【摘要】： 客戶流失管理是許多行業(yè)關(guān)注的一個(gè)重要問(wèn)題，近年來(lái)，，以傳統(tǒng)統(tǒng)計(jì)學(xué)方法和人工智能方法為基礎(chǔ)，客戶流失預(yù)測(cè)研究取得了豐富的研究成果，但尚存許多值得研究的問(wèn)題。商務(wù)智能的崛起為客戶流失預(yù)測(cè)的研究提供了新的思路。 本文在商務(wù)智能理論和客戶關(guān)系理論框架下，對(duì)現(xiàn)有客戶流失預(yù)測(cè)模型結(jié)構(gòu)進(jìn)行修訂，提出了新的預(yù)測(cè)模型結(jié)構(gòu)。然后，以新的預(yù)測(cè)模型結(jié)構(gòu)為基礎(chǔ)建立了客戶流失策略管理模型、客戶流失特征提取與屬性選擇方法、客戶流失預(yù)測(cè)模型，對(duì)電信業(yè)的客戶流失預(yù)測(cè)問(wèn)題進(jìn)行了實(shí)證考察，從一個(gè)新的角度加深了對(duì)客戶流失的規(guī)律理解。最后，對(duì)控制客戶流失的策略進(jìn)行了研究。現(xiàn)總結(jié)如下 一、提出一種新的客戶流失預(yù)測(cè)模型結(jié)構(gòu)，以一種嶄新的思路研究客戶流失問(wèn)題。根據(jù)客戶數(shù)據(jù)的特點(diǎn)和現(xiàn)用預(yù)測(cè)方式的不足，采用特征提取、屬性選擇、預(yù)測(cè)模型設(shè)計(jì)的預(yù)測(cè)新思路來(lái)研究客戶流失問(wèn)題。通過(guò)對(duì)新模型結(jié)構(gòu)實(shí)現(xiàn)算法和實(shí)證的研究，證明了新模型結(jié)構(gòu)比現(xiàn)用模型結(jié)構(gòu)更加有效。 二、應(yīng)用基于企業(yè)競(jìng)爭(zhēng)的Delta策略模型，提出一種用于電信業(yè)的客戶流失管理策略模型(CMSM)。通過(guò)使用某電信企業(yè)客戶流失數(shù)據(jù)集，對(duì)CMSM進(jìn)行了驗(yàn)證。其結(jié)果表明，該模型描述了客戶流失的原因且包含了與企業(yè)競(jìng)爭(zhēng)策略相關(guān)的主要預(yù)測(cè)因子，從而使其實(shí)際應(yīng)用更易控制。 三、利用特征提取和指標(biāo)屬性選擇方法，對(duì)電信業(yè)客戶流失預(yù)測(cè)進(jìn)行實(shí)證分析。主要結(jié)論是 1、將核主成分分析(KPCA)引入到客戶流失預(yù)測(cè)中，提出了相應(yīng)的特征提取算法，將KPCA與Logistic回歸結(jié)合，設(shè)計(jì)了預(yù)測(cè)模型。對(duì)某電信公司客戶流失預(yù)測(cè)的實(shí)證結(jié)果表明，該方法獲得的命中率、覆蓋率、準(zhǔn)確率、提升系數(shù)、命中率置信度區(qū)間、覆蓋率置信度區(qū)間、整體準(zhǔn)確率置信度區(qū)間和Kappa，高于原始屬性集和主成分分析(PCA)特征提取法。這表明KPCA能提取客戶數(shù)據(jù)的非線性特征，是研究客戶流失預(yù)測(cè)問(wèn)題的有效方法。 2、將信息增益(IG)引入到客戶流失預(yù)測(cè)中，提出了相應(yīng)的屬性選擇算法，將IG與神經(jīng)網(wǎng)絡(luò)(NN)結(jié)合，設(shè)計(jì)信息增益神經(jīng)網(wǎng)絡(luò)(IGNN)預(yù)測(cè)模型。對(duì)某電信公司客戶流失預(yù)測(cè)的實(shí)證結(jié)果表明，該方法獲得的命中率、覆蓋率、準(zhǔn)確率、提升系數(shù)、命中率置信度區(qū)間、覆蓋率置信度區(qū)間、整體準(zhǔn)確率置信度區(qū)間和Kappa，高于屬性相關(guān)性選擇法、一致性選擇法、實(shí)例選擇法和對(duì)稱不確定性選擇法，這表明IGNN具有比NN更好的預(yù)測(cè)能力和泛化能力，從而證實(shí)了該方法的有效性、可行性和可靠性。 3、客戶流失預(yù)測(cè)中的屬性選擇是一個(gè)滿意優(yōu)化問(wèn)題。針對(duì)已有屬性選擇方法較少考慮屬性獲取代價(jià)和屬性集維數(shù)的自動(dòng)確定問(wèn)題，提出一種滿意屬性選擇方法(SASM)，將樣本分類性能、屬性集維數(shù)和屬性提取復(fù)雜性等多種因素綜合考慮。給出屬性滿意度和屬性集滿意度定義，設(shè)計(jì)出滿意度函數(shù)，導(dǎo)出滿意屬性集評(píng)價(jià)準(zhǔn)則，詳細(xì)描述了屬性選擇算法。