基于集成學(xué)習(xí)算法的5G用戶流失預(yù)警方法研究

路明 丁麗

摘?要：隨著5G技術(shù)的發(fā)展，5G用戶的流失預(yù)警已成為移動運(yùn)營商的重要任務(wù)。然而，傳統(tǒng)的用戶流失預(yù)警方法在5G營銷領(lǐng)域存在準(zhǔn)確性和可靠性不高的問題。為了解決5G用戶流失預(yù)測問題，文章將集成九大機(jī)器學(xué)習(xí)算法，結(jié)合5G降檔以及離網(wǎng)用戶的標(biāo)簽數(shù)據(jù)和消費(fèi)行為，構(gòu)建一個基于集成學(xué)習(xí)算法的用戶流失預(yù)警模型。研究結(jié)果表明，基于集成學(xué)習(xí)算法的5G用戶流失預(yù)警方法具有較高的準(zhǔn)確率、實(shí)時性和可靠性，可以有效地提高5G用戶流失預(yù)警的效率。

關(guān)鍵詞：集成學(xué)習(xí)算法；5G營銷；用戶流失預(yù)警

中圖分類號：F832.4????文獻(xiàn)標(biāo)識碼：A?文章編號：1005-6432（2024）04-0195-04

DOI：10.13939/j.cnki.zgsc.2024.04.049

5G技術(shù)的發(fā)展為用戶提供了更快的網(wǎng)絡(luò)速度、更多的應(yīng)用服務(wù)、更高的網(wǎng)絡(luò)安全性，以及更低的網(wǎng)絡(luò)延遲，然而，由于用戶的使用習(xí)慣和消費(fèi)需求的變化，5G用戶的流失率也不斷增加，這對移動運(yùn)營商的業(yè)務(wù)發(fā)展構(gòu)成了巨大的挑戰(zhàn)。因此，如何通過海量用戶數(shù)據(jù)準(zhǔn)確地預(yù)判5G用戶的流失趨勢并針對性地挽留，已經(jīng)成為當(dāng)前5G市場營銷領(lǐng)域研究的熱點(diǎn)。文章旨在探索基于集成學(xué)習(xí)算法的5G用戶流失預(yù)警方法，首先，收集了5G用戶的使用習(xí)慣和消費(fèi)水平數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理，以便進(jìn)行后續(xù)的分析。其次，文章提出了一種基于集成學(xué)習(xí)算法的5G用戶流失預(yù)警方法。集成學(xué)習(xí)算法是一種有效的機(jī)器學(xué)習(xí)方法，可以將多個機(jī)器學(xué)習(xí)模型結(jié)合起來，提高模型的準(zhǔn)確性。基于安徽移動公司2022年的用戶數(shù)據(jù)，文章構(gòu)建了一個基于用戶標(biāo)簽的預(yù)警模型，并采用集成學(xué)習(xí)的方法，將隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、Xgboost以及Catboost等九大機(jī)器學(xué)習(xí)算法結(jié)合起來，最后對集成學(xué)習(xí)算法進(jìn)行評估，驗(yàn)證了模型的有效性和可靠性。

1?研究現(xiàn)狀

隨著5G技術(shù)的發(fā)展，通信行業(yè)面臨著市場競爭激烈、產(chǎn)品同質(zhì)化嚴(yán)重、客戶流失等諸多問題，5G用戶流失問題已經(jīng)成為