資料分析 Customer Churn Models (1)

教學目標

初步了解如何透過 Microsoft Azure Machine Learning 雲端服務進行客戶流失分析的評估實驗和部署應用。

重點概念

首先企業中經常會需要管理客戶流失的有效策略,因為吸引新客戶的成本高於留住現有客戶的成本,電信、零售和金融產業皆使用客戶流失模型開發更好的產品、服務和體驗,以利帶來更高的客戶留存率。然而我們要如何建立客戶流失模型呢?此時我們若透過 Microsoft Azure Machine Learning 雲端服務就能夠在最短時間內以最有效率的方式評估模型的成效。

接著流失模型能夠讓企業預測哪些客戶最有可能流失,並且理解導致流失可能的原因,其中以分類演算法比較常被使用,同時在 Microsoft Azure Machine Learning 中提供各式各樣的分類演算法,包括決策森林、邏輯回歸、類神經網路、… 等。然而在建立流失模型之前,我們必須了解應用於訓練和測試流失模型的資料集,主要有五大事項,分別為:

  1. 了解每個資料集中有哪些基本資訊。
  2. 了解是否需要透過資料集產生更有意義的衍生資訊。
  3. 了解資料集中的資料如何進行分佈。
  4. 了解資料集中每個欄位類型是數值型還是類別型。
  5. 了解資料集中每個欄位的遺失值數。

再來傳統解決方主要是預測流失傾向較高的客戶,透過行銷活動和特別待遇滿足他們的需求,不同產業和不同消費群眾之間會有不同作法,但是共同點皆是必須將額外客戶維繫工作量到降至最低,因此常見作法為以流失機率來評分每位客戶,然後針對對於公司最有利潤的前幾名客戶進行處理,此時考量不僅是處理客戶流失的整體策略,而是需要考慮相關的風險容忍度、決度程度、合理成本、客戶區隔、…等因素,解決客戶流失問題時常用的問題解決模型,主要有:

  1. 建立風險模型,需要考量採用方案將會如何影響客戶流失機率和風險。
  2. 建立決策模型,需要考量決策程度將會如何影響客戶流失機率和客戶終身價值。
  3. 建立區隔模型,需要考量不同客戶區隔提供最佳的行銷活動方案。

此外風險、決策和區隔模型是個循環能夠適用於解決許多商業問題,客戶流失分析只是其中一種明顯的案例,因為此案例能夠指出複雜商業問題的所有特徵,同時這種問題無法以簡單的預測方案來解決。

最後當我們了解應用於訓練和測試流失模型的資料集和解決客戶流失問題時常用的問題解決模型,我們就能夠開始透過 Microsoft Azure Machine Learning Studio 雲端服務建立客戶流失分析的相關模型,主要有五個步驟,分別為:

  1. 準備和了解資料。
  2. 前置處理資料和特徵選擇。
  3. 建立應用於預測客戶流失分析相關的模型。
  4. 評估不同模型的成效。
  5. 部署模型至正式環境。

總結我們可以透過 Microsoft Azure Machine Learning 雲端服務建立客戶流失分析的相關模型,以利進行客戶流失分析的評估實驗和部署應用,至於在企業最常使用 SAS Enterprise Miner 工具建立分析模型,然而在「使用 Azure Machine Learning 分析客戶流失」這篇官方文章中則比較使用 Machine Learning Studio 建立模型和使用 SAS Enterprise Miner 12.1 桌上型版本建立模型,比較結果為雖然 Machine Learning Studio 比 SAS Enterprise Miner 12.1 桌上型版本建立模型快 15% ~ 25%,但是正確性大致相等,僅供參考,此外針對大數據進行客戶流失分析時建議採用雲端服務的解決方案。

相關資源