新時期下,電信企業(yè)的戰(zhàn)略目標已經(jīng)由新客戶開發(fā)轉(zhuǎn)向老客戶保留。在越發(fā)成熟的電信市場,新客戶的開發(fā)難度越來越大,需要消耗大量的人力和財力。最初很長一段時期,各運營商們花費大量的精力用于開拓新市場、開發(fā)新客戶,而對客戶保持關(guān)注度不夠。開拓新市場勢必花費大量的運營成本,這就造成了一定程度的客戶虛增現(xiàn)象。有研究表明,開發(fā)新客戶要比保留老客戶花費更大的運營成本,但是給企業(yè)帶來的收益不高。一個老客戶會將自己的滿意體驗告訴鄰近2-3人,將不滿意體驗告訴鄰近8-10人,這將在很大程度上影響到企業(yè)的聲譽。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。時間窗口選為五個月,其中前三個月為分析窗口,用于模型構(gòu)建,第四個月為挽留窗口,用于企業(yè)采取措施進行保留,第五個月為預(yù)測窗口,即對客戶是否出賬實現(xiàn)隔月預(yù)測。本文的主要目標是建立一個組合模型來對客戶是否流失進行隔月預(yù)測。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,提高模型的分類能力,幫助企業(yè)進行客戶挽留,對提高企業(yè)收益具有重大意義。數(shù)據(jù)的選擇具有嚴重的數(shù)據(jù)不均衡和屬性較少的特點,在對數(shù)據(jù)進行缺失值... 

【文章來源】：云南財經(jīng)大學(xué)云南省

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

Sigmoid函數(shù)圖

第二章客戶流失預(yù)測模型概述18（2.24）假設(shè)，，且，是前步得到的一個常數(shù)，對最后一棵樹的葉子節(jié)點求一階導(dǎo)并令其等于0，則葉子節(jié)點的權(quán)值如公式(2.25)所示：（2.25）所以目標函數(shù)可以化簡為：（2.26）從公式(2.26)可知，目標函數(shù)變成了僅與上一步有關(guān)的一個新的目標函數(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，并且循環(huán)此過程。XGBoost每輪迭代都會生成一顆樹，使得損失不斷減少，越來越接近真實值，使得分類結(jié)果非常好，而且XGBoost可以實現(xiàn)并行化處理，使得模型訓(xùn)練時間短，通過引入泰勒的二階公式來求解損失函數(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)包括三個層級結(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)元的個數(shù)、權(quán)重值、連接方式以及激活函數(shù)的差別會形成不同的神經(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)元中對輸入的值與神經(jīng)鏈上的權(quán)重進行求和，通過激勵函數(shù)的作用得到模型預(yù)測的結(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)包括三個層級結(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項表示神經(jīng)網(wǎng)絡(luò)的偏置項，用于修正模型結(jié)構(gòu)。輸入層位于神經(jīng)網(wǎng)絡(luò)模型的第一級層級結(jié)構(gòu)，用于數(shù)據(jù)的輸入，是整個模型的起點層。隱藏層位于神經(jīng)網(wǎng)絡(luò)的第二級層級結(jié)構(gòu)，隱藏層神經(jīng)元通過從輸入層接收的數(shù)據(jù)與神經(jīng)鏈上的權(quán)重進行計算并將結(jié)果存儲起來。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)面對復(fù)雜的問題，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)元的個數(shù)和層的數(shù)量，即包含多個隱藏層的網(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】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的客戶流失預(yù)測模型[J]. 馬文斌,夏國恩.  計算機技術(shù)與發(fā)展. 2019(09)
[2]基于隨機森林算法的客戶流失模型[J]. 朱琦,朱正鍵,陳倫楷.  電信快報. 2019(04)
[3]基于One Class SVM的電信用戶流失情況研究[J]. 簡宋全,李青海,黃心蕊,秦于欽.  現(xiàn)代計算機(專業(yè)版). 2017(29)
[4]一種基于C5.0決策樹的客戶流失預(yù)測模型研究[J]. 張宇,張之明.  統(tǒng)計與信息論壇. 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,劉獨玉,夏國恩.  中國管理科學(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[J]. 夏國恩.  計算機應(yīng)用. 2008(01)
[9]CRM的客戶生命周期價值與測度方法探討[J]. 謝守祥,駱濤濤.  現(xiàn)代管理科學(xué). 2007(08)
[10]基于客戶價值的客戶序位評價研究[J]. 戴俊良,劉承水.  中國管理科學(xué). 2007(03)

博士論文
[1]電信運營企業(yè)客戶流失預(yù)測與評價研究[D]. 遲準.哈爾濱工程大學(xué) 2013
[2]基于MMOI方法的電信客戶流失預(yù)測與挽留研究[D]. 羅彬.電子科技大學(xué) 2010
[3]中國電信業(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)測方法研究[D]. 趙婷婷.東北財經(jīng)大學(xué) 2018
[5]基于Stacking集成學(xué)習(xí)的浙江移動公司客戶流失分層預(yù)測研究[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)測算法研究[D]. 王輝.廣西師范大學(xué) 2015
[10]揚州移動公司在校大學(xué)生客戶流失原因的調(diào)查研究[D]. 劉認.揚州大學(xué) 2015



本文編號：3280743