18、商业问题假设验证与连续 POI 推荐模型研究

商业问题假设验证与连续 POI 推荐模型研究

1. 商业问题假设验证

1.1 实验数据

分析客户反馈信息有助于了解客户对重要服务质量的满意度。为此，对一个公开可用的数据集进行分析，该数据集包含客户的年龄、职业等典型信息，以及对某些银行服务相关特征（如即时关注）和设施相关特征（如宜人氛围）的反馈信息。客户可以对这些特征从 0 到 10 进行评分，评分在 4 或以下表示一定程度的不满意，可作为业务运营中可能出现问题的假设。

1.2 数据集分析

部分问题假设示例包括居住距离远、缺乏即时关注和缺乏宜人氛围。对这些特征的客户不满情况分析如下：
| 特征 | 客户不满情况 |
| — | — |
| 居住距离远 | 认为居住距离远的客户中，35% 离开了银行（流失客户），65% 保持忠诚（非流失客户）。从职业来看，大多数不满客户来自专业职业，其次是私人服务和政府服务，这三种职业占对居住距离不满客户的 75%。 |
| 缺乏即时关注 | 超过一半的客户是年轻客户（40 岁及以下）。 |
| 缺乏宜人氛围 | 商业职业和私人服务的客户抱怨最多。 |

总体而言，大多数客户无论遇到何种问题假设都保持忠诚，但无法确定客户流失的原因。

1.3 预测模型

为了使用监督机器学习对特征贡献知识进行编码和表示，实验了多种机器学习算法，包括线性回归、支持向量机、决策树、随机森林和 XGBoost 分类器。其中，XGBoost 在实验中显示出最高的准确率。实验使用 Python 语言和 scikit - learn 开源机器学习库，数据集为公共银行客户流失数据集。数据清洗后，