决策树算法建立电信客户流失模型

Consumers will subscribe to multiple telecom services (televisions, paid programs, games, etc.) today. However, the degree of differentiation provided by telecom
providers is not high, and customer loyalty becomes a problem.

As a result, it is becoming increasingly important for telecom companies to proactively identify lax-minded customers and take precautions to keep these customers.

Based on the above background, tecdat researchers analyzed the loss of data for 16 years to date and established a prediction model to identify customer groups
with high probability of loss and to identify which user characteristics ("X") were lost to users (" Y ") will have a significant impact.

▼

▍数据概览

使用收视服务的用户最多，订阅付费节目其次，订阅游戏业务用户数量最少。

订阅收视业务的用户增长最快，其次是订阅游戏业务的用户，而订阅付费节目的用户增长缓慢，同时流失严重。

相比较16年，用户净增长37%，然而17年上半年的流失比例相比较去年增加8%。

▍不同维度的流失率比较

我们比较了不同营业厅和是否发放数字机顶盒的用户流失情况。

可以看到相比较发放了数字机顶盒的用户来说，没有发放机顶盒的用户更容易流失。

从不同营业厅的流失情况来看，沙河站和南口站的流失率最高，昌平站和小汤山站的流失率较低。

▍用户流失预测模型

然后，我们使用DT算法分析电信客户特征的特点，并获得流失客户的基本特征，分析客户的行为特征，采取有针对性的措施，改善客户关系，避免 客户损失或留住客户，达到补救的效果。

▍技术

DT(decision tree)用于构建、验证和测试数据集的模型。

在Spark / MLLib / Scikit-Learn / HDFS中重构实现处理较大的数据集。

▍结果

模型预测客户流失的精度精度达到93.2%。

影响客户流失或对“Y”产生重大影响的关键变量有：

营业厅的位置

是否发放数字机顶盒

在分析客户的行为特征之后，我们采取有针对性的措施，改善客户关系，避免 客户损失或留住客户，达到补救的效果。