Pareto/NBD模型实证与应用研究

对客户未来购买行为预测是客户终身价值评估、客户流失管理等研究领域的关键.近年来由于客户关系管理的兴起,Schmittlein等提出的Pareto/NBD模型作为在非契约条件下描述客户重复购买行为的基础模型得到关注和应用,但对该模型还缺乏实证检验.对Pareto/NBD模型的有关研究进行了简单的回顾,以某专业视频设备零售商近5年的客户购买数据作为样本,用最大似然法进行参数估计,对Pareto/NBD模型有关客户活跃度、客户未来购买期望等方面的预测性能进行实证检验.提出结合Pareto/NBD模型与购买金额期望模型计算有(无)购买历史客户的客户终生价值、根据客户终生价值设置客户流失预警点等方法.     

基于马尔可夫链的间歇性购买个体客户终生价值预测模型

随着市场竞争的日益激烈,客户的购买行为呈现出个体化和间歇性的特征,如何对此类间歇性购买个体客户的赢利性进行预测进而合理分配营销资源是当前亟待解决的一个重要问题.首先根据马尔可夫链的理论构造了间歇性购买个体客户的购买马尔可夫链,并利用马尔可夫链的转移矩阵得出该类客户全部剩余终生价值预测公式;其次,对终生价值预测公式中的参数(如个体客户在未来时间活跃度、个体客户在未来时间购买概率、个体客户在未来时间购买次数、个体客户在未来时间购买量等)进行了确定;最后,利用Matlab程序对济南市某IT分销商的客户交易数据进行了实证分析,从而证明了本预测模型的有效性和实用性.     

客户空间行为的空间交互和离散选择模型研究

客户空间行为模型可以帮助解释空间竞争态势、提供管理建议、预测销售以及选址决策.在以往相关研究的基础上,深入研究空间结构对客户空间行为的影响,指出相对空间位置的重要作用,提出相对空间位置变量及度量方法.在离散选择模型的框架下,结合相对空间位置变量的客户空间行为模型更好地解释了空间结构对空间行为的影响,提高了参数空间无关性.在一个真实的城市空间中调查客户超市选择行为数据,并基于这些数据验证了模型有效性.     

顾客购买行为影响因素分析及重购概率的预测

顾客购买行为是市场营销研究的重要内容之一。目前已有一些文献通过引入几个属性变量,构建起描述顾客购买行为或预测购买概率的随机模型。本文在前人研究的基础上,首先分析了对顾客购买行为影响较大的顾客购买决策、前后两次购买间隔时间、顾客重购行为和顾客逃逸等因素,而后将这些因素综合考虑,给出预测日用消费品重购概率的一种方法,并用实际数据对预测方法进行检验,预测的结果与实际数据非常接近。本方法的特点一是预测精度较高,二是具有一般性,适用于一般的日用消费品。     

基于改进教学式方法的可解释信用风险评价模型构建

信用风险评价是金融机构风险防控的重要环节之一。近年来，基于机器学习的信用风险评价模型以其准确的预测效果受到越来越多的关注，但机器学习模型具有可解释性不强的弊端，导致投资者无法完全信任其预测结果。针对上述问题，本文提出了一种改进的教学式方法，利用机器学习模型指导生成一个兼顾准确性与可解释性的信用风险评价决策树模型，以辅助投资者决策。为提高决策树对机器学习模型中正确功能的学习能力，提出了基于Weight Synthetic Minority Over-sampling Technique（Weight-SMOTE）的伪数据集生成方法，以提高伪数据集中可信度高的功能所标记的伪样本比例；为实现所生成的决策树在准确性、可解释性以及其与机器学习模型一致性间的有效权衡，在决策树生成过程中提出了一种新的决策树剪枝方法；同时针对保真度评价指标的局限性，提出了真保真度评价指标，来有效的衡量决策树与机器学习模型正确功能的近似程度。最后使用3个真实信用风险评价数据集对改进的教学式方法进行验证，实验结果表明所提出方法能够生成准确且可解释的信用风险评价模型，以满足投资者的决策偏好与实际需求。     

随机模型在零售顾客未来经济价值估计中的应用

零售顾客的经济价值是由购买次数和平均购买金额共同决定的。本文采用NBD模型来拟合购买次数,用gamma-gamma模型来拟合平均购买金额。基于贝叶斯原理,在给定过去购买行为条件下我们可以计算顾客未来购买次数和平均购买金额的期望值,顾客的未来经济价值就是这两个期望值的乘积。本文应用上述随机模型对一家零售企业的顾客积分卡数据进行了实证分析,结果表明该模型不仅可以比较准确地拟合顾客购买次数和购买金额数据,而且可以对顾客未来价值进行较为准确的预测。该模型方法对于零售企业加强顾客分析,提高顾客管理水平有很大的价值。     

基于代价敏感决策树的客户价值细分(英文)

