1、電信客戶流失的相關(guān)性因素分析摘要：隨著市場體制的不斷完善,行業(yè)競爭的加劇,為了不斷吸引新的客戶,許多行業(yè)愈來愈重視對客戶流失管理的研究。本文主要采用SPSS Modeler作為處理工具，對已獲取的電信企業(yè)客戶流失情況與相關(guān)因素的數(shù)據(jù)作出相關(guān)性分析，目的是為了探究客戶流失與哪些方面有關(guān)，進(jìn)而得出相關(guān)結(jié)論與建議。關(guān)鍵詞：SPSS Modeler；相關(guān)性；客戶流失目錄 TOC o 1-3 h z u HYPERLINK l _Toc485310909 一、引言 PAGEREF _Toc485310909 h 6 HYPERLINK l _Toc485310910 (一)研究背景 PAGEREF _T

2、oc485310910 h 6 HYPERLINK l _Toc485310911 (二)研究的問題和意義 PAGEREF _Toc485310911 h 6 HYPERLINK l _Toc485310912 二、數(shù)據(jù)處理 PAGEREF _Toc485310912 h 7 HYPERLINK l _Toc485310913 (一)數(shù)據(jù)來源 PAGEREF _Toc485310913 h 7 HYPERLINK l _Toc485310914 1.讀取數(shù)據(jù) PAGEREF _Toc485310914 h 7 HYPERLINK l _Toc485310915 2.修改變量名稱 PAGEREF

3、 _Toc485310915 h 8 HYPERLINK l _Toc485310916 (二)變量定義 PAGEREF _Toc485310916 h 8 HYPERLINK l _Toc485310917 1.變量角色說明 PAGEREF _Toc485310917 h 8 HYPERLINK l _Toc485310918 2.規(guī)范變量取值 PAGEREF _Toc485310918 h 9 HYPERLINK l _Toc485310919 3.生成新變量 PAGEREF _Toc485310919 h 10 HYPERLINK l _Toc485310920 (三)數(shù)據(jù)處理 PAGE

4、REF _Toc485310920 h 11 HYPERLINK l _Toc485310921 1.樣本的分類匯總 PAGEREF _Toc485310921 h 11 HYPERLINK l _Toc485310922 2.計算描述統(tǒng)計量 PAGEREF _Toc485310922 h 12 HYPERLINK l _Toc485310924 3.繪制散點圖 PAGEREF _Toc485310924 h 14 HYPERLINK l _Toc485310927 4.兩分類變量相關(guān)性的數(shù)值分析 PAGEREF _Toc485310927 h 15 HYPERLINK l _Toc48531

5、0934 5.決策樹C5.0分析 PAGEREF _Toc485310934 h 17 HYPERLINK l _Toc485310951 6.Logistic回歸分析 PAGEREF _Toc485310951 h 19 HYPERLINK l _Toc485310952 三、研究結(jié)論與建議 PAGEREF _Toc485310952 h 21 HYPERLINK l _Toc485310953 (一)研究結(jié)論 PAGEREF _Toc485310953 h 21 HYPERLINK l _Toc485310954 1.從基本描述統(tǒng)計量來看 PAGEREF _Toc485310954 h 2

6、1 HYPERLINK l _Toc485310955 2.從決策樹C5.0分析來看 PAGEREF _Toc485310955 h 22 HYPERLINK l _Toc485310956 3從Logistic回歸分析看 PAGEREF _Toc485310956 h 22 HYPERLINK l _Toc485310957 (二)建議 PAGEREF _Toc485310957 h 22 HYPERLINK l _Toc485310958 參考文獻(xiàn) PAGEREF _Toc485310958 h 24 HYPERLINK l _Toc485310970 附錄 PAGEREF _Toc485

