隨著更多極具競爭力產品不斷地涌入市場,用戶有著更高的主動性去選擇其感興趣的音樂流媒體服務,導致各平臺必將面臨用戶流失問題加劇的危險。然而,一方面由于音樂流媒體的用戶記錄數據更新速度較快,一個模型并不能產生永久的效用。另一方面,針對不同行業(yè)、不同特征的數據集,用戶流失預警模型具有不同的表現(xiàn)形態(tài),不能一概而論。所以,要保證用戶流失預警體系的實時性,必須對新業(yè)務和新數據集進行新的研究。綜上所述,有必要針對音樂流媒體的用戶流失預測問題展開研究,確保準確預測訂閱業(yè)務中付費用戶流失,這對平臺長期成功至關重要。針對上述問題,考慮到某個音樂流媒體服務平臺對付費用戶流失預測的需求,本文選取了2015年1月1日至2017年2月28日該平臺生成的用戶記錄數據作為原始數據。通過數據挖掘的相關方法對訂閱用戶在當前會員資格到期后的30天內是否會流失的問題進行了研究。在研究內容上,本文主要從分類分析和聚類分析兩個角度,展開音樂流媒體用戶流失預測模型分析、用戶流失原因及用戶細分模型分析兩個方面的討論研究。首先,在流失預測模型分析方面。利用Python軟件,對各數據集初步清洗后進行單變量和多變量對比的特征分析,探索音樂... 

【文章來源】：廣西師范大學廣西壯族自治區(qū)

【文章頁數】：53 頁

【學位級別】：碩士

【部分圖文】：

-means算法流程圖

圖 2 性別變量、流失變量分布圖.2 多變量對比分析各個變量進行獨立的統(tǒng)計分析后，接下來探索變量相互間的特性。通過比較各變對應的流失標簽變量的總數，可以較為直觀地了解各變量與流失標簽的關系以及體分布情況。具體結果如下：1）各城市的用戶流失情況對比、不同性別下用戶流失情況對比下圖 3 中的左圖可知，來自編碼為 1 的城市的用戶最多，同時所占的流失比例也以初步認為編碼 1 的城市對流失預測具有很大的影響。從圖 3 中的右圖中可以看男女數量相當，其中的流失人數也相當，說明年齡字段點用戶流失預測影響不大前對年齡字段對變量分析結果，可以明確可以在建模時刪除性別變量。

教宓撓沒Я魘гげ夥治?2圖 2 性別變量、流失變量分布圖3.3.2 多變量對比分析對各個變量進行獨立的統(tǒng)計分析后，接下來探索變量相互間的特性。通過比較各變量取值下對應的流失標簽變量的總數，可以較為直觀地了解各變量與流失標簽的關系以及數據的大體分布情況。具體結果如下：（1）各城市的用戶流失情況對比、不同性別下用戶流失情況對比從下圖 3 中的左圖可知，來自編碼為 1 的城市的用戶最多，同時所占的流失比例也最大�？梢猿醪秸J為編碼 1 的城市對流失預測具有很大的影響。從圖 3 中的右圖中可以看到用戶的男女數量相當，其中的流失人數也相當，說明年齡字段點用戶流失預測影響不大，結合之前對年齡字段對變量分析結果，可以明確可以在建模時刪除性別變量。圖 3 各城市用戶流失情況對比圖及不同性別下用戶流失情況對比圖（2）不同訂閱支付方式下和不同注冊方式下用戶流失情況對比由下圖 4 中的左圖可知，編碼為 41 的訂閱支付方式最受用戶歡迎，而且其中的流失用戶數量與其他支付方式區(qū)別不大，編碼為 38 的支付方式用戶流失占比最大。從圖 4 中

【參考文獻】：
期刊論文
[1]基于隨機森林與RFM模型的財險客戶分類管理研究[J]. 閆春,孫海棠,李亞琪.  科技與經濟. 2018(01)
[2]基于客戶價值的客戶行為特征分類模型探討[J]. 朱明英,邢豫,王海霞,王保中.  現(xiàn)代計算機(專業(yè)版). 2017(01)
[3]基于新三維客戶細分模型的線上會員客戶價值研究[J]. 葉志龍,黃章樹.  統(tǒng)計與信息論壇. 2016(05)
[4]基于組合預測的電信客戶流失預測[J]. 陳曄,覃曉群.  計算機與數字工程. 2015(04)
[5]基于代價敏感決策樹的客戶價值細分(英文)[J]. 鄒鵬,莫佳卉,江亦華,葉強.  管理科學. 2011(02)
[6]基于錯分類成本的AdaBoost客戶流失預測模型研究[J]. 唐邁.  中國商界(上半月). 2010(11)
[7]基于聚類分析的客戶細分研究[J]. 季越江,呂佳.  辦公自動化. 2009(08)
[8]聚類算法在銀行客戶細分中的應用[J]. 花海洋,趙懷慈.  計算機工程. 2008(24)
[9]聚類分析在客戶細分中的研究與應用[J]. 趙喜倉,崔冬梅,竇志紅.  江蘇商論. 2007(08)
[10]數據挖掘方法在用戶流失預測分析中的應用[J]. 劉光遠,苑森淼,董立巖.  計算機工程與應用. 2007(09)

博士論文
[1]基于半監(jiān)督和集成學習的不平衡數據特征選擇和分類[D]. 房曉南.山東師范大學 2016

碩士論文
[1]基于數據挖掘的網絡消費者價值研究[D]. 魏秀安.哈爾濱商業(yè)大學 2017
[2]基于支持向量機的不平衡數據分類算法研究[D]. 劉東啟.浙江大學 2017
[3]基于數據挖掘的網購用戶流失預測研究[D]. 郭成蹊.吉林大學 2016
[4]基于RFM改進模型的互聯(lián)網金融平臺用戶細分研究[D]. 吳曉雪.北京交通大學 2016
[5]移動通信網用戶流失預測[D]. 尹丹丹.中國科學技術大學 2016
[6]網絡客戶流失預測算法研究[D]. 馬文斌.廣西師范大學 2016
[7]高維數據集上的降維算法及其應用[D]. 肖招娣.華南理工大學 2013
[8]網購客戶流失的實證分析[D]. 馮倩.西南財經大學 2013
[9]基于數據挖掘的客戶流失預測實證研究[D]. 司學峰.北京工業(yè)大學 2009



本文編號：2896217