浅谈数据挖掘在客户流失猜测模型中的应用

《浅谈数据挖掘在客户流失猜测模型中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浅谈数据挖掘在客户流失猜测模型中的应用本文分析了客户流失新问题产生的原因及几种主要的表现形式，阐述了运用数据挖掘技术建立客户流失猜测模型的必要性，介绍了几种主要的数据挖掘分类方法，最后简单论述了数据挖掘流程中的数据预备步骤。　　一、前言　　以前，人们往往很长时间内（甚至是一生）都选用同一家公司的产品，但现在情况已经改变了。随着经济的全球化、多样化，公司之间的竞争日趋激烈，客户选择产品及产家的余地越来越大，同时越来越注重服务等附加值，客户流失正日益成为全球企业面临的一个普遍性新问题。据统计，赢得一个新客户所花费的成本是保留住一个老客户

2、的5～6倍，如何保持老客户，控制高价值客户的流失必将成为企业提高竞争力，在激烈竞争中致胜的关键。企业必须将战略重心从优化内部流程、提高运营效率转移到满足客户需求、稳定和扩大客户群上，实践以客户为中心、以市场为导向的经营理念。　　二、客户流失简介　　客户流失是指客户停止使用原有的产品或服务，或转而使用竞争对手的产品或服务。企业客户流失有三种表现形式：公司内客户转移，客户被动流失，客户主动流失。以电信业为例，(1)公司内客户转移表现为客户转移至本电信公司的不同X络或不同业务。例如，电信企业增加新业务，或者资费调整引发的业务转移，或者从普

3、通的固定转至IP等。在这种情况下，虽然就某个业务单独统计来看存在客户流失，但对公司整体而言客户没有流失，当然公司内客户转移也会影响公司的收入。(2)客户被动流失表现为电信运营商由于客户欺诈或恶意欠费等行为而主动终止客户使用X络和业务。这是由于电信运营商在客户开发的过程中忽视了客户质量造成的。(3)客户主动流失分为两种情况，一种是客户不再使用任何一家电信运营商的电信业务，另一种是客户选择了另一家运营商，即所谓的“客户跳X”。后者的原因主要是客户认为公司不能提供他所期待的价值，即公司为客户提供的客户让利价值低于另一家电信运营商。这可能是

4、客户对电信公司的业务或服务不满足，也可能是客户仅仅想尝试一下别家公司提供而本公司未提供的新业务。这种客户流失形式往往是探究的主要内容。　　三、数据挖掘产生的背景及主要分析方法　　探究哪些客户即将流失，实质上是一个分类新问题，即将现有客户分为流失和不流失两类。传统的分类方法一般是基于经验的分类方法或基于统计的简单划分方法。前者一般由决策者根据以往的经验对客户进行类别划分，因此具有较强的主观性；后者一般是根据对客户属性特征的简单统计来划分客户类别。虽然这些划分对企业的客户管理也是很有意义的，但却无法满足一些复杂的分析需求，例如：客户流失

5、的概率如何；哪些因素造成了客户流失；不同类别之间客户的流失情况有什么差别；假如某个客户将要流失，他会在多长时间内流失等。另一方面，数据库技术的成熟应用已使企业积累了大量的数据，管理层希望摆脱经验，从这些数据矿藏里提炼出有价值的“知识”，利用这些“知识”建立起有效的客户流失猜测模型。但是传统的数据库管理系统是面向应用的，只处理日常的经营业务，不具备智能数据处理的功能，如何获得这些“知识”就促成了数据挖掘技术的产生。概括地讲，数据挖掘是指从数据仓库中提取人们感喜好的，事先未知的，有用的或潜在有用的信息。　　数据挖掘的主要方法有：概念/类

6、描述，关联分析，分类和猜测，聚类分析，孤立点分析和演变分析。在客户流失猜测模型中主要用到的是分类算法。分类是一种有监督的学习方法，它通过在一个包含了已知流失和未流失的客户样本集上进行模型练习，得到一个能够猜测客户是否会流失的分类器，然后去猜测客户未来的流失倾向。目前运用最广泛的是基于决策树的分类算法，如ID3、C4.5、C5.0、CART等。决策树算法建模简单，分类准确率高，而且能导出简明易懂的诸如If-Then形式的分类规则，十分适合客户流失猜测新问题。但是，决策树算法很难确定分类概率，即难以计算出客户流失的概率。Logistic

7、回归、人工神经X络虽然能得出流失概率，但是这两种模型的内在表示是隐含的，不能像决策树那样可以得到一个If-Then形式的分类规则，而且神经X络轻易出现局部最小化和“过拟和”新问题，猜测性能不佳。　　以上的数据挖掘方法都要求有较多的练习样本，对于小样本集，练习结果最好的模型不一定是猜测能力做好的模型。因此，如何从小样本集出发，得到猜测能力最好的模型，就成为数据挖掘探究领域内的一个难题。即所谓“小样本难题”。支持向量机(SVM)是数据挖掘中的一项新技术，最初于20世纪90年代有Vapnik提出，它从严格的数学理论出发，论证和实现了在小样

8、本情况下能最大限度地提高猜测可靠性的方法。近年来，SVM在解决分类新问题方面得到了广泛的应用。　　四、结束语　　在整个数据挖掘流程中最关键，工作量最大，也最轻易被忽视的一个步骤是数据预备，即通过数据清理、数据集成和变换、数据规约建立起