商務(wù)智能論文-范文

1、電信客戶流失影響因素與預測分析一、引言隨著世界經(jīng)濟的全球化、市場的國際化和我國加入WTO步伐的加速，國際化的市場環(huán)境要求國內(nèi)的公眾電信運營企業(yè)在經(jīng)營管理上向國際化競爭。同時隨著國家改革的深化，國內(nèi)電信業(yè)的市場環(huán)境已漸趨合理且競爭將日益加劇。國內(nèi)、國際電信業(yè)的如此態(tài)勢，對公眾電信運營企業(yè)的服務(wù)內(nèi)容、服務(wù)方式、服務(wù)質(zhì)量、經(jīng)營管理以及服務(wù)意識，已提出了嚴峻的挑戰(zhàn)。企業(yè)的經(jīng)營模式和服務(wù)體系正以客戶的價值取向和消費心理為導向，真正體現(xiàn)“創(chuàng)造需求”、“引導消費”的現(xiàn)代客戶服務(wù)意識與理念。目前電信運營商面臨著激烈的市場競爭。對電信運營商來說，客戶即生命，如何保持現(xiàn)有客戶是企業(yè)客戶管理的重中之重。因此，電信運

2、營商擁有的客戶越多，作為主要成本的前期投資就會越大，企業(yè)的利潤也就越大?？蛻糍Y源對于電信運營商來說其意義不言而喻，電信運營商之間的競爭實際上就是對客戶資源的競爭?？梢哉f，未來的電信行業(yè)，得客戶者得天下。當今電信市場競爭激烈，運營商每月客戶流失率在1%3%,挽留將要流失客戶，降低客戶流失率是近年來熱門的研究領(lǐng)域。而數(shù)據(jù)挖掘技術(shù)是解決這一問題的有效途徑,本文使用IBMSpssClementine(IBNSPSSModeler)進行數(shù)據(jù)挖掘與分析，深入了解電信客戶流失的關(guān)鍵，以對該類客戶的行為特性進行預警分析，采取針對性的措施改善客戶關(guān)系，避免客戶流失或者挽留客戶，達到亡羊補牢的效果?？蛻袅魇o電

3、信企業(yè)的利益帶來多方面的損害，使企業(yè)在競爭中處于不利地位。電信企業(yè)在爭取新客戶的同時，必須采取有效措施預防老客戶的流失，挽留一個老客戶能夠帶來很大的收益，可是這個客戶挽留活動畢竟只是公司眾多市場活動中的一個，預算也有限。因此分析流失客戶的特征是很關(guān)鍵的，現(xiàn)要求對數(shù)據(jù)庫中的數(shù)據(jù)進行分析，看看哪些客戶可能會流失？這些客戶都有哪些特征？根據(jù)流失客戶的特征組織一個市場營銷活動來遏制這種趨勢。二、問題分析根據(jù)已有的結(jié)果一一流失客戶(在數(shù)據(jù)中直接有判別數(shù)據(jù)有沒有流失的字段churn),尋找他們流失的原因，即流失客戶的特征。通過數(shù)據(jù)處理，統(tǒng)合數(shù)據(jù)，根據(jù)以前擁有的客戶流失數(shù)據(jù)建立基本屬性、服務(wù)屬性和客戶消費數(shù)

4、據(jù)與客戶流失可能性的數(shù)據(jù)模型，找出其潛在的關(guān)系，分析出客戶流失的因素，計算出客戶流失的可能性，預測客戶是否流失的可能性。對于客戶的基本數(shù)據(jù)、客戶行為數(shù)據(jù)及消費數(shù)據(jù)，進行數(shù)據(jù)挖掘，研究已流失客戶數(shù)據(jù)，從中找出先前未知的、對企業(yè)決策有潛在價值的知識和規(guī)則，發(fā)掘潛在流失客戶，讓企業(yè)適時把握住市場及客戶動態(tài)，掌握客戶流失的規(guī)律。三、算法簡介分類分析分類就是找出一個類別的概念描述，它代表了這類數(shù)據(jù)的整體信息，即該類的內(nèi)涵描述，并用這種描述來構(gòu)建模型，一般用規(guī)則或決策樹模式表示。分類是數(shù)據(jù)挖掘的主要方法，分類模型能很好地擬合訓練樣本集中屬性集與類別之間的關(guān)系，也可以預測一個新樣本屬于哪一類。分類技術(shù)已經(jīng)在

