重庆联通客户细分和流失分析

重庆联通客户群体细分和客户流失分析数据挖掘 分析报告 2005-02-01,东方国信 数据挖掘项目组,议题,第一部分：数据挖掘模型在联通市场管理优化中的作用利用数据挖掘建立流失预测和客户群体细分模型模型结果摘要模型应用的策略讨论第二部分：重庆联通客户群体细分和客户流失分析数据挖掘结果报告客户群体细分和客户流失分析数据挖掘项目介绍项目结果分析 客户细分项目结果分析 客户流失下一个步骤,利用数据挖掘建立流失预测和客户群体细分模型,建立预测模型的三大前提： 过去可以很好地预测未来数据可以获得数据中包含我们想要预测的因素利用数据挖掘建立预测模型，辅助决策，就是在以上前提之下的努力,利用数据挖掘建立流失预测和客户群体细分模型,利用数据挖掘建立流失预测和客户群体细分模型,效率提升,实施难度,人工操作,利用基本的数据库进行查询辅助,利用OLAP等动态报表工具进行复杂查询辅助,利用统计模型和分析软件辅助决策,模型驱动的自适应动态管理系统,与最佳管理知识整合的策略优化,议题,第一部分：数据挖掘模型在联通市场管理优化中的作用利用数据挖掘建立流失预测和客户群体细分模型模型结果摘要优化联通市场管理效率的一些设想第二部分：重庆联通客户群体细分和客户流失分析数据挖掘结果报告客户群体细分和客户流失分析数据挖掘项目介绍项目结果分析 客户细分项目结果分析 客户流失模型应用的策略讨论,模型结果摘要,建立了框架式的客户细分模型建立了具有不同针对性的流失预测模型欠费型流失预测模型最高提升效率4倍 3.44% -13.79%非欠费型流失预测模型最高提升效率6倍 3.84% -23.26%部分（零次话零出账型）流失预测模型最高提升效率8倍 3.73% -30.83%,价值,风险,客户生命期,发展趋势,套餐/承诺,行为特征,宏观分类,微观分类,模型结果摘要客户细分,6个宏观分类28个二级分类43个三级分类109种细分群体,模型结果摘要客户细分,模型结果摘要客户细分,模型结果摘要客户细分,模型结果摘要客户细分,模型结果摘要客户细分,模型结果摘要客户细分,模型结果摘要客户细分,模型结果摘要客户细分,欠费型流失,欠费型流失,欠费型流失,非欠费型流失,非欠费型流失,非欠费型流失,部分流失,部分流失,部分流失,议题,第一部分：数据挖掘模型在联通市场管理优化中的作用利用数据挖掘建立流失预测和客户群体细分模型模型结果摘要模型应用的策略讨论第二部分：重庆联通客户群体细分和客户流失分析数据挖掘结果报告客户群体细分和客户流失分析数据挖掘项目介绍项目结果分析 客户细分项目结果分析 客户流失下一个步骤,模型应用的策略讨论,将以前在市场活动中的主观设想 查询筛选的客户锁定模式逐步转变为 模型筛选 主观调整的客户定位模式利用模型划分的客户价值群体，客观定位客户的真实价值贡献，根据价值潜力和趋势制定市场区隔策略利用模型评定的流失风险评级，客观判定客户流失倾向，结合价值分群，从挽留价值和人群保有两个方向制定挽留任务利用模型划分的客户发展趋势和生命周期，合理制定客户发展跟踪政策，为不同客户找到不同的价值提升路线利用模型划分的行为特征，判断客户的消费习惯和倾向，有针对性地选取维系挽留措施利用模型划分的套餐/承诺特征，制定更加符合客户实际的套餐资费，同时在客户承诺到期的不同阶段提前采取不同的控制措施,模型应用的策略讨论,利用客户策略矩阵，有层次地精确制导，锁定客户的价值和风险特征，提前采取针对性更强的措施在客户策略矩阵的基础上，制定根据客户矩阵单元细分的KPI，分配客户服务团队和相关资源，通过客户细分群KPI的优化提高整体运营的KPI利用已有客户细分群体和风险特征，结合不同的业务目的，在模型的帮助下找到最合适的综合特征群体，优化市场活动的收效利用数据分析过程中的重要衍生成果-数据质量检验，对现有的属于排除情形的客户进行催缴等清理工作；同时有针对性地提高业务数据系统中的数据一致性和可用性,客户管理策略矩阵,客户管理策略矩阵 