移动用户流失预警研究方法与应用模型

摘要

运用数据挖掘算法建立移动中高端客户的流失预警模型，可以精细化分析客户的行为和属性，进而捕获有流失倾向的中高端客户。对模型预警的高流失倾向的中高端客户进行精准化营销，不但大大降低客户保有的人工成本和各种营销成本，更重要的是避免了对非流失倾向的中高端客户的打扰，从而避免中高端客户的投诉。这也是内蒙移动从以前的粗放式管理和营销模式改变为今后的精细化管理和精准化营销模式的一种有效方法。
　　 本文针对移动行业客户流失预测模型，讨论了模型开发的基本方法和关键问题，重点讨论了时间窗口选取、验证数据集的生成、流失用户过滤、输入变量与目标变量强相关的影响等关键性问题。首先建立了3种决策树模型，并通过比较基尼系数、信息增益和卡方的特性，分析了CART、C4.5和CHAID三种决策树算法在命中率和区分能力上的差异。做了大量的实验以验证文中分析和结论的正确性，并结合模型探讨了如何根据业务需求和数据分布选择合适的数据挖掘算法。最后，为了更加深入的探讨流失预警模型，本文还采用逻辑回归模型建立了客户流失预警模型。探讨了使用主成分分析的降维方法，并给出了详细的实验结果。

目录

文摘

英文文摘

图表目录

第一章 绪论

1.1 移动客户流失预警的任务和意义

1.2 本文的工作

1.3 本文的组织

第二章 流失预警模型概述

2.1 移动客户保有业务的发展

2.2 流失预警模型开发的一般方法

2.3 容易忽视的几个关键问题

2.3.1 时间窗口选取

2.3.2 验证数据集生成方法

2.3.3 输入变量取值

2.3.4 输入变量与目标变量强相关的影响

2.3.5 流失用户过滤

2.4 本文的研究目标和思路

2.4.1 本文的研究目标

2.4.2 本文的研究思路

第三章 基于决策树的流失预警模型

3.1 决策树简介

3.2 基于基尼系数的CART算法

3.3 基于信息增益的ID3和C4.5算法

3.4 基于卡方检验的CHAID算法

3.5 三种算法的比较

3.5.1 命中率比较

3.5.2 区分能力比较

3.6 实验结果及算法适应性分析

第四章 基于逻辑回归的流失预警模型

4.1 模型简介

4.2 使用主成分分析进行数据预处理

4.2.1 基本思想

4.2.2 数学模型

4.2.3 模型求解

4.2.4 实验结果

4.3 逻辑回归流失预警模型

4.3.1 逻辑回归模型

4.3.2 逻辑回归方程中回归系数的含义

4.3.3 逻辑回归方程的检验

4.3.4 模型训练过程和结果

第五章 结论

5.1 结论

5.2 下一步工作

致谢

参考文献