基于数据挖掘的电信宽带客户流失预测模型研究

宽带客户流失是我国电信企业发展中所面临的一个严重的问题,为此需要在客户流失之前作出预测,并通过相应营销手段挽留客户,文章通过数据挖掘技术建立客户流失预测模型,以此获取即将离网的用户。     

基于AdaBoost的电信客户流失预测模型

随着电信业改革的深入和竞争的不断加剧,各大电信企业的客户流失率逐步攀升。在深入分析电信业客户流失问题的基础上,针对目前研究多采用单分类器模型的不足,提出了一种基于组合分类器的电信客户流失预测模型。实证结果表明该模型能有效提升预测准确率,为今后的研究提供了新的研究思路。     

基于BP神经网络的ETC系统客户的流失分析研究

文章应用神经网络数据分析技术研究ETC系统客户流失的状况,详细研究了如何建立ETC系统客户流失基本模型。通过对客户的基本数据进行神经网络预测,可以发现描述流失客户基本特征的属性值集合以及对应的是否流失的结论。文章给出的是改进的神经网络的预测方法,可提高BP神经网络的收敛速度,增强网络的泛化能力,获得了很好的效果。     

基于自组织数据挖掘的电子商务客户流失预测模型

为解决电子商务客户流失预测中的高维、非线性问题,本文将自组织数据挖掘理论(SODM)引入客户流失预测,提出一种新颖的基于自组织数据挖掘的电子商务客户流失预测模型。该方法将自组织数据挖掘中的客观系统分析算法(OSA)和改进分组数据处理网络(GMDH)集成起来进行电子商务客户流失预测。首先利用OSA算法选择出重要的电子商务客户流失关键属性,然后将训练样本送入改进GMDH网络进行学习和训练,进而对测试样本客户流失状态进行判别。将该方法应用于某网上商店客户流失预测实证分析,预测结果验证了该方法对包含多种因素影响的电子商务客户流失预测具有优势,基于自组织数据挖掘的电子商务客户流失预测模型具有较强的实用性和可操作性。     

基于粗糙集和神经网络的数据挖掘应用

本论文就是根据电信行业需求,针对电信企业拥有大量详实而且丰富的数据,但是可用有效数据提取困难这一问题。首先利用粗糙集理论中的差别矩阵方法对电信客户数据进行属性约简,之后采用BP(Back Propagation)神经网络建立基于粗糙集和神经网络的数据挖掘模型,实现对电信业务系统的客户数据信息进行有效分析和高效提取,并通过matlab实现了仿真模拟。所建立的模型,减少神经网络的输入层个数、简化了运算次数、缩短了训练时间并提高数据预测的准确度。     

MR项目IDM方法论的扩展和灵活应用——以广州电信为例

本文主要结合广州电信的实际情况,研究了如何对IDM方法论进行扩展和灵活应用,如收入预测模型、流失预测模型、宽带客户分群等,并针对应用中遇到的问题,提出了几点我们在工作中应该怎样探索这些问题的解决方法。     

我国通信企业客户流失预测研究综述

客户流失问题是全球电信企业面临的一个严峻问题。我国通信市场经过快速发展,市场容量已经接近饱和,客户流失成为我国各通信运营商面临的严重问题。文章综述了客户流失的影响因素及其预测模型和方法,以期为深入研究客户流失问题提供参考。     

我国通信企业客户流失预测研究综述

客户流失问题是全球电信企业面临的一个严峻问题。我国通信市场经过快速发展,市场容量已经接近饱和,客户流失成为我国各通信运营商面临的严重问题。文章综述了客户流失的影响因素及其预测模型和方法,以期为深入研究客户流失问题提供参考。     

基于LVQ的上证综合指数择时理论研究

利用学习向量量化（LVQ，Learning Vector Quantization）神经网络，构建上证综合指数择时模型；结合技术，分析了经济基本面的变化；并在模型的输入变量中，对经济数据以及与股市本身相关的变量进行预测；进而通过判断上证综合指数的涨跌，采取对应的进入、退出策略，以期得到优于指数的超额收益。研究结果表明，相对于人工神经网络模型， LVQ模型能够较好地对进行模型识别，是一种比较理想的预测模型。     

我国通信企业客户流失预测研究综述

客户流失问题是全球电信企业面临的一个严峻问题.我国通信市场经过快速发展,市场容量已经接近饱和,客户流失成为我国各通信运营商面临的严重问题.文章综述了客户流失的影响因素及其预测模型和方法,以期为深入研究客户流失问题提供参考.     