不同线索下的细分矩阵,项目结果分析 客户细分,高价值群体,高风险群体,议题,第一部分：数据挖掘模型在联通市场管理优化中的作用利用数据挖掘建立流失预测和客户群体细分模型模型结果摘要模型应用的策略讨论第二部分：重庆联通客户群体细分和客户流失分析数据挖掘结果报告客户群体细分和客户流失分析数据挖掘项目介绍项目结果分析 客户细分项目结果分析 客户流失下一个步骤,客户群体细分和客户流失分析数据挖掘项目介绍,项目参与人员重庆联通计费部门市场部门客服部门东方国信项目负责人 冯志宏技术负责人 赵雪波协调负责人 - 张倜豪数据分析师 - 刘勇数据准备小组 范晓婷，王喻，高居泰,项目进度报告,分析的适用人群,根据对重庆联通的情况调查，在入手阶段，首先将客户流失分析范围确定在优质个人客户人群中，因为这些客户为重庆联通带来的收益较高，流失损失影响较大，维系挽留的价值较高；集中维系挽留资源，对这些客户进行针对性工作，有利于提高效率。由于C网用户一直是重庆联通的发展重点，在长期和短期目标中，如何通过适当市场手段，不断增加C网用户总量，使C网更趋大众化的同时，尽量维持C网较高的ARPU值，一直是工作中的重要目标。因此，本次分析建议以C网后付费的高端和普通高端用户为入手的考察客户群：在一定时期内（建模时为2004-03 2004-11）至少一次成为高端和普通高端的C网后付费用户（建模时该人群总体为 226859 人）考虑到客户与用户对应关系的复杂性，以及多机客户行为整合中的很多主观因素，此次分析建议入手时针对用户而不是客户进行分析，使得分析因素较为单纯，有利于保障初始分析的效果，在用户分析的基础上，辅助适当的手段进行多机客户的协调处理。因此，在本次建模中，用户和客户是一一对应的，在模型报告中可以互替使用。,目标人群概况,2004年11月底：欠费型流失 3.44%非欠费型流失 3.84%部分（零次话或零出账）流失 3.73%排除情形（不可预测）39.61%,抽样设计,为提高分析运算效率，保证模型的稳健性和对未知情形的适应性，建模时使用了抽样技术，从226859个目标用户总体中，随机抽取了2000个用户；经过分布对比，样本和总体数据情形高度一致；经过模型在20000个样本数据和226859个目标用户总体数据中的验证，模型的预测效果在样本和总体上一致，保证了此次模型的稳健性和对未知情形的适应性,时间窗设计,观察期,缓冲期,表现期,2004-03 2004-11 目标客户群的历史数据,客户群体细分和流失预测的考察指标,详见客户分群需求细分V20041222.doc和客户流失需求细分V20041222.doc,出账月与统计月,重庆联通的业务规定，计费周期为一个月，从消费月的第一日开始至月末的消费总额，在下一个月的5日之前完成应付金额统计，用户在下一个月的5-20日缴纳该消费月的应付金额。本系统数据中的出账日期为消费月的月底。例如：用户在2004年1月的消费，对应的出账日期本系统中记为2004年1月31日。考虑到缴费期限的滞后情况，统计日期为出账日期之后的一个月的月底，以便同时跟踪到消费月的消费详情和出账后的缴费状况。