中国移动通信公司客户流失预测

发布时间：2022-08-01 12:59

　　通信市场趋于饱和导致客户资源稀缺,客户流失是不可避免的。但是,通过数据挖掘方法预测出欲离网的客户,再设计并落实积极有效的营销方案,企业仍然可以减少客户流失的数量。本文针对中国移动通信公司客户数据建立距离判别模型、支持向量机、神经网络等模型,对可能会流失的客户进行预测识别,为通信公司的客户管理和系列决策提供理论和方法支持。主要工作概述如下:1.对数据进行缺失值处理、异常值处理,获得分析所需要的干净数据。2.利用k-means聚类、基于随机森林的影响因素分析、逻辑回归分析等方法,探索中国移动通信公司流失客户的行为特征。3.本文用在网时长、月花费、个体的度、联系强度、个体信息熵、个体度的变化率6个自变量构建距离判别模型,判别准确率为85.59%。4.构建支持向量机模型,判别准确率为85.46%;用粒子群算法优化后准确率达到87.55%;用网格搜索法优化后准确率达到88.96%。5.构建神经网络模型,判别准确率为85.95%,用adaboost算法优化后准确率达到97.95%。本文将分类预测模型应用于中国移动通信公司流失客户的识别研究中,并不断优化模型以寻求更高的准确度,体现了较大的实用性;并... 

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 .国外研究
        1.2.2 .国内研究
        1.2.3 .总结
    1.3 研究内容及方法
        1.3.1 研究内容
        1.3.2 研究方法
        1.3.3 创新之处
2 客户流失因素分析
    2.1 数据说明
    2.2 数据预处理
    2.3 描述性分析
    2.4 流失因素分析
        2.4.1 k-means聚类分析
        2.4.2 基于随机森林算法的影响因素分析
        2.4.3 逻辑回归分析
3 客户流失的距离判别模型
    3.1 距离判别模型介绍
    3.2 距离判别模型构建
    3.3 模型结果分析
4 客户流失的支持向量机模型及其优化
    4.1 支持向量机模型介绍
    4.2 支持向量机模型构建
    4.3 粒子群算法优化SVM
    4.4 网格搜索法优化SVM
5 客户流失的神经网络模型及其优化
    5.1 BP神经网络模型介绍
    5.2 Adaboost算法介绍
    5.3 BP-Adaboost模型构建
    5.4 BP-Adaboost模型结果分析
    5.5 BP-Adaboost模型应用
6 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
科研成果


【参考文献】：
期刊论文
[1]电信业务流失建模的研究[J]. 石永华.  广东通信技术. 2003(06)

博士论文
[1]电信运营企业客户流失预测与评价研究[D]. 迟准.哈尔滨工程大学 2013
[2]BP神经网络分类器优化技术研究[D]. 高鹏毅.华中科技大学 2012
[3]基于商务智能的客户流失预测模型与算法研究[D]. 夏国恩.西南交通大学 2007
[4]粒子群优化算法的理论及实践[D]. 张丽平.浙江大学 2005

硕士论文
[1]基于BP神经网络的北京市二手房交易价格预测研究[D]. 李圆圆.首都经济贸易大学 2018
[2]基于核参数优化的SVM方法及其在股市中的应用研究[D]. 陈晓燕.西安理工大学 2018
[3]P2P网络贷款客户违约预测研究[D]. 申传华.贵州财经大学 2018
[4]基于支持向量机的P2P借款人信用风险评估实证研究[D]. 杨巧艳.上海外国语大学 2018
[5]中石化A公司客户流失因素分析及对策研究[D]. 黄振源.电子科技大学 2018
[6]移动通信用户维系挽留策略研究与系统设计[D]. 国亦家.重庆理工大学 2018
[7]基于随机森林的电信客户流失预测应用研究[D]. 邱伟.华南理工大学 2018
[8]基于神经网络的物品识别研究[D]. 黄玲娥.厦门理工学院 2017
[9]基于BP神经网络的商业银行绿色信贷风险评价研究[D]. 张新.天津科技大学 2017
[10]客户流失预测模型研究及其应用[D]. 姚博.西北大学 2017



本文编号：3667495