大數據背景下的電子商務客戶流失量預測

吳永春

摘? 要： 針對當前方法無法對電子商務客戶特點進行描述，存在電子商務客戶流失量預測不準確，且電子商務客戶預測效率低的缺陷，為了提高電子商務客戶流失量預測結果，設計了一種大數據背景下的電子商務客戶流失量預測模型。首先，分析電子商務客戶流失量的研究進展，找到引起電子商務客戶流失量預測結果不理想的原因;然后，采用模糊聚類分析算法對電子商務客戶流失量數據進行預處理，減少電子商務客戶流失量預測的訓練樣本規模，并采用最小二乘支持向量機建立電子商務客戶流失量預測模型;最后，采用電子商務客戶流失量實際數據對預測性能進行分析。實際數據測試結果表明，所提模型的電子商務客戶流失量預測精度均高于95%，減少了電子商務客戶流失量預測時間，為電子商務客戶流失分析提供了一種有效的研究方法。

關鍵詞： 客戶流失量預測; 電子商務系統; 大數據; 模糊聚類分析; 預測模型; 數據預處理

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）11?0144?04

Prediction of churn rate of e?commerce customers in context of big data

WU Yongchun

（School of Business， Shandong Jianzhu University， Jinan 250101， China）

Abstract： In veiew that the e?commerce customers have the characteristics of massive and big data， and the characteristics of e?commerce customers can not be described with the current methods， the prediction of e?commerce customer churn rate is inaccurate， and the prediction efficiency of e?commerce customers is very low. In order to improve the prediction effect of e?commerce customer churn rate， a prediction model of e?commerce customer churn rate in the context of big data is designed. The research progress of e?commerce customer churn is analyzed to find out the reason why the prediction results of e?commerce customer churn are unsatisfactory. The data of e?commerce customer churn is preprocessed with the fuzzy clustering analysis algorithm， so as to reduce the training sample scale of e?commerce customer churn prediction. The least squares support vector machine （SVM） is used to establish the prediction model of e?commerce customer churn. The actual data of e?commerce customer churn are adopted to analyze the prediction performance of the prediction model. The actual data test shows tha the accuracy of prediction model for the e?commerce customer churn is higher than 95%， which reduces the prediction time of e?commerce customer churn and provides an effective research method for analysis of the e?commerce customer churn.

Keywords： customer churn prediction; e?commerce system; big data; fuzzy clustering analysis; prediction model; data pre?processing

0? 引? 言

隨著移動支付、互聯網技術的不斷成熟，由于網絡購物透明性高、購買成本低，人們在網上購買的次數不斷增加，這樣電子網站成為了人們經常光顧的場所[1?2]。但是電子商務購物有一個最大的特點，就是客戶極不穩定，有的客戶只購一次，再也不會發生購買行為，再加上網絡市場的競爭加劇，客戶流失量相當高，因此如何留住客戶，最大程度地降低電子商務客戶流失率，是所有商家必須解決的一個問題[3?4]。電子商務客戶流失的預測可以幫助商家發現客戶流失趨勢，有利于他們制定一個挽留措施，提高商家的利潤，因此，電子商務客戶流失量預測成為當前電子商務領域的一個重要研究方向[5]。

最原始的電子商務客戶流失量預測通過經驗閾值法進行，根據閾值對電子商務客戶是否活躍來判斷電子商務客戶是否處于一種流失狀態，該方法十分簡單，但是有一個致命的缺陷，就是電子商務客戶流失量預測誤差大，預測結果的實際參考價值比較低[6?8]。隨著大數據技術和人工智能技術的發展，人們將其引入到了電子商務客戶流失量預測的研究中，如基于決策樹的電子商務客戶流失量預測模型、基于關聯分析的電子商務客戶流失量預測模型、基于神經網絡的電子商務客戶流失量預測模型、基于支持向量機的電子商務客戶流失量預測模型等，相對于經驗閾值法，這些大數據技術和人工智能技術的電子商務客戶流失量預測結果更加準確[9?11]。隨著電子商務客戶流失量數據規模不斷增加和影響因素的增多，電子商務客戶流失量具有時變性、隨機性、規模性等變化特點，這些模型的缺陷也慢慢體現出來，如決策樹、關聯分析只能對線性變化特點的電子商務客戶流失量進行準確預測，使得電子商務客戶流失量預測誤差大，神經網絡和支持向量機的收斂速度慢、學習時間長，使得電子商務客戶流失量預測的效率低[12?13]。

