基于机器学习的直播电商客户流失风险预测.pdfVIP

P-流水-直播电商客流分析 基于机器学习的 直播电商客户流失风险预测 文/李翠萍 西安财经大学 客户流失是互联网电商企业面 摘要： S-RNN可以用来对客户按流失和正常客 2. 数据处理与特征工程 临的重要问题之一，及时预测和挽留流失客 户进行分类，并对流失客户通过分析网 户对企业提高经济效益具有重要作用。本文 络利用率实施保留措施。Abdelrahim等 2.1 数据说明 基于决策树、支持向量机和XGBoost三种机 [2] （2019） 融合采用决策树、随机森林、 本研究数据集来源于某电子商务平 器学习算法，从客户画像特征、行为特征、 梯度增强机器树“GBM”和极端梯度增强 台电子产品销售直播的客户特征数据，共 情感特征和价值特征四个方面选取指标构 “XGBOOST”四种算法构建电信客户流 包含5630条数据记录。因变量为流失标志 建模型并评价，以对比不同模型在同一个 失预测模型，发现应用XGBOOST算法获 （Churn），1表示流失客户，0表示未流失客 数据集上的预测结果。结果表明，集成算法 [3] 得了最佳结果。Adnan等（2019） 重点关 户，自变量为平台使用期限、客户首选登录 XGBoost模型表现最佳，客户情感价值特征 注跨公司客户流失预测问题，采用机器学 设备、城市级别等17个特征。 对流失客户预测的贡献度最大，并由此提出 习算法构建CCCP（Cross-Company Churn 相应的客户挽留对策。 Prediction）模型，在电信行业公开数据集 2.2 数据预处理 机器学习；直播电商；客户流 上验证，结果表明大多数数据转换方法显 由于原始数据存在缺失、样本不均衡等 关键词： 失；预测模型 著提高了CCCP的性能，而Z-Score数据转换 问题，为了模型分析的准确性，本研究运用 方法不能获得更好的结果。 Python3.7工具在anaconda环境下填充缺失值、 引言 国内学者对客户流失的研究方法大 转换数据类型、独热编码和smote过采样。 [4] 多数采用数据挖掘技术。刘松（2022） 分 随着互联网技术的发展，直播电商平 析了银行客户流失预测模型的可解释性， 2.2.1 缺失值处理 台如雨后春笋般涌现，如淘宝、抖音、快 发现深度神经网络预测准确性更高。薛冰 经检测发现，变量Tenure、Warehouse [5] 手、小红书等。客户可选择的直播平台和直 （2022）运用多模