5、很多領(lǐng)域得到成功應(yīng)用，如醫(yī)療診斷，客戶流失預測，信用度分析，客戶分群和詐騙偵測。常見的分類方法有貝葉斯分類(Bayesian),神經(jīng)網(wǎng)絡(luò)(neuralnetworks),遺傳算法(geneticalgorithms)和決策樹分類器(decisiontrees)。在這些分類方法中，決策樹分類器在大規(guī)模的數(shù)據(jù)挖掘環(huán)境中已經(jīng)獲得了最為廣泛的應(yīng)用。決策樹演算法決策樹演算法是在進行數(shù)據(jù)挖掘時經(jīng)常使用的分類和預測方法。一個決策樹的架構(gòu)，是由三個部分所組成：葉節(jié)點(LeafNode)、決策節(jié)點(Decisionnodes)以及分支。決策樹演算法的基本原理為：通過演算法中所規(guī)定的分類條件對于整體數(shù)據(jù)進行分類，

6、產(chǎn)生一個決策節(jié)點，并持續(xù)依照演算法規(guī)則分類，直到數(shù)據(jù)無法再分類為止。決策樹演算法的比較決策樹演算法依據(jù)其演算原理以及可適用分析數(shù)據(jù)類型的不同延伸出多種決策樹演算法。在IBMSPSSModeler中，主要提供了四種常用的決策樹演算法供使用者選擇，分別為：C5.0、CHAID、QUEST以及C&RTree四種。使用者可依據(jù)數(shù)據(jù)類型以及分析需求的不同，選擇適當?shù)臎Q策樹演算法進行分析。雖然不同的決策樹演算法有各自適用的數(shù)據(jù)類型以及演算架構(gòu)等差異，但概括來說，決策樹的主要原理均為通過演算法所定義的規(guī)則，對數(shù)據(jù)進行分類，以建立決策樹。鑒于篇幅所限，以下部分將會針對這四類決策樹演算法進行簡單的介紹和比較，而

7、詳細演算法原理將不會在本文中詳述。C5.0由C4.5演化而來。此演算法的分類原理主要是利用資訊衡量標準(InformationMeasure)來構(gòu)建決策樹，并對每一個節(jié)點產(chǎn)生不同數(shù)目的分支來分割數(shù)據(jù)，直到數(shù)據(jù)無法分割為止。C5.0的目標字段(Target)測量級別，不適用于連續(xù)類型(Continuous)的測量級別。而輸入字段的數(shù)據(jù)型態(tài)則適用連續(xù)類型(Continuous)的測量級別。CHAID(Chi-SquareAutomaticInteractionDetector)此演算法和前述的C5.0概念很像，均可以在每一個節(jié)點產(chǎn)生不同數(shù)目的分支來分割數(shù)據(jù)，用來建立決策樹。但是在背后分類的原理則利

8、用卡方分析檢定(Chi-squareFtest)來進行分支，通過卡方檢定來計算節(jié)點中的P-value,來決定數(shù)據(jù)是否仍須進行分支。另外，CHAID的目標字段(Target)的測量級別可適用于連續(xù)類型(Continuous)的測量級別，但在輸入字段則只適用分類類型(Categorical)的測量級別。QUEST(QuickUnbiasedEfficientStatisticalTree)此演算法是利用統(tǒng)計方法分割數(shù)據(jù)，即以判定決策樹是否仍需進行分支，以建立二元的決策樹。QUEST在變數(shù)的數(shù)據(jù)型態(tài)限制上，跟C5.0一樣，目標字段(Target)測量級別，不適用于連續(xù)類型(Continuous)的測

9、量級別。但在輸入字段的測量級別則適用連續(xù)類型(Continuous)的測量級別。C&RTree(ClassificationandRegressionTree)又稱為CART，構(gòu)建決策樹的原理是使用GiniRatio作為判定決策樹是否仍須進行分支的依據(jù)，并建立二元的決策樹。此演算法不管是在目標變數(shù)(Target)以及輸入字段的測量級別均適用連續(xù)類型(Continuous)的測量級別做分析。決策樹演算法的選擇決策樹的幾大優(yōu)點“第一，與神經(jīng)網(wǎng)絡(luò)和貝葉斯分類器相比，決策樹提供非常直觀的描述，這種描述易于被吸收，轉(zhuǎn)化為標準的數(shù)據(jù)庫查詢第二，訓練神經(jīng)網(wǎng)絡(luò)模型時要花費大量的時間，要進行大量的重復操作，與之

