客户流失预测的现状与发展研究

根据客户流失预测研究的发展历程和智能化程度的高低,将客户流失预测研究划分为三个阶段,包括基于传统统计学的预测方法、基于人工智能的预测方法和基于统计学习理论的预测方法,并通过分析每个阶段存在的问题提出了未来可研究的方向。     

支持向量机在电信客户流失预测中的应用研究

客户流失分析与预测是客户关系管理的重要内容.由于电信客户的特征呈高度非线性、严重冗余和高维数,传统方法无法消除数据之间冗余和捕获非线性规律,导致预测精度较低.为了提高电信客户流失预测精度,提出一种基于主成份分析(PCA)支持向量机(SVM)的电信客户流失预测方法(PCA-SVM).首先利用主成分分析对原始数据进行特征降维,消除冗余,然后将得到的主成分作为非线性支持向量机的输入进行学习建模.对某电信公司客户流失数据进行了仿真,实验结果表明,PCA-SVM获得的命中率、覆盖率、准确率和提升系数远远高于其它预测方法.说明主成分分析结合支持向量机的数据挖掘方法具有很好的预测效果,为电信客户流失预测提供了一种新方法.     

改进支持向量机在电信客户流失预测的应用

电信流失客户数据精确预测是挽留客户的有效手段.电信业的管理中对收费、投诉、业务受理等问题,显然是一种典型的非平衡样本,传统用标准的支持向量机没有考虑样本分布不平衡问题,虽然在样本数据平衡前提下具有较好的预测精度,但对于不平衡电信客户数据,预测精度大大下降.为提高预测精度,针对支持向量机处理不平衡样本时的缺陷,提出了基于代价敏感学习的支持向量机模型.模型利用代价敏感学习对不平衡样本集分别采用不同惩罚系数,然后建立电信客户流失预测模型,最后对实际电信客户流失数据进行测试.通过与标准支持向量机、神经网络对比,结果表示模型提高了预测精度,有效地解决了数据集非平衡性问题,是一种有效的电信客户流失预测方法.     

基于代价敏感SVM的电信客户流失预测研究*

针对客户流失数据集的非平衡性问题和错分代价的差异性问题,将代价敏感学习应用于Veropoulos提出的采用不同惩罚系数的支持向量机,建立客户流失预测模型,对实际的电信客户流失数据进行验证。通过与传统SVM、C4.5和ANN对比研究,结果显示此方法在精确度、命中率、覆盖率和提升度均有所改善,表明此方法有效地解决了数据集的非平衡性和错分代价问题,是进行客户流失预测的有效方法。     

基于支持向量机的电信客户信用风险评估模型

本文根据目前电信行业业务支撑系统特别是计费系统的特点,指出电信客户信用风险评估的重要性。在此基础上,本文分析了电信客户信用风险评估和支持向量机的特点,并提出了针对电信客户信用风险评估的支持向量机信用风险评估模型。     

基于GA-SVM的银行客户流失预测分析

客户流失分析与预测是客户关系管理的重要内容。根据银行实际客户流失数据中正负样本数量不平衡而且数据量大的特点,采用遗传算法对传统支持向量机进行改进,得到GA-SVM模型,并以国内某商业银行VIP客户流失预测为实例,与人工神经网络、决策树、逻辑回归和贝叶斯分类器方法进行了对比,发现该方法能获得最好的正确率、命中率、覆盖率和提升系数,是预测现有客户流失倾向的有效方法。     

模糊粗糙集与SVM的彩铃客户挖掘模型

针对彩铃业务交易记录较多和客户属性的高维度及混合性的特点,建立了基于信息熵度量的模糊粗集属性约简和RBF-SVM分类的彩铃客户挖掘模型。通过10 折交叉验证,对来自两个地市的营销返回样本,在选择特征数量和分类精度之间的差别与其他5个模型进行了比较分析。实验结果显示此模型获取了相对最高的平均分类精度（80.43%）和最少的平均特征属性（2.5个）,有效地约简了属性并改善了分类能力。     

电子商务客户流失的建模与预测研究

研究电子商务客户流失预测问题,电子商务客户流失具有非线性、时变等特点,用单一预测模型难以对电子商务客户流失变化规律进行全面、准确预测,导致预测正确率低。为了提高电子商务客户流失预测正确率,提出一种组合的电子商务客户流失预测模型。组合预测模型首先采用遗传算法对影响客户流失因子进行筛选,提取对预测结果影响重要的因子,然后分别采用支持向量机和神经网络对其进行预测,最后采用支持向量机对两种预测结果进行融合,得到组合模型的电子商务客户流失预测结果。仿真结果表明,组合模型提高了电子商务客户流失预测正确率,解决了单一预测模型的缺陷,将为电子商务客户流失研究提供一种新预测思路。     

基于简易支持向量机的客户流失预测研究*

应用简易支持向量机（SSVM）进行客户流失预测,以提高机器学习方法的预测能力。以国外电信公司客户流失预测为实例,与最近邻算法（NPA）进行了对比,发现该方法在获得与NPA近似准确率的条件下,所花费的时间和时间增加值远小于NPA,是研究客户流失预测问题的有效方法。     

