音乐流媒体的用户流失预测分析
发布时间：2020-12-03 07:46
随着更多极具竞争力产品不断地涌入市场,用户有着更高的主动性去选择其感兴趣的音乐流媒体服务,导致各平台必将面临用户流失问题加剧的危险。然而,一方面由于音乐流媒体的用户记录数据更新速度较快,一个模型并不能产生永久的效用。另一方面,针对不同行业、不同特征的数据集,用户流失预警模型具有不同的表现形态,不能一概而论。所以,要保证用户流失预警体系的实时性,必须对新业务和新数据集进行新的研究。综上所述,有必要针对音乐流媒体的用户流失预测问题展开研究,确保准确预测订阅业务中付费用户流失,这对平台长期成功至关重要。针对上述问题,考虑到某个音乐流媒体服务平台对付费用户流失预测的需求,本文选取了2015年1月1日至2017年2月28日该平台生成的用户记录数据作为原始数据。通过数据挖掘的相关方法对订阅用户在当前会员资格到期后的30天内是否会流失的问题进行了研究。在研究内容上,本文主要从分类分析和聚类分析两个角度,展开音乐流媒体用户流失预测模型分析、用户流失原因及用户细分模型分析两个方面的讨论研究。首先,在流失预测模型分析方面。利用Python软件,对各数据集初步清洗后进行单变量和多变量对比的特征分析,探索音乐...
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
-means算法流程图
图 2 性别变量、流失变量分布图.2 多变量对比分析各个变量进行独立的统计分析后，接下来探索变量相互间的特性。通过比较各变对应的流失标签变量的总数，可以较为直观地了解各变量与流失标签的关系以及体分布情况。具体结果如下：1）各城市的用户流失情况对比、不同性别下用户流失情况对比下图 3 中的左图可知，来自编码为 1 的城市的用户最多，同时所占的流失比例也以初步认为编码 1 的城市对流失预测具有很大的影响。从图 3 中的右图中可以看男女数量相当，其中的流失人数也相当，说明年龄字段点用户流失预测影响不大前对年龄字段对变量分析结果，可以明确可以在建模时删除性别变量。
教宓挠没Я魇гげ夥治?2图 2 性别变量、流失变量分布图3.3.2 多变量对比分析对各个变量进行独立的统计分析后，接下来探索变量相互间的特性。通过比较各变量取值下对应的流失标签变量的总数，可以较为直观地了解各变量与流失标签的关系以及数据的大体分布情况。具体结果如下：（1）各城市的用户流失情况对比、不同性别下用户流失情况对比从下图 3 中的左图可知，来自编码为 1 的城市的用户最多，同时所占的流失比例也最大。可以初步认为编码 1 的城市对流失预测具有很大的影响。从图 3 中的右图中可以看到用户的男女数量相当，其中的流失人数也相当，说明年龄字段点用户流失预测影响不大，结合之前对年龄字段对变量分析结果，可以明确可以在建模时删除性别变量。图 3 各城市用户流失情况对比图及不同性别下用户流失情况对比图（2）不同订阅支付方式下和不同注册方式下用户流失情况对比由下图 4 中的左图可知，编码为 41 的订阅支付方式最受用户欢迎，而且其中的流失用户数量与其他支付方式区别不大，编码为 38 的支付方式用户流失占比最大。从图 4 中
【参考文献】：
期刊论文
[1]基于随机森林与RFM模型的财险客户分类管理研究[J]. 闫春,孙海棠,李亚琪. 科技与经济. 2018(01)
[2]基于客户价值的客户行为特征分类模型探讨[J]. 朱明英,邢豫,王海霞,王保中. 现代计算机(专业版). 2017(01)
[3]基于新三维客户细分模型的线上会员客户价值研究[J]. 叶志龙,黄章树. 统计与信息论坛. 2016(05)
[4]基于组合预测的电信客户流失预测[J]. 陈晔,覃晓群. 计算机与数字工程. 2015(04)
[5]基于代价敏感决策树的客户价值细分(英文)[J]. 邹鹏,莫佳卉,江亦华,叶强. 管理科学. 2011(02)
[6]基于错分类成本的AdaBoost客户流失预测模型研究[J]. 唐迈. 中国商界(上半月). 2010(11)
[7]基于聚类分析的客户细分研究[J]. 季越江,吕佳. 办公自动化. 2009(08)
[8]聚类算法在银行客户细分中的应用[J]. 花海洋,赵怀慈. 计算机工程. 2008(24)
[9]聚类分析在客户细分中的研究与应用[J]. 赵喜仓,崔冬梅,窦志红. 江苏商论. 2007(08)
[10]数据挖掘方法在用户流失预测分析中的应用[J]. 刘光远,苑森淼,董立岩. 计算机工程与应用. 2007(09)
博士论文
[1]基于半监督和集成学习的不平衡数据特征选择和分类[D]. 房晓南.山东师范大学 2016
硕士论文
[1]基于数据挖掘的网络消费者价值研究[D]. 魏秀安.哈尔滨商业大学 2017
[2]基于支持向量机的不平衡数据分类算法研究[D]. 刘东启.浙江大学 2017
[3]基于数据挖掘的网购用户流失预测研究[D]. 郭成蹊.吉林大学 2016