7、310970 h 25 HYPERLINK l _Toc485310971 1.部分原始數(shù)據(jù) PAGEREF _Toc485310971 h 25 HYPERLINK l _Toc485310972 2.課程論文成績評定標(biāo)準(zhǔn) PAGEREF _Toc485310972 h 26引言研究背景數(shù)據(jù)挖掘數(shù)據(jù)挖掘是近年來伴隨著人工智能和數(shù)據(jù)庫技術(shù)發(fā)展而出現(xiàn)的一門新興技術(shù)。它的核心功能是從巨大的數(shù)據(jù)集或數(shù)據(jù)倉庫中獲取有用信息，以供企業(yè)分析和處理各種復(fù)雜的數(shù)據(jù)關(guān)系。隨著電信市場競爭的日益加劇，運(yùn)營商普遍開始向“客戶驅(qū)動”管理模式轉(zhuǎn)變。（2）SPSS Modeler軟件SPSS Modeler（12.0以前

8、叫Clementine）是一個業(yè)界領(lǐng)先的數(shù)據(jù)挖掘平臺。SPSS Modeler擁有直觀的操作界面、自動化的數(shù)據(jù)準(zhǔn)備和成熟的預(yù)測分析模型。 SPSS Modeler 14.1 相比 SPSS Modeler 13.0，在數(shù)據(jù)可視化和算法可視化方面做了改進(jìn)和完善，這樣更便于數(shù)據(jù)挖掘工作者進(jìn)行數(shù)據(jù)探索和模型的優(yōu)化。同時，增強(qiáng)了數(shù)據(jù)源連接、數(shù)據(jù)處理、建模分析等功能。（3）相關(guān)性分析相關(guān)性分析是指對兩個或多個具備相關(guān)性的變量元素進(jìn)行分析，從而衡量兩個變量因素的相關(guān)密切程度。相關(guān)性的元素之間需要存在一定的聯(lián)系或者概率才可以進(jìn)行相關(guān)性分析。相關(guān)性不等于因果性，也不是簡單的個性化，相關(guān)性所涵蓋的范圍和領(lǐng)域幾乎

9、覆蓋了我們所見到的方方面面，相關(guān)性在不同的學(xué)科里面的定義也有很大的差異。研究的問題和意義所謂電信行業(yè)的客戶流失，傳統(tǒng)觀念認(rèn)為就是電信客戶從某一運(yùn)營商退網(wǎng)或轉(zhuǎn)網(wǎng)。電信市場的競爭愈來愈激烈，為使企業(yè)的利潤最大化，各通信運(yùn)營商都把爭取更多的客戶作為營銷的最終目標(biāo)。但是隨著競爭的不斷加劇，客戶流失成為各企業(yè)運(yùn)營過程中面臨的主要問題，不僅使市場份額減少，還會出現(xiàn)客戶惡意離網(wǎng)產(chǎn)生欠費行為，增加了企業(yè)的運(yùn)營成本，造成嚴(yán)重的經(jīng)濟(jì)損失。有分析稱，開發(fā)一個新的客戶比挽留一個老的客戶所產(chǎn)生的成本高很多倍。因此，做好客戶關(guān)系管理，防止客戶流失是通信行業(yè)提升企業(yè)核心競爭力的有效手段。本文搜集了大量電信客戶的基本信息與流

10、失情況的數(shù)據(jù)，利用SPSS Modeler作為分析工具，通過對數(shù)據(jù)的基本分析，以及建立決策樹C5.0和Logistic模型系統(tǒng)分析客戶流失的相關(guān)性因素。針對以往客戶關(guān)系管理過程中無法監(jiān)控客戶流失的問題，將數(shù)據(jù)挖掘技術(shù)應(yīng)用到通信客戶流失預(yù)警分析中，利用其強(qiáng)大的數(shù)據(jù)分析手段，建立客戶消費特征等屬性與客戶流失可能性之間的關(guān)聯(lián)模型，可實現(xiàn)對客戶狀態(tài)的實時監(jiān)控。數(shù)據(jù)處理數(shù)據(jù)來源本案例采用的是來自互聯(lián)網(wǎng)的1000份電信客戶流失數(shù)據(jù)，有一定的真實性和研究分析價值。1.讀取數(shù)據(jù)將“電信客戶流失數(shù)據(jù).sav”文件導(dǎo)入到數(shù)據(jù)流中，讀取文件。圖2.1 原始數(shù)據(jù)導(dǎo)入結(jié)果瀏覽2.修改變量名稱由于原始數(shù)據(jù)中的變量名稱為英

