客户流失预测理论与实证研究

客户流失预测问题要求预测模型有较高的精度和较强的解释性，而正确应用新的分类和回归方法是获得较高模型预测精度和较强模型解释性的关键。传统统计学方法、人工智能方法和统计学习方法是目前研究中建立客户流失预测模型的主要方法。然而，许多实证研究结果表明，以往有关的客户流失预测研究没有统一的模型结构，并且所采用的方法在理论上不能同时保证预测模型的泛化能力和可解释性。本项目从理论研究出发，合理的拓展了传统客户流失预测模式，由此从理论上重新审视预测模型结构，并分别考察引入属性选择、特征提取和特征选择方法、可解释性的基于结构风险最小化方法、集成学习方法后，预测模型的精度和解释性的变化。通过利用国内、外电信公司和金融企业的实际数据对提出的理论成果进行检验，在完善客户流失预测理论的同时，为解决企业中客户流失问题提供了一定的理论依据和实践。