协尔客户离网分析服务于深圳联通，取得良好的效果： 1、离网用户识别准确度：> 70%。 2、离网用户识别覆盖率：> 70%
客户离网预警及挽留
数据获取、整合 数据分析与模型应用 客户保留策略制定 客户保留计划实施
多数据源的数据整合
数据分析 模型建立 模型学习、验证
确定目标
营销方案
数据标准化、规范化
不同目标客户挽留策略
行有机的组合,加,减,乘,除等直到找出用户离网的
规律出来.
用户数据整理
• • 这些数据需要能反映出用户的使用行为的轨迹。所以需要准备用户6个月的数据.前三个月用来做
模型学习数据,后三个月数据用来做模型使用验证数据.
要看出用户的行为轨迹需要 通过多个字段的组合 乘 相减 相除,等.
模型建立流程
商业理解
2014/06/0 12014/06/3 0 1个月预测月
2014/01/01 2014/02/ 01
2014/03/ 01
2014/04/ 01
2014/05/ 01
2014/06/ 01 2014/05/01 2014/06/30 2个月预测月
流失模型预测结构
客户流失预测模型学习训练数据准备
离网分析的学习数据 ARPU GPRS 上网流 量 500 30 400 10 通话次 数 100 60 400 10 通话总 时长 1500 50 10 5 短信总 条数 400 10 5 0 彩信总 条数 40 5 2 0 当前结 余 2000 500 70 5 … 类标号 （在网/ 离网） 0 1 0 1
100 80 90 120
… … … …
离网预测的核心是从历史数据中通过回归分析，建立离网用户决策模型，数据包括： 1、用户基本属性 2、用户业务属性 3、用户消费行为属性
离网分析的训练学习结果
实际离网预测及离网用户推荐
营销人员可以更 准确地抓住具有 潜在流失倾向的 客户 营销人员可迅速 确定客户的开户 地区，以便采取 行动 流失倾向评分说 明该客户流失可 能的大小
服务方案
数据清理、筛选
模型应用
策划挽留方案
管理方案
客户离网 预警模型
规范整合的 客户销售售后数据库
协尔客户离网预警服务目标
结果支持决策
目标：
通过发现客户流失问题的真正原
因，建立一对一的客户关系管理
系统； 了解客户群的需求； 快速建立流失预警模型，为挽留
用户模型验证
决策提供数据依据；
最大化每个客户的收入。
谢 谢！
•数据的几个来源：
1.CDR (Call Detailed Record) 2.客户资料数据(Customer Information） 3.客户帐务数据 4.销售策略与措施数据 5.其他来源 •
数据筛选
• 数据筛选是建立模型的很重要的一步,这部分需 要业务人员共同参与决策. 前期我们并不知道哪些用户属性对用户离网有 直接关系,所以我们需要进行验证来做数据筛选.
