基于大數(shù)據(jù)技術(shù)的電信客戶(hù)流失預(yù)測(cè)模型研究及應(yīng)用

許乃利

中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司安徽省分公司 合肥 230061

基于大數(shù)據(jù)技術(shù)的電信客戶(hù)流失預(yù)測(cè)模型研究及應(yīng)用

許乃利

中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司安徽省分公司 合肥 230061

為減少用戶(hù)流失，提高用戶(hù)保有率，文章介紹一種基于智慧運(yùn)營(yíng)平臺(tái)，將大數(shù)據(jù)技術(shù)和數(shù)據(jù)挖掘技術(shù)相結(jié)合，對(duì)電信客戶(hù)流失進(jìn)行預(yù)測(cè)的模型。該模型利用大數(shù)據(jù)技術(shù)處理用戶(hù)離網(wǎng)前的海量數(shù)據(jù)信息，分析流失用戶(hù)特征，建立用戶(hù)流失預(yù)測(cè)，提前鎖定流失風(fēng)險(xiǎn)較高的用戶(hù)，有針對(duì)性地制定維挽策略，精準(zhǔn)開(kāi)展維系挽留活動(dòng)，能夠有效降低用戶(hù)離網(wǎng)率。

大數(shù)據(jù)；流失預(yù)測(cè)；數(shù)據(jù)挖掘；客戶(hù)流失；維系挽留

引言

隨著移動(dòng)通信成本逐步下降，移動(dòng)用戶(hù)滲透率超過(guò)100%，新增市場(chǎng)趨于飽和，面對(duì)新增市場(chǎng)的激烈競(jìng)爭(zhēng)，存量用戶(hù)的保有顯得越來(lái)越重要。一項(xiàng)調(diào)查數(shù)據(jù)表明，爭(zhēng)取1位新客戶(hù)的成本是保住1位老客戶(hù)的5倍。面對(duì)新的競(jìng)爭(zhēng)形勢(shì)，運(yùn)營(yíng)商需要從傳統(tǒng)只重視增量發(fā)展模式向“增存并重”發(fā)展模式轉(zhuǎn)變。如何最大限度地降低客戶(hù)的流失并挽留客戶(hù)，成為決策者關(guān)注的話(huà)題。

客戶(hù)流失給運(yùn)營(yíng)商帶來(lái)了巨大損失，成功挽留一個(gè)即將流失的客戶(hù)比重新發(fā)展一個(gè)客戶(hù)節(jié)約大量成本。減少客戶(hù)流失的關(guān)鍵是提前預(yù)測(cè)潛在的流失客戶(hù)，采取相關(guān)措施提高客戶(hù)的滿(mǎn)意度，實(shí)現(xiàn)該預(yù)測(cè)的關(guān)鍵是數(shù)據(jù)挖掘[1]和大數(shù)據(jù)技術(shù)?；诖髷?shù)據(jù)技術(shù)的數(shù)據(jù)挖掘就是從海量的客戶(hù)資料、使用行為、消費(fèi)行為、上網(wǎng)軌跡等信息中提取有用的信息進(jìn)行組合關(guān)聯(lián)，準(zhǔn)確判斷客戶(hù)流失的現(xiàn)狀或傾向，可以讓企業(yè)及時(shí)并有針對(duì)性的對(duì)客戶(hù)進(jìn)行挽留[2]；因此，利用大數(shù)據(jù)技術(shù)進(jìn)行數(shù)據(jù)挖掘，預(yù)測(cè)客戶(hù)流失、減少客戶(hù)流失的發(fā)生成為電信行業(yè)研究的重點(diǎn)。

1 國(guó)內(nèi)外研究現(xiàn)狀

在數(shù)據(jù)挖掘方面，國(guó)外有很多案例和做法值得學(xué)習(xí)，比如：文獻(xiàn)[3]中運(yùn)用決策樹(shù)、Logistic回歸、人工神經(jīng)網(wǎng)絡(luò)等算法建立了移動(dòng)用戶(hù)流失預(yù)測(cè)模型。Lightbridge[4]公司運(yùn)用CART算法分析了新英格蘭的一家移動(dòng)服務(wù)商的數(shù)據(jù)并建立了客戶(hù)流失模型。AT&T公司很早就開(kāi)始在大數(shù)據(jù)上的探索[5]，2009年開(kāi)始與Teradata公司合作引進(jìn)天睿公司的大數(shù)據(jù)解決方案。

