下载文档原格式
电信行业运营商客户流失率的预测模型构建一、引言在现代商业社会中，客户流失率已经成为一个重要的指标。
尤其是在电信行业，客户流失率是一个关键的指标，因为电信行业是一个高度竞争的市场，运营商需要在激烈的竞争中保持客户。
客户流失不仅导致收入的下降，也会影响企业形象和声誉。
因此，运营商必须采取措施有效地降低客户流失率。
然而，准确预测客户流失率是一项复杂的任务。
这需要收集大量的数据，并利用各种算法和技术来分析和预测客户流失率。
本文将介绍电信行业运营商客户流失率的预测模型构建。
二、文献综述客户流失率预测是近年来客户关系管理领域的热点研究。
为了预测客户流失率，研究人员使用了许多不同的技术和算法。
例如，著名的卡方自动交叉验证决策树算法可以帮助研究人员识别客户流失的关键因素。
此外，人工神经网络、逻辑回归、支持向量机等算法也被应用于客户流失率预测。
许多研究表明，客户满意度是客户流失的关键因素。
因此，研究人员通常将客户满意度作为模型构建的重要变量之一。
其他常用的变量包括客户年龄、性别、收入、地区、与运营商的历史交易等。
三、数据收集与预处理为了构建客户流失率预测模型，我们需要收集大量的数据。
数据收集可以通过问卷调查、电话访问、邮件征求以及网站数据分析等方式进行。
此外，我们还可以利用第三方数据分析工具，如Google Analytics，来收集和分析有关客户流失的数据。
在数据预处理阶段，我们需要清洗和转换数据，以使其适合用于分析。
这包括删除无效数据、填补缺失值以及将数据转换为数值形式等。
四、模型构建在模型构建阶段，我们需要选择和应用适当的算法和技术来分析和预测客户流失率。
以下是一些常用的算法：1. 逻辑回归逻辑回归是一种常见的分类算法，它可以预测二元变量的结果。
在客户流失率预测中，我们可以将客户流失定义为一个二元变量（0或1），并将逻辑回归算法应用于预测客户是否会流失。
逻辑回归模型的输入包括客户年龄、性别、收入、地区、与运营商的历史交易以及客户满意度等变量。
利用数据分析提高电信运营商的客户满意度随着信息时代的到来，电信运营商面临着越来越激烈的竞争。
在这个竞争激烈的市场中，提高客户满意度成为了电信运营商们争夺市场份额的关键。
而利用数据分析来提高客户满意度成为了电信运营商们的一项重要策略。
首先，数据分析可以帮助电信运营商了解客户需求。
通过分析客户的通信行为、消费习惯以及投诉反馈，电信运营商可以更好地了解客户的需求和偏好。
比如，通过分析客户的通话时长、短信数量以及上网流量，可以得出客户的通信需求和使用习惯。
通过分析客户的消费习惯，可以了解客户对不同产品和服务的需求。
通过分析客户的投诉反馈，可以了解客户对服务质量的满意度和不满意度。
这些数据分析结果可以帮助电信运营商更准确地制定营销策略和改进服务，从而提高客户满意度。
其次，数据分析可以帮助电信运营商预测客户流失。
客户流失是电信运营商面临的一个重要问题，因为客户流失不仅意味着失去了一位客户，还意味着失去了未来的潜在客户。
通过分析客户的通信行为和消费习惯，电信运营商可以预测客户是否有流失的倾向。
比如，如果一个客户的通话时长和短信数量突然下降，那么可能意味着客户对服务不满意，有流失的风险。
通过及时发现这些信号，并采取相应的措施，如提供更好的服务、给予优惠等，可以有效地减少客户流失，提高客户满意度。
此外，数据分析还可以帮助电信运营商个性化推荐产品和服务。
通过分析客户的消费习惯和偏好，电信运营商可以为客户提供个性化的产品和服务推荐。
比如，如果一个客户经常上网流量超出套餐限制，那么可以向该客户推荐更适合他的上网流量套餐。
