流失分析中需要注意的问题
2015-08-28 21:46
281 查看
与其它行业客户流失分析相比,电信行业以其庞大的客户群而特征鲜明,因此在一些问题的处理上也应当多加注意。
(1)过度抽样。从实际情况上看,国内电信企业每月的客户流失率一般在1%~3%左右,如果直接采用某种模型(比如决策树、人工神经网络等)可能会因为数据概率太小而导致模型的失效,因此我们需要加大流失客户在总样本中的比例,但是这种过度抽样必须谨慎小心,要充分考虑它的负面效应。
(2)模型的有效性。在实际运用的过程中,数据挖掘除了上述提到的两类错误之外还可能存在客户被判断具备流失倾向,但当数据返回到客户服务前台的时候客户已经流失的情况,其原因可能存在于不同业务部门之间协调工作的时延过长或者数据采集间隔太长等,这使得流失判定预警丧失了原有的意义。
(3)模型的流失后分析。数据挖掘在客户流失管理中的重要应用不仅仅应包括对客户流失的提前预警,还应包括客户流失后的问题分析。按照不同的客户信息纬度,查找最容易流失的客户群,同业务部门人员配合,辅以相关调查,力求发现客户流失的症结所在。然而,这一部分往往由于过度专注于挖掘模型本身的拟合度而忽略了流失管理的实际价值所在。
随着电信行业竞争的日益加剧,客户保留和客户价值开发将成长为电信企业考虑的重点所在,而技术的不断进步将为深度的数据挖掘提供更多的支持,也必然会被越来越多地应用到运营商的客户关系管理之中。
(1)过度抽样。从实际情况上看,国内电信企业每月的客户流失率一般在1%~3%左右,如果直接采用某种模型(比如决策树、人工神经网络等)可能会因为数据概率太小而导致模型的失效,因此我们需要加大流失客户在总样本中的比例,但是这种过度抽样必须谨慎小心,要充分考虑它的负面效应。
(2)模型的有效性。在实际运用的过程中,数据挖掘除了上述提到的两类错误之外还可能存在客户被判断具备流失倾向,但当数据返回到客户服务前台的时候客户已经流失的情况,其原因可能存在于不同业务部门之间协调工作的时延过长或者数据采集间隔太长等,这使得流失判定预警丧失了原有的意义。
(3)模型的流失后分析。数据挖掘在客户流失管理中的重要应用不仅仅应包括对客户流失的提前预警,还应包括客户流失后的问题分析。按照不同的客户信息纬度,查找最容易流失的客户群,同业务部门人员配合,辅以相关调查,力求发现客户流失的症结所在。然而,这一部分往往由于过度专注于挖掘模型本身的拟合度而忽略了流失管理的实际价值所在。
随着电信行业竞争的日益加剧,客户保留和客户价值开发将成长为电信企业考虑的重点所在,而技术的不断进步将为深度的数据挖掘提供更多的支持,也必然会被越来越多地应用到运营商的客户关系管理之中。
相关文章推荐
- 对象间的联动——观察者模式与Java事件处理(五)
- poll函数
- 【EXT-BSGS算法求离散对数】POJ Clever Y 3243
- Lua中只读表和只允许修改表
- js跑马灯效果
- [LeetCode] 232 - Implement Queue using Stacks
- 15款商城网站常用的图片放大镜特效
- Android程序设计:多线程同步数据的三种方法的调用代码
- Linux内核同步机制之(五):Read/Write spin lock
- [leetcode] 83.Remove Duplicates from Sorted List Total
- 利用数据挖掘实现电信行业客户流失分析
- 商业银行建立客户流失预测模型的方法研究
- hdu5386 Cover(暴力,观察)
- scala实现设计模式之外观模式
- leetcode Palindrome Number java编程学习(三)
- OC基础-零基础学习Objective-C:第一部分.类和对象
- jquery hover延时
- 【软工6】软件开发小组
- DirectX3D游戏开发三 绘制流水线
- 【软工6】软件开发小组