對(duì)某電信公司客戶流失預(yù)測(cè)的實(shí)證結(jié)果顯示，SASM獲得的命中率、覆蓋率、準(zhǔn)確率、提升系數(shù)、命中率置信度區(qū)間、覆蓋率置信度區(qū)間、整體準(zhǔn)確率置信度區(qū)間和Kappa，高于屬性相關(guān)性選擇法、一致性選擇法、實(shí)例選擇法和對(duì)稱不確定性選擇法。證實(shí)了SASM的有效性、可靠性和實(shí)用性。 4、隨著時(shí)間跨度增加，利用特征提取和屬性選擇方法所建立的預(yù)測(cè)模型，需重新訓(xùn)練，才可能得到滿意的結(jié)果。 四、利用基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的SVM方法，對(duì)電信業(yè)客戶流失預(yù)測(cè)進(jìn)行實(shí)證分析。主要結(jié)論是 1、應(yīng)用標(biāo)準(zhǔn)SVM，研究了電信業(yè)客戶流失預(yù)測(cè)問(wèn)題，并以某電信公司客戶流失預(yù)測(cè)為實(shí)例，與人工神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、貝葉斯分類器等方法進(jìn)行了對(duì)比，發(fā)現(xiàn)，除模型整體準(zhǔn)確率、整體準(zhǔn)確率置信度區(qū)間略低于決策樹(shù)C4.5外，該方法能獲得最好的命中率、覆蓋率、提升系數(shù)、命中率置信度區(qū)間、覆蓋率置信度區(qū)間、Kappa，是研究客戶流失預(yù)測(cè)問(wèn)題的有效方法。 2、針對(duì)目前客戶流失預(yù)測(cè)方法的不足，在利用訓(xùn)練樣本中不同類個(gè)數(shù)比值來(lái)確定各類懲罰參數(shù)的基礎(chǔ)上，改進(jìn)標(biāo)準(zhǔn)的C支持向量分類機(jī)(SVC)。通過(guò)以某電信公司客戶流失預(yù)測(cè)為實(shí)例，與標(biāo)準(zhǔn)C-SVC、人工神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、貝葉斯分類器等方法進(jìn)行了對(duì)比，發(fā)現(xiàn)，除模型整體準(zhǔn)確率、整體準(zhǔn)確率置信度區(qū)間略低于ANN，Logistic回歸和貝葉斯分類器外，該方法能獲得較好的正確率、命中率、覆蓋率、提升系數(shù)、命中率置信度區(qū)間、覆蓋率置信度區(qū)間、Kappa，是研究客戶流失預(yù)測(cè)問(wèn)題的有效方法； 3、利用簡(jiǎn)易SVM方法所建的客戶流失預(yù)測(cè)模型，在模型評(píng)價(jià)結(jié)果相當(dāng)?shù)臈l件下，其運(yùn)算花費(fèi)的時(shí)間較�。� 4、通過(guò)對(duì)“拒真納偽”兩類錯(cuò)誤在客戶流失預(yù)測(cè)中不同影響分析比較，采用SVM作為預(yù)測(cè)模型，并利用某電信公司實(shí)際數(shù)據(jù)對(duì)兩類錯(cuò)誤的平衡控制進(jìn)行了研究。實(shí)驗(yàn)結(jié)果表明，選取一個(gè)適當(dāng)?shù)膿p失比例系數(shù)，預(yù)測(cè)模型能在控制兩類錯(cuò)誤的前提下，有效地減少期望損失函數(shù)值，這在實(shí)際應(yīng)用中具有反映問(wèn)題本質(zhì)的現(xiàn)實(shí)意義。 5、隨時(shí)間跨度的增加，預(yù)測(cè)模型應(yīng)該重新訓(xùn)練才能得到滿意的效果。 五、結(jié)合客戶關(guān)系管理理論，從客戶價(jià)值和客戶滿意的角度提出了客戶流失分類表；然后通過(guò)對(duì)客戶流失進(jìn)行受力分析，發(fā)現(xiàn)導(dǎo)致客戶流失的為推力和引力；最后通過(guò)引入拉力策略和阻力策略來(lái)控制客戶流失。
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2007
【分類號(hào)】：F274;F224

【引證文獻(xiàn)】

相關(guān)期刊論文 前2條

1 楊智;夏國(guó)恩;金煒東;;基于不平衡數(shù)據(jù)集的客戶流失預(yù)測(cè)研究[J];計(jì)算機(jī)應(yīng)用研究;2010年12期

2 劉飛;;我國(guó)通信企業(yè)客戶流失預(yù)測(cè)研究綜述[J];企業(yè)科技與發(fā)展;2011年07期

相關(guān)博士學(xué)位論文 前3條

1 史e

本文編號(hào)：2632341