预测用户流失模型的3大方式如何预测用户流失模型？ _用户流失模型

本文作者通过详细的例子阐述了如何评价客户流失预测模型的效果，以及客户流失预测模型的目的：有效挽留和关怀客户。

文章插图
一、一个重要指标：提升度用来评估客户流失预测模型预测效果好坏的一个重要指标，就是提升度。
所谓提升度，简单来说，使用模型预测客户流失比不使用模型要好多少。
如图，将客户按流失概率由大到小排名，图中的点（10% ， 50%）表示流失排名前10%的客户包含了实际流失客户的50% 。
换句话说，如果企业有300万的客户，平均流失率为1% ，如果对前10%的客户进行捕获，实际上能够捕获到真实流失的客户15000人（即300万×1%×50%）。
图中蓝线表示在没有预测模型指导的情况下随机抽取客户的结果。
这条线其实很好理解，如果抽取10%的客户，则能够捕获到300万×10%×1%个流失客户，占到总实际流失客户的300万×10%×1%÷（300万×1%）=10% ，所以这条线实际上是一条斜率为45度的直线。
图中红线表示客户流失预测模型预测下的结果。
如线上的点（10% ， 50%）表示流失排名前10%的客户包含了实际流失客户的50% 。所以，对于流失排名前10%的客户，使用模型预测的效果是没有使用模型预测的5倍！这就是所谓的提升度。
上图的红线就是传说中的ROC曲线，全称Receiver Operating Characteristic Curve ，中文名叫接收者操作特性曲线。
蓝线就是基准线。一般来说， ROC曲线与偏离基准线，越向左上方靠拢，模型的预测效果就越好。
提升度对于评判模型预测性能好坏固然很重要。但是，人们往往只关注有由提升度所给出的模型预测效果，却忽视（或者没有去评估）客户流失预测模型所表现出来的“应用效果” 。
二、关注“应用效果”人们一般比较关心：有了这样一个流失预测模型，或者说在这个模型的指导下对高流失可能客户开展挽留关怀活动，下个月的客户流失率会不会显著地降低呢？
这样的看法是不正确的，因为客户流失预测模型只是揭示了“什么样的客户更可能会流失”这样一个客观规律。
实际情况是，在使用客户流失预测模型之后，客户流失率往往得不到大幅度的降低。下面通过一个证券行业的例子来说明。
假设某个券商A ，当前有300万的客户，月平均流失率为1% 。
为了更好地建立预测模型，在开发模型的过程，仅对有效客户进行建模，也就是说，在建模之前，需要通过设定一定的条件来剔除非有效客户，如机构客户、资产极大或极小客户、无交易行为客户，等等。
这样，有效客户数120万，月平均流失1.8万，流失率为1.5% 。最后，券商A针对有效客户开发了客户流失预测模型，其效果可以用上面的图示来表示，即如果选取最具流失倾向的前10%客户作为目标活动客户，可以包括所有实际流失客户的50% 。
由于券商A的各方面资源紧缺，客服人员人数有限。所以券商A决定根据流失预测模型的高流失倾向的客户名单，对有效客户开展一对一的针对性挽留关怀活动，而对非有效客户，则希望通过普通的营销政策进行挽留。
券商A按照流失预测模型给出的流失倾向评分从高到低，依次选择这次活动的目标客户，即从120万的有效客户中选取了前5%的高流失倾向客户作为目标客户，即6万。
接下来，客服人员将在“挽留月”对这6万客户进行一对一的挽留关怀工作。券商A希望能在月末的流失率统计中有一个令人满意的结果。
这6万客户中真实流失的客户有120×5%×1.5%×5=0.45万个，若能全部挽留住这0.45万个客户自然是好，但在实际挽留关怀工作中，却是很难做到。
我们需要注意客户流失预测模型在实际应用中会引起耗散的几个地方：