论文部分内容阅读
在国家提出三大电信运营商全面进行“携号转网”以及“提速降费”的整体大环境下,电信运营商的竞争必将日趋白热化,因此,由增量经营转型到存量经营,是三大运营商需要思考的战略转型举措。存量用户的价值远远高于新增用户,所以,提升存量客户的价值并减少客户流失在当今显得格外重要。而其中最关键的举措便是构建客户流失预警模型,对存量用户中的潜在流失客户做出预测,并采取个性化的营销措施对客户进行回访,可以有效减少存量客户流失。在此背景下,论文在研究大量国内外客户流失预测模型的基础上,以某省电信运营商大市场客户数据为研究对象,通过Python语言构建了三种预测模型,并进行比较。作者完成的主要研究工作有:(1)在数据预处理方面,论文以某省电信运营商大市场真实脱敏数据集为研究对象,利用数据清洗、基于AdaCost算法的数据均衡化以及基于Relief过滤法的特征选择等方式确保得到质量较高的实验数据集。(2)在构建模型及实验验证方面,主要介绍了如何利用贝叶斯算法、BP神经网络算法以及粒子群优化算法构建客户流失预测模型,对电信客户进行分类预测,并通过Python语言编程实现三种预测模型,实验结果表明基于PSO-BP神经网络的预测模型准确率优于BP神经网络与朴素贝叶斯预测模型,并且与BP神经网络相比加快了收敛速度,提高了工作效率,体现出了基于粒子群算法优化的神经网络预测模型的优越性。论文的创新点是利用粒子群优化算法对传统神经网络进行优化,并利用基于Relief算法的特征选择对数据集进行处理,减少了无关特征属性,极大地提高了神经网络的工作效率,研究结果表明基于粒子群优化算法的电信客户流失预测模型准确率达到97%以上,并且利用Garson算法做出敏感性分析,输出每个特征属性的影响因子,在运营商客户流失管理工作上具有商业上的可行性,为今后电信运营商的存量客户管理带来实际的指导意义。