电子商务客户流失预测研究

发布时间：2020-11-16 06:06

　　近年来,互联网技术发展迅速,市场竞争激烈,企业更加关注客户的流失管理。提高客户留存是企业控制成本的重要环节。而减少客户流失的核心工作在于识别潜在的流失客户。如何精准地预测客户的流失是客户关系管理领域中不容小觑的研究问题。本文以电子商务企业客户为研究对象,展开对客户流失预测问题的研究。首先考虑客户细分对客户流失预测的正向影响作用,本文在分析客户的购买行为与社交行为对客户价值影响的基础上,对传统价值模型RFM进行改进,引入了客户社交影响力指标I,构建了 RFMI价值识别模型,从客户的个人价值与社交网络价值两个维度出发,基于客户价值对企业客户进行有效的细分。接着针对电子商务客户流失研究中存在的特征维度高、数据量大的问题,利用随机森林算法进行特征筛选,并基于集成学习算法XGBoost构建了客户流失预测模型。其中,针对预测可能产生的两类错误损失程度不同的问题,本文对XGBoost算法进行了改进,在其损失函数中增加了错分惩罚系数,令一类错误损失高于二类错误损失,使其更加符合实际应用场景,并提高整体模型的预测精度。本文利用国内某电子商务企业的客户数据对模型进行了验证与对比分析。研究结果发现:(1)改进后的XGBoost算法能够有效降低一类错误发生的概率并具有更高的准确性,其中准确率提升了 2.8%;(2)细分后的客户群体相比细分前预测效果更好,其中对核心价值客户预测时一类错误发生概率下降10.8%,准确率提升7.8%;(3)相比其他分类算法,改进后的XGBoost算法在AUC值、准确率、精确率等指标上均有显著提升。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F724.6;F274
【部分图文】：

示意图,示意图,激活函数,神经元

ＢＰ神经网络通常使用Ｓｉｇｍｏｄ函数与双曲正切函数作为激活函数，当神经元接收到??输入信号时，会将这些信号乘以对应的权重并累加作为输入总值，与当前神经元阈值进??行比较，通过激活函数的处理产生神经元的输出。图２－１为ＢＰ神经网络层次示意图，??能够清楚地展示反向传播的过程。??１６??

框架图,客户价值,识别模型,框架

３．２．１模型基本框架??本文提出的客户价值识别模型有指标体系构建、客户价值计算以及客户价值分类ｉ！??大阶段，如图３－１所示。首先是指标体系的构建，本文已在３．１小节初步提出了价值模??■的４大指标Ｒ、Ｆ、Ｍ、Ｉ；接着我们通过专家打分法来确定各大指标的权重值，并对??判断矩阵进行一致性检验；其次是客户价值计算，本文采用相乘相加的方法，对已收集??和处理的相关客户数据进行价值计算，以得到每个客户的价值：Ｆ值；最后是客户价值分??类，该阶段是根据第二步的计算结果以及客户分布情况来确定划分客户群体的阈值，并??根据阈值对客户进行分类，以达到帮助企业识别核心价值客户的目的。??（５）指标体系构建＝［＞?确定指标?一＊确定指标权重一》?＿致性检验?????????????？客户价值计筲＝＞?数据收集与处理——？计算价值Ｖ??（Ｄ客户价值分类＝＞?设罝阈值?一＊划分客户群体??图３－１客户价值识别模型框架??３．２．２指标权重确定??在ＲＦＭＩ模型中，四大指标对客户价值的影响程度各不相同，在指标权童的设定中??应尽可能区别不同指标对客户产生的作用程度。本文采用层次分析法来解决ＲＦＭＩ模型??中的指标权重狗题。??层次分析法是集合构建、测量及分析的一个强大且灵活的决策工具，适用于需要同??时考虑定性与定量方面的复杂问题

分析图,客户价值,分析图