基于ParetoNBD模型的电子商务网站客户流失预测研究

非契约情景下的客户流失问题越来越引起各方重视.作为此情景下的典型--电子商务网站而言,因其特殊性使得网站客户流失问题更难判断.Pareto/NBD模型是描述非契约客户关系情景下首个考虑到客户流失现象的客户重复购买预测模型,它通过预测客户的活跃程度P(active),较好的解决了客户流失预测问题.以Pareto/NBD模型为基础模型对某电子商务网站进行实证研究以此来验证模型解决非契约情景下流失预测问题的有效性.     

基于在线序列优化极限学习机的电子商务客户流失量预测模型

为了提高电子商务客户流失量预测的准确性,针对单机处理模式无法有效预测海量电子商务客户流失量的难题,提出了在线序列优化极限学习机的电子商务客户流失量预测模型。首先通过云计算技术的Map/Reduce模式对电子商务客户流失量数据进行分割,得到多个训练子集,然后采用线序列优化极限学习机对电子商务客户流失量的每一个训练子集进行建模,并对训练子集的预测结果进行融合,得到电子商务客户流失量的最终预测结果,最后通过电子商务客户流失量算例进行模型的有效性进行验证。结果表明,该文模型提高了电子商务客户流失量的预测精度,而且减少了电子商务客户流失量建模的训练时间,大幅度提高了电子商务客户流失量预测速度。     

电信客户流失的组合预测模型

针对电信行业客户流失的问题,设计基于决策树C5.0、BP神经网络及 Logistic 回归算法的组合预测模型,并对某电信企业进行客户流失预测.预测结果表明:与单一客户流失预测模型相比,组合预测模型命中准确率高,预测效果好,更能直观地显示出流失客户的基本特征.     

基于灰色模型和神经网络的客户流失量预测

为了把握客户流失量的变化趋势,提高客户流失量的预测精度,提出一种基于组合优化理论的客户流失量预测模型.分别采用灰色模型和神经网络对客户流失量进行建模与预测,并对客户流失量线性和非线性变化趋势进行刻画,然后采用支持向量机对灰色模型和神经网络的预测结果进行加权,得到客户流失量的最终预测结果.用仿真实验对模型的性能进行测试,结果表明,相对于单一客户流失量预测模型,基于组合优化理论的客户流失量预测模型可以从多个方面对客户流失量的变化特点进行描述,提高了客户流失量的预测精度.     

基于XGBoost算法的电商用户重复购买行为预测

机器学习算法广泛应用于电商用户行为数据分析及商业预测.其中，XGBoost算法作为一种常用的有监督机器学习算法，能够实现电商用户行为特征最优选择与行为模型构建、评估消费价值、预测重复购买行为概率、提高商业决策的精准性与可行性.本研究采用阿里云天池大数据竞赛“天猫复购预测”所提供的“双十一”电商购物节关联数据集中约42万电商平台用户产生的5 500万条行为数据，基于促销活动情境完成特征构造，实现有监督分类学习.本研究实现了XGBoost算法的参数优化与数据特征值处理过程优化，完成了促销活动后6个月内电商用户重复购买行为的预测模型演算.结果表明：优化后的XGBoost算法能够比较精准地预测电商用户重复购买行为、评估在线用户潜在购买价值、实现精准营销以及真正促进促销活动的长期投资回报率提高.     

面向电信的客户流失预测模型研究

针对现有客户流失预测模型预测准确率低下的问题,本文结合基于统计学习的客户聚类分析和分类预测技术来构建客户流失预测模型。根据模型计算结果,可以辨别出客户类别及流失倾向,并在此基础上提出了预防客户流失的保持措施,从而为电信企业运营商的客户关系管理提供决策依据。     

知识库的表示及推理在电子商务中的应用

一般的电子商务中,客户对商品必须提出一定的具体要求,系统才能响应列举出相应商品信息。但实际商务中,许多客户是要根据自己需要的功能去购买商品。如果在电子商务中也能根据对商品功能的要求列举出对应的商品,将极大提高电子商务效率。论文将专家系统中的知识库引用到电子商务研究中,提出了一种基于知识库的新型电子商务结构框架。该结构框架能够智能地分析客户购买需求,在企业所有商品中筛选出符合需要的商品,并将这些商品展示给客户,为他们进一步挑选提供了方便。论文分析了该框架的关键技术,并通过简单的示例说明应用过程。     

基于改进聚类的电信客户流失预测分析

针对电信领域客户流失的问题,提出了改进聚类的客户流失预测模型。根据通信行业中实际客户流失数据的正负样本数量不平衡而且数据量特别大的特点,提出带有不同权重参数的改进聚类算法,并将其用于电信行业的客户流失预测模型中。通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度,能够取得较好的客户流失预测效果。     

基于数据挖掘的移动客户流失量预测模型

为了解决移动客户流失量建模与预测中的一些难题,结合移动客户流失量的变化特点,提出一种基于数据挖掘的移动客户流失量预测算法.首先收集移动客户流失量的历史样本,并通过预处理消除一些无用样本,然后根据贝叶斯决策树算法对移动客户类型进行分类,最后针对具体的移动客户预测流失量.结果表明,该算法建模速度优于其他移动客户流失量预测模型,可以获得更优的移动客户流失量预测结果.     