10、相比決策樹效率要高很多，適合于大的訓練集。第三，決策樹生成算法除了訓練集中包含的信息外不需要附加的信息(即領(lǐng)域知識或類標簽以前的分布情況)。第四，決策樹有著可比的或更高的準確率。在使用決策樹演算法進行分析之前，首要工作就是選擇適當?shù)难菟惴āＲ话銇碚f，會根據(jù)所要分析數(shù)據(jù)的特性以及數(shù)據(jù)型態(tài)等選擇初步的演算法。接下來再通過比較初步篩選的決策樹分析出來的結(jié)果，選擇最適合的決策樹演算法。四、實驗與分析4.1數(shù)據(jù)準備數(shù)據(jù)來源：電信客戶流失數(shù)據(jù).sav（共有8個字段，1000個記錄）數(shù)據(jù)有8個字段，其中包含一些客戶個人信息，例如年齡、教育程度、退休、性別和客戶類別，還包含一些客戶使用電信服務(wù)信息（有附加服務(wù)

11、、基本服務(wù)、上網(wǎng)服務(wù)和所有服務(wù)）以及客戶的上網(wǎng)月數(shù)，（這里老師我不會把sav格式轉(zhuǎn)換成xlsx格式的，所以用的還是原來的那個1000個記錄的，（但是我把樣本抽樣選擇了前200了，由于我用前200的樣本數(shù)據(jù)進行數(shù)據(jù)挖掘，發(fā)現(xiàn)挖掘出來的結(jié)果完全失去了真實性，與現(xiàn)實不符合，所以我還是將數(shù)據(jù)樣本量改成了1000了，為了保證我做出數(shù)據(jù)挖掘預測結(jié)果的真實性）因為我不能將數(shù)據(jù)修改，所以下面我使用了分區(qū)將數(shù)據(jù)分為訓練，測試以及驗證，為了展示預測數(shù)據(jù)的結(jié)果）以下為部分數(shù)據(jù)的截圖：S（8個宇段.i.ooa祭記錄一J注牌目標變量表示了數(shù)據(jù)挖掘的目標,在客戶流失分析中目標變量通常為客戶流失狀態(tài)（churn）。輸入變量

12、用于在建模時作為自變量尋找與目標變量之間的關(guān)聯(lián)。我們主要從客戶種類信息，客戶在網(wǎng)月數(shù)信息，客戶基本信息（年齡，性別，教育水平，家庭人數(shù)等），客戶的工作年限信息，客戶的退休信息這幾方面選取輸入變量。4.3挖掘過程1.讀取數(shù)據(jù)SPSSModeler中需要根據(jù)數(shù)據(jù)檔案格式，來選擇不同的源節(jié)點讀取數(shù)據(jù)。本篇文章中我們使用的數(shù)據(jù)檔案格式為.sav檔，因此我們將使用Statistics文件節(jié)點。在節(jié)點設(shè)定方面，文件標簽下我們先讀入數(shù)據(jù)“電信客戶流失數(shù)據(jù)sav”，接著勾選讀取名稱和標簽以及讀取數(shù)據(jù)和標簽。（以下為讀取數(shù)據(jù)截圖）2.數(shù)據(jù)類型定義為了產(chǎn)生決策樹模型，我需要在數(shù)據(jù)建模前就定義好各欄位的角色，也就是

13、加入字段選項下的類型節(jié)點。將類型節(jié)點拉入串流后，我會先點選讀取值按鈕，接著設(shè)定角色。是否流失（churn）是我最后預測的目標，因此先將其角色設(shè)定為“目標”，余下的欄位則是要設(shè)定為“輸入”。3.數(shù)據(jù)分區(qū)為了在訓練出模型后能夠分析模型準確度，在此我加入字段選項下的分區(qū)節(jié)點，將數(shù)據(jù)分為50%訓練數(shù)據(jù)、40%測試數(shù)據(jù)以及10%驗證數(shù)據(jù)。在分區(qū)節(jié)點的編輯頁中，點選預覽可發(fā)現(xiàn)每筆數(shù)據(jù)已經(jīng)多出了一個欄位分區(qū)，欄位中的值被隨機歸類為1_訓練、2_測試以及3_驗證，讓決策樹節(jié)點可判別是否要使用此資料做為訓練數(shù)據(jù)，測試數(shù)據(jù)以及驗證數(shù)據(jù)。在完成資料分區(qū)后，我已經(jīng)完成數(shù)據(jù)準備，可以套用決策樹模型節(jié)點了。4.決策樹節(jié)點

