電信公司離網預測案例剖析
在現代快速變化的社會裡，客戶的喜好與行為模式隨時可能改變，並終止其與電信公司的合約，電信公司稱之為「離網」。對一家電信公司而言，如何能掌握客戶的需求並及時地提供相應的產品及服務，是重大的商業課題。
一旦一位用戶因為搬去其他地區或是換到競爭對手服務而終止了月租的合約，對業者來說都是極大的影響，因為獲取新的用戶必須重新從銷售漏斗的最頂端開始。不只浪費時間更延長了整個銷售週期，且新客戶的獲得成本是維繫既有客戶的好幾倍之多1。
近期，電信業者的用戶離網率節節攀升，主要原因包括越來越多競爭者出現、各家電信業者區隔度低、產品週期短、與低廉的轉換成本。
以美國的 4 大電信業者 (AT&T, Verizon, T-Mobile, Sprint) 來說，客戶基數約1億，每月離網率約1.9%，可以見離網對每個電信業者造成的損失為每月 6500 萬美金2。因此，如何解決用戶離網(churn)是電信業高階主管的首要問題。
究竟如何解決這關鍵問題？讓我們來看看電信業者逐漸導入的解決方案：
根據麥肯錫的研究報告顯示3，全球電信業者在導入並使用數據分析與高階演算法後，可以有效降低用戶離網約15%。因為業主可以使用這些演算法找出先前未知的用戶離網預測變數以及變數組合，接著分析這些根本原因並提出相應解決方案。
報告中提到，一家知名的電信業者對內部大數據使用特徵選擇 (feature discovery or feature selection)，發掘出超過 50 個可預測用戶離網的變數以及每個變數的重要度 (feature importance)，這些變數包括電話型號、網路資料使用量、客服中心歷史資料，得到這些變數的臨界值之後，企業召開跨部門會議並共同提出改善用戶滿意度的方案，優化客服流程。
另一家電信業者使用高階演算法為現有客戶做分群 (segmentation)，並找出這些微客群(microsegment)裡哪些用戶有高機率離網，然後針對這些針對這些用戶設計個人化的精準行銷策略。接著，公司建立了一個超過 50 種針對高離網率用戶的優惠方案資料庫，並且打造能快速反覆驗證各方案的標準流程。此精準行銷數據分析方案導入後 18 個月，離網的用戶就減少了 10-15%。
這些分析為電信業者帶來更多資料洞見，更能掌握離網客戶動機與脈絡。有些洞見甚至是違反直覺的。如下圖所見，客戶每個月付款的月租費越高，離網的機率反而越低。
可能的原因是：越高的月租費越有可能是全家都使用這家電信，當加入的人數越多，就越難轉去其他電信公司。另一個洞見是離網用戶的性別是幾乎一半一半4，女性離網機率稍微高出一點點。
看完以上剖析，我們可以知道電信業者的離網預測分析是非常具有商業價值的。那麼要如何實踐此分析並具體提出銷售方案呢？
以過去的分析工具而言，上述皆是透過人工的方式手動寫程式跑資料模型，如用 Python 來做探索性資料分析(exploratory data analysis, EDA)，並重複嘗試不同的演算法模型參數，才能得到好的預測結果，不僅複雜且耗時。動輒三個月到半年的時間，才能完成一數據分析專案。
上述複雜的資料分析過程，其實能夠透過自動化機器學習 (AutoML)來迅速完成，並在一到兩週內就能夠產出相當不錯的結果。若想了解該如何用自動化機器學習進行電信離網分析，請看：如何使用自動化機器學習(AutoML) 進行更準更快的數據分析 並節省成本至傳統⅓。
若想了解更多 AI 與自動化機器學習，請看：如何快速轉型成為 AI 賦能企業？關鍵在於自動化機器學習。