由于错误分类代价差异和不同价值客户数量的不平衡分布,基于总体准确率的数据挖掘方法不能体现由于客户价值不同对分类效果带来的影响.为了解决错误分类不平衡的数据分类问题,利用代价敏感学习技术扩展现有决策树模型,将这一方法应用在客户价值细分,建立基于客户价值的错分代价矩阵,以分类代价最小化作为决策树分支的标准,建立分类的期望损失函数作为分类效果的评价标准,采用中国某银行的信用卡客户数据进行实验.实验结果表明,与传统决策树方法相比,代价敏感决策树对客户价值细分问题有更好的分类效果,可以更精确地控制代价敏感性和不同种分类错误的分布,降低总体的错误分类代价,使模型能更准确反映分类的代价,有效识别客户价值     

利用上凸函数对决策树算法的改进

针对决策树分类方法的计算效率进行深入研究,根据信息增益计算的特点,引入了上凸函数的概念,用于提高决策树分类过程中信息增益的计算效率。利用我们所提出的“一致性定理”和“特殊一致性定理”,从理论上证明了利用上凸函数对信息增益计算进行改进后,构造的决策树与原决策树具有相同的分类准确率。同时我们通过对大数据集的实验,发现在相同规模的数据集下,改进后的决策树算法比原算法有更高的计算效率,并且这种计算效率的提高有随着数据集规模的增加而增加的趋势。     

随机森林方法及其在客户流失预测中的应用研究

在全球化的市场竞争中,企业如何利用现有资源,提高客户满意度,保住现有客户,已成为企业面临的主要问题,客户流失预测越来越受到企业关注。本文针对实际客户流失数据中正负样本数量不平衡而且数据量大的特点,提出一种改进的平衡随机森林算法,并将其应用于某商业银行的客户流失预测。实际数据集测试结果表明,与传统的预测算法比较,这种算法集成了抽样技术和代价敏感学习的优点,适合解决大数据集和不平衡数据,具有更高的精确度。     

基于数据挖掘的新标准客户信用风险管理规则的构建——以央企中航国际钢铁贸易公司为例

本文借鉴国内外客户信用评价体系基础上,从公司的历史客户资料出发,引入数据挖掘技术分析其客户行为,构建了有效的数据挖掘决策树模型,从而建立了准确度较高的新标准客户信用风险管理规则。     

关系营销中客户回报计划对客户品牌选择行为的影响研究

本研究在考虑客户间异质偏好性的基础上,利用一组客户的纵贯交易数据建立消费者离散选择模型研究了回报计划对客户个体层面品牌选择行为的影响,并利用策略实验及潜分层模型对相关问题进行了系统深入的分析。结果表明,回报计划可以有效提升客户的品牌选择购买概率,是一种有效的关系营销策略;策略实验分析得到,竞争的环境下,对零售超市而言其最优决策策略不仅是实施回报计划,而且要努力争取客户成为自己回报计划的会员;此外,通过潜分层模型评估发现客户回报计划仅会对一类特定客户具有明显的刺激作用。最后讨论了结论对企业营销管理实践的意义。     

生存分析在顾客间隔购买时间研究中的应用

越来越多的零售商向顾客发放积分卡并积累了众多顾客购买行为的数据.这些数据对企业提高科学决策水平有重要价值,但是目前我国零售企业还很少对这些数据进行开发,主要原因之一就是缺乏方法上的支持.本文以一家购物中心客户积分卡的历史交易数据为基础,使用Kaplan-eier非参数方法估计了顾客间隔购买时间,应用Cox比例风险模型对间隔购买时间的影响因素进行了分析.研究表明,间隔购买时间具有明显季节性,交易特征和人口统计特征都对间隔购买时间有显著的影响.     

浅论企业营销管理

本文通过列举客户购买行为的发展形式,剖析当前企业营销管理中存在的共性问题,从客户购买角度提出了改进企业营销管理的应对措施。     

基于随机游走的电子商务退货风险预测研究

 随着电子商务的迅猛发展,电子商务环境下的退货问题日益重要。产品销售中的高退货比例会为企业带来额外的物流和返修等成本,影响企业的正常运营。因此,有效防范退货风险、识别潜在的退货倾向对于提高电子商务企业的管理决策水平具有重要意义。在大数据背景下,电子商务企业积累了大量销售、退货和客户等多源异构数据,可基于此挖掘用户在电子商务平台中购买和退货的行为模式,进而预测退货风险。        针对电子商务环境下的退货风险建模,引入二部图结构组织历史退货记录,并将问题形式化为二部图上的节点排序问题。根据退货的用户和被退货产品的结构特点,在退货二部图中定义随机游走规则,以表征退货风险在不同产品与用户之间的传递,即将客户的退货风险表征为其退货的产品,而产品的风险表征为相关的客户。此外,考虑到退货记录的稀疏性问题,进一步引入影响退货的用户和产品等各类特征,作为随机游走的先验信息,从而提出一种融合特征的退货风险预测方法。        针对提出的预测算法,采用淘宝网一户商家的真实退货数据进行实验,实验结果表明,提出的退货风险预测方法与同类方法(如SVD和NMF等)相比具有更高的预测精度,同时相关特征的引入有效提升了模型的预测能力,特别是产品价格和质保证书对于预测精度具有显著的提升。        该方法对于电子商务企业有效防范退货风险、加强客户管理等方面具有较强的实际意义。一方面,可以帮助企业识别具有高退货风险的客户,并加强特定客户的关系管理;另一方面,可以改进对于高退货风险产品的规划,如改进质量、加强包装等。     

