שימוש בעץ החלטות עבור הלקוח צ'ורן חיזוי בתעשיית טלקום

בתעשיית הטלקום התחרותית ביותר, שמירה על לקוחות אינה רק מטרה מבצעית – זהו הכרחי אסטרטגי לצמיחה ולרווחיות מתמשכת.עלויות רכישה גבוהות של לקוחות, בשילוב עם שווקים בוגרים, כלומר אובדן מנויים ישירות הכנסות ונתח שוק.אחד הגישות האנליטיות היעילות ביותר להילחם במגמה זו הוא תחזית churn לקוחות באמצעות טכניקות למידה מכונה.

מה הלקוח צ'ורן?

הלקוח, הידוע גם כטיפול לקוחות, מודד את השיעור שבו לקוחות להפסיק את הקשר שלהם עם עסק. in Telecommunication, צ'ואן מתרחשת כאשר המנוי מבטל את השירות או מתגים שלהם למתחרה. Churn יכול להיות מסווג כמו מרצון (החלטת הלקוח) או involuntary (בשל ללא תשלום, הונאה או ניתוק שירות).

ההשפעה הפיננסית של צ'וורן היא משמעותית.הרכישה של לקוח חדש יכולה לעלות 5 עד עשר פעמים יותר מאשר שמירה על קיים. ירידה של 5% בצ'כיה יכולה להגדיל את הרווחים ב-25% עד 95% על פי מחקרים בתעשייה.לכן, זיהוי לקוחות בסיכון לפני שהם עוזבים מפעילי טלקום להשיק תוכניות שימור ממוקדות, כגון הצעות מותאמות אישית, שירות לקוחות, או איכות משופרת.

הבנת עץ

עצי ההחלטות הם אלגוריתמים של למידת מכונה המשמשים לסיוג ולמשימות רגרסיה.הם מודל החלטות כמבנה עץ, שבו נקודות פנימיות מייצגות בדיקות על תכונות (למשל, "שימוש בנתונים חודשיים > 10 GB?"), ענפים מייצגים תוצאות של בדיקות אלה, ועליות nodes מייצגים תוויות חזו (צ'ור או לא צ'נדרן) שלהם, הטבע מבוסס-חוק, הופך אותם לפירושים מאוד בהשוואה לדגם שחור כמו רשתות קוסמיות.

כיצד נבנות העצים

האלגוריתם מפצה באופן רציונאלי את הנתונים המבוססים על ערכים תכונה כדי למקסם את ההומוגניות ב subsets וכתוצאה מכך.בכל צומת, תכונה ונקודת פיצול נבחרים כדי להפריד הטוב ביותר את המעמדות. Common פיצול קריטריונים כוללים:

(ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(FLT:0)Entropy / מידע מקבל: FLT:1 מודד את ההפחתה באי ודאות לאחר פיצול.האלגוריתם בוחר את התכונה הממקסמת רווח מידע (או מצמצם את entropy).

לדוגמה, צומת עשוי להכיל 100 לקוחות, 80 נאמן ו-20 churners (Gini= 0.32), פיצול על "שיחות תמיכה לקוחות > 3" עשוי לייצר ילד אחד עם 30 לקוחות (25 כאורנרים, 5 נאמן) ועוד עם 70 לקוחות (55 נאמן, 15 כנרים), צמצום משקל Gini ל-0.

חלוקה מחדש זו יוצרת מערכת של כללים קלים לדמיון ולהסביר לבעלי עניין לא טכניים.לדוגמה, כלל עשוי להיות: "אם מספר שירות לקוחות קורא > 5 וחוזה = חודש לחודש וכהונה ושעה; 12 חודשים לא צפויים צ'וורן".

