你的一位在网3G用户在周末逛街的时候收到客服中心的一条短信，短信中提供了一个存话费送某款手机的资费套餐计划信息。而该用户现有的合约即将到期，正在考虑更换手机以及套餐计划，在几个小时前正通过3G上网浏览各大电商网站查询此款手机的报价，以及各运营商的资费套餐计划，而短信提到的正是他心仪的手机并且有相应的优惠套餐计划；同时他也发现前段时间经常向同事抱怨的搬到新家后刷微博、看网页速度慢了的问题已不知不觉中得到解决。此刻他果断走进了临近的营业厅……
这是一个未来移动运营商成功实施挽留用户的故事，听起来天方夜谭？或许你也意识到，身处大数据高速发展时代，这个场景在不久的将来我们将见怪不怪。
用户流失预测模型的意义
在业务飞速增长的时代，移动运营商的注意力多半集中在发展新客户上，大力拓展新领域。也就是“注重增量”。而今，随着技术成熟，垄断被逐步打破，市场日渐饱和，电信企业之间竞争变得更加激烈，用户可自由选择更划算的资费或更优质的服务，转网事件经常发生，形成用户流失。根据美国市场营销学会顾客满意手册的统计数据表明，留住一个用户所需要的成本是争取一个新用户成本的1/5，对于增量客户越来越少的移动通信市场，减少用户流失就意味着用更少的成本减少利润的损失，这使得移动运营商不得不关注客户流失，“盘活存量”渐渐成为主题。例如常见的采取预存话费，送话费或手机等手段是现在最常见的营销措施来减少用户转网。如果，运营商有能力较准确地提前预测哪些用户可能会流失，从而可以及早采取措施以防止这些用户的流失，就能把损失降至最低。
电信管理人员希望能了解哪些用户可能流失，什么时候会发生流失，那么通过建立流失预测模型，通过分析历史数据和当前数据，提取辅助决策的关键性数据，并从中发现隐藏关系和模式，进而预测未来可能发生的行为，就可以帮助电信管理人员做到这些。用户流失预测模型是近年来热门的研究领域，运营商付出了很多时间和精力来创建、增强和完善，也取得了一定成果。例如，移动运营商T-Mobile在多个IT系统中整合了大数据应用，通过整合用户历史海量数据，对用户交易和互动数据进行综合分析，提炼出已流失用户在流失前具有的特征，从而更准确地预测了用户流失率，因而在2011年首季度在美国区域将客户流失率降至一半。
现有用户流失预测模型不足
建立准确的用户流失预测模型很大程度上取决于可获取数据的全面性、数量和质量。很多因素诸如品牌、带宽、终端、业务、消费行为、资费、方便性、工作地变更、用户体验等都会成为用户流失的诱因，而运营商永远无法获知关于用户的所有情况，只能根据有限可用的信息作出假设，窥见其中一部分而推断出全景。在这种情况下，所做出的决定即使不是完全错误的，也不会是最优的。因此，电信企业要更深入洞察用户个体意愿、喜好以及决策过程，应当从更多新兴的接触点努力收集和整合更多更新的关于用户的数据源。
目前大多数电信公司都广泛利用经分、CRM、账务、网络管理等系统提取的客户、服务和网络数据以用于电信用户流失分析建模，这些数据包括：年龄、性别、职业、终端类型、通话记录、流量、投诉、归属地区、地理位置、在网时间、流失日期以及缴费信息等。期望通过检查这些因素而得出有意义的预见，因为在研究实际流失事件和用户流失环境时发现，这些流失的用户在很多方面有着很大的关联性，当发现在用户流失事件发生前，有固定发生的行为或情况时，就找到了预测性因素。例如，你可能发现，在某些用户流失事件发生前，其业务消费量明显在逐月降低、主叫比例下降且用户一般有多次向客服致电投诉的历史记录，而当有其他的用户符合此条件的话，说明其也存在流失风险。虽说此种方式能使运营商具备某种程度上的用户流失预测能力，但却并未能从中了解影响用户产生转网意向的真实原因，因而制约了运营商快速地采取进一步有效措施以避免用户离网。例如，用户是否因为网络质量差而想转网？
市场研究公司Synovate曾对乌克兰、俄罗斯、印度、印尼和阿根廷的8000多个城市的手机用户进行市场调查，发现48%的用户认为网络质量是他们选择运营商的首要因素，而这一用户比例，在印尼甚至超过70%。即若用户对网络质量、业务体验感到不满意，体现在通话不清晰、覆盖信号不够广、经常打不开网页、刷微博不够快等等，则较容易影响用户产生离网的意愿。因此，用户流失预测模型通过引入对用户体验评估，可以更精确地定位此类潜在流失用户，极大提高挽留成功率。
引入CDR、IPDR完善用户流失模型
通话详细记录（CDR）及互联网协议业务详单（IPDR）数据是实现用户体验量化以及用户行为分析的重要数据源，然而由于目前业界对于CDR和IPDR数据的分析技术难度较且尚未形成标准，大部分电信企业在做用户流失预测分析时，这两类数据还未被广泛利用起来。
CDR以及IPDR数据可以作为电信运营商的新型数据源，拥有广阔的应用空间，通过处理整合可以从中获知用户与谁通话、通话频率如何、所处位置、信号环境、业务使用时间、用户浏览过哪些网页、使用何种移动互联网应用、使用这些业务应用的频率如何、性能如何等。利用这些新数据源带来的新信息会将分析提高到一个新的层次，若将这些数据结合现有的用户流失预测模型中，我们可以进一步通过深度数据挖掘以用户体验特征化来提高运营商对用户的了解，将有助于从更多角度拓展分析用户流失事件发生前各种因素的相互关系，从而对现网质量对用户流失影响作更精确的分析以及对流失概率预测，从而有利于分析人员针对具体原因，制定网络优化策略以尽可能挽留用户。
中兴通讯UniCare技术服务解决方案凭借在用户体验管理领域的长期积累，以及对CDR、IPDR数据分析的独特见解，为运营商提供定制化的、端到端完整的CEA用户体验保障以及OC运营咨询服务，帮助运营商快速提升网络性能，深度剖析和解决导致用户流失的问题。
结语
身处移动互联网大数据时代，各种新的、强大的数据源会持续爆炸式的增长，运营商亦在积极地探索以保持竞争力，目前至少我们可以看到，CDR和IPDR数据源在用户流失管理领域的广阔应用前景，运营商需要做更大的投入建立更精细以用户体验为中心的用户流失预测模型，通过用户流失预测能力提升，更好地指导实施用户挽留工作，实现新的利润增长点。