結合電子商務客戶具有海量、大數據特點，為了提高電子商務客戶流失量預測的準確性，本文設計了一種大數據背景下的電子商務客戶流失量預測模型。實際數據測試實例結果表明，本文模型的電子商務客戶流失量預測精度均高于95%，減少了電子商務客戶流失量預測時間，具有比較明顯的優越性。

1? 大數據背景下的電子商務客戶流失量預測模型

1.1? 模糊聚類分析算法

設有[n]個訓練樣本：[X={x1，x2，…，xn}]，每個樣本有[m]個特征，即[xj=（x1j，x2j，…，xmj）]，那么訓練樣本集合的特征屬性矩陣為：

[X=x11x12…x1nx21x22…x2n????xm1xm2…xmn] （1）

式中[xij]為第[i]個樣本、第[j]個特征值。

對式（1）進行規范化操作，產生新的矩陣為：

[R=r11r12…r1nr21r22…r2n????rm1rm2…rmn] （2）

對所有樣本根據特征屬性進行分類迭代，共有[c]類，建立模糊聚類矩陣如下：

[U=u11u12…u1nu21u22…u2n????uc1uc2…ucn] （3）

每一個類有一個聚類中心，那么可以建立如下的模糊聚類中心矩陣[S]：

[S=s11s12…s1cs21s22…s2c????sm1sm2…smc] （4）

以歐氏距離的平方和最小為目標，目標函數可表示為：

[minF（uhj，sih）=j=1nh=1cuhjrij-sih2] （5）

1.2? 最小二乘支持向量機算法

樣本集合為[（xi，yi），i=1，2，…n]，最小二乘支持向量機采用映射函數[φ（?）]對其進行變換，然后進行回歸，建立如下形式的方程：

[f（x）=wTφ（x）+b] （6）

采用式（7）對式（6）中的[w]和[b]進行求解：

[minw2+12γi=1nζ2is.t.? ? yi-wTφ（x）+b=ei] （7）

式中：[γ]表示正則化參數;[ζi]表示松弛因子;[ei]為回歸誤差[14?15]。

由于式（7）求解比較復雜，引入拉格朗日乘子[αi]建立拉格朗日乘函數，即：

[L（w，b，ζ，α）=12wTw+12γi=1nζ2i+i=1nαi（wTφ（xi）-b+ζi-yi）]? ?（8）

對式（8）求偏導數，并且設置條件[?L?w=0，?L?b=0，][?L?ξi=0，?L?αi=0]，可以得到相應的約束條件為：

[w=i=1nαiφ（xi）i=1nαi=0wφ（xi）+b+ξi-yi=0] （9）

定義[K（xi，xj）=φT（xi）φ（xj）]，那么得到最小二乘支持向量機的回歸形式為：

[f（x）=i=1nαiK（xi，xj）+b] （10）

選擇徑向基核函數為[K（xi，xj）]，具體為：

[K（xi，xj）=exp-xi-xj22σ2 ] （11）

式中[σ]為核寬度參數。

1.3? 大數據背景下的電子商務客戶流失量預測步驟

大數據背景下的電子商務客戶流失量預測步驟如下：

Step1：從電子商務網站上對客戶流失量數據進行統計，建立電子商務客戶流失量建模的樣本集合，主要包括訓練樣本集合和驗證樣本集合。

Step2：采用模糊聚類分析算法對電子商務客戶流失量預測的訓練樣本進行處理，只選擇與選擇樣本相關的樣本作為新的訓練樣本集合，將一些無關的樣本刪除，減少訓練樣本集合的規模。

Step3：采用最小二乘支持向量機對模糊聚類分析算法處理后的訓練樣本進行學習，通過10折交叉驗證法計算電子商務客戶流失量預測精度，根據精度確定最優的參數，從而建立電子商務客戶流失量預測模型。

Step4：采用驗證樣本集合對電子商務客戶流失量預測模型的有效性進行測試，并分析電子商務客戶流失量預測精度。

綜上可知，基于大數據背景下的電子商務客戶流失量預測流程如圖1所示。

2? 電子商務客戶流失量的實證分析

2.1? 電子商務客戶流失量的歷史數據

為了分析本文提出的大數據背景下的電子商務客戶流失量預測模型的性能，采集一段時間的電子商務客戶流失量，如圖2所示。從圖2可以看出，電子商務客戶流失量的隨機波動性比較大，為了使電子商務客戶流失量預測結果具有說服力，共進行5次仿真實驗，每一次隨機選擇1 000個數據作為電子商務客戶流失量建模的訓練樣本，其余為電子商務客戶流失量預測的驗證樣本，這樣每一次仿真實驗的具體樣本是不一樣的。在相同實驗條件下，選擇決策樹的電子商務客戶流失量模型、BP神經網絡的電子商務客戶流失量進行對比測試。

