客户流失预测现状与发展研究.docVIP

客户流失预测现状与发展研究 　　摘 要:根据客户流失预测研究的发展历程和智能化程度的高低,将客户流失预测研究划分为三个阶段,包括基于传统统计学的预测方法、基于人工智能的预测方法和基于统计学习理论的预测方法,并通过分析每个阶段存在的问题提出了未来可研究的方向。 　　关键词:客户流失; 支持向量机; 预测模型 　　中图分类号:F830.133; TP391 　　文献标志码:A 　　 　　文章编号:1001-3695(2010)02-0413-04 　　doi:10.3969/j.issn.1001-3695.2010.02.004 　　 　　Research on current situation and development of customer churn prediction 　　 　　XIA Guo-en 　　 　　(Dept. of Business Management, Guangxi University of Finance Economics, Nanning 530003, China) 　　 　　Abstract:Based on the intelligence degree and development course of customer churn prediction research, this paper separated customer churn prediction research into three stages including on traditional statistics methods, artificial intelligence methods and statistics learning theory. And proposed future research aspect by analyzing the problems of every stage. 　　Key words:customer churn; support vector machine(SVM); prediction model 　　 　　客户流失预测是利用客户记录的历史数据对潜在的流失客户进行判断的过程。它是许多行业关注的一个重要问题,特别是在激烈竞争和越发自由的国内外电信、金融、客运、报刊等行业,受到学术界和实业界的广泛关注。据估计,各行业客户流失率较高,其中电信业平均每月的客户流失率约为2.2%。客户损失不仅会因为减少销售而产生机会成本,而且会导致所吸引的新客户减少,而赢得一个新客户所花费的成本约为?┆?$300～600??,这大约是保留一个老客户所花费成本的5、6倍。就有效地实施客户保持策略而言,为了确定策略实施的目标客户群,对潜在的流失客户进行预测在客户关系管理中具有十分重要的作用。客户流失预测是客户保持、客户细分和客户价值分析中的关键处理过程,其预测水平是衡量客户保持策略有效性和客户关系管理系统先进程度的重要标志。流失预测的关键在于所建立模型的精度、模型的解释性和数据特征变量的质量,如何建立高效的预测模型和挖掘出有效的数据特征变量是客户流失预测乃至客户关系管理领域亟待解决的关键问题。本文主要是以客户流失预测的国内外现状研究为基础,分析其存在的问题和未来的研究方向,为深入研究客户流失预测理论和应用提供参考。 　　1 国内外研究现状 　　客户流失预测研究开始于20世纪90年代。我国学者在21世纪初开始研究客户流失预测方法,经过近十年的发展,客户流失预测研究取得了很大进步。通过对目前客户流失预测方法研究发现,目前主要把客户流失预测看做分类问题。这时客户流失预测的提法是:根据已知所属类别的若干个客户的n个特征指标,去判别一个未知类别的客户属于两个(或多个)不同类别中的哪一个类别。根据发展历程和智能化程度的高低,大致可以划分为以下三个阶段: 　　第一阶段主要采用基于传统统计学的预测方法,这是21世纪初客户流失预测主要采用的方法。该类主要方法包括决策树、logistic回归(logistic regression)、贝叶斯分类器(naive Bayesian classifiers)和聚类(clustering)。该类方法的主要特点是可以对定类和连续性的客户数据进行处理,且对于所构建的模型有较强的可解释性。邱义堂[1]以台湾某公司GSM系统行动电话客户为研究对象,采用C4.5决策树方法并配合多专家决策分类方法建立预测模型,该模型能在10%的客户群中预测50%以上的流失客户。Wei等人[2]在假设数据类别是对称的前提下,以客户合同信息和客户通话行为信息为历史数据,利用决策树C4.5来预测客户流失,得到了较高的提升率(lift)。L