基于灰色关联度和K-Means++的电子商务客户价值分类

现有的模型大多采用RFM模型和K-means对客户价值进行分类,对指标权重的确定大多采用AHP法,没有考虑到RFM模型指标相互之间的联系.首先根据RFM模型选择平均购买时间间隔,客户在一定时间内的购买频率,平均每笔订单交易金额和客户的活跃时间构造RFMT模型来衡量客户价值.其次使用灰色关联度确定各指标权重.最后针对K-means的缺点,运用改进K-means （K-means++）和肘部法则对RFMT模型进行聚类分析.该模型能对客户群进行更加细致的划分,既能帮助电子商务企业识别出需要重点关注的客户即已流失客户和新客户群体,同时将该企业客户划分为价值由高到低的客户群,对不同客户群提出具体的营销建议.     

基于RFM模型的随机森林算法对民航客户的流失分析

近几年,随着航空市场的快速发展,对于航空公司而言,如何在增加市场占有率的同时,对客户的流失进行有效的控制也刻不容缓。基于随机森林算法,根据航空客户数据,建立流失预测模型,对客户是否已流失进行预测研究,将传统的RFM客户价值模型进行改进,结合随机森林算法对客户流失进行预测。实验结果表明,基于RFM模型的随机森林算法构建的客户流失模型拥有更具有说服力的指标选取,AUC值达到0.92,且准确率较高。利用该模型可对航空公司客户流失进行较为准确的预测,对流失客户进行分类,为民航企业提供营销策略。     

基于改进RFM模型的电子商务客户细分

对电子商务企业的客户进行准确细分,采取相应的营销策略,是电子商务发展的重要环节。在传统零售行业客户细分的RFM模型上,引入总利润属性,创建RFP模型,使用数据挖掘K-Means算法对某电子商务企业客户进行聚类分析,与RFM模型比较,并分析了模型属性的关联性对聚类结果的影响,得出了模型比较的六个结论和四个营销策略,能为电子商务行业以及其他销售行业提出相关营销策略。     

基于LRFMC模型的客户价值数据挖掘方案

人工成本永远是企业运营预算的重中之重,数据挖掘可以有效发现数据中包含的客户价值,提供不同客户群体的针对性服务,合理布局和提高现有客服人员的资源效率。基于RFM模型提出了LRFMC客户价值评价模型,通过对比特征值的权重,利用K-means聚类算法,将客户群体按不同特征进行分类,根据客户价值等级,针对高价值优质用户和低价值潜在用户展开数据分析。     

电子商务客户流失的建模与预测研究

研究电子商务客户流失预测问题,电子商务客户流失具有非线性、时变等特点,用单一预测模型难以对电子商务客户流失变化规律进行全面、准确预测,导致预测正确率低。为了提高电子商务客户流失预测正确率,提出一种组合的电子商务客户流失预测模型。组合预测模型首先采用遗传算法对影响客户流失因子进行筛选,提取对预测结果影响重要的因子,然后分别采用支持向量机和神经网络对其进行预测,最后采用支持向量机对两种预测结果进行融合,得到组合模型的电子商务客户流失预测结果。仿真结果表明,组合模型提高了电子商务客户流失预测正确率,解决了单一预测模型的缺陷,将为电子商务客户流失研究提供一种新预测思路。     

基于决策树的证券客户流失模型

描述了证券业客户流失分析的重要性,客户流失的定义,提出了影响客户流失的各种特征因素.然后根据CRM中的RFM模型,加入客户收益率指标,提出了证券行业客户流失分析的RFM-ROI模型.用决策树方法构建了客户流失分析模型,并提出了解决决策树剪枝问题的停止阈值方法.结果表明该模型能达到80.7%的准确率,具有较强的实用性.     

SQL Server 2005数据挖掘技术在证券客户忠诚度的应用

文中主要研究了我国证券业客户忠诚度分类和表现形式,提出了一种证券业客户忠诚度评估的有效方法。依据RFM客户评价方法,结合数据挖掘的一般流程将SOLServer2005中的数据挖掘技术应用于证券业客户忠诚度模型系统中,并结合某证券公司客户交易数据,对其客户忠诚度进行了准确合理的分类,对其不同忠诚度类型的客户提出相应个性化营销建议,最后通过使用DMX语言在客户端运用数据挖掘产生的分类规则对其客户进行了准确预测。     

SQL Server 2005数据挖掘技术在证券客户忠诚度的应用

文中主要研究了我国证券业客户忠诚度分类和表现形式,提出了一种证券业客户忠诚度评估的有效方法。依据RFM客户评价方法,结合数据挖掘的一般流程将SOLServer2005中的数据挖掘技术应用于证券业客户忠诚度模型系统中,并结合某证券公司客户交易数据,对其客户忠诚度进行了准确合理的分类,对其不同忠诚度类型的客户提出相应个性化营销建议,最后通过使用DMX语言在客户端运用数据挖掘产生的分类规则对其客户进行了准确预测。     

移动电子商务情境下客户细分优化算法的研究

由于传统聚类算法的收敛过早、精度较低等缺点无法满足移动电子商务情境下的客户多样性、动态性、复杂性等特点,在研究典型客户细分领域聚类算法的基础上,提出一种结合不同聚类算法优点的混合聚类算法M-Cluster。针对移动电子商务情境下学生群体的消费模式和群集现象,构建出基于M-Cluster算法的融合LTV和RFM模型优点的CPM模型用于评价和细分客户群。     

基于数据挖掘技术的电信客户流失预测

电信客户流失是我国电信企业发展中所面临的一个严重的问题,为此需要在客户流失之前作出预测,并通过相应营销手段挽留客户,该文主要讨论通过数据挖掘技术建立客户流失预测模型,以此获取即将离网的用户,并通过预测分析过程中的相关数据确定用户类型,作为营销手段选择的主要依据。     

分类算法及其在电信客户保持的应用

由于电信市场竞争日益激烈,为了保持客户,防止客户流失,提升企业的竞争力,利用DBSCAN算法对流失客户群数据进行划分,分析客户流失原因,结合决策树ID3算法进行客户流失预测,实验结果表明,两种算法的结合,使得客户流失预测准确率得到较大提高.     