组合算法在柴油机故障诊断的应用仿真

研究柴油机故障诊断问题。柴油机故障具有小样本、特征间冗余信息严重等特点,用大样本的神经网络无法对故障进行准确诊断。为提高柴油机故障诊断精度,提出一种粗糙集和支持向量机相融合的柴油机故障诊断算法。首先采用粗糙集对柴油机故障特征属性进行约简,消除特征间冗余信息,然后采用专门针对小样本的支持向量机建立柴油机故障诊断器,最后进行柴油机故障诊断仿真测试。测试结果表明,改进方法提高了柴油机故障诊断效率和精度,可为柴油机故障定位和分析提供有价值参考意见。     

基于代价敏感的决策树的电信离网分析模型

随着电信行业竞争的加剧,客户流失率日益攀升,因此提高客户流失的预测精度将直接关系到电信企业的生存和发展.而电信客户数据集中存在严重的数据不平衡问题,会导致两类错分代价明显不等同.而基于传统决策树的客户流失模型却是在两类错分代价相等的前提下建立的,与实际情况不符.因此引入代价敏感学习理论,该理论将不同的错分代价纳入建模过程,以建立一个基于代价敏感的决策树的电信客户离网分析模型.该方法有效地提高了模型对流失客户的预测性能.这对促进电信业的发展具有相当重要的意义.     

基于贝叶斯网络的电信客户流失预测分析

电信客户流失分析常用的数据挖掘方法有自动聚类、决策树和人工神经网络,它们是采用数据本身来训练模型的,没有利用先验知识。电信客户流失是由客户心理、服务质量和对手竞争等诸多复杂的因素造成的,利用这些已有的先验知识,可以提高预测的精度。该文根据先验知识选取分析变量,采集样本数据,通过贝叶斯网络的结构学习和参数学习,建立客户流失模型并进行客户流失趋势预测,取得了比标准数据集更准确的结果,该结果和决策树方法的预测结果相比还具有较大的优势,说明贝叶斯网络是分析客户流失等不确定性问题的有效工具。     

基于谱回归特征降维的客户流失预测

针对于大样本数据的客户流失预测,从特征有效表达的角度,提出了一种基于谱回归特征约简的预测模型.模型在原始客户特征基础上,利用基于谱回归的流形降维,建立可区分性的低维特征空间,在此之上采用支持向量机实现客户流失的二分类.通过在网络客户和传统电信客户两种不同数据集上的大样本实验,并与不同分类器、不同特征约简或选择方法的对比...     

解读电信客户忠诚度的新视角

在电信转型时期的市场竞争中,有一个问题越来越引起电信运营商的重视,即如何提升电信客户的忠诚度。随着我国消费水平升级,买方市场越来越成熟,客户正开始享受着前所未有的丰富选择和热情礼遇。由于客户有比较和选择的权利与条件,运营商往往需要花大量的资金和精力去争取新客户     

电子商务客户流失的DBN预测模型研究

在电子商务迅速发展,企业快速抢占市场的背景下,客户成为企业竞争的核心因素。现有相关研究多致力于采用全数据输入模式解析客户流失现象,不同类型客户造成的差异性还有待进一步探讨。鉴于传统RFM模型不能精确解释电子商务客户流失原因,该研究将客户分为活跃与非活跃两个集群,提出一种优化的RFM理论模型与深度信念网络实证模型对电子商务客户流失进行预测。结果表明,不同类型客户流失因素的影响强度不同。对活跃用户而言,客户购买总金额是影响客户流失的主要因素;对非活跃用户而言,客户进入店铺的时间越长越可能留住客户。通过剖析非活跃用户不流失和活跃用户流失的原因,可帮助企业制定有效的客户管理策略,以最大程度地吸引潜在客户及保留现有客户,获取最多的市场利益。     

基层电信企业如何保存量

面对当前激烈的市场竞争形势,中国电信“保存量”状况不容乐观。以江苏省射阳县为例,截至2005年6月25日,铁通在射阳放装电话535户,网通在射阳放装电话1144户、大灵通282户,而且发展势头十分强劲。为此,笔者对电信企业的保存量工作谈几点看法。强化信息收集,做到知己知彼“信息”是领导决策的基础,电信企业首先应对其他通信运营商的信息进行及时收集整理,梳理出有价值的信息,供决策时参考。不仅要收集信息,而且要及时汇总、及时分析,不放过任何竞争对手举动的“蛛丝马迹”。2006年春节前夕,射阳电信局在分析竞争对手的动向后,针对其推出的优…     

基于分布式混合数据挖掘的电信客户流失分析

CORBA技术庞大而复杂,且技术和标准的更新相对较慢.电信运营企业应用系统是客户流失分析的主要数据来源,而传统的客户流失分析由于该系统数据的集中式存储继而采用集中式挖掘,对海量数据的挖掘效率低下.为进一步提高挖掘效率,提出网格下基于分布式混合数据挖掘的电信客户流失分析(Customer Churn Analysis upon Distributed Hybrid Data Mining in Grid,CCA-DHDM),并借助GridSphere门户,在该平台上实现了BP神经网络算法和K_Means聚类算法.仿真实验表明,与单机环境相比,随着网格节点数增加,算法的平均耗时明显下降65%到75%,同时算法的效率得以较明显地提高.