数据挖掘-客户倾向分析

为了避免由客户流失造成的损失，您必须找出那些有流失危险和最有价值的客户，并相应开展保留和获取客户的活动。觉得现在的工作中我们可以利用现有的数据，并对这些数据进行分析来判断哪些客户有流失危险，哪些最有价值。

Clementine可以研究客户流失中客户特征分析、流失预测、流失后果评估等问题。

研究客户流失的时候一般会考虑到以下的一些问题：
1. 现有的客户哪些客户即将流失？
2. 现有客户他们的流失概率如何？
3. 哪些因素造成了客户的流失？
4. 客户流失对客户自身会造成什么影响？
5. 客户流失对电信公司的影响如何？
6. 不同类别之间客户的流失情况有什么差别？
7. 如果某个客户将要流失，他会在多长时间内流失？

研究哪些客户即将流失时，将其定位为一个分类问题，即将现有客户分为流失和不流失两类。选择适量的历史上流失客户和未流失客户的属性数据组成训练数据集，利用神经网络、决策树、logistic回归等分类建立客户流失的分类模型。Clementine同时会给出分类结果的概率值，这个值可以看作是客户的流失概率。用建立的分类模型预测可以对现有用户进行流失预测，并给出流失概率。

分析流失用户的特征时可以有很多方法，用关联分析的方法可以将选择合适的数据集，将是否流失作为目标变量，其他的客户属性作为输入变量使用APRIORI或GRI模型分析，可以分析哪些属性是影响流失的重要因素。另外也可以用决策树模型得出客户流失的规则集或决策树。决策树既具有分类预测的功能，它的可解释性很强，很适合特征描述。

分析客户流失对客户自身的影响时，主要可以考虑客户的流失成本和客户流失的受益分析。客户流失成本可以考虑流失带来的人际关系损失等因素，通过归纳客户的通话特征来表征。减少客户流失的一个手段就是增加客户的流失成本。客户流失的受益分析就是判断客户流失的动机，是价格因素还是为了追求更好的服务等。

分析客户流失对电信公司的影响时，不仅要着眼于对收入的影响，而且要考虑其他方面的影响。单个的客户流失对电信公司的影响可能是微不足道的，此时需要研究流失客户群对电信公司收入或业务的影响。这时候可能需要对流失客户进行聚类分析和关联分析，归纳客户流失的原因，有针对性地制定防止客户流失的措施。

在研究不同类别之间客户的流失情况时候，我们首先需要做的就是对现有客户的细分。客户细分的方法有很多，常用的有根据业务知识划分、聚类分析。客户细分后使用统计分析、关联分析、决策树分析等手段来研究不同类别间客户的流失情况。找出需要特别关注的流失群体，采取必要的挽留措施。

在预测客户流失时一个很重要的问题是流失的时间问题，即一个客户即将要流失，那么它可能是么时候会流失。被预测为流失的用户如果很快就流失了，没有补救的余地，这样的预测即使很准确也没有多大意义。根据经验，预测某个客户在距今多长时间流失是不现实的。对这个问题需要在数据挖掘的各个环节多下功夫，特别是业务的理解和数据准备阶段，通过变通的方法来处理。总之在利用数据挖掘研究客户流失问题时，需要明确并深入理解你的目标，在这个目标的基础上准备你的数据、建模。Clementine具有数据挖掘的全部分析方法、关联分析、分类、预测、聚类等。在研究客户流失问题时可以分别使用或组合使用这些分析方法。它的CRISP-DM标准可以帮助你规范你的数据挖掘流程。下面简要介绍利用Clementine预测现有客户中哪些即将流失的数据挖掘流程。

比较常用的算法为：C5.0、神经网络、logistic回归模型