例如，用户在2004年1月的消费，对应的出账日期本系统中记为2004年1月31日，统计日期为2004年2月28日。这样，到统计日期，可以跟踪到2004年1月的计费缴费情况。,议题,第一部分：数据挖掘模型在联通市场管理优化中的作用利用数据挖掘建立流失预测和客户群体细分模型模型结果摘要模型应用的策略讨论第二部分：重庆联通客户群体细分和客户流失分析数据挖掘结果报告客户群体细分和客户流失分析数据挖掘项目介绍项目结果分析 客户细分项目结果分析 客户流失下一个步骤,项目结果分析 客户细分,价值,风险,客户生命期,发展趋势,套餐/承诺,行为特征,宏观分类,微观分类,从宏观入手，逐步向微观细化分类，将整个客户细分有层次有框架地进行；本次客户细分，为框架式细分，旨在为运营商的客户关系管理工作提供较为通用的细分参考；针对特定管理主题的细分可以在此框架式细分的基础上调整和扩展。,项目结果分析 客户细分,6个宏观分类28个二级分类43个三级分类109种细分群体,项目结果分析 客户细分,项目结果分析 客户细分,项目结果分析 客户细分,项目结果分析 客户细分,项目结果分析 客户细分,项目结果分析 客户细分,项目结果分析 客户细分,项目结果分析 客户细分,价值分类,实际贡献收益从应缴和实收两个方面考察客户贡献的收益，关注客户贡献的稳定性价值成色从客户消费的主要方式考察客户价值，例如以本地通话为主还是漫游长途为主价值潜力从客户以前曾经实缴的最大费用考察客户的实际价值潜力高端评定通过与联通现行标准下的高端客户的价值对比，辅助联通实施更为优化的高端客户管理,价值分类,主分类：实际贡献收益,总体价值高端最近5个月和最近3个月的月均应缴和实缴收益均高于300元，ARPM值高于0.50元，最近5个月内最低的月应缴收益最多只有2个月低于200元总体价值准高端最近5个月的月均应缴和实缴收益均高于200元且最近5个月内最低的月应缴收益最多只有2个月低于100元 或 最近3个月的月均应缴和实缴收益均高于200元且最近3个月内最低的月应缴收益最多只有1个月低于100元 （这个群体的及格收益门限低于总体价值高端）总体价值中端价值表现高低不突出不稳定的群体总体价值低端最近5个月和最近3个月的月均应缴和实缴收益均低于100元，ARPM值低于0.60元，最近5个月内最低的月应缴收益至少有4个月低于100元,价值分类,主分类：实际贡献收益,总体价值高端在总体人数和 ARPU 与原有钻石卡客户群大体持平的前提下，排除了原有群体中实缴收益较差，每月收益不稳定特别是靠1，2个月的高额应缴收益进入钻石俱乐部的客户，以及ARPM水准低于一般人群的客户；形成了价值贡献的第一集团。总体价值准高端从原有的普通高端中选拔出了一部分应缴和实缴收益贡献稳定，只是额度稍低于第一集团的客户，作为第一集团的最好的发展对象。总体价值中端不少靠1，2个月的高额应缴收益进入原有高端和普通高端群体的客户，现在位于价值中端，分配以更合理的市场资源。总体价值低端属于持续低迷群体，大部分是靠1，2个月的高额应缴收益进入原有高端和普通高端群体的客户，并且之后的价值表现长期低落。对于这部分人群考察其它相关分类特征，采取挽留，提升或者分流摒弃的措施。