Incorporating textual information in customer churn prediction models based on a convolutional neural network

This study investigates the value added by incorporating textual data into customer churn prediction (CCP) models. It extends the previous literature by benchmarking convolutional neural networks (CNNs) against current best practices for analyzing textual data in CCP, and, using real life data from a European financial services provider, validates a framework that explains how textual data can be incorporated in a predictive model. First, the results confirm previous research showing that the inclusion of textual data in a CCP model improves its predictive performance. Second, CNNs outperform current best practices for text mining in CCP. Third, textual data are an important source of data for CCP, but unstructured textual data alone cannot create churn prediction models that are competitive with models that use traditional structured data. A calculation of the additional profit obtained from a customer retention campaign through the inclusion of textual information can be used by practitioners directly to help them make more informed decisions on whether to invest in text mining.     

Boosting算法在某移动通信公司客户离网预测中的应用研究

在对某移动通信公司客户离网深入分析基础上,针对以往研究采取的算法精度不高的局限性,引入Boosting算法,进行客户离网预测研究。实验结果表明,文中所建模型具有较强的稳定性,且各个指标值都能达到较高水平。     

从客户流失到客户忠诚：对客户竞争力、客户熵和客户型企业的研究

客户流失研究的疗伤范式难以突破“瓶颈”。本研究以预防范式作为理论起点,先后分析了客户演化、客户竞争力、客户熵和客户型企业,得出通过运用客户竞争力,客户型企业能够获得持续的负熵流,客户作为企业网络的核心部分与企业共同创造价值,在多层次沟通和互动的基础上实现终生购买。客户流失从而转化成客户忠诚。     

基于神经网络的客户分类研究

汽车信贷已成为我国消费信贷业务中最重要的业务种类之一,但近年来其信用风险一直很高。本文旨在通过对学习向量量化(LV Q )人工神经网络基本理论和架构的研究,设计 LVQ 网络分类器,并结合主成分分析方法探讨对客户的分类研究,通过实证结果分析客户分类的一般性规律,对各行业客户分类应用都有重要实践指导意义。     

基于粗糙集-神经网络技术的客户价值分类模型的研究

客户关系管理的核心内容之一是对客户价值的评价进而对客户进行分类。文章首先找出对客户价值分类有影响的一些因子,应用粗糙集-神经网络的模型,即利用神经网络与粗糙集理论的优势互补,采用粗糙集对数据进行预处理,然后选择神经网络作为评价方法,最后根据客户价值评价结果进行客户价值分类。     

多层前馈神经网络在客户流失分析中的应用

本文研究了多层前馈神经网络原理及其后向传播算法,然后结合一个实例构建了客户流失分析的多层前馈神经网络模型,实验表明将该模型用于客户流失分析是可行的.     

基于LVQ神经网络的财务舞弊识别模型实证研究

为了保护广大投资者和规范国内资本市场,对财务舞弊识别的研究具有重要的意义。在参考前人研究的基础上,选择能识别财务舞弊的指标,利用主成分分析法约减指标,得到9个综合变量。在此基础上,利用学习矢量量化(Learning Vector Quantization,LVQ)神经网络建立财务舞弊识别模型;此模型对测试样本的判断准确率高达90.9%,验证了模型的有效性。最后把此模型与用其他方法建立的财务舞弊识别模型进行比较,发现LVQ神经网络建立的财务舞弊识别模型,能更有效地识别测试样本有没有财务舞弊。