客戶流失預(yù)測模型研究及其應(yīng)用.pdf

1、隨著全球的商業(yè)競爭愈來愈激烈，客戶流失預(yù)測已經(jīng)成為客戶關(guān)系管理中非常重要的內(nèi)容。預(yù)測即將流失的客戶，并制定相應(yīng)的措施挽留客戶已經(jīng)成為促進企業(yè)發(fā)展的關(guān)鍵性因素。本文從對電信和信用卡客戶的行為數(shù)據(jù)分析入手，針對其中的冗余特征和正負類樣本不均衡等特點，提出一種新的特征選擇算法和非均衡數(shù)據(jù)處理算法，以此建立一種新的客戶流失預(yù)測模型。本文的主要工作內(nèi)容如下:
　　1.針對客戶信息數(shù)據(jù)量大且特征冗余的問題，提出一種多指標融合的mRMR特征選擇

2、算法(MIF-mRMR)。該算法對mRMR算法進行改進，將馬氏距離和最大信息系數(shù)相結(jié)合來綜合評定特征和類別、特征和特征之間的相關(guān)性。實驗結(jié)果證明，該算法所選擇的特征子集維度較小，且與mRMR算法相比準確率提高3％左右。
　　2.針對客戶數(shù)據(jù)中流失客戶與正常客戶比例相差較大的問題，提出一種基于邊界混合采樣的非均衡數(shù)據(jù)處理算法(BMS)。該方法首先通過引進“變異系數(shù)”找出樣本的邊界域和非邊界域，然后對邊界域中的少數(shù)類樣本進行過采樣處理

3、，非邊界域中的多數(shù)類樣本進行欠采樣處理，從而實現(xiàn)原始樣本的均衡化。實驗結(jié)果證明，該算法與其它3種流行的非均衡數(shù)據(jù)處理算法相比均能有效地提升少數(shù)類樣本的識別性能。
　　3.基于以上內(nèi)容，提出一種新的客戶流失預(yù)測模型。該模型首先分別使用MIF-mRMR算法和BMS算法對數(shù)據(jù)進行特征選擇和均衡化，然后將均衡化后的數(shù)據(jù)送入SVM、C4.5和隨機森林3種分類器進行流失客戶的預(yù)測。實驗結(jié)果表明，使用該模型能夠得到較好的客戶流失預(yù)測結(jié)果，同時S