运用呼叫中心的电子邮件整合顾客信息用于客户流失预测

《运用呼叫中心的电子邮件整合顾客信息用于客户流失预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、通过呼叫中心电子邮件整合顾客的声音进入决策支持系统，为客户流失预测——KristofCoussement,DirkVandenPoel比利时根特大学，经济及工商管理学院，市场营销系，比利时根特Tweekerkenstraat2,9000Ghent，2006年10月9日收到;2007年8月7日收到修改形式,2008年1月21日被接受;　　2008年三月十七日在线提供摘要：我们研究流失预测决策支持系统性能优化的问题。特别是，我们调查以下措施的有利影响，即通过呼叫中心的电子邮件加入顾客的声音,—即文字信息—到一个只使用传统营销信息的客户流失预测系统。我们发现，加入非结构化文本信息到传统的流失预测模

2、型，使预测性能显著增加。从管理的角度来看，这个综合框架帮助营销决策者更好的确定最容易改变的客户。因此，针对他们的客户保留活动能更有效，因为这个预测方法能更好得预测客户谁更有可能离开。关键词：客户关系管理（CRM），数据挖掘，客户流失预测，文本挖掘，呼叫中心电子邮件，顾客的声音（VOC），二元分类模型1.简介在过去，公司专注于销售产品、知识甚少的服务或针对购买产品客户的有关战略。今天的商业正在从这种“以产品为中心”演变到“以客户为中心”的环境。企业需要找到方法来获得和提高市场份额，同时降低成本[7]。因此，现有企业必须重新考虑与客户的业务关系[24]。客户关系管理（CRM）正在成为在今天的商业

3、环境中成功的关键因素[2,16]。目前正通过实施数据挖掘从结构化数据仓库获得客户信息[35]。管理客户流失的一种方法，是预测哪些客户最有可能离开，然后针对性实施激励措施使他们留下来。因此，这些是支持营销决策者对正确的客户实施正确的营销活动。一个由Burez和VandenPoel进行的田间试验[9]已经表明，公司从大范围转向针对性的营销策略转变，可以提高盈利能力。保持和满足现有的客户比高消耗地吸引新客户利润更高[26]。确定哪些顾客最容易改变很重要[17]。为了建立一个有效的客户挽留计划，公司必须建立一个模型，该模型应尽可能地准确；事实上VandenPoelandLarivie`re[36]的

4、研究表明保持率的一个小变化可能会导致盈利能力的显著变化。我们决定有必要通过呼叫中心电子邮件整合客户的声音进入一个传统的客户流失预测模型使其成为更好的模型：一个具有较高的预测性能的模型。资讯科技的急速发展和互联网使客户与公司沟通更加方便，呼叫中心正在迅速扩大范围，数量和规模[1]，因为许多公司依靠他们解决客户关心的问题，提供产品信息[25]。然而，市场营销经理往往忽视这些有价值的信息，因为（i）它不能直接适用于传统营销环境；（ii）很少关注内部知识如何转换为（文字）信息分析的形式；（iii）并无随时可以使用的框架整合信息。我们开发了一个客户流失预测决策支持系统，它从营销数据库的客户电子邮件中集

5、成了自由格式的文字资料。虽然以前的研究中曾通过VOC了解客户的需求和行为（如文献[10,11,21]），仍没有在流失预测模型中使用VOC的先例。1.方法论Fig.1.Anintegratedchurn-modelingsystemthatusesstructured,database-relatedinformationandfree-formatted,textualinformation.（采用结构化的、数据库相关信息和自由格式的、文本信息的一个完整的流失模型系统）LSI：潜在语义索引CV：交叉验证1.1数据收集结构化的营销信息可以从普通的营销数据库中提取得到，普通营销数据库中所有事务和

6、与市场营销相关的信息都已储存。相比之下，呼叫中心的电子邮件是高度非结构化的。因此，从电子邮件中提取信息，需要细致的前期处理，获得相关细节并列入流失检测/预测决策支持系统。1.2预处理1.2.1数据和文本预处理结构化信息内部可以在一个非常低的成本下，预加工和整合到我们的模型中。但是原始电子邮件本质上是非结构化的。他们通过索尔顿的向量空间被转换成一个结构化表示[31]:电子邮件是被描绘为一个向量加权频率指定的单词。因此电子邮件是n维向量，在字典中有n个不同的项。每个向量部分反映的遵守电子邮件[6]语义的相应项的重要性，并且如果项存在，每个组件有一个重量，否则为零。因此，电子邮件的收集用一个电子邮

7、件项的矩阵表示。Fig.2showsthestepsinthispre-processingphasewherebyrawemailsbecomeaterm-by-emailmatrix.rawtextcleaning：原始文本清洗word-tokenseparation：单词标记分离tokenization：标记化caseconversion：实例转换part-of-speechtagging（POS）：词