数据挖掘应用于流失分析的整体思路

Posted 2021-05-18 Data+Science+Insight

数据挖掘应用于流失分析的整体思路

 

多看看模型的构建、解读、验证和应用，不要过多纠缠于数字字段是否全面，是否在自己的企业中可以获取以及取值是否完全合理。

了解一些常见的模型，在这个案例中，我们将应用到目标变量为离散变量的预测模型（包括决策树、神经网络）和聚类模型（KMeans）,介绍这些模型对数据的要求以及输出的结果。

 

我们可以把流失问题归结为如下3个问题：

问题1：预测那些客户（尤其是那些高价值客户）可能会流失？

问题2：可能流失客户的特征是什么？

问题3：市场挽留活动的预计收益是多少？

 

如何定义流失？

在分析中遇到的第一个问题就是如何定义流失？流失显然只是个业务术语，该如何使用数字来表达它那？

 

以下是一些逻辑规则的示例：

 

第一，以销户为标准：销户的客户记为流失1，否则为不流失0，但是真的所有客户不再使用某典型公司的服务后都会去销号吗？经过和业务人员的讨论，情况并非如此，尤其是对那些无月租费的客户，即使流失，他们一般也不去销号，由此我们应当想到还有其他的流失定义。

 

第二，以有无通话行为作为标准：例如若某一客户在3个月内未使用任何语音、数据业务就定义为流失1，否则为流失0。

 

第三，以欠费为标准：例如欠费三个月以上的客户（此种标准尤其适合后付费用户）记为流失1，否则为不流失0。