如果一个客户经常打国际长途电话，那么可以向该客户推荐更优惠的国际长途套餐。
通过个性化推荐，可以提高客户的满意度和忠诚度，从而增加客户的消费。
最后，数据分析还可以帮助电信运营商改进服务质量。
通过分析客户的投诉反馈和服务评价，电信运营商可以了解客户对服务质量的满意度和不满意度。
通过分析投诉的原因和频率，可以找出服务质量存在的问题和瓶颈。
客户流失率数据分析报告随着市场竞争日益激烈，客户的忠诚度对企业的长期发展至关重要。
因此，对客户流失率进行数据分析是企业战略决策的重要一环。
本报告将对某企业的客户流失率数据进行详细分析，以帮助企业更好地理解并应对客户流失问题。
1. 背景介绍本文所分析的企业是一家电信运营商，该企业在过去一年中面临着客户流失率上升的挑战。
为了找到流失原因并提出解决方案，我们对该企业的客户流失数据进行了深入的分析。
2. 数据收集与整理为了进行客户流失率的数据分析，我们从企业的数据库中提取了过去一年的客户流失数据。
我们对每个月的客户流失情况进行了记录，并进一步整理和分析数据，以便更好地了解客户流失率的变化。
3. 客户流失率趋势分析首先，我们对客户流失率的整体趋势进行了分析。
通过绘制折线图，我们可以清晰地观察到客户流失率的变化趋势。
从图表中可以看出，客户流失率在前三个月保持相对稳定，在第四个月开始迅速上升，并在第七个月达到顶峰。
之后，在最后两个月，客户流失率开始下降。
4. 客户流失原因分析接下来，我们对客户流失率上升的原因进行了深入的分析。
通过与其他指标数据的对比，我们发现以下几个可能的原因导致客户流失率上升：4.1 服务质量下降：在第四个月，该企业的客户满意度调查数据显示，服务质量出现了明显下降。
客户投诉数量上升，这可能导致客户流失的主要原因之一。
4.2 竞争对手优惠政策：调研数据表明，市场上竞争对手推出了一系列具有吸引力的优惠政策，吸引了部分原本是该企业的客户。
这一现象在第五个月明显增加，可能是客户流失率上升的原因之一。
4.3 产品服务陈旧：市场调研发现，该企业的部分产品和服务已经过时，无法满足客户的新需求。
这可能导致客户流失率的上升。
5. 解决方案与改进建议基于以上的数据分析结果，我们提出以下解决方案和改进建议，以降低客户流失率并保持客户的忠诚度：5.1 提升服务质量：企业应加强内部流程管理，提升员工服务意识和服务质量，积极回应客户的投诉和需求，从而提高客户满意度。
某电信运营商用户流失原因分析报告一、背景介绍随着电信行业的发展，用户流失已经成为运营商面临的重要问题之一。
本报告旨在分析某电信运营商用户流失的原因，以便运营商能够找到相应的解决方案，提高用户留存率。
二、市场调研分析通过市场调研发现，用户流失的主要原因可以归纳为以下几个方面：1. 服务质量问题：用户对网络的不满意度和通话质量的不稳定性是导致流失的最主要原因之一。
时常出现的网络拥堵、信号弱等问题，使得用户无法正常使用通信服务，因而对运营商产生了失望。
2. 价格与套餐不匹配：运营商过多的套餐选择和复杂的计费方式，使得用户很难理清楚自己的使用需求与套餐的匹配度。
过高的价格和缺乏灵活的套餐调整方式，导致用户流失。
3. 无差异化竞争：电信市场竞争激烈，各大运营商在产品和服务上缺乏差异化，导致用户在面临选取运营商时没有明显的优势可言。
4. 用户体验不佳：运营商在客服服务上的不尽如人意也是用户流失的原因之一。
缺乏高效的客户服务和缺乏个性化的推送，使用户感受不到被关注和重视。
三、解决方案1. 优化网络质量：通过加大对网络建设和维护的投入，提升通信质量，加强网络容量管理，减少拥堵现象的发生。
