预测电信行业近期流失客户与回流客户
计算工程、金融与科学
2012-10-26 v1 机器学习
摘要
本文介绍了我们为一家电信公司开发的用于预测近期流失客户（churners）和回流客户（win-backs）的策略与技术。基于包含该电信公司客户档案及部分交易数据的大规模真实世界数据库，我们首先分析了数据模式，制定了特征计算策略，随后提取了大量与客户流失及回流行为相关的关键特征。我们的特征集既包括原始驱动因子，也包含部分衍生特征。我们在经过不平衡校正（即欠采样）的数据集上评估了这些特征，并对比了大量现有的机器学习工具（尤其是基于决策树的分类器）在预测流失与回流方面的表现。总体而言，我们发现 RandomForest 和 SimpleCart 学习算法通常表现良好，能够提供极具竞争力的预测性能。在指示流失行为的前 15 个驱动因子中，我们发现服务利用率（如最近两个月的下载和上传量、最近三个月的平均上传和下载量）以及与支付相关的因子是预测即将发生流失的最具指示性的特征。这些特征 collectively 揭示了客户的服务套餐、支付情况与动态变化的使用需求之间的差异。我们提出的特征及其计算策略在预测近期流失行为方面表现出合理的精度。
引用
@article{arxiv.1210.6891,
title = {Predicting Near-Future Churners and Win-Backs in the Telecommunications Industry},
author = {Clifton Phua and Hong Cao and João Bártolo Gomes and Minh Nhut Nguyen},
journal= {arXiv preprint arXiv:1210.6891},
year = {2012}
}