[4]基于RFM改进模型的互联网金融平台用户细分研究[D]. 吴晓雪.北京交通大学 2016
[5]移动通信网用户流失预测[D]. 尹丹丹.中国科学技术大学 2016
[6]网络客户流失预测算法研究[D]. 马文斌.广西师范大学 2016
[7]高维数据集上的降维算法及其应用[D]. 肖招娣.华南理工大学 2013
[8]网购客户流失的实证分析[D]. 冯倩.西南财经大学 2013
[9]基于数据挖掘的客户流失预测实证研究[D]. 司学峰.北京工业大学 2009
本文编号：2896217
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
-means算法流程图
图 2 性别变量、流失变量分布图.2 多变量对比分析各个变量进行独立的统计分析后，接下来探索变量相互间的特性。通过比较各变对应的流失标签变量的总数，可以较为直观地了解各变量与流失标签的关系以及体分布情况。具体结果如下：1）各城市的用户流失情况对比、不同性别下用户流失情况对比下图 3 中的左图可知，来自编码为 1 的城市的用户最多，同时所占的流失比例也以初步认为编码 1 的城市对流失预测具有很大的影响。从图 3 中的右图中可以看男女数量相当，其中的流失人数也相当，说明年龄字段点用户流失预测影响不大前对年龄字段对变量分析结果，可以明确可以在建模时删除性别变量。
教宓挠没Я魇гげ夥治?2图 2 性别变量、流失变量分布图3.3.2 多变量对比分析对各个变量进行独立的统计分析后，接下来探索变量相互间的特性。通过比较各变量取值下对应的流失标签变量的总数，可以较为直观地了解各变量与流失标签的关系以及数据的大体分布情况。具体结果如下：（1）各城市的用户流失情况对比、不同性别下用户流失情况对比从下图 3 中的左图可知，来自编码为 1 的城市的用户最多，同时所占的流失比例也最大。可以初步认为编码 1 的城市对流失预测具有很大的影响。从图 3 中的右图中可以看到用户的男女数量相当，其中的流失人数也相当，说明年龄字段点用户流失预测影响不大，结合之前对年龄字段对变量分析结果，可以明确可以在建模时删除性别变量。图 3 各城市用户流失情况对比图及不同性别下用户流失情况对比图（2）不同订阅支付方式下和不同注册方式下用户流失情况对比由下图 4 中的左图可知，编码为 41 的订阅支付方式最受用户欢迎，而且其中的流失用户数量与其他支付方式区别不大，编码为 38 的支付方式用户流失占比最大。从图 4 中
【参考文献】：
期刊论文
[1]基于随机森林与RFM模型的财险客户分类管理研究[J]. 闫春,孙海棠,李亚琪. 科技与经济. 2018(01)
[2]基于客户价值的客户行为特征分类模型探讨[J]. 朱明英,邢豫,王海霞,王保中. 现代计算机(专业版). 2017(01)
[3]基于新三维客户细分模型的线上会员客户价值研究[J]. 叶志龙,黄章树. 统计与信息论坛. 2016(05)
[4]基于组合预测的电信客户流失预测[J]. 陈晔,覃晓群. 计算机与数字工程. 2015(04)
[5]基于代价敏感决策树的客户价值细分(英文)[J]. 邹鹏,莫佳卉,江亦华,叶强. 管理科学. 2011(02)
[6]基于错分类成本的AdaBoost客户流失预测模型研究[J]. 唐迈. 中国商界(上半月). 2010(11)
[7]基于聚类分析的客户细分研究[J]. 季越江,吕佳. 办公自动化. 2009(08)
[8]聚类算法在银行客户细分中的应用[J]. 花海洋,赵怀慈. 计算机工程. 2008(24)
[9]聚类分析在客户细分中的研究与应用[J]. 赵喜仓,崔冬梅,窦志红. 江苏商论. 2007(08)
[10]数据挖掘方法在用户流失预测分析中的应用[J]. 刘光远,苑森淼,董立岩. 计算机工程与应用. 2007(09)
博士论文
[1]基于半监督和集成学习的不平衡数据特征选择和分类[D]. 房晓南.山东师范大学 2016
硕士论文
[1]基于数据挖掘的网络消费者价值研究[D]. 魏秀安.哈尔滨商业大学 2017
[2]基于支持向量机的不平衡数据分类算法研究[D]. 刘东启.浙江大学 2017
[3]基于数据挖掘的网购用户流失预测研究[D]. 郭成蹊.吉林大学 2016
[4]基于RFM改进模型的互联网金融平台用户细分研究[D]. 吴晓雪.北京交通大学 2016
[5]移动通信网用户流失预测[D]. 尹丹丹.中国科学技术大学 2016
[6]网络客户流失预测算法研究[D]. 马文斌.广西师范大学 2016
[7]高维数据集上的降维算法及其应用[D]. 肖招娣.华南理工大学 2013
[8]网购客户流失的实证分析[D]. 冯倩.西南财经大学 2013
[9]基于数据挖掘的客户流失预测实证研究[D]. 司学峰.北京工业大学 2009
本文编号：2896217
本文链接：https://www.wllwen.com/guanlilunwen/tongjijuecelunwen/2896217.html