同时，加强与地方政府的合作，改善网络覆盖不足的问题。
2. 简化套餐体系：根据用户群体的需求，精简套餐类型，并提供灵活的套餐调整渠道，使用户能根据实际情况随时调整自己的套餐，满足不同消费者的需求。
3. 创新产品和服务：运营商应该通过研发创新产品和服务，为用户提供差异化体验。
例如，推出具有竞争力的套餐组合，提供一对一的客户服务等，以此提高用户留存率。
4. 强化客户服务体系：加大对客户服务团队的培训和管理力度，提高客户服务人员的专业素质，加强用户与运营商之间的沟通和互动。
此外，推出智能客服系统，提供24小时在线服务，提高用户体验。
四、实施建议1. 建立用户满意度调查机制，定期了解用户对服务的满意度和不满意度，及时解决用户反馈的问题。
2. 加大对网络建设和维护方面的投入，提高通信质量，降低网络拥堵问题的发生。
电信行业用户流失原因分析报告一、引言随着信息时代的快速发展，电信行业成为现代社会中不可或缺的一部分。
然而，电信运营商面临着一个严峻的问题——用户流失。
在这份报告中，我们将对电信行业用户流失的原因进行深入分析，以期为电信运营商提供有针对性的解决方案。
二、市场竞争激烈当前，电信市场竞争异常激烈。
各大电信运营商为了争夺用户市场份额，不断推出各种降价优惠活动。
这种竞争导致用户不再忠诚于某一家电信运营商，而是更容易受到其他运营商的诱惑，选择更为优惠的套餐计划。
与此同时，用户在电信运营商之间的频繁切换也导致了用户流失。
三、服务质量不达标大部分用户在选择电信运营商时，会将服务质量视为决策的重要因素之一。
然而，当前电信行业中存在一些问题，如通话质量差、网络不稳定、客服难以沟通等。
这些问题导致用户对电信运营商的满意度降低，从而加速了用户流失的发生。
四、价格不透明电信运营商的定价策略晦涩难懂，价格不透明也是导致用户流失的重要原因之一。
许多用户在选择套餐时常常陷入被动，因为他们无法确切了解套餐中所包含的服务项目、费用明细等。
这种不透明的价格策略导致用户在使用过程中产生疑虑，最终选择放弃使用或者寻找其他更透明的选项。
五、缺乏个性化服务随着用户需求多样化，提供个性化服务已成为电信行业的关键。
然而，当前大部分电信运营商仍然采用一刀切的服务模式，未能满足用户个性化需求。
缺乏个性化服务导致用户体验不佳，影响了用户的忠诚度，进而加速了用户流失。
六、营销手段不足传统的电信运营商在市场营销方面存在巨大的缺陷。
这些公司通常依赖大规模广告宣传，而忽视了与用户的有效沟通。
在如今信息爆炸的时代，用户对广告的接收能力有限，广告信息并不一定能够真正传递给用户。
这导致了电信运营商无法有效留住用户，也是流失的重要原因之一。
七、缺乏优质内容在移动互联网时代，用户需要的不仅仅是通话和上网功能，而是更多的娱乐和社交服务。
然而，许多电信运营商在提供优质内容方面存在不足。
电信运营商的用户流失预测与管理策略引言：随着互联网的飞速发展，电信运营商面临着越来越激烈的竞争，用户的忠诚度和流失问题成为了运营商必须关注的焦点。
预测用户流失并采取相应的管理策略，是电信运营商提升用户保留率和竞争力的重要手段。
一、用户流失预测的意义用户流失预测是通过数据分析和挖掘用户行为模式，帮助电信运营商提前发现可能流失的用户，并采取措施挽留。
预测用户流失具有以下重要意义：1. 提前发现潜在问题：通过用户流失预测，电信运营商可以识别到可能导致用户流失的关键因素，如服务质量、价格、竞争对手的广告宣传等。
于是，运营商可以积极改善服务质量、调整价格策略、推出更具吸引力的优惠活动，解决潜在问题，挽留用户。
2. 节约营销成本：用户的留存与流失直接关系到营销成本。
