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。     

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。     

代价敏感的目标客户选择半监督集成模型研究

在现实的目标客户选择建模中,往往只能获取少量有类别标签的样本,而剩下的大量样本都无法获取类别标签。已有研究大都使用监督式建模研究范式,仅在少量有类别标签样本集上建模,很难取得令人满意的效果。为解决这一问题,本文引入半监督学习（semi-supervised learning,SSL）技术,将其与代价敏感学习（cost sensitive learning,CSL）和多分类器集成中的随机子空间（random subspace,RSS）方法相结合,提出了代价敏感的目标客户选择半监督集成模型（cost-sensitive semi-supervised ensemble model,CSSE）。该模型使用代价敏感的支持向量机（SVM）来解决目标客户选择建模中样本数据类别分布不平衡的问题,还能够同时使用有、无类别标签的客户样本来建模。进一步地,该模型利用RSS方法训练一系列基本分类模型,并通过集成得到最终的分类结果。在某保险公司目标客户选择数据集上进行实证分析,结果表明,与两种监督式集成模型、两种单一的半监督模型以及两种半监督集成模型相比,CSSE模型具有更好的目标客户选择性能。     

基于CART和自适应Boosting算法的移动通信企业客户流失预测模型

客户流失问题一直以来都受到企业的重视,如何有效预测流失客户是一个重要课题。本文通过对某通信企业原始数据进行严格的数据预处理,以及利用直方图检验和卡方检验相结合的方法对模型变量进行筛选,同时采用抽样的方法选取出模型的训练样本和测试样本,并利用分类回归树算法和自适应Boosting算法生成相应的强分类器模型,仿真实验结果表明本文使用的模型在预测该通信企业的离网客户中具有较高的准确性,从模型的ROC曲线可知,该模型是一个比较理想的分类模型。另外,本文通过与其他两个模型的预测结果进行比较发现本文的集成模型具有更好的预测性能。     

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.     

基于Metacost的客户信用评估半监督异构集成模型研究

针对现实中信用评估存在的问题,本研究将元代价敏感学习、半监督学习和异构集成等技术结合,提出了基于Metacost的客户信用评估半监督异构集成模型(Metacost based semi-supervised heterogeneous ensemble model, Meta-Semi-HE)。该模型主要包括三个阶段：1)用Metacost方法修改初始有标签训练集得到Lm;2)在Lm上通过AdaBoost方法训练N个异构分类器hi(i = 1,…, N),用伴随分类器组合Hi选择性标记无标签数据集的样本,并将其添加到Lm中,用新的Lm重新训练N个异构分类器。重复这一步骤,不断提高分类器性能,直至满足终止条件;3)用最终的N个异构分类器对测试集样本分类。在6个客户信用评估数据集上进行实证分析,结果表明,与已有的3种半监督集成模型和2种监督式集成模型相比,本研究提出的模型具有更好的客户信用评估性能。     

客户信用评估半监督协同训练模型研究

在现实的很多信用评估问题中,由于对样本进行类别标记需要花费大量的人力、财力和物力,往往只能获取少量有类别标签的样本来训练分类模型,而把数据库中大量无类别标签的客户样本舍弃。为解决这一问题,本研究引入半监督学习技术,并将其与多分类器集成技术中的随机子空间方法(Random Subspace, RSS)相结合,构建了类别不平衡环境下基于RSS的半监督协同训练模型RSSCI。该模型主要包括三个阶段:1)使用RSS方法训练得到若干基本分类器;2)从大量无类别标签数据集中选择性标记一部分最合适的样本加入到原始训练集中;3)在最终的训练集上训练分类模型,并对测试集样本进行分类。在三个客户信用评估数据集上进行实证分析,结果表明,RSSCI模型的信用评估性能不仅优于常用的监督式集成信用评估模型,也优于已有的一些半监督协同训练信用评估模型。     

基于多分类器融合的客户细分研究

基于多分类器融合技术,建立了新的客户分类模型,该模型通过使用分类融合器,将多个分类器得到的客户信用评估结果进行合并,从而综合了不同分类器的局部优势,提高了分类性能.采用线性分类融合器,并通过遗传算法对分类器进行优化.实验分析表明,该方法的分类效果明显优于传统的运用单个分类器的分类方法.     