היתרונות של שימוש בעץי החלטות ב Telecom

(FLT:0) יחסיות: עצי החלטות 1FLT מייצרים כללים ברורים, פעילים. צוותי שיווק ומנהלי מרכז טלפוני יכולים להבין מדוע לקוח מוקרן כסיכון גבוה ומתכננים התערבות ספציפית (למשל, להציע הנחה אם הכלל מצביע על רגישות מחירים).
(FLT:0Speed:03:03: ⁇ :1 ; שניהם הכשרה והפרעה הם מהירים, אפילו על נתונים גדולים של טלקום (מיליוני מנויים) עומק עץ ומספר תכונות ניתן לשלוט כדי לענות על דרישות הגינות עבור תחזיות בזמן אמת.
(FLT:0) בחירה: FLT:1 העץ באופן אוטומטי מדרג תכונות על ידי חשוב. אנליסטים טלקום יכול לזהות כי "אורך קבוע" או "הכנסות ממוצעות למשתמש (ARPU)" הם נהגים מובילים, להודיע אסטרטגיה עסקית רחבה יותר מעבר למודל החיזוי.
(FLT:0) ניצול נתונים שאינם-Linear: ריצוף 1: עצי החלטות יכול מודל אינטראקציות מורכבות בין תכונות ללא צורך שינוי מפורש.לדוגמה, ההשפעה של השימוש בנתונים על צ'נדר עשויה להיות שונה עבור לקוחות בתשלום מראש לעומת לקוחות בתשלום - העץ מתחלק באופן טבעי על שני המשתנים.
(FLT:0) הכנת נתונים מינימלית: עצי החלטות 1FLT:1 חזקים כדי לצאת החוצה ויכולים להתמודד עם סוגים מעורבים של נתונים (קטגוריאליים, מספרי) ללא סטנדרטיזציה נרחבת או דומי.

יישום עץ ההחלטות עבור צ'ורנן

פרויקט חיזוי מוצלח של צ'ואן עוקב אחר צינור שיטתי.תחתנו אנו מפרטים כל צעד עם שיקולים ספציפיים של טלקום.

שלב 1: איסוף נתוני הלקוח ההיסטוריים

איסוף נתונים ממערכות חיוב, CRM, יומני רשת ופלטפורמות שירות לקוחות.

(ב) ⁇ :0) ⁇ (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(FLT:0) Account Informationeur: FLT:1 חוזים מסוג (חודש לחודש, שנה, שנתיים), כהומנה, שיטת תשלום, דגל ללא תשלום.
(FLT:0) דפוסים:FLT:1ir דקות חודשיות, ספירת SMS, נפח נתונים, שיא לעומת שימוש מחוץ ל-peak, לשוטט בשימוש.
(FLT:0) ניסיון שירות: המחשה: מספר שיחות תמיכה לקוחות, משך שיחה ממוצע, מספר התלונות, כרטיסי שירות, הוצאות שירות מנוסה.
(ב) היסטוריית בילינג:0) 1 תשלום חודשי ממוצע, סך ההכנסות, תדירות תשלום מאוחרת, הנחות החלות.
(ב) ◄0 (הופנה מהדף אינטראקציה: 1) מספר שיחות לקווי שירות מתחרה, בקשות ליציאה.

משתנה היעד הוא דגל בינארי המציין האם הלקוח המוצב בחלון תצפית מוגדר (למשל, 30 ימים הבאים) חיוני להגדיר את החלון הזה באופן עקבי - תוך מתן עדיפות גבוהה מדי מראש להפחית את הדיוק, בעוד חלון קצר מדי עשוי לעזוב זמן לא מספיק עבור פעולות שימור.

שלב 2: עיבוד נתונים

נתוני הטלקום של Raw הם לעתים קרובות מבולגנים.משימות עיבוד עיקריות כוללות:

