客户流失论文(精选11篇)
客户流失论文 篇1
加油卡是用来为汽车加油的储值卡, 有极高的便利性, 并且针对不同品牌的加油卡有不同种的优惠措施。因为为客户提供更优质的服务取得了突破性进展, “刷卡加油”引领成品油零售市场新潮流, 得到了广大消费者的普遍认同。以中石化加油卡为例, 从中石化加油卡从2004年正式上线以后, 截至2014年5月, 累计发行发卡突破1.18亿张, 加油卡网络覆盖包括西藏在内的31个省级单位的2.5万个加油站, 在1亿多张加油卡中, 活跃的会员用户大约有8000万, 已然在国内形成巨大规模的商业应用预付费卡体系。
众多加油卡客户, 是石化销售公司的宝贵资源。加油卡的推广提升了企业品牌形象, 在维系客户、稳固市场、增加沉淀资金等方面产生了积极作用。
中国石化销售行业经过高速发展, 随着行业内竞争加剧, 各石化销售公司加油卡客户的增长逐渐放慢, 客户呈现出动态亦增亦减趋势。
(1) 在每个月都有客户新开卡的情况下, 也有大量客户停止使用。
(2) 每个月都出现“零充值”、“零消费”客户, 大量占用客户维护的信息资源。客户数量的增加不能带来收入的增加, 而发展新客户的成本要远远大约挽留老客户的成本。因此, 客户流失分析的重要意义对石化销售公司来说不言而喻。
1 问题理解
客户流失本质是一种分类问题, 即将现有客户分为两类:有流失倾向的客户和无流失倾向的客户。按照一般分类问题的解决思路, 首先要选取与流失率可能相关的因素变量, 分析这些变量与流失率之间的关系, 筛选出合适的变量。为了模型的可解释性, 在流失预测中一般采用决策树模型, 再根据模型测试结果进行参数调优。
需要注意的是, 客户流失率相对于一般的分类而言不会太高, 一般会在20%以下, 这样就导致样本中的流失客户占比非常低, 需要分类模型能够区分这些小比例的数据。
另外, 石化销售公司往往关注的重点是流失部分客户的预测, 也就是偏向于召回率, 而不是仅仅准确率。
2 评价分类质量:召回率和准确率
召回率 (Recall Rate, 也称查全率) 和准确率 (Accuracy, 也称查准率) 是广泛用于信息检索和统计学分类领域的两个度量值, 用来评价结果的质量, 如图1。
TP——True Positive (真正) 被模型预测为正的正样本;可以称作判断为真的正确率;
TN——True Negative (真负) 被模型预测为负的负样本;可以称作判断为假的正确率;
FP——False Positive (假正) 被模型预测为正的负样本;可以称作误报率;
FN——False Negative (假负) 被模型预测为负的正样本;可以称作漏报率。
预测召回率是实际流失中预测正确的比例, 体现了模型预测结果的覆盖程度。召回率 (Recall Rate) 计算方法:
预测准确率是预测流失中实际流失的比例, 体现了模型对流失客户的预测是否精确。准确率 (Accuracy) 计算方法:
对于一个分类系统来讲, 召回率和准确率不可能两全其美:召回率高时, 准确率低, 准确率高时, 召回率低。“召回率”与“准确率”虽然没有必然的关系, 然而在大规模数据集合中, 这两个指标却是相互制约的。凡是设计到大规模数据集合的分类, 都涉及到“召回率”和“准确率”这两个指标。而由于两个指标相互制约, 我们通常也会根据需要为“分类策略”选择一个合适的度, 不能太严格也不能太松, 寻求在召回率和准确率中间的一个平衡点。
3 决策树和随机森林算法
决策树 (Decision Tree, 也称判定树) 是一树状结构, 它的每一个树节点可以是叶节点, 对应着某一类, 也可以对应着一个划分, 将该节点对应的样本集划分成若干个子集, 每个子集对应一个节点。从决策树的根节点到叶节点的一条路径就形成了对相应对象的类别预测。决策树学习着眼于从一组无次序、无规则的事例中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式, 在决策树的内部节点间进行属性的比较, 并根据不同属性判断从该节点向下的分支, 在决策树叶节点得到结论。
ID3算法是决策树算法的一种。ID3算法是由Quinlan首先提出的。该算法是以信息论为基础, 以信息熵和信息增益度为衡量标准, 从而实现对数据的归纳分类。
信息增益是用熵 (entropy) 作为衡量属性对训练数据分类的能力的标准。若属性的值将样本集T划分成T1, T2, …Tm, 共m个子集, 那么信息增益定义为
其中, |T|为T的样本格式, |Ti|为子集属于Ti的样本个数, Entropy (T) 的计算公式是
决策树算法具有以下优点:
(1) 决策树算法不需要假设先验概率, 这种非参数化的特点使其具有更好的灵活性和健壮性。
(2) 决策树算法产生的决策树或产生式规则集具有结构简单直观, 容易理解, 以及计算效率高的特点。
(3) 决策树算法能够有效地抑制训练样本噪音和解决属性缺失问题。
但是决策树也具有缺点:
(1) 分类规则复杂。
(2) 收敛到非全局的局部最优解。
(3) 过度拟合。
为克服这些缺点, 引入另外一个分类模型——随机森林。
随机森林 (RF, Random Forests) 是一种统计学习理论。Leo Breiman和Adele Cutler发展出推论出随机森林的算法。“随机”有两个方面:首先是在训练的每一轮中, 都是对原始样本集有放回的抽取固定数目的样本点, 形成k个互不相同的样本集。第二点是:对于每一个决策树的建立是从总的属性中随机抽取一定量的属性作分裂属性集, 这样对于k个树分类器均是不相同的。由随机生成的k个决策树组成了随机森林。
对于每一个决策树来讲, 其分裂属性是不断的选取具有最大信息增益的属性进行排列。整个随机森林建立后, 最终的分类采用投票机制得到可能性最高的结果。图2是随机森林构建的过程。
随机森林算法具有以下优点:
(1) 通过对许多分类器进行组合, 它可以产生高准确度的分类器。
(2) 它可以处理大量的输入变量。
(3) 它可以在决定类别时, 评估变量的重要性。
(4) 在建造森林时, 它可以在内部对于一般化后的误差产生不偏差的估计。
(5) 它包含一个好方法可以估计遗失的资料, 并且, 如果有很大一部分的资料遗失, 仍可以维持准确度。
(6) 它提供一个实验方法, 可以去侦测变量之间的相互作用。
(7) 学习过程是很快速的。
(8) 对异常值和噪声具有很好的容忍度, 且不容易出现过拟合。
4 建立客户流失预测模型
加油卡客户行为原始数据包括:
(1) 每个加油卡客户的充值明细 (时间, 网点, 金额等) 、圈存明细 (时间、网点、金额等) ;
(2) 加油明细 (时间、网点、油品、金额等) ;
(3) 积分明细 (时间、网点、产生的积分、消费的积分) ;
(4) 沉淀资金 (账户余额、卡备付金余额、卡帐余额) 等。
加油卡有几个特点:
(1) 加油卡类型。加油卡按适用对象分为记名卡和不记名卡两种。记名卡又分为单用户卡和多用户卡。不记名卡为个人单用户卡, 可反复充值, 不享受积分, 不能办理挂失及清户手续。
(2) 多用户卡。多用户卡由主卡和若干张副卡组成, 适用于集中管理、车辆较多的单位和个人。一张主卡可以关联几张副卡, 主卡履行管理职能, 可以充值、消费并划拨油费给副卡、查询副卡交易明细、办理副卡的各项业务, 本身也可作为加油卡使用, 但副卡只能消费不能充值。
(3) 余额。额度账账户:每套加油卡账户均有一个额度账账户, 金额统一由主卡支配, 不能直接用于加油, 只能由主卡分配至副卡 (含主卡) 备付金账户, 副卡不能支配额度账户金额。备付金账户:主副卡均有此账户, 是从额度账分配的金额, 不能直接用于加油, 需要持卡到加油站圈存后方可加油。卡 (账户) 余额:主副卡均有此账户, 可直接用于加油的账户。
(4) 圈存。将账户中已存入的资金划转到所持的加油卡上后方可使用。就是在网点把钱存入主卡中, 再分配到下面的副卡, 由于副卡都在使用车辆的驾驶员手中, 需要在加油的时候在加油站让加油站员工划一下即可, 就是所谓的圈存。
由于每个加油卡客户拥有主卡和若干张副卡, 因此明细数据具有很大的随机性, 所以需要对以上数据进行汇总整理。根据预测的需要, 选取以月份为周期, 统计出每个加油卡客户单月的消费金额 (amount Of Consumed) , 单月的充值金额 (amount Of Recharged) , 单月产生的积分 (created Score) , 单月消费的积分 (consumed Score) , 单月的沉淀资金 (balance) 。
根据以上统计出的数据, 计算出和客户流失行为相关的特征量, 如表1。
预测结果是加油卡客户流失可能性, 预测值是流失可能性分值, 0~1之间, 数值越大代表流失可行性越大, 0代表未流失, 1代表已流失。根据流失可能性分值进行分级, 大致分别是:
(1) 已流失。
(2) 濒临流失。
(3) 正常。
5 模型评估
如表2。本文选取测试数据是3个地市的个人加油卡用户的用户信息及加油消费记录 (不包括非油品消费) 。
数据分析工具采用Apache Mahout算法库中随机森林算法 (Random Forest) 。Mahout基于Hadoop实现, 把以前运行于单机上的算法转化为Map Reduce模式, 这样大大提升了算法可处理的数据量和处理性能。
主要步骤如下:
(1) 原始数据处理。过滤原始数据中数据不全的用户, 并按照可设置的比例分配训练数据和测试数据, 由于流失用户数据过少, 在训练数据中按照倍数放量这部分数据。
(2) 设置参数构建模型。
训练和测试数据比为9:1。
流失客户数据放大倍数为20。
随机森林模型参数:
–sl 4每次随机选择属性的个数
–t 40决策树的个数
–ms 50树分枝上样本的个数的最小值
(3) 执行Mahout命令行。
(4) 统计输出测试结果。
我们关心的是流失部分的指标:
召回率:1770/2381=74.3%。
准确率:1770/14461=12.2%。
6 结论
本文研究利用加油卡客户最近6个月内交易数据, 基于决策树模型构建了加油卡客户流失预测模型, 采用随机森林算法进行了模型评估。通过在训练样本中放量流失用户数据量, 增大样本中流失数据所占比例, 构造多个分类器, 解决了流失客户与未流失客户的比例倾斜问题。评估结果表明, 本文提出的模型取得了超过70%的召回率, 预测加油卡客户下一个月内流失可能性, 为客户挽留提供依据。
参考文献
[1]李贤鹏, 何松华, 赵孝敏等.改进的ID3算法在客户流失预测中的应用[J].计算机工程与应用, 2009, 45 (10) :242-244.DOI:10.3778/j.issn.1002-8331.2009.10.072.
