基于虛擬技術中logistic回歸模型在睡眠客戶預測中的應用

陳寶華 柳炳祥 萬川南

摘要：企業的客戶關系管理工作好壞，直接影響到企業的核心競爭力，發現一個潛在的客戶，往往比挽留一個客戶所花費的成本要大的多，因此，發現睡眠用戶，并做好相應的客戶關懷，挽留住即將流失的客戶，就顯得非常重要。論文利用logistic回歸模型，建立客戶睡眠客戶的預測模型，建模步驟分為變量分析、變量變換、模型建立評估。從實驗分析和結果上看，模型效果擬合較好，評價logistic回歸模型結果好壞的ROC、KS曲線驗證了該方法的可行性和有效性，為睡眠用戶的預測提供了一種分析的思路和方法。

關鍵詞：睡眠客戶 預測模型 logistic回歸模型

中圖分類號：F123.9 文獻標識碼：A 文章編號：1007-9416（2016）08-0069-02

1 引言

睡眠用戶的定義和模型目標變量的選定息息相關，而目標變量是用模型確定業務問題的模型解釋，這個過程本身就是業務問題轉化統計模型問題過程。鑒于睡眠用戶定義的重要性，睡眠用戶的直接表現是停止交易，所以最后一次交易到無交易的時間是一個比較合理定義。為此從統計用戶兩次之間交易間隔來確定睡眠用戶的定義。統計用戶的最大交易間隔天數分布情況，從圖1中可以看出，到當用戶最大交易間隔天數在90天后，用戶的最大交易間隔分布下降平緩，而且70%以上的用戶的最大交易間隔小于等于90天。

發現睡眠客戶對于企業的客戶管理工作非常重要，論文采用logistic回歸模型對睡眠客戶進行分析，發現睡眠客戶的特征，進而改善客戶關系管理工作，提升客戶價值。

2 數據處理

2.1 數據來源

論文數據來自于某第三方支付平臺歷史交易數據，對一些涉及商業機密的數據，如交易金額等進行線性變換，對用戶個人隱私信息進行剔除。

2.2 數據預處理

在建立模型之前，對重復數據進行了預處理。首先從業務的角度上，對用戶的交易是主動性交易與被動性交易進行整理，從業務的角度上理解主動交易更能反映用戶的行為，所以數據刪除被動交易記錄。對文本字段轉換成數值字段，時間字段轉換成標準時間格式，即數據處理中截取、清洗、轉換。

2.3 確定高價值客戶

從業務的角度上，歷史活躍度很低的用戶，對企業的認可度可能更小，對這樣的用戶營銷收益不高。所以建立模型時，要考慮確定什么樣的用戶是高價值用戶。高價值的用戶有一定的活躍度，而活躍度主要表現在交易次數上。而為了確定有價值用戶的規則，篩選出在歷史交易時期沒有睡眠的用戶，計算這些用戶在6個月中的歷史交易情況，并對整體用戶的分布趨勢進行匯總統計分析，數據處理結果如表1所示。

3 logistic回歸模型在睡眠客戶預測中的應用與分析

3.1變量選取

對于本次建立的睡眠用戶，預測模型的變量選取，主要是客戶屬性變量與客戶交易行為變量。其中客戶屬性變量有：CUSTOMER_NO，用戶實名等級，注冊時間；客戶交易行為變量有：交易金額，交易類型，交易時間，每次交易前余額，每次交易后余額，交易類型（涉及商業機密數據，所以將金額數據進行線性變換處理），還有一些衍生變量。

3.2 變量處理

原始數據繁雜冗余，不能直接用于建模。數據處理過程包括缺失處理、變量類型轉換、日期型變量處理、錯誤變量處理、異常值處理、相關性變量處理、變量選擇。其中缺失值處理的方法是，當交易數據為缺失時，用零來代替，代表沒有發生交易，是一個合理的解釋。所以，本文的原始變量缺失則用零代替。變量的刪減的方法是，刪除變量是一個非常慎重的問題，但是若是存在較強相關性的情況下，logistic 回歸結果是不滿意的。因為變量過多，一次性進行變量相關性分析結果，顯得過于繁雜，不利于找出其中的規律。為此，先進行變量重要性分析，將變量相關性分成兩階段進行。第一個階段，先分析三個維度中變量的相關性分析。第二階段，在完成第一階段分析之后，剩余的變量全在一起分析變量相關性。

