1 / 138
文档名称:

客户流失预测方法与应用研究.doc

格式:doc   大小:6,307KB   页数:138页
下载后只包含 1 个 DOC 格式的文档,没有任何的图纸或源代码,查看文件列表

如果您已付费下载过本站文档,您可以点这里二次下载

客户流失预测方法与应用研究.doc

上传人:2024678321 2018/12/2 文件大小:6.16 MB

下载得到文件列表

客户流失预测方法与应用研究.doc

相关文档

文档介绍

文档介绍:论文题目客户流失预测方法与应用研究
专业学位类别工程硕士
学号 201192231949
作者姓名唐婵娟
指导教师陈安龙博士
分类号密级
注 1 UDC
学位论文
客户流失预测方法与应用研究
(题名和副题名)
唐婵娟
(作者姓名)
指导教师陈安龙博士
电子科技大学成都
毛清高工
中石化胜利炼油厂南宁
(姓名、职称、单位名称)
申请学位级别硕士专业学位类别工程硕士
工程领域名称软件工程
提交论文日期 论文答辩日期
学位授予单位和日期电子科技大学 2014 年 6 月 25 日
答辩委员会主席
评阅人
注 1:注明《国际十进分类法 UDC》的类号。
STUDY ON THE METHOD AND APPLICATION
FOR CUSTOMER CHURN PREDICTION
A Master Thesis Submitted to
University of Electronic Science and Technology of China
Major: Master of Engineering
Author: Tang Chanjuan
Advisor: Chen Anlong
School : School of Information and Software Engineering
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工
作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地
方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含
为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明
确的说明并表示谢意。
作者签名: 日期: 年月日
论文使用授权
本学位论文作者完全了解电子科技大学有关保留、使用学位论文
的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁
盘,允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文
的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或
扫描等复制手段保存、汇编学位论文。
(保密的学位论文在解密后应遵守此规定)
作者签名: 导师签名:
日期: 年月日
摘要
摘要
近年来,客户流失的研究取得了巨大的成果。数据特征分析方法的进一步研
究,为客户流失预测的发展提供了新的实现途径。本论文在客户流失预测理论和
机器学****理论框架下,首先通过文献综述,介绍了客户流失预测发展现状;其次,
并提出了客户流失预测模型结构;最后,开发了基于支持向量机的客户流失预警
系统。
通过查阅客户流失预测的研究的相关文献,本文将其划分为四个阶段:传统
统计学方法、人工智能方法、统计学****方法和集成学****方法,并深入研究了每个
阶段里存在的问题,并针对问题提出了本文要设计和开发的基于支持向量机的客
户流失预测系统;介绍开发系统的开发工具和数据库应用,针对客户流失预测问
题,介绍了有关机器学****统计学****和支持向量机的应用,并提出可采用基于支
持向量机的回归特征削去方法来实现预测模型解释性的目的;论述了研究两类错
误在客户流失预测研究中的重要作用。提出了引入属性选择、特征提取、特征选
择、回归概率计算、满意优化的新预测模型结构。并建立了面向数据特点的客户
流失预警系统结构。
针对某企业的客户流失问题,以支持向量机为技术基础,对客户流失预测系
统的企业背景、系统需求背景、功能要求、数据特点和特征情况、数据库结构和
设计进行了分析和设计;基于客户流失预测系统的需求和数据库分析,进一步对
客户流失预测系统的参数选择模块、文件选择模块、操作选择模块、结果显示模
块等功能模块,进行流程图设计、代码编制和界面设计;介绍了客户流失预测系
统的测试的主要目标和方法。在实际测试中,利用流失客户相关数据对系统进行
功能测试和其他方法的比较分析,对系统功能测试结果进行了评价;对文章进行
了总结,提出基于多预测方法的预警系统开发与设计;不平衡数据研究、基于选
择性集成理论研究、面向客户价值研究、预测模型解释性研究、数据时序性研究、
预测模型评价标准研究是未来研究的重要研究领域。
关键词:客户流失,预测,预警系统
I
ABSTRACT
ABSTRACT
In recent years, the researches on customer churn prediction have came out with
many great results. The evolution of data feature analyzing met