[2]Jiawei Han, Micheline Kamber, 范明, 孟小峰.数据挖掘概念与技术[M].北京:机械工业出版社, 2001.158-161.
[3]Quinlan J R.Induction of decision tree[J].Machine Learning, 1986 (01) :81-106.
[4]方匡南, 吴见彬, 朱建平等.随机森林方法研究综述[J].统计与信息论坛, 2011, 26 (3) :32-38.DOI:10.3969/j.issn, 1007-3116, 2011 (03) :006.
客户流失论文 篇2
1.店铺员工
1.1对顾客关注度不够
售前不了解顾客需求
售中对顾客不热情
售后没有或很少和顾客沟通
1.2员工稳定性差
离职时带走老顾客
新员工服务技能差,不善于维护老顾客
2 顾客
2.1自然流失
经济状况等改变不再适应本产品定位
搬家、出国等购买不方便了
2.2被动离开
自己熟悉的店员离开了
感觉服务不好
感觉购买不方便
没有感觉到再回到你这里购买和在其他地方买有什么差别
2.3购物体验差
不再认可品牌
被朋友差评
被店员忽悠买了不是自己需要的手机
二、产品和服务
1 价格
1.1没有价格折扣促销
1.2涨价感觉贵了,其他竞争对手价格更低
1.3频繁打折,顾客感觉掉价了
2 产品
2.1商品新货上架不及时或者货源不足
2.2店铺产品的广度和宽度不够,顾客买不到
2.3商品库存管理水平低,经常缺货
2.4引入了低质量产品
3 服务
3.1商家承诺未兑现
3.2VIP政策调整,降低了服务标准
3.3会员保持门槛太高,会员的价值又得不到体现
3.4投诉未得到及时满意的解决
3.5送货不及时
三、运营
1 品牌
1.1负面消息造成顾客流失
1.2品牌形象下降
1.3顾客长时间接触不到宣传或推广信息,应陌生而流失
2 技术
2.1CRM缺失,没有针对老顾客的数据分析手段
2.2没有针对沉默会员、睡眠顾客、准流失会员的营销活动
2.3会员服务工具不到位、不贴心。例如APP、微信营销等
3 竞争
3.1被竞争对手挖走
3.2线下转移到线上
4 渠道
4.1关闭店铺顾客买不到
4.2店址换址顾客购买不方便
企业客户流失及对策研究 篇3
关键词:主动客户流失;被动客户流失;应对策略
一、前言
在激烈的市场竞争中,即使是满意的客户,也有可能随时“背叛”你,而“投靠”你的竞争对手。所以,绝对不能满足于能够吸引多少客户,更重要的是能够留住多少客户。很多的企业都做着“一锤子买卖”,他们在产品投放市场初期很注重吸引客户,千方百计地让客户对自己的产品感兴趣,购买自己的产品;但在售后服务方面却作得很差,容易让客户溜走,而且也使这种购买变成了一次性的交易。因此,很多企业都面临着客户流失问题,企业花费了大量力气吸引来的客户很轻易地就流向了竞争对手。
二、客户流失分类
(一)主动客户流失。现在的用户最关心的已经不是单纯的产品和服务的价格了,而是相应的产品和服务是否能够满足他们的需求。只有在一切都能符合其需求时,他们才可能会考虑价格。据调查,有些用户主动流失的原因是因为他们不能充分理解供应商所提供的产品和服务的特性,比如电信业的各种通话方式及多样组合的收款方式和服务等等。他们的疑惑和迷茫造就了他们去选择竞争对手。如果供应商的产品服务说明更加贴切客户,服务更加周到,并且帮助客户从通话质量、覆盖率、售后服务、产品特性等多方面了解产品服务的优势后,客户也许会改变主意。还有些客户选择主动流失因为他们没有被告知企业新的产品和服务,或者给予明晰的关于采用新技术的产品的功能和特性方面的介绍。这使客户无法了解现有供应商的所能够提供的产品和服务的最新背景,转而选择其认为技术创新强的竞争对手。可以说,随着新的服务、应用的增长,用户有了比以往更多的选择空间。这使现有供应商不得不面临更加大的挑战。
(二)被动客户流失。由于恶意欠款或者累计债务等原因导致供应商被迫终止其业务的用户被称之为被动流失的客户。这些问题的经常发生其实是由于供应商未能有效的监控到那些具有信用风险的客户,并且没有适时采取措施。我们能够发现那些被动流失的用户相对于其他正常用户有着不同的服务使用模式,这都需要供应商采取各种的分析和跟踪手段来加以解决。
三、客户流失的原因
有关机构对公司的调查表明,客户之所以离开你的公司,有60%~70%的原因是对你公司的服务不满意。具体来说,虽然客户流失的原因不尽相同,各个原因所占的比例也不一致,但是很突出的一点是,在调查中,客户对企业的不满是造成其流失的最大原因。如果将“对商品不满意”、“价格高”、“未能处理好投诉”等因素也考虑进来,那么由于企业自身原因造成的客户流失基本上占了绝大部分,而因为竞争对手的原因造成的客户流失量是很少的。客户流失的原因一般分为主动流失和被动流失二种情况。
(一)主动客户流失的三种原因。(1)自然流失。这种类型的客户流失不是人为因素造成的,比如客户的搬迁和死亡等。自然流失所占的比例很小。企业可以通过广泛建立连锁服务网点和经营分公司,或者提供网上服务等方式,让客户在任何地方、任何时候都能方便快捷地使用企业的产品和服务,减少自然流失的发生。(2)竞争流失。由于企业竞争对手的影响而造成的流失称为竞争流失。市场上的竞争突出表现在价格战和服务战上。在当前日益激烈的市场竞争中,企业首先要考虑的是保留住自己现有的客户,在此基础上再去吸引和争取新的客户。通过市场竞争分析,包括市场占有率分析、竞争对手发展情况分析、供应商行为分析、合作商行为分析等,可以防止部分流失的发生。市场占有率分析使市场人员能够了解不同时间段内、不同业务品牌的产品或服务的市场占有率情况,了解市场中最有价值产品或服务,了解不同产品的主要竞争对手是谁,从而为市场经营提供指导。从竞争对手客户发展情况、竞争对手客户收入情况、竞争对手客户呼叫行为、竞争对手营销策略、竞争对手服务质量五个方面,对竞争对手发展情况进行分析预测。(3)过失流失。上述两种情况之外的客户流失称为过失流失。这些流失都是由于企业自身工作中的过失引起客户的不满意而造成的,比如企业形象不佳、产品性能不好、服务态度恶劣等。过失流失在客户流失总量中所占的比例最高,但同时也是企业可以通过采取一些有效手段来防止的。
(二)被动客户流失的原因。被动流失产生的原因主要有以下几个方面:(1)非恶意性被动流失。非恶意性被动流失比较容易避免,而且出现这种情况的可能性本身就不多。一个有效的避免方法就是为客户提供业务提醒服务。电信部门可以在交纳电话费的限定日期对客户进行语音提醒,以防止客户忘记交费的情况发生。此外,还应当给客户提供多种方便交纳电话费的途径,例如可以通过电话支付、银行支付和网络支付等。(2)报复性被动流失。报复性被动流失指客户因对企业的产品和服务不满而实施的流失行为。从根源上讲,报复性被动流失的责任不全在客户。要防止和减少这类流失,企业必须及时妥善地处理客户的抱怨和投诉,整顿企业的管理机制,不断改善产品性能和功能。(3)恶意被动流失。恶意被动流失一般是由于客户的信用度低或客户故意诈骗等原因导致的。对此类客户没有保留的必要。
四、客户流失的应对策略
(一)为客户供高质量服务。质量的高低关系到企业利润、成本、销售额。每个企业都在积极寻求用什么样高质量的服务才能留住企业优质客户。一般而言,制造类企业的主要精力都放在营销管理和技术研发上,但随着产品技术的日趋同质化,服务也越来越成为影响市场份额的关键因素。因此,为客户提供服务最基本的就是要考虑到客户的感受和期望,从他们对服务和产品的评价转换到服务的质量上。找准了基本点,与客服部一起设计一种衡量标准,以对服务质量做个有效的考核。
(二)严把产品及服务质量关。产品及服务质量是企业为客户提供有利保障的关键武器。没有好的质量依托,企业长足发展就是个很遥远的问题。肯德基的服务是一流的,但依然出现了苏丹红事件,而让对手有机可乘,致使客户群体部分流失;康泰克息斯敏等药物也是在质量上出现问题而不能在市场上销。
(三)加强与客户的信息即时互通。在管理上最重要的是与客户沟通,提供知识信息,让企业的服务或营销人员控制协调好客户关系,传达好客户的要求、意见。多给客户提出一些在管理上的缺陷,和你对客户所在市场的见解,让客户接受你的思维。这就需要企业员工要有较高的职业素养,和对市场的敏感,以及丰富管理技巧。当然,要注意不能忽视人际角色、信息角色和决策角色不能干预客户更多的事情,除和客户正常的业务以外,不要掺杂其他内容,否则会影响客情关系。
电子商务客户流失预警与预测 篇4
