客戶流失案例分析

QQ號(hào)碼流失評(píng)分模型Agenda案例背景模型構(gòu)建模型結(jié)果模型應(yīng)用設(shè)計(jì)下一步工作流失重要性當(dāng)今企業(yè)與企業(yè)之間的競爭集中地體現(xiàn)在對(duì)客戶的爭奪上?！翱蛻艟褪巧系邸贝偈贡姸嗟钠髽I(yè)不惜代價(jià)去爭奪盡可能多的客戶。但是，企業(yè)在不惜代價(jià)銀礦客戶的過程中，往往會(huì)忽視或無暇顧及已有客戶的流失情況，結(jié)果就導(dǎo)致出現(xiàn)這樣一種窘?jīng)r：一邊是新客戶在源源不斷地增加，而另一方面是辛辛苦苦找來的客戶卻在悄然無聲地流失。前言流失重要性國外的一組經(jīng)驗(yàn)數(shù)據(jù)顯示：1)、客戶忠誠度如果下降5％，則企業(yè)利潤下降25％；2)、向新客戶推銷產(chǎn)品的成功率是15％，向現(xiàn)有客戶推銷產(chǎn)品的成功率是50％；3)、若將每年的客戶關(guān)系保持率增加5個(gè)百分點(diǎn)，利潤增長將達(dá)25%-85％；4)、向新客戶進(jìn)行推銷的費(fèi)用是向現(xiàn)有客戶推銷費(fèi)用的6倍以上；5)、60％的新客戶來自現(xiàn)有客戶的推薦；6)、一個(gè)對(duì)服務(wù)不滿的客戶會(huì)將他的不滿經(jīng)歷告訴其他8～10個(gè)客戶;7)、發(fā)展一個(gè)新客戶的成本是維持老客戶的3-5倍之多等。由次可見維持客戶關(guān)系、提高客戶忠誠度和防范客戶流失，對(duì)降低企業(yè)運(yùn)營成本、提升企業(yè)競爭力、獲得最大效益具有重要意義。流失客觀原因通常客戶流失可歸結(jié)為如下8個(gè)方面原因：

