白桐 趙鈺

20世紀(jì)90年代，學(xué)者們才開始研究客戶流失預(yù)測。我國的學(xué)者則是在21世紀(jì)初期才開始做的客戶流失預(yù)測研究。從本質(zhì)上講，客戶流失預(yù)測就是一個(gè)分類問題，根據(jù)已經(jīng)分類好的客戶指標(biāo)，去判別未分類的客戶屬于哪一類或者哪幾類。

1.第一階段

第一階段的客戶流失預(yù)測在21世紀(jì)初期這一時(shí)間段，主要采用的傳統(tǒng)統(tǒng)計(jì)學(xué)的預(yù)測方法。包括：決策樹算法（Decision Tree）、邏輯回歸（logistic regression）、貝葉斯分類器（naive Bayesian classifiers）以及聚類分析（clustering analysis）。這些模型的主要特點(diǎn)是可以分析連續(xù)性、離散型以及定類的客戶數(shù)據(jù)，解釋能力比較強(qiáng)。

邱義堂（2000）在《通信資料庫之資料挖掘：客戶流失預(yù)測之研究》中以臺(tái)灣的某一家公司GSM系統(tǒng)移動(dòng)電話的客戶為研究對象，使用了C4.5決策樹算法確立預(yù)測客戶流失的模型，這一模型的主要作用是可以在10%的客戶群體中預(yù)測50%以上的客戶流失情況，可以用最少的數(shù)據(jù)預(yù)測更多的客戶流失情況，實(shí)現(xiàn)了高效處理數(shù)據(jù)。

LOUIS A.C（2002）在《data mining and causal modeling of customer》中使用決策樹模型與邏輯回歸模型進(jìn)行對比分析。

CARDELLN.S，GOLOVNYA。M，STENBERG.D在《churn modeling for mobile telecommunications》中采用的也是決策樹模型，對美國的某個(gè)公司進(jìn)行客戶流失預(yù)測，其結(jié)果不僅有較高的準(zhǔn)確率，并且研究出了有效客戶的流失規(guī)則，便于對客戶進(jìn)行管理，以及盡可能的規(guī)避了客戶流失的風(fēng)險(xiǎn)。

朱世武、崔嵬、謝邦昌在《移動(dòng)電話客戶流失數(shù)據(jù)挖掘》中使用的是CHAID決策樹算法， 他們主要是對移動(dòng)電話號碼和電話類型進(jìn)行了分析， 發(fā)現(xiàn)客戶性別、年齡、籍貫及職業(yè)四個(gè)人口統(tǒng)計(jì)變量在不同的流失類別上有顯著影響，為后續(xù)研究提供了理論基礎(chǔ)。

盛昭瀚、柳炳祥在《客戶流失危機(jī)分析的決策樹方法》中，采用的是加權(quán)熵的 ID3 決策數(shù)算法，開創(chuàng)了客戶流失預(yù)測模型的新算法，新思路。

王維佳、繆柏其、魏國省在《數(shù)據(jù)挖掘：電信客戶流失分析預(yù)測》利用的是決策樹算法和 RBF 預(yù)測算法，以分類和預(yù)測概率為目標(biāo)， 對某公司的客戶流失進(jìn)行了調(diào)查研究， 分析了影響客戶流失的主要因素。

QI Jia yin、ZHANG Yang ming、ZHANG Ying ying，在《tree logit model for customer churn prediction》中使用ADTree 和 logistic regression 相結(jié)合的模型， 與 TreeNet 預(yù)測模型進(jìn)行對比分析，發(fā)現(xiàn)該模型的預(yù)測準(zhǔn)確率會(huì)比較高。

LUO Bin、SHAO Pei ji、LIU Juan在《customer churn prediction based on the decision tree inpersonal handyphone system service》采用決策樹算法， 改變數(shù)據(jù)集延遲周期， 對國內(nèi)某電信公司的潛在流失客戶進(jìn)行了預(yù)測。

KM H.S、YOON C.H在《determinants of subscriber churn and customer loyalty in the Korean mobile telephony market》中使用的是邏輯回歸算法，判定了用戶流失和客戶忠誠度間的相關(guān)因素。

YANG Yi ming、WANG Hui、LI Lei在《multi-dimensional model-based clustering for user-behavior mining in telecommunications industry》中采用的是序列聚類方法， 對客戶流失情況進(jìn)行了非監(jiān)督分類。

以上研究方法均有以下不足之處：

（1）真實(shí)數(shù)據(jù)中的客戶類別是非對稱的， 極大的影響了預(yù)測效果。

（2）對數(shù)據(jù)量大、非線性關(guān)系、非正態(tài)分布以及時(shí)間序列的數(shù)據(jù)處理準(zhǔn)確度較低

（3）缺乏靈活性，無法根據(jù)數(shù)據(jù)特性進(jìn)行處理。

2.第二階段

由于上述方法的種種不足之處，學(xué)者們將研究方法進(jìn)行了更新，進(jìn)入了第二階段，這一階段是基于人工智能的方法進(jìn)行預(yù)測。包括：人工神經(jīng)網(wǎng)絡(luò)（ artificial neuralnetwork， ANN） 、自組織映射（ self organizing maps， SOM） 和進(jìn)化學(xué)習(xí)（ evolutionary learning， EL） 等的算法。