客户流失指某企业现有的客户中止继续购买其商品或服务,转而购买其竞争对手的商品或服务[1]。目前,电子商务客户流失率非常高。Reinartz等研究表明如果能够降低电子商务客户流失率,利润的增加是显著的[2]。Schmittlein等提出了预测客户交易行为的概率模型组,简称SMC模型[3,4]。针对电子商务非契约环境下的不确定性,Schmittlein等对该模型进行了改进,提出了BG/NBD模型[5]。与此同时,基于数据挖掘的流失预测方法也广泛应用于客户流失预测研究中[6,7,8,9,10,11,12]。基于结构风险最小化准则的SVM得到了不少研究者的青睐[1,3,8,9,10]。但是SVM模型参数(惩罚系数c和核函数参数g)对预测准确率较为敏感。模型参数一般采用人工搜索的方法来获得。但人工搜索费事、费力,且往往得不到最优参数[13]。
本文以电子商务客户为研究对象,总结电子商务客户生命周期,提出客户流失预警体系,建立基于SVM的客户流失预测模型,提出IPSO算法对SVM初始参数进行优化,将优化后的参数作为SVM模型的初始化参数,从而提高SVM模型的预测准确率。
2 电子商务客户生命周期
电子商务客户生命周期由客户与电子商务企业之间不同的关系阶段构成,是理解客户行为的框架。研究基于生命周期的电子商务客户类型,目的是对不同类型的客户采取不同的服务措施,提升客户价值。根据客户和电子商务企业之间的行为,可以将客户生命周期分为:获取阶段、提升阶段、成熟阶段、衰退阶段和流失阶段,如图1所示。
①获取阶段,企业利润Y为负。②提升阶段。本阶段的主要任务是引导新客户购买产品、提升客户价值,加强与客户的纽带关系,将“新客户”转化为稳定的忠诚客户,考察新客户的价值、消费模式。如果这些措施实施得当,利润Y会成上升趋势。③成熟阶段。这一阶段的任务是致力于稳定和巩固已经形成的良好客户关系,进一步提升客户价值,企业在该阶段获取的利润Y是最多的。④衰退阶段,主要特征是企业利润Y呈下降趋势,甚至为零。⑤流失阶段。客户彻底与企业结束了业务合作的关系。
3 电子商务客户流失预警体系
高效的客户流失预警体系包括客户流失预测、评估和挽留。首先进行客户流失预测,发现潜在流失客户;评估客户流失原因,改进服务;进行客户流失挽留,降低客户流失率。一方面,企业需要识别潜在流失的客户。另一方面,企业需要分析和评估客户流失原因。并以此为依据,改进服务,采取有效措施对潜在流失客户进行挽留,降低客户流失率。电子商务客户流失预警体系流程如图2所示。显然,客户流失预警体系的基础是客户流失预测。
4 改进PSO算法(Improved PSO,IPSO)
4.1 PSO算法
PSO算法最早由Kennedy和Eberhart在1995年提出的。算法设在一个D维的搜索空间中,由N个粒子组成的种群X=(X1,X2,…,XN),其中第i个粒子表示为一个D维的向量Xi=(xi1,xi2,…,xiD),代表第i个粒子在D维搜索空间中的位置,亦代表问题的一个潜在解。根据目标函数即可计算出每个粒子位置Xi对应的适应度值。第i个粒子的速度为Vi=(vi1,vi2,…,viD)T,其个体极值为Pp=(Pp1,Pp2,…,Ppd,…,PpD)T,种群的全局极值为Pg=(Pg1,Pg2,…,Pgd,…,PgD)T.在每一次迭代过程中,粒子通过个体极值和全局极值更新自身的速度和位置[14]:
其中,ω为惯性权重;i=1,2,…,N;n为当前迭代次数;Vi为粒子的速度;c1和c2为非负的常数,称为学习因子;r1和r2为分布于[0,1]之间的随机数。为了防止粒子搜索的盲目性,通常将粒子的位置和速度设定在一定的区间[pmin,pmax]、[vmin,vmax]。ω体现了粒子当前速度多大程度上继承先前的速度,是平衡算法全局搜索能力和局部搜索能力的参数。Tang等研究发现ω非线性递减能够提高算法的搜索速度[15]。
其中,ω1、ω2分别是初始和终止权重;itermax为算法最大迭代次数。
4.2 IPSO算法
PSO算法没有选择、交叉与变异等操作,算法结构简单,运行速度快。但是,PSO在运行过程中,当某粒子发现一个当前最优位置,其余粒子将向其靠拢,如果该位置为一局部最优点,PSO将不会继续搜索。算法陷入局部最优,出现“早熟”现象。设粒子群的粒子数目为N,第i个粒子的适应度值为fi,当前粒子群的平均适应度为favg,则当前粒子群的收敛程度为:
σ反映了算法的收敛程度,σ越大,则算法处于随机搜索状态;σ越小,则算法趋于收敛状态,算法可能出现早熟。一旦σ大于某个值,则算法将对Pg进行变异,使得算法跳出局部最优,避免算法早熟收敛。通过参数σc来控制收敛程度σ(如式(5))。
通常,σc∈[0.5,2]。pm为群体变异概率。采用增加随机扰动的方法对Pg进行变异操作:
其中,η是服从Gauss(0,1)分布的随机变量[16]。
为验证IPSO算法的有效性,选取如下8个基准测试函数[17],选取SPSO[18]、PSO-w[19]、PSO-TVAC[20,21]、PSO-FDR[22]、DE[23]为基准算法进行对比实验。
设置算法的函数评估次数(Function Evaluations,FEs)为300 000,种群规模为100。6种算法各自独立运行25次,得到各自优化结果的最优值。最优值的均值和方差如表1所示,6种算法迭代过程如图3所示。从表1和图3可以看出,IPSO总体效果最好,明显优于其它5种算法,达到了f1、f2、f3、f4、f6、f7函数的最优值。
5 基于IPSO-SVM的客户流失预测模型
SVM的理论基础是统计学习理论,主要思想是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化[9]。但是,SVM模型的参数(惩罚参数c和核函数参数g)对预测准确率非常敏感。拟通过IPSO对这些参数进行优化,将得到的优化参数作为SVM模型的初始化参数,从而提高模型的预测准确率。基于IPSO-SVM的客户流失预测流程如图4所示,步骤如下:
步骤1:数据预处理。电子商务客户流失影响因素量纲的不同,会对预测模型学习速度产生不利影响。为了提高学习效率,对影响因素进行归一化处理。
步骤2:初始化算法参数。设粒子群当前最优解xpbest,对应的适应度值为fpbest;群体最优解(即SVM模型的参数c、g)xgbest=(c,g),对应的适应度值(即训练样本的分类准确率)为fgbest=accuracy.
步骤3:计算适应度值。设定迭代次数n=1。在解空间内随机生成N个粒子,各个粒子的位置为xi(i=1,2,…,N)及其对应的速度vi,计算粒子xi的适应度值,将适应度值最大的作为粒子当前的最优解和全局最优解。
步骤4:个体速度和位置更新。通过式(3)计算权重w;通过式(1)和式(2)更新粒子位置x'i和速度v'i.
步骤5:确定最优解。通过x'i重新计算粒子的适应度值f'i.若f'i>fpbest,则fpbest=f'i,更新当前粒子群的最优位置xpbest=x'i.若f'i>fgbeast,则fgbest=f'i,更新粒子群的最优位置xgbest=x'i.
步骤6:判断是否需要增加局部扰动。通过式(4)计算收敛程度σ.若σ满足式(5),则通过式(6)对xgbest进行变异。
步骤7:判断迭代是否结束。设n=n+1。若n>niter max,则算法转至步骤8;否则,算法转至步骤5。
步骤8:输出最优参数,对测试集进行预测。将最优解(SVM模型的参数c、g)作为SVM模型的初始化参数。通过测试样本计算IPSO-SVM的分类准确率。
6 实证分析
(1)基于UCI数据库的实证分析
为了从一般意义上说明IPSO-SVM模型的有效性,选取了UCI数据集(http://archive.ics.uci.edu/ml/)中最常用的8个数据集作为样本(表2)。选取径向基核函数作为SVM的核函数。从样本中随机选取70%的样本作为训练样本,30%的样本作为测试样本。为了提高预测准确率,对数据进行了归一化处理,即:
其中,v是原始数据,v'是归一化以后的值,maxa是样本属性值的上限值,mina是样本属性值的下限值。SVM初始化参数的搜索范围为:[0.1,10];SVM采用LSSVM 1ab1.5工具箱[24];SVM、PSO-SVM和IPSO-SVM算法各自独立运行10次,最终的分类准确率的均值和方差如表3所示。
从表3可以看出,除了样本Hepatitis,IPSO-SVM的分类准确率高于SVM和PSO-SVM;PSO-SVM的分类准确率在Ionosphere、Bupa Liver、Sonar、Hepatitis和CMC样本上要优于SVM;SVM在Australian、Pima-Indian和WPBC两个样本上要优于PSO-SVM.这说明经过优化的SVM分类准确率要明显高于未经过优化的SVM.
