快好知 kuaihz

DT模型打好用户流失预防针——电信客户流失...

消费者今天会订阅多个电信服务(电视、付费节目、游戏等)。然而电信供应商提供的服务的差异化程度不高,客户忠诚度成为问题。

因此,电信公司主动识别有流失倾向的客户,并采取预防措施来保留这些客户变得越来越重要。

基于以上背景,tecdat研究人员对16年至今的电信用户流失数据进行分析,并建立预测模型,识别出流失概率很高的客户群体,同时找出哪些用户特征(“X”)对用户流失(“Y”)会有重大影响。

▍数据概览

使用收视服务的用户最多,订阅付费节目其次,订阅游戏业务用户数量最少。

订阅收视业务的用户增长最快,其次是订阅游戏业务的用户,而订阅付费节目的用户增长缓慢,同时流失严重。

相比较16年,用户净增长37%,然而17年上半年的流失比例相比较去年增加8%。

▍不同维度的流失率比较

我们比较了不同营业厅和是否发放数字机顶盒的用户流失情况。

可以看到相比较发放了数字机顶盒的用户来说,没有发放机顶盒的用户更容易流失

从不同营业厅的流失情况来看,沙河站和南口站的流失率最高,昌平站和小汤山站的流失率较低。

▍用户流失预测模型

然后,我们使用DT算法分析电信客户特征的特点,并获得流失客户的基本特征,分析客户的行为特征,采取有针对性的措施,改善客户关系,避免 客户损失或留住客户,达到补救的效果。

▍技术

DT(decision tree)用于构建、验证和测试数据集的模型。

在Spark / MLLib / Scikit-Learn / HDFS中重构实现处理较大的数据集。

▍结果

模型预测客户流失的精度精度达到93.2%。

影响客户流失或对“Y”产生重大影响的关键变量有:

营业厅的位置

是否发放数字机顶盒

在分析客户的行为特征之后,我们采取有针对性的措施,改善客户关系,避免 客户损失或留住客户,达到补救的效果。

版权声明:为拓端数据原创文章,未经允许不得转载!

本站资源来自互联网,仅供学习,如有侵权,请通知删除,敬请谅解!
搜索建议:流失  流失词条  预防针  预防针词条  模型  模型词条  客户  客户词条  电信  电信词条