基于SPSS Moderler和R的电信业客户流失分析预测

2024-02-05 07:30

本文主要是介绍基于SPSS Moderler和R的电信业客户流失分析预测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本节的内容是衔接上节数据挖掘宽表处理的部分,上节分析了电信业客户流失问题分析预测的准备工作,这节继续进行探索性分析和建模分析及模型评估,客户流失预测分为流失规则的预测以及流失评分预测。本节的流失规则预测基于决策树算法,流失评分预测基于神经网络算法实现。

四、探索性数据分析

1、离散型变量

1)名义型离散变量

使用描述图形进行探索性分析:

eg: 手机品牌的分布:

s<-summary(churn_analysis$Handset)

pie(s)    #手机品牌分布

 

2)有序性离散变量

话务量级别:

 

2、连续型变量

绘图:直方图、箱线图

在网时长和总通话费用的图形展现:

 

3、变量之间关系的探索性分析

1)离散变量与离散变量

使用网络图分析:

交叉列联表和卡方检验:SPSS Moderler输出节点“矩阵”,进行列联表分析:

2)离散变量与连续变量

高峰期通话时长与流失之间的关系:

在0.05的显著性水平下,由F值可以看出流失客户与不流失客户的高峰期通话时长有着显著差异。

3)连续变量与连续变量

可以通过散点图直观展示,也可通过计算相关系数来展示:

五、、建立模型

1、细分类模型——聚类

适用于:客户价值较低的客户群

思路:使用客户的属性变量和行为变量(不包括是否流失)对客户进行聚类分析,分析各个群组的流失率情况,找出流失率较高的群组,并分析刻画他们的特征,以便业务人员有针对性的制订营销策略。

1)连续变量离散化处理

2)类型节点处理

3)K-均值聚类

当k=7时,得到的聚类成果如下:

4)流失率计算

将这7个群组按照是否流失进行汇总,求出各群组的流失率

对以上的汇总结果进行变量排序和变量重命名后输出到表格中展示,如下:

 

5)特征分析

取流失率较高的两个群组(高流失客户群体),分析他们的特征,找出可能的流失原因。取聚类-1和聚类5两个群组,进行特征分析

流失率较高的群组特征概括:

群组编号

群组占比

流失率

客户主要特征

特征概括

聚类-1

13.6%

0.148

总花费较低
平均每分钟花费高
处免费时长外计费时长少
高峰与非高峰通话时长少
周末通话时长较长
使用的资费方案为play

低价值客户
周末电话为主
资费方案有待优化

聚类-5

10.3%

0.083

总花费较高
高峰通话时间长,非高峰短
周末电话占比低
周末通话次数少,但通话时间较长

较高价值客户
上班族,以工作电话为主
周末亲情电话

以上为流失率较高的两类客户的特征概括,可以将这种模型提供给运营和营销人员,方便他们根据客户特征制定相关的营销策略,有效率地提高流失召回效率。

2、流失规则预测模型

1)分区

按照7:3分配训练集和测试集,也可改变该分配比例来比较分类预测的效果

 

 2)建立决策树模型

 

3)使用模型查看器查看决策树分类规则 

Tariff_OK in [ "High CAT 100" "High CAT 50" "High Play 100" ] [ 模式:1 ] => 1 

Tariff_OK in [ "OK" ] [ 模式:0 ] 

    Handset in [ "ASAD170" "BS210" "CAS60" "S80" "WC95" ] [ 模式:0 ] => 0 

    Handset in [ "ASAD90" ] [ 模式:1 ] 

       Usage_Band = 中使用率 [ 模式:1 ] => 1 

       Usage_Band = 低使用率 [ 模式:0 ] => 0 

       Usage_Band = 极高使用率 [ 模式:1 ] 

           Gender = 女 [ 模式:1 ] 

              Peak_mins_Ratio <= 0.830 [ 模式:1 ] => 1 

              Peak_mins_Ratio > 0.830 [ 模式:0 ] 

                  Peak_mins_Trend <= 7.424 [ 模式:1 ] => 1 

                  Peak_mins_Trend > 7.424 [ 模式:0 ] => 0 

           Gender = 男 [ 模式:0 ] => 0 

       Usage_Band = 高使用率 [ 模式:1 ] 

           Age <= 51 [ 模式:1 ] => 1 

           Age > 51 [ 模式:0 ] => 0 

    Handset in [ "BS110" ] [ 模式:0 ] 

       Peak_mins_Ratio <= 0.491 [ 模式:0 ] 

           National_calls <= 88 [ 模式:0 ] 

              Gender = 女 [ 模式:0 ] => 0 

              Gender = 男 [ 模式:1 ] => 1 

           National_calls > 88 [ 模式:1 ] 

              AveOffPeak <= 13.254 [ 模式:1 ] => 1 

              AveOffPeak > 13.254 [ 模式:0 ] => 0 

       Peak_mins_Ratio > 0.491 [ 模式:0 ] 

           International_mins <= 178.474 [ 模式:0 ] 

              AveNational <= 10.161 [ 模式:0 ] => 0 

              AveNational > 10.161 [ 模式:0 ] 