1)、價(jià)格：這是導(dǎo)致客戶流失的主要原因；

2)、不適：即那些因?yàn)榉?wù)不好的微妙事件對(duì)客戶的影響；

3)、缺少主要性能：客戶感覺企業(yè)提供的服務(wù)缺少自己最需要的內(nèi)容；

4)、消極的服務(wù)接觸：工作人員不能盡可能地滿足客戶的需求；

5)、對(duì)服務(wù)的回答不足：對(duì)客戶提出的問題的回答有漏洞、對(duì)客戶的問題不予回答、把服務(wù)不良的責(zé)任歸咎于客戶；

6)、競爭對(duì)手的行動(dòng)；

7)、倫理道德問題：客戶認(rèn)為企業(yè)有違法違規(guī)等問題；

8)、其他非自愿的原因：如搬遷、破產(chǎn)等。流失重要性菲利普.科特勒有過這樣的描述：太多的公司像攪乳器一樣傷害了老顧客，也就是說，他們只能靠失去他們的老顧客來獲取新顧客。這就如同給滲漏的壺經(jīng)常加水一樣。新客戶有限的增長率與高額的開發(fā)成本，促使企業(yè)越來越重視現(xiàn)有客戶的流失問題。對(duì)企業(yè)來說，客戶的流失是不可避免的，但是，適時(shí)地對(duì)潛在的流失客戶展開相應(yīng)的挽留措施，還是可以把客戶的流失降低到一個(gè)合理狀態(tài)的。然而，誠如“20%的客戶創(chuàng)造了80%的利潤”一樣，這20%的核心客戶如果流失，則會(huì)造成極大的影響。對(duì)于潛在的流失客戶，我們沒有能力也沒有必要都展開相應(yīng)的營銷措施，我們構(gòu)建客戶流失分析模型的目的不是杜絕流失，而是通過這些分析，來找到潛在的流失客戶中是否包括核心客戶，從而采取有效的措施，以將損失降到最低。案例背景流失率2007年3月2007年4月2007年5月2007年6月當(dāng)月活躍總帳戶數(shù)253,668,411255,749,736264,006,894269,060,000當(dāng)月流失老帳戶數(shù)6,572,0876,006,5825,466,8078,217,569當(dāng)月老帳戶流失率2.59%2.35%2.07%3.05%每個(gè)月500~1000萬的老用戶流失，一年老用戶流失接近1億,實(shí)際自然人流失狀況雖然沒有這么嚴(yán)重，但是仍然是一個(gè)驚人的數(shù)據(jù)?？蛻袅魇敲總€(gè)行業(yè)每天都在面對(duì)的問題1、建立流失預(yù)測模型，回答客戶是否要流失，何時(shí)流失的問題2、通過預(yù)測模型建立客戶流失管理機(jī)制，更為有效地管理流失，而不是去防止流失建模意義20%80%20%80%準(zhǔn)確地預(yù)測客戶的流失，有效地挽留客戶，能創(chuàng)造更多的利潤經(jīng)典的二八定律防止高價(jià)值客戶流失提高中低價(jià)值客戶粘性名詞解釋主要依賴QQ用戶行為表現(xiàn)數(shù)據(jù)，對(duì)QQ用戶人的一系列流失風(fēng)險(xiǎn)指標(biāo)的特征進(jìn)行數(shù)量化衡量，用包括統(tǒng)計(jì)模型在內(nèi)的許多方法對(duì)QQ用戶的行為數(shù)據(jù)進(jìn)行量化分析，以分值形式表述。行為評(píng)分根據(jù)一個(gè)目標(biāo)變量（如6個(gè)月發(fā)生連續(xù)沉默的可能性），從一些候選變量中篩選出某個(gè)變量，并確定其某個(gè)值，據(jù)此將用戶樣本劃分成兩部分，使不同節(jié)點(diǎn)或不同部分的用戶之間，目標(biāo)變量的分布差別最大化，同時(shí)在每個(gè)節(jié)點(diǎn)內(nèi)部的差異最小化。

挽留策略利用QQ用戶的產(chǎn)品使用數(shù)據(jù)、使用行為數(shù)據(jù)等，預(yù)測Q齡不短于一定期限的活躍用戶，在未來一段時(shí)間內(nèi)出現(xiàn)持續(xù)沉默行為的概率的工具。

流失評(píng)分通過對(duì)QQ用戶的各種數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，建立起來的QQ用戶過去表現(xiàn)與其將來可能的特定行為之間的某種數(shù)量化相關(guān)關(guān)系。

評(píng)分模型根據(jù)業(yè)務(wù)政策、流失評(píng)分、用戶分類樹和其他中間變量所制定，完成以客戶保有為目的的決策邏輯。產(chǎn)生過程可以是簡單地設(shè)定少數(shù)規(guī)則，也可以采用復(fù)雜的分析手段來產(chǎn)生，它解決“對(duì)誰做什么”的問題。