客户流失预警分析
深圳市协尔信息系统有限公司
2014年11月
客户离网预警背景
优质的客户资源，是运营商盈利的根本。随着中国三大主流运营商同质 化竞争越来越激烈，彼此都不惜成本来争夺客户。因此客户挽留成为各个运 营商重要的工作。
开拓一个新用户的成本
=
3X
挽留一个老用户的成本
客户离网预警分析能够帮助运营商有效的开展客户挽留 工作，有效的识别有离网倾向用户，提高客户挽留成功 率，降低离网率，进而为运营商带来可观的效益。
模型评价
Evaluation
各个 环节 需不 断地 循环 往复 进行 数据 探索 和模 型的 调优
结果发布 Delivery
应用策略
应用数据
客户流失预测模型分析过程
商业需求分析
客户离网分析的商业目标就是要对有离网倾向的客户进行有选择性的进行有效挽留，从而 减少高价值客户流失率。通过离网分析建立的挖掘分析模型可以获得客户流失的预测以及流失 倾向的评分，由市场人员制定出具体的挽留策略。 客户定义：最近三个月的均有出帐用户。 流失标志：本月有出帐,下月无出帐用户为流失用户
客户离网预警目的
手机客户是运营商利润的主要来源之一，也是市场竞争的焦点。在目前 的市场客户的成本远远大于留住已有客户的成本，借助用户离网分析 ，发 展新发现流失手机用户的潜在模式，提前进行预测，从而变被动服务为主动 服务。 目前在客户挽留过程中存在以下问题： 对于客户流失不能准确的预警，导致客户的流失率上升。 客户挽留活动没有nderstanding
确定 商业目标 确定所 需要的数据 制定 挖掘计划 检查 数据质量 调整 数据格式
数据理解
Data Understanding
数据准备
Data Preparation
数据清理
建立模型
Modeling
回归 分析
决策树模型 聚类分析 和分类 结论综合 和评价
人工神经 网络 新数据 预测
分析窗口（预测基于多长时间的历史数据）：3个月
预测窗口（预测客户在多长时间内会流失）：2个月（预测两个月后可能流失的用户）
客户流失预测模型时间窗口
2014/01/012014/03/31
2014/04/01 2014/04/30 1个月延迟月
3个月观察月
2014/05/0 12014/05/3 0 1个月预测月
电话号码
180.。。。。 189.。。。。 189.。。。。
ARPU
所在地区
所属分组
流失倾向 评分
行动优先级 评分
营销人员可以根 据ARPU确定客 户挽留活动的目 标群体
了解潜在流失客 户的行为特点， 开展针对性的客 户挽留
综合客户流失倾 向与ARPU，给 出建议行动优先 级供参考
实际测试效果
测试用户 数 601037 190844 134762 离网用户 离网率 测试推荐 用户总数 42068 15228 9862 测试推荐 用户离网 数 32753 11490 7335 离网率 覆盖率
用户模型建立
用户数据筛选 用户数据准备 确定模型目标
数据整合清理
1 用户数据、销售数据等多数据源的数据整合
数据规范化、标准化
规范整合的 客户数据库 4
2
数据格式转换、处理
精确查删重 模糊查删重
数据 匹配
数据 筛选
数据 合并 数据筛选、清理 3
人工查删重
数据规范化
数据标准化
数据整合清理
数据来源
45594 16082 10269
7.58% 8.42% 8.14%
79.75% 75.45% 74.37%
71.83% 95.06% 71.42%
上表是在深圳联通通过2014年4、5、6月份的部分数据建立离网用户模型，并 根据9月份实际的离网用户数据进行验证的测试结果。
客户流失预警意义及效益分析
客户离网分析准确定位即将流失的客户，从而采取一定的业务措施使 客户的流失率大大下降，实现客户维系活动投资回报最大化。
协尔公司电信运营商客户离网分析服务
客户离网分析模 型（每月） 运营商客户 基础数据 离网分析支撑 团队
客户离网预警清 单（每月）
运营商客户 行为数据
离网分析支撑 系统
客户离网影响因 素分析报告（每 月）
•
我们会把用户所有属性利用遗传算法进行增益
分类,然后带入到算法里面进行计算.算法会把对 用户离网有影响的一些字段属性输出.
•数据的整理与变换
1.数据的简单描述和汇总、缺失值的填补
2.数据挖掘变量的筛选和相关性分析 3.数据的专业变换 4.不同数据源数据的整合 5.其他
•
我们再把对离网有影响关系大的一些属性来进
从举例运营商现有数据观察可得到，用户月流失率在8%左右，按用户月平均ARPU值 100计算，300万基础用户将会有2400万的收入损失。在降低客户流失率方面，哪怕仅仅降 低1％就意味着至少可以有百万元的收入增长。
客户是一个公司最宝贵的财富，因此保持客户并增长客户就是头等重要的事情，客户资
源维持是提升其利润率和APRU值（每用户平均收入）的重要标志，客户流失率则是运营商 最终ROI（投资回报率）评估的重要参考系数，因此客户流失预警在通信运营商的管理环节 中显得尤为重要。