,对现有业务的决策辅助,价值分类,辅助分类：价值成色,本地常用为主贡献的收益中，最近5个月和最近3个月的本地移动费用占比均超过了75%的客户长途漫游较高在非本地常用为主的客户中，长途/漫游的费用占比居于前25%的排名，且最近5个月中最多只有2个月没有长途/漫游的费用的客户其它话费成色其它特征不突出的客户,价值分类,辅助分类：价值成色,对现有业务的决策辅助,本地常用为主本地移动话费是相对稳定和频繁的话费贡献，居于这个分群的客户比其他客户群体在价值贡献上更为可靠长途漫游较高这部分客户的贡献中相当高的比例是靠较为高额的通话构成，表现出一定的消费层次和能力，但是由于长途和漫游属于不稳定的消费模型，受客户主观之外的因素影响较大（如单位出差及漫游报销额度等），价值贡献的可靠性稍差其它话费成色借助其他分类的考察，合理分配市场资源，避免资源浪费,价值分类,辅助分类：价值潜力,高价值潜力最近5个月最高的实缴金额是其它几个月的均值的3倍以上，并且这个最高实缴不是发生在当月（排除那些最后一个承诺月冲高的客户）同时，最近5个月内最低的月应缴收益最多只有2个月低于50元中价值潜力其他特征不突出的客户低价值潜力最近5个月最高的实缴金额是其它几个月的均值的1.4倍以下,价值分类,辅助分类：价值潜力,对现有业务的决策辅助,高价值潜力表现出曾经具有远高于现状的实缴能力，值得优先进行价值提升类市场活动中价值潜力结合其它分类进一步考察低价值潜力从未表现出曾经具有远高于现状的实缴能力，进行价值提升类市场活动需要区别对待,价值分类,辅助分类：高端评定,最近钻石优质客户近期处于联通现行标准的钻石卡客户群中最近普通优质客户近期处于联通现行标准的普通高端客户群中一般客户近期不处于联通现行标准的高端和普通高端客户群中,价值分类,辅助分类：高端评定,对现有业务的决策辅助,对比其他分类标准，把握现有标准的优势与缺陷,风险分类,欠费型流失风险在未来三个月的月底连续出现欠费的现象。非欠费型流失风险在未来三个月中，属于“用户报停/退机预约/正式退机/拆机预约/正常拆机/报停批量拆机”的现象至少有一次部分流失风险在未来三个月中，属于“正常在用未出账/正常在用出账且零次通话”的现象至少有一次,风险分类,主分类：欠费型流失风险,欠费型流失风险高利用流失预测模型，得出的在未来3个月发生欠费型流失概率远高于一般情形的客户（流失概率高于平均的2倍以上，欠费流失风险评级1-3级）欠费型流失风险中利用流失预测模型，得出的在未来3个月发生欠费型流失概率接近一般情形的客户（欠费流失风险评级4-5级）欠费型流失风险低利用流失预测模型，得出的在未来3个月发生欠费型流失概率低于一般情形的客户（欠费流失风险评级6-7级）,风险分类,主分类：欠费型流失风险,对现有业务的决策辅助,欠费型流失风险高利用模型预先判定高风险群体，在用户发生严重欠费之前，采取必要的催缴和挽留措施，根据数据挖掘流失预测模型判定的这部分群体，具有相对较高的准确性，稳定性，并且效率较高欠费型流失风险中进行进一步考察，不浪费高额挽留资源欠费型流失风险低数据挖掘流失预测模型判定的这部分群体，具有较高的信用度，欠费风险较低，可以有针对性放开一些信用限制政策,风险分类,主分类：非欠费型流失风险,非欠费型流失风险高利用流失预测模型，得出的在未来3个月发生非欠费型流失概率远高于一般情形的客户（流失概率高于平均的2倍以上，非欠费流失风险评级1-3级）非欠费型流失风险中利用流失预测模型，得出的在未来3个月发生非欠费型流失概率接近一般情形的客户（非欠费流失风险评级4-5级）非欠费型流失风险低利用流失预测模型，得出的在未来3个月发生非欠费型流失概率低于一般情形的客户（非欠费流失风险评级6-7级）,风险分类,主分类：非欠费型流失风险,对现有业务的决策辅助,非欠费型流失风险高利用模型预先判定高风险群体