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OSA算法和GMDH网络集成的电子商务客户流失预测

电子商务客户流失预测是一种典型的高维、非线性、数据不平衡问题,传统的方法已很难提高其预测精度。本文将自组织数据挖掘方法(SODM)引入电子商务客户流失预测,提出一种基于客观系统分析(OSA)和数据分组处理(GMDH)网络集成的电子商务客户流失预测模型。首先利用OSA算法自动选择出重要的电子商务客户流失关键属性,然后将训练样本送入GMDH网络进行学习与训练,进而对测试样本客户流失状态进行预测。为了提高预测精度,本文还利用向上采样法进行数据平衡化,使得流失类和非流失类客户数量大致相等。应用该模型对某网上商场客户流失状态进行预测,并将预测结果与神经网络、SVM等方法得到的结果进行了比较,验证了该模型的有效性及实用性。     

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。     

信息系统成本测算方法的研究

信息系统成本测算是投标或报价的基础。本文对成本测算的一般过程,采用的几种成本测算方法作了介绍,分析了在现阶段信息系统成本测算的难点.认为面对着大量的不确定性,成本测算引入模糊机制和人工智能方法势在必行,并提出了一个结合遗传算法和神经网络的测算模型。实验表明,该模型具有较高的测算精度。     

CRM中客户忠诚对价格敏感性的影响研究

综合考虑了CRM中的客户竞争、客户保持和转移成本因素,建立了基于客户忠诚度的客户关系保持的数学模型。然后以客户保持模型为基础,从理论上分析了不同忠诚度水平的客户的价格敏感性的不同及其原因。最后以客户价格敏感性为基础,得到了可供企业CRM系统借鉴的客户保持的定量策略。     

行业自律机制下P2P网贷平台违规治理演化博弈

行业自律是政府“强监管”背景下P2P网贷平台违规治理的重要组成部分。为揭示行业自律机制下网贷市场主体间行为策略关系及其动态演化机理,建立了包括自律监管平台、网贷平台和平台客户三方主体的行为策略演化博弈模型,分析三方主体行为策略演化路径及其联动作用规律,并结合数值仿真讨论不同约束情景下模型系统演化均衡状态及关键因素影响。结果表明：网贷平台合规运营意愿会随激励水平、形象效应、客户流失量、行业危机风险的上升而增强。若网贷平台拥有较完善运营机制、较好口碑形象或较大客户规模,其更易实现基于市场途径的自我规制。违规惩罚力度、形象效应收益及平台客户规制策略敏感性会直接影响网贷平台合规运营趋势。结合仿真分析结果,提出了加大对违规平台的惩罚力度,强化平台信息披露与品牌形象建设,引导借贷双方理性选择入驻平台等治理建议。     

The Importance of Social Embeddedness: Churn Models at Mobile Providers

This article argues the importance of social embeddedness at mobile providers by examining the effects of customers’ network topological properties on churn probability—the probability of a customer switching from one telecommunication provider to another. This article uses data from regional snowball sampling—the only practically feasible network sampling method—to identify groups with significantly different churn ratios for customers with different network topological properties. Clear evidence indicates that individual network characteristics (node‐level metrics) have considerable impact on churn probabilities. The inclusion of network‐related measures in the churn model allows a longer‐term projection of churners and improves the predictive power of the model. With no possibility to carry out repeated sampling, sample stability was checked through simulation results. On the one hand, this article highlights the importance and effectiveness of the provider's tailored marketing campaigns by showing that customers targeted by direct marketing campaigns are less threatened by churn than nontargeted customers. On the other, this article shows that social embeddedness blocks the impact of the very same marketing efforts. This article forwards the idea that social embeddedness, also prevalent in vendor switching, can be extended to understanding the development of professional societies threatened by membership churn.