11、文，不便于理解，因此，將變量名稱替換成中文。將“tenure”替換為“在網(wǎng)月數(shù)”，將“custcat”替換為“客戶種類”，將“churn”替換為“是否流失”，將“ed”替換為“教育水平”，將“employ”替換為“當(dāng)前工作年限”，將“retire”替換為“是否退休”，將“gender”替換為“性別”，將“reside”替換為“家庭人數(shù)”。圖2.2 修改變量名稱變量定義變量角色說明將“在網(wǎng)月數(shù)”“當(dāng)前工作年限”“家庭人數(shù)”設(shè)為“連續(xù)”，將“客戶種類”“是否流失”“性別”設(shè)為“名義”，將“教育水平”“有序”，將“是否流失”角色設(shè)置為“目標(biāo)”。讀取值。圖2.3 變量角色說明規(guī)范變量取值 對各變量逐個

12、添加標(biāo)簽，以規(guī)范變量的取值。如“客戶種類”字段中，“1”表示基本服務(wù)，“2”表示上網(wǎng)服務(wù)，“3”表示附加服務(wù)，“4”表示所有服務(wù)。性別字段中“0”代表男性，“1”代表女性。其他名義類型字段中，“0”均表示“否”，“1”均表示“是”。“教育水平”字段中，“1”表示低于高中水平，“2”表示高中，“3”表示大學(xué)，“4”表示學(xué)士，“5”表示碩士。圖2.4 規(guī)范“客戶種類”變量取值圖2.5 規(guī)范“教育水平”變量取值生成新變量為了更直觀了解樣本的用戶忠誠度，對用戶的在網(wǎng)月數(shù)進(jìn)行了多級評定計算。選擇【字段選項】【導(dǎo)出】節(jié)點，與數(shù)據(jù)流鏈接。雙擊【導(dǎo)出】節(jié)點，選擇“多個”模式，導(dǎo)出自“在校得分”，導(dǎo)出為“名義”

13、，字段類型“名義”。通過建立【輸出】【表】節(jié)點可以瀏覽評級結(jié)果。圖2.6 生成新變量參數(shù)設(shè)置圖2.7 生成新變量結(jié)果瀏覽數(shù)據(jù)處理樣本的分類匯總通過對樣本數(shù)據(jù)進(jìn)行分類匯總，可以觀察不同的性別用戶在使用電信寬帶的時間上的不同。選擇匯總節(jié)點，與數(shù)據(jù)流鏈接。雙擊【匯總】節(jié)點，關(guān)鍵字段選擇“性別”、匯總字段選擇“在網(wǎng)月數(shù)”、勾選“總數(shù)”“平均值”“標(biāo)準(zhǔn)差”選項。通過建立【輸出】【表】節(jié)點可以瀏覽評級結(jié)果。由圖可以看到，男性用戶的平均在網(wǎng)月數(shù)略低于女性用戶。圖2.7 樣本的分類匯總結(jié)果瀏覽計算描述統(tǒng)計量數(shù)據(jù)分析通常是從基本描述分析開始。通常對數(shù)值型變量，應(yīng)計算基本描述統(tǒng)計量以準(zhǔn)確把握變量的集中趨勢和離散程

14、度。描述集中趨勢的統(tǒng)計量一般有均值、中位數(shù)、眾數(shù)等，描述離散程度的統(tǒng)計量包括方差、標(biāo)準(zhǔn)差、極差等。在這里，對電信用戶數(shù)據(jù)的分析目標(biāo)是：“在網(wǎng)月數(shù)”“客戶種類”“性別”“教育水平”“當(dāng)前工作年限”“是否退休”“家庭人數(shù)”的基本描述統(tǒng)計量，計算上述變量與“是否流失”變量之間的相關(guān)性。選擇輸出統(tǒng)計量節(jié)點，與數(shù)據(jù)流鏈接。雙擊統(tǒng)計量節(jié)點，檢查：“在網(wǎng)月數(shù)”“客戶種類”“性別”“教育水平”“當(dāng)前工作年限”“是否退休”“家庭人數(shù)”，導(dǎo)出自“在網(wǎng)月數(shù)”“客戶種類”“性別”“教育水平”“當(dāng)前工作年限”“是否退休”“家庭人數(shù)”，相關(guān)：“是否流失”，統(tǒng)計其“計數(shù)”、“最大值”、“最小值”、“平均值”、“范圍”、“方

