基于支持向量机的客户流失预测模型

《基于支持向量机的客户流失预测模型》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、万方数据2008年1月系统工程理论与实践第1期文章编号：1000．6788(2008)01-0071-07基于支持向量机的客户流失预测模型夏国恩1，金炜东2(1．广西财经学院工商管理系，南宁530003；2．西南交通大学经济管理学院，成都610031)摘要：应用基于结构风险最小化准则的支持向量机(sw)进行客户流失预测，以提高机器学习方法的预测能力，并以国内、国外电信公司客户流失预测为实例，与人工神经网络、决策树、贝叶斯分类器等方法进行了对比，发现该方法能获得最好的正确率、命中率、覆盖率和提升系数，是研究客户流失预测问题的有效方法．关键词：客户流失；支持向量机；电信业中图分类号：F830．13

2、3文献标志码：A，ModelofcustomerchumpredictiononsupportvectormachineXIAGuo．enl，JINWei．don92(1．GuangxiUniversityofFinanceandEconomics，Nanning530003，China；2．SchoolofEconomics＆Management，SouthwestJiaotongUniversity，Chengdu610031，China)Abstract：Toimprovethepredictionabilitiesofmachineleamingmethods。asupportvect

3、ormachine(SVM)onstructuralriskminimizationw∞appliedtocustomerchumprediction．Themethodw髓comparedwi&artificaineuralnetwork，decision慨，logisticregr∞sionandnaivebayeshaclassifierregardingcustomerchumpredictionforhomeandforeigntelecommunicationcarriers．Itisfoundthatthemethodhasthebestaccuracyrate，hitrate，

4、coveringrateandliftcoefficient，andprovidesaneffectivemeasllrementforcustomearchumprediction．Keywords：customerchurn；8uppor[vectorm∞Ili]舱(SvM)；telecommunicationindustry1引言客户流失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市场更受到学术界和实业界的广泛关注n】．据估计电信业平均每月客户流失率约为2．2％【2】，客户流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相对减少乜】，而赢得一个新客户

5、所花费的成本约为$300。600[31，这大约是保留一个老客户所花费成本的5—6倍H】．为了有效地预测未来潜在的流失客户，学者们主要提出了以下两类方法：第一类方法是传统分类方法，如决策树b1、logistic回归(109isticRegression)№’7】、贝叶斯分类器(NaiveBayesianClassifiers)n]，聚类分析(Clustering)曲】．该类方法的主要特点可以对定类数据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．但是，该类方法处理大规模、高维度、含有非线性关系、非正态分布、有时间顺序的客户数据时，其效果不理想且不能保证所建模型的泛化能力；第二类

6、方法是人工智能分类方法，如人工神经网络(ArtificialNeuralNetwork，ANN)m1、自组织映射(SelfOrganizingMaps，SOM)⋯和进化学习(EvolutionaryLeaning，EL)算法¨剖．该类方法在一定程度上能克服第一类方法面临的困难，不仅具有非线性映射能力和泛化能力，而且具有较强的鲁棒性和较高的预测精度¨训，但是此类方法主要依靠的是经验风险最小化原则[1引，容易导致泛化能力的下降且模型结构难以确定．这些不足极大地限制了上述方法在实际中的应用．因此，探索新的客户流失预测方法的研究工作仍方兴未艾．针对上述问题，本文根据最早应用支持向量机的文献[13]，并

7、借鉴文献[14]中，以模型整体准确率为收稿日期：2006-03-17资助项目：国家自然科学基金(60572143)作者简介：夏国恩(1977一)，男，四川内江人，博士研究生，研究方向：管理信息系统、决策支持系统．万方数据72系统工程理论与实践2008年1月评价标准且利用就加权支持向量机进行客户流失错判控制研究的基础上，应用基于结构风险最小化准则的标准支持向量机(SupportVectorMachi