(FLT:0) ערכים חסרים: FLT:1 עבור תכונות מספריות, מוטציות אמצעיות הוא נפוץ (למשל, שימוש בנתונים חסרים שנקבע לתווך).
(FLT:0) קידוד Categorical Variables:BuildFLT 1 השתמש בקידוד חד-פעמי לקטגוריות נומינליות (למשל, סוג החוזה = חודש לחודש, שנה אחת, שנתיים) שלוש עמודות בינאריות) לתכונות אורדיניות (למשל, ציון 1-5), לשמור על אינטגרטורים.
טיפול: 0Outlier: FLT:1 , ערכים קיצוניים עבור תכונות כמו מספר שיחות תמיכה ב 99th%ile כדי להימנע מפיצול על נקודות נתונים נדירות, בלתי מייצגות.
(FLT:0) הנדסה הנדסית: FLT:1 ליצור תכונות נגזר ללכוד התנהגות.דוגמאות: תשלום חודשי ממוצע לדקה, כהונה ריבוע (למודל השפעות לא לינאריות של נאמנות), יחס של תשלומים מאוחרים לתשלומים בסך הכל, גרף ממודלים קודמים.
(FLT:0) שיעורים מאוזנים: ההרחבה 1 (המידע של צ'ורנט) הם בדרך כלל חסרי איזון (למשל 10% צוללים, 90% נאמנים) טכניקות כוללות oversampling את מעמד המיעוט (SMOTE), תוך כדי הדגימה את הרוב, או באמצעות משקולות בכיתה באלגוריתם עץ ההחלטה.

שלב 3: פיצול נתונים לאימון ובדיקות

השתמש בפיצול מבוסס זמן ולא בפיצול אקראי כדי למנוע דליפת נתונים - אימון על נתונים קודמים (למשל, חודשים 1-6) ומבחן על נתונים עתידיים (חודש 7 חודשים). יחס טיפוסי הוא 80/20 גם יוצר מערכת אימות עבור כוונון היפר-פרפרפרפרמטר.

שלב 4: לאמן את מודל עץ ההחלטות

בחר ספריית כמו scikit-learn (Python), rpart (R), או H2O. Conform hyperparameters:

(ב) ⁇ :0) ⁇ (מ"ג) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) [15] ⁇ samples split: ⁇ 1 (מספר מינימלי של דגימות הנדרש כדי לחלק צומת פנימי.
(ב) [15] ,0 ⁇ samples leaf:cioFLT 1: דגימות מינימום בצומת אחד מונע עלים החל מעט מאוד לקוחות.
(ב) "התחילה" (ב"ב) או "הנחמה" (בתרגום חופשי: "השני") מבצעים את אותה פעולה; ג'יני הוא מעט מהר יותר.
(ב) ,0) [הדרגה ]: [ה] [ה]], [ה], [ה],] , [ה], [ה], [ה],] , [ה],] כדי להחליש באופן אוטומטי לחוסר איזון מעמדי.

לאמן את העץ על מערכת האימונים ודמיין אותו.עץ רדוד (מעמיק 2-4) ניתן להדפיס כבשר זרימה, מה שהופך את זה קל לתקשר עם מנהיגים עסקיים.

שלב 5: הערכת ביצועי מודל

מכיוון שצ'ור אינו איזון, הדיוק לבדו מטעה (מודל תמים המנבא "אין צ'נדר" לכל משיגה דיוק של 90%).

(ב) ⁇ :0) ,(הקדמה: 1) 1 של לקוחות חזו לצ'ואן, כמה באמת קמו?הדיוק הגבוה מקטין את הוצאות השמירה המבוזבזות.
(ב) [ה]הסברה: [ה]: [ה] [ה]], מה היה חלק מהכווזרים בפועל, הלקחים את המודל?...הזיכרון הגבוה מבטיח פחות לקוחות בסיכון לעבור.
(ב) ⁇ :0) ⁇ : 1=המוסרי של דיוק וזיכרון.
(ב) ⁇ :0 ;0)ROC-AUC: FLT:1, משנה את יכולת המודל להבחין בין המעמדות.
(FLT:0) Lift Curve / מקבל את תרשים: FIRLT:1) מראה כמה טוב יותר המודל ביצועים מאשר מיקוד אקראי.לדוגמה, 10% העליון של לקוחות מדורגים על ידי הסתברות צ'נדר עשוי להכיל 50% של כנרים בפועל.