分類樹Agenda案例背景模型構(gòu)建模型結(jié)果模型應(yīng)用設(shè)計(jì)下一步工作DM數(shù)據(jù)挖掘過程業(yè)務(wù)理解數(shù)據(jù)理解數(shù)據(jù)準(zhǔn)備建立模型模型評(píng)估模型實(shí)施建模工具——Logistic回歸模型為什么要用LogisticRegresionModel?因變量為分類指標(biāo)的資料線性回歸分析：因變量為連續(xù)計(jì)量資料常用方法判別分別(Discriminantanalysis)Probit分析Logistic回歸分析（最常用）對(duì)數(shù)線性模型建模工具——Logistic回歸模型LOGISTIC回歸是一種特殊的回歸模型，與古典的線性回歸模型不同，其響應(yīng)變量（ResponseVariable）是一分類變量（CategoricalVariable）而非連續(xù)變量（ContinuousVariable）。響應(yīng)變量是一個(gè)二值化的變量，通常以1\0表示某一事件發(fā)生或者不發(fā)生。應(yīng)用Logistic回歸得到的概率p通常表示在將來某段時(shí)間后某一事件發(fā)生的概率。pOdds:目標(biāo)事件發(fā)生的數(shù)量/非目標(biāo)事件發(fā)生的數(shù)量.Oddsratio=prob(目標(biāo)事件)/prob(非目標(biāo)事件)=p/(1-p)p=prob(目標(biāo)事件)prob表示事件發(fā)生的概率Logit:logofoddsratio=log(p/(1-p))Logistic回歸:擬合下面的模型logit=a0+a1*X1+…+ak*Xkp=prob(目標(biāo)事件)=exp(logit)/(1+exp(logit))p的取值范圍:[0,1]目標(biāo)客戶群的劃分(Segmentation)1、Q齡大于6個(gè)月2、當(dāng)月為活躍帳號(hào)3、前兩個(gè)月最少有一個(gè)月有登陸根據(jù)入組標(biāo)準(zhǔn)得到的全體分析用戶數(shù)量超過2億，如果對(duì)全體用戶進(jìn)行建模在運(yùn)行時(shí)間和空間上機(jī)器都無法承受，因此需要對(duì)分析用戶進(jìn)行劃分(Segmentation)客戶劃分原則：1、客戶的劃分盡可能是穩(wěn)定的2、先對(duì)能接觸到的、價(jià)值較高的客戶群進(jìn)行建模Target1、一類地市2、手機(jī)捆綁時(shí)間窗口的確定訓(xùn)練樣本\測試樣本觀察窗口:2007年1月—2007年3月表現(xiàn)窗口:2007年5月—2007年6月TimeLag:2007年4月交叉校驗(yàn)樣本觀察窗口:2007年2月—2007年4月表現(xiàn)窗口:2007年6月—2007年7月TimeLag:2007年5月觀察窗口表現(xiàn)窗口TimeLagMM-1M-2M-3M-4M-5M+1M+2M+31觀察窗口：形成自變量的時(shí)間段。表現(xiàn)窗口：形成因變量的時(shí)間段。23TimeLag：預(yù)留給業(yè)務(wù)部門進(jìn)行相應(yīng)操作的時(shí)間段。123目標(biāo)變量的定義目標(biāo)變量：即需要根據(jù)業(yè)務(wù)需求確定模型需要預(yù)測的對(duì)象，在QQ客戶流失模型中即是在業(yè)務(wù)上對(duì)“流失”的定義。沉默客戶數(shù)在4月后區(qū)域穩(wěn)定模型選擇連續(xù)沉默2個(gè)月作為流失的定義目標(biāo)變量的定義：Good：在表現(xiàn)窗口連續(xù)兩個(gè)月有登陸的客戶Bad:

在表現(xiàn)窗口連續(xù)兩個(gè)月都沒有登陸的客戶Intermediate:

在表現(xiàn)窗口其中一個(gè)月有登陸的客戶變化幅度特征變量描述用戶使用量上的變化幅度變量選取基本屬性變量描述用戶的基本屬性產(chǎn)品使用行為特征描述用戶使用產(chǎn)品的情況消息業(yè)務(wù)使用行為特征描述用戶使用消息業(yè)務(wù)的情況音頻業(yè)務(wù)使用行為特征描述用戶使用音頻業(yè)務(wù)的情況視頻業(yè)務(wù)使用行為特征描述用戶使用視頻業(yè)務(wù)的情況客戶在線的行為特征從在線時(shí)長，登陸次數(shù)，登陸頻率等角度研究用戶的使用行為歸屬地變化的行為特征描述用戶在某一時(shí)間周期內(nèi)登陸所在地的變化情況中間變量比例特征變量描述用戶業(yè)務(wù)使用占比基礎(chǔ)變量變量描述行為趨勢特征變量描述用戶的使用行為變化趨勢變量描述變量變換目的：盡量使變量(預(yù)測因子)成為線性的，使得開發(fā)出的模型更為準(zhǔn)確和健壯。方法：使用基礎(chǔ)函數(shù)進(jìn)行變量轉(zhuǎn)換，全面考慮多種變換，然后在運(yùn)用變量篩選技術(shù)進(jìn)行自動(dòng)選取。變量前綴變換的含義Sq_平方變換Cu_立方變換Sqrt_開平方變換Curt開立方變換Log_自然對(duì)數(shù)變換Tan_正切變換變量的初步篩選基礎(chǔ)變量和中間變量數(shù)目約為224個(gè)經(jīng)過變量變換后的變量數(shù)目約為1700個(gè)變量篩選使用Logistic回歸的Stepwise方法進(jìn)行下一步擬合卡方統(tǒng)計(jì)量ChiSquare信息價(jià)值InformationValue信息增益