14、設(shè)定SPSSModeler共提供四種決策樹節(jié)點建模，包括C5.0、C&R樹、Quest和CHAID。考量到數(shù)據(jù)特性以及我希望提供的決策樹具有多元分類法，因此我將建立C5.0和CHAID兩種分類模型。（1）C5.0節(jié)點設(shè)定將C5.0節(jié)點與類型節(jié)點連結(jié)后，我將于此節(jié)點編輯頁面中的模型標簽下設(shè)定相關(guān)的變數(shù)。以下為各變數(shù)的詳細介紹，此定義來自SPSSModeler15ModelingNodes文件。使用分區(qū)數(shù)據(jù)：如果定義了分區(qū)字段，則此選項可確保僅訓練分區(qū)的數(shù)據(jù)用于構(gòu)建模型。為每個分割構(gòu)建模型：給指定為分割字段的輸入字段的每個可能值構(gòu)建一個單獨模型。輸出類型：在此指定希望結(jié)果模型塊是決策樹還是規(guī)則集。

15、組符號：如果選中此選項，C5.0將試圖組合輸出字段中具有相似樣式的符號值。如果未選中此選項，C5.0將為用于分割父節(jié)點的符號字段的每個值創(chuàng)建一個子節(jié)點。使用boosting：C5.0算法有一個特殊的方法用于提高其準確率，稱為boosting。它的工作原理是在序列中構(gòu)建多個模型。第一個模型按常規(guī)方式進行構(gòu)建。構(gòu)建第二個模型時，將焦點集中于由第一個模型誤分類的記錄。構(gòu)建第三個模型時，將焦點集中于第二個模型的錯誤，依此類推。最后，通過將整個模型集應(yīng)用到觀測值，并使用加權(quán)投票過程將單獨的預測組合為一個總預測來分類觀測值。推進可以顯著提高C5.0模型的準確性，但也需要更長的訓練時間。通過試驗次數(shù)選項可以

16、控制在推進模型過程中使用的模型數(shù)目。交互驗證：如果選中此選項，C5.0將使用一組模型（根據(jù)訓練數(shù)據(jù)的子集構(gòu)建）來估計某個模型（根據(jù)全部數(shù)據(jù)集構(gòu)建）的準確性。專家模式-修剪嚴重性:確定對決策樹或規(guī)則集的修剪程度。增加該值可獲得一個更簡潔的小型樹。減小該值可獲得一個更精確的樹。專家模式-每個子分支的最小記錄數(shù)：可使用子組的大小限制樹的任何分支中的分割數(shù)僅當兩個或多個生成的子分支中至少包含從訓練集合得到的這一最小記錄數(shù)時，才可分割樹的分支。默認值為2。（以下為創(chuàng)建C5.0節(jié)點的截圖）（2）CHAID節(jié)點設(shè)定將CHAID節(jié)點與分區(qū)節(jié)點連結(jié)后，我將于此節(jié)點編輯頁面中的模型標簽下設(shè)定相關(guān)的變數(shù)。由于CHA

17、ID節(jié)點設(shè)定較多，介紹一些變數(shù)。此定義來自“SPSSModeler15ModelingNodes文件”。最大樹深度：指定根節(jié)點以下的最大級數(shù)（遞歸分割樣本的次數(shù)）。修剪樹以防止過擬合：修剪包括刪除對于樹的精確性沒有顯著貢獻的底層分割。修剪有助于簡化樹，使樹更容易被理解，在某些情況下還可提高廣義性。停止規(guī)則：設(shè)置最小分支大小可阻止通過分割創(chuàng)建非常小的子組。如果節(jié)點（父）中要分割的記錄數(shù)小于指定值，則父分支中的最小記錄數(shù)將阻止進行分割。如果由分割創(chuàng)建的任意分支（子）中的記錄數(shù)小于指定值，則子分支中的最小記錄數(shù)將阻止進行分割。（以下為創(chuàng)建CHAID節(jié)點的截圖）（3）C&R樹節(jié)點設(shè)定將C&R樹節(jié)點與分

