决策树在电信客户流失预测中的实战应用与规则落地

1. 先摸清业务：流失预测到底在解决什么问题

接手电信客户流失预测这类项目，很多人第一反应就是找数据集、跑模型、调参出准确率。我之前做过一个运营商侧的流失预警项目，踩过不少坑之后发现，第一步根本不是建模，而是把“流失”这件事从业务上定义清楚。

在客户关系管理里，流失预测本质上是一个二分类问题：给定一个用户在某个时间窗口内的行为数据，预测他在下一个时间窗口内是否会离开。电信行业的流失有两个典型特征：一是流失成本极高，运营商获取一个新客户的成本通常是维系老客户的5到8倍；二是客户一旦离网，再拉回来的难度非常大。所以业务方真正关心的是：能不能在客户还没走之前，提前识别出高流失风险群体，用有限的营销资源去重点挽留。

这个项目选择决策树作为核心模型，不是因为它最“潮”，而是因为电信场景里可解释性往往比准确率更值钱。运营人员需要知道“为什么这个客户会流失”，需要能向管理层解释“模型靠什么判断”，决策树天然满足这个需求。它输出的是if-then规则，比如“月消费超过200元但流量使用率低于60%的客户，流失概率是平均值的2.3倍”，这种话术业务方能直接听懂、直接落地。

项目的整体目标可以拆成三层：

• 第一层：搭建一套可复用的流失预测流程，从数据清洗到模型评估完整跑通。
• 第二层：用决策树模型输出高流失风险客户名单，并提供规则解释。
• 第三层：结合营销资源，给出分层挽留策略的建议，而不只是给一个“流失概率”的数字。

评估口径也要提前对齐。运营商内部通常用“次月离网率”作为业务口径，也就是当月还在网、次月办理销户或转网的用户占比。模型层面则用精确率、召回率、F1值和AUC这几个指标综合判断，其中召回率在这个场景里优先级最高。原因很简单：漏掉一个真正会流失的客户，代价是彻底失去这个客户；而误判一个不会流失的客户，最多只是多花一条营销短信的钱。

搞清楚这些问题之后，才开始碰数据。下面把整个项目的实操过程拆开来讲，包括数据怎么处理、模型怎么调、结果怎么落地，以及中间踩过的几个典型坑。

2. 数据准备与特征工程：建模前最花时间的环节

2.1 原始数据长什么样，哪些字段真正有用

电信数据集里常见的字段一般分四类。第一类是用户静态属性，比如入网时长、年龄、性别、所在地区、套餐类型；第二类是消费行为数据，比如月消费金额、充值金额、欠费次数、流量使用量、通话时长；第三类是服务交互数据，比如拨打客服电话次数、投诉次数、维修工单数量；第四类是套餐使用情况，比如套餐饱和度、流量超出量、语音超出量。

这四类数据里，权重最高的往往是入网时长、消费金额波动、投诉次数和流量饱和度，而不是年龄、性别这类人口统计字段。从业务逻辑上理解也很通顺：一个用了8年的老用户，离网成本高，忠诚度天然比半年内新入网的用户高；一个月消费从200突然掉到80的用户，往往已经在“试探性离网”；投诉次数多的用户，说明他对服务不满意，但同时也说明他还在意这个号码、还愿意反馈问题，这类用户反而是挽留成功率最高的。

原始数据里常见的问题是脏数据和缺失值。比如“充值金额”字段存在大量0值，要区分是“用户确实没充值”还是“数据没采集到”；“入网时长”有的记录是按天、有的是按月，需要统一口径；“投诉内容”是文本，初期建模一般不直接用文本，而是先转换成“投诉次数”“投诉类型数”这类数值特征。

2.2 特征工程的几个关键处理思路

特征工程在整个项目里花的精力最多，也最影响最终效果。我一般按下面几条线处理：

第一，缺失值处理。数值型字段用中位数填充，类别型字段用众数填充。有业务含义的字段要谨慎，比如“停机次数”如果缺失，很可能意味着该用户从未停机，直接填0比填中位数更合理。

第二，类别特征编码。套餐类型、地区这类字段，决策树模型用标签编码就够了。不建议对高基数类别做独热编码，比如地区有15个取值，独热编码会生成15个稀疏列，树模型的分裂效率反而下降，还容易把模型带偏。

第三，连续变量分箱。决策树本身会自动寻找切分点，但把“消费金额”这种连续变量原始值直接喂进去，模型容易偏向数值较大的特征，导致过拟合。实操中我会对明显偏态的变量先做分箱，比如将月消费金额按业务经验划分为低段、中段、高段、超高段，分箱后模型更稳定，解释性也更好。