(2)基于电子商务客户数据的实证分析
本文选取某B2C电子商务网站为研究对象。客户数据的观测周期为30周,以2012年1月开始,2012年8月终止。从该网站的客户数据库中选取前11周首次进入该网站购买商品的3000条客户数据进行分析。为了保证计算的准确性,后19周用于观测这3000名客户的流失状态。若后19周无购买行为,则定义为流失;否则,为非流失客户。经观测后发现:1978名客户流失;1022名客户没有流失。由于本文提出的模型没有涉及属性简约,选取文献[7]获取的电子商务客户流失关键属性集{客户重复购买次数、白天购买次数、晚上购买次数、深夜购买次数},客户流失状态为目标变量,用1表示客户没有流失、0表示客户流失;归一化后的示例数据见表4。从这3000名客户中随机选取70%作为训练样本,剩余作为测试样本。SVM、PSO-SVM和IPSO-SVM三种预测模型分别进行测试,得出的分类准确率依次是82.31%、83.24%、87.75%.正是由于IPSO作为SVM的前置系统,IPSO寻优后的模型明显提高了SVM的分类准确率。
当前市场竞争日益激烈,客户流失是许多行业关注的核心问题之一。获取1位新客户的成本是保留1位老客户的5~6倍[1]。目前,电子商务客户网站的客户流失率却非常高。如果能够降低电子商务客户流失率,利润的增加是显著的。基于IPSO的SVM预测模型可以有效挖掘客户流失情况,为企业全面开展客户关系管理提供决策支持。
7 结语
客户流失案例分析 篇5
我是做游泳产品的,有一个葡萄牙的客户,去年做了45W。客户关系维护的也很好。08年底时,走了一单,之后客户没有不良反应。
今年过完春节,我回来工作后,曾发送过邮件给客户,向她问好。邮件只有回执,没有回复。当时以为客户忙,没有时间回复。况且根据客户往年的销售记录,2月份到3月份不是出货季节。就没有太在意。
4月初的时候,是该客户下单了,之前每年都有一张30W的单在5月份出货。该下单了,就再发送邮件,有回执没回复;传真,没反应。又过了两周,我急了,就打电话了,前台接的,说跟我司联系的客户请假回家,生小孩去了!我当时就懵了,赶快问是谁接替她的工作。前台回复说客户五月份就回来上班了。
我着急5月份的单啊,就再追问这几个月谁帮她做的工作。前台说是经理。我就请她帮忙接了经理的电话。经理接到后,我询问了客户今年上半年的销售情况,然后就直接了当的谈到了5月份的订单。经理说货已经到仓库了,等待铺货。还反问不是从我司采购的吗?我差点吐血!我说没有啊,一直联系不上她。经理突然明白过来了,说是让另一个人负责的这件事情„„
我这个客户今年的销售计划,就这样泡汤了„„
教训:
1.要主动询问客户的休假计划,特别是长假;
2.要跟客户随时保持联系,一旦联系不畅通,要提高警惕;
3.要有客户尽可能多的联系方式,甚至是她同事的联系方式;
4.要有敏锐的洞察力!这一点对外贸人太重要了。
2、服务案例介绍
客户存款金额与柜台机核点金额不符
7月中旬,深圳市民余先生从家里携带2.4万元,来到北大医院后面的某银行莲花北支行的自
助存取款一体机前存钱。在柜台机前一番操作后,余先生发现总款数已由2.4万元变为21800元。余先生当即拨通了该银行客服热线。银行方面当晚回复:柜台机未见差错,拒绝担责任。8月27日下午,羊城晚报记者陪同余先生前往银行,调取了当日余先生存款流水账单及柜台机监控录像查看。经对比,流水账单显示的余先生第二次存款操作所放入柜台机的款数与监控录像所显示的款数明显存在偏差。对此,银行方面却表示,“眼见不一定为实”,坚持以柜台机数据为准。
案例分析:
一、此银行的客户服务是失败的。
具体体现在:
1、当余先生发现总款数步对时立即拨通了该银行客服热线,而银行以一句“柜台机未见差错”拒绝担责任。没有细心的为客户做出必要的解释。
2、当发现流水账单显示的余先生第二次存款操作所放入柜台机的款数与监控录像所显示的款数明显存在偏差后,银行却表示“眼见不一定为实”为由,还是拒绝承担责任。
3、不明白“服务无小事”的道理,没有站在客户的角度想问题,不顾客户的感受。
影响:因为银行的态度强硬、拒不承认,引来了羊城晚报的记者,而通过记者的报道对使银行信誉降低。而这个影响一旦造成就不会是一两天能够挽回得了的,这会持续一段或者很长一段时间。而信誉的降低会导致客户的减少。从而会引发一系列的连锁反应。可谓得不偿失。
建议:
1、是应立即受理,真诚道歉,缓和气氛,让客户感到受重视,减少不必要的误会。
而现在余先生的事情已经被公开化了,银行应该马上找出原因所在,尽可能的降低此事带来的不利影响。如果问题出在银行的柜台机,则应马上进行修复。再次,应登报进行道歉,挽回公众的信任。如果问题不是出自银行本身,而是出于余先生自己的操作不当,则应向余先生做出详细的解释,使事件得到友善的结局。也应向广大客户解释清楚事件的缘由,给客户得以安心的服务。
2、应就此事对余先生所造成的不便表示同情和理解。
3、迅速对此事件做出合理的解释,说明原因,争取客户的理解。
4、告知客户解决方案,并付诸行动。
客户流失论文 篇6
日前,网民王先生的MSN号码被盗,试图通过MSN网站寻求找回密码,未果。于是他向熟悉的腾讯QQ群求救,QQ群里的多位朋友表示,已经弃用MSN好久,原因就是MSN使用不方便。
根据iResearch艾瑞咨询推出的网民连续用户行为研究系统iUserTracker最新数据显示,2012年9月,腾讯QQ日均覆盖人数达1.9亿人,网民到达率达67%,稳居行业榜首;MSN日均覆盖人数685万,网民到达率只有2.5%,位列第5,不仅远落后于腾讯QQ,也已经落后于飞信、歪歪等后起之秀。
当年被白领推崇的MSN,正被原来的觉得比较土的QQ所全面超越。11月7日,微软和Skype发布声明,称将于明年一季度前以Skype替换MSN,届时除中国内地市场外,全球其他国家和地区都将停用MSN。
MSN中国给《投资者报》的采访回复中表示:MSN中国以提高用户体验和满意度为宗旨,在中国市场Messenger产品将不会发生迁移,Messenger的用户体验和服务也将不受任何影响,中国用户可以正常使用Messenger。
不过多位行业人士均表示,MSN中国市场没有被Skype并入,是由于Skype在中国市场发展并不好。再加上MSN中国的资本纠葛,所以暂时没有关。但是微软就像老化的国企,并没有太多的精力来管MSN,其旗下MSN在中国市场没关,也只是多活几年而已。
两年客户流失千万
在王先生QQ群里的朋友纷纷表示,以前因为工作原因,很长一段时间用MSN,用了很久也不顺手,再加上盗号多、骚扰多,所以在多年前就弃用。而且MSN占内存,使用不方便,还不会像QQ一样闪烁,都劝王先生借MSN被盗,正好别用了。
“MSN被盗挺严重的。”吕先生表示,看到好几个联系人里的MSN被盗,变成黄色账号了,一上线就问是否需要服务。同时,还有网上诈骗,MSN被盗后,发过来问能否用网银等。
FT中文网专栏撰稿人、新浪微博社区委员会专家成员王冠雄表示,MSN自己先抛弃了用户,所以自然被用户抛弃。想当年MSN凭借操作系统捆绑和友好体验,成为最受欢迎的IM(即时通讯软件)。尤其在外企、白领阶层中,MSN风靡一时。彼时,马化腾还是从模仿ICQ起家,用腾讯QQ的人则被认为是土包子。而如今微软放弃MSN黯然退场。而腾讯凭借以QQ软件为核心的产品雄踞中国互联网头把交椅多年。
在他看来,首先,大公司非核心业务VS小公司单点突破,必败。微软的重点是Windows系统和Office应用软件系列。其次,在互联网时代漠视用户需求的产品必死。MSN的服务器固执地设在美国,因为海底电缆等原因一再中断,但拒绝改变。因此造成传输文件的不便也不在乎,MSN甚至曾关闭了SPACE空间日志服务。而QQ尊重并能满足客户的需求。
据最新数据显示,2012年9月,MSN日均覆盖人数685万,网民到达率只有2.5%,位列第5,远远落后于腾讯QQ,也已经落后于后起之秀飞信、歪歪等。而2010年12月的调查数据,MSN日均覆盖人数仍达1529万,日均网民到达率6.6%,排名QQ、阿里旺旺和飞信之后,位列第四。两年不到MSN的日均覆盖人数已经只剩四成。
互联网人士范少峰接受《投资者报》采访时表示,MSN是属于没落的贵族,页面好几年没有更新,对中国市场水土不服。而相比于QQ变化很快,随着微信、微博、陌陌等的兴起,MSN越显不行。
MSN进入结束阶段
MSN在中国市场的体验却每况愈下。针对MSN账号被盗的情况,王先生按网站要求填写了姓名等条件,过了几小时来自美国的微软给了回复,但是称条件不足继续增加条件,连续几次,但是就是没法给恢复账号。同时给出建议,可以重新申请账号。
MSN中国给《投资者报》记者的回复中表示,MSN被盗实际上是微软账户账号被盗。只能联系微软公司的公关负责人了解情况。
MSN在中国市场的体验不好,为什么不像国外一样并入Skype呢?分析人士指出,Skype在中国的运营也并不好,Skype的业务优势在于网络的移动通讯,而且资费要比运营商便宜很多,相当于一个电话运营商 ,但是在中国并不能如愿。
与此同时,MSN中国运营权由微软与上海联和投资公司共同出资成立的上海美斯恩网络通讯技术有限公司掌握,双方各占50%股权,相互制约。
中国移动互联网产业联盟常务副理事长兼秘书长李易告诉《投资者报》记者,MSN中国依然存在主要是历史原因,其运营商是合资公司。其实股东一直准备卖,都在讨价还价的过程中,但是上海联投也占到50%的股权,没有第一大股东,谁也决定不了谁。
李易认为,目前MSN中国国内市场占有率很低,随着MSN并入Skype,已经表示MSN进入结束的阶段,已经没有什么价值。
他同时表示,事实上在Skype与MSN的重叠率达到80%以上,其中Skype有的功能都包含了MSN有的功能,MSN有的功能,Skype都有,但是Skype有的MSN未必有,因此才会合并。而中国的情况,那只是在找谁接手的问题。在目前的情况下,互联互通的价值已经很低。随之而来的,对于MSN的运营,很多人已经离开。
客户流失论文 篇7
随着移动业务市场容量的逐渐饱和,客户维持成了各运营商面临的重要问题。有数据显示,许多地区的移动运营商的净业务量和净利润有逐年减少的趋势,而防止客户流失则是客户维持的一个重要内容。
虽然许多运营商已经意识到客户流失问题的重要性,也采取了一些预防客户流失的措施,但是难以把握哪些用户可能会流失、在什么时间流失,从而使得客户保留措施有些盲目。这就需要对客户流失进行比较准确的预测,也就是利用客户的历史记录数据,对潜在的客户流失进行判断,比较准确地预测哪些客户即将流失、可能在什么时候流失等,为企业在客户流失事件出现之前制订应对计划留住客户提供信息。
电信业客户流失预测研究始于20世纪90年代,国内专家学者在21世纪初开始研究电信业客户流失预测方法。本文将对现有研究进行综述,分析客户流失的影响因素,介绍预测的模型和方法,并对进一步的研究进行展望,以期为解决客户流失问题的深入研究提供参考。