18、區(qū)節(jié)點連結(jié)后，我將于此節(jié)點編輯頁面中的模型標簽下設(shè)定相關(guān)的變數(shù)。由于C&R樹節(jié)點設(shè)定較多，介紹一些變數(shù)。此定義來自“SPSSModeler15ModelingNodes文件”。修剪樹以防止過擬合：修剪包括刪除對于樹的精確性沒有顯著貢獻的底層分割。修剪有助于簡化樹，使樹更容易被理解，在某些情況下還可提高廣義性。如果需要完整的未經(jīng)修剪的樹，請保持此項處于未選中狀態(tài)。大風險差值（標準誤）：通過此選項可指定更自由的修剪規(guī)則。標準誤規(guī)則使算法能夠選擇簡單的樹，該樹的風險評估接近于（但也可能大于）風險小的子樹的風險評估。此值表示在風險評估中已修剪樹和風險小的樹之間所允許的風險評估差異大小。例如，如果指定2

19、,則將選擇其風險評估（2X標準誤）大于完整樹的風險評估的樹。大代用項：代用項是用于處理缺失值的方法。對于樹中的每個分割，算法都會對與選定的分割字段相似的輸入字段進行識別。這些被識別的字段就是該分割的代用項。當必須對某個記錄進行分類，但此記錄中的分割字段中具有缺失值時，可以使用代用項字段的值填補此分割。增加此設(shè)置將可以更加靈活地處理缺失值，但也會導致內(nèi)存使用量和訓練時間增加。（以下為創(chuàng)建C&R樹節(jié)點的截圖）4.4結(jié)果展示生成決策樹模型決策樹節(jié)點設(shè)定完成后，點擊主工具列的運行當前流前即可看到三個決策樹模型的產(chǎn)生。雙擊決策樹模型則可看到模型結(jié)果，而我們最主要要觀察的是模型標簽及查看器標簽下的內(nèi)容。模

20、型標簽內(nèi)容如圖所示，左欄位使用文字樹狀展開，表現(xiàn)每一階層的分類狀況及目標變數(shù)的模式；右欄位則是整體模型預測變量的重要性比較。我也將會根據(jù)變量重要性調(diào)整模型設(shè)定、變數(shù)選擇，持續(xù)的訓練出較佳的模型。查看器標簽則是將一樣的決策樹結(jié)果用樹狀圖的方式展現(xiàn)。（1）C5.0法qivhoP-BS驅(qū)FEB外PiSH觸也超坤匿士嚳arm弋rgg-sgSTE1EEH.HrliDll擊4HHpIZSQpcuoniL*=:nMQOI啊車羋L_J00008臣D&1E-:-FFH7*=:1._;Id-?-E2Z1E釋k_IMEl-：丄LQDDEf瞳礙0+1=OODD量于SiO土F口士項工4404時DLttS%*Hfllr-

21、HttPuit陽hm-Kn竈JU柚曲KHE+-srIksT斜LE?HLZ曉tII,.:SttoSPHHV-ODijSEH.&FEF1W:B_1Z1ZEMtLf55Bl6MZS遼藝#y0*tCLitrn4fa；wtIL*F:L(Si-:o4圈雀姿甘QiWT&峯丁BBEuunip田讓rail二Erw-iEDMsBrTtqD由占直*一MA輕星EbQ里3唱一0PSU二ZIElpmJ_HSgql-癥Hi-3ZN-E-31丄uoKa-Paesam-廿Kg區(qū)二iff?-Dts.s一一Ixl二E_M-nB-書UHTfig-9-EPEOML-m心-run-醫(yī)I二I-S-N7J06a_mL-lhSE=4N_-4i

22、aCnr!s邑d書c蠱_-=nc亠昌一二口mIK：竺,皿一列置占毘檢ffi*oE丁E1m3.5D0D.dJOD15.3B5mmaigy11節(jié)點恰ti43RTTI1節(jié)點90ODD42.JI53451ODD57.547G1Si+29.944106lenure0.00046.23743Oiljjjgg塑匸甘47FJ71改逆=iOOSLIr-嫻1霽n口o.aoo33.33321iiijij6066741finL節(jié)點30塗只%n0.00092.303121.0007.6921匚汁3F7713決策樹流示意圖：（如下截圖）-FEiH表券析1000屯倩容自流失狒占取cnumchurnchumchumchurn

