基于記憶聚類方法的電信客戶流失挖掘及策略開發(fā).pdf

1、隨著市場競爭的日益激烈,客戶流失已經(jīng)成為電信行業(yè)客戶關系管理和客戶維系的關鍵問題,因此,流失預測對于挽留客戶、降低損失是極具價值且非常必要的。數(shù)據(jù)挖掘中的各種分類算法是客戶流失預測中最常使用的分類技術,而分類方法即為數(shù)據(jù)挖掘中的監(jiān)督性學習方法,因此,正如以往的大多數(shù)研究,多種監(jiān)督學習技術被用來研究客戶流失問題。然而,有關流失預測中非監(jiān)督學習技術使用的研究卻非常有限。聚類是非監(jiān)督學習技術中最常見的一種,通過聚類,具有相似行為特征的客戶被聚

2、集在一起,因此,我們就可以對特定客戶群體的特征進行刻畫及衍生構(gòu)造。
　　基于以上論述,本文研究通過采用數(shù)據(jù)挖掘技術和知識發(fā)現(xiàn)過程旨在定義出流失/非流失客戶。為此,本文提出了一種包括預處理、聚類和分類階段的混合方法,并在每個階段運用了合適的工具。具體而言,在聚類階段結(jié)合了 SOM和K-Means算法,并在分類階段分別檢驗了決策樹(DT)、神經(jīng)網(wǎng)絡(NN)和支持向量機(SVM)三種單一分類器以及裝袋(Bagging)、提升(Boost

3、ing)、堆棧(Stacking)和多數(shù)表決(Vote)四種集成方法。除了使用聚類來細分客戶,也有可能通過定義新的特征變量來保存聚類階段的結(jié)果并將它帶入到分類階段中,對此,本文將其定義為記憶聚類方法。記憶聚類方法的采用將有助于得到更好的分類結(jié)果。本文采用了一個真實的電信數(shù)據(jù)集來驗證本文所提出方法的有效性。這些技術的高效協(xié)同使用顯著地提高了預測精度。所有的單一和集成分類器都基于多種性能指標進行評價并進行統(tǒng)計檢驗比較,實驗結(jié)果表明,單一分類