基于記憶聚類方法的電信客戶流失挖掘及策略開發(fā).pdf

1、隨著市場(chǎng)競(jìng)爭(zhēng)的日益激烈,客戶流失已經(jīng)成為電信行業(yè)客戶關(guān)系管理和客戶維系的關(guān)鍵問題,因此,流失預(yù)測(cè)對(duì)于挽留客戶、降低損失是極具價(jià)值且非常必要的。數(shù)據(jù)挖掘中的各種分類算法是客戶流失預(yù)測(cè)中最常使用的分類技術(shù),而分類方法即為數(shù)據(jù)挖掘中的監(jiān)督性學(xué)習(xí)方法,因此,正如以往的大多數(shù)研究,多種監(jiān)督學(xué)習(xí)技術(shù)被用來研究客戶流失問題。然而,有關(guān)流失預(yù)測(cè)中非監(jiān)督學(xué)習(xí)技術(shù)使用的研究卻非常有限。聚類是非監(jiān)督學(xué)習(xí)技術(shù)中最常見的一種,通過聚類,具有相似行為特征的客戶被聚

2、集在一起,因此,我們就可以對(duì)特定客戶群體的特征進(jìn)行刻畫及衍生構(gòu)造。
　　基于以上論述,本文研究通過采用數(shù)據(jù)挖掘技術(shù)和知識(shí)發(fā)現(xiàn)過程旨在定義出流失/非流失客戶。為此,本文提出了一種包括預(yù)處理、聚類和分類階段的混合方法,并在每個(gè)階段運(yùn)用了合適的工具。具體而言,在聚類階段結(jié)合了 SOM和K-Means算法,并在分類階段分別檢驗(yàn)了決策樹(DT)、神經(jīng)網(wǎng)絡(luò)(NN)和支持向量機(jī)(SVM)三種單一分類器以及裝袋(Bagging)、提升(Boost

3、ing)、堆棧(Stacking)和多數(shù)表決(Vote)四種集成方法。除了使用聚類來細(xì)分客戶,也有可能通過定義新的特征變量來保存聚類階段的結(jié)果并將它帶入到分類階段中,對(duì)此,本文將其定義為記憶聚類方法。記憶聚類方法的采用將有助于得到更好的分類結(jié)果。本文采用了一個(gè)真實(shí)的電信數(shù)據(jù)集來驗(yàn)證本文所提出方法的有效性。這些技術(shù)的高效協(xié)同使用顯著地提高了預(yù)測(cè)精度。所有的單一和集成分類器都基于多種性能指標(biāo)進(jìn)行評(píng)價(jià)并進(jìn)行統(tǒng)計(jì)檢驗(yàn)比較,實(shí)驗(yàn)結(jié)果表明,單一分類