，在用户发生突然离网行为之前，采取必要的挽留措施，根据数据挖掘流失预测模型判定的这部分群体，具有相对较高的准确性，稳定性，并且效率较高非欠费型流失风险中进行进一步考察，不浪费高额挽留资源非欠费型流失风险低数据挖掘流失预测模型判定的这部分群体，具有较高的忠诚度，可以有针对性进行维系和交叉销售和向上销售,风险分类,主分类：部分流失风险,部分流失风险高利用流失预测模型，得出的在未来3个月发生零次话/零出账型流失概率远高于一般情形的客户（流失概率高于平均的2倍以上，部分流失风险评级1-2级）部分流失风险中利用流失预测模型，得出的在未来3个月发生零次话/零出账型流失概率接近一般情形的客户（部分流失风险评级3-5级）部分流失风险低利用流失预测模型，得出的在未来3个月发生零次话/零出账型流失概率低于一般情形的客户（部分流失风险评级5-7级）,风险分类,主分类：部分流失风险,对现有业务的决策辅助,部分流失风险高利用模型预先判定高风险群体，在用户发生突然零次话/零出账行为之前，采取必要的挽留措施，根据数据挖掘流失预测模型判定的这部分群体，具有相对较高的准确性，稳定性，并且效率较高部分流失风险中进行进一步考察，不浪费高额挽留资源部分流失风险低数据挖掘流失预测模型判定的这部分群体，具有相对稳定的消费额度，可以有针对性进行维系和交叉销售和向上销售,风险分类,主分类：综合流失风险,综合流失风险极高同时具有三种类型高流失风险的群体综合流失风险高具有1到2种类型高流失风险的群体综合流失风险中没有高流失风险和低流失风险的群体综合流失风险低具有1到2种类型低流失风险且没有任何类型高流失的群体综合流失风险极低同时具有三种类型低流失风险的群体,风险分类,主分类：综合流失风险,对现有业务的决策辅助,综合流失风险极高是流失挽留工作的重点，同时也是催缴工作的重点综合流失风险高是流失挽留工作的主要群体，可以根据不同类型的流失特点开展工作综合流失风险中特征不明显，不需要重点投放挽留资源综合流失风险低忠诚度较高，如果处于价值较高的群体，适于进行维系和促销综合流失风险极低忠诚度极高，不需要投放挽留资源，如果处于价值较高的群体，适于进行维系和促销,客户生命期分类,在网时长根据客户在网的月数进行分类年龄根据客户的年龄段进行分类入网年龄根据客户入网时的年龄段进行分类,客户生命期分类,主分类：在网时长,新客户入网时长在6个月以内的客户成熟客户入网时长在6-18个月的客户老客户入网时长在18个月以上的客户,客户生命期分类,辅助分类：年龄,年轻客户年龄在22岁以下的客户青年客户年龄在22-30岁的客户中年客户年龄在30-40岁的客户年长客户年龄在40岁以上的客户,客户生命期分类,辅助分类：入网年龄,入网年轻客户入网年龄在22岁以下的客户入网青年客户入网年龄在22-30岁的客户入网中年客户入网年龄在30-40岁的客户入网年长客户入网年龄在40岁以上的客户,发展趋势分类,主分类：发展趋势,根据客户最近5个月和最近3个月的ARPU值的变动趋势和变动幅度，将客户分成以下群体：波动型最近5个月和最近3个月的ARPU值变异系数大于20，且最近5个月ARPU值幅度超过5%的上升或下降次数均小于3次成长型最近5个月ARPU值幅度超过5%的上升次数大于2次且最近3个月ARPU值幅度超过5%的上升次数大于1次，且最近5个月ARPU值中最大的下降幅度小于60%稳定型最近5个月和最近3个月的ARPU值变异系数小于20消退型最近5个月ARPU值幅度超过5%的下降次数大于2次且最近3个月ARPU值幅度超过5%的下降次数大于1次，且最近5个月ARPU值中最大的上升幅度小于130%,发展趋势分类,主分类：发展趋势,各分类典型客户的最近5个月ARPU变动趋势,套餐/承诺 