营销分析

    营销分析着眼于优化客户与企业之间的互动。很多企业,比如超市、电信运营商、电商等,拥有几十万甚至上百万的客户,它们需要有效的战略来管理自己的客户群,以保持和提高盈利能力。营销分析技术可以从大量客户数据中提取信息和知识,帮助企业实现这一目标。我们的研究团队专注于以下课题:

  • 客户流失预测

    目前越来越多行业都趋于饱和,客户数目增长停滞,例如移动通信行业。已有研究表明挽留老客户更加有利可图,这主要因为:获取一个新客户的成本比留住现有客户的成本通常高五至六倍;长期客户创造更高利润,对竞争性市场营销活动不敏感,并且服务成本更低。另外,长期忠诚客户,还可以通过口碑效应为产品提供推介。因此,企业逐渐将重心从吸引新客户转移到保留现有客户群,挽留住一小部分客户都会带来利润的显著上升。所以,能够识别出在未来具有较高流失概率的客户对于企业的精准营销显得至关重要。我们的研究使用数据分析工具帮助企业找出那些具有潜在流失风险的客户。我们尝试架起理论模型和业务实践之间桥梁,致力于如下研究:

(1)社会网络视角下的流失

    传统的数据挖掘技术已经在流失预测中得到了广泛的应用。我们团队研究如何使用社会网络分析技术,从一个新的角度来来处理流失问题:客户流失决策往往不是个人的选择,可能是由其它已流失客户社会影响触发的。因此相互关联的客户对洞悉客户流失的传播效应起重要作用。

(2)生存分析与客户流失

    传统的客户流失预测使用二元分类模型:预测为流失或不流失。生存分析技术,不仅能预测客户是否流失,而且还能预计他们多久流失。这使得公司可以在恰当的时间点采取措施留住客户,从而有针对性开展广告活动,将有限的资源分配到那些最有可能流失的客户身上。

(3)利润驱动建模及评价

    我们的团队构建了基于利润分类器性能评价指标,它能帮助识别出最大化营销活动利润的分类器。我们将该指标运用于流失中,该指标考虑了客户价值及客户挽留成本,并且能够确定客户最优挽留比例。由于该指标仅限于模型建立后的评价,我们的研究团队进一步开发了利润最大化的的分类技术,它能够构建利润敏感的分类器,将成本和收益考虑其中,从而更好地满足企业利润最大化需求。

  • 客户细分

    随着数据量爆炸式增长,为依赖于数据挖掘技术的商业模型带来了无数的机会。直销领域也不例外,通过对创新性分析技术的大量研发,可以获取竞争优势。自组织映射网络(SOM)正是这样一种技术,已应用于许多领域。通过对复杂数据的降维,可以让营销人员识别和细分市场,为营销人员提供准确、快速和价值的决策参考。很多的文献表明,通过与其他技术的结合可以产生,整体大于部分之和的作用,开发推荐系统强化与客户之间的关系。

  • 推荐系统

    越来越多的企业通过网络为客户提供服务,这使得客户可以更广泛接触到产品。传统的线下企业受库存、人力和财力的限制,只能为客户提供最流行的产品。但是在线服务,不受这些限制,能够为客户提供那些非畅销产品,这就是所谓的长尾现象。为客户提供大量的产品,面临的问题在于如何为每位客户找到它可能考虑购买的产品。推荐系统是克服这一信息过载问题的数据挖掘技术。通过分析平台用户的行为,购买历史和人口信息,推荐系统给潜在客户提供它可能感兴趣的产品子集。通过构建推荐系统可以增加产品的消费和提高客户满意度。

代表性论文:

  • Backiel, A., Baesens, B., Claeskens, G. (2016). Predicting the time-to-churn of prepaid mobile telephone customers using social network analysis. Journal of the Operational Research Society, accepted.
  • Zhu, B., Niu, Y., Xiao, J., Baesens, B. (2016). A new transferred feature selection algorithm for customer identification. Neural Computing & Applications, accepted.
  • Seret, A., Maldonado, S., Baesens, B. (2015). Identifying next relevant variables for segmentation by using feature selection approaches. Expert Systems with Applications,accepted.
  • Maldonado, S., Flores, Á., Verbraken, T., Weber, R., Baesens, B. (2015). Profit-based feature selection using support vector machines – general framework and an application for customer retention. Applied Soft Computing, Accepted.
  • Verbeke, W., Martens, D., Baesens, B. (2014). Social network analysis for customer churn prediction. Applied Soft Computing, 14, 341-446.
  • Verbraken, T., Verbeke, W., Baesens, B. (2013). A novel profit maximizing metric for measuring classification performance of customer churn prediction models. IEEE Transactions on Knowledge and Data Engineering, 25 (5), 961-973.
  • Seret, A., Verbraken, T., Versailles, S., Baesens, B. (2012). A new SOM-based method for profile generation: theory and an application in direct marketing. European Journal of Operational Research, 220 (1), 199-209.
  • Verbeke W., Dejaeger K., Martens D., Hur J., Baesens B. New Insights into Churn Prediction in the Telco Sector: a Profit Driven Data Mining Approach, European Journal of Operations Research, 218 (1), pp. 211-229, 2012.
  • Glady N., Croux C., Baesens B., Modeling Churn Using Customer Lifetime Value, European Journal of Operational Research, vol. 197, number 1, pp. 402-411, 2009.
  • Lima E., Mues C., Baesens B., Domain knowledge integration in data mining using decision tables: case studies in churn prediction, Journal of the Operational Research Society, vol. 60, pp. 1096-1106, 2009.
  • Glady N., Croux C., Baesens B., A Modified Pareto/NBD Approach for Predicting Customer Lifetime Value,Expert Systems With Applications, vol. 36, number 2, pp. 2062-2071, 2009.
  • Glady N., Croux C., Baesens B., Modeling Churn Using Customer Lifetime Value, European Journal of Operational Research, vol. 197, number 1, pp. 402-411, 2009.
  • Baesens B., Verstraeten G., Van Den Poel D., Egmont-Petersen M., Van Kenhove P., Vanthienen J., Bayesian Network Classifiers for Identifying the Slope of the Customer Life cycle of Long-Life Customers, European Journal of Operational Research, vol. 156, number 2, pp. 508-523, 2004.
  • Baesens B., Viaene S., Van Den Poel D., Vanthienen J., Dedene G., Bayesian Neural Network Learning for Repeat Purchase Modelling in Direct Marketing, European Journal of Operational Research, vol. 138, number 1, pp. 191-211, 2002.