hệ hỗ trợ dự đoán khả năng rời đi của khách hàng viễn thông

HỆ HỖ TRỢ QUYẾT ĐỊNH

ĐỀ TÀI: HỆ HỖ TRỢ DỰ ĐOÁN KHẢ NĂNG

RỜI ĐI CỦA KHÁCH HÀNG VIỄN THÔNG


NỘI DUNG

1. ĐIỀU TRA, KHẢO SÁT

2. DỮ LIỆU
3. MÔ HÌNH BÀI TOÁN
4. ÁP DỤNG MÔ HÌNH
5. ĐÁNH GIÁ KẾT QUẢ, NHẬN XÉT
6. CHƯƠNG TRÌNH


1. ĐIỀU TRA KHẢO SÁT

 Trong thực tế hoạt động, các hệ thống thường xảy ra tình trạng mất mát khách hàng. Có nhiều nguyên nhân dẫn
đến sự ra đi của khách hàng

 Điều này khiến các nhà quản lí luôn phải tìm ra kế hoạch để giữ chân khách hàng . Nhưng vấn đề là có quá nhiều
khách hàng, vậy làm sao để nhà quản lí biết cần quan tâm khách hàng nào hơn

 Giải pháp: cần có một hệ thống có thể gợi ý cho nhà quản lí về số người cũng như khả năng họ sẽ rời khỏi hệ thống
là bao nhiêu .


2. DỮ LIỆU KHẢO SÁT

 Dữ liệu bao gồm
 1721 bản ghi thông tin của từng khách hàng
 14 trường dữ liệu bao gồm


3. MÔ HÌNH BÀI TOÁN

Mô hình logistic regression:
 Thường được sử dụng cho các bài toán phân lớp nhị phân
 Trong mô hình này đầu ra dưới dạng xác suất

 

Hàm sigmoid

Nếu P(Y=1|X) là khả năng rời đi
 Mối quan hệ giữa xác suất P(Y=1|X) =

 


3. MÔ HÌNH BÀI TOÁN

Kết quả của mô hình

Giá trị của các p-value tương ứng với các biến đầu vào < 0.05 chứng tỏ các biến đầu vào đều tác động có ý nghĩa thống
kê đến biến phụ thuộc .

4. ÁP DỤNG MÔ HÌNH

Sử dụng 30% dữ liệu để dự đoán
Churn_probability: xác suất rời đi của khách hàng

Mô hình dự đoán: những khách hàng có xs >= 0.5 sẽ dự đoán
là có khả năng rời đi tức y=1, những khách hàng có xs <0.5
sẽ dự đoán không có khả năng rời đi tức y=0


4. ÁP DỤNG MÔ HÌNH : đánh giá độ hiệu quả của thuật toán

Negative (0)

Negative (0)

Positive(1)

Positive(1)

TN

FP

FN

TP

TP: Đoán có và thực tế là có
TN: Đoán không và thực tế là không

FP: Đoán có mà thực tế là không
FN: Đoán không thực tế là có


4. ÁP DỤNG MÔ HÌNH: đánh giá độ hiệu quả của thuật toán

 Các đại lương đánh giá độ hiệu quả của thuật toán
•

Cho ta biết dự đoán có chúng ta chính xác bao nhiêu

•

Cho ta biết khả năng bắt không bị bỏ xót là bao nhiêu


4. ÁP DỤNG MÔ HÌNH: đánh giá độ hiệu quả của thuật toán

Đường cong ROC và Area Under the ROC Curve (AUC)

Are: diện tích phía dưới đường cong ROC càng cao thì thuật
toán càng tốt


5. ĐÁNH GIÁ, NHẬN XÉT.

Phân tích một số đặc trưng:

 

-Aggregate_Total_Rev( Những khách hàng có doanh thu càng cao thì khả năng rời đi sẽ thấp
- Aggregate_Data_Rev ( Những khách hàng có tổng doanh thu dữ liệu cao thì sẽ có khả năng
rời đi cao

⇒Khách hàng dùng càng nhiều càng tốt nhưng tốn tiền dữ liệu thì xấu
Gợi ý về chiến lược giữ chân khách hàng: Nên có chế độ khuyến mại về mặt data, Vẫn khuyến khích khách hàng
dùng nhiều nhưng giảm tiền dữ liệu xuống.


6. CHƯƠNG TRÌNH


6. CHƯƠNG TRÌNH


6. CHƯƠNG TRÌNH


6. CHƯƠNG TRÌNH


6. CHƯƠNG TRÌNH