電信行業(yè)客戶流失預(yù)測(cè)的模型研究.pdf

1、隨著移動(dòng)通信行業(yè)市場(chǎng)的繁榮發(fā)展,中國(guó)移動(dòng)、中國(guó)聯(lián)通、中國(guó)電信這三家老牌電信運(yùn)營(yíng)商之間的“三國(guó)演義”愈演愈烈。近年來(lái),移動(dòng)運(yùn)營(yíng)商一方面飽嘗“價(jià)格戰(zhàn)”之痛,另一方面也面臨著不斷攀高的營(yíng)銷成本支出。因而各移動(dòng)運(yùn)營(yíng)商都開(kāi)始考慮,如何從追求規(guī)模為主的發(fā)展模式向規(guī)模效益兼顧的發(fā)展模式轉(zhuǎn)變。而實(shí)現(xiàn)這一轉(zhuǎn)變的關(guān)鍵就是對(duì)用戶流失率的控制,因此客戶流失預(yù)測(cè)成為電信行業(yè)關(guān)注的一個(gè)重要問(wèn)題。以傳統(tǒng)統(tǒng)計(jì)學(xué)方法和人工智能方法為基礎(chǔ),電信行業(yè)客戶流失預(yù)測(cè)取得了不少的

2、研究成果,但仍存在數(shù)據(jù)來(lái)源眾多、數(shù)據(jù)屬性關(guān)系復(fù)雜、類別數(shù)量不平衡分布等特點(diǎn)。而現(xiàn)有的關(guān)于流失預(yù)測(cè)研究方面還缺乏一套科學(xué)的、系統(tǒng)的理論框架和方法體系,現(xiàn)有的基于單模型客戶流失預(yù)測(cè)方法也不能完全滿足應(yīng)用需求。因此,在這一背景下,對(duì)電信行業(yè)客戶流失預(yù)測(cè)的模型進(jìn)行進(jìn)一步的探索和研究將具有重要的理論意義和實(shí)踐價(jià)值。本文主要研究電信客戶流失預(yù)測(cè)的理論框架和模型選擇,在此基礎(chǔ)上圍繞提升電信客戶流失預(yù)測(cè)能力這個(gè)主要目標(biāo),展開(kāi)了一系列的電信客戶流失預(yù)測(cè)研

3、究。
　　 首先,在模型選擇的基本理論和分類問(wèn)題的理論框架下,本文對(duì)現(xiàn)有的客戶流失預(yù)測(cè)模型進(jìn)行了深入的研究和對(duì)比。在實(shí)例電信客戶數(shù)據(jù)上分別建立具有代表性的決策樹(shù)(Decision tree)、隨機(jī)森林(Random Forest,RF)、支持向量機(jī)(SupportVector Machine,SVM)和K近鄰法(K nearest neighbor,KNN)流失預(yù)測(cè)模型,并利用不同的分類器性能指標(biāo)對(duì)模型結(jié)果進(jìn)行對(duì)比。對(duì)比結(jié)果表明

4、:在模型平均準(zhǔn)確率、命中率、覆蓋率、提升系數(shù)和可靠性Kappa值上,隨機(jī)森林預(yù)測(cè)模型和支持向量機(jī)預(yù)測(cè)模型均優(yōu)于決策樹(shù)預(yù)測(cè)模型和K近鄰法預(yù)測(cè)模型,但如果進(jìn)一步考慮運(yùn)算效率和參數(shù)設(shè)定,支持向量機(jī)預(yù)測(cè)模型就失去其優(yōu)勢(shì),而隨機(jī)森林模型這一典型的組合分類器算法則占據(jù)以上兩種考量的優(yōu)勢(shì),因此本文在隨機(jī)森林的基礎(chǔ)上進(jìn)一步探索和研究改進(jìn)客戶流失預(yù)測(cè)模型的方法和技術(shù)。
　　 其次,電信客戶流失預(yù)測(cè)數(shù)據(jù)具有來(lái)源眾多、屬性關(guān)系復(fù)雜、類別不平衡等特點(diǎn)。

5、因此為進(jìn)一步提高模型的性能,對(duì)電信客戶數(shù)據(jù)進(jìn)行屬性選擇和特征提取十分必要。本文詳細(xì)討論了基于Filtering方法和基于Wrapper方法的屬性選擇方法,提出了一種基于剪枝技術(shù)的屬性選擇方法,即基于方向排序剪枝的屬性選擇方法,將屬性選擇問(wèn)題轉(zhuǎn)換為組合分類器中的基分類器剪枝問(wèn)題,并將該方法與基于隨機(jī)森林的屬性選擇方法進(jìn)行對(duì)比。在實(shí)例電信客戶數(shù)據(jù)集上的實(shí)驗(yàn)表明:基于方向排序剪枝的屬性選擇方法在對(duì)模型的命中率、覆蓋率、模型準(zhǔn)確率和提升系數(shù)的改

6、進(jìn)方面比基于隨機(jī)森林的屬性選擇方法具有更大的優(yōu)勢(shì),較小規(guī)模的屬性集可以獲得更好的模型分類性能。
　　 再次,為了進(jìn)一步發(fā)掘?qū)傩蚤g的高階統(tǒng)計(jì)信息,本文提出一種基于隨機(jī)森林和轉(zhuǎn)導(dǎo)推理的特征提取方法,從不同角度來(lái)提取客戶數(shù)據(jù)中的多種特征,同時(shí)將高維屬性降低為三維特征,并充分利用測(cè)試數(shù)據(jù)的屬性信息。在此基礎(chǔ)上,針對(duì)電信行業(yè)客戶流失數(shù)據(jù)的類別不平衡性特點(diǎn),本文引入單類支持向量機(jī)算法來(lái)改進(jìn)隨機(jī)森林預(yù)測(cè)模型,從而解決這一問(wèn)題。在實(shí)例電信客戶數(shù)

7、據(jù)集上的實(shí)驗(yàn)表明:基于隨機(jī)森林和單類支持向量機(jī)的客戶流失預(yù)測(cè)模型能夠克服類不平衡性,具有良好的分類性能。
　　 最后,為使隨機(jī)森林在電信行業(yè)客戶流失預(yù)測(cè)中更具有運(yùn)算效率和存儲(chǔ)空間上的實(shí)用性,本文首先提出一種基于隨機(jī)森林相似度簡(jiǎn)化矩陣的差異度測(cè)度,用來(lái)衡量組合中基分類器的差異度,在此基礎(chǔ)上提出一種基于該差異度測(cè)度的基分類器剪枝算法,即基于隨機(jī)森林的差異度測(cè)度的剪枝算法。在UCI標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明:與基于錯(cuò)誤率剪枝算法和基于方向