23、五、結(jié)果分析比較決策樹模型分析結(jié)果正確率由于各決策樹的演算法不同，最后的分枝結(jié)果以及預測的準確性亦不同，本文使用C5.0、CHAID及C&R樹三種決策樹節(jié)點（C&R樹圖省略，因為CHAID圖相近），其預測正確率如下圖所示。從結(jié)果來看，C5.0的正確率都高于CHAID及C&R樹，因此接下來我們會使用C5.0結(jié)果為主。進一步觀察實際值與預測值的重合矩陣，可發(fā)現(xiàn)模型預測正確的準確性遠高于預測錯誤的準確性，以C5.0測試數(shù)據(jù)來看，1_訓練正確的預測準確性為84.8%，遠大于錯誤的15.2%、2_測試正確的預測準確性為71.43%，遠大于錯誤的28.57%、3_驗證正確的預測準確性為73%，遠大于錯誤的

24、27%。C5.0法輸山寧段churn的紜吳日”止官JC-churn豈churn沁Oil練H寶證IF確413045%2957143%7373%錯逞7415.2%11026.57%2727%勵卜4374-13100曰毋呦山砒涯蘭矩昨了表斤妄遠值;吩區(qū)=5練D.OfrOOMiMmoO.ODOODO334141.CDOODO6079吩區(qū)-2JS隕0.0000001JDOODOOO.ODOODO257491.ODOODO69分區(qū)=一驗證ijMWWMWJO.ODOODO62101.ODOODO17CHAID法日“輸出字段churn的結(jié)臬自”比坂R-cnurn與cnum沁71應(yīng)5試正確39581.11%3D

25、273.12%7272%錯懇921859%11126.88%2828總計487413100白-$R-churn旳亙合矩陣（.rr表tt卑際佢）沁=5嚴D.QOOOOO1.0000000.000000S23251.0000006772分區(qū)=2衛(wèi)五盂0.0000001.000000O.OODOOQ263431.0DDDDD6939另區(qū)-J戲證OJOODOOO1.000000O.frO&OOO6111伽MM01711變量重要性C5.0與CHAID模型的變量重要性如圖下所示（C&R樹圖省略，因為與CHAID圖相近）。比較左邊與右邊的圖可發(fā)現(xiàn)，盡管變量重要性的排序兩個模型相差不是特別大，前三個一樣不過在

26、重要性的大小上不一樣，但是最重要的三個分析變量在網(wǎng)月數(shù)(tenure)、教育水平(ed)和當前工作年限(employ)相同，且都比其他變量相對重要許多，而客戶種類(custeat)和家庭人數(shù)(reside)則不一樣。C5.0法預測變蠱蚩聖性目標fchurn録不重孌預測變量垂要性目標：chum解讀預測結(jié)果預測規(guī)則C5.0決策樹模型產(chǎn)生許多預測規(guī)則，而大部分的預測結(jié)果如同實際數(shù)據(jù)一樣，都是顧客流失了。為了降低顧客的流失率率，電信的員工可由這些規(guī)則來篩選目標SPSSModeler提供的決策樹結(jié)果，包括了分類結(jié)果、實例數(shù)字和置信度，當分類的實例置信度較高，則可導出預測規(guī)則。（1是流失，0是沒有流失）以

27、下圖為例，其中之一的規(guī)則為employ（當前工作年限=3），“模式0”，其預測結(jié)果是沒有流失，實例數(shù)字為11筆數(shù)據(jù)符合，其中72.7%被正確預測。同樣，edin45（教育水平為學士和碩士），“模式1”,其預測結(jié)果是流失，實例數(shù)字為23筆數(shù)據(jù)符合，其中78.3%被正確預測。qtenure-=：=17式1(142)|ojstcat=1【槿式1【5j)|卜tenure6槿式:V1.0(22;0773)：S-tenure：=6式四)employ式H-*O0.727)|&employ3tl式工讓)I|I-胡叫仁模式,0.0(9；0.889)|edin345式匚tenure=8槿式V：-0.0(2:1.0

28、)=tenure模式：1.0(7:1.0)j-custcat=2欖式:1(19)|hedin123:1：1.0(10;1.0)|占rdin用5模式仁r-tenure=101；1.0C4-；1.0)|-tenure10:0：-0.0(5;0.8)custcat二3檯式0：-*0.4)37;0.676)自-custcat=4-核式：135)edin123式0刀!$-edin12式1|：kemploy=：=131；1.0(4;1.0)|L.emp|Oy【模式；0：-50.0(2;1.0)|?“edin3檯式：0：00(6;0.33J)L.敘in斗5模式1：-1.D(23:0.783)Qtenure1