Combined rough set theory and flow network graph to predict customer churn in credit card accounts

Customer churn has become a critical issue, especially in the competitive and mature credit card industry. From an economic and risk management perspective, it is important to understand customer characteristics in order to retain customers and differentiate high-quality credit customers from bad ones. However, studies have not yet adequately introduced rules based on customer characteristics and churn forms of original data. This study uses rough set theory, a rule-based decision-making technique, to extract rules related to customer churn; then uses a flow network graph, a path-dependent approach, to infer decision rules and variables; and finally presents the relationships between rules and different kinds of churn. An empirical case of credit card customer churn is also illustrated. In this study, we collect 21,000 customer samples, equally divided into three classes: survival, voluntary churn and involuntary churn. The data from these samples includes demographic, psychographic and transactional variables for analyzing and segmenting customer characteristics. The results show that this combined model can fully predict customer churn and provide useful information for decision-makers in devising marketing strategy.     

基于谱回归特征降维的客户流失预测

针对于大样本数据的客户流失预测,从特征有效表达的角度,提出了一种基于谱回归特征约简的预测模型.模型在原始客户特征基础上,利用基于谱回归的流形降维,建立可区分性的低维特征空间,在此之上采用支持向量机实现客户流失的二分类.通过在网络客户和传统电信客户两种不同数据集上的大样本实验,并与不同分类器、不同特征约简或选择方法的对比,证明了该方法的有效性.     

基于信息融合的电信客户流失预测研究

针对数据挖掘方法在电信客户流失预测中的局限性,提出将信息融合与数据挖掘相结合,分别从数据层、特征层、决策层构建客户流失预测模型。确定客户流失预测指标;根据客户样本在特征空间分布的差异性对客户进行划分,得到不同特征的客户群;不同客户群采用不同算法构建客户流失预测模型,再通过人工蚁群算法求得模型融合权重,将各模型的预测结果加权得到预测最终结果。实验结果表明,基于信息融合的客户流失预测模型确实比传统模型更优。     

基于AP聚类与随机森林的客户流失预测研究

利率市场化、大数据迅速发展,银行业均表现出明显的“二八定律”现象,20%的优质客户占据了银行的大部分资产。那么,如何防止银行客户流失,尤其是优质客户的流失,已经成为银行越来越关注的问题。因此,建立优质客户流失预警模型就显得尤为重要。以某商业银行为例,重新对客户流失进行定义,重点关注银行优质客户的流失预警,首先使用AP聚类算法进行属性选择,然后使用随机森林方法建立客户流失预警模型,预测零售优质客户未来3个月流失的可能性。为了验证该方法的有效性,首先在UCI数据集上进行验证,得到了较好的效果,然后使用该方法构建银行业优质客户流失预测模型,实验结果表明该模型的实际预测效果相较于一般的决策树方法,具有更高的准确性。     

Applying Bayesian Belief Network approach to customer churn analysis: A case study on the telecom industry of Turkey

In telecommunication industry, for many organizations, it is really important to take place in the market. As competition increases between companies, customer churn becomes a great issue to deal with by the telecommunication providers. For an effective churn management, companies try to retain their existing customers, instead of acquiring new ones. Previous researches focus on predicting the customers with a propensity to churn in telecommunication industry. In this study, a model is constructed by Bayesian Belief Network to identify the behaviors of customers with a propensity to churn. The data used are collected from one of the telecommunication providers in Turkey. First, as only discrete variables are used in Bayesian Belief Networks, CHAID (Chi-squared Automatic Interaction Detector) algorithm is applied to discretize continuous variables. Then, a causal map as a base of Bayesian Belief Network is brought out via the results of correlation analysis, multicollinearity test and experts’ opinions. According to the results of Bayesian Belief Network, average minutes of calls, average billing amount, the frequency of calls to people from different providers and tariff type are the most important variables that explain customer churn. At the end of the study, three different scenarios that examine the characteristics of the churners are analyzed and promotions are suggested to reduce the churn rate.     

Improving customer attrition prediction by integrating emotions from client/company interaction emails and evaluating multiple classifiers

Predicting customer churn with the purpose of retaining customers is a hot topic in academy as well as in today’s business environment. Targeting the right customers for a specific retention campaign carries a high priority. This study focuses on two aspects in which churn prediction models could be improved by (i) relying on customer information type diversity and (ii) choosing the best performing classification technique. (i) With the upcoming interest in new media (e.g. blogs, emails, ...), client/company interactions are facilitated. Consequently, new types of information are available which generate new opportunities to increase the prediction power of a churn model. This study contributes to the literature by finding evidence that adding emotions expressed in client/company emails increases the predictive performance of an extended RFM churn model. As a substantive contribution, an in-depth study of the impact of the emotionality indicators on churn behavior is done. (ii) This study compares three classification techniques – i.e. Logistic Regression, Support Vector Machines and Random Forests – to distinguish churners from non-churners. This paper shows that Random Forests is a viable opportunity to improve predictive performance compared to Support Vector Machines and Logistic Regression which both exhibit an equal performance.