改進神經網絡的電子商務客戶流失估計

崔彥君

摘? 要： 針對傳統電子商務客戶流失估計模型對RFM數值分析不準確，估計誤差大的問題，提出基于改進神經網絡的電子商務客戶流失估計模型。利用改進神經網絡分析歷史數據，完成數據挖掘，分析客戶活躍度以及再交易的可能性，考察客戶潛在價值，建立貢獻分析評價流程，采用RFM模型確定權重，建立基于改進神經網絡的電子商務客戶流失估計模型。實驗結果表明，與傳統方法相比，所提方法對RFM數值分析更加精準，使電子商務客戶流失估計誤差明顯縮小，由此證明所提出的基于改進神經網絡的電子商務客戶流失估計模型更加有效。

關鍵詞： 改進神經網絡; 電子商務; 模型構建; 客戶流失; 數據挖掘; 價值分析

中圖分類號： TN915?34; TP393? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）13?0103?03

E?commerce customer churn estimation based on neural network

CUI Yanjun

（School of Data and Computer Science， Guangdong Peizheng College， Guangzhou 510830， China）

Abstract： In view of inaccurate RFM （recency， frequency， monetary） numerical analysis and big estimation error of the traditional e?commerce customer churn estimation model， a research on e?commerce customer churn estimation model based on the improved neural network is proposed. The improved neural network is used to analyze the historical data， complete the data mining， analyze the customer activity and the retransaction possibility， so as to investigate the customer potential value and establish the contribution analysis evaluation process. The RFM model is used to determine the weight for the establishment of e?commerce customer churn estimation model based on the improved neural network. The experimental results show that， in comparison with the traditional method， the proposed model is more accurate in the RFM numerical analysis and the estimation error of e?commerce customer loss is significantly reduced. Therefore， the proposed customer churn estimation model based on the improved neural network is more effective.

Keywords： improved neural network; e?commerce; model construction; customer churn; data mining; value analysis

0? 引? 言

電子商務客戶流失是客戶由于某些原因，不再選擇該公司所提供的服務，是一種較為常見的現象。對于電子商務網站的運營來說，分析客戶流失的原因以及客戶流失速度是十分必要的[1]。與吸引新客戶相比，挽留老客戶所需要花費的成本更低，且所能得到的利潤更高，客戶的忠誠度是電子商務發展的重要支撐。客戶的滿意程度與客戶流失量之間有著無法忽視的重要聯系，客戶的忠誠度越高，越能有效降低電子商務的服務成本，對電子商務企業的市場占有率，以及企業的收入有直接的影響[2]。降低客戶流失量，提高客戶滿意度，是電子商務企業維持經營并從中賺取利益，提高企業競爭力的重要關鍵。為此，分析電子商務企業的隱形流失客戶以及顯性流失客戶的流失原因，并估計其流失程度。電子商務網站通常采用信息技術管理方法實現客戶資源共享，從而更好地管理客戶群體，提高客戶滿意度，保留住老客戶的同時，發展新的客戶群體，從而擴大電子商務經營范圍[3]。

1? 基于改進神經網絡的電子商務客戶流失估計模型

分析電子商務客戶的流失原因，采用改進神經網絡完成數據挖掘，考察客戶潛在價值，分析客戶活躍度以及再交易的可能性，建立基于改進神經網絡的電子商務客戶流失估計模型。

1.1? 基于改進神經網絡的數據挖掘

電子商務客戶流失率的估計需要大量的數據作為支撐，為此利用改進神經網絡完成數據挖掘。通過改進神經網絡建立信息數據接收處理以及能夠正確判斷的綜合系統，分析所得數據，完成非線性處理與邏輯操作[4]。利用輸入的數據信息自我學習，不斷調整各種參數，通過改進神經網絡的輸入層輸入值，估計神經網絡所輸出的目標值。電子商務網站能夠自由選擇改進神經網絡中每一個函數的表現形式，并利用該節點臨近值的加權總和完成函數相關計算，與此同時，不斷對比所得結果與輸出層的目標數據，達到減小誤差的效果，具體過程如下所示：

式中：[NETi]為所輸入變量與相應權重乘積之和;[M1]為第一個輸入節點的變量;[Mn]第[n]個輸入節點的變量;[Win]為第[n]個輸入變量的相應權重;[Ni]為輸出變量;[F]為實際目標與輸出結果間的誤差值。

