文档介绍：客户流失预警方法
客户流失
1客户流失的定义
　　由于企业各种营销手段的实施而导致客户和企业中止合作的现象就是客户流失。
2客户为什么会流失
客户流失主要是基于以下原因：
〔1〕产品质量与价格
产品的质量与据分析手段。它利用的数据建立数学模型，找出隐含的业务规那么。在客户流失预警分析中，主要方式是根据以前拥有的客户数据，建立客户属性、效劳属性和客户消费数据与客户流失可能性关联的数学模型，找出客户属性、效劳属性和客户消费数据与客户流失的最终状态的关系，并给出明确的数学公式。
流失客户的预警从本质上来说是一种数据分类过程, 常用的数据分类的方法主要有Logistic 回归、决策树、神经网络等,这些方法在银行、保险、社保等领域得到了广泛应用。
流失预警的目标是通过特定算法分析出哪些客户具有较大的流失概率，从而对这些客户进行有目的、有区别的挽留工作，尽量减少客户流失带来的损失。通过流失模型，提高对高价值客户挽留的成功率，降低客户流失率，降低挽留效劳的本钱，做到有的放矢，减少由于客户流失带来的收入损失。
客户流失预警
流失预警模型构建的第一步是采用数据挖掘中的决策树、神经网络等分析技术，通过对数据的探索和分析归纳出具有高度流失倾向的用户普遍特征。然后从现有用户中找出具有类似特征的用户群，通过大量的比照分析，最终利用用户的历史行为数据将不同用户归入不同的群组，并对不同用户群的流失倾向给予评分，形成对客户流失可能性的预测。
客户流失预警
图1反映的就是数据挖掘模型的核心局部——分类与预测的一个简单例子〔以移动通讯行业为例〕。算法的输入是一局部样本数据〔即训练数据〕，通过分类算法，按我们需要的目标属性，对这些样本数据进行屡次分类，直到找到可以将目标属性全部筛选出来的标准。最后在其它样本数据上应用这些标准，预测可能同样具有目标属性的数据。
客户流失预警
客户流失预警
在客户流失预警模型中，通常采用决策树算法获取分类标准。图2简单地说明了流失预警模型的工作原理。假定训练数据中有100万个客户的信息，其中有5万已经流失。通过多个变量，逐层将这100万个客户分组，即把他们归入图中决策树不同的叶子中。通过屡次分类，最终发现不同方格里的分组用户的流失倾向也不同。如绿色方块所示，同时满足A1、B1、…、%，远远大于样本的平均流失率5%。这样，通过构建流失预警模型，就非常准确地发现了具有高流失倾向的用户群。如果将其他用户的行为数据作为模型的输入，对这群用户的流失倾向进行评分，就可以发现具有较高流失可能的用户群体。这意味着如果对这一类客户进行挽留的话，将大大提高挽留工作的针对性，以尽可能少的资源投入换取尽可能大的挽留成果。
客户流失预警
客户流失预警及挽留流程
客户流失解决方案可以划分为四局部：发现挽留时机→制订挽留策略→实施挽留行动、收集客户反响→评估挽留效果并调整策略。
〔1〕发现挽留时机
最根本的做法是建立客户流失预测模型〔用决策树方法〕，然后对在网客户进行流失倾向的评分，按倾向上下判别。但此处最好结合对全体客户的分群来识别出真正的挽留时机，并非流失倾向越高就越值得挽留。比方可以按照客户价值进行分群，优先考虑对中高价值客户的挽留；同时根据客户行为分群，判别出哪些客户可能已经用了竞争对手的效劳，或者属于欺诈类型的客户，对这批客户的挽留可能是没有成效的，不应视为挽留时机。
客户流失预警及挽留流程
〔2〕制订挽留策略
经过第一个步骤，我们已经从预测名单中圈定了值得挽留的客户。但是一般来说，这批客户依然数目较大，难以逐个分析而决定采取何种挽留策略。可以对圈定的客户进行进一步分群，将他们划分为几种类型，当然此时最好在分群模型中放入行为等属性，然后逐群制订有针对性的挽留策略。比方有的群组是属于夜间通话多〔和总体的均值相比〕的客户，那么针对他们的挽留策略可能是推荐一些夜间通话优惠的资费方案。
客户流失预警及挽留流程
〔3〕实施挽留行动、收集客户反响

这里最好有类似操作型CRM的系统来支撑。将上述两步骤给出的挽留时机和挽留策略分配给相应的实施人员，由他们实施，并收集客户反响。在挽留阶段，最正确实践步骤是：
◆下载预警高危客户名单；
◆预警高危客户分类分析；
◆针对不同高危细分人群设计适宜的政策；
◆大客户经理对高危名单进行分析并判断是否回访；
◆开展回访并对过程进行详细记录；
◆分析比照及经验总结。
客户流失预警及挽留流程
〔4〕评估挽留效果

在客户流失预测专题分析的试运行阶段，由于模型预测的效果、挽留时机的