利用数据挖掘实现电信行业客户流失分析

利用数据挖掘实现电信行业客户流失分析

Oracle 公司广州办事处资深顾问李军随着世界经济的全球化、市场的国际化和我国加入WTO步伐的加速，国际化的市场环境要求国内的公众电信运营企业在经营管理上向国外先进的电信运营企业看齐，以迎接电信运营业的国际化竞争。同时随着国家改革的深化，国内电信业的市场环境已渐趋合理且竞争将日益加剧。国内、国际电信业的如此态势，对公众电信运营企业的服务内容、服务方式、服务质量、经营管理以及服务意识，已提出了严峻的挑战。企业的经营模式和服务体系正以客户的价值取向和消费心理为导向，真正体现“创造需求”、“引导消费”的现代客户服务意识与理念。

在电信企业面向市场，面向国内外众多的竞争者，努力创造更高价值的同时，客户流失的不断增加，客户平均生命周期的不断缩短严重影响了电信企业的发展。那么，在激烈的市场竞争和不断变化的市场需求面前，如何最大程度的降低客户的流失率呢？常用的方法之一就是利用数据挖掘技术。

数据挖掘技术是目前数据仓库领域最强大的数据分析手段。它的分析方法是利用已知的数据通过建立数学模型的方法找出隐含的业务规则，在很多的行业已经具有成功的应用。在电信行业的应用领域主要有客户关系管理，客户欺诈分析，客户流失分析，客户消费模式分析，市场推广分析等。

那么，在客户流失分析系统中，如何应用数据挖掘技术呢？主要方式是根据以前拥有的客户流失数据建立客户属性、服务属性和客户消费数据与客户流失可能性关联的数学模型，找出客户属性、服务属性和客户消费数据与客户流失的最终状态的关系，并给出明确的数学公式。只要知道客户属性、服务属性和客户消费数据，我们就可以计算出客户流失的可能性。市场/销售部门可以根据得到的数学模型随时监控客户流失的可能性。如果客户流失的可能性过高，高于事先划定的一个限度，就可以通过多种促销手段提高客户的忠诚度，防止客户流失的发生，从而可以大大降低客户的流失率。基于严格数学计算的数据挖掘技术能够彻底改变以往电信企业在成功获得客户以后无法监控客户的流失，无法实现客户关怀的状况，把基于科学决策的客户关系管理全面引入到电信企业的市场/销售工作中来。

通常一个完整的数据挖掘过程由业务问题定义，数据选择，数据清洗和预处理，模型选择与预建立，模型建立与调整，模型的评估与检验，模型解释与应用等多个步骤组成。这里我们以个人客户流失为例说明各个步骤的功能。

1．业务问题的定义

业务问题的定义要求非常明确。任何不明确的定义都会严重影响模型的准确和应用时的效果。例如：在客户流失分析系统中，需要明确客户流失的定义。在客户流失分析中，主要有两个核心的变量：1.财务原因/非财务原因；2.主动流失/被动流失。客户的流失类别根据这两个核心变量可以分为四种。其中自愿的、非财务原因的流失客户往往是高价值的、稳定的客户。他们会正常的支付自己的服务费用，并对市场活动有所响应。所以这种客户才是我们真正想保持的客户。而真正在分析客户流失的状况时，我们还必须区分公司客户与个人客户，不同服务的贡献率，或者是不同客户消费水平流失标准的不同。举例来说，对于用一种新服务替代原有服务的客户，是否作为流失客户？又或者，平均月消费额为2000元左右的客户，当连续几个月消费额降低到500元以下，我们就可以认为客户发生流失了，而这个流失标准就不能适用于原本平均月消费额就为500

元左右的客户。实际上，在国外成熟的电信行业客户流失分析系统中，经常是根据相对指标判别客户流失。市场调查表明，通常大众的个人通信费用约占总收入的2%-7%，当客户的个人通信费用降低到远远低于此比例时，就可以认为客户流失发生。所以，客户流失分析系统必须针对各种不同的种类分别定义业务问题，进而分别进行处理。2．数据选择

数据选择包括目标变量的选择，输入变量的选择和建模数据的选择等多个方面。

目标变量的选择

目标变量表示了数据挖掘的目标。在客户流失分析应用目标变量通常为客户流失状态。

依据业务问题的定义，我们可以选择一个已知量或多个已知量的明确组合作为目标变量。目标变量的值应该能够直接回答前面定义的业务问题。在客户流失分析系统中，我们实际面对的流失形式主要有两种：账户取消发生的流失和账户休眠发生的流失。对于不同的流失形式，我们需要选取不同的目标变量。对于账户取消发生的流失，目标变量直接就可以选取客户的状态：流失或正常。对于账户休眠发生的流失，情况就较为复杂。

通常的定义是持续休眠超过给定时间长度的客户被认为是发生了流失。但是，这个给定时间长度定义为多长合适呢？另外一方面，每月的通话金额低于多少就可以认为是客户处于休眠状态？或者要综合考虑通话金额，通话时长和通话次数来划定流失标准？实际上，目标变量的选择是和业务问题的定义紧密关联在一起的。选择目标变量所要面对的这些问题，都需要业务人员给予明确的回答。

输入变量的选择

输入变量用于在建模时作为自变量寻找与目标变量之间的关联。在选择输入变量时，我们通常选择两类数据：静态数据和动态数据。静态数据指的是通常不会经常改变的数据，包括服务合同属性，如服务类型，服务时间，交费类型等等；和客户的基本状态，如性别，年龄，收入，婚姻状况，受教育年限/学历，职业，居住地区等等。动态数据指的是经常或定期改变的数据，如每月消费金额，交费纪录，消费特征等等。输入变量的选择应该在业务人员帮助下进行，这样才能选择出真正与客户流失可能性具有潜在关联的输入变量。业务人员经常在实际业务活动中深深感觉到输入变量与目标变量的内在联系，但是却无法以量化表示出来。在这种情况下，数据挖掘的工作往往能够得到良好的回报。在一时无法确定某种数据是否与客户流失可能性有关联时，应该选取，在后续步骤考察各变量分布情况和相关性时再决定取舍。

建模数据的选择

通常电信行业客户流失的方向有两种。第一种是客户的自然消亡。例如由于客户的身故，破产，迁徙，移民等原因，导致客户不再存在。或者是由于客户的升级，如GSM 升级为CDMA，造成特定服务的目标客户消失。第二种是客户的转移流失。通常指客户转移到竞争对手享受服务。

显然第二种流失的客户才是电信企业真正关心的，对企业具有挽留价值的客户。因此，我们在选择建模数据时必须选择第二种流失的客户数据参与建模，才能建立出较精确的模型。

3．数据清洗和预处理

数据清洗和预处理是建模前的数据准备工作。数据清洗和预处理的目的一方面保证建模的数据是正确和有效的；另一方面，通过对数据格式和内容的调整，使建立的模型更加准确和有效。数据整理的主要工作包括对数据的转换和整合，抽样，随机化，缺失值的处理等等。数据转换和整合的工作目的就是为了保证数据的质量和可用性。例如，样本数据中客户最终流失的数据比例较低，只占全部数据的8%。用这样的数据建模不容易找出流失了的客户的特征，建立精确的模型。我们可以按比例抽取未流失客户和流失了