在過(guò)去的幾十年中，中國(guó)企業(yè)都扮演著技術(shù)跟隨者的角色，現(xiàn)階段我國(guó)互聯(lián)網(wǎng)企業(yè)在數(shù)據(jù)挖掘、大數(shù)據(jù)處理以及人工智能、云計(jì)算等領(lǐng)域都有了巨大的發(fā)展。比如文獻(xiàn)[6]中使用K-means聚類(lèi)算法對(duì)電信客戶(hù)進(jìn)行細(xì)分，在此基礎(chǔ)上探索了客戶(hù)細(xì)分在營(yíng)銷(xiāo)中的實(shí)際應(yīng)用。文獻(xiàn)[7]中利用神經(jīng)網(wǎng)絡(luò)算法建立用戶(hù)流失預(yù)測(cè)模型，分析用戶(hù)流失特征。文獻(xiàn)[8]中利用Spark平臺(tái)實(shí)現(xiàn)了多種神經(jīng)網(wǎng)絡(luò)算法，對(duì)用戶(hù)流失問(wèn)題提出了快速精確的模型。

國(guó)內(nèi)的電信企業(yè)雖然都建立了客戶(hù)流失預(yù)測(cè)、客戶(hù)分群等模型，但大多都是基于數(shù)據(jù)挖掘軟件如SPSS、SAS等應(yīng)用，使用的數(shù)據(jù)量有限，不能全面分析用戶(hù)流失行為。

2 大數(shù)據(jù)平臺(tái)及技術(shù)

安徽聯(lián)通構(gòu)建基于B域、O域和M域數(shù)據(jù)融合的大數(shù)據(jù)平臺(tái)——智慧運(yùn)營(yíng)平臺(tái)，實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型及全業(yè)務(wù)流程的智慧運(yùn)營(yíng)。智慧運(yùn)營(yíng)平臺(tái)通過(guò)企業(yè)級(jí)大數(shù)據(jù)平臺(tái)實(shí)現(xiàn)企業(yè)全量數(shù)據(jù)的接入及治理，當(dāng)前包括Hadoop、Universe、實(shí)時(shí)流處理三大資源池，共計(jì)140多個(gè)節(jié)點(diǎn)，存儲(chǔ)容量3PB、2200核CPU、8T內(nèi)存計(jì)算資源，實(shí)現(xiàn)資源動(dòng)態(tài)管理；流處理平臺(tái)具備百萬(wàn)級(jí)別消息并發(fā)處理能力，支持1分鐘級(jí)別提供用戶(hù)位置能力(見(jiàn)圖1)。

圖1 智慧運(yùn)營(yíng)平臺(tái)架構(gòu)圖

智慧運(yùn)營(yíng)平臺(tái)接入BSS、CBSS、OSS、SEQ、上網(wǎng)等全網(wǎng)多種數(shù)據(jù)源，利用BDI(Big Data Integration，數(shù)據(jù)集成套件)和Flume進(jìn)行離線(xiàn)數(shù)據(jù)及日志數(shù)據(jù)的抽取、轉(zhuǎn)換、加載等數(shù)據(jù)采集功能，實(shí)現(xiàn)高性能海量數(shù)據(jù)處理和存儲(chǔ)。利用Hadoop、Universe、實(shí)時(shí)流處理三大資源池，有效支撐上層各種應(yīng)用的開(kāi)發(fā)和運(yùn)行。利用基于大數(shù)據(jù)分析平臺(tái)構(gòu)建的新一代智能數(shù)據(jù)挖掘系統(tǒng)SmartMiner進(jìn)行自動(dòng)化數(shù)據(jù)挖掘，實(shí)現(xiàn)各種算法模型的訓(xùn)練和預(yù)測(cè)。借助智慧運(yùn)營(yíng)平臺(tái)強(qiáng)大的大數(shù)據(jù)分析和處理能力，結(jié)合現(xiàn)網(wǎng)客戶(hù)運(yùn)營(yíng)的經(jīng)驗(yàn)，建立有效的用戶(hù)流失預(yù)測(cè)模型，實(shí)現(xiàn)用戶(hù)的流失預(yù)警、維系策略匹配、客戶(hù)反饋優(yōu)化等一整套流程，能夠有效降低用戶(hù)流失。