数据挖掘在电信客户流失中的应用

在研究数据挖掘实现技术的基础上,将此技术运用到防止电信行业的客户流失中.以无线市话(PHS)的历史数据为对象,建立客户流失预测模型.通过对预测模型的评估,得到了预测效果较好的模型.     

西安烟草精准营销及服务系统方案设计

目的为求健全烟草市场,提升烟草行业的服务质量和盈利水平。方法基于PSO-BP混合算法。结果设计了一个基于C/S和B/S混合模式的精准营销和客户自服务系统,具有预测卷烟销量,指导卷烟新品投放以及搭建客户服务平台等功能。在核心模块卷烟销量预测中,建立了基于粒子群优化的BP神经网络的预测模型。结论该模型具有预测精度高的优点,可以精确指导香烟的投放比例和数量。     

移动通信中V2．5．1流失预测模型的建立

V2.5.1流失预测模型是移动公司进行客户流失预测的模型.采用数据挖掘技术,从数据理解、数据准备、建立模型、模型评估和模型发布等五个阶段,详细介绍了移动通信企业中客户流失预测模型的建立过程和方法.     

基于CRM的汽车客户行为预测研究

为解决汽车客户购买行为预测问题,以便有效估测市场走向,在客户关系管理(CRM:Customer Relationship Management)理论分析的基础上,采用16例汽车客户的购买信息作为样本数据并对其进行数据清理、转换、归纳,以SQL Server建立汽车市场营销分析的数据仓库,作为整个分析预测过程的输入,采用改进的ID3决策树模型和关联规则模型进行数据挖掘,得出汽车客户行为的预测知识.通过实验对比,验证了预测结果的有效性.     

基于CPN网络的电力客户信用风险预测

在分析影响电力客户企业公司财务状况主要因素的基础上,将一种新型特征映射网络-CPN网络理论应用于电力客户信用风险预测,建立基于CPN网络电力客户信用风险预测模型.采用实际数据对模型进行验证,并将其与LVQ网络模型、BP网络模型和传统模型相比较,证明了基于CPN网络电力客户信用风险预测模型具有较高的精度和较强的实用性.     

数据挖掘技术在保险购买行为分析中的应用

我国寿险行业的发展已有二十余年,各人寿保险公司都已积累了大量客户数据。本文通过对河南安阳某公司保险客户的购买记录进行数据抽取、清洗和转换等预处理,利用数据挖掘中决策树分类预测模型,探寻客户对寿险产品选择的一般模式。     

重复购买与市场变化下产品扩散实证研究

重复购买以及市场环境变化对产品扩散有影响作用,从而限制了基本产品扩散模型的应用.通过构建反映动态市场变化的环境变量集合,基于影响系数对产品扩散模型做出修正,同时考虑重复购买因素,得到重复购买与市场变化下的产品扩散模型.以我国汽车产品细分市场之一的微型交叉型乘用车产品扩散为实例,将超过使用年限后的重复购买因素与市场的燃油价格、产品价格、宏观政策等因素作为修正变量融入扩散模型,分析目标产品的扩散规律.研究结果表明,加入重复购买与动态市场因素后,模型计算结果拟合度提高13%,预测结果的误差平均绝对比率由23.93降低至5.5.由此可知,提出的扩展产品扩散模型在解释能力和预测能力上均优于基本模型。     

结合K-means的分类方法在电信客户流失中的应用

通过对电信业客户流失预测的国内外研究成果的分析,我们发现造成电信业客户流失原因种类比较多、难以用一种通用的划分标准对流失客户的流失特征进行刻画,因此本文提出了将K-means算法与传统的分类算法相结合的方法进行客户流失分析,并进行了应用实验.该实验以中国联通湖南某地区X分公司的客户数据为基础,利用数据挖掘软件Clementine8.1建立了客户流失分类预测模型,模型的应用结果表明:新方法对客户流失预测的命中率高于传统的分类预测算法.     

浅谈电子商务网站的建构

本文分析了电子商务网站设计的原则,从总体上对电子商务网站建设的目的确定、客户定位、功能设计、结构设计、流程设计进行了探讨。     

基于Web日志挖掘的Markov预测模型及算法研究

通过Web日志挖掘技术可分析用户访问模式,从而为客户提供智能化、个性化服务。马尔可夫(Markov)模型的链式结构简便易行,适合作为一个预测模型来预测用户的页面访问模式。就此对Markov预测模型进行深入研究,描述了其实现算法,并结合实例对混合Markov预测模型方法进行了验证。     

数据挖掘技术在电商客户粘性预测中的研究

为精准有效地预测电商客户粘性，提升经济效果，研究数据挖掘技术在电商客户粘性预测中的应用。利用可变网格的K-means聚类算法，聚类获取电商客户粘性预测相关数据；通过有效性指标优化可变网格K-means聚类算法的聚类数，确定最佳聚类数，提升数据聚类效果；采用技术接受模型，依据聚类获取的数据，建立电商客户粘性预测指标体系；通过模糊层次分析法，结合指标体系，建立电商客户粘性预测模型，获取预测分值。实验结果表明，该模型可有效确定最优聚类数，精准聚类电商客户粘性预测相关数据；所建立的预测指标体系的指标相关性较低，结构较稀疏、较全面。总体说明，该模型可有效预测电商客户粘性。