分类,主分类：套餐使用度,套餐超限最近5个月超过套餐限额次数大于4次和最近3个月超过套餐限额次数大于2次，最近5个月和最近3个月的套餐使用度均值大于100%套餐使用度合适最近5个月和最近3个月的套餐使用度均值在80%-120%之间套餐使用度一般一般使用情形套餐使用度低最近5个月超过套餐限额次数小于2次和最近3个月超过套餐限额次数小于1次，最近5个月和最近3个月的套餐使用度均值小于100%,套餐/承诺 分类,主分类：套餐使用度,套餐超限适于推荐更高限额的套餐套餐使用度合适对于套餐限额比较敏感，使用上比较精明，适于推荐超值套餐套餐使用度一般一般使用情形套餐使用度低适于推荐更低限额的套餐,对现有业务的决策辅助,套餐/承诺 分类,主分类：套餐变动度,根据客户最近5个月和最近3个月的ARPU值的变动趋势和变动幅度，将客户分成以下群体：不变最近5个月没有发生套餐变动频繁变动最近5个月的套餐变动次数大于等于3次一般变动最近5个月的套餐变动次数为1-2次,套餐/承诺 分类,主分类：承诺期限,到期很久承诺到期已经2个月以上到期不久承诺刚到期及到期1个月即将到期承诺将在4个月内到期远未到期承诺距到期5个月及以上无承诺无承诺的用户,行为分类,行为分类,根据客户的通话详细数据进行不同角度不同特征的分类分类属于微观分类分类的动态性较大分类可以根据实际业务需求进行修改和扩展行为分类需要和稳定的宏观分类结合，避免混乱和盲目,行为分类：部分分类介绍,行为分类：部分分类介绍,行为分类：部分分类介绍,行为分类：部分分类介绍,行为分类：部分分类介绍,议题,第一部分：数据挖掘模型在联通市场管理优化中的作用利用数据挖掘建立流失预测和客户群体细分模型模型结果摘要模型应用的策略讨论第二部分：重庆联通客户群体细分和客户流失分析数据挖掘结果报告客户群体细分和客户流失分析数据挖掘项目介绍项目结果分析 客户细分项目结果分析 客户流失下一个步骤,项目结果分析 客户流失,重庆联通客户流失定义的关键点客户在连续三个月内发生不同程度的停止贡献价值，甚至拖欠应收费用，是流失的基本特征结合相关项目经验，将重庆联通客户流失分为三类分别建立模型，提高预测的针对性欠费型流失：性质最恶劣的流失方式，损失较大在未来三个月的月底连续出现欠费的现象非欠费型流失：突发性流失，回复率很低在未来三个月中，属于“用户报停/退机预约/正式退机/拆机预约/正常拆机/报停批量拆机”的现象至少有一次部分流失（零出账/零次话）：轻度流失，自然回复率较高在未来三个月中，属于“正常在用未出账/正常在用出账且零次通话”的现象至少有一次,项目结果分析 客户流失,扩展的流动率分析,状态延续,低回复率,高回复率,状态延续,欠费型流失,流失定义83 在表现期内连续出现第一个月底，第二个月底和第三个月底均欠费的现象一般按照规定属于欠费停机3个月，将导致拆机89 在表现期内连续出现第一个月底，第二个月底和第三个月底均高额停机的现象正常定义 30 在表现期末状态为正常在用,出账，非零次通话，50%话单为呼转,欠费型流失,疑似定义,欠费型流失,排除定义,欠费型流失 变量筛选,成熟度分析,欠费型流失：模型解释,欠费型流失：模型解释,欠费型流失：模型解释,欠费型流失：模型解释,欠费型流失：模型解释,欠费型流失：模型解释,欠费型流失,成熟度分析,欠费型流失,成熟度分析,