GainIndex單變量回歸偏相關(guān)分析PartialCorrelationAgenda案例背景模型構(gòu)建模型結(jié)果模型應(yīng)用設(shè)計(jì)下一步工作模型擬合模型輸出:Logit=2.0605(常數(shù)項(xiàng))–0.1402*Login_Days(本月登陸天數(shù))–0.0328*log_Min_OL_DUR(3個(gè)月最小在線時(shí)長)–0.1273*curt_SEND_MSG_COUNT(本月發(fā)送消息數(shù))–0.0781*log_AVG_SEND_MSG_COUNT(3個(gè)月平均發(fā)送消息數(shù))+0.0362*send_msg_count_trend(發(fā)送消息的變化趨勢)+0.0352*avg_login_days(3個(gè)月平均登陸天數(shù))+(1.434E-6)*max_ol_dur_night(3個(gè)月最大的夜間登陸時(shí)長)–0.0362*min_login_days(3個(gè)月最小登陸天數(shù))–0.1411*log_SINGLE_OL_DUR(本月單次登陸平均時(shí)長)–0.0157*log_OL_DUR_RELAX_NIGHT(本月休息日夜間登陸時(shí)長)–0.00157*sqrt_MIN_OL_DUR(3個(gè)月最小登陸時(shí)長)–0.0240*curt_MAX_OL_DUR(3個(gè)月最大登陸時(shí)長)+0.0173*curt_OL_DUR(本月登陸時(shí)長)–0.0711*curt_FRD_COUNT(本月好友數(shù))+0.00296*sqrt_AVG_OL_DUR(3個(gè)月平均在線時(shí)長)–0.0308*sqrt_ACTIVE_DAYS(本月活躍天數(shù))+0.000489*min_frd_count(3個(gè)月最小好友數(shù))–0.1107*sqrt_LOGIN_COUNT(本月登陸次數(shù))+0.00967*sqrt_AVG_LOGIN_COUNT(3個(gè)月平均登陸次數(shù))流失評(píng)分的標(biāo)準(zhǔn)化根據(jù)公式:P=exp(logit)/[1+exp(logit)]計(jì)算出客戶的流失概率P。由于P是一個(gè)0到1之間的小數(shù)，在應(yīng)用中不容易被使用者理解，因此需要將P轉(zhuǎn)換為便于理解的流失評(píng)分。其中：

流失評(píng)分=1000*P

%SDistributionofGoodDistributionofBad模型評(píng)估目的1、評(píng)價(jià)模型的區(qū)分能力2、是否存在過度擬合的問題方法1、ROC2、評(píng)分分布圖3、LiftValue=[#RespondsinDeciles/#SampleinDeciles]/[#AllResponds/#AllSample]；一個(gè)好的預(yù)測模型的LiftValue:2.5~5.54、K-S=Max|fgood–fbad

|,一個(gè)好的預(yù)測模型的K-SValue:0.4~0.61、統(tǒng)計(jì)學(xué)中關(guān)于回歸分析的主要參數(shù)2、采用十分位分析的方法對(duì)模型進(jìn)行評(píng)估3、跨時(shí)區(qū)樣本校驗(yàn)，消除過度擬合的影響主要評(píng)價(jià)指標(biāo)流失評(píng)分分布十分位評(píng)分區(qū)間Sample流失保有01000-60571,19250,84520,3471604-43575,75441,24534,5092434-32585,47535,96049,5153324-235108,16531,61576,5504234-160140,42525,635114,7905159-105165,78318,105147,6786104-68175,81111,915163,896767-38241,23910,615230,624837-14425,29910,570414,729913-0778,1506,820771,330Total