通過上述計算得到改進神經網絡模型在數據挖掘中的應用示意圖，如圖1所示。

根據上述改進神經網絡模型挖掘相關數據中所隱含的具有實際意義的信息，分析推斷其包含的內容，完成數據的修正及變換。采用樸素貝葉斯算法瀏覽并理解數據，得到合理的概率假設[5]。若樣本有[n]個不同屬性（[A1，A2，…，An]），當任意樣本[X]為[n]維空間中的任意一點時，則其屬性為（[x1，x2，…，xn]）。在既定條件下，屬性項之間無相互依賴關系，相互獨立，至此完成基于改進神經網絡模型的數據挖掘，從而進一步分析客戶的潛在價值。

1.2? 電子商務客戶潛在價值分析

電子商務客戶的潛在價值具有多層次性，其影響因素多種多樣，但最為主要的因素在于客戶對于長期凈現金流的創造能力[6]。結合實際情況，在客戶歷史交易記錄的基礎上，考察其潛在價值，分析客戶活躍度以及再交易可能性，建立電子商務客戶潛在價值的貢獻分析評價流程，其具體情況如圖2所示。

對于電子商務客戶的價值貢獻識別分析，主要在于為企業帶來一定價值的客戶，其他無法為電子商務企業創造價值或是所創造價值過小的客戶，不包含在潛在價值分析的范圍[7]。客戶之間的差異較大，地區以及收入或是需求方面都大不相同，導致其對于企業的潛在價值差異。為此需量化評估客戶群體，計算客戶價值，識別出對電子商務企業有價值的客戶群體。采用RFM模型確定權重，使[R]，[F]，[M]三個指標的權重相同，則對客戶潛在價值的衡量結果一致。但由于不同的行業在頻度、近度以及值度上的衡量方法是有差異的，[R]，[F]，[M]三個指標對于電子商務客戶的潛在價值衡量標準也將有所差異，則權重也將有所差異[8]。為此結合實際情況，采用層次分析法計算指標權重。

首先構建層次結構，提取客戶潛在價值的決定性因素，將其按照屬性分解成若干層次。由于處在相同層次上的不同因素，在承受下一層次影響的同時，會對上一層產生一定量的影響，則位于最上層的目標層只有在準則過多時，分解出子準則層[9]。隨機選取某個時間段調整相關數值權重，使其響應率達到最大值，則該時間點權重為電商企業最合適權重。計算各個能夠構成對比矩陣的最大特征根，以及與其所相應的特征向量，利用一致性指標與一致性比率檢驗其一致性。檢驗合格后，則歸一化的特征向量即為權重向量[10?11]，從而完成對于電子商務客戶的潛在價值分析。

1.3? 電子商務客戶流失估計模型構建

在完成電子商務客戶的潛在價值分析后，構建客戶流失估計模型。從所收集到的電子商務客戶資料，以及歷史交易記錄等信息中，提取所需要的信息數據，并上傳至數據庫中，根據相關屬性計算各信息增益指數，得到客戶流失影響因素。利用改進神經網絡分析所得到的影響因素，從中提取出導致客戶流失的主要屬性[12?13]，將其與客戶潛在價值同時輸入改進神經網絡，作為輸入元素，訓練數據集，輸出最終客戶流失率，其具體過程如圖3所示。

根據上述過程，估計客戶流失情況，采用改進神經網絡訓練非線性映射，優化其存在的問題。將改進神經網絡中所輸入的各項指標設定為[m1，m2，…，mx]，將所輸出的各項指標設定為[n]，則得到函數關系式如下：

式中[α]為輸入各項與輸出各項間的映射關系。

若在保證其他自變量不發生改變的前提下，只改變自變量[m]，則能夠得出，在輸入[mi]后，輸出值[n]的變化量。在此基礎上計算每個輸入變量對所輸出指標的貢獻率，最終得到電子商務客戶的流失估計：

式中[nimvar]為所輸出變量[n]的絕對變化量。

由上述計算可知，根據已有的客戶數據對其進行流失估計，除去不適用或是數據有缺失的客戶信息，分析客戶的歷史交易信息，考慮客戶未來價值，制定對其的定位標準，至此建立基于改進神經網絡的電子商務客戶流失估計模型。