第四，构造衍生特征。这是拉开模型效果差距的地方。我常用的衍生特征有几个：消费金额环比变化率，计算公式是当月消费减去前三个月均值再除以前三个月均值；套餐饱和度，用实际使用量除以套餐包含量；投诉响应及时性，判断投诉后是否在限定时间内得到处理。这些特征反映的是“变化趋势”和“体验结果”，对流失行为的预测能力非常强。

2.3 样本不平衡问题：流失客户太少怎么办

电信数据里有一个很现实的问题：流失用户占比通常只有5%到10%，剩下90%以上都是未流失用户。如果直接建模，模型会学到“只要把所有人都预测为不流失，准确率就有90%以上”，但这毫无业务价值。

处理样本不平衡，我建议不要一上来就做SMOTE，先分清楚场景。树模型对类别不平衡不那么敏感，真正问题在于评估时如果用准确率，会被严重误导。我在这个项目里的做法是：保留原始不平衡分布来训练，但在评估时用召回率、精确率、F1值而不是准确率。同时，在预测输出阶段调整分类阈值，不默认用0.5，而是用验证集上的P-R曲线去找合适的阈值，让召回率与精确率达到业务想要的平衡点。

如果数据量足够大，也可以通过欠采样让正负样本比例达到1:3或1:5。但要注意，欠采样会丢弃大量信息，树模型的深度和叶节点样本数都要相应调小，否则容易过拟合到少数样本上。

2.4 特征选择的经验判断

决策树自带特征重要性排序，但特征重要性存在偏差：数值型特征和多取值特征容易被高估。所以我通常先用一个粗略的树模型看重要性排序，再结合业务经验核对一遍。如果某个特征重要性很高但业务上解释不通，就要怀疑是数据泄漏。比如“是否已办理销户预约”“当月是否停机超过30天”这类特征，本质上已经是流失结果了，绝不能放进训练特征里。这一点我在刚做项目时踩过坑，后来每次都会专门排查这类“未来信息”。

3. 决策树建模的实现过程：从原理到调参

3.1 决策树的切分逻辑，用生活类比讲清楚

决策树算法本身不复杂，核心思想就是“不断提问，把数据分开”。比如判断一个用户会不会流失，第一个问题可以是“入网时长大于等于12个月吗？”如果是，走左分支；如果不是，走右分支。然后每个分支再问下一个问题，直到最终叶节点里大部分样本属于同一个类别。

关键是“每次提问该问什么”。这个问题由纯度的指标来决定。分类决策树常见的两个指标是信息增益和基尼系数。信息增益的计算基于熵，熵越大表示数据越混乱。基尼系数则直接度量“从集合中随机抽两个样本，类别不一致的概率”。实际工程里，CART树的默认指标就是基尼系数，计算更快、效果也不差。sklearn里的DecisionTreeClassifier默认就是criterion='gini'，一般不需要改。

每次选择切分点的时候，算法会遍历每个特征的每个取值，计算分裂前后的基尼系数变化量，选择下降最大的那个特征和阈值作为本次分裂。这个过程会一直递归下去，直到触发停止条件。

3.2 关键参数详解，别再盲目用默认值

决策树最容易出的问题就是过拟合。默认参数下节点可以一直分裂到每个叶子只剩一个样本，模型会把训练集全部记住，但一遇到新数据就“失灵”。我用的参数设置一般是这样：

• max_depth（最大深度）：控制在5到8之间。深度太浅欠拟合，深度太深过拟合。电信数据维度一般不算高，深度8基本足够。
• min_samples_split（内部节点再分裂所需最小样本数）：设为总样本量的0.1%到1%。样本量是5万时，这个值可以设50到500。
• min_samples_leaf（叶节点最小样本数）：这个参数比min_samples_split更重要，建议设为总样本的0.05%到0.2%。它直接保证每个叶节点有足够样本支撑，防止学到噪声。
• max_features（每次分裂考虑的特征数）：默认是全部，但当特征数超过30时可以设为sqrt(n_features)，增加随机性、降低过拟合。
• ccp_alpha（成本复杂度剪枝参数）：这个参数用来做后剪枝，比单纯限制树的生长更精细。先跑一个小的alpha序列，画出验证集评分随alpha变化的曲线，选评分开始下降点对应的alpha值。

调参的时候，我建议分两步走：第一步先固定max_depth和min_samples_leaf，用网格搜索找组合；第二步再对ccp_alpha做一轮细调。不要五六个参数一起搜，计算成本高、还容易过拟合验证集。