3 離網(wǎng)預(yù)測(cè)模型構(gòu)建

3.1 離網(wǎng)預(yù)測(cè)原理

離網(wǎng)預(yù)測(cè)模型[9]主要是根據(jù)歷史數(shù)據(jù)特征，通過(guò)數(shù)據(jù)挖掘算法，建立預(yù)測(cè)模型，并將模型應(yīng)用于現(xiàn)網(wǎng)用戶(hù)，預(yù)測(cè)出離網(wǎng)概率高的用戶(hù)。其主要包括數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練和驗(yàn)證、離網(wǎng)預(yù)測(cè)三大部分[10]。如圖2所示，數(shù)據(jù)準(zhǔn)備階段，根據(jù)出賬和充值規(guī)律定義離網(wǎng)規(guī)則，通過(guò)對(duì)電信業(yè)務(wù)和用戶(hù)行為的理解，從運(yùn)營(yíng)商各域數(shù)據(jù)里提取數(shù)據(jù)，并篩選離網(wǎng)預(yù)測(cè)特征字段，構(gòu)建離網(wǎng)預(yù)測(cè)特征庫(kù)。模型訓(xùn)練和驗(yàn)證階段，選取數(shù)據(jù)挖掘算法，進(jìn)行模型訓(xùn)練、評(píng)估和調(diào)優(yōu)，訓(xùn)練出最佳模型。離網(wǎng)預(yù)測(cè)階段，將訓(xùn)練的最佳模型應(yīng)用于現(xiàn)網(wǎng)數(shù)據(jù)，實(shí)現(xiàn)準(zhǔn)確的流失預(yù)測(cè)。進(jìn)一步通過(guò)有效的維系手段，對(duì)預(yù)測(cè)流失用戶(hù)進(jìn)行精準(zhǔn)維系，減少用戶(hù)離網(wǎng)，提升在網(wǎng)用戶(hù)價(jià)值。

圖2 離網(wǎng)預(yù)測(cè)模型構(gòu)建示意圖

3.2 隨機(jī)森林算法

傳統(tǒng)數(shù)據(jù)挖掘中進(jìn)行流失預(yù)測(cè)多采用決策樹(shù)算法[11]，它的特點(diǎn)有訓(xùn)練時(shí)間復(fù)雜度低、預(yù)測(cè)的過(guò)程比較快、模型容易展示等。但是單決策樹(shù)容易過(guò)擬合，雖然可以通過(guò)剪枝等方法減少這種情況的發(fā)生，但仍有不足。2001年Leo Breiman在決策樹(shù)的基礎(chǔ)上提出了隨機(jī)森林算法[12]。

隨機(jī)森林是由多個(gè)決策樹(shù)構(gòu)成的森林，算法分類(lèi)結(jié)果由這些決策樹(shù)投票得到，決策樹(shù)在生成過(guò)程中分別在行方向和列方向上添加隨機(jī)過(guò)程，行方向上構(gòu)建決策樹(shù)時(shí)采用有放回抽樣(bootstrapping)得到訓(xùn)練數(shù)據(jù)，列方向上采用無(wú)放回隨機(jī)抽樣得到特征子集，并據(jù)此得到其最優(yōu)切分點(diǎn)。從圖3中可以看到，通過(guò)K次訓(xùn)練，得到K棵不同的決策樹(shù)｛T1，T2，…，TK｝，再將這些樹(shù)組合成一個(gè)分類(lèi)模型系統(tǒng)，隨機(jī)森林是一個(gè)組合模型，內(nèi)部仍然是基于決策樹(shù)，同單一的決策樹(shù)分類(lèi)不同的是，隨機(jī)森林通過(guò)多個(gè)決策樹(shù)投票結(jié)果進(jìn)行分類(lèi)，算法不容易出現(xiàn)過(guò)度擬合問(wèn)題。

