wǎng)絡(luò)的組成就只有輸入和輸出節(jié)點間可調(diào)節(jié)權(quán)值(adjustableweight)。比較各個模型的性能，然后再選擇最佳模型。該建模過程如圖5-4所示。圖5- X865.42%的客戶數(shù)據(jù)集。當2%，這個值對該算法并無大礙。提示：IntelligentMinerforData具有錯誤加權(quán)函數(shù)，該函數(shù)可防止算法把全部流失客戶也可以設(shè)置決策樹的最大深度。在該案例中，決策樹最大深度限定為10。如果決策樹提示：IntelligentMinerforData內(nèi)含一個自動修剪算法和停止標準，諸如節(jié)點大小、樹Data自動修剪，若分枝對市場營銷前景毫無意義，則可以進行手工修剪。RBF(徑向基函數(shù)20%)。如果采用平衡樣本(50%)，模型的性能將會提示：當在IntelligentMinerforData4:1神經(jīng)網(wǎng)絡(luò)(預(yù)測在該案例中，我們采用決策樹中作為主要考慮的變量來進行說明。正如上文RBF部分在神經(jīng)網(wǎng)絡(luò)預(yù)測中，我們還采用分層樣本(20%)，因為神經(jīng)網(wǎng)絡(luò)預(yù)測中生成由預(yù)測客戶流失分數(shù)分類的、被分成多個庫(如：10個庫)10評估模型的目的是將每個模型生成的預(yù)測流失客戶列表與由您已有的標準所生成的預(yù)這樣的變量，則可以利用隨機選擇的流失客戶列表進行對比。5-526.12%1053名客戶為流失客戶：523名客戶已正確歸類，5302967名客戶為非流失客戶：2447名客戶已正確歸類，5204020名客戶：1050通過嘗試客戶流失數(shù)據(jù)模型的各種子選項來構(gòu)建決策樹，并利用測試數(shù)據(jù)集來進行驗證，您可以進行疊代運算來改進您樹形模型的誤差率。(如客戶流失率和市場營銷活動能力)5-6重要的變量。如圖5-6所示，OUTSPHERE被認為是最重要的變量，接著依次為HANDSET、CUSTOMERRATE等，因為這些變量很可能出現(xiàn)在決策樹的頂端部分。采用三個或更多不同電話號碼進行撥出呼叫采用舊式手機開始時沒有合同義務(wù)期限或合同尚未到期呼叫成功率高(CALL81.3%HANDSET節(jié)點上，您可以看到這些節(jié)點有一個向左分支的節(jié)點，這大都表圖5- 具有非流失客戶規(guī)則的決策在優(yōu)惠時段(夜間、節(jié)假日、每天中的特殊優(yōu)惠時段)它們或者特別年輕(1020歲)或者是老年人(7080歲)。此節(jié)點的純度36.7%。為什么優(yōu)惠價呼叫占呼叫總量的份額與客戶(特別是十幾歲的青少年)圖5-848%。徑向基函數(shù)圖5-95-92%的記錄的二元統(tǒng)計數(shù)據(jù)以及它們的預(yù)2%的記錄和它們的預(yù)測值。如果把這兩個分位數(shù)放–98-100%5-10這些客戶的呼叫成功率非常低這些客戶更可能為不活躍或被中止的客戶這些客戶有在六個月內(nèi)減少呼叫的趨勢40-50%是折扣優(yōu)惠呼叫這些客戶撥出的電話中號碼不同的電話只有五個或更少您還可以查看其它變量來了解RBF(徑向基函數(shù))建模所預(yù)測的流失客戶中前面2%的特GENDER、TENUREAGENT。GENDER是用于描述每組客戶的一個補充變量，而RBF的活動變量。5-110-2%–期達26個月或更長，成功呼叫率高。神經(jīng)網(wǎng)絡(luò)—10965-1210%。30%。25%表5-2()是所有步驟最重要的一步。如何將數(shù)據(jù)挖掘結(jié)果應(yīng)用到您的業(yè)務(wù)中來獲得數(shù)據(jù)挖掘所帶來的業(yè)務(wù)利益？本步驟之所以如些技術(shù)是如何成為整個流失管理過程的關(guān)鍵性成功因素。通過IntellientMinerforData應(yīng)用模式或IBMDB2InteligntMinerScorig可以將流失預(yù)測模