程昊　樊重俊

摘要：文章以C5.0、Neural Net和Logistic三種算法作為構(gòu)建預(yù)測(cè)混合模型的基礎(chǔ)算法。在實(shí)證研究過(guò)程中，分別采用品牌、地區(qū)、網(wǎng)齡和賬單作為客戶細(xì)分變量，構(gòu)建了不同的客戶流失預(yù)測(cè)混合模型，用命中率和接受者操作特性（ROC）曲線對(duì)預(yù)測(cè)結(jié)果比較評(píng)估，得到以地區(qū)為客戶細(xì)分變量的混合模型預(yù)測(cè)效果最佳，以賬單為客戶細(xì)分變量的混合模型預(yù)測(cè)效果，其次以網(wǎng)齡和品牌為客戶細(xì)分變量的混合模型預(yù)測(cè)效果較差的結(jié)論。省級(jí)電信公司在構(gòu)建流失預(yù)測(cè)系統(tǒng)過(guò)程中，以客戶賬單（或客戶消費(fèi)層次）作為細(xì)分變量，對(duì)各地區(qū)客戶單獨(dú)構(gòu)建流失預(yù)測(cè)模型；同時(shí)，要加強(qiáng)品牌管理，提高各品牌對(duì)客戶的區(qū)隔效果。

關(guān)鍵詞：決策樹(shù)；神經(jīng)網(wǎng)絡(luò)；客戶流失

一、相關(guān)概述

客戶是指與企業(yè)建立長(zhǎng)期穩(wěn)定的關(guān)系并愿意為企業(yè)提供的產(chǎn)品和服務(wù)承擔(dān)合適價(jià)格的購(gòu)買者。客戶關(guān)系管理（customer relationship management）CRM是近年來(lái)比較流行的新興管理概念，最早由著名IT項(xiàng)目系統(tǒng)論證與決策權(quán)威機(jī)構(gòu)Gartner Group提出，是隨著互聯(lián)網(wǎng)與電子商務(wù)流入中國(guó)的管理理念之一。從科學(xué)管理的角度來(lái)觀察，客戶關(guān)系管理是由市場(chǎng)營(yíng)銷理論演化而來(lái)的，從解決問(wèn)題的角度來(lái)觀察，客戶關(guān)系管理是利用高科技信息技術(shù)將現(xiàn)代管理理念和營(yíng)銷手段結(jié)合在一起應(yīng)用到市場(chǎng)中，幫助企業(yè)解決難題，它凝聚了市場(chǎng)營(yíng)銷、銷售管理、客戶關(guān)懷、客戶服務(wù)等要素在里面。

二、基于品牌細(xì)分建模

以品牌為細(xì)分變量將訓(xùn)練集X1分為全球通數(shù)據(jù)子集、神州行數(shù)據(jù)子集和動(dòng)感地帶數(shù)據(jù)子集，分別占比為7.2%、80.7%和12.1%。在對(duì)每個(gè)數(shù)據(jù)子集建模前再將數(shù)據(jù)分區(qū)為訓(xùn)練集和測(cè)試集兩部分，分別占60.0%和40.0%；在訓(xùn)練模型前進(jìn)行特征選擇。然后，分別對(duì)每個(gè)數(shù)據(jù)子集采用C5.0、Logistic、Neural Net三種基本模型建模，選擇ROC曲線下方面積AUC最大的基本模型作為對(duì)該數(shù)據(jù)子集的建模模型。各品牌數(shù)據(jù)子集分別采用三種模型的預(yù)測(cè)結(jié)果的AUC如表1所示。

由表1中測(cè)試結(jié)果可知，對(duì)全球通數(shù)據(jù)子集和神州行數(shù)據(jù)子集來(lái)說(shuō)，都是Neural Net的預(yù)測(cè)效果最好；對(duì)動(dòng)感地帶數(shù)據(jù)子集說(shuō)C5.0的預(yù)測(cè)效果最好。因此，得到混合預(yù)測(cè)模型如圖1所示。