3.3 模型建立

按上面的分析，對變量進行選取及變量的處理后，進入建模階段。實驗所選變量主要體現用戶交易行為變化、最近交易行為、用戶身份特征來擬合用戶是否會進入睡眠狀態。將整理好的數據按50%比例隨機抽樣，分別得到訓練集和測試集。實驗模型是基于SAS軟件中的PROC LOGISTIC過程來實現的。選取逐步回歸估計的方式，模型估計結果如表2所示。logistic 回歸分析的極大似然估計分析，如表3所示。

3.4 模型評估

評價logistic回歸模型結果好壞，主要有K-S曲線、ROC曲線等方法，圖2、圖3是本次實驗所建立模型的K-S曲線、ROC曲線。ROC 曲線橫坐標為（1-特異度），縱坐標為靈敏度。特異度是實際上屬于非目標事件的觀測中被正確分類的比例；靈敏度十實際上屬于目標事件的觀測被正確分類的比例；K-S統計分布是用來衡量模型的辨識能力。sleep=0（非睡眠）曲線是模型預測值小于某個值時sleep=0（非睡眠）的累計觀測數占比分布；sleep=1（睡眠）曲線是模型預測值小于某個值時sleep=1（睡眠）的累計觀測數占比分布；D值在0 到1 之間，D 值越大，模型的辨識能力越強。此模型兩條曲線的最大垂直距離，即K-S 統計值D=0.625，說明該模型辨識能力較好。

4 結語

通過對變量的標準化系數比較各變量的影響程度。最后一次交易后余額，最近三月消費次數，最近三個月消費筆數占比，最近三個月交易金額占個月總交易額百分比，最近三個月轉賬筆數占比，實名等級0，最近三月轉賬金額占比與最近4-6個月轉賬金額占比變化比例的標準化系數分別是-0.8781，-0.4041，0.3305，-0.2005，0.1773，0.1382，0.1036，即這些變量的影響程度呈現遞減趨勢。

從實際業務角度上驗證，JinePChange3（最近三月轉賬金額占比與最近4-6個月轉賬金額占比之差）越大，表示最近三月轉賬金額增加，Pred 值變大，睡眠可能性增加。NumPercent32（最近三個月消費筆數占比）越大，表示最近三月消費相對增加睡眠可能性增加。NumPercent33（最近三月轉賬筆數占比）越大，表示最近三月轉賬相對增加睡眠可能性增加。Sum3P6（最近三個月交易金額占六個月總交易額百分比）越大，表示最近的交易相對之前更活躍，睡眠可能性降低。RealName等于0，表示非高級實名用戶，相對高級實名用戶睡眠可能性更大。Num32（最近三月消費次數）越大，表示消費頻率較大，用戶更不容易進入睡眠。AfterAmt（最后一次交易后余額）越大，表示用戶的粘性更大，更不容易進入睡眠狀態。

論文利用logistic回歸模型，建立客戶睡眠客戶預測模型，建模步驟分為變量分析、變量變換、模型建立評估。從ROC、KS曲線上可以看出，模型效果擬合較好。實驗中也有一些不足之處，首先是數據收集還存在不足，根據行為分析，對用戶的行為特征除交易行為，還有個人偏好、性別、年齡、消費能力、學歷等因素未考慮，直接影響到模型預測的精度，有待今后進一步完善。

參考文獻

[1]趙小寧，李鳳霞.因子分析法和聚類分析法在網上銀行客戶滿意度研究中的應用[J].時代金融，2015（3）.

[2]李凡.數據挖掘技術的研究與應用[D].西安電子科技大學，2002.

[3]杜建軍，李海玉，馬蓉等.數據預處理與決策樹在客戶行為分析中的應用[J].信息技術，2008（12）.

[4]蔣斌.數據挖掘技術在客戶關系管理中的運用[J].云南大學學報（自然科學版），2006 （12）.

[5]郭立碩，王兆剛，李星.基于因子分析和聚類分析上市房地產公司的財務風險評價[J].中小企業管理與科技，2015（1）.