基于竞争对手反击的电信客户流失挽留研究

首先分析了挽留激励、竞争反击、自然衰减和口碑传播这4种效应对客户保持率产生影响的动力学模型,并得到了客户保持率在客户挽留周期中的演进路径;接着定义了挽留激励系数、竞争反击系数、自然衰减系数和口碑影响系数来具体刻画这4种效应的作用力.然后基于客户保持率的演进路径得到了客户挽留周期计算模型,分别基于竞争对手反击效应存在性的不同情况建立了3类客户挽留价值计算模型.最后基于客户挽留价值和挽留成本建立了客户流失挽留评估模型,基于挽留重要性指标建立了客户挽留顺序选择模型.实验结果表明所提出的客户流失挽留方法是可行且有效的.     

基于预算限制和客户挽留价值最大化的电信客户流失挽留研究

在分析电信行业中挽留激励效应、自然流失效应和口碑传播效应对客户保持率的动力学机理的基础上,得到客户保持率在客户挽留周期中的演进路径;接着提出了使用挽留激励系数、自然衰减系数和口碑影响系数来具体描述这3种效应的作用力。然后基于客户保持率的演进路径推导出了客户挽留周期模型和客户挽留价值模型。最后建立了2种不同类型的客户挽留模型:基于挽留激励效应建立了单个客户挽留费用模型,并推导出了单个客户挽留费用的有效范围、挽留激励的高效率区域和低效率区域;基于定义的挽留收益函数和挽留边际收益函数建立了一对一客户挽留策略模型,并推导出了在挽留预算限制条件下的客户挽留顺序选择原则。实验结果表明,所提出的电信客户挽留方法是可行且有效的。     

基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。