2? 仿真實驗結果與分析

為準確驗證所提出的基于改進神經網絡的電子商務客戶流失估計模型的有效性，采用傳統電子商務客戶流失估計模型與本文模型進行對照實驗。隨機選取6個月內的電子商務客戶相關數據作為實驗對象，利用FineBI智能分析軟件分析其RFM數值，RFM數值通常指客戶的最近一次消費，消費頻率以及消費金額，分析其數值規律，從而達到衡量客戶價值和客戶創利能力的目的[14?15]，得到對于客戶流失的估計結果。將所提出的改進神經網絡電子商務客戶流失估計結果范圍與傳統估計模型進行比較，其具體對比結果如圖4所示。通過圖4的對照分析能夠得出，傳統的估計模型將跨類目商品的購買率分析結果作為客戶忠誠度的衡量標準，但由于跨類目的商品不具有可比性，且在[F]值與[M]值為定值時，[R]值對于客戶的細分作用較弱，導致傳統模型對RFM數值的分析不夠準確。而本文所提出的基于改進神經網絡的電子商務客戶流失估計模型與傳統模型相比，優化了這一缺陷，對RFM數值的分析更為精準，使得估計誤差明顯縮小。為了使本次實驗結果的嚴謹性得到保障，本文進行了多次的客戶流失估計數值模擬實驗。經過多次實驗論證得出，所提出的基于改進神經網絡的電子商務客戶流失估計模型更為有效。

3? 結? 語

由于網絡市場的競爭日益激烈，導致電子商務企業的生存環境艱難，對客戶資源也變得十分重視。為此提出基于改進神經網絡的電子商務客戶流失估計，分析客戶的潛在價值、流失率以及客戶流失的相關影響因素。利用改進神經網絡建立數據處理系統，完成相關非線性處理操作。分析電子商務客戶的潛在價值，并估算其再交易的可能性及再交易金額，根據層次結構計算權重，構建電子商務客戶流失估計模型。實驗結果證明，采用基于改進神經網絡的電子商務客戶流失估計模型能夠得到更精準的估計結果，為電子商務企業提供相應依據。

參考文獻

[1] 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.

[2] 王斐玉，文華，王紅梅.語義挖掘結合神經網絡的電商網頁推薦方案[J].控制工程，2018，25（1）：149?153.

[3] 張小敏，伍小平，豐婷，等.基于最優加權組合的電信客戶流失預測模型設計研究[J].赤峰學院學報（自然科學版），2017，33（12）：3?4.

[4] 韋琦，楊明.改進神經網絡算法的智能電網短期負荷預測[J].哈爾濱理工大學學報，2017，22（4）：65?69.

[5] 吳才德，章玉明，田領川，等.基于改進神經網絡的地鐵車站深基坑位移反分析[J].科技通報，2017，33（1）：142?146.

[6] 王秋實，王小敏.基于FTA與改進神經網絡的軌道電路紅光帶診斷方法[J].鐵道標準設計，2017，61（4）：147?153.

[7] 陳德華，洪靈濤，潘喬.基于改進神經網絡的糖尿病生化指標值預測[J].微型機與應用，2017，12（5）：54?56.

[8] 張憲紅，張春蕊.一種改進的細胞神經網絡圖像邊緣提取方法[J].暨南大學學報（自然科學與醫學版），2017，38（2）：178?184.

[9] 辛建英.改進神經網絡的大學物理實驗教學質量評價[J].現代電子技術，2017，40（15）：146?149.

[10] 姜逢源，董勝，張鑫.基于改進神經網絡的板樁結構可靠性分析[J].海洋湖沼通報，2018（2）：103?109.

[11] 吳曦，姚楠，許建剛.基于改進神經網絡算法的變電站變壓器裂紋圖像識別[J].現代電子技術，2017，40（13）：66?69.

[12] 劉翔.改進神經網絡的數字調制信號識別[J].內蒙古師范大學學報（自然科學漢文版），2017，46（2）：200?203.

[13] 翟梅杰，高鵬.基于改進神經網絡的汽車ABS故障診斷[J].中小企業管理與科技，2017，21（28）：173?174.

[14] 劉佩瑤，郝振純，王國慶，等.新安江模型和改進BP神經網絡模型在閩江水文預報中的應用[J].水資源與水工程學報，2017，28（1）：40?44.

[15] 黃璇，郭立紅，李姜，等.改進粒子群優化BP神經網絡的目標威脅估計[J].吉林大學學報（工學版），2017，47（3）：996?1002.