15、差”、“標(biāo)準(zhǔn)差”以及“平均值標(biāo)準(zhǔn)誤差”。在相關(guān)設(shè)置中選擇“按重要性（1-p）定義相關(guān)強(qiáng)度”。運(yùn)行后生成新窗口，可以瀏覽計算結(jié)果。圖2.8 描述統(tǒng)計量參數(shù)設(shè)置圖2.9 描述統(tǒng)計量計算結(jié)果瀏覽從結(jié)果上，我們可以得到“在網(wǎng)月數(shù)”“客戶種類”“性別”“教育水平”“當(dāng)前工作年限”“是否退休”“家庭人數(shù)”和“是否流失”都存在相關(guān)性。其中“在網(wǎng)月數(shù)” “教育水平”“當(dāng)前工作年限”“是否退休”與“是否流失”相關(guān)性強(qiáng)，而“性別”“客戶種類”“家庭人數(shù)”則與“是否流失”相關(guān)性弱。繪制散點圖根據(jù)散點圖更加直觀地觀察家庭人數(shù)、當(dāng)前工作年限與是否流失之間的關(guān)系。選擇圖形卡中的“圖”節(jié)點并將其接到數(shù)據(jù)流恰當(dāng)?shù)奈恢茫髽?biāo)右

16、擊“圖”節(jié)點，選擇彈出菜單中的編輯選項。在X字段與Y字段框中選擇散點圖的X軸變量和Y軸變量，分別選擇“家庭人數(shù)”“當(dāng)前工作年限”。在交疊字段框中指定交疊字段變量，以期在散點圖中觀測交疊字段變量不同取值樣本點的分布情況，這里選擇了“流失”，并用不同顏色表示。圖2.10 散點圖繪制參數(shù)設(shè)置圖2.11 散點圖繪制結(jié)果瀏覽從結(jié)果上來看，圖中點的分布沒有明顯的線性趨勢，可見變量間的相關(guān)性并不高。兩分類變量相關(guān)性的數(shù)值分析為了更精準(zhǔn)分析數(shù)值，我們將對數(shù)據(jù)進(jìn)行列連分析。分析目標(biāo)是“性別”、“是否是黨員”“是否當(dāng)過干事”與“是否流失”相關(guān)。選擇【輸出】【矩陣】節(jié)點，與數(shù)據(jù)流鏈接。雙擊【矩陣】節(jié)點，行：“是否流

17、失”，列：“客戶種類”、“教育水平”“是否退休”“性別”，選擇“交叉列表”。【應(yīng)用】后點擊【運(yùn)行】生成新窗口，可以瀏覽計算結(jié)果。圖2.12 客戶種類與是否流失相關(guān)性結(jié)果瀏覽從圖2.12可以看出，種類3（選擇了附加服務(wù)的用戶的流失率最小）的客戶基數(shù)最大，但流失率最小。281名選擇了附加服務(wù)的客戶中，流失的人數(shù)為44，僅占16.058%。圖2.13 教育水平與是否流失相關(guān)性結(jié)果瀏覽從圖2.13可以看出，教育水平為高中的用戶數(shù)量最多，占到了30.854%。并且從圖中可以發(fā)現(xiàn)，隨著受教育水平的上升，客戶流失率也隨之提高，可見受教育水平越高的用戶越容易流失。圖2.14 是否退休與是否流失相關(guān)性結(jié)果瀏覽從

18、圖2.14可以看出，在沒有退休的953名客戶中，未流失的占71.563%；而在退休的44名用戶中，未流失的占到了93.617%。說明未退休用戶較退休用戶更容易流失。圖2.15 性別與是否流失相關(guān)性結(jié)果瀏覽從圖2.15可以看出，兩個性別在流失情況上的差異并不大，基本可以判斷電信用戶的流失與性別的相關(guān)性不大。決策樹C5.0分析決策樹分析法是一種運(yùn)用概率與圖論中的樹對決策中的不同方案進(jìn)行比較，從而獲得最優(yōu)方案的風(fēng)險型決策方法。圖論中的樹是連通且無回路的有向圖，入度為0的點稱為樹根，出度為0的點稱為樹葉，樹葉以外的點稱為內(nèi)點。決策樹由樹根（決策節(jié)點）、其他內(nèi)點（方案節(jié)點、狀態(tài)節(jié)點）、樹葉（終點）、樹枝

