基于數(shù)據(jù)挖掘的通信客戶(hù)流失預(yù)警模型研究.pdf

1、作為客戶(hù)關(guān)系管理中很重要的一部分，客戶(hù)流失管理正越來(lái)越受到企業(yè)的關(guān)注和重視?？蛻?hù)流失預(yù)警作為一種有效的客戶(hù)流失管理方法，通過(guò)構(gòu)建預(yù)警模型，對(duì)潛在流失客戶(hù)進(jìn)行預(yù)測(cè)分析，及時(shí)預(yù)警并采取相應(yīng)挽留措施，可以有效減少不必要的客戶(hù)流失，一定程度上減少企業(yè)損失。通信運(yùn)營(yíng)企業(yè)有數(shù)量龐大的客戶(hù)群，因此擁有豐富的客戶(hù)數(shù)據(jù)，同時(shí)對(duì)客戶(hù)流失預(yù)警管理有強(qiáng)烈的需求。在這樣的背景下，本文提出了基于數(shù)據(jù)挖掘的通信客戶(hù)流失預(yù)警模型研究，結(jié)合數(shù)據(jù)挖掘從海量數(shù)據(jù)中提取有效信

2、息的能力，通過(guò)構(gòu)建模型對(duì)通信客戶(hù)的潛在流失行為進(jìn)行預(yù)警研究。
　　本文在研讀了國(guó)內(nèi)外學(xué)者的研究成果之后，對(duì)近年來(lái)預(yù)警模型的構(gòu)建和數(shù)據(jù)挖掘算法在模型構(gòu)建中的應(yīng)用進(jìn)行了綜述和總結(jié)。并對(duì)客戶(hù)流失概念、數(shù)據(jù)挖掘相關(guān)理論和預(yù)警模型構(gòu)建相關(guān)技術(shù)進(jìn)行了介紹，奠定本文的理論研究基礎(chǔ)。
　　在模型數(shù)據(jù)準(zhǔn)備方面，本文以某市通信運(yùn)營(yíng)企業(yè)客戶(hù)數(shù)據(jù)為實(shí)證研究對(duì)象，主要從無(wú)用特征刪除、缺失值填充、數(shù)據(jù)離散化、非均衡數(shù)據(jù)均衡化四個(gè)方面進(jìn)行方法探討和實(shí)際操

3、作處理，確保了模型構(gòu)建的較高的數(shù)據(jù)質(zhì)量。
　　在關(guān)鍵特征選擇方面，針對(duì)通信客戶(hù)數(shù)據(jù)的特征維度高的特點(diǎn)，對(duì)比分析了卡方檢驗(yàn)、主成分分析以及Fisher比率三種常用的關(guān)鍵特征選擇方法的效果。對(duì)比實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，基于不同算法的流失預(yù)警模型在采用不同的關(guān)鍵特征選擇方法時(shí)會(huì)得到不同的預(yù)測(cè)效果，相比較而言，F(xiàn)isher比率篩選更優(yōu)化特征子集的能力比卡方檢驗(yàn)和主成分分析更強(qiáng)，對(duì)于基于不同算法的流失預(yù)警模型都能得到更好的預(yù)測(cè)效果。
　　在預(yù)警

4、模型構(gòu)建方面，本文提出構(gòu)建通信客戶(hù)流失組合預(yù)警模型。相較于一般的組合預(yù)警模型，本文加入了基于Fisher比率的特征選擇步驟，根據(jù)各單項(xiàng)預(yù)警模型的最佳特征子集優(yōu)化訓(xùn)練集。選用C5.0決策樹(shù)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)三種數(shù)據(jù)挖掘算法構(gòu)建基本通信客戶(hù)流失預(yù)警模型，利用拉格朗日函數(shù)求解得到使組合預(yù)警與各單項(xiàng)預(yù)警偏差最小的最佳組合流失預(yù)警模型權(quán)重，根據(jù)權(quán)重線性組合三個(gè)基本預(yù)警模型的預(yù)測(cè)結(jié)果來(lái)構(gòu)建組合流失預(yù)警模型，在此基礎(chǔ)上得到通信客戶(hù)流