决策树应用于电商行业用户细分精准画像的案例

某省电信运营商e8套餐（宽带+固话）升级e9（宽带+固话+手机）的主要业务目标为针对e8客户加装电信C网号码并购买手机，升级为e9融合套餐或e9自主套餐用户。即，通过电信的自身的宽带客户资源，进行精准电话营销，促使用户购买手机，从而提升电信在手机市场的占有率。

2、数据理解：e8升e9的数据理解

3、确定分析对象

本环节关键点：

缩小分析基础客户群范围，从表中238万宽带客户中筛选出24万符合业务目标的e8客户，作为数据挖掘的基础客户群

具体步骤：

常用的数据挖掘基础客户群筛选维度如下：

分析对象筛选流程：

以e8升e9为例，根据前期业务和数据理解，本次挖掘的基本目标客户为e8用户，且在同账户下无C网手机。

具体数据样本选取路径如下：

注，具体操作方法：

4、变量筛选

以e8升e9案例中变量处理为例，具体筛选流程如下：

5、决策树模型的建立

（1）选择模型输入变量

根据数据准备阶段字段筛选结果选择了9个字段作为模型输入变量。CHAID节点对应的目标变量和预测变量设置，见下截图。

（2）模型输出结果

运行CHAID决策树节点后，会根据样本数据和输入变量训练决策树模型。虽然输入了9个变量但是CHAID决策树节点训练的模型最终生成决策树所选择的变量只有5个，分别是宽带在网时长（）、固话通话时长（）、固话ARPU（）、宽带在网时长（）、宽带流量（）。可以看出，这5个变量在都是具有重要业务含义的字段，基本符合建模目标。

（3）决策树输出的初步结果

下图，是决策树模型输出的结果，树状结构末端的每个“叶子”，代表一个细分用户群体。这个决策树结果共有17个“叶子”节点。

6、模型调优

e8升级e9模型中，决策树模型验证调优流程如下：

初步结果判定：

决策树结果共有17个“叶子”节点，用户细分群体偏多，部分群体的规模小，占比不足5%，因此需要根据各叶子节点的特征，对决策树的“叶子”进行修剪合并。

比如，上图中的节点1（套餐档位