三、基于地區(qū)細(xì)分建模

以地區(qū)為細(xì)分變量將訓(xùn)練集X1分為地區(qū)A數(shù)據(jù)子集、地區(qū)B數(shù)據(jù)子集和地區(qū)C數(shù)據(jù)子集，分別占比為52.5%、20.3%和27.2%。在對(duì)每個(gè)數(shù)據(jù)子集建模前再將數(shù)據(jù)分區(qū)為訓(xùn)練集和測(cè)試集兩部分，分別占60.0%和40.0%；在訓(xùn)練模型前進(jìn)行特征選擇。然后，分別對(duì)每個(gè)數(shù)據(jù)子集采用C5.0、Logistic、Neural Net三種基本模型建模，選擇ROC曲線下方面積AUC最大的基本模型作為對(duì)該數(shù)據(jù)子集的建模模型。各地區(qū)數(shù)據(jù)子集分別采用三種模型的預(yù)測(cè)結(jié)果的AUC如表2所示。

由表2中測(cè)試結(jié)果可知，對(duì)地區(qū)A、地區(qū)B和地區(qū)C數(shù)據(jù)子集來(lái)說(shuō)，都是Neural Net的預(yù)測(cè)效果最好。因此，得到混合預(yù)測(cè)模型如圖2所示。

四、基于網(wǎng)齡細(xì)分建模

以網(wǎng)齡為細(xì)分變量將訓(xùn)練集X1分低網(wǎng)齡數(shù)據(jù)子集、中網(wǎng)齡數(shù)據(jù)子集和高網(wǎng)齡數(shù)據(jù)子集，分別占比為22.7%、44.9%和32.4%。在對(duì)每個(gè)數(shù)據(jù)子集建模前再將數(shù)據(jù)分區(qū)為訓(xùn)練集和測(cè)試集兩部分，分別占60.0%和40.0%；在訓(xùn)練模型前進(jìn)行特征選擇。然后，分別對(duì)每個(gè)數(shù)據(jù)子集采用C5.0、Logistic、Neural Net三種基本模型建模，選擇ROC曲線下方面積AUC最大的基本模型作為對(duì)該數(shù)據(jù)子集的建模模型。各網(wǎng)齡層次數(shù)據(jù)子集分別采用三種模型的預(yù)測(cè)結(jié)果的AUC如表3所示。

由表3中測(cè)試結(jié)果可知，對(duì)低網(wǎng)齡數(shù)據(jù)子集和高網(wǎng)齡數(shù)據(jù)子集來(lái)說(shuō)，都是Neural Net的預(yù)測(cè)效果最好；對(duì)中網(wǎng)齡數(shù)據(jù)子集來(lái)說(shuō)Logistic的預(yù)測(cè)效果最好。因此，得到混合預(yù)測(cè)模型如圖3所示。

五、基于賬單細(xì)分建模

以三個(gè)月的月均賬單額為細(xì)分變量將訓(xùn)練集X1分為低消費(fèi)數(shù)據(jù)子集、中消費(fèi)數(shù)據(jù)子集和高消費(fèi)數(shù)據(jù)子集，分別占比為54.4%、28.9%和16.7%。在對(duì)每個(gè)數(shù)據(jù)子集建模前再將數(shù)據(jù)分區(qū)為訓(xùn)練集和測(cè)試集兩部分，分別占60.0%和40.0%；在訓(xùn)練模型前進(jìn)行特征選擇。然后，分別對(duì)每個(gè)數(shù)據(jù)子集采用C5.0、Logistic、Neural Net三種基本模型建模，選擇ROC曲線下方面積AUC最大的基本模型作為對(duì)該數(shù)據(jù)子集的建模模型。各消費(fèi)層次數(shù)據(jù)子集分別采用三種模型的預(yù)測(cè)結(jié)果的AUC如表4所示。

由表4中測(cè)試結(jié)果可知，對(duì)低消費(fèi)數(shù)據(jù)子集來(lái)說(shuō)，C5.0的預(yù)測(cè)效果最好；對(duì)中消費(fèi)數(shù)據(jù)子集說(shuō)Logistic的預(yù)測(cè)效果最好；對(duì)于高消費(fèi)數(shù)據(jù)子集來(lái)說(shuō)，Neural Net的預(yù)測(cè)效果最好。因此，得到混合預(yù)測(cè)模型如圖4所示。

