客户分群流失预测.ppt

KXEN电信业 客户分群流失预测 建模示例 题纲 客户分群模型资费案梳理 客户流失模型内转/外转网预测 KXEN商用数据挖掘简介 客户细分模型 目的：梳理繁多的资费案，洞察每个客户群的行为方式，盈利群体，客户群体特征。 方法：对每种资费案采取不同的方式(帐单信息，行为信息，个人资料信息)进行客户细分，得到分群模型。 示例：客户价值分群 选取分群数据集 采样数据集浏览 选取分群变量与目标变量 选取分群数目，进行参数设置 得到模型 模型概述 分群结果概述 客户群谱图 客户群的重要特征 更详尽的分群模型统计汇报 客户流失模型 目的：客户转网(内转/外转)日益频繁，辨识即将转网客户，以进行客户挽留。 方法：以历史数据为依据，建立每种转网方式的转网模型，对客户将来转网可能性进行打分，抓住关键客户，进行客户挽留。 模型应用对其它客户进行分群(略) 题纲 客户分群模型资费案梳理 客户流失模型内转/外转网预测 KXEN商用数据挖掘简介 示例：转网模型 输入数据 数据描述 定义变量角色 建模参数设置 得到模型 模型性能显示 得到对流失影响的维度排名 得到每个维度的不同区间对流失影响 设置营销活动的目标客户，最大化受益 应用模型，对客户将来是否流失进行预测 题纲 客户分群模型资费案梳理 客户流失模型内转/外转网预测 KXEN商用数据挖掘简介 为何是数据挖掘而不是数据分析? 数量巨大,维度繁多 人类仅仅能够应付最多5个变量 商业问题多 客户流失 欺诈分析 交叉销售 财务预测 …… 客户需求个性化 全球通 神州行 动感地带 各种套餐 …… 决策的科学化 数据挖掘流程 数据挖掘应用瓶颈:技术问题 数据预处理 类型转换：转换为算法本身所支持的类型、做数据bin操作 去奇异值：辨识奇异值，做适当处理 去缺失值：填充缺失值 函数变换：去除数据分布的影响 数据集平衡：使训练集中的数据均衡 降维处理 …… 模型选优 模型验证 模型选优： 算法选择 算法参数选择 …… 模型理解 数学-商业 　　　　　　　 KXEN 改变了规则 KXEN解决方案—数据准备 基于 Vladimir Vapnik’的算法 模型的拟合性与泛化(稳健)性 结构风险最小化（SRM）是关键 KXEN独特优势 预处理自动化 模型性能验证自动化 最优模型有哪些信誉好的足球投注网站自动化 模型商业解释全面化 性能比较 部分客户（最终用户） 2005-40 新客户!!!! 合作伙伴 B.O 技术合作伙伴 OEM合作伙伴 战略合作伙伴 Cognos 技术合作伙伴 SAP SAP BW 认证- 两个KXEN的数据挖掘工具销售商之一 被 SAP NetWeaver 支持 Teradata 技术合作伙伴（七个测试合作伙伴之一） 战略合作伙伴和转售合作伙伴 全球系统集成商 Accenture, Cap Gemini 其它合作伙伴: Microsoft (Yukon integration), JSR73 (Java Data Mining Group) OEMs BO, Doubleclick, Loanperformance, Clarity Blue, MDB, Smart Focus, SeeWhy, Misys/Almonde, Fermat, Proficient, Advizor, Experian, Alterian 模型 新数据 历史数据 ? ? 建模评估 部署应用 模型描述 传统的数据挖掘方法 每个模型的成本: ~$30,000 ２-4周 数据理解 业务问题 应用 准备数据 建模 模型评估（理解） KXEN 的方法 每个模型的成本: ~$500 少于1周 !! 业务问题 建模 应用 我们现在创建上百个预测模型所花费的时间在过去只能创建一个模型. 运用更有效的营销活动，KXEN 允许我们节省上百万美元. 金融客户 客户流失 哪些用户已经流失 哪些用户快要流失 影响用户流失的重要因素是什么 客户分群 怎样根据用户价值或使用行为划分用户群 各用户群的比例是多少 用户群的特征是什么 交叉销售 哪些产品组合更受欢迎 未来预测 客户消费的周期性分析 客户消费的趋势分析 稳健回归(K2R) 聪明分群 (K2S) 关联规则(KAR) 时间序列(KTS) KXEN解决方案—商业理解 任意维度 “ 5 to 5000 ” 任意回应率 “ 0.5% to 50% ” 任意数据类型 字符串, 整型, 浮点型, 日期, etc