Churn Model 系列一:业务角度

用户流失模型：

http://www.newnorth.com/creating-a-predictive-churn-mode-part-1l/

Creating a Predictive Churn Model : Part 1

【编者按】这是张磊博士2008年在数据挖掘研究院论坛上针对heilql的一篇回帖，主要针对当时电信离网用户预测模型阐述一下自己的看法，转眼5年过去，统计网仅以此贴向曾经的数据前辈们致敬。

理论背景
     客户流失分析或客户流失预测：通过离网调研和数据挖掘，捕捉客户离网前的特征，预测客户流失的概率。这对于优质客户的保护是十分重要和有效的分析手段。对于客户流失预测，从两个方面来看：一个是客户流失预警，一个是流失客户特征分析。
    客户流失预警：定义统一的预警模型，根据预警模型，客户话单数据中自动匹配预警数据，预警模型可以按如下规则定义，并且可以灵活扩展。
    流失客户特征分析：通过决策数算法，分析流失客户特征，然后通过这些特征得到当前在网客户中匹配流失概率高的客户数据。
    通过客户流失分析获得流失客户数据和潜在流失客户数据，从而将这些数据分配给客户服务部门，整合销售服务资源，根据客户的需求，设计个性化的营销策略，快速反应，以此达到召回流失客户，挽留流失概率高的客户，实现对客户的守护。
现实背景
   随着电信行业竞争的加剧，客户流失的规模越来越大，周期越来越短；电信业新增客户和客户流失模式，就犹如往没有底的水桶中倒水。
分析方法
客户流失分析的流程到处都在讲，不外乎是：
1. 分析主题确定及数据指标的选择；
2. 数据仓库数据提取及清洗；
3. 不相关指标剔除；
4. 用训练数据建立模型；
5. 用测试数据检验模型；
6. 预测新的流失用户，并提取用户名单；（摘自heilql原帖）

    我曾经看过所谓预警模型，只是对一些指标设定阈值，然后多个指标加权评分之后，得到总预警评分，若超过阈值，则提出预警。
    问题在于：这种思路有些一刀切，指标的选取和阈值的设定都存在很大的人为性，也缺乏有效性评估，所以个人觉得没有太大的实践价值。
    再谈流失预测分析，业界普遍都是采用决策树算法来建立模型。同意heilql的一些看法，包括挖掘流程的大致描述、指标选择是重点等。其实在我们以前所做的多个客户流失预测项目中，更重要的还有：明确业务问题的定义和如何运用挖掘结果来指导客户挽留活动。以下分别简要说明：

<