怎样建立用户流失模型？（建立用户流失模型的3大方式）

客户挽留在很多行业都是样建一个备受关注的问题，比如电信、立用立用(yong)银行(xing)、户流户流(liu)保险、失模失模式零售等。型(xing)建型要做客(ke)户挽留就需要(yao)对客户流失进行预警、大方客户流失原因分析、样建客户满意度或(huo)忠诚度研究、立用立用客户生命周期研究等相关问题进行深入而全(quan)面的户流户流分析。

例如，失模失模式对客户的型建型行(xing)为特征进行(xing)分析，可以了解有多少客(ke)户流失，大方客户是样建什么时候流失的，以及客户是立用立用如何流失的等问题，从而监控客户流失、户流户流实现客户关怀。

应用(yong)数据挖掘技术可以根据过去(qu)拥有的客户流失数据(ju)建立客户属性、服务属性和客户消费数据与客户流(liu)失可能性关联的数学模型，找出客户属性、服务(wu)属性和客(ke)户消费数据与流失的关系，给出明确的数学公式或规则，从(cong)而计算出客户流(liu)失的可能性。

电信行业较早地提出了客户关系(xi)管理、关系营销等营销管理模式，学界和企业界的积(ji)极参与也(ye)推动了客户流失行为的相关研究。

一、怎样(yang)才算流失？

根据调查，企业平均5年就会失去一半的客户，而失去一个客户带来的巨大损失，可能(neng)需要拉进来10个新客户才可以弥补。所以，客户流失问题必(bi)须重(zhong)视起来。

客户流失问题一般是客户服务中(zhong)心或(huo)产品运营部门提出来的。他(ta)们的主要工作是，采取有效的运营策略或营销活动，吸新客（让更多人(ren)成为客户），保活跃（让客户经常过来买），防流失（让客户继续过(guo)来买）。

作为数据分析师，在做流失分析前，需要和这些部门从业务层面进行详细地沟通。沟通主要包括以下方面：

（2）流失的原因有(you)哪些？

（3）流失前有什(shen)么表现？

（4）流失客(ke)户中有哪些值得挽回(hui)？

二(er)、为什么会流失？

客户为什么不再过来使用我们的产品或服务了呢？这肯定是有原因的。只不过有(you)些原因可以从数据中知道，有些原因不得而知。关于客户流(liu)失的原因有以下(xia)几方面：

（1）自身原因，例如，客户离开本地了。

（2）价格问题，例如，客户感觉东西太贵了。

（3）信号不好，客户经常投诉。

（4）服务人员态度差，或不够热情，引发客户不满。

（5）竞争对手，例如，竞争对手推出(chu)更(geng)优惠的套餐，很多客户都被吸引过去。

（7）品牌形象下降，例如，经常曝出的经营问题，负面新闻多，客户往往选择离开。

（8）其它原因。

我们知道了流失问题的分析目标，也知道了可能的流(liu)失原因，自然有人会问，我们能不能提前知道哪些(xie)客户会流失，这样的话就可以采取措施挽回了。

客户流失预测模型就是为了解决这个问题(ti)，是利用算法预测客户流失的概率，概率越大，就越有(you)可能流失。

那么流失预测如何建立？建立主要流程如下：

（1）确定客户流失模型的(de)目标

预测可能流失的(de)客户名单。经过对市(shi)场的分析，我们发现移动电话流失率比较大，而宽带等数据业(ye)务(wu)还处于增长期，流失率比较小。因(yin)此，我们把预测的产品范围限定在(zai)移动(dong)电话上(shang)。

（2）获取(qu)用于建模的数据

建模的数据可以从各个营运系统中提取。可以(yi)从BOSS系统提取客户数据、服务数据、产品数据、套餐数据(ju)、业务数据：从计费账务系统(tong)提取市话计费数据、长途计费数(shu)据、智能网计费数(shu)据(ju)、省数据(ju)业务计费数据；从(cong)CMMS系统提取渠道数据；从资(zi)源系统提取地址数据、资源数据；从交换系统提取通话数(shu)据等等(deng)。

（3）对数据进行清洗，转换成建模数据集

训练模型前，还要做缺失值填补、极值处理、数据转换、数据标准化等预处理。

（4）建立模型

一般来说，从(cong)建模宽表中随机抽取70%的数据作为训练集，用于训练模型的(de)参数；其余的(de)30%作为测试集(ji)，用于检验模型的性能。这么做，主要是为了防止模型过拟合。

其中，Logistic回归用得最多，原因是结果简单明了，容易理解，但不好的地方是，结果是线(xian)性(xing)的，但很(hen)多现实规律都(dou)是非线性的，用线性公式刻画可能会(hui)还不够。

（5）模型评估

模型出(chu)来了，但模型的效果怎么样还不知道，需要评估。评估最常用命中率、提升率、覆盖率三个指标。

命中率=实(shi)际流失人数/每(mei)个箱的人数

即实际流失率，表示对选取一定数量的客(ke)户假设不进行任何挽留时实际流失人数占总数的比例，体(ti)现了模型判断的正确性；

提升率=实际流失率/总体平(ping)均流(liu)失率

即使用(yong)模型捕获的流失人数与不使用模型捕获的流失人数的比例，体现了对(dui)所选取的客户使用模型进行挽留与不使(shi)用模型进行挽留的提升效果；

覆盖率=实际流失人(ren)数(shu)/总体实际流失人数

表示在进行挽留时，能“召回”的流失客户占全部流失的比例。

（6）模型预测结果用于支持决策

客(ke)户流失率预测模型建立后(hou)，我们就及时预测某个客户流失的(de)可能性大小。当其流失可能性高于某一分(fen)值，我们就认为他是将可能流(liu)失的客户，就可以及时的推出针对性的营销套餐来留下该客户。（以上(shang)内容来源：小蚊子数据(ju)分(fen)析）

【头条号-新社汇and微会动袁帅】运营者：袁帅，会展业信息化、数(shu)字化领域专家，PMP项目管理师，网络营销，搜索引擎营销运营出身，数据分析师，中(zhong)国(guo)电子商务职业经理人，CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师 。现任北京新(xin)荟友科技有限公司联合创始人、执行董事，新社汇平台联合创始人、微会动平台创始人兼首席(xi)营销顾问，静花缘精(jing)品系列民宿互联网线上运营，北京宏宇互动科技有(you)限公司事业合伙人，TAS区块链溯源项目营销合伙人。O2O2O活动场景双线闭环数字化运营综合服务解(jie)决方案与活动场景数字信息化运营综合解决执行方案提出者，微会动服务共同体发起人。