43、基于监督与无监督混合数据挖掘系统的改进客户流失预测

基于监督与无监督混合数据挖掘系统的改进客户流失预测

1. 引言

电信行业近年来发展迅猛，云计算、物联网、移动支付等高端技术以及不断演进的通信技术推动着电信公司持续壮大。如今，移动通信和宽带连接已融入日常生活，联网设备数量也在急剧增加。电信领域成为了创新、发展、挑战与竞争的焦点。据全球移动消费者调查，美国消费者平均每天查看移动设备约800万次。因此，消费者对电信公司提供的各类数字技术存在持续需求。电信公司需要提供高质量、可靠且价格合理的语音和数据服务。同时，客户维护和客户流失受到服务质量、客户地理位置、服务成本和客户需求等多种因素的影响。客户流失预测对于电信公司的成功至关重要，因此，决策树、朴素贝叶斯、逻辑回归等多种智能数据挖掘方法被用于提前预测客户流失。这些技术不仅应用于电信行业，还广泛应用于银行、报纸、付费电视、超市、信用卡和汽车等行业的客户流失预测。如今，为了提高流失预测的准确性，人们采用了混合监督和无监督的数据挖掘技术，而非单一的分类器。

2. 相关研究概述

过去，许多研究人员使用基于单模型的分类算法，如决策树、逻辑回归、人工神经网络等，来预测客户流失。如今，研究人员更多地关注混合模型，即结合两个或多个分类器，或者结合聚类和分类技术。例如，Indranil Bose和Xi Chen选择了与客户收入贡献和使用时长相关的14个属性，使用五种聚类技术对客户进行细分，并将结果输入决策树进行评估；Huang、Kechadi和Buckley从整个数据集中提取和修改了新的特征集，使用七种传统分类方法进行评估，新特征提高了准确性；Khashei、Hamadani和Bijari将人工神经网络和多元线性回归模型相结合，提出的混合模型比单一人工神经网络和传统分类技术效果更好；Kyoungok