通过有效的用户流失预测，电信运营商可以有针对性地开展精准营销活动，将资源投放在真正有流失风险的用户身上，避免资源的浪费，并提高市场反应率和投资回报率。
3. 保持竞争优势：如今电信市场竞争异常激烈，运营商之间为了吸引用户纷纷推出了大量的优惠活动。
通过用户流失预测，运营商可以了解用户对各种优惠活动的反馈，从而制定更有针对性的优惠策略，提升用户的满意度和忠诚度，保持竞争优势。
二、用户流失预测的方法用户流失预测可以通过多种数据挖掘算法和统计模型来实现，以下列举了常用的方法：1. RFM模型：RFM模型是根据用户的最近一次购买时间(R)、购买频率(F)和购买金额(M)来评估用户价值的模型。
通过RFM模型，可以根据用户购买行为的变化预测用户流失。
2. 决策树算法：决策树是一种常用的分类算法，可以根据已知的特征和标签来预测新的样本分类。
在用户流失预测中，决策树可以用来分析用户行为特征、服务质量等因素，并预测用户是否会流失。
3. 随机森林算法：随机森林是基于决策树的集成算法，通过多个决策树的集成来提高分类的准确性。
在用户流失预测中，可以使用随机森林算法来挖掘用户行为模式、消费习惯等特征，并根据这些特征预测用户的流失概率。
客户流失情况汇报
尊敬的领导：
根据最近的数据统计和分析，我们公司在过去几个月内客户流失情况呈现出一
定的趋势，特此向您汇报。
首先，我们发现客户流失率在过去六个月内有所上升。
通过对流失客户的调查
和分析，我们发现主要的流失原因包括服务质量不稳定、竞争对手的价格优势、以及客户需求变化等。
这些因素导致了部分客户选择了离开我们的服务，这对公司的业务发展带来了一定的影响。
其次，我们注意到在一些特定的客户群体中，流失率更加突出。
例如，在高端
客户群体中，流失率较高，这可能与他们对服务质量和个性化需求的要求更高有关。
另外，在新客户中，流失率也有所上升，这需要我们更加重视对新客户的服务和维护工作。
针对以上情况，我们已经采取了一些措施来降低客户流失率。
首先，我们加强
了对服务质量的监控和改进，确保每一位客户都能够得到稳定和优质的服务。
其次，我们对不同客户群体进行了细分，针对不同群体的特点和需求，制定了个性化的服务方案。
另外，我们也加强了对竞争对手的市场调研，以及对客户需求变化的监测，以便及时调整我们的服务和产品。
在未来，我们将继续加强对客户流失情况的监测和分析，及时发现问题并采取
措施。
我们也将进一步提升服务质量，加强对客户的维护和沟通，以及不断创新和改进我们的产品和服务，以期降低客户流失率，保持公司业务的稳健发展。
谨此汇报，如有任何问题或建议，欢迎随时与我们联系。
感谢您对我们工作的
支持和关注。
此致。
敬礼。
（您的姓名）。
电信客户流失影响因素与预测分析一、引言目前电信运营商面临着激烈的市场竞争。
对电信运营商来说，客户即生命，如何保持现有客户是企业客户管理的重中之重。
因此，电信运营商拥有的客户越多，作为主要成本的前期投资就会越大，企业的利润也就越大。
客户资源对于电信运营商来说其意义不言而喻，电信运营商之间的竞争实际上就是对客户资源的竞争。
可以说，未来的电信行业，得客户者得天下。
当今电信市场竞争激烈,运营商每月客户流失率在1%～3%,挽留将要流失客户,降低客户流失率是近年来热门的研究领域。
而数据挖掘技术是解决这一问题的有效途径,本文使用IBM Spss Clementine（IBN SPSS Modeler）进行数据挖掘与分析，深入了解电信客户流失的关键，以对该类客户的行为特性进行预警分析，采取针对性的措施改善客户关系，避免客户流失或者挽留客户。
