基于大数据技术的电信客户流失预测模型 研究及应用 大数据

【摘　要】  为减少用户流失，提高用户保有率，文章介绍一种基于智慧运营平台，将大数据技术和数据挖掘技术相结合，对电信客户流失进行预测的模型。该模型利用大数据技术处理用户离网前的海量数据信息，分析流失用户特征，建立用户流失预测，提前锁定流失风险较高的用户，有针对性地制定维挽策略，精准开展维系挽留活动，能够有效降低用户离网率。

【关键词】  大数据；流失预测；数据挖掘；客户流失；维系挽留

引言

随着移动通信成本逐步下降，移动用户渗透率超过100%，新增市场趋于饱和，面对新增市场的激烈竞争，存量用户的保有显得越来越重要。一项调查数据表明，争取1位新客户的成本是保住1位老客户的5倍。面对新的竞争形势，运营商需要从传统只重视增量发展模式向“增存并重”发展模式转变。如何最大限度地降低客户的流失并挽留客户，成为决策者关注的话题。

客户流失给运营商带来了巨大损失，成功挽留一个即将流失的客户比重新发展一个客户节约大量成本。减少客户流失的关键是提前预测潜在的流失客户，采取相关措施提高客户的满意度，实现该预测的关键是数据挖 掘[1]和大数据技术。基于大数据技术的数据挖掘就是从海量的客户资料、使用行为、消费行为、上网轨迹等信息中提取有用的信息进行组合关联，准确判断客户流失的现状或倾向，可以让企业及时并有针对性的对客户进行挽留[2]；因此，利用大数据技术进行数据挖掘，预测客户流失、减少客户流失的发生成为电信行业研究的重点。

1 国内外研究现状

在数据挖掘方面，国外有很多案例和做法值得学习，比如：文献[3]中运用决策树、Logistic回归、 人工神经网络等算法建立了移动用户流失预测模型。 Lightbridge[4]公司运用CART算法分析了新英格兰的一 家移动服务商的数据并建立了客户流失模型AT&T 公司很早就开始在大数据上的探索[5]，2009年开始与 Teradata公司合作引进天睿公司的大数据解决方案。

在过去的几十年中，中国企业都扮演着技术跟随者的角色，现阶段我国互联网企业在数据挖掘、大数据处理以及人工智能、云计算等领域都有了巨大的发展。 比如文献[6]中使用K-means聚类算法对电信客户进行细分，在此基础上探索了客户细分在营销中的实际应用。 文献[7]中利用神经网络算法建立用户流失预测模型，分析用户流失特征。文献[8]中利用Spark平台实现了多种神经网络算法，对用户流失问题提出了快速精确的模型。国内的电信企业虽然都建立了客户流失预测、客户 分群等模型，但大多都是基于数据挖掘软件如SPSS、SAS等应用，使用的数据量有限，不能全面分析用户流失行为。

2 大数据平台及技术

安徽联通构建基于B域、O域和M域数据融合的大数据平台——智慧运营平台，实现数字化转型及全业务流程的智慧运营。智慧运营平台通过企业级大数据平台 实现企业全量数据的接入及治理，当前包括Hadoop、 Universe、实时流处理三大资源池，共计140多个节 点，存储容量3PB、2200核CPU、8T内存计算资源，实现资源动态管理；流处理平台具备百万级别消息并发 处理能力，支持1分钟级别提供用户位置能力(见图1)。