移动通讯客户流失预警及挽留模型的构建与应用(doc 13页)

移动通讯行业客户流失预警及挽留模型构建与应用

2009-12-4

[摘要]文章以移动通信业为例，讨论企业如何分析客户的基本数据、交易数据和行为模式，建立客户流失预测模型，并在此基础上进行初步的流失原因分析和流失趋势预测，给出有效控制客户流失的建议。

[关键词]数据挖掘，客户流失预警，客户挽留CRM

在渐趋成熟的竞争性市场环境下，理解客户行为并做出有效反应是企业生存和发展的根本保障。客户流失是高度竞争产业中的一个普遍现象，也是束缚企业发展的瓶颈问题。迄今为止，大部分企业解决客户流失问题的主要手段还停留在经验识别的水平上；而学术界对客户流失问题的研究则主要集中在流失种类、原因和后果的定性识别上，这些研究结果和商业问题的耦合相对松散，难以在管理实践中加以应用。

数据挖掘技术的出现，有效地解决了上述问题。但现有的少数利用数据挖掘工具对客户流失数据建模的尝试，大多过分注重对算法与技术的研究，而忽视了对商业问题解决的重视。而且，这些研究并未将对客户流失研究的成果深入到客户保留领域，使得作为客户流失研究最终目的的客户保留和客户价值提升工作缺乏系统的可操作的管理体系。

1 理解客户流失与客户保留

客户流失问题是客户关系管理CRM中客户忠诚度研究的重要内容之一。早在1984年，有研究就发现获取一个新客户的成本比维持一个现有客户的成本高五倍。因此，企业应充分重视两类客户：一类是“竞争性的客户”，即那些虽然现在将本企业视为“首选”，但却认为其它某些供应商与本企业是非常类似的客户；其次是“可转变的客户”，即那些认为本企业与这些客户的首选供应商是非常类似的客户。对这两类客户应采取不同的营销手段以有效防止潜在流失，达到良好的销售效果。对客户忠诚度的研究主要集中于客户与厂商建立并保持关系意愿上。同时，一些学者认为，应对那些尽管仍然保持忠诚，却比其他人有更高的离开关系意愿和更少的保持关系意愿的客户给予特别关注。

客户流失和客户保留是一组对企业经营效益有着显著影响的概念。国外研究发现客户流失对公司的利润有着惊人的影响，远远超过公司规模、市场份额、单位成本和其它许多通常被认为与竞争优势有关的因素。因此“客户保留”应运而生，成为学术界和企业界均极为关注的问题。通过实施客户保留，客户流失率小小的降低就能导致利润可观的改善。有关方面对美国9个行业进行调查的数据表明，客户流失率降低5%，行业平均利润增加幅度在25%～85%之间。在各行业，客户保留已成为公司成功至关重要的目标。

2 客户为什么会流失

客户流失主要是基于以下原因：

(1)产品质量与价格

产品的质量与价格是导致客户流失的主要因素之一。为客户提供品质优良的产品是企业必须尽到的义务。粗制滥造或性能不达标的产品必然导致客户的流失。所以，企业开展商业活动必须以产品的高质量为基础。产品和服务的个性化也可以有效地降低企业客户流失率。

(2)对客户不闻不问

客户的抱怨和询问不能得到妥善的处理会造成他们的离去。真正提出抱怨的客户也是最有可能回头的客户，企业应当认真倾听客户的意见，给予及时妥善的解决，让他们感觉到自己受到了尊重。在提高客户的满意度的同时还能从客户那里收集到免费的建议，以便不断改善企业的产品和服务。

(3)对员工置之不理

为了保持客户，企业必须首先赢得自己的员工，特别是那些直接与客户打交道的人员。企业员工的流失，可能导致和他长期保持联系的重要客户的流失。为了减少客户流失率，要求企业必须拥有高素质的、稳定的员工群体。

此外，企业思想消极以及竞争对手的行动也是企业客户流失的主要原因。

3 利用数据挖掘进行客户流失分析的可行性

预测哪些客户将要流失，并不是一件容易的事情。但可喜的是在某些行业，如移动通讯业、银行业等，企业已经积累了大量的有关客户的有用信息，如运营商系统中的通话行为数据，客户服务系统的客户服务、查询与投诉数据，账务系统的缴费数据等。通过对大量的客户数据进行分析处理，归纳出具有流失倾向客户的行为特点和规律，建立起数据挖掘模型，并不断地进行实证校验，完全可以在一定程度上预测出客户的流失倾向。

流失预警模型构建的第一步是采用数据挖掘中的决策树、神经网络等分析技术，通过对数据的探索和分析归纳出具有高度流失倾向的用户普遍特征。然后从现有用户中找出具有类似特征的用户群，通过大量的对比分析，最终利用用户的历史行为数据将不同用户归入不同的群组，并对不同用户群的流失倾向给予评分，形成对客户流失可能性的预测。

图1反映的就是数据挖掘模型的核心部分——分类与预测的一个简单例子(以移动通讯行业为例)。算法的输入是一部分样本数据(即训练数据)，通过分类算法，按我们需要的目标属性，对这些样本数据进行多次分类，直到找到可以将目标属性全部筛选出来的标准。最后在其它样本数据上应用这些标准，预测可能同样具有目标属性的数据。

图1分类与预测的一个例子

在客户流失预警模型中，通常采用决策树算法获取分类标准。图2简单地说明了流失预警模型的工作原理。假定训练数据中有100万个客户的信息，其中有5万已经流失。通过多个变量，逐层将这100万个客户分组，即把他们归入图中决策树不同的叶子中。通过多次分类，最终发现不同方格里的分组用户的流失倾向也不同。如绿色方块所示，同时满足A1、B1、…、X1等条件的用户的流失概率是66.7%，远远大于样本的平均流失率5%。这样，通过构建流失预警模型，就非常准确地发现了具有高流失倾向的用户群。如果将其他用户的行为数据作为模型的输入，对这群用户的流失倾向进行评分，就可以发现具有较高流失可能的用户群体。这意味着如果对这一类客户进行挽留的话，将大大提高挽留工作的针对性，以尽可能少的资源投入换取尽可能大的挽留成果。

图2 流失预警模型的决策树算法举例

4 移动通信行业客户流失预警及挽留流程

客户流失解决方案可以划分为四部分：发现挽留机会→制订挽留策略→实施挽留行动、收集客户反馈→评估挽留效果并调整策略。

(1)发现挽留机会

最基本的做法是建立客户流失预测模型(用决策树方法)，然后对在网客户进行流失倾向的评分，按倾向高低判别。但此处最好结合对全体客户的分群来识别出真正的挽留机会，并非流失倾向越高就越值得挽留。比如可以按照客户价值进行分群，优先考虑对中高价值客户的挽留；同时根据客户行为分群，判别出哪些客户可能已经用了竞争对手的服务，或者属于欺诈类型的客户，对这批客户的挽留可能是没有成效的，不应视为挽留机会。

(2)制订挽留策略