MASAND B、DATTA P、MANID R在《CHAMP：a prototype forautomated cellular》中，以及DATTA P、MASAND B、MANI D。R在《Automated cellular modeling and prediction on a large scale》中均使用了 CHAMP客戶流失分析方法， 通過對美國 GTE 公司的客戶流失證實(shí)發(fā)現(xiàn)， 神經(jīng)網(wǎng)絡(luò)預(yù)測模型能有效地預(yù)測客戶流失概率，為公司的決策提供方向。

YAN Lian、MILLER D J、 MOZER M C《Improving prediction of customer behavior in nonstationary environments》中從多個(gè)時(shí)間窗口提取數(shù)據(jù)， 并引入 ANN 建立預(yù)測模型， 是的客戶流失的預(yù)測的準(zhǔn)確性有所提高。

AUW.H、CHENK C.C、 YAO Xin在《 A novel evolutionary data mining algorithm with applications to churn prediction》中采用的是 EL 算法對客戶流失進(jìn)行了預(yù)測， 并且與決策樹 C4. 5、SCS 和 GABL 算法進(jìn)行比較，得出EL算法預(yù)測客戶流失的準(zhǔn)確率最高。

MOZER M.C、WOLNIEWICZ R在《Predicting subscriber dissatisfaction and improving retention in the wireless telecommunications industry》中通過對數(shù)據(jù)進(jìn)行過抽樣， 利用 ANN 技術(shù)和引入收益計(jì)算方法，發(fā)現(xiàn)這一算法可以得到更大的收益。

JORGE B.F、ELLASCO M、PACHECO M A. 在《Data mining techniques on the evaluation of wireless churn》中提出了客戶保留成本，通過對神經(jīng)網(wǎng)絡(luò)、決策樹、遺傳算法、模糊神經(jīng)這一系列算法的比較， 得出神經(jīng)網(wǎng)絡(luò)所建預(yù)測模型預(yù)測結(jié)果更準(zhǔn)確這一結(jié)論。

以上研究方法也存在不足之處，如下所示：

（1）采用訓(xùn)練的模式進(jìn)行預(yù)測，使得預(yù)測結(jié)果并不穩(wěn)定。

（2）這些方法的使用時(shí)建立在兩類樣本點(diǎn)損失的情況相同，即流失客戶與非流失客戶，但實(shí)際上不存在這樣的數(shù)據(jù)。

（3）這些算法在使用過程中沒有經(jīng)過嚴(yán)格的證明，盲目的追求誤差最小化。

3. 第三階段

為了提高預(yù)測的精度以及穩(wěn)定性，學(xué)者們的研究進(jìn)入的第三階段，這一階段是基于統(tǒng)計(jì)學(xué)學(xué)習(xí)原理的預(yù)測方法。這一階段主要使用的是支 持 向 量 機(jī) （ support vector machine，SVM） 以及判別分析算法（Latent Dirichlet Allocation，簡稱LDA）。

趙宇、李兵、李秀 在《基于改進(jìn)支持向量機(jī)的客戶流失分析研究》中改進(jìn)了 SVM 模型，以預(yù)測未來可能流失的客戶， 這一模型預(yù)測客戶流失的準(zhǔn)確率較高。

SHAO Jin bo、 LI Xiu、 LIU Wen-huang在《the application of Adaboost in customer churn prediction》中使用了三種 AdaBoost 算法， 并且用SVM方法建立了預(yù)測模型，提高準(zhǔn)確性，

夏國恩在多篇文章中選擇使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的 SVM 進(jìn)行客戶流失預(yù)測， 以提高機(jī)器學(xué)習(xí)方法的預(yù)測能力， 同時(shí)與人工神經(jīng)網(wǎng)絡(luò)、決策樹、貝葉斯分類器等算法進(jìn)行了對比， 得到這一算法的準(zhǔn)確率最高，以及最為穩(wěn)定。

參考文獻(xiàn)

[1] 夏國恩，陳云，金煒東.電信企業(yè)客戶流失預(yù)測模型[J].統(tǒng)計(jì) 與決策，2006（20）：163-165.

[2] 夏國恩，金煒東.客戶流失預(yù)測中兩類錯(cuò)誤的平衡控制研究 [J].營銷科學(xué)學(xué)報(bào)，2006，2（4）：1-7.

[3] 夏國恩，金煒東.基于支持向量機(jī)的客戶流失預(yù)測模型[J].系統(tǒng)工程理論與實(shí)踐，2008，28（1）：71-77.

[4] 李萍，齊佳音，舒華英.移動(dòng)流失客戶挽留價(jià)值估算模型探討 [J].北京郵電大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2005，7（3）：39-43.

[5] 夏國恩，邵培基.改進(jìn)的支持向量機(jī)在客戶流失預(yù)測中的應(yīng)用 [J].計(jì)算機(jī)應(yīng)用研究，2009，26（5）：1789-1792.

[6] 夏國恩.基于核主成分分析特征提取的客戶流失預(yù)測[J].計(jì)算機(jī)應(yīng)用，2008，28（1）：149-152.

[7] 龔文.畜牧企業(yè)客戶流失原因分析[].中國牧業(yè)通訊，2007

[8] 任如.減低中低端大客戶流失半[J].通信企業(yè)管理，2004

[9] 成愛武， 姚璐，王穎.大客戶流失原因及其影響因素分析[J].西安工程大學(xué)學(xué)2009

[10] 張素珍.防范企業(yè)老客戶流失的探討[J].機(jī)械管理開發(fā)，2006

[11] 鄔少清.郵政企業(yè)防止大客戶流失對策探討[J].郵政研究，2010

[12] 何安華.基于決策樹的渠道客戶流失風(fēng)險(xiǎn)預(yù)警[J].市場論壇，2008