圖3 隨機(jī)森林算法示意圖

3.3 數(shù)據(jù)準(zhǔn)備

3.3.1 離網(wǎng)定義及數(shù)據(jù)需求

為了進(jìn)一步提前鎖定離網(wǎng)傾向用戶(hù)，經(jīng)過(guò)歷史數(shù)據(jù)的比對(duì)，結(jié)合用戶(hù)使用行為的分析，決定將過(guò)繳費(fèi)期10天未繳費(fèi)的用戶(hù)定義為流失用戶(hù)。根據(jù)傳統(tǒng)數(shù)據(jù)挖掘?qū)崿F(xiàn)的離網(wǎng)預(yù)測(cè)案例的經(jīng)驗(yàn)，考慮到大數(shù)據(jù)系統(tǒng)的處理能力，通過(guò)對(duì)連續(xù)3個(gè)月內(nèi)離網(wǎng)的用戶(hù)進(jìn)行離網(wǎng)打標(biāo)，增加離網(wǎng)用戶(hù)的樣本量，提高離網(wǎng)預(yù)測(cè)的準(zhǔn)確率；通過(guò)對(duì)目標(biāo)用戶(hù)中隔月后離網(wǎng)的用戶(hù)進(jìn)行打標(biāo)，預(yù)留1個(gè)月的預(yù)測(cè)結(jié)果干預(yù)期，進(jìn)行維系挽留。如圖4所示，采用連續(xù)7個(gè)月的歷史數(shù)據(jù)，對(duì)第N-6月的數(shù)據(jù)進(jìn)行隔月后的連續(xù)3個(gè)月(N-4月、N-3月、N-2月)離網(wǎng)用戶(hù)打標(biāo)，取N-6月、N-5月、N-4月連續(xù)3個(gè)月的正負(fù)樣本并集，解決了傳統(tǒng)打標(biāo)負(fù)樣本量不足和維系干預(yù)期太短等問(wèn)題。

圖4 正負(fù)樣本打標(biāo)示意圖

3.3.2 數(shù)據(jù)特征提取

根據(jù)業(yè)務(wù)經(jīng)驗(yàn)，選取與用戶(hù)流失可能存在相關(guān)性的所有屬性，進(jìn)行數(shù)據(jù)審查，篩選存在相關(guān)性較大的特征屬性。本次建模數(shù)據(jù)特征主要采用B域用戶(hù)通信及消費(fèi)行為等基本屬性、衍生屬性(匯總、比例、趨勢(shì)和波動(dòng))、挖掘?qū)傩缘?，增加O域樣本數(shù)據(jù)，如上網(wǎng)行為、終端屬性指標(biāo)(換機(jī)、應(yīng)用偏好、掉話(huà)率、上網(wǎng)協(xié)議響應(yīng)成功率等)。如表1所示，數(shù)據(jù)維度包括基礎(chǔ)信息維度、通信行為信息、賬務(wù)信息、消費(fèi)行為變化維度、交往圈信息、呼叫異網(wǎng)維度、投訴維度、通信行為維度及上網(wǎng)軌跡、掉話(huà)率等。根據(jù)這些維度數(shù)據(jù)合并匯總成數(shù)據(jù)挖掘特征寬表，用于模型訓(xùn)練和驗(yàn)證。

表1 特征寬表部分屬性

3.4 建立模型

流失客戶(hù)預(yù)測(cè)模型的建立，具體包括原始數(shù)據(jù)處理、特征寬表構(gòu)建、模型訓(xùn)練、模型評(píng)估和模型調(diào)優(yōu)五個(gè)部分。如圖5所示，智慧運(yùn)營(yíng)平臺(tái)通過(guò)連接全網(wǎng)數(shù)據(jù)的接口，獲取建模所需的BSS系統(tǒng)(業(yè)務(wù)支持系統(tǒng))數(shù)據(jù)和OSS系統(tǒng)(運(yùn)營(yíng)支持系統(tǒng))數(shù)據(jù)。BSS系統(tǒng)是運(yùn)營(yíng)商向用戶(hù)開(kāi)展業(yè)務(wù)的主要IT組成部分，OSS系統(tǒng)是電信服務(wù)提供商用來(lái)管理通信網(wǎng)絡(luò)的主要系統(tǒng)。BSS數(shù)據(jù)包括CRM(客戶(hù)關(guān)系)、Billing(賬單數(shù)據(jù))、詳單數(shù)據(jù)及投訴數(shù)據(jù)，OSS數(shù)據(jù)包括分組交換數(shù)據(jù)(Package Switch，PS)、測(cè)量報(bào)告數(shù)據(jù)(Measurement Report，MR)和電路交換數(shù)據(jù)(Circuit Switch，CS)。其中PS數(shù)據(jù)描述了用戶(hù)連接網(wǎng)絡(luò)的情況，如上網(wǎng)速度、掉線(xiàn)率和移動(dòng)搜索文本信息；MR數(shù)據(jù)可以用來(lái)給用戶(hù)定位，獲取用戶(hù)運(yùn)動(dòng)軌跡；CS數(shù)據(jù)描述的是用戶(hù)的通話(huà)質(zhì)量，如掉話(huà)率等。