1 客户流失的影响因素
赵莽(2006)从客户保持理论出发,提出移动客户保持的几个相关因素,包括客户满意、客户忠诚、服务公平性和顾客归属感,提出了只有同时具备态度忠诚和行为忠诚的用户才是真正的忠诚客户。接着分析了移动通信市场的特点,在此基础上探讨了与客户保持相关的因素,并且通过实证分析验证了各个因素之间的关系。最后得出影响客户保持的主要因素包括客户满意、服务质量、服务公平。
王敏(2007)基于关键绩效指标(KPI)理论,认为客户流失分析属于一个指标评价系统,把客户流失度作为一种指标评价的目标,应用KPI的相关理论和方法来分析客户流失问题。计算客户流失度,归根结底是要找出影响客户流失的KPI。对于KPI提炼,我们采用3级选取的策略。第一级:分析影响客户流失的所有可能属性并建立客户流失主题数据仓库;第二级:在数据仓库上进行OLAP分析,找出对客户流失影响比较大的属性;第三级:采用敏感度分析与“神经网络”相结合的方法,对OLAP分析出的每一个属性进行敏感度分析,计算出影响客户流失的KPI,以这些KPI作为计算客户流失度的依据。
夏国恩(2007)则认为,目前的研究主要从客户的转换成本、服务质量、客户消费行为、客户基本特征等方面分析了影响客户流失的原因,为制定客户保持策略提供参考。而以客户行为、客户基本特征、产品质量三者为基础的研究还不多见,且上述研究依靠的数据主要来源于问卷、访谈,极少直接采用从企业各部门收集到的客户数据,忽视了在该部分数据中存在的客户信息和数据的易得性,这在一定程度上影响了客户流失因素分析和预测指标的建立。
2 预测的内容和方法
Rob Mattison (2005)提出客户流失预测主要有2个方面的内容,一是预测初始客户流失人数,也就是预测可能在预定时间范围内流失的客户总数。它可以为不同渠道的能力计划和预算管理提供信息。二是预测目标流失人数,也就是预测哪些客户在最近将要流失。这种预测不仅可以使运营商先人一步,在客户流失将要发生的1~2个月之前采取客户挽留商业活动,还有助于市场细分管理。国内的研究侧重于预测目标流失人数。
在客户流失预测研究中,大多数研究面临数据规模庞大、数据类别严重不平衡、数据呈非线性、数据不成正态分布且含有噪声等特点。当前在北美和欧洲地区,对客户流失行为预测技术的研究正逐渐受到人们的关注。在客户流失行为预测技术的研究过程中,主要采用逻辑回归、“c4.5决策树”和“神经网络”3种数据挖掘算法建立预测模型。在我国,由于移动运营行业特定的历史发展阶段,使得我国的客户流失行为预测技术研究处于起步阶段。
管东升(2006)以移动通信业为应用背景,通过对现有数据挖掘技术特点的深入分析和研究,结合我国移动通信业自身的特点,在客观分析客户的基本数据、交易数据和行为模式的基础上,从提高数据挖掘效率和精度的目的出发,提出了基于粗糙集理论的属性约简和“神经网络”混合数据挖掘的方法。通过并行遗传约简算对“神经网络”的输入属性空间进行约简,采用“BP神经网络”对约简后的数据进行挖掘。该方法充分发挥了粗糙集理论约简知识的能力和“神经网络”预测精度高的特点,应用于移动通信业客户流失行为预测技术研究中,取得了很好的效果。在此基础上,构建移动通信业客户流失预测系统基本框架,结合预测系统自身的特点,建立客户流失行为预测模型,提出移动通信业客户流失行为预测的解决方案,并运用实际客户数据对预测模型进行性能评估。
夏国恩(2007)通过对客户流失预测方法的研究发现,目前主要把电信业客户流失预测看作分类问题,这时客户流失预测的提法是:根据已知所属类别的若干个客户的一些特征指标,去判别一个未知类型的客户属于2个或多个不同类别中的哪一类别。根据智能化程度的高低,其研究方法可分为传统分类方法和人工智能分类方法。客户流失预测是一种特殊形式的模式识别,其目的是利用计算机对未来(相对于当前时间条件下)潜在流失客户进行辨识和分类,在各种准确概率(如整体准确率、命中率、覆盖率)最大的条件下,使预测的结果尽量与实际情况相符合。目前的客户流失预测主要采用客户人口统计信息、客户消费行为、客户接触信息、客户合同信息、产品特征等直接组成预测指标属性向量,不采用指标属性选择、特征选择或特征降维过程,将指标属性和特征向量与事先建立的预测数据库的指标属性和特征向量进行匹配或利用某种分类器进行分类预测。
夏国恩等(2008)应用基于结构风险最小化准则的支持向量机(SVM)进行客户流失预测,以提高机器学习方法的预测能力,并以国内、国外电信公司客户流失预测为实例,与“人工神经网络”“决策树”“贝叶斯分类器”等预测方法进行对比,发现该方法能获得最好的正确率、命中率、覆盖率,并提升系数,是研究客户流失预测问题的有效方法。
在不同的训练样本和测试样本上,或者是在相同样本的不同特征空间里,同一分类器的表现形式存在巨大差别。考虑到决策树分类算法对样本集的敏感性,王纯麟等(2007)提出可以用AdaBoost的方法来预测电信客户流失。其主要思想是给每一个训练样本分配一个权重,并通过不断修正权重进行训练,这些有不同权重的样本相当于一个一个的分类器,从而达到组合预测的目的。
孙力(2003)提出可以尝试用分形的方法进行通信业务数据的预测。因为通信业务数据具有统计相似性,分形技术可减少实际应用时需要的数据量,而且可以利用其历史资料进行累计和系列变换,从而构造相应的分形模型对未来的趋势进行模拟和预测。
3 客户流失模型应用
夏国恩(2007)对美国DUKE大学TERADATA客户关系管理中心的客户数据进行了预测分析。该数据包括6个月的客户数据,该研究将前4个月的客户数据作为输入指标,第6个月的客户状态为输出指标,中间预留1个月作为时间延迟。首先对有30%以上缺失值的指标进行删除,然后通过LIStwise对其他指标进行处理,最后利用3倍标准差检验进行异常数据剔除。通过抽样,最终获得1 673个训练客户样本数据(其中857个为非流失客户,816个为流失客户)、1 111个与训练客户样本相同时间下的测试客户样本数据(其中549个为非流失客户,562个为流失客户)、1 262个比上述测试客户样本数据晚2~3个月的未来客户样本数据(其中690个为非流失客户,572个为流失客户)。
张少辉(2007)以实际数据为依据,通过对“中国移动”客户2个月消费数据库的分析,有效地建立了一个客户分类方法和客户流失预警模型。通过该模型,一方面可以发现对客户流失有显著影响的业务类型以及流失前的一些特征,从而对流失概率大的客户群提前采取有效措施以达到挽留客户的目的;另一方面可以通过该文的研究方法对客户进行有效细分,从而在实际工作中根据实际情况进行客户分类并对每类客户的流失概率进行监控。
刘娟(2007)通过对成都市电信公司用户建立客户流失数据模型,建立相应的客户流失预警机制,及时对即将流失的客户作重点分析和客户挽留关怀,并运用灵活的价格策略,加大用户转网成本,在一定程度上减少价格敏感客户的离网率,同时对电信公司减少客户流失问题提出了一些建议。
邓劫(2007)以问卷调查表为基础,结合GY联通实际,对客户流失原因进行了比较深入细致的调研。在通过对调查资料分析的基础上,运用统计分析软件对各服务要素的得分、重要性及其对移动客户满意度和忠诚度的关系进行了分析,并提出了自己的建议。
4 研究展望
目前国内对通信企业客户流失预测的研究比较多,但是笔者认为,一个最大的不足是研究与现实有些脱节,即使有的研究使用了实例数据进行分析,但这只是特殊情况,所选取的影响因素指标、所选用的方法能不能再运用于其他数据中,都没有得到有效检验。而且有的研究过于追求预测模型方法的前沿性,没有考虑到国内移动运营商的实际需求。因此,笔者认为后续的研究可以从2个方面着手进行:一是继续完善我国通信企业的客户流失理论,并加强这方面知识的普及;二是要找到一些便于使用、精确度高的方法供通信企业使用。
参考文献
[1]Rob Mattison.电信业客户流失管理[M].北京:人民邮电出版社.2005.
[2]王纯麟,何建敏.基于AdaBoost的电信客户流失预测模型[J].价值工程,2007(2).
[3]夏国恩.基于商务智能的客户流失预测模型与算法研究[D]:[博士论文].成都:西南交通大学,2007.
[4]赵莽.基于实证分析的移动客户保持影响因素和策略研究[D]: [硕士学位论文].北京:北京邮电大学,2006.
[5]俞昌虹.移动用户定量预测方法的研究[D]:[硕士学位论文].合肥:合肥工业大学,2007.
[6]管东升.移动通信业客户流失行为预测技术的研究[D]:[硕士学位论文].大连:大连理工大学,2006.
[7]王敏.基于商业智能的电信客户流失分析[D]:[硕士学位论文].成都:电子科技大学,2007.
[8]夏国恩,金炜东.基于支持向量机的客户流失预测模型[J].系统工程理论与实践,2008(1).
[9]张少辉.中国移动客户流失预警模型研究及应用[D]:[硕士学位论文].北京:北京大学,2007.
[10]刘娟.CD电信公司移动业务客户流失分析及对策研究[D]:[硕士学位论文].成都:电子科技大学,2007.
基于决策树的证券客户流失模型 篇8
我国的证券业经过九十年代的高速发展,现在正处于缓慢增长期:客户数量动态增长,即在大量客户开户的同时,又有大批客户流失;每月新增客户数与交易的客户数相差悬殊,涌现出大批的无交易客户;业务与收入总量增长相对趋缓,出现“增量不增收”的现象。因此,分析客户流失原因、吸引潜在客户交易、增加现有客户满意度、减少客户流失几率、提高客户交易水平、充分占有市场,是证券公司在激烈市场竞争中制胜的关键。证券公司分析决策时对数据的依赖性和敏感度越来越高,数据挖掘技术作为分析与辅助决策工具已经越来越得到国内券商的重视。
证券业客户流失有两方面的含义:一是指客户从本证券公司转到其他证券公司,这是流失分析的重点;二是指客户月平均交易量降低,从高价值客户成为低价值客户。
客户流失分析,就是利用数据挖掘等分析方法,对已流失客户过去一段时间的交易行为等信息进行分析,提炼出流失或有流失趋势客户的行为特征,再将这些特征应用于现有的客户服务,采取相应的营销手段来保持和发展客户。
影响证券行业客户流失的特征与因素主要包括以下几个方面:
(1) 客户基本属性 如性别、年龄、开户时间、职业、爱好、籍贯、收入、职称等,这些资料在客户开户过程中得到,永久保存在客户资料数据库中。不同背景的客户有不同的社会行为特征和爱好,如职业影响收入、年龄影响证券购买类型等。
(2) 客户交易情况 如月(周)平均交易量、客户资金收益率、股票市值、资金余额、手续费率、客户价值类型等。在客户历史交易库中可获取客户交易详细信息。
(3) 客户服务情况 指客户通过投诉渠道或客户服务界面(如营业厅、网站、客户经理等)进行的有关手续费率、服务投诉/建议的情况。
