新時(shí)期下,電信企業(yè)的戰(zhàn)略目標(biāo)已經(jīng)由新客戶開(kāi)發(fā)轉(zhuǎn)向老客戶保留。在越發(fā)成熟的電信市場(chǎng),新客戶的開(kāi)發(fā)難度越來(lái)越大,需要消耗大量的人力和財(cái)力。最初很長(zhǎng)一段時(shí)期,各運(yùn)營(yíng)商們花費(fèi)大量的精力用于開(kāi)拓新市場(chǎng)、開(kāi)發(fā)新客戶,而對(duì)客戶保持關(guān)注度不夠。開(kāi)拓新市場(chǎng)勢(shì)必花費(fèi)大量的運(yùn)營(yíng)成本,這就造成了一定程度的客戶虛增現(xiàn)象。有研究表明,開(kāi)發(fā)新客戶要比保留老客戶花費(fèi)更大的運(yùn)營(yíng)成本,但是給企業(yè)帶來(lái)的收益不高。一個(gè)老客戶會(huì)將自己的滿意體驗(yàn)告訴鄰近2-3人,將不滿意體驗(yàn)告訴鄰近8-10人,這將在很大程度上影響到企業(yè)的聲譽(yù)。本文基于某市的寬帶客戶行為數(shù)據(jù),依據(jù)該企業(yè)寬帶客戶的行為數(shù)據(jù)構(gòu)建是否出賬的預(yù)警模型。時(shí)間窗口選為五個(gè)月,其中前三個(gè)月為分析窗口,用于模型構(gòu)建,第四個(gè)月為挽留窗口,用于企業(yè)采取措施進(jìn)行保留,第五個(gè)月為預(yù)測(cè)窗口,即對(duì)客戶是否出賬實(shí)現(xiàn)隔月預(yù)測(cè)。本文的主要目標(biāo)是建立一個(gè)組合模型來(lái)對(duì)客戶是否流失進(jìn)行隔月預(yù)測(cè)。組合模型是基于四種基分類器線性組合的分類算法,可以有效發(fā)揮各基模型的優(yōu)點(diǎn),提高模型的分類能力,幫助企業(yè)進(jìn)行客戶挽留,對(duì)提高企業(yè)收益具有重大意義。數(shù)據(jù)的選擇具有嚴(yán)重的數(shù)據(jù)不均衡和屬性較少的特點(diǎn),在對(duì)數(shù)據(jù)進(jìn)行缺失值... 

【文章來(lái)源】：云南財(cái)經(jīng)大學(xué)云南省

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid函數(shù)圖

第二章客戶流失預(yù)測(cè)模型概述18（2.24）假設(shè)，，且，是前步得到的一個(gè)常數(shù)，對(duì)最后一棵樹(shù)的葉子節(jié)點(diǎn)求一階導(dǎo)并令其等于0，則葉子節(jié)點(diǎn)的權(quán)值如公式(2.25)所示：（2.25）所以目標(biāo)函數(shù)可以化簡(jiǎn)為：（2.26）從公式(2.26)可知，目標(biāo)函數(shù)變成了僅與上一步有關(guān)的一個(gè)新的目標(biāo)函數(shù)，利用上述的思想，基于最小化損失函數(shù)尋找最優(yōu)分割點(diǎn)，并且循環(huán)此過(guò)程。XGBoost每輪迭代都會(huì)生成一顆樹(shù)，使得損失不斷減少，越來(lái)越接近真實(shí)值，使得分類結(jié)果非常好，而且XGBoost可以實(shí)現(xiàn)并行化處理，使得模型訓(xùn)練時(shí)間短，通過(guò)引入泰勒的二階公式來(lái)求解損失函數(shù)，使得結(jié)果更加精確，除此之外模型中添加了正則項(xiàng)參數(shù)，可以有效降低模型的復(fù)雜度。三、神經(jīng)網(wǎng)絡(luò)模型傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)包括三個(gè)層級(jí)結(jié)構(gòu)：輸入層、隱藏層和輸出層。層與層之間都存在著權(quán)重和激活函數(shù)，激活函數(shù)將線性模型映射為非線性模型，其中，模型中神經(jīng)元的個(gè)數(shù)、權(quán)重值、連接方式以及激活函數(shù)的差別會(huì)形成不同的神經(jīng)網(wǎng)絡(luò)模型。且神經(jīng)元結(jié)構(gòu)如圖2.2所示：圖2.2神經(jīng)元模型結(jié)構(gòu)圖