二、问题分析根据已有的结果——流失客户（在数据中直接有判别数据有没有流失的字段churn），寻找他们流失的原因，即流失客户的特征。
通过数据处理，统合数据，根据以前拥有的客户流失数据建立基本属性、服务属性和客户消费数据与客户流失可能性的数据模型，找出其潜在的关系，分析出客户流失的因素，计算出客户流失的可能性，预测客户是否流失的可能性。
对于客户的基本数据、客户行为数据及消费数据，进行数据挖掘，研究已流失客户数据，从中找出先前未知的、对企业决策有潜在价值的知识和规则，发掘潜在流失客户，让企业适时把握住市场及客户动态，掌握客户流失的规律。
三、算法简介3.1分类分析分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构建模型，一般用规则或决策树模式表示。
分类是数据挖掘的主要方法，分类模型能很好地拟合训练样本集中属性集与类别之间的关系，也可以预测一个新样本属于哪一类。
分类技术已经在很多领域得到成功应用，如医疗诊断，客户流失预测，信用度分析，客户分群和诈骗侦测。
东华大学研究生课程论文封面教师填写：本人郑重声明：我恪守学术道德，崇尚严谨学风。
所呈交的课程论文，是本人独立进行研究工作所取得的成果。
除文中已明确注明和引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。
论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。
论文作者签名：注：本表格作为课程论文的首页递交，请用水笔或钢笔填写。
目录1 引言 (1)2 数据理解 (1)3 数据准备 (4)4 预测模型的建立 (5)5 模型评估及客户特征分析 (6)6 客户忠诚度的分析 (8)7 结论 (12)电信企业客户流失及忠诚度分析王丹丹（东华大学，管理科学与工程，2150863）摘要：近年来国内电信业的分割、电信体制的激烈变革,竞争的急速加剧使得各电信企业在开拓市场、发展客户的同时，同样注重对老客户的挽留，预测客户流失因素,如何保持现有的客户吸引更多的潜在客户,是电信企业面临的重要问题本文主要在已知数据的基础上利用数据挖掘中的决策树、神经网络以及Logistic 回归算法具体在电信业客户流失分析中的应用。
关键词：客户流失、决策树、神经网络、客户忠诚度1 引言2001年开始，中国电信行业就开始规划和实现经营分析系统，初衷就是建立数据仓库及基于数据仓库之上的数据分析和应用，其中主要包含两个主题——流失分析和交叉销售，而之前的相关杂志也发表了很多技术文章，但当时整个电信行业主要以中国移动为主，竞争压力并不大，业务人员更关注的是开拓市场和发展客户，对客户流失问题的关注很少。
但2011年之后，电信行业不断竞争，所以各大公司反过头来又做客户流失，意识到挽留一个老客户要比吸引一个新客户对公司的价值会更大。
因此，现在移动、联通等电信行业都会付出很大努力来尽量防止客户流失增加客户忠诚度。
本文的工作正是基于此为背景通过分析客户的基本数据、交易数据和行为模式,通过spss modeler14.0利用决策树、神经网络、等数据挖掘技术,建立客户流失预测模型,并在此基础进行初步的流失原因分析和客户流失特征，给企业以有效的建议，并利用因子分析对客户的忠诚度进行分析。
本文主要以下几个方面来展开：数据理解和准备、建立流失预测模型和模型的验证评估，最后是客户忠诚度分析。
2 数据理解由于数据信息量比较大，变读入电信客户数据telco.sav，数据有多达42 个字段，我们有必要对原始数据进行探索，找出影响客户流失的最重要的因素，数据探索不是一个一次性的工作,它是一个分布的,需要反复试探和观察的过程。