(4) 交易系统运行质量情况 包括交易网络的质量、速度、功能等影响客户交易的因素。技术维护部门通过对交易系统进行压力测试、审计日志等手段可以获得系统运营的详细分析报告。
1 客户流失模型建立
1.1 客户流失模型建立的基础
建立客户流失模型,需要依据数据挖掘模型建立与分析的方法。目前,证券公司拥有大量的历史数据,每天交易系统还会产生多达上百万条客户交易记录。证券公司使用数据挖掘方法进行客户流失分析的基础已经具备。本研究所采用的样本来自中信证券股份有限责任公司天津友谊路营业部的历史交易数据。
1.2 CRM中的RFM模型
在客户关系管理中,经常用RFM模型将客户的交易习惯进行量化的描述和评估[1]。RFM模型是指最近交易时间、交易频率与交易金额。最近交易时间为计算客户最近一次交易至今的时间长短;交易频率为测量某一时间单位内客户交易的次数;交易金额指某一时间单位内客户交易金额的大小。
传统计算R、F、M的方法一般基于零售行业应用,R、F、M参数由领域内专家设定。例如:若某顾客在本季度内消费,则R=24;在半年内消费,则R=12,以此类推。根据证券业自身的特点,为了更好地反映证券投资者的交易行为特征从而构造客户流失模型,经过对已经清户的数据进行分析,文中对R、F、M进行了重新定义。
R=最近一次交易至今的天数 (1)
经过对7530个已经清户的历史交易数据进行分析,根据样本数据的分布,选择三个区间:R≤10;10<R≤23;R>23。
根据样本数据的分布,选择三个区间:F≤0.4;0.4<F≤1.7;F>1.7。
根据样本数据的分布,选择三个区间:M≤0.5;0.4<M≤1.6; M>1.6。
1.3 证券业客户流失分析的RFM-ROI模型
传统的分析客户流失的RFM模型是基于零售行业产生的。在零售业中,客户发生购买行为的目的一般是用于消费,不会产生收益。在证券业中,客户进行证券交易最主要和最直接的目的是获得投资回报,或者投资收益。客户能否在一个证券公司进行的证券交易中获得投资收益,是衡量该证券公司客户服务工作的重要标准。因此,将投资收益率作为分析客户流失的标准,在证券行业具有重要的实践意义。
客户的投资收益率是证券业客户分析的重要指标,它表示客户在某一时间内的资本损益。在基期的选择上,文中选择以月为单位,得到计算公式(4):
通过对历史交易数据仓库的挖掘,计算出客户在2005年的投资收益,然后根据样本数据的分布,选择了三个区间:ROI ≤-0.36; -0.36<ROI≤1.21; ROI >1.21 。
2 基于决策树的证券业客户流失模型
2.1 决策树简介
决策树是一个类似于流程图的树结构,其中每个内部节点表示在一个属性上的测试,每个分枝代表一个测试输出,而每个树叶节点代表一个类或者该类的分布[2]。近年来,决策树在分析行业客户流失模型中得到了广泛应用[3,4,5]。
2.2 训练集
基于RFM-ROI模型,文中将计算证券业客户流失模型的决策树属性集合定义为:{最近交易时间,交易频率,交易金额,投资收益率}。
根据该属性集合,通过将客户分析数据仓库和历史交易数据仓库进行处理,经过按照决策树属性集合定义的指标进行数据处理,得到客户流失数据表,如表1所示。
在表1中,将每个账户的资金帐号对应的最近交易时间、交易频率、交易金额和投资收益率四个指标给出具体的计算数值。“Status”字段给出了目前客户的状态:
Trading——表示该客户目前在交易状态(未流失)
Withdrew——表示该客户已经清户(流失)
客户流失数据表总计包括27009条客户记录,其中包含7530条已经清户的客户流失记录。我们以该表作为训练集进行客户流失分析。
2.3 基于决策树的证券业客户流失分析
在决策树的分析过程中,每个节点使用信息增益度量选择测试属性。这种度量称作属性选择度量。选择具有最高信息增益的属性作为当前节点的测试属性,该属性使结果划分中样本分类所需的信息量最小,并反映划分的最小随机性。这种信息理论方法使分类所需的期望测试数目最小,并确保找到一棵简单的(但不必是最简单的)树。
设S是训练样本集合,S为表1所示的客户流失数据表。类标号属性值的集合为:{Trading,Withdrew},对应着二个类C1和C2。s1和s2为类别C1和C2的样本数量,s1=19479,s2=7530。
在式(5)和式(6)中,pi是任意样本属于Ci的概率,用si/s来估计;S为客户流失数据表的记录数。经过计算,p1的值为0.72,p2的值为0.28。
通过p1和p2可以计算该样本分类所需的期望信息为:
设属性A有n个不同的值,可以用属性A将S划分为n个子集{s1,s2,…,sn},设sij是子集sj中类Ci的样本数,则节点A的熵或者期望信息由式(8)给出:
其中:
pij为sj中的样本属于类Ci的概率。
因此,在A属性上获得的信息编码是:
Gain(A)=I(s1,s2)-E(A) (10)
具有最高信息增益的属性作为给定集合S的测试属性。创建一个节点,并以该属性标记,对属性的每一个值创建分枝,并据此划分样本。
经过对客户流失数据表进行分析、计算,得到各个属性节点的信息增益值,如表2所示。
通过表2可以看出,在四个分类属性中,投资收益率(ROI)具有最高的信息增益值。说明在影响客户流失的诸多因素中,客户的投资收益率是最重要的指标。这个事实从数量分析的角度验证了证券业客户流失分析RFM-ROI模型具有重要的理论和实践意义。该模型的意义在于指导证券公司在客户管理中必须将客户的收益指标放在首位,加强客户服务水平,保证客户的盈利,从而留住客户,促进公司的长远发展。
2.4 决策树的ID3算法
决策树的基本算法是ID3算法[4],它以自顶向下递归的各个击破方式构造决策树,基本策略如下:
1) 树以代表训练样本的单个节点开始。
2) 如果样本都在同一个类,则该节点称为树叶,并用该类标记。
3) 否则,使用基于熵的信息增益的度量作为启发信息,选择能够最好地将样本进行分类的属性,该属性成为该节点的判定属性。
4) 对测试属性的每个已知值,创建一个分枝,据此划分样本。
5) 算法使用同样的过程,递归地形成每个划分上的样本判定树。一旦一个属性出现在一个节点上,就不必考虑该节点的任何后代。
6) 递归划分出现下列条件之一时立即停止:
(1) 给定节点的所有样本都属于同一类。
(2) 没有剩余属性可以用来进一步划分样本。在此情况下,使用多数表决,这涉及将给定的节点转换为树叶,并用样本中的多数所在的类标记它。
(3) 分枝没有样本,在这种情况下,以样本中的多数类创建一个树叶。
2.5 基于停止阈值的ID3算法改进
由于各个属性值的划分相对较多和客户流失表中存在一定数量的噪声点和孤立点,使用ID3算法使所构造的决策树较为复杂,许多分枝反映的是训练数据中的异常,其中蕴含的知识规则不能够直观地发现。
经过对样本数据的分析和构造决策树过程的研究,基于证券行业数据分布的特点和实时性的要求,文中采用了先剪枝方法,通过提前停止树的构造进行剪枝。如果在某一个节点划分样本时将导致低于预定义阈值的分裂,则给定子集的进一步划分将停止。然而,选取一个适当的阈值是困难的,较高的阈值可能导致过分简化的树,而较低的阈值可能使树的简化太少。
通过抽取3000条典型的客户流失样本,由有丰富经验的客户管理人员在各个属性值上的划分进行分析、计算,排除孤立点的噪声干扰,计算出每个属性的客户流失特征概率Qk(k=4,代表属性的个数),以Qk作为停止阈值。如果在某个属性上的划分达到Qk,则该分类能够明显地表达知识。当ID3算法在某个分支样本数量达到对应的Qk值时,即返回该节点为叶节点,实现决策树的最优停止。
对典型样本的人工分类结果如表3所示。
基于停止阈值改进的ID3算法如下:
(1) 创建节点N;
(2) 计算“客户流失分析表”中的流失特征概率QN;
(3) If QN≥停止阈值,then
(4) 返回N 作为叶节点,标记为C类;
(5) If attribute-list(候选属性集合)为空 then
(6) 返回N作为叶节点,标记为最普通的类;
(7) 选择attribute-list中具有最高信息增益的属性test-attribute;
(8) 标记节点N为test-attribute;
(9) for each test-attribute 中已知值ai;
(10) 由节点N长出一条件为test-attribute=ai的分枝;
(11) 设si是“客户流失分析表”中test-attribute=ai的样本集合;
(12) if si=empty then
(13) 加上一个树叶,标记为最普通的类;
(14) else加上一个由ID3(si,attribute-list-test-attribute)返回的节点。
由改进的ID3算法生成的决策树如图1所示。
通过图1所示的客户流失决策树,可以建立如表4所示的业务规则。
决策树生成的这些分类规则对证券公司的日常客户管理和维护工作具有重要的指导意义。特别是第一条规则,“如果某一客户的投资收益率小于平均客户投资收益率的36% 时,客户状态为清户”。这条规则提醒证券公司的客户维护人员密切注意客户的投资收益率的变化,如果接近客户平均收益率的36%,应采取适当措施挽留客户。
2.6 模型评价
为验证该模型的有效性,文中选择了样本外的9000条记录进行验证。首先计算出每条记录的Recency、Frequency、Monetary与ROI值,接着根据表4的业务规则预测客户的状态(Status),如表5所示。然后比较客户的预测状态是否和实际状态一致。如果一致,则预测正确。结果表明,预测和实际状态一致的记录数达到7263条,准确率为80.7%。
我们还用Logistic回归、神经网络建立了客户流失模型,本文不再详述。结果表明Logistic回归模型有75.42%的准确率,神经网络有64.31%的准确率,由此可见,决策树的预测结果是最为准确的。
3 结 论
本文描述了证券业客户流失分析的重要性,客户流失的定义,提出了影响客户流失的各种特征因素。然后根据CRM中的RFM模型,加入客户收益率指标,提出了证券行业客户流失分析的RFM-ROI模型。文中用决策树方法构建了客户流失分析模型,并提出了解决决策树剪枝问题的停止阈值方法。经过对该模型进行评价,结果表明该模型能达到80.7%的准确率,具有较强的实用性。
参考文献
[1]宝利嘉.顾问/细分:从客户区隔中谋取利润[M].北京:中国社会科学出版社,2003:151-154.
[2]Jiawei Han.Data Mining Concepts and Techniques[M].Beijing:High-er Education Press,2001:285-290.
[3]薛素静,上官同英,孙江山.决策树技术在电信行业客户流失分析中的应用[J].成组技术与生产现代化,2005,22(2):32-34.
[4]盛昭瀚,柳炳祥.客户流失危机分析的决策树方法[J].管理科学学报,2005,8(2):20-25.
