客户行为研究成果-基于多目标决策树研究客户职业细分

《客户行为研究成果-基于多目标决策树研究客户职业细分》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、基于多目标决策树研究客户职业细分1概述以客户为中心，深化客户导向的服务管理体系是中国移动2008年的重点市场工作。目前市场管理按照三大品牌分别对各类客户进行，但是随着客户和业务的不断发展，品牌对客户的区分能力逐渐弱化，需要按新的维度来重新刻画客户，使不同群体的客户特征区别更为明显，对不同的群体进行差异化的服务和营销，真正做到以客户为中心。同时，使同一群客户的价值或需求更加相似，他们对营销手段的反应也非常相似，这样就为有效的主动营销奠定了良好的基础。现代社会中，职业是决定人们生活形态和消费模式的重要因素之一。职业与人们所处的社会地位以及

2、获得的社会资源密切相关，也与人们的收入高度相关。职业在很大程度上决定了人们对移动通信、资讯服务的需求，上班时是否需求更多的工作交流？是否要经常出差？是否经常收发邮件？关心哪方面的资讯？职业仿佛是一个巨大的力场，牵引着人们的日常运行轨迹。因此，把客户从职业角度进行细分，归纳每种职业客户的消费行为特征，就可以把握他们对移动服务需求的规则，实现更有效的客户服务和营销。2模型方法本项目主要解决的业务问题是根据现有客户的消费和行为数据，利用分类预测模型算法把客户按职业特点分为8个群：1.学生2.家庭主妇和离退休人员3.个体户4.中高层管理者5.

3、白领6.蓝领7.求职者8.公务员该问题可利用数据挖掘的手段或者方法加以解决。问题本身是一个multinomial分类预测问题，目标值是以上八类职业。对于多元分类预测问题，可以选用决策树、神经网络、逻辑回归、判别分析等数据挖掘算法进行分析建模。此处我们选用决策树模型对客户进行职业细分。选用决策树模型进行多元分类预测较其他方法具有其优点：1．相对于神经网络，决策树方法可详细了解从变量到目标的每一规则，分析每一规则每一节点下的数据特征，而神经网络方法无法了解从变量到目标的规则；2．相对于逻辑回归，决策树方法可同时进行多目标的分类预测，而一次

4、逻辑回归只能进行预测是否属于某一类，多元预测时需要多次逻辑回归，且回归算法对变量的要求较高，如变量正态分布、残差同分布等；3．相对于判别分析，决策树理论更成熟，且具有更高的准确性。1.1多目标决策树介绍决策树方法通过自顶向下，分而治之的策略，采用信息煽理论构建树状结构，最终得到符合每组规则条件下的目标群体成为样本目标的概率，通过可读规则展示用于对定类和定序目标变量的分类。运算过程中，如果熵值越小，数据的纯度越高：同时优先选取信息增益最大的字段应用决策树模型，可以判断某一组目标群成为样本目标的可能性，用于最终决策。1.2利用多目标决策树

5、研究客户职业细分的方法1.2.1基于多目标决策树的业务问题定义基于以上介绍的多目标决策树分析方法，可将当前的业务问题定义如下：1.移动通信网络中的客户行为是研究的对象，用户个体是多目标决策树分析中的分析对象；2.目标是通过客户的通信行为，以职业维度将客户分为学生、家庭主妇和离退休人员、个体户、中高层管理者、白领、蓝领、求职者、公务员八类职业。3.除了准确地对客户职业进行细分之外，还需要分析出各职业客户的属性、消费行为等方面的特征，并对未来的经营分析与业务开展具有指导意义。1.2.2基于多目标决策树分析的客户行为研究思路根据以上的业务问

6、题定义，我们可以选取反映样本客户行为特征的属性，如ARPU值、MOU、数据业务费用等指标，训练多目标决策树，获得职业识别的规则，分析各类各指标的在判别职业中的作用和程度。同时利用另外的测试样本来检查职业识别的准确性。这个过程需要反复调整，来获得最好的细分模型。1.1基于多目标决策树的职业细分模型的构建1.1.1数据准备与数据探索数据准备中需注意的相关问题：1.提取的数据细化到每一客户，我们的分析对象层面是客户级；2.对于金额、时长、比例等连续性指标，需提取最近三个月每月平均值，使得数据及分析的结论具有稳定性；3.选择的关键性指标不宜过

7、多，且需排除之间相关性较强的指标。当选择的指标较多时，需要用因子分析等降维方法降低维度以利于后期对类别的命名；4.对数据进行标准化处理。在后面数据分析全过程中，通过可视化（Visualization）工具及统计分析等方法来展示及探索（Explore）各个变量的效能，从而最终获得模型的输入变量。通过数据探索进行变量筛选的分析方法很多，因为业务目标是分类数据，此处主要以直方图分析(HitogramAnalysis)、箱线图的方法进行数据探索。通过比较变量在各类职业群体中的分布情况，观察其集中趋势，分析是否因职业不同而有显著差异。1.1.2

8、客户职业细分分析通过运用TeradataWarehouseMiner中决策树进行分析：1.选择数据表；2.选择决策树分析模块，选择自变量和因变量；3.设置参数：选择分裂算法（splittingmethod）、修剪方法（P