我們將獲取的原始數(shù)據(jù)存儲(chǔ)到Hadoop分布式文件系統(tǒng)中(HDFS)，然后再利用Hive進(jìn)行特征生成和處理工作。HDFS可以處理PB級(jí)別的超大文件，Hive可以提供簡(jiǎn)單的SQL查詢(xún)功能，并能將SQL語(yǔ)句轉(zhuǎn)化為MapReduce任務(wù)分布式運(yùn)行。

圖5 模型構(gòu)建框架圖

特征寬表生成后，我們利用Spark的高效計(jì)算能力，在SmartMiner中選取隨機(jī)森林算法進(jìn)行流失預(yù)測(cè)模型的訓(xùn)練，經(jīng)過(guò)訓(xùn)練結(jié)果的多次驗(yàn)證和評(píng)估，我們將隨機(jī)森林設(shè)置為200顆樹(shù)，SQR采樣方法，樹(shù)的最大深度為15層，葉子最小樣本數(shù)100個(gè)，最大分箱數(shù)32，進(jìn)行模型建立。將分類(lèi)器訓(xùn)練出來(lái)的模型應(yīng)用到現(xiàn)網(wǎng)數(shù)據(jù)，可以預(yù)測(cè)未來(lái)3個(gè)月有離網(wǎng)傾向的用戶(hù)，按照離網(wǎng)傾向的高低排名，鎖定維系挽留的目標(biāo)客戶(hù)。

3.5 模型評(píng)估

訓(xùn)練模型的好壞可以通過(guò)對(duì)歷史流失數(shù)據(jù)的檢驗(yàn)來(lái)驗(yàn)證，模型評(píng)估參數(shù)一般包括準(zhǔn)確率和覆蓋率，準(zhǔn)確率越高、覆蓋率越大，模型效果越好，其中：準(zhǔn)確率=預(yù)測(cè)流失準(zhǔn)確的客戶(hù)數(shù) / 預(yù)測(cè)為流失的客戶(hù)數(shù)；覆蓋率=預(yù)測(cè)流失準(zhǔn)確的客戶(hù)數(shù) / 實(shí)際流失的客戶(hù)數(shù)。

如圖6所示，我們根據(jù)建模訓(xùn)練數(shù)據(jù)的規(guī)則，可以在第N月預(yù)測(cè)第N+2月、N+3月、N+4月的流失用戶(hù)，第N+1月為我們的維系窗口期。

我們選取2016年1～6月數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)7～10月數(shù)據(jù)進(jìn)行模型預(yù)測(cè)，如圖7所示，經(jīng)過(guò)2016年9月至2017年2月數(shù)據(jù)的驗(yàn)證，可以得到7～10月的預(yù)測(cè)數(shù)據(jù)TOP50 000中查準(zhǔn)率基本在80%，查全率40%。

圖6 模型預(yù)測(cè)示意圖

圖7 7～10月模型預(yù)測(cè)評(píng)估情況

4 離網(wǎng)根因分析

通過(guò)對(duì)離網(wǎng)用戶(hù)的特征屬性進(jìn)行聚類(lèi)分析，離網(wǎng)用戶(hù)大致原因可以分為：資費(fèi)原因、合約感知原因、社會(huì)交往影響原因、終端換機(jī)原因、地域變更原因、服務(wù)質(zhì)量原因、通信質(zhì)量原因、棄卡原因、新入網(wǎng)質(zhì)量原因及其他原因等。如表2所示，提取2016年11月數(shù)據(jù)預(yù)測(cè)2017年1～3月離網(wǎng)概率top400 000用戶(hù)，對(duì)其離網(wǎng)情況進(jìn)行驗(yàn)證，其準(zhǔn)確率達(dá)到52%以上。