客户流失论文 篇9
商务智能是从大量的数据和信息中发掘有用的知识、并用于决策, 以增加商业利润, 是一个从数据到信息到知识的处理过程。商务智能辅助商业活动作出快速反应, 加快知识的获取速度, 减少企业不确定性因素的影响, 满足管理层和决策层对信息知识的时间性和准确性的要求。超过2000个世界领先的品牌依靠IBM数十载的商务经验改善业务洞察和执行, 帮助企业向客户和合作伙伴增加交付的价值。政府或企业都需要在海量的信息中获取有价值的信息, 并据此做出科学的评估和决策。SPSS (社会科学统计程序) 是一套集数据信息的采集、处理、分析、评估、预测、并给出专业人士可接受解决方案的软件。IBM在收购SPSS后发布了IBM SPSS, 在原有SPSS基础上融入商务智能理念, 拓展了分析、评估、预测模型, 具有了更加丰富强大的智能决策支持能力。
二、问题分析
市场调查显示:一个公司平均每年约有10%-30%的顾客却在流失。但很多公司常常不知道失去的是哪些顾客, 更不知道这样会给他们的销售收入和利润带来怎样的影响。冷静地研究分析顾客流失, 对于企业挽救危机、健康成长具有十分重要的意义。
顾客流失是现代公司通过计算一位顾客一生能为公司带来多少销售额和利润来衡量顾客价值。寻找他们流失的原因即流失客户的特征, 通过数据处理, 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, 预测客户是否流失的可能性。对于客户的基本数据、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、解决算法
决策树演算法
人们认识事物时往往先把被认识的对象进行分类, 以便寻找其中同与不同的特征, 从而构建特征模型。在数据挖掘中一般用规则或决策树模式表示。
一个决策树的架构, 是由三个部分所组成:叶节点、决策节点以及分支。决策树演算法的基本原理为:通过演算法中所规定的分类条件对于整体数据进行分类, 产生一个决策节点, 并持续依照演算法规则分类, 直到数据无法再分类为止。在IBM SPSS Modeler中, 主要提供了四种常用的决策树演算法供使用者选择。使用者可依据数据类型以及分析需求的不同, 选择适当的决策树演算法进行分析。虽然不同的决策树演算法有各自适用的数据类型以及演算架构等差异, 但概括来说, 决策树的主要原理均为通过演算法所定义的规则, 对数据进行分类, 以建立决策树。
(1) C5.0由C4.5演化而来。此演算法的分类原理主要是利用资讯衡量标准来构建决策树, 并对每一个节点产生不同数目的分支来分割数据, 直到数据无法分割为止。C5.0的目标字段测量级别, 不适用于连续类型的测量级别。而输入字段的数据型态则适用连续类型的测量级别。 (2) CHAID此演算法和前述的C5.0概念很像, 均可以在每一个节点产生不同数目的分支来分割数据, 用来建立决策树。但是在背后分类的原理则利用卡方分析检定来进行分支, 通过卡方检定来计算节点中的P-value, 来决定数据是否仍须进行分支。另外, CHAID的目标字段的测量级别可适用于连续类型的测量级别, 但在输入字段则只适用分类类型的测量级别。 (3) QUEST此演算法是利用统计方法分割数据, 即以判定决策树是否仍需进行分支, 以建立二元的决策树。QUEST在变数的数据型态限制上, 跟C5.0一样, 目标字段测量级别, 不适用于连续类型的测量级别。但在输入字段的测量级别则适用连续类型的测量级别。 (4) C&R Tree又称为CART, 构建决策树的原理是使用Gini Ratio作为判定决策树是否仍须进行分支的依据, 并建立二元的决策树。此演算法不管是在目标变数以及输入字段的测量级别均适用连续类型的测量级别做分析。
四、方案对策
随着国内各种企业的改革, 激烈的竞争下各企业都面临严重的客户流失问题。大量的客户流失延长了企业利润回收的周期, 给企业造成了巨大的损失。在这种形势下, 如何分析客户行为预测客户的流失, 并结合竞争环境的变化制定有效的客户挽留以实现企业利益的最大化, 已成为企业的一个重要课题。减少客户流失的具体措施:开展品牌工程建设、开展个性化服务、做好客户关系的开发和维持工作、积极参与建立公平的市场秩序、完善自身业务能力、做好营销队伍建设等。
参考文献
[1]刘小虎, 李生.决策树的优化算法[J].软件学报.1998 (10)
客户流失论文 篇10
2009年1月, 工信部为三大运营商发布了3G牌照, 至今5年已经过去, 联通的3G客户一直保持一个较高的增长速度, 但现在已经放慢了增长的脚步。联通3G客户在高速增长的同时, 大批的离网流失客户是不能忽略的。对于一个企业来说, 客户的流失就意味着企业的失血, 何况联通的最大竞争对手还刚刚获得了政策的领先, 如果不能减少失血, 联通凭借3G时期积累起来的客户群和品牌效应就会慢慢被移动蚕食。如果联通等到自己想要的牌照发放后, 再去从移动、电信手中抢客户, 无疑会耗费更多的人力和资源, 事倍功半。
笔者作为联通的基层员工, 自入单位以来, 一直亲身经历着发展客户的艰辛和客户流失的无奈。基层工作, 尤其是运营商基层工作非常枯燥, 压力非常大, 基层员工是所有具体工作的最终执行者和最后完成者, 这就要求基层员工坚实可靠。维系线上的员工更是坚守在运营商交锋第一线的战士, 更要敏锐的搜集竞争对手的动态, 分析竞争对手下一步变化, 积极的申请可用资源, 诚实的面对各类客户。笔者认为, 客户流失的根源在于竞争, 只要控制好根源, 赢得竞争, 自然可以保有住相当的客户。
本文讨论的客户流失, 是指个人中高端客户的主动流失。客户可以简单的分为:集团客户、个人低端客户、个人中高端客户。不同的客户流失原因和保有的策略是完全不一样的。流失也有主动流失和被动流失之分, 客户欠费停机不再使用是被动的流失, 而客户因为各种原因, 主动销号离网属于主动流失, 还有一部分客户流失, 放弃了原来的联通业务, 转为新的其他联通业务, 这属于内部转网, 这种流失也不在本文讨论范围之内。
二、客户流失原因
在4G来临之初, 维系员工要做好客户的维系保有工作, 需要首先对目前的形势有一个清醒的认识, 即客户为什么会流失?笔者认为主要有以下四种原因:
(1) 竞争对手的攻势
虽然现在只有三家主要的运营商, 但是不客气的说, 现在的移动通信市场竞争非常激烈, 任何一家的任何一种产品, 随时可以在竞争对手那边找出完全相似的产品, 只要客户愿意, 客户可以随时更换产品。
笔者所在的联通公司就经常和移动、电信上演“针锋相对”活动。2013年初联通推出本地电话“敞开打”业务, 靠着低廉的价格成功抢占大批客户, 但是移动的反击也很犀利, 移动仗着自身的营销成本雄厚、客户群体众多, 也推出了自己的“敞开打”业务, 同样争夺了部分联通、电信的客户。现在移动4G拍照已经获发, 可想而知, 移动必定在2013年底2014年初展开一大波攻势。
(2) 羊群效应
一个饭店门口停的车越多, 就会有越多的人去吃饭, 甚至有饭店老板自己租车堵在自家饭店门口以吸引顾客, 这就是一种羊群效应。
同样在通信市场, 也会有这样的情况出现, 在心理学上, 这叫“趋众心理”。有的客户觉得周围的人都用移动的号码, 自己不用的话可能会导致自己的话费升高, 享受不到类似亲情号、虚拟网等类的业务, “大家都用我也用”, “随大流没错”等等的观念, 正是由于这些趋众心理, 就会导致客户流失。
(3) 信号差
联通公司成立时间较短, 全面网络优化时间也短于移动公司, 这是联通信号确实弱于移动公司的主要原因。加之近些年受到绿色环保等概念影响, 客户们对于基站的布设位置有了更多的要求, 很多原本布设在小区、办公楼、沿街商铺的基站, 被客户以辐射污染的理由拒绝继续布设, 很多的物业公司趁机提高租赁价格, 乱设“门槛费”等等不规范的行为, 也限制了部分地区的网络信号优化, 甚至在某些地区竞争对手和物业联合抵制联通基站进驻, 严重影响到了联通客户的使用, 造成客户流失。
(4) 服务质量差
笔者在对很多客户做流失回访的时候, 能听到客户抱怨说“上次我去你们营业厅办业务, 排队2个小时没办完”, “我装了个宽带, 2天了都还没给我装上”, 甚至还有“我打电话查个话费, 10010爱答不理的, 我就不用了”等等情况。对于这些情况, 实际上是那个时刻客户的服务感知不好。举例说宽带装不上, 客户着急, 可能机线员比他更急, 但是可能是小区不让进线, 或者离交接箱太远, 线路不够长, 机线员可能正在给积极的想办法解决中。客户遇到一个点的问题, 就会否定你一个整体, 不是说你所有的宽带都装不上, 因此导致离网、流失, 不能笼统的归为服务差, 据笔者经验, 很多时候因服务质量差导致的流失是可以通过相应工作挽留的。
三、客户维系挽留
只要企业正常运营, 客户流失不可避免。作为基层员工, 应对企业负责, 过滤每一户流失的中高端客户是维系经理必做的一环。
3.1熟知敌我, 淡定从容
移动得到4G拍照后, 肯定会从各个方面对竞争对手进行初期压制, 以移动的财力, 他们肯定可以做的很好, 但是作为联通基层员工, 直面竞争对手, 直面客户, 只要熟知双方优劣, 维系经理一样可以不落下风。
基层维系经理多是直接和客户交流, 必须要有简练但是效果出色宣传语言, 对比移动4G, 联通拥有的优势笔者总结为:三多一快一广。
(1) 三多:手机终端多, 苹果、三星、黑莓、诺基亚、摩托罗拉等国际知名品牌以及众多国内知名品牌手机生产厂商都支持联通4G;使用用户多, 由于联通标准是国际主流4G通信技术, 全球联通标准用户数超过1亿用户万户, 占全球4G用户90%以上;全球运营商多, 截至2013年10月, 全球67个国家已部署163张4G商用网络, 其中154张为联通标准。
(2) 一快:4G通信给人印象最深刻的特征莫过于它具有更快的无线通信速度。专家则预估, 第四代移动通信系统可以达到100Mbps至150Mbps, 而中国联通在国内部分城市全面建设LTE-FDD实验网络, 网速达到150M, 在4G时代继续领跑, 卫冕速度之王。
(3) 一广:全球最多的运营商, 这意味着中国联通4G用户出境漫游时无需更换号码和手机, 便能在全球任何地方方便快捷地使用4G优质高速网络, 在全球更广阔的的范围内容享受4G带来的精彩生活。
3.2重视自己, 匹夫有责
作为联通基层员工, 每个人都应该争取成为企业里独一无二、不可替代的人, 联通基层压力很大, 但是一个人只有首先重视自己, 才能得到别人的重视。基层人员基本素质就是坚忍、可靠。联通作为基层人员的家, 其自身的利益和和企业的利益是紧密相连的, 只有公司得到了发展, 基层才能得到更多的回报, 现在联通正处于一个爬坡期, “同舟共济”, 公司的目标优先, 认真做好本职工作, 才能共度难关, 如果大家都怨天尤人, 那这个企业也最终会失去活力。
3.3努力用心, 灵活工作
维系工作不仅要努力而且要用心, 只有用心才能把工作做好, 不能像寺庙里的和尚, 虽然敲着木鱼, 嘴巴念念有词, 但心却早飞走了, 如果联通的基层员工都像这样的和尚, 那企业危矣。维系工作不仅仅需要用心, 还需要灵活对待, 客户的需求是永远也满足不了的, 如果维系就是一味的满足客户, 那这样的客户最终也会离开, 维系客户时, 察言观色, 机动灵活是必不可少的。
3.4深入客户, 广泛接触
充分利用现有的客户流失预警系统, 目前该套系统已经分布到了联通的最基层单位, 维系员工每人都可以查看, 对于预警提出的诸如:客户突发严重投诉, 话务量突降、号码呼叫转移至异网号码等等信息, 维系员工务必第一时间和客户取得联系, 了解客户情况, 首先让客户感受到联通的温暖, 为继续开展维系挽留工作打下基础。
3.5说话的艺术
公司的许多政策与规定, 通常是基于法令或为了维护公司的利益, 甚至是为了维护客户的权益而制定的, 但某些规定, 却与客户“方便”相抵触, 如何透过不同的说话方式, 让客户感受到维系员工是在维护客户的权益, 并能不引起客户的反感和抱怨, 使原本潜在的客户抱怨有机会大逆转, 最后还向联通说谢谢, 这就是说话的艺术。
基层苦, 基层累, 但是基层的员工务必要充满信心, 让我们一起携手拼搏奋进, 借4G的大潮, 为更多的联通客户带来更方便快捷的信息服务!
