基于混合模型的电信客户流失预测方法研究

发布时间：2020-07-07 03:49

【摘要】： 针对当前电信行业严重的客户流失问题,文章在以前研究的基础上,以构建稳定性好、精确度高的客户流失预测模型为目标,基于C5.0、Neural Net、Logistic和SVM四种基本算法,从以下四个方面做了深入研究,并得到一套适合于省级电信运营企业的客户流失预测解决方案。采用编码方法生成衍生变量提升客户流失预测模型的预测效果。在以前的研究中,流失预测模型的预测变量集一般都直接来自于客户数据库字段或经过简单计算得到,这些变量不能跟踪客户消费行为变化对客户流失倾向的影响。鉴于此,本文采用编码的方法跟踪客户消费行为的变化,并生成衍生变量作为预测变量集的部分变量,通过与不含这些衍生变量的变量集数据进行对比研究,结果表明:含有这些衍生变量的变量集的预测效果更好。提出基于不同细分标准的客户流失预测混合模型构建方法。由于省级电信运营企业客户数达到千万级,各个地区的营销策略有很大差异,并且客户的品牌、消费额、网龄等都有很大的不同。由于同类客户往往具有相同的消费倾向,有必要选取不同的细分变量将客户分成不同的客户子集,从而构建客户流失预测混合模型。通过实证结果表明,以地区为客户细分变量的混合模型预测效果最佳,以账单为客户细分变量的混合模型预测效果其次,以网龄和品牌为客户细分变量的混合模型预测效果较差的结论。提出能够提高客户流失预测效果的最优模型投票(VBBA)方法。对于电信客户流失预测问题,由于流失客户相对于非流失客户来说比例很小,这种比例的失衡通常会污染模型,导致模型预测效果大幅下降。本文提出采用最优模型投票方法来解决此问题,通过实证研究结果表明:最优模型投票方法优于任何单一模型的预测效果,是一种稳定可靠的提升客户流失预测效果的方法。通过对准确率、命中率、收益图、提升图和ROC曲线等多种分类评估方法的比较分析和实证研究,结果表明:ROC曲线用于多个电信客户流失预测模型的比较评估时,具有图形直观、综合性强和评估结果唯一的优点。因此,建议采用ROC曲线进行电信客户流失预测模型的评估。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：F274;F626;F224
【图文】：

客户流失,预测图

.2.2 客户流失预测模型客户流失预测模型是基于客户数据仓库数据，如客户的基本资料、消费行费行为等数据，采用数据挖掘技术而构建的预测客户在预定时间内停止使用产品或服务的可能性模型。客户流失预测模型一般分为两种：预测初始客户流失人数和预测流失目标[2]。初始客户流失人数预测模型这种预测模型可以预测在预定时间范围内流失的客户总数，但不会确定要的个人是谁。这种模型简单而准确，其提供的信息能够为不同部门的能力计算管理提供援助。生成初始客户流失人数预测模型一般分为以下3个步骤：(1)户流失活动（流失率）的历史记录进行绘图；(2) 对特别指示的起因进行调查) 根据发现的起因预测将来的客户群。初始客户流失人数预测结果示例见图示。单位

逻辑函数,图形,数据挖掘

图 2-11 逻辑函数图形逻辑回归方法的优缺点优点：模型通常较为准确；它们可处理符号和数字类型的输入字段；它们可以给出所有目标类别的预测概率，从而能够轻松识别出第二最佳推测值。缺点：处理高维数据的效果不理想。2.3.3 数据挖掘过程模型数据挖掘需要从大量数据中抽取有价值的信息或知识以提供决策依据。成功的应用数据挖掘技术以达到最终目标需要分析人员对业务流程、数据集、以及分析方法都非常了解。同时数据挖掘是一个反复进行的过程，应用工程化的方法实现分析任务至关重要。与其他软件开发过程类似，人们也提出了一些数据挖掘过程的模型或标准。SPSS 提出了 5A（Assess、Access、Analyze、Act、Automate）；SAS 提出了 SEMMA（Sample、Explore、Modify、Model、Assess）；数据挖掘特别兴趣小组(SIP)提出了 CRISP-DM[17]（Cross-Industry Standard

曲线,范例,曲线,匹配数

图 3-1 ROC 曲线范例收益图模型预测值及预测的置信度对所有记录排序，将记录分割为大数）并按由高到低顺序为每个分位数绘制业务标准值。通过将定义为匹配，处理结果。对于流失预测问题来说，匹配即是流为流失。图即相对于全部匹配，发生于每个分位数中的匹配百分比。其数中的匹配数量 /全部匹配数量)×100%。收益图范例如图 3-

【相似文献】