基于Boosting算法的某移動通信公司客戶離網(wǎng)分析與預測.pdf

1、資源對于很多企業(yè)來說是非常有限的，如何合理利用有限的資源是企業(yè)發(fā)展過程中必須要考慮的問題之一，移動通信行業(yè)由于其行業(yè)的特殊性，問題尤其顯得突出。目前許多運營商仍然將大量的精力及資源投入到發(fā)展新客戶中去，而對于公司現(xiàn)有的客戶卻沒有相應(yīng)有效的維護機制，導致了發(fā)展一批客戶的同時，卻失去了更多地用戶，形成了所謂的“旋轉(zhuǎn)門效應(yīng)”，這種情況不僅使得運營商未從中獲益，而且造成了運營商內(nèi)部的資源浪費。 為了對移動通信行業(yè)客戶流失問題進行研究分析

2、，本文選擇某移動通信公司作為研究對象。通過對該公司內(nèi)部情況的了解以及對問題的深入分析，最終總結(jié)出問題的關(guān)鍵在于該公司的客戶數(shù)據(jù)量龐大，客戶行為存在許多不確定性，很難對其進行有效維護，而且操作過程耗費資源量大，則需要引入可以對所有在網(wǎng)客戶將來行為進行預測的機制?；谝陨峡紤]，本文總結(jié)了該公司客戶流失產(chǎn)生的六條基本原因，并采用了逐步篩選的方法，分別從身份證信息是否完整、數(shù)據(jù)時間的界定等方面對該公司提供的客戶基本信息及消費信息等數(shù)據(jù)進行了相應(yīng)

3、的數(shù)據(jù)處理，進而概括出15個可能影響客戶流失的變量，然后利用了直方圖檢驗和卡方檢驗對變量的預測能力做出了相應(yīng)的檢驗，最終確定了其中的13個變量組成了模型的變量集合。通過Matlab編程建立起相應(yīng)的Boosting算法模型，并利用該模型對公司的歷史數(shù)據(jù)進行學習，同時對測試數(shù)據(jù)集中的999條數(shù)據(jù)(其中離網(wǎng)數(shù)據(jù)504條，未離網(wǎng)數(shù)據(jù)495條)進行預測，得到509條離網(wǎng)數(shù)據(jù)和490條未離網(wǎng)數(shù)據(jù)，進而計算相應(yīng)的指標得到模型的準確率為93.69％，覆