业务背景

目前运营商面临着激烈的市场竞争。对运营商来说，客户即生命，如何保持现有客户是企业客户管理的重中之重。因此，运营商拥有的客户越多，作为主要成本的前期投资就会越大，企业的利润也就越大。客户资源对于运营商来说其意义不言而喻，运营商之间的竞争实际上就是对客户资源的竞争。可以说，未来的电信行业，得客户者得天下。

痛点需求

客户在使用某运营商提供的某套餐过程中，可能因为价格、服务等各种因素选择继续使用或不再使用。客户是否会流失的信息很可能隐含在他的通话时间、短信使用、消费情况当中。我们可利用相关算子快速建立起流失客户的预测模型，有助于运营商根据历史数据分析用户是否会继续使用产品或服务，以帮助企业管理者对该类客户的行为特性进行预警分析，采取针对性的措施改善客户关系，避免客户流失或者挽留客户，达到亡羊补牢的效果。

解决方案

客户流失预警分析是通过数据挖掘，发现和分析出客户的许多属性特性和行为特征，从而找到流失客户的特征，为企业挽留这类客户提供决策参考。

针对运营商用户流失现状，我们将使用数据分析挖掘平台对客户数据进行挖掘建模，训练预测模型。

客户分为在网客户和流失客户两类，预测客户是否流失为一个分类问题，可尝试选用决策树、随机森林、GBDT等分类算法，根据分类效果确定最终模型。

主要分成两个步骤：

第一步：训练和测试分类模型，预测客户是否流失。

第二步：在该套餐数据其他时间段的新数据集上检验训练出的模型效果（训练用了3个月数据，新数据为其他的1年左右的数据）。

第一步：训练和测试分类模型

数据切分

在网客户数据量为10万条，流失客户数据量为1万7千条，考虑将在网客户数据三等分（SplitDataByPercent算子），流失客户数据二等分（SplitDataByPercent算子），互相融合（Union算子）形成3份数据（每份数据包含约33000条在网数据和8800条流失数据）。

训练分类模型

用三组数据分别训练出一个决策树分类模型。

利用模型分类

将三个模型和三组数据交叉验证进行分类，可以防止模型过拟合。

输出的结果我们可以双击PerformanceClassification的右端View接口看到，可以对比各个模型的分类效果。

同理，可以构建随机森林和GBDT的分类工作流，经过对比发现GBDT的分类效果最好，具体结果如表3所示。

第二步：在该套餐数据其他时间段的新数据集上检验训练出的模型效果

读取和合并新数据，并用三个保存的模型进行分类，同样双击View可以查看分类效果，具体如表4所示：

在新数据上测试结果：在网用户预测正确率99.05%，流失用户预测正确率88.39%。

实施效果

身处大数据时代，各种新的、强大的数据源会持续爆炸式的增长，而客户资源是运营商的生命，保留并巩固客户资源对运营商来说意义重大，运营商也在积极地探索以保持竞争力。

此案例中，我们通过训练的GBDT分类模型可以非常精确（97.45%）地辨别出某用户是否会流失。

用户基于此模型来针对性地设计客户反馈方案，对易流失客户进行访问和分析，从而通过用户流失预测能力的提升，更好地指导实施用户挽留工作，实现新的利润增长点。