一、基于BP神经网络的客户流失预测

从上一节数据特征描述中可以看出客户流失与很多变量都存在一定关系，而这么多因素综合影响下的客户流失到底如何来描述呢？由于影响因素个数多而且变量形式又有数值型和分类型两种，传统的相关分析不能完全很好的反映出这么多因素对客户流失变量的影响路径，或者说，用传统方法不能给出这所有因素综合在一起与客户流失的关系表达式。接下来就利用BP网络神经的特性，并借助于Clementine软件来进行数据分析，基于软件的结果再给出结论和建议。

建立客户流失预测模型，首先，在数据流中添加字段选项中的分区节点，并将训练样本和检验样本占比分别设为70%和30%。

图1——分区节点设置

接着，选择建模选项中的神经网络节点，双击流失节点进行设置，方法选择快速训练法，另外，“选项”窗口中，选择显示反馈图形和使用最佳网络。

图2——流失模型节点设置

点击执行，在软件右上窗口中，会产生一个“流失”模型，双击这个黄色流失模型，则在数据流区域生成一个流失节点，将其与类型节点连接，双击流失节点则可以得到模型结果。

图3——“流失”模型

    图4与图5为模型计算结果：

图4——模型结果a

图5——模型结果b

结果a解释如下：①估计的准确性，即预测精度为86.239%，对于“流失”这样的分类变量，其预测精度就等于，预测正确的样本占总样本的比例。相对来讲，这个数值不算很好，有待进一步改进。②神经网络模型的网络结构，输入层有25个神经元，即输入节点；隐层只有一个，包含3个神经元，即隐节点；输出层包含一个输出节点。③变量重要性分析结果，排在前几位的是套餐类型、无线服务和家庭人数等。

由上面的结果，暂且认为该模型预测比较精确，则可利用这个方法再进行其他重要的分类变量的预测。根据变量重要性的结果，套餐类型对客户是否流失影响最大，说明确定套餐类型是电信行业在每次制定销售方案时应重点注意的一个方面。

二、基于RBF神经网络的服务套餐和基本费用预测

该节的第二块内容就是服务套餐和基本费用预测模型，同上一部分内容，接下来就利用RBF神经网络的特性，并借助于Clementine软件来进行分析，基于软件的结果再给出结论。

RBF神经网络与BP神经网络在操作上就是在节点设置中的方法选择不同，BP神经网络选择的是快速训练法，而RBF神经网络选择的是RBFN。另外，字段窗口中，选择“使用定制设置”，自行制定多个输入变量（不包括是否流失变量），两个目标变量。

图6——RBFN模型节点设置

模型计算结果展示与解释：

图7——RBFN模型计算结果

精确度72.766%，输出层的5个神经元，即输出节点，其中4个为4种套餐类型，还有1个为基本费用。这里模型估计效果相对不佳，查阅有关资料，解决方法有：调整隐节点个数、冲量、学习率、径向覆盖长度以及持续学习周期等参数。

至此，“Clementine的神经网络在电信行业应用实例”全部内容已载完。

关于软件操作或者文章若有疑问，可以随时在中国指数网的指数论坛给我们留言，谢谢！