19、（方案枝、概率枝）、概率值、損益值組成。構(gòu)造決策樹的方法是采用自上而下的遞歸構(gòu)造。其基本思路是：(1)以代表訓(xùn)練樣本的單個結(jié)點開始建樹；(2)若樣本都在同一個類中，則該結(jié)點為葉子結(jié)點，并用該類標(biāo)記；(3)否則，算法使用信息增益作為啟發(fā)信息，選擇能夠最好地將樣本分類的屬性，作為該結(jié)點的“測試”或“判定”屬性；(4)對測試屬性的每一個已知的值，創(chuàng)建一個分支，并據(jù)此劃分樣本；(5)算法使用同樣的過程，遞歸地形成每一個劃分上的樣本決策樹；(6)遞歸劃分步驟，當(dāng)下列條件之一成立時停止：給定結(jié)點的所有樣本屬于同一類；沒有剩余屬性可以用來進(jìn)一步劃分樣本；該分支沒有樣本。具體操作是：從源中引入Statiscs

20、節(jié)點，選擇電信客戶流失數(shù)據(jù).sav輸入數(shù)據(jù)，輸出表查看結(jié)果。選擇“建模”選項卡中的C5.0節(jié)點與Statiscs節(jié)點相連接，右擊鼠標(biāo)進(jìn)行參數(shù)設(shè)置。選擇“是否流失”為輸出變量，選取相關(guān)性較大的“當(dāng)前工作年限”“教育水平”“客戶種類”為輸入變量。圖2.16 規(guī)則集運(yùn)行結(jié)果瀏覽從決策樹C5.0來看，在這些因素中，最重要的是“當(dāng)前工作年限”，比較重要的是“教育水平”，其次是“客戶種類”。圖2.17 決策樹C5.0運(yùn)行結(jié)果1當(dāng)前工作年限小于11年的620名用戶中，流失人數(shù)為226人，置信度為36.452%；當(dāng)前工作年限大于11年的380名用戶中，流失的人數(shù)為48人，置信度為12.632%。圖2.18 決

21、策樹C5.0運(yùn)行結(jié)果2教育水平低于高中，高中和大學(xué)的399名用戶中，流失人數(shù)為121人，置信度為30.326%；教育水平達(dá)到學(xué)士和碩士的221名用戶中，流失的人數(shù)為105人，置信度為47.511%。圖2.19 決策樹C5.0運(yùn)行結(jié)果3選擇了基本服務(wù)或所有服務(wù)的138名用戶中，流失人數(shù)為62人，置信度為55.072%；選擇了上網(wǎng)服務(wù)或附加服務(wù)的83名用戶中，流失的人數(shù)為29人，置信度為34.940%。Logistic回歸分析將數(shù)據(jù)sav文件導(dǎo)入數(shù)據(jù)流中，將sav與類型節(jié)點連接起來，編輯類型，讀取值，將“是否流失”，將類型節(jié)點與建模中的logistic節(jié)點連接起來，編輯logistic節(jié)點，使用類

22、型節(jié)點設(shè)置，過程選擇二項式，方法選擇進(jìn)入法，字段輸入“性別”“是否退休”，應(yīng)用并運(yùn)行。圖2.20 Logistic模型運(yùn)行結(jié)果1圖2.20顯示了logistic回歸分析第一步時回歸方程顯著性檢驗的情況，個數(shù)據(jù)項的含義依次是似然比卡方的觀測值、自由度、概率-P值。似然比卡方的觀測值為185.106，概率-P值為0.000。如果顯著性水平為0.05.由于概率-p值小于顯著性水平，應(yīng)拒絕0假設(shè)，認(rèn)為所有回歸系數(shù)不同時為0，解釋變量的全體和LogitP之間的線性關(guān)系顯著，采用該模型合理。圖2.21 Logistic模型運(yùn)行結(jié)果2圖2.21顯示了當(dāng)前模型擬合優(yōu)度方面的指標(biāo)，各個數(shù)據(jù)項的含義依次為-2倍的