可以通过观察每一个变量与目标变量之间的相互关系作为变量选择和变量衍生的依据之一,并同时评估数据的质量,如检查空值、异常值、缺失值、噪声数据等。
随着下面数据准备过程的不断进行。
在数据探索中使用SPSS Modeler中的数据审核节点以及特征选择节点能够方便地观测各字段的数据以及一些简单的基本统计数据。
在SPSS Modeler中新建数据流定义为“数据探索”，创建数据流如图1所示：1)将流失字段churn 角色设置为目标。
将所有其他字段的角色设置为输入。
2)通过使用“特征选择”节点，删去不能为变量和目标之间的关系添加任何有用信息的预测变量或数据，并选择重要变量，使目标与变量之间的相关性更好，如图所示：重要性是基于Pearson 分布的，当值小于0.9，模型将认为该字段是不中要的。
重新回到之前生成的模型块。
所以进行选择后剩下的变量都是重要性的变量。
3)运行“特征选择”节点，可以得到结果为：我们从运行结果就可以得到3个变量分别因单个类别过大、缺失值过多和变异系数低于阈值而被过滤掉，并且根据重要性的筛选最终获取除目标变量外的27个变量字段。
为了验证这3个变量分析是否准确，对其进行数据分析结果如下：引入1个字段logwire进行数据分析，可以得到：我们可以看出logwire 的有效数据是 296 条，相对于总的 1000 条数据，它的缺失比率为 70.4%, 高于“特征节点”定义的 70%。
对于分析目标变量有效值较少，所以被筛选掉。
引入“分布”节点连接到读入数据的数据源节点，选择 retire 字段，运行流。
可以看到 retire 字段中，确实有 95.3% 的人都是未退休的人。
此信息无助于区分客户。
4)接下来利用“过滤”节点将不重要的变量过滤掉，再次对28个字段进行数据分析，可以看出字段 logtoll，其有效值比例小于 50%。
通常我们对于这种有效值比较低的字段的做法是用它的均值代替它的空值与无效值，这里我们看到，它的均值是 3.240。
接下来，我们用“填充”节点来实现对空值与无效值的替换。
如下图所示，对于字段logtoll 的空值和无效值，将用均值 3.240 替代。
综上分析结果，最后我们导出28个字段作为预测模型的客户原始变量。
3 数据准备将“含有28个字段变量的客户信息”作为数据源对1000个数据进行抽样，所建数据流命名为“数据准备”1)首先我们对含有28个字段的1000个数据按照3:7的比例进行抽样，引入“导出”字段，命名为“抽样”，输入随机抽取公式，生成的样本分布为训练集为699，测试集为3012)将“选择”节点接入“抽样”，进行随机选择，并且过滤到“抽样”字段，最终生成随机的训练样本train和测试样本test。
4 预测模型的建立综上所述，数据准备阶段已经完成，我们己经为建立模型准备好了数据以及变量,本节的内容便是用抽取出来的训练数据建立客户流失分析模型。
下面我们选择cs5.0、cart和神经网络为基础建立预测模型。
以train样本建模，test样本进行模型评估和验证有效性。
建立数据流命名为“建立模型”：5 模型评估及客户特征分析将数据源test接入数据流，使其分别在三个模型中运行过后来评估，3个模型的有效性和准确性：1)分析进行对比评估预测模型的评估方法是:用分布图来展示预测值与真实值的对比情况,预测模型评估用样本的检验集数据(共312条)来验证模型的情况。
通过对比，我们可以发现CART树的正确率较高为75%。
所以我们选择这种模型进行客户流失和未流失特征分析。
2）利用节点评估模型的评估结果——增益图从增益图中可以看出，三种模型变化趋势相近，但还是可以隐约看出CART 模型准确率更好一点，所以我们应该选择这种模型。
