基于数据挖掘的电信行业中客户流失模型的研究与实现

摘要

近年来客户流失在电信行业中异常严重。对于移动、联通、电信三大运营商来说，谁能保障自己的客户不流失，同时又能够获取从其他运营商流失的客户资源，谁无疑是最后的赢家。为了实现这样一种美好的愿景，各大运营商也纷纷采取了不同的手段来获取更多的客户资源。然而，目前运营商投入了过多的关怀给予已经离网的客户，而对那些正在减少他们的ARPU值的客户关注过少，殊不知在未来的某天这些客户即将流失。
　　电信行业的数据具有海量性且多元性。所谓多元性是指每一个客户都具有众多的属性，在数据挖掘模型中称为变量，如ARPU、付费方式、停机次数等。为了更好地建模，本文首先进行了变量探索，基于对用户潜在流失原因的假设，从提醒类、感知类、价值行为类三个方面设计宽表。接着对变量进行了分组，决定哪些变量参与建模，哪些不参与建模。通过变量分组，结合客户自身的特点，对客户进行分群。
　　电信行业中客户流失模型的研究越来越多，为了提高模型的命中率，本文提出了一种组合模型理念，基于约束模型、预测模型、评分模型对组合模型CPM进行建模实现。约束模型关注区分度较大的变量，预测模型筛选对客户流失影响较为显著的变量，评分模型选择对客户流失影响不大的变量，以弥补样本小样性的缺陷。每一种模型针对的客户群不同，如此一来，本文提出的组合模型在挖掘潜在客户流失方面将发挥更出色的作用。
　　本文建模采用IBMSPSSStatistics，提出了蚁群算法中信息素差值的概念，利用改进的蚁群算法进行客户细分，提高了客户聚类的效果。同时正则转化消除系数量纲的影响，建模中采用逻辑回归算法替代决策树来规避变量区分度不高的问题，并逐步增大逻辑回归算法中迭代次数提高变量探索的准确性，并引用决策树算法、因子分析等对变量进行分析。
　　最后的模型评估表明了该组合模型具有动态性、稳定性以及全面性。约束模型反应了商业中的动态变化，预测模型保证了模型的稳定性和精确性，评分模型利用小样本保障了样本的全面性。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 电信客户生命周期

1．3 国内外研究现状

1．3．1 国内电信行业客户流失分析

1．3．2 国外电信行业客户流失分析

1．4 论文组织结构

第二章 数据挖掘技术理论

2．1 数据挖掘与知识发现

2．2 数据挖掘常用技术

2．3 数据挖掘过程

2．3．1 业务认知

2．3．2 数据准备

2．3．3 数据挖掘初始化

2．3．4 剖析数据挖掘结果

2．4 本章小结

第三章 电信客户细分模型研究

3．1 客户细分的价值

3．2 传统方式的客户细分

3．3 客户细分中的属性选择

3．4 基于改进的蚁群算法的客户细分模型

3．4．1 客户细分模型分析

3．4．2 蚁群算法的基本原理

3．4．3 一种改进的蚁群算法

3．4．4 基于改进的蚁群算法的客户细分模型的实现

3．5 本章小结

第四章 客户流失模型的业务理解与变量探索

4．1 业务理解

4．2 宽表设计

4．2．1 宽表属性来源

4．2．2 宽表设计

4．2．3 宽表生成

4．3 分类变量探索

4．3．1 聪明变量探索

4．3．2 强相关变量探索

4．4 本章小结

第五章 CPM模型建模与具体实施

5．1 约束模型Constraint model

5．2 预测模型Prediction model

5．3 评分模型Mark model

5．4 CPM建模最终实现

5．5 本章小结

第六章 CPM模型评估

6．1 建模样本进行评估

6．2 验证集进行评估

6．3 本章小结

第七章 总结与展望

7．1 论文的工作总结

7．2 论文的不足与展望

参考文献

致谢

攻读学位期间的研究成果