每一次電子商務客戶流失量建模實驗的最小二乘支持向量機參數設置如表1所示。

2.2? 電子商務客戶流失量的單步預測精度對比

統計三種模型的電子商務客戶流失量的單步預測精度，結果如圖3所示。從圖3可以看出，三種模型的電子商務客戶流失量單步預測精度均較高，可以對電子商務客戶流失量變化特點進行描述，但是，相同實驗編號下，本文的電子商務客戶流失量預測效果更優，預測精度均達到了95%以上。

2.3? 電子商務客戶流失量的多步預測精度對比

在實際應用中，由于電子商務客戶流失量預測要把握將來一段時間的客戶流失變化趨勢，單步預測的時間太短，沒有什么實際應用價值，因此統計三種模型的電子商務客戶流失量的多步預測精度，結果如圖4所示。從圖4可以看出，電子商務客戶流失量多步預測精度明顯低于單步預測精度，電子商務客戶流失量預測誤差明顯增加，尤其是決策樹的電子商務客戶流失量預測精度下降的幅度相當大，而本文模型的電子商務客戶流失量預測精度仍然很高，相對于對比模型，本文模型的電子商務客戶流失量預測結果的優越性十分顯著。

2.4? 電子商務客戶流失量模型的工作效率對比

統計三種模型的電子商務客戶流失量建模時間，具體如表2所示。從表2可以看出，決策樹和BP神經網絡的電子商務客戶流失量建模時間明顯多于本文模型，本文模型可獲得較高的電子商務客戶流失量建模效率。

3? 結? 語

電子商務客戶流失量預測是當前的一個研究熱點，為了減少電子商務客戶流失量預測誤差，設計了大數據背景下的電子商務客戶流失量預測模型。首先采用模糊聚類分析算法對電子商務客戶流失量數據進行預處理，減少電子商務客戶流失量預測的訓練樣本規模;然后采用最小二乘支持向量機建立電子商務客戶流失量預測模型。預測結果表明，本文提出的電子商務客戶流失量預測模型預測精度高、效率高。

參考文獻

[1] 于小兵，王旭明.影響電子商務客戶流失因素分析[J].數學的實踐與認識，2014，44（21）：1?5.

[2] 于小兵，曹杰，張夢男.B2C電子商務客戶流失原因評估研究[J].模糊系統與數學，2012，26（6）：166?172.

[3] 代逸生，沈培蘭，孫紅霞.基于Pareto/NBD模型的電子商務網站客戶流失預測研究[J].科學技術與工程，2010，10（27）：6792?6795.

[4] 李婷婷.影響B2C電子商務企業客戶流失因素的實證分析[J].對外經貿，2014（1）：136?137.

[5] 任劍鋒，張新祥.電子商務客戶流失的建模與預測研究[J].計算機仿真，2012，29（5）：363?366.

[6] 朱幫助，張秋菊，鄒昊飛，等.基于OSA算法和GMDH網絡集成的電子商務客戶流失預測[J].中國管理科學，2011，19（5）：64?70.

[7] 張秋菊，朱幫助.基于自組織數據挖掘的電子商務客戶流失預測模型[J].企業經濟，2011（1）：95?99.

[8] 張秋菊，朱幫助.基于自組織模糊規則歸納的電子商務客戶流失預測[J].計算機應用與軟件，2010，27（12）：44?47.

[9] 許寧，高飛.無線網絡電子商務客戶流失預測仿真[J].計算機仿真，2018，35（9）：475?479.

[10] 武小軍，孟蘇芳.基于客戶細分和AdaBoost的電子商務客戶流失預測研究[J].工業工程，2017，20（2）：99?107.

[11] 于小兵，盧逸群.電子商務客戶流失預警與預測[J].系統工程，2016，34（9）：37?43

[12] 琚春華，盧琦蓓，郭飛鵬.融入個體活躍度的電子商務客戶流失預測模型[J].系統工程理論與實踐，2013，33（1）：141?150.

[13] 楊力.基于在線序列優化極限學習機的電子商務客戶流失量預測模型[J].南京理工大學學報，2019，43（1）：108?114.

[14] 卓濤.基于粒子群優化支持向量機的電子商務客戶流失預測模型[J].農業網絡信息，2014（6）：88?91.

[15] 朱幫助.基于SMC?RS?LSSVM的電子商務客戶流失預測模型[J].系統工程理論與實踐，2010，30（11）：1960?1967.