3.3 训练集与验证集的划分细节

数据集划分这个环节，看起来简单，但有几个细节直接关系到模型能不能真实反映效果。第一，要按时间切分而不是随机切分。流失预测的数据天然有先后顺序，用前几个月做训练、最后一个月做验证，最贴近真实业务节奏。如果随机切分，会造成“用未来预测过去”的泄漏。第二，切分时要用分层抽样，保持训练集和验证集里流失用户的比例基本一致。第三，调参要基于验证集，不要反复在测试集上试，否则测试集信息会泄漏进超参数选择。最后可以留20%的数据作为最终的测试集，只在全部流程定下来之后跑一次。

3.4 一个典型建模过程的简化代码示例

下面给出一个简化但完整的决策树建模代码示例，基于常见工具库sklearn实现。

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score # 加载特征数据，假设已经过特征工程 data = pd.read_csv('telecom_user_features.csv') X = data.drop(columns=['user_id', 'churn_label']) y = data['churn_label'] # 按时间切分：前80%训练，后20%验证 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) # 初始化决策树，参数先给一组经验值 model = DecisionTreeClassifier( max_depth=6, min_samples_split=200, min_samples_leaf=100, criterion='gini', random_state=42 ) model.fit(X_train, y_train) # 预测概率（注意：用的是predict_proba，不是predict） y_proba = model.predict_proba(X_test)[:, 1] # 评估 print(roc_auc_score(y_test, y_proba))

注意我在评估时用的是预测概率而不是预测类别。决策树输出的概率本身就是“叶子节点中正类样本占比”，这个值可以直接用来排序名单。预测类别只是把概率和阈值比较后的结果，而阈值选择本身就是业务决策的一部分。

4. 模型评估与结果解读：准确率很高不代表模型能用

4.1 混淆矩阵和关键指标，怎么看才不漏信息

业务方初看报告时最容易问的一句话是：“准确率多少？”但如果流失用户只占8%，准确率90%甚至95%都说明不了问题。我每次给运营看结果，第一张图永远是混淆矩阵。好的分析师不会只看“预测正确率”，而是看四个格子：

• 真正例：预测会流失、实际也流失了——这是模型抓到的“真流失客户”。
• 假正例：预测会流失、实际没流失——这部分会被浪费营销资源。
• 真负例：预测不流失、实际也没流失——大部队，正常经营。
• 假负例：预测不流失、实际却流失了——这是最需要关注的漏网之鱼。

基于混淆矩阵，精确率=真正例/(真正例+假正例)，召回率=真正例/(真正例+假负例)。流失预警项目的业务目标通常是在可接受精确率的前提下最大化召回率。比如运营资源只够覆盖20%的用户，那就按模型输出的概率降序取前20%，这时候看这20%名单里实际流失客户的覆盖率是多少。

AUC（ROC曲线下面积）是一个更整体的指标，衡量模型区分正负样本的能力，0.5等于随机猜，0.8以上算有可用价值。决策树在这个场景里一般能做到0.75到0.85之间，如果超过0.9反而要警惕，很可能是特征泄漏。

我做过一个对比实验，同一份数据里，逻辑回归AUC约0.78，决策树约0.81，随机森林约0.85。决策树效果略逊于随机森林，但最终业务采用了决策树，因为随机森林完全无法解释“为什么”。这个取舍在真实项目里非常重要。

4.2 决策树的特征重要度怎么用

训练完成后，直接输出了特征重要度排序。印象里排名靠前的特征依次是：消费金额环比变化率、入网时长、投诉次数、套餐饱和度、当月停机天数。这个排序和业务经验的预期高度一致。

消费金额环比变化率排第一，业务逻辑非常清晰：一个用户如果从月消费200元降到80元，基本就是在“降档测试”甚至准备离网。入网时长排在第二，也符合常识。真正有意思的是投诉次数：高投诉用户流失率反而低于不投诉的用户，因为投诉说明用户还想留在网内，只是对某个问题不满；那些不投诉、直接沉默流失的用户反而更危险。

特征重要度还可以用来做特征筛选。我在后续迭代中，去掉重要度排名后30%的特征重新训练，AUC几乎没下降，但模型稳定性和上线速度明显提升。无用特征不仅增加计算开销，还会给模型引入噪声。

4.3 树的可视化和业务规则转化

决策树最大的竞争力在于可视化。把训练好的树导出成图，直接打印出来贴墙都行。树的每个分支都能翻译成一条业务规则：

如果入网时长 < 6个月 且 消费金额环比变化率 < -30% 且 投诉次数 >= 1 那么: 流失概率 45%，是整体平均水平(8%)的5.6倍

这种规则可以直接交给客服团队做针对性话术设计。比如看到“入网时长短+话费骤降+有过投诉”这三个条件，客服就知道：这是个新用户，因为资费或者网络问题不满，已经明显减少消费了，需要尽快联系、给出优惠方案。树的每一层都在自动做客户分群，分群结果就是运营策略的输入。