23、對數(shù)似然值，Cox&Snell R及Nagelkerke R倍的對數(shù)似然值越小則擬合優(yōu)度越高，該表值為1201.188. Nagelkerke R值接近0，擬合效果一般。圖2.22 Logistic模型運(yùn)行結(jié)果3圖2.22顯示的是模型的錯判矩陣。在沒有流失的726人中，模型正確識別了698人，錯誤識別28人，正確率為96.1%。在沒有流失的274人中，模型正確識別2人，錯誤識別272人，正確率為0.7%。模型總的正確預(yù)測率為70%。因為預(yù)測概率值大于0.5，所以輸出變量的分類預(yù)測值為1.圖2.23 Logistic模型運(yùn)行結(jié)果4圖2.23顯示了模型中各個回歸系數(shù)檢驗方面的指標(biāo)，顯著性水平為0.

24、05，因為性別的概率-P值大于顯著性水平，不應(yīng)該拒絕0假設(shè)；而是否退休的概率-P值小于顯著性水平，拒絕0假設(shè)。進(jìn)一步證明了用戶流失與其性別無相關(guān)性，而與是否退休存在著相關(guān)性。研究結(jié)論與建議研究結(jié)論本文通過對1000份電信用戶流失情況的調(diào)查數(shù)據(jù)來看，對“在網(wǎng)月數(shù)”“客戶種類”“性別”“教育水平”“當(dāng)前工作年限”“是否退休”“家庭人數(shù)”等七個因素與“是否流失”進(jìn)行相關(guān)性分析，得出以下結(jié)論：1.從基本描述統(tǒng)計量來看“在網(wǎng)月數(shù)”“教育水平”“當(dāng)前工作年限”“是否退休”與“是否流失”相關(guān)性強(qiáng)，而“性別”“客戶種類”“家庭人數(shù)”則與“是否流失”相關(guān)性弱。原因可以考慮到，在網(wǎng)月數(shù)直接關(guān)系到客戶的忠誠度，忠誠

25、度高的客戶自然不易流失。而客戶受教育的水平，工作年限以及客戶是否退休，都與其收入有著一定的聯(lián)系，受教育水平高，工作年限久，尚未退休的客戶自然有更多的可支配收入，對于服務(wù)選擇面更廣，較容易流失。2.從決策樹C5.0分析來看規(guī)則集顯示在這些因素中，最重要的是“當(dāng)前工作年限”，比較重要的是“教育水平”，其次是“客戶種類”。相對來說， 當(dāng)前工作年限小于11年的用戶更容易流失；受教育水平達(dá)到學(xué)士或碩士的也更容易流失，進(jìn)一步證明了從兩分類變量相關(guān)性因素分析中得到的“受教育水平越高的用戶越容易流失”的推論。而從客戶類型上來說，選擇了上網(wǎng)服務(wù)和附加服務(wù)的用戶流失率相對較小。3從Logistic回歸分析看二項式

26、過程我們選擇了進(jìn)入法，在這個模型中，解釋變量的全體和LogitP之間的線性關(guān)系顯著，擬合優(yōu)度方面的指標(biāo)擬合效果一般，分析結(jié)論是“性別”對“是否流失”無顯著影響。“是否退休”對“是否流失”顯著性影響比較大。建議大數(shù)據(jù)時代下的信息具有體量大、復(fù)雜性高、更新速度快的特點，從具有如此復(fù)雜特性的信息中挖掘出用戶所需的情報，難度較以往有了很大的提升。要在發(fā)展中搶占先機(jī)，在大數(shù)據(jù)時代獲取競爭優(yōu)勢，就必須對原有的情報分析思路進(jìn)行必要的升級改造，以滿足信息的情報屬性。電信行業(yè)在提取有用信息分析客戶特征時，應(yīng)注意：一是樣本數(shù)據(jù)的選取，尤其客戶流失所占的比重應(yīng)該跟實際值相符。二是應(yīng)該對缺失值以及異常值的處理和對不顯