5 應(yīng)用

5.1 策略匹配

通過(guò)對(duì)流失用戶(hù)的根因分析，結(jié)合現(xiàn)有維系業(yè)務(wù)，將預(yù)測(cè)的離網(wǎng)用戶(hù)，根據(jù)業(yè)務(wù)特征進(jìn)行分類(lèi)，匹配相應(yīng)策略指導(dǎo)市分VIP維系客戶(hù)經(jīng)理進(jìn)行外呼維系。如表3所示，將離網(wǎng)傾向較高的用戶(hù)分為話(huà)務(wù)異常、業(yè)務(wù)異常和服務(wù)異常三類(lèi)，針對(duì)話(huà)務(wù)異常用戶(hù)，重點(diǎn)進(jìn)行優(yōu)惠活動(dòng)介紹，增加用戶(hù)黏性；對(duì)于業(yè)務(wù)異常用戶(hù)，推薦合約續(xù)約及更換SIM卡；對(duì)于服務(wù)異常用戶(hù)，進(jìn)行及時(shí)安撫并給予一定贈(zèng)送。

表2 離網(wǎng)特征驗(yàn)證

表3 維系策略匹配表

5.2 維系效果

針對(duì)三星級(jí)以上用戶(hù)，我們利用在網(wǎng)維系系統(tǒng)進(jìn)行了針對(duì)性的維系挽留。從2017年1月開(kāi)始，我們將大數(shù)據(jù)系統(tǒng)預(yù)測(cè)出的離網(wǎng)傾向較高的高價(jià)值用戶(hù)通過(guò)在網(wǎng)維系系統(tǒng)下發(fā)到市分VIP客戶(hù)經(jīng)理處，根據(jù)匹配的策略進(jìn)行精準(zhǔn)維系。如圖8所示，2015年9月至12月，高價(jià)值用戶(hù)準(zhǔn)離網(wǎng)率平均值為2.04%，全網(wǎng)準(zhǔn)離網(wǎng)率為3.6%。模型應(yīng)用后，高價(jià)值離網(wǎng)率從2017年2月開(kāi)始持續(xù)降低，如圖9所示，截至2017年7月下降到1.35%，平均準(zhǔn)離網(wǎng)率為1.49%，相比應(yīng)用前的2.04%下降了0.55%，每月多挽留客戶(hù)8230戶(hù)，高價(jià)值戶(hù)均ARPU按90元計(jì)算，月均減少損失74萬(wàn)元，年減少損失888萬(wàn)元。

圖8 實(shí)施前高價(jià)值用戶(hù)流失情況

圖9 實(shí)施后高價(jià)值用戶(hù)流失情況

6 小結(jié)

本文闡述了利用智慧運(yùn)營(yíng)大數(shù)據(jù)平臺(tái)，對(duì)流失客戶(hù)的特征進(jìn)行的分析和研究，利用SmartMiner分析系統(tǒng)選取隨機(jī)森林算法，建立客戶(hù)流失預(yù)測(cè)模型，通過(guò)多次的訓(xùn)練和優(yōu)化，逐步提高流失預(yù)測(cè)模型的準(zhǔn)確性。通過(guò)對(duì)離網(wǎng)用戶(hù)的根因分析，制定相應(yīng)維系策略，匹配到相應(yīng)的離網(wǎng)傾向用戶(hù)，在全網(wǎng)進(jìn)行了系統(tǒng)化的精準(zhǔn)維系，有效提升了用戶(hù)保有率。下一步將結(jié)合維系效果，繼續(xù)優(yōu)化模型參數(shù)，完善訓(xùn)練模型，進(jìn)一步提升流失預(yù)測(cè)的準(zhǔn)確率和覆蓋率，繼續(xù)研究用戶(hù)流失根因，根據(jù)離網(wǎng)根因匹配維系策略，進(jìn)一步降低用戶(hù)流失，增強(qiáng)用戶(hù)黏性，提升客戶(hù)價(jià)值。

[1] 王瑾. 基于數(shù)據(jù)挖掘的電信客戶(hù)流失預(yù)測(cè)研究[D]. 西安:西安電子科技大學(xué), 2012:35-42

[2] 劉志超,王雷,谷壘,等.基于數(shù)據(jù)挖掘技術(shù)的客戶(hù)流失預(yù)警模型[J].微計(jì)算機(jī)信息,2011,(2):176-177