5. 业务落地与策略优化：模型不只是给个概率

5.1 流失预警名单的分层运营

模型输出结果之后，我不会直接把所有高概率用户打包给运营，而是先做分层。分层维度不是概率本身，而是“概率”和“客户价值”的组合：

• 高价值+高风险：优先挽留，用高成本手段（专属客服、优惠套餐调整、免费赠送流量包）。
• 低价值+高风险：低成本手段（短信推送、App弹窗优惠），预算有限时甚至可以放弃。
• 高价值+低风险：维持服务，不主动打扰，提前布局续约方案。
• 低价值+低风险：常规触达即可。

客户价值可以用近三个月的ARPU（每用户平均收入）或套餐档位来定义。把模型输出的风险分数和价值分数交叉成一个2x2矩阵，运营就很容易执行了。

5.2 从决策树抽取规则，指导挽留动作

决策树还能支持一个非常有价值的输出：按叶节点提炼客户画像。我把训练后的树的每个叶子都统计一遍，输出以下信息：该叶节点覆盖的客户数量、流失率、平均月消费、平均在网时长、主要套餐类型。然后从这些结果中挑选出“覆盖人数多且流失率显著偏高”的节点，作为重点运营对象。

实际项目中我们找到了一个这样的叶子：月消费150到200元、合约快到期、最近三个月流量使用率超过120%且投诉过流量计费问题。这组用户占了全量用户的3%，但流失率高达32%。运营对这个群体设计了专属的流量升级包，推送后整体流失率下降了6个百分点。这就是决策树从“模型输出”到“业务策略”的完整闭环。

5.3 模型上线后的监控与更新

模型上线后不是一劳永逸。电信客户的消费行为会随时间变化，比如套餐结构调整、资费政策变化、竞争对手活动，都会让老模型逐渐失效。我建议至少每月监控一次模型的稳定性。常用做法是计算特征分布的PSI（群体稳定性指标），如果PSI超过0.2，说明入模特征的分布已经发生显著漂移，需要重新训练。同时还要关注命中名单的实际流失率是否保持在预期水平，如果实际转化率明显低于训练时的预估，优先检查是不是业务环境变化导致概念漂移。

数据集建议月度更新。流失预测不是一次性的项目，而是周期性运行的流程：每月拉取上月数据，重新跑一遍特征工程，重新训练模型，更新输出名单。

6. 实操中的典型问题与排查心得

6.1 数据泄漏：隐藏最深的坑

我在第一次完整跑通流程后，得到的AUC是0.96，当时还挺兴奋，后来逐一排查特征才发现，数据表里有一个字段叫“状态”，其中包含了“已销户”这类当前状态值。这个字段本身就是流失结果，模型相当于直接拿到了答案。排查数据泄漏的方法是：对每个特征问一句“这个字段在预测时间点是否已知”。如果答案是“不一定”，就坚决去掉。

6.2 类别不平衡的处理边界

不要机械地为了平衡而平衡。有一次我用SMOTE过采样到1:1，AUC反而掉了0.03，原因是合成样本把决策边界搞得过于复杂。复盘后确认：树模型对不平衡有一定鲁棒性，对不平衡更敏感的是评估指标和分类阈值。对于决策树，优先调阈值、评估用召回率和P-R曲线；只有当召回率确实不够时，才考虑过采样或欠采样。

6.3 参数过拟合验证集的教训

做网格搜索时，我一度同时调6个参数，结果验证集分数越来越高，测试集分数却一般。后来改成按“先结构参数，再剪枝参数”的顺序分步调，反而更稳。具体顺序建议：先定max_depth和min_samples_leaf，再调min_samples_split，最后调ccp_alpha。每次只动一个方向，其他参数保持经验默认值，调出来的模型泛化能力明显更好。

6.4 常见问题速查表

7. 最后分享一点个人体会

把整个项目做完回头看，决策树这套方案在电信流失预测场景里，最大的价值不在于把AUC从0.78提高到0.8，而在于让模型结果能被业务团队真正用起来。我反复跟团队强调这句话：一个能解释但准确率稍低的模型，胜过一个准确率高但说不清道理的模型。因为运营执行者只有理解了规则，才会信任名单，才会根据名单优化话术和策略。模型效果再好，如果业务方不信、不用，那就只是一个学术练习。

踩过几次坑之后，我现在做这类项目，会先跑一棵浅树看变量规律，再用交叉验证调参，最后才评估完整效果。这个习惯帮我挡掉了很多“看上去很美”的问题。如果这篇文章能帮你在做决策树项目时少踩一个坑，那就不算白写。