六、預(yù)測(cè)結(jié)果評(píng)估

（一）命中率比較

各種細(xì)分標(biāo)準(zhǔn)的混合模型對(duì)測(cè)試集X2預(yù)測(cè)的命中率結(jié)果如表5所示。

比較表5中的數(shù)據(jù)可知，以地區(qū)為細(xì)分變量構(gòu)建混合模型對(duì)測(cè)試集X2預(yù)測(cè)的命中率最高，達(dá)到86.1%；以賬單額為細(xì)分變量構(gòu)建混合模型對(duì)數(shù)據(jù)集X2預(yù)測(cè)的命中率次之，為85.9%；以品牌和網(wǎng)齡為細(xì)分變量構(gòu)建混合模型對(duì)測(cè)試集X2預(yù)測(cè)的命中率較低，分別為81.2%和76.2%。

（二）ROC曲線比較

用SPSS15.0對(duì)各混合模型在對(duì)測(cè)試集X2上的預(yù)測(cè)結(jié)果構(gòu)建ROC曲線，如圖5所示。

由各混合模型ROC曲線計(jì)算曲線下方的面積（AUC）如表6所示。

比較表6中的數(shù)據(jù)可知，以地區(qū)和賬單為細(xì)分標(biāo)準(zhǔn)構(gòu)建的混合模型，對(duì)測(cè)試集X2的預(yù)測(cè)效果較好，AUC分別為0.888和0.855；以網(wǎng)齡和品牌為細(xì)分標(biāo)準(zhǔn)構(gòu)建混合模型，對(duì)測(cè)試集X2的預(yù)測(cè)效果相對(duì)較差，其AUC分別為0.845和0.828。

七、結(jié)論及建議

本文分別以品牌、地區(qū)、網(wǎng)齡和賬單為細(xì)分變量細(xì)分客戶，以SPSS Clementine12.0中C5.0、Logistic、Neural Net三種分類算法模型作為基礎(chǔ)模型，構(gòu)建客戶流失預(yù)測(cè)混合模型，分別采用命中率和ROC曲線對(duì)各模型預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，得到一致的結(jié)論：當(dāng)以地區(qū)為標(biāo)準(zhǔn)細(xì)分時(shí)的預(yù)測(cè)效果最好，以賬單為細(xì)分標(biāo)準(zhǔn)的預(yù)測(cè)效果其次，以網(wǎng)齡和品牌為細(xì)分標(biāo)準(zhǔn)的預(yù)測(cè)效果相對(duì)較差。因此，在今后的流失預(yù)測(cè)實(shí)踐中，建議省級(jí)電信公司以客戶消費(fèi)賬單作為細(xì)分變量，對(duì)各地區(qū)客戶單獨(dú)構(gòu)建流失預(yù)測(cè)混合模型；同時(shí)，要加強(qiáng)品牌管理，提高各品牌對(duì)客戶的區(qū)隔效果。

參考文獻(xiàn)：

[1]武小軍，孟蘇芳.基于客戶細(xì)分和AdaBoost的電子商務(wù)客戶流失預(yù)測(cè)研究[J].工業(yè)工程，2017（02）.

[2]葉志龍，黃章樹(shù).線上會(huì)員客戶流失的建模與預(yù)測(cè)研究[J].管理現(xiàn)代化，2016（03）.

[3]邵帥鋒.基于BP神經(jīng)網(wǎng)絡(luò)對(duì)保險(xiǎn)公司客戶流失進(jìn)行分析和預(yù)測(cè)研究[D].蘭州大學(xué)，2016.

[4]高潔.基于灰色模型和神經(jīng)網(wǎng)絡(luò)的客戶流失量預(yù)測(cè)[J].內(nèi)蒙古師范大學(xué)學(xué)報(bào)（自然科學(xué)漢文版），2015（06）.

[5]單其帥.基于粗糙集-BP神經(jīng)網(wǎng)絡(luò)的電信企業(yè)客戶失風(fēng)險(xiǎn)預(yù)警研究[D].河北工程大學(xué)，2014.

（作者單位：上海理工大學(xué)）