用户流失预警模型及其应用_第五组.pdf

《用户流失预警模型及其应用_第五组.pdf》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、商务数据分析第五小组用户流失预警模型及其应用一、背景介绍假定一个顾客3个月不来购物，可以认为此顾客已经流失。需根据2013年10月至2014年9月的超市顾客购物历史数据建立模型，预测哪些会员将在2014年9月之后流失（即在2014年10月至12月不来购物）。同时识别这些即将流失的人群有什么特征，可以作为精细化运营的设计抓手。二、数据描述训练数据为13年10月至2014年9月，共1000个客户一年内的购物历史数据，总共有77899条记录，包含用户的购买时间、购买类目、购买金额及是否流失信息。三、问题提出1.如何依据历史用户购买行为判断用户流失概率，从而采取挽回措施？2.如何将流失模型中建立的用户

2、标签，应用于精细化运营？四、方案思路a.理论依据成熟的用户流失预警模型有RFM模型，可将RFM模型应用于该场景，并基于RFM基础变量探索其他变量优化该模型。b.构建思路◼Step1:现有样本数据剔除异常值；◼Step2:对现有样本数据构建最近消费距离、消费频次、消费金额三个变量，探索其他新增变量；◼Step3:连续变量采用分箱操作分段映射，名义变量分群映射；◼Step4:计算每个变量的W0E值，选择单个有效变量；◼Step5:神经网络/Logistics回归两种建立模型选择变量；◼Step6:训练集、测试集分别查看模型表现，选择最佳模型以及相应参数数据集。c.应用场景应用一：流失预警模型可用于

3、计算每个用户的流失概率，概率值特别高的用户（比如大于80%）不用做任何挽回手段，因为挽回成本高并且效果不好；流失概率值特别低的用户（比如小于20%）也不用做任何挽回手段，因为即使不做任何措施回购率也比较高；重点需要采取运营手段的为中间层用户（流失概率介于20%-80%）。应用二：模型过程中构建的变量，可用作用户细分，投放专门的运营策略。比如依据频次、金额、最近时间，对用户进行分组（重要保持客户、重要发展客户、一般重要客户等），针对不同等级用户，采取不同的管理策略。五、方案实施(一)数据预处理商务数据分析第五小组1.空值处理：样本无空值；2.极值处理：购物金额最高的3个用户购物频次最高的3个用户

4、(二)变量构建及构建理由：1.最近一次消费（RFM模型中的R）理由：最近一次消费是指上一次购买距离现在的时间。上一次消费时间越近的用户理论上应该是比较好的用户，对于提供的商品或服务会有迅速反应，很久没来的用户大概率会流失。下图未流失及流失用户的分布情况同样可以印证。商务数据分析第五小组2.消费金额（RFM模型中的M）理由：这里的消费金额是指顾客在一年内购买的总金额。累计消费金额可以反应用户整体依赖性。分人群表现如下：备注：此处已剔除极值3.消费频次（RFM模型中的F）理由：这里的消费频次是指顾客在一年内所购买的次数。最常购买的顾客，也是满意度最高的顾客，一般而言忠诚度较高，因而可以作为判断是否

5、会流失的重要变量。分人群的表现如下图：备注：此处已剔除极值4.第一次购买与最近一次购买之间的时长（RFM基础上新增变量）理由：时间跨度久的用户，一般而言更加忠诚、稳定，并且从另一方面也说明用户对超市依赖程度高，流失的概率也越低。分人群的表现如下图：商务数据分析第五小组5.购买类目数量（RFM基础上新增变量）理由：总的购买类目种类越多，说明需求比较杂，相对更稳定。分人群的表现如下：(三)特征变量筛选1.（二）中构建的5个变量结果如下：2.以上五个变量均为连续变量，构建后的五个变量分别对应为amount、category、frequency、time_long、recency应用分箱操作实现分段。

6、分段结果如下：◼Amount(sum(sum(amount)))：[-183.08][183.08-436.85][436.85-932.86][932.86-2095.31][2095.31-]◼Category(count(category))：[-7.5][7.5-15.5][15.5-26.5][26.5-42.5][42.5-]◼Frequency(count(datetime))：[-2.5][2.5-4.5][4.5-9.5][9.5-20.5][20.5-]◼Time_long：[-3.5][3.5-99.5][99.5-241.5][241.5-328.5][328.5-]◼

7、Recency(time_near)：[-9.5][9.5-24.5][24.5-95][95-243.5][243.5-]3.计算单个变量的WOE值商务数据分析第五小组使用IV大小来判断变量是否有预测性：当IV<0.2时排除该变量，0.21时有强预测性。初步可以判定以上五个变量分别均有相应分段值具备预测性。(四)模型建立及预测1.神经网络➢因变量：loss，自变量