3G环境下基于客户价值分类的电信客户流失预测研究

电信客户流失问题是电信运营商面临的迫切需要解决的问题。本文针对3G环境下，根据客户三个月平均消费水平进行客户价值划分，综合运用数据挖掘中决策树算法和聚类算法进行建模，引入混淆矩阵对模型进行评估，利用模型输出的规则集有针对性的进行流失客户维系营销，从而达到降低客户流失，提高营销效率，提升电信运营商核心竞争力的目的。

随着科技的进步，电信行业发展的步伐日益加快，自2012 年，中国电信行业开始加大了对3G 的投入，到2014 年全面进入3G 时代，电信客户数据迅速增长，同时也面临客户大量流失，出现“增量不增收”的情况[1]。因此，客户流失预测在电信企业增加收入、提高客户保有、降低营销成本等多方面起着至关重要的作用。

本论文通过对电信客户流失实际情况的分析， 结合当前3G 环境下客户广泛使用手机流量这一特征， 利用SPSS 公司的Clementine12.0 数据挖掘软件[2]，采用CRISP-DM 的数据挖掘建模标准，提取了某县电信公司2014 年9 月至12 月业务支撑系统和客户数据库里的客户数据， 运用C5.0 决策树和CART 决策树分别建立了客户流失预测模型，利用K-Means 聚类算法建立了流失客户聚类模型，引入混淆矩阵对模型进行评估，最后根据模型输出的规则集制定相对应的客户维系策略。

2. 相关研究综述 随着电信行业发展的不断加速，数据挖掘技术在电信行业应用也不断深入，国内外研究者在这方面的研究也取得了一定的成果[3]。

T. Sato 通过研究发现， 利用主成份分析方法建立的流失客户模型较之C5.0决策树建模得出的规则集能获得更大的收益，并且首次将该方法应用到电信流失客户问题的研究中[4]。

Louis 对决策树和逻辑回归判别分析建立的客户流失预测模型进行了对比分析[5]。

Rosset 等人对客户价值进行分类，利用逻辑回归建立了基于客户价值分类的流失预测模型，使得模型的针对性更强，准确率得到了大幅度提高[6]。

Piotr 在客户流失分析方法的研究中提出将K-Means 算法与传统分类算法相结合， 最终的研究结果表明该算法应用在客户流失预测的准确率高于传统的分类预测算法[7]。

Cardeln 等人运用决策树建模的方法以美国某公司的客户数据为研究对象进行流失预测分析， 最终不仅取得了较高的准确率， 还获得了更有价值的客户流失规则。Mozer 等人在对美国某公司的客户进行流失预测的研究中，不仅对数据进行了抽样分析，还将ANN 技术和引入收益计算相结合，最终获得了较好的研究结果[8]。因此， 本文认为好的数据挖掘模型是需要建立在充分了解行业知识的基础上，灵活运用算法，才能够得出有价值的结果，没有最好的模型，只有最适合的算法。

3. 实验模型的建立 建模过程参照CRISP-DM 的数据挖掘建模标准，通过商业理解、数据理解、数据准备、建立模型步骤建立实验模型[9]。