参考文献
[1]刘志超, 王雷, 等.基于数据挖掘技术的客户流失预警模型[J].微计算机信息, 2011 (2) :176-177
[2][美]Rob Mattison.电信业客户流失管理[M].北京:人民邮电出版社, 2005年7月
客户流失论文 篇11
1铁路货运大客户分析
根据帕累托20/80原则,大客户只占有20%的客户比重,但却能带来企业80%的利润。目前,铁路运输企业的大客户是在已有的具有一定运量或收入的客户中选定的,这些客户在既有的铁路运输市场中占有一定地位,对铁路货运具有一定的战略意义。我国铁路货运要巩固和扩大货源,提高运输效率,降低运输成本,提高铁路货运质量,确保重点物资运输[1],重点是定位好铁路货运中的大客户。定位铁路货运大客户不仅仅是考虑客户直接带给我们的价值,还应该考虑客户的形象与潜在的价值,服务客户的成本,以及客户的可合作性。因此,具备以下条件的企业可称之为铁路货运大客户[2]:
①具有均衡稳定的货源,每年经铁路发送货物100万t以上或运输费用5000万元以上的企业。
②遵守国家的法律、法规和铁路有关规章制度,能在统一指挥下配合铁路做好货运组织工作,愿意与铁路签署长期战略合作协议的企业。
③在社会经济发展中具有重要影响,经国家行政主管机关登记注册,符合国家产业政策,具有良好市场信誉的独立法人主体。
④企业涉及的装车点应具备铁路信息网络接入条件和整列(成组)装车作业条件。
显然,铁路货运大客户给铁路带来的价值是不菲的,高效率、高回报、高稳定、低风险,所以需要重点关注与投入。当大客户战略发展到一定程度时,有必要为大客户制定个性的营销方案。
2铁路货运大客户营销方案
铁路货运大客户营销方案的制定就是要根据铁路货运大客户战略,铁路的运力和设备情况、竞争对手的信息,对铁路的产品和服务、目标市场等进行深入的分析,制定可执行的目标、营销计划和实施策略。大客户营销方案是为了达成铁路的运量目标或收入目标,提高市场份额,在深入理解大客户的基础上制定的。
大客户营销方案是由收集信息、分析信息和制定客户战略三个有机衔接的步骤组成。收集信息包括竞争者的信息、客户和所在行业信息。竞争者信息包括运输能力、设备状况、能力和资源、客户的态度、竞争策略、客户偏爱竞争对手的程度、优势和弱点等几个领域。客户和所在行业信息包括客户所在区域、客户的市场份额、主力市场、客户的竞争对手的情况、客户的需求特点、供应商情况、客户所在企业的市场定位、客户的经营业绩等。分析铁路自身状况,主要分析与客户关系和业务活动、铁路的能力和资源状况、竞争策略、铁路的优势和弱点及客户对铁路货运的态度,分析与客户关系所在的周期。在对竞争者、客户和铁路进行SWOT分析基础上,制定客户营销方案,确定总体发展目标。
根据客户营销方案,铁路应以大客户的运输需求为中心,将营销路线由“运输能力确定—运输产品销售”,转变为“市场需求研究—运输能力确定—运输产品开发—市场价值提供”,确定客户团队行动计划与客户沟通计划及与客户关系维护计划,并根据营销方案的实际实施效果进行大客户管理效果绩效评估和人员评估[3],提出改进方法。
3铁路货运大客户流失原因
在铁路货运中,大客户流失原因通常情况下主要有以下七个方面:
①未能达到大客户所要求的货运服务质量,尤其是对时效性的服务要求,这是导致铁路货运大客户流失的主要原因;
②铁路运输企业不能提供多样化的服务种类与服务性能,不能满足大客户的个性化需求,例如对增值服务的种类要求;
③铁路运输企业没有及时采取有效措施解决大客户的投诉和问题,或是对大客户提出的问题与建议未予解答、把服务低下的责任归咎于大客户等;
④铁路运输企业对大客户的服务态度消极,相互之间缺乏沟通,不能及时了解客户动向及需求转变;
⑤铁路运输企业所面临的与其它运输企业的激烈竞争。在大宗货物能够利用其它运输方式的情况下,竞争对手可能会以更低廉的价格、更具有技术优势的产品、更加完善的服务、更优惠的政策等优势获得大客户的青睐。在这种情况下,铁路货运可能最容易为竞争对手所替代;
⑥铁路运输企业的设施落后且兼容性差。目前铁路货运站所使用的大多数设施设备过于陈旧,站内的仓库、装卸机械、运送设备、信息交换等硬、软件设施都跟不上物流市场发展与技术进步的需求,不能适应当前货物储存、流通、配送的需要。同时,车站之间还存在能力不均衡问题,部分车站满足不了大客户的物流服务需求。
⑦其它原因。如部分大客户遭遇不可控的自然因素,如经营方向调整、经营规模缩小、缺乏经营能力而导致经济亏损、破产等导致客户流失。
4铁路货运大客户流失预警对策
为防止铁路货运大客户流失,必须着眼于提升大客户的满意度与忠诚度,而这需要从战略和策略两个角度去实现。通过建立战略合作伙伴关系,有利于形成长久合作机制;通过策略化运作可以稳固日常合作关系,二者结合才能“长治久安”。铁路货运大客户管理的核心理念是“不是管理而是服务”,这是最大化留住大客户的根本。根据对铁路货运大客户的调查分析,预防铁路货运大客户流失的主要对策如下:
①在铁路运输企业内组建专业的大客户管理部门。组建专业管理部门,并实现组织管理职能,这在通信、邮政、银行等很多行业都已实施[4]。为更好地管理大客户,有必要建立以下的工作组织职能链条:铁路运输企业→大客户管理部门→交叉工作组→大客户。
②采取最适应的管理模式。大客户与铁路运输企业的合作具有一定的特殊性,而其特殊性就体现在模式创新性、价格特殊性、服务紧密性等诸多方面。而这些特殊性就要求铁路最大化地接近大客户,掌握客户的个性化需求,提高对大客户的时间精力投入、信息收集能力,为个性化策略制定以及个性化服务提供依据。
③建立激励体系。铁路货运企业必须建立大客户激励政策,激励其延续货运服务合作。其实,很多企业把客户划分为关键客户、重点客户、一般客户等几个级别加以管理,并根据不同级别制定不同的管理政策,目的就是对那些对企业贡献度高的客户予以激励,包括物质激励(如资金、实物等)和精神激励。
④建立铁路货运大客户信息数据库。铁路运输企业有必要引入大客户管理系统,以大客户的信息资料为基础,围绕大客户进行大客户发展分析、大客户价值分析、大客户行为分析、业绩贡献额分析、大客户满意度分析等工作,使得决策层对大客户的发展趋势、价值趋向、行为倾向能够及时准确的把握,并能对重点大客户进行一对一分析与服务。
⑤建立全方位的沟通体系。大客户管理部门中的大客户服务人员、客户经理及其主管定期或不定期主动上门征求意见,客户经理能随时与大客户碰面,发现大客户的潜在需求并及时解决。加强与大客户间的感情交流,根据铁路实际,定期组织铁路高层领导与大客户高层之间的座谈会[5],努力与大客户建立相互信任的合作关系及互利双赢的战略伙伴关系,并且有利于化解渠道冲突。
⑥不断分析研究大客户。管理大客户要坚持“动态分析,动态管理”的原则,把握大客户动态的同时,也不断创新大客户管理。重点做好大客户流失预警分析,防患于未然。
⑦提升整合服务能力。提升整合服务能力应以客户为导向,包括以下内容:量身打造服务模式(如顾问服务、驻扎服务);建立服务沟通平台(如网络、电话等);强化基本服务(基本服务项目保障);提供增值服务(不断为客户创造产品之外的新价值);建设铁路服务文化(铁路内部文化传播和对客户传播);提供完善的服务解决方案等。
5铁路货运大客户增值服务
增值服务(Value-added service)目前没有统一的定义,但其核心内容是指根据客户的需要,为客户提供超出常规服务范围的服务,或者提供采用超出常规服务方法的服务。在铁路货运大客户营销方面,目前还没有完整的增值服务体系。大客户增值服务体系设计不仅能够深化铁路货运大客户战略思想,也是铁路运输企业实施铁路货运大客户战略的重要内容。这就需要根据大客户的具体需求,为大客户提供超出常规的创新服务,满足大客户个性化的需求,实现企业差异化的竞争优势。
6结语
本文系统分析了铁路货运大客户的内涵与特征,提出了铁路货运大客户营销方案的设计方法。在此基础上,具体分析了铁路货运大客户流失的原因,探讨了大客户流失预警的具体对策,并介绍了铁路货运大客户进行增值服务设计的意义与原则,能够为铁路大客户营销提供理论基础。
摘要:定义了铁路货运大客户的范畴与类别,提出具有针对性的铁路货运大客户营销方案,具体分析铁路货运大客户流失的原因,并探讨了大客户流失预警的具体对策,能够为铁路货运营销提供理论基础。
关键词:铁路货运大客户,营销方案,流失预警
参考文献
[1]郭玉华.我国铁路大客户战略发展对策[J].综合运输,2010,(7):67-75.
[2]叶玉玲,王艺诗,韩聪颖.铁路货运大客户战略发展研究[J].铁道运输与经济,2009,31,(11):36-39.
[3]匡敏.我国铁路大客户管理思路[J].运输市场,2007,(3):1-5.
[4]李红兵.浅谈铁路货运市场营销策略[J].赤峰学院学报(自然科学版),2010,26,(4):12-13.
【客户流失论文】推荐阅读:
客户流失分析06-02
客户流失预测08-26
银行客户流失分析报告08-26
农村教师流失论文08-02
知识型员工流失论文06-20
中职生流失原因分析论文06-06
毕业生高流失率论文08-14
大学生志愿者流失问题论文07-15
IT行业销售人员流失问题分析论文05-11
养分流失05-24