27、著信息進(jìn)行過濾。三是應(yīng)該選擇合適的模型和算法。這樣才能得出科學(xué)合理的結(jié)論。客戶流失是通信行業(yè)運(yùn)行過程中常見的問題，直接影響到運(yùn)營商的企業(yè)效益。數(shù)據(jù)挖掘可以根據(jù)客戶信息、消費行為等歷史數(shù)據(jù)判斷客戶流失的可能性，避免因營銷手段的盲目性造成的成本浪費。得出客戶流失預(yù)警規(guī)則或者建立預(yù)警模型都是為了挽留客戶，防止流失。從本文研究結(jié)果來看，收入因素和客戶流失呈正相關(guān)。電信行業(yè)競爭加劇，但因為客戶的受教育水平和收入有了提高，客戶對價格敏感度降低了，某一網(wǎng)內(nèi)客戶大規(guī)模重新選擇運(yùn)營商、品牌或套餐而造成的移動電話用戶數(shù)大幅度增減變化的現(xiàn)象越來越普遍。面對這樣的情況，首先，電信運(yùn)營商要合理定價，并且時刻關(guān)注競爭對手

28、的定價策略和營銷方式，及時對自己的服務(wù)作出調(diào)整，彌補(bǔ)現(xiàn)有的不足，提高客戶忠誠度。對那些價值高流失傾向大的客戶優(yōu)先采取相應(yīng)的挽留措施，以保證優(yōu)質(zhì)客戶的持有率。參考文獻(xiàn)1 薛薇,陳歡歌.SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用M.電子工業(yè)出版社2 余路.電信客戶流失的組合預(yù)測模型.華僑大學(xué)學(xué)報：自然科學(xué)N.2016,37(5);637-6403 吳占福.統(tǒng)計分析軟件SPSS介紹:河北北方學(xué)院學(xué)報N.2012-124 劉洋.如何減少移動客戶流失: 中國電信業(yè)N.2013-4；74-775 譚宏偉. Logistic回歸模型的影響分析J. 數(shù)理統(tǒng)計與管理6 施朝健. Logistic回歸模型分析M.

29、 計算機(jī)輔助工程7 紀(jì)希禹. 數(shù)據(jù)挖掘技術(shù)應(yīng)用實例M. 機(jī)械工業(yè)出版社7 曠嶺.電信客戶流失數(shù)據(jù)分析方案設(shè)計與應(yīng)用研究.中南林業(yè)科技大學(xué)學(xué)報：自然科學(xué)版N,2011,31(6);207-2118 王曉佳,楊善林,陳志強(qiáng).大數(shù)據(jù)時代下的情報分析與挖掘技術(shù)研究電信客戶流失情況分析.情報學(xué)報N,2013,32(6);564-5749 顧光同,王力賓,費宇.電信客戶流失預(yù)警規(guī)則及其信度測定實證研究以云南電信為例.云南財經(jīng)大學(xué)學(xué)報N,2010,(6);94-9810趙京輝,李媛,冉宏坤.數(shù)據(jù)挖掘在電信客戶流失分析中的應(yīng)用.信息通信J,2014,(1);223-223附錄部分原始數(shù)據(jù)在網(wǎng)月數(shù)客戶種類是否流

30、失教育水平當(dāng)前工作年限是否退休性別家庭人數(shù)13.0001.0001.0004.0005.0000.0000.0002.00011.0004.0001.0005.0005.0000.0000.0006.00068.0003.0000.0001.00029.0000.0001.0002.00033.0001.0001.0002.0000.0000.0001.0001.00023.0003.0000.0001.0002.0000.0000.0004.00041.0003.0000.0002.00016.0000.0001.0001.00045.0002.0001.0002.0004.0000.000

31、1.0005.00038.0004.0000.0002.00010.0000.0000.0003.00045.0003.0000.0004.00031.0000.0000.0005.00068.0002.0000.0001.00022.0000.0000.0003.0005.0001.0001.0004.0005.0000.0001.0001.0007.0003.0000.0002.00015.0000.0001.0001.00041.0001.0000.0002.0009.0000.0001.0003.00057.0004.0001.0004.00023.0000.0001.0003.0009.0001.0000.0001.0008.0000.0001.0002.00029.0002.0000.0005.0001.0000.0000.0004.00060.0003.0000.0002.00030.0000.0000.0001.00034.0003.0000