2,267,293243,3252,023,968十分位評(píng)分區(qū)間Sample流失保有01000-60570,51650,41520,1011604-43574,93640,80034,1362434-32585,65436,19549,4593324-235107,49230,95576,5374234-160140,23525,175115,0605159-105165,24417,655147,5896104-68176,20811,920164,288767-38241,67810,740230,938837-14426,28810,750415,538913-0778,1186,820771,298Total

2,266,369241,4252,024,944Lift曲線十分位樣本數(shù)量Lift0226,7295.171226,7292.272226,7281.033226,7300.554226,7290.355226,7290.256226,7300.157226,7290.118226,7290.079226,7300.05Total2,267,2931十分位樣本數(shù)量Lift0226,6365.221226,6372.242226,6370.993226,6370.564226,6370.365226,6370.246226,6370.167226,6370.118226,6370.079226,6370.05Total2,266,3691ROC曲線模型通過評(píng)分排名前20%的客戶已經(jīng)可以捕捉到70%的流失客戶。

74.44%51.77%52.12%74.59%K-S曲線K-S檢驗(yàn)：截至某評(píng)分區(qū)間時(shí)發(fā)生某事件的人數(shù)占樣本中所有發(fā)生該事件人數(shù)的累計(jì)百分比與截至該評(píng)分區(qū)間時(shí)未發(fā)生某事件的人數(shù)占樣本中所有未發(fā)生該事件人數(shù)的累計(jì)百分比的差值。全部區(qū)間中，該差值的最大值即K-S值，反映的是在哪一個(gè)區(qū)間累計(jì)響應(yīng)率與累計(jì)不響應(yīng)率的差值達(dá)到最大。模型的K-S值為約為0.61

0.6113.45%74.44%74.59%13.49%0.61跨時(shí)區(qū)樣本交叉校驗(yàn)0.63Agenda案例背景模型構(gòu)建模型結(jié)果模型應(yīng)用設(shè)計(jì)下一步工作客戶挽留的成功因素

暢通的客戶挽留溝通流程

流失模型的準(zhǔn)確度

適當(dāng)?shù)耐炝舨呗粤魇Э蛻舴诸悩涞臉?gòu)建贈(zèng)送/優(yōu)惠的設(shè)計(jì)對(duì)應(yīng)的挽留策略

客戶挽留工作流程的設(shè)計(jì)溝通口徑的設(shè)計(jì)客戶回應(yīng)的收集建立客戶挽留的閉環(huán)業(yè)務(wù)流程流失客戶分析數(shù)據(jù)挖掘數(shù)據(jù)分析數(shù)據(jù)采集/ETL現(xiàn)有流程評(píng)估計(jì)劃和設(shè)計(jì)挽留行動(dòng)執(zhí)行挽留行動(dòng)評(píng)估挽留結(jié)果調(diào)整應(yīng)用流程客戶分類樹與挽留策略的設(shè)計(jì)Q齡過去3個(gè)月的Q幣消費(fèi)過去3個(gè)月的Q幣消費(fèi)3個(gè)月平均好友數(shù)3個(gè)月平均好友數(shù)3個(gè)月平均好友數(shù)3個(gè)月平均好友數(shù)流失評(píng)分…………應(yīng)用流失評(píng)分執(zhí)行策略#1執(zhí)行策略#2根據(jù)客戶的不同特征有針對(duì)性地執(zhí)行不同的挽留策略>12<=12>1<=1>1<=1>40<=40>500<=500根據(jù)業(yè)務(wù)經(jīng)驗(yàn)，選取穩(wěn)定的指標(biāo)對(duì)客戶進(jìn)行細(xì)分，原則是每一個(gè)客戶都唯一地落在策略樹的一個(gè)葉節(jié)點(diǎn)上客戶是個(gè)性化的策略樹不宜過分復(fù)雜調(diào)整應(yīng)用流程（冠軍-挑戰(zhàn)者策略）冠軍策略/當(dāng)前策略：在任何一個(gè)給定的時(shí)間，對(duì)任何一個(gè)特定的決策問題，系統(tǒng)有一個(gè)，且只能是一個(gè)明