基于动态分类器集成客户流失预测模型研究.docVIP

基于动态分类器集成客户流失预测模型研究 　　摘 要:目前大多数客户流失预测研究常采用单一预测模型。因此,本文将动态分类器组合与自组织数据挖掘理论(SODM)相结合,提出了基于SODM的动态分类器集成方法。以国内、国外电信公司客户流失预测数据为例,并与单一的预测模型以及已有的动态分类器组合方法进行了详细对比,发现该方法能在很大程度上提高客户流失预测的准确率、命中率以及提升系数,是进行客户流失预测的有效工具。 　　关键词:客户流失预测;动态分类器集成;自组织数据挖掘;多分类器组合;电信行业 　　中图分类号:TP18;F270 文献标识码:A 文章编号:1003-5192(2010)05-0057-06 　　 　　Model of Customer Churn Prediction Based on Dynamic Classifier Ensemble 　　XIAO Jin, HE Chang-zheng 　　(Business School, Sichuan University, Chengdu 610064, China) 　　Abstract:At present, single model is adopted usually for customer churn prediction. Thereby, the dynamic classifier combination is combined with self-organize data mining(SODM), and a dynamic classifier ensemble method based on SODM is presented. This method was compared with some single forecasting models and the existing dynamic classifier combination method regarding customer churn prediction for home and foreign telecommunication carriers. The results show that this method can improve the accuracy rate, hit rate and lift coefficient to a large extent, and is an effective tool for customer churn prediction. 　　Key words:customer churn prediction; dynamic classifier ensemble; self-organize data mining; multiple classifiers combination; telecommunication industry 　　 　　1 引言 　　 　　客户流失和客户挽留是许多行业关注的一个重要问题。据统计,电信行业每年的平均流失率在25%~30%。而对美国9个行业的调查数据显示,客户流失率每降低5%,行业平均利润将增加25%～85%[1]。同时,获取一个新客户的成本往往是保持现有客户4～6倍[2]。因此,预测客户流失倾向,及时进行客户挽留已经成为客户关系管理的重中之重。 　　为了有效地预测未来潜在的流失客户,国内外学者提出了多种方法,如决策树[3]、人工神经网络[4]、Logistic回归[5]、贝叶斯分类器[6]和支持向量机[7,8]等,取得了一定的应用效果。上述方法各有优劣,均是通过构建单一的分类模型来进行客户流失预测。然而,现实的客户流失预测往往是薄靶的、类别不平衡的预测问题[9],同时由于数据缺失等原因使得其数据中常包含较多噪声,从而大大增加了分类的难度。因此,单一的分类器(分类模型)很难实现在整个样本空间上的准确分类,而如果能够将多个分类器组合起来[10],让每一个分类模型都在其优势空间区域发挥作用,将有望提高客户流失预测的准确性。 　　过去10年中,多分类器组合广泛地应用于手写字符识别、文本分类、语音识别和股市预测等[11,12]。在多分类器组合中,通常有两种组合策略:静态分类器组合和动态分类器组合[13]。与静态分类器组合相比,动态分类器组合是一个更加灵活的方法,它是一种基于各分类器的训练性能以及实际待分类样本的相关参数而进行的一种实时的选择。在文献[14]中,Woods等人提出了基于局部分类精度分析的动态分类器选择方法DCS_LA (Dynamic Classifier Selection with Local Accuracy)。然而,DCS_LA仍有