29、7式0(345)El-employ=4檯式0：(72)|$-tenure=49式：D歸幵I|Ledin12式0：(M)(24;0.75)六、方案與對策當今，隨著國內(nèi)電信業(yè)的改革，客戶資源成為了企業(yè)競爭的焦點。激烈的競爭必然導然客戶處于不穩(wěn)定狀態(tài)，各運營商都面臨嚴重的客戶流失問題。大量而平凡的客戶流失延長了企業(yè)利潤回收的周期，給企業(yè)造成了巨大的損失。在這種形勢下，如何更具客戶戶的特性和客戶行為預測客戶的流失，并結(jié)合競爭環(huán)境的變化制定有效的客戶挽留和贏回策略以實現(xiàn)企業(yè)利益的最大化，已成為電信運營商關(guān)注的焦點之一，也是電信客戶戶研究咨詢領(lǐng)域的一個重要課題。客戶流失直接影響公司的效益,因此,客戶流失問

30、題在電信企業(yè)中占有重要的地位。本文在數(shù)據(jù)挖掘的基礎(chǔ)上,通過分析各種流失用戶之間的關(guān)系,流失用戶和正常用戶在工作年限、教育水平、客戶種類、家庭人數(shù)和在網(wǎng)時長幾個方面的客戶特征分析，構(gòu)建客戶流失的預測模型。減少客戶流失的具體措施電信業(yè)島的競爭重點集中在對大客戶市場的爭奪，這一競爭態(tài)勢迫切要求各大電信運營商將更多的精力投入到大客戶市場，做好大客戶的培育、鞏固和回流工作、這三個方面的工作是相互促進、相互補充的，講究大客戶的回流工作而言，可采取以下措施以盡可能地是大客戶的流失率降低。1.開展品牌工程建設(shè)實施品牌經(jīng)營，向客戶宣傳推廣產(chǎn)品、品牌服務(wù)，培養(yǎng)品牌消費者。品牌工程建設(shè)是一項長期性、戰(zhàn)略性的工作，電

31、信運營商要本著立足長遠、著眼未來的原則，將企業(yè)業(yè)務(wù)經(jīng)營的各方面納入到品牌建設(shè)這一局限性的發(fā)展方向上來。開展品牌工程建設(shè)的目的是為了培養(yǎng)企業(yè)的忠誠客戶，因此品牌工程建設(shè)要面向客戶，突出對市場需求的開發(fā)和引導，品牌建設(shè)要有系統(tǒng)性、科學性、整體性和靈活性。系統(tǒng)性要求電信企業(yè)突出企業(yè)個性化的經(jīng)營理念，緊緊圍繞企業(yè)市場定位、價值定位、客戶定位和產(chǎn)品定位的目標，使企業(yè)各項經(jīng)營管理工作服從于品牌建設(shè)的大局。科學性要求企業(yè)樹立品牌時以科學的經(jīng)營管理理念為指導，做到品牌建設(shè)內(nèi)容正確方法獨特。整體性要求電信企業(yè)在進行業(yè)務(wù)推廣時應(yīng)整體推進，業(yè)務(wù)包裝組合整體劃一、協(xié)調(diào)一致。電信業(yè)務(wù)從產(chǎn)品名稱到營銷戰(zhàn)略，從價格到服務(wù)質(zhì)量總體上的一致不但有助于電信企業(yè)在大區(qū)經(jīng)營范圍內(nèi)降低營銷成本，而且有利于業(yè)務(wù)推廣實現(xiàn)集中出擊，提高企業(yè)整體競爭力。靈活性要求企業(yè)在運用品牌時不能拘泥于書本，應(yīng)征對市場變化及時加以調(diào)整。2.開展個性化服務(wù)現(xiàn)階段企業(yè)服務(wù)水平的差異不是體現(xiàn)在大眾化服務(wù)上，而是體現(xiàn)在個性化服務(wù)上。目前電信消費群體對個性化消費的要求越老越高，電信企業(yè)如何適應(yīng)消費群體定制化服務(wù)的要求，將特色服務(wù)作為企業(yè)新的競爭力和業(yè)務(wù)增長點，是電信企業(yè)迫切需