3）客户特征分析根据CRAT模型得出，结果如下根据预测变量的重要程度，将重要性较低的变量字段在生成树状图的时候直接过滤掉了。
因此，在分析客户是否流失时最主要关注的两个变量是longten和equipmon . 当longten<=143.05时，流失率为49.673%，当equipmon>19.650时，流失率达到了73.239%，相反，客户则很少流失，所以电信企业要在这两个方面加强。
6 客户忠诚度的分析本文利用spss modeler进行数据清洗后的27个字段变量1000个样本数据，再利用spss进行因子分析。
1)相关性检验由KMO检验标准，检验值为0.825，表示原始变量之间具有较强的相关性，所以适合作因子分析。
2)因子旋转后提取公因子为了能够在统计学上对获得客户忠诚度的这个综合指标更多的解释度，所在提取主成分时提取10个，获得更好的解释度。
表2 旋转后方差贡献率表3 公共因子提取由表2我们可以得出10个公共因子的方差贡献率，表3中我们可以根据公共因子在变量上的解释度进行命名。
因子1命名为“长途业务”，其方差贡献为14.83%，因子2命名为“无线业务”，方差贡献为13.28%，因子3命名为“呼叫业务”方差贡献为10.197%，因子4命名为“收入情况”，方差贡献为8.348%，因子5命名为“主叫业务情况”，方差贡献为8.044%，因子6命名为“设备基本情况”方差贡献率为7.388%，因子7命名为“免费业务”，方差贡献为7.018%，因子8命名为“年龄居住情况”，方差贡献为6.396%，因子9命名为“网络电子账单情况”，方差贡献为4.904%，因子10命名为“教育水平”，方差贡献为3.832%。
3) 建立客户忠诚度计算公式将主成分得分矩阵作为矩阵A，方差贡献作为矩阵B，AB相乘就可以得到忠诚度评分模型系数即：因此，客户忠诚度= 0.0271*Months with service+ 0.0174*Age in years+⋯⋯0.0228*Log-income+0.0268*Customer category4)得出客户忠诚度后，对所有客户原始数据代入模型中，可以得到所有客户的忠诚度评分。
对所有的客户忠诚度评分与客户是否流失进行分析。
如图所示：横轴代表客户忠诚度得分排序后的分档客户，纵轴代表客户是否流失的频数，可以得出的一个很显然的结论是随着忠诚度得分不断提高，客户的流失率不断下降，而企业更关注的是忠诚度得分较低的顾客，对其进行分析。
从图中我们可以看出忠诚度得分在60分一下的所有客户中流失比率占比较大，这些客户属于低忠诚度客户，而忠诚度得分在60分以上的客户属于高忠诚度客户，企业应该根据从忠诚度系数较高的变量着手，同时结合因子分析中公共因子几个方面进行改善。
7 结论本文根据电信企业的客户基本属性和各种行为数据信息，客户是否流失进行了两方面的分析。
一方面是电信企业影响客户是否流失的变量有很多，比如本文利用的数据源，字段变量高达42个，但并不是所有的字段都是影响客户流失的重要因素，变量越多在挺高模型的精确度上不会很明显，所以本文利用spssmodeler14.1对所有的变量进行了挖掘，最终筛选出影响客户流失的27个字段变量，并在27个变量的基础上进行决CART、C5.0和神经网络的建模，同时进行了模型评估，最终选择CART模型对客户流失最重要的特征进行了分析；另一个方面是本文运用因子分析建立客户忠诚度评分模型，使企业更容易发现低忠诚度的客户和影响的关键影响因素。
因此本文在研究电信企业客户流失方面对业务人员具有一定的参考意义。