להעריך את סט הבדיקה ואת cross-validate כדי להבטיח יציבות.אם העץ מתאים (דיוק הכשרה גבוה, דיוק מבחן נמוך), ליישם את הסגירה או להפחית את ה-max עמיק.

שלב 6: עיין במודל כדי לחזות את עתיד צ'ורן

לאחר אימות, לשלב את המודל לתוך זרימת העבודה המבצעית.זה יכול להיעשות באמצעות ציון אצווה (למשל, עבודות לילית שעדכון ציוני צ'ואן עבור כל בסיס המנויים) או ניקוד בזמן אמת (למשל, לגרום להצעה לשימור כאשר לקוח קורא תמיכה).הפלט צריך לכלול הסתברות צ'ואן ואת הכללים המובילים לתרום עבור כל לקוח, המאפשר התערבות אישית.

קמפיינים של קשב צריך להיות A / B נבדק: לטפל בפסגת הסיכון גבוה עם הצעות ולהשוות את שיעורי הצ'וורן לקבוצת בקרה. Monitor מודל סחף - התנהגות של לקוחות משתנה לאורך זמן, הדורשת מודלים מסדירים כל רבע או כאשר מכסים חדשים או מתחרים נכנסים לשוק.

אתגרים ושיקולים

בעוד שעצים החלטות הם חזקים, הם באים עם מגבלות.הבנתם של מתרגלים מטלקום מסייעת להם להשתמש ביעילות.

Overfitting

עץ החלטות שגדל עמוק מדי מרעיש רעש בנתונים של האימון, המוביל לאסטרטגיות של מייגציה גרועה כוללות:

(ב) ⁇ :0) ,התחילה: "החלל" 1 (ב) כאשר צומת מכיל פחות מדגימות של מינוס split או כאשר פיצולים נוספים אינם משפרים את ההפחתה של האימפולס מעבר לסף.
(ב) [15] ,התעלו (המורכבות) (התחילה) ב[[1924]], [[1924]], [[1924]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]
(FLT:0) שיטות של ארסיות: FLT:1 , יערות אקראיים וגרדנט בוטינג משלבים עצים מרובים כדי להפחית את השחלות תוך שמירה על הפרשות (למרות שפירושו הוא מעט הקרב).

מידע על Imמאזן

כאשר צ'ואן הוא נדיר (למשל, 5%), עצי ההחלטות נוטים לתמוך במעמד הרוב.כתובת זה דורשת לא רק התאמות אלגוריתמיות (דרגה משקל) אלא גם בחירה זהירה של מדדי הערכה. שקול באמצעות (FLT:0precision-recall עקומsFLT:1 במקום עקומות ROC, כפי שניתן יהיה אופטימי מדי עבור אירועים נדירים.

חוסר יכולת

שינויים קטנים בנתונים של אימון יכולים לייצר עצים שונים מאוד.זה יכול להיות בעייתי כאשר המודל משמש למטרות רגולטוריות או תאימות (למשל, ניתוח ההוגנות) מגפייםtrap aggregating (בריצה) ביערות אקראיים מייצב תחזיות. לחלופין, שיטות הרכב כמו XGBoost ניתן להשתמש.

תכונות ב-Bas כלפי תכונות עם הרבה רמות

עצי החלטות מעדיפים תכונות קאוליטוריות עם קטגוריות רבות (למשל, מזהה לקוחות) על פני מישורים.הימנעות כולל תכונות בעלות דיוק גבוה, אלא אם כן הם היו מקובצים או מקודדים (למשל, באמצעות מיקוד מטרה).