第二章客戶流失預(yù)測(cè)模型概述19從圖2.2中可以了解到這些神經(jīng)元是具有方向性的，神經(jīng)元之間由神經(jīng)鏈連接，神經(jīng)鏈表示一定的加權(quán)比重，模型的功能來(lái)自于神經(jīng)元之間彼此的作用。神經(jīng)網(wǎng)絡(luò)內(nèi)部的神經(jīng)鏈和神經(jīng)元存在著復(fù)雜的數(shù)學(xué)關(guān)系，模型在神經(jīng)元中對(duì)輸入的值與神經(jīng)鏈上的權(quán)重進(jìn)行求和，通過(guò)激勵(lì)函數(shù)的作用得到模型預(yù)測(cè)的結(jié)果。而神經(jīng)網(wǎng)絡(luò)是在神經(jīng)元網(wǎng)絡(luò)的基礎(chǔ)上演化來(lái)的，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2.3所示：圖2.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖經(jīng)典的神經(jīng)網(wǎng)絡(luò)包括三個(gè)層級(jí)結(jié)構(gòu)，且層與層之間具有傳遞性，上一層的輸出即是下一層的輸入，+1項(xiàng)表示神經(jīng)網(wǎng)絡(luò)的偏置項(xiàng)，用于修正模型結(jié)構(gòu)。輸入層位于神經(jīng)網(wǎng)絡(luò)模型的第一級(jí)層級(jí)結(jié)構(gòu)，用于數(shù)據(jù)的輸入，是整個(gè)模型的起點(diǎn)層。隱藏層位于神經(jīng)網(wǎng)絡(luò)的第二級(jí)層級(jí)結(jié)構(gòu)，隱藏層神經(jīng)元通過(guò)從輸入層接收的數(shù)據(jù)與神經(jīng)鏈上的權(quán)重進(jìn)行計(jì)算并將結(jié)果存儲(chǔ)起來(lái)。并且與輸出層連接，作為輸出層的輸入，自身并不與外界直接聯(lián)系。輸出層位于神經(jīng)網(wǎng)絡(luò)模型的最高層，用于接收上一層的輸出，經(jīng)過(guò)非線性函數(shù)的作用，輸出結(jié)果。模型的結(jié)構(gòu)越復(fù)雜。理論上在訓(xùn)練集上的表現(xiàn)越好，當(dāng)面對(duì)復(fù)雜的問(wèn)題，往往需要構(gòu)建更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，這包括神經(jīng)元的個(gè)數(shù)和層的數(shù)量，即包含多個(gè)隱藏層的網(wǎng)絡(luò)結(jié)構(gòu)，如圖2.4所示：圖2.4多隱層神經(jīng)網(wǎng)絡(luò)模型

【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的客戶流失預(yù)測(cè)模型[J]. 馬文斌,夏國(guó)恩.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(09)
[2]基于隨機(jī)森林算法的客戶流失模型[J]. 朱琦,朱正鍵,陳倫楷.  電信快報(bào). 2019(04)
[3]基于One Class SVM的電信用戶流失情況研究[J]. 簡(jiǎn)宋全,李青海,黃心蕊,秦于欽.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2017(29)
[4]一種基于C5.0決策樹(shù)的客戶流失預(yù)測(cè)模型研究[J]. 張宇,張之明.  統(tǒng)計(jì)與信息論壇. 2015(01)
[5]基于ODR和BSMOTE結(jié)合的不均衡數(shù)據(jù)SVM分類算法[J]. 陶新民,童智靖,劉玉,付丹丹.  控制與決策. 2011(10)
[6]基于蟻群算法的成本敏感線性集成多分類器的客戶流失研究[J]. 羅彬,邵培基,羅盡堯,劉獨(dú)玉,夏國(guó)恩.  中國(guó)管理科學(xué). 2010(03)
[7]電信業(yè)客戶流失管理策略模型[J]. 夏國(guó)恩,邵培基.  電信科學(xué). 2009(03)
[8]基于核主成分分析特征提取的客戶流失預(yù)測(cè)[J]. 夏國(guó)恩.  計(jì)算機(jī)應(yīng)用. 2008(01)
[9]CRM的客戶生命周期價(jià)值與測(cè)度方法探討[J]. 謝守祥,駱濤濤.  現(xiàn)代管理科學(xué). 2007(08)
[10]基于客戶價(jià)值的客戶序位評(píng)價(jià)研究[J]. 戴俊良,劉承水.  中國(guó)管理科學(xué). 2007(03)

博士論文
[1]電信運(yùn)營(yíng)企業(yè)客戶流失預(yù)測(cè)與評(píng)價(jià)研究[D]. 遲準(zhǔn).哈爾濱工程大學(xué) 2013
[2]基于MMOI方法的電信客戶流失預(yù)測(cè)與挽留研究[D]. 羅彬.電子科技大學(xué) 2010
[3]中國(guó)電信業(yè)流失客戶贏回策略研究[D]. 劉勇.華中科技大學(xué) 2007

碩士論文
[1]基于重采樣的代價(jià)敏感學(xué)習(xí)在網(wǎng)絡(luò)貸款用戶分類中的應(yīng)用[D]. 郭冰楠.華南理工大學(xué) 2019
[2]基于多算法融合的電子商務(wù)客戶流失預(yù)測(cè)算法研究[D]. 劉葉.昆明理工大學(xué) 2019
[3]DG電信公司寬帶用戶流失的預(yù)警模型構(gòu)建[D]. 黃展正.華南理工大學(xué) 2018
[4]基于算法融合的客戶流失預(yù)測(cè)方法研究[D]. 趙婷婷.東北財(cái)經(jīng)大學(xué) 2018
[5]基于Stacking集成學(xué)習(xí)的浙江移動(dòng)公司客戶流失分層預(yù)測(cè)研究[D]. 汪貝貝.浙江工商大學(xué) 2018
[6]不均衡電信客戶數(shù)據(jù)的分類問(wèn)題研究[D]. 郭娜娜.西安理工大學(xué) 2017
[7]基于少數(shù)類樣本重組的不平衡數(shù)據(jù)分類研究[D]. 李軒.湖南大學(xué) 2016
[8]電信客戶流失預(yù)警模型的構(gòu)建及應(yīng)用研究[D]. 段佩.浙江工商大學(xué) 2015
[9]客戶流失預(yù)測(cè)算法研究[D]. 王輝.廣西師范大學(xué) 2015
[10]揚(yáng)州移動(dòng)公司在校大學(xué)生客戶流失原因的調(diào)查研究[D]. 劉認(rèn).揚(yáng)州大學(xué) 2015



本文編號(hào)：3280743