                  Gender = 女 [ 模式:0 ] => 0 

                  Gender = 男 [ 模式:1 ] => 1 

           International_mins > 178.474 [ 模式:0 ] 

              International_mins_Ratio <= 0.183 [ 模式:0 ] => 0 

              International_mins_Ratio > 0.183 [ 模式:1 ] => 1 

    Handset in [ "CAS30" ] [ 模式:1 ] 

       call_cost_per_min <= 7.915 [ 模式:0 ] => 0 

       call_cost_per_min > 7.915 [ 模式:1 ] 

           Usage_Band in [ "中使用率" "极高使用率" "高使用率" ] [ 模式:1 ] => 1 

           Usage_Band in [ "低使用率" ] [ 模式:1 ] 

              Peak_calls <= 176 [ 模式:1 ] 

                  AveOffPeak <= 1.591 [ 模式:0 ] => 0 

                  AveOffPeak > 1.591 [ 模式:1 ] => 1 

              Peak_calls > 176 [ 模式:0 ] => 0 

    Handset in [ "S50" ] [ 模式:0 ] 

       Total_Cost <= 99.515 [ 模式:0 ] 

           Tariff in [ "CAT 100" "CAT 200" ] [ 模式:0 ] => 0 

           Tariff in [ "CAT 50" "Play 300" ] [ 模式:0 ] => 0 

           Tariff in [ "Play 100" ] [ 模式:1 ] => 1 

       Total_Cost > 99.515 [ 模式:0 ] 

           Age <= 25 [ 模式:0 ] 

              International_mins <= 181.009 [ 模式:0 ] 

                  Gender = 女 [ 模式:1 ] => 1 

                  Gender = 男 [ 模式:0 ] => 0 

              International_mins > 181.009 [ 模式:1 ] 

                  average cost min <= 0.145 [ 模式:0 ] => 0 

                  average cost min > 0.145 [ 模式:1 ] => 1 

           Age > 25 [ 模式:0 ] 

              International_mins <= 178.126 [ 模式:0 ] 

                  Gender = 女 [ 模式:1 ] => 1 

                  Gender = 男 [ 模式:0 ] => 0 

              International_mins > 178.126 [ 模式:0 ] => 0 

    Handset in [ "SOP10" "SOP20" ] [ 模式:1 ] => 1 

4)决策树

5)查看分类训练和预测结果

6)生成SQL脚本

a) 生成模型后选择生成SQL脚本  

*注:boosting默认不能生成SQL脚本

b) 接下来,将SQL脚本导入PL/SQL中:

文件—>打开—>SQL脚本

c) 将数据EXCEL表导入PL/SQL中:

对于数据集较小的表:

可以先在数据库中建立一个表(CLASS)

最终显示的结果为C0和C1两列值,C0表示的是预测值,C1表示预测的准确率。

7)模型评估

提升图:

 

图形结果显示,提升度随RPP(正类预测比例)的提高呈降序分布,且提升度较高,说明模型的预测准确率较高,比随机预测提升了较高的水平。

ROC曲线:

ROC曲线显示预测模型对1的敏感度很高,说明模型的预测效果很好。

8)模型分析

 

 结果显示模型的整体预测准去率达到了94.61%,而且模型的命中率为61.82%,模型的查全率为75.78%。

3、流失评分预测模型(神经网络算法实现)

 

 1)缺失值处理

将空值取值为0

2)离散目标变量(churn)更改为连续目标变量(churncore)

将1取值为100

0取值为0

3)随机抽取训练集和测试集

 

4)建立神经网络模型

 

5)模型分析和评估

 

转载于:https://www.cnblogs.com/yyyu2/p/6595114.html

这篇关于基于SPSS Moderler和R的电信业客户流失分析预测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/680165

相关文章

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景

MyBatis-Plus中静态工具Db的多种用法及实例分析

《MyBatis-Plus中静态工具Db的多种用法及实例分析》本文将详细讲解MyBatis-Plus中静态工具Db的各种用法,并结合具体案例进行演示和说明,具有很好的参考价值,希望对大家有所帮助,如有... 目录MyBATis-Plus中静态工具Db的多种用法及实例案例背景使用静态工具Db进行数据库操作插入

Go使用pprof进行CPU,内存和阻塞情况分析

《Go使用pprof进行CPU,内存和阻塞情况分析》Go语言提供了强大的pprof工具,用于分析CPU、内存、Goroutine阻塞等性能问题,帮助开发者优化程序,提高运行效率,下面我们就来深入了解下... 目录1. pprof 介绍2. 快速上手:启用 pprof3. CPU Profiling:分析 C

MySQL表锁、页面锁和行锁的作用及其优缺点对比分析

《MySQL表锁、页面锁和行锁的作用及其优缺点对比分析》MySQL中的表锁、页面锁和行锁各有特点,适用于不同的场景,表锁锁定整个表,适用于批量操作和MyISAM存储引擎,页面锁锁定数据页,适用于旧版本... 目录1. 表锁(Table Lock)2. 页面锁(Page Lock)3. 行锁(Row Lock