实战演习（八）——全量客户的保留（流失客户预警）

笔者是一个痴迷于挖掘数据中的价值的学习人，希望在平日的工作学习中，挖掘数据的价值，找寻数据的秘密，笔者认为，数据的价值不仅仅只体现在企业中，个人也可以体会到数据的魅力，用技术力量探索行为密码，让大数据助跑每一个人，欢迎直筒们关注我的公众号，大家一起讨论数据中的那些有趣的事情。

我的公众号为：livandata

此案例主要是了解建模的一个整体的流程，以及特征工程的构建，在建模过程中，特征的选择是直接影响到模型好坏的因素，此案例为凸显流程的重要性，暂时忽略细节部分，后面会用python构建完整的客户保留分析模型。

广义流失定义：

1. 客户消失；
2. 转运营商；
3. 价值流失；
4. 网内换号；

即解决：预测客户流失情况，并进行相应的解决，主要解决三个问题：

1、哪些客户会流失？

主要是做客户流失预测模型。

首先构建模型：

1）哪些客户会进入模型？

客户有活性：客户很长时间没有交易，这部分客户很快流失，但是很难挽留；

哪些指标去捕捉用户流失前的特征？

2）用哪些指标捕捉流失前特征？

客户属性、客户消费行为、客户上网行为等；

3）用什么窗口捕捉流失前特征？

客户前一周、前三天、前一个月等的行为，构建一个个的窗口，来捕捉流失前的蛛丝马迹；

2、什么原因流失？

3、该用什么样方式挽留？

流失预测模型的误区：

1、片面强调准确率

准确率和自然流失率、预测用户规模、观察期长短有关；

与预测的对象有关；

2、预测目标不对

预测用户不能是离网的；

3、流失时间点不对

向前追溯用户事实流失时间，该时间点之前的数据用于建模预测；

4、预测对象不对

预测对象满足两个条件：

能进行挽留工作；

预测模型有意义；

如何定义流失？

1）离网；

2）不出帐；

3）沉默；

4）和哪些客户进入模型有关；

 

以上反应用户的行为信息、趋势信息、走势趋势等。

数据取好之后，探索数据的分布：

比如：

表示有多少个天数没有通话了。

缺失值不多的变量作为输入值；

对部分变量进行离散化处理。

前面的变量已经处理完成，现在需要选择建模样本。

模型的固话：

规则转换：

比如将决策树的规则转化成sql语句：