[3] Mozer MC,Wolniewicz R,Grimes DB.et al. Predicting Subscriber Dissatisfaction and Improving Retention in the Wireless Telecommunications Industry[J]. IEEE Transactions on Neural Networks, 2000,11(3):690-6

[4] TADESSE T,WILHITE DA,HARMS SK,et al. Drought Monitoring Using Data Mining Techniques: A Case Study for Nebraska,USA[J].Natural Hazards,2004,33(1):137-59

[5] 全球十大電信如何玩大數(shù)據(jù)[EB/OL].[2017-12-12].http://www.199it.com/archives/210931.html

[6] 朱姍姍.數(shù)據(jù)挖掘在電信行業(yè)客戶(hù)細(xì)分的應(yīng)用研究[D].沈陽(yáng):遼寧大學(xué),2012

[7] 孫碧穎.基于神經(jīng)網(wǎng)絡(luò)算法構(gòu)建電信用戶(hù)流失預(yù)測(cè)模型的研究[D].蘭州:蘭州大學(xué),2016:5-10

[8] 鄭杰文.基于Spark平臺(tái)的通信網(wǎng)用戶(hù)流失預(yù)測(cè)研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2017.2-6

[9] 王建仁,李妮,段剛龍.基于信息融合的電信客戶(hù)流失預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用,2016,(10):64-70

[10] 楊遠(yuǎn)佳.數(shù)據(jù)挖掘在電信客戶(hù)流失預(yù)測(cè)中的應(yīng)用[D].長(zhǎng)沙:湖南大學(xué),2016:8-16

[11] 張宇,張之明.一種基于C5.0決策樹(shù)的客戶(hù)流失預(yù)測(cè)模型研究[J].統(tǒng)計(jì)與信息論壇,2015,(1):89-94

[12] 邱一卉.基于剪枝隨機(jī)森林的電信行業(yè)客戶(hù)流失預(yù)測(cè)[J].廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,(6):817-822

許乃利

碩士，工程師，安徽省通信學(xué)會(huì)大數(shù)據(jù)分會(huì)副秘書(shū)長(zhǎng)、中國(guó)聯(lián)通IT戰(zhàn)略人才骨干人才、中國(guó)聯(lián)通牛人實(shí)驗(yàn)室大數(shù)據(jù)技術(shù)與應(yīng)用學(xué)習(xí)小組組長(zhǎng)。目前主要從事客戶(hù)分析、數(shù)據(jù)挖掘、大數(shù)據(jù)精準(zhǔn)營(yíng)銷(xiāo)及客戶(hù)運(yùn)營(yíng)等工作。

編者按本欄目關(guān)注信息通信行業(yè)最新動(dòng)態(tài)及趨勢(shì)的分析評(píng)論，刊登通信企業(yè)、行業(yè)專(zhuān)家在管理運(yùn)營(yíng)、策略規(guī)劃、業(yè)務(wù)創(chuàng)新等方面的研究成果。

Ovum是一家在世界電信產(chǎn)業(yè)界富有權(quán)威性的獨(dú)立/中立咨詢(xún)顧問(wèn)公司；本期選取了Ovum關(guān)于德電數(shù)字化戰(zhàn)略的研究(本文由Ovum提供并翻譯，原文請(qǐng)見(jiàn)http://www.unicomlabs.cn/ICT.jsp)；本期還選取了華為運(yùn)營(yíng)商市場(chǎng)部關(guān)于視頻戰(zhàn)略發(fā)展演進(jìn)的解析，供大家參考。

Research and Application of Telecom Customer Churn Prediction Model Based on Big Data Technology

Xu Naili

Anhui Branch of China United Network Communications Co., Ltd., Hefei 230061, China

Finding better ways for customer churns to reduce users' loss and improving customer experiences has become one of the critical competitive abilities for telecom operators. This paper introduces atelecom customer churn prediction model and its applications by using big data mining and artificial intelligence technologies. This model uses the vast amount of call detail records to find the reasons of customer losses and analyzes the characteristics of the lost customers. A customer churn prediction model is established based on these analyses as a tool to help field sales predict possible customer losses. The model is also used to create specific promotions, policies and sales strategies to retain these customers, thus significantly reduces customer losses.

Big Data; Churn Analysis; Data Mining; Customer Churn; Customer Retention