שיטות מתקדמות: Ensemble Methods

עבור תחזית הצ'כיה של הייצור, עצי החלטות בודדים מוחלפים לעתים קרובות על ידי האנסמבלים המשלבים מאות עצים:

(FLT:0Random Forest: FLT:1 Trains רבים על דגימות מפוספסת מגפיים ו subsets אקראיים של תכונות, ואז ממוצע התחזיות שלהם.It משפר את הדיוק ואת העוצמה במחיר של כמה הפרשנות.
(FLT:0)Gradient Boosting (XGBoost, LightGBM, CatBoost): 3.10.1 בונה עצים באופן משמעותי, כל אחת משגיאות תיקון של הדגמים האלה בדרך כלל להשיג תוצאות המדינה-of-the-art על נתוני טלקום לשונית.עם זאת, יש להם יותר היפרמטרים לכוונון והם פחות מפרשים.

גישות היברידיות הן נפוצות: להשתמש עץ החלטה רדודה עבור בדיקות ראשוניות, ולאחר מכן ליישם XGBoost עבור הניקוד הסופי.מאזן זה של הפרשנות וביצועים מתקבל לעתים קרובות על ידי בעלי עניין טלקום.

דוגמה אמיתית לעולם: Telecom Churnחיזוי עם עץ החלטות

מפעיל טלקום אירופאי גדול ייושם מודל עץ החלטה כדי להפחית את הצ'ואן בין בסיס הלקוחות בתשלום שלה.התמונים כללו 500 אלף לקוחות עם 200 תכונות.לאחר עיבוד מוקדם, עץ החלטות עם מקס עמיק=5 הוכשר.

לקוחות עם סוג חוזה = חודש לחודש וכהונה; 6 חודשים וממוצע בשימוש בנתונים החודשיים > 20 GB היו הסתברות צ'כיה של 65% (כוורים גבוהים).
לקוחות עם הקדנציה וגיל; 24 חודשים ללא תשלום מאוחר בששת החודשים האחרונים היו בעלי סיכוי צ'ונדר של רק 3%.

המודל השיג דיוק של 0.72 וזיכרון של 0.68 בעשירייה העליונה.המפעיל התמקד בלקוחות אלה עם בונוסים נאמנות ושדרוגים ברשת פרואקטיבית. Churn במגזר הטיפולי צנח ב-12% ברבעון הבא, וכתוצאה מכך רווח נוכחי נטו של 2.5 מיליון יורו.

תוצאות כאלה מחזקות את הסיבה לכך שעצים ההחלטות נותרו מרכיב עיקרי בניתוחי טלקום, אפילו ככל שמודלים מורכבים יותר מופיעים.

מסקנה

באמצעות עצי החלטות עבור תחזית צ'ואן לקוחות מציעה לחברות טלקום דרך שקופה ויעילה לזהות לקוחות בסיכון.הפרשיות שלהם מגשרים את הפער בין מדע נתונים לבין פעולות עסקיות, המאפשרות שיווק וצוותי ניסיון לקוחות לפעול על תובנות ברורות, מבוססות כללים. על ידי ביצוע צינור יישום קפדני - איסוף נתונים קפדני, עיבוד מוקדם, היפרפרנון, ופריסה משולבת עם אסטרטגיות שימור -elele יכול להפחית באופן משמעותי את שיעורי הסימון.

בעוד שלעצים החלטות בודדים יש מגבלות כגון חוסר יציבות והתאמה יתר, אלה יכולים להיות מנוהלים עם ריצה או על ידי העברת שיטות כמו יערות אקראיים או Gradient Boosting בסופו של דבר, הבחירה של אלגוריתם צריך להתאים עם הצורך של הארגון להסביר לעומת כוח חיזוי גולמי. עבור מקרים רבים של שימוש טלקום, עץ החלטות מכוונן היטב - או שילוב של עץ עם מודלים עמוקים יותר - לספק את הטוב ביותר על פני השטח.

(ה) להעמיק את ההבנה שלך, לחקור את הנתונים של FLT:0 (המידע של עץ הלמידה של עץ הלמידה) או לבחון את הנתונים הטלקום הציבורי כגון FLT:2Telco Customer Churn על KaggleFLT 3 עבור פעילות מעשית, ייעוץ משאבים על FLT:4XGBSTF:5 ו-Fatertellosto לחיזוי חומרים טכניים על ידי שימוש ב- 7.