自我网络特征对电信客户流失的影响

近年来，随着移动通信行业的蓬勃发展，市场饱和度越来越高，企业获取新用户的成本也越来越大。随着中国三大运营商竞争的加剧，产品和服务的同质化程度也越来越高，这使企业在老客户的保留上变得异常困难，客户流失率也在逐年上升，如何识别高风险流失客户并有效防止客户流失已经成为该行业管理者普遍关心的问题之一。 着眼于客户流失影响因素研究，运用社交网络分析方法，通过构造与网络结构相关的变量进行影响因素的探讨，运用逻辑回归方法构建客户流失预警模型。从社交网络的视角出发，利用客户的通话详单数据建立客户之间的通信网络，在自我网络的相关理论框架下，构建个体的度、联系强度、个体的信息熵3个自我网络特征变量。运用中国某移动运营商公司的月度客户数据(包括基础通信数据和通话详单数据)，通过逻辑回归构建基于社交网络变量的客户流失预警模型。 研究结果表明，个体的度、联系的强度和个体的信息熵都对预测客户流失有显著效果。具体的，个体的度越大，联系强度越强，个体的信息熵越大，客户越不容易流失。外样本AUC值平均可以达到0.75以上，模型具有良好的预测精度。 研究结果对企业实践具有非常重要的意义，合作企业应用客户流失预警模型进行高风险流失客户的识别，预测精度可以达到70%，达到了企业的实践预期。客户流失预警模型可以帮助企业提前识别高风险流失客户，极大地降低企业维系客户的成本。建议企业管理者在未来更加关注与客户社交网络有关的变量，从网络结构的视角理解消费者行为，更好地进行客户关系管理。     

一种基于客户行为时序分析的反洗钱异常交易识别方法

可疑交易报告制度是打击洗钱活动的一项基本机制,如何有效甄别可疑交易是金融机构和金融情报中心面临的一个技术难点。为辅助反洗钱分析人员从海量金融交易信息中甄别客户异常交易,本文提出一种预测误差和统计处理综合法--CPEST,通过分析客户前后行为的一致性来发现异常。CPEST建立客户行为模型,根据预测误差对客户行为进行时点异常检验,并在此基础上构造一个窗口检验,以提高对涉嫌洗钱行为的识别能力。本文在支持向量回归和核密度估计等具体实现手段的基础上,运用CPEST对实际交易和仿真数据进行分析,结果表明该方法的有效性和可行性,具有应用推广价值。     

应用数据挖掘方法分析客户价值综述

客户价值认识和研究已成为营销学者研究的热点领域,并被视为企业发展竞争新优势,而数据挖掘技术的兴起有效解决大数据下知识发现和信息提取问题,运用逻辑回归、决策树、神经网络、遗传算法和支持向量机等数据挖掘技术能够有效完成客户获取、客户发展和客户保留等客户价值管理内容。本文回顾了过去20年不同学者应用不同数据挖掘算法在客户价值分析方面的研究,总结了不同算法的适用性,并结合现有研究不足给出未来研究展望。     

客户流失危机分析的决策树方法

叙述了客户流失的基本概念,分析客户流失危机产生的原因,指出了传统的客户流失危机分析方法存在的问题,在ID3算法的基础上,提出一种加权熵的概念,并对ID3算法进行改进,提出了一种基于决策树的客户流失危机分析方法,通过一个客户流失危机的分析实验对该模型进行了验证.实验结果表明该方法是可行的和有效的,为客户流失危机分析和预警提供了一种新的研究思路和分析方法.     

基于改进支持向量机的电信客户流失预测模型

随着电信业改革的深入和竞争的加剧,电信企业的客户流失率逐步攀升,如何预测并有效减少客户流失直接关系到电信企业的生存和发展.流失客户在客户总体中占比例较低,因此电信客户数据集中存在明显的非平衡数据问题,传统的客户流失预测把客户流失作为普通的模式识别问题处理,建立基于普适机器学习的预测模型.在两类错误的错分代价相差较大的情况下,基于普适机器学习的预测模型缺乏实用价值,因此引入代价敏感学习理论建立了基于改进支持向量机的电信客户流失预测模型,将不同的错分代价纳入建模过程,有效的提高了模型的预测性能.     

信用卡客户细分实证研究

近年来,国内信用卡业务发展正从过去以"量的扩张"为主转变到以"质的提高"为主的阶段。在这一转折时期,各商业银行越来越重视数据挖掘技术在客户细分管理中的应用,开始积极探索客群细分基础上的差异化客户管理。本文根据某银行信用卡客户数据,基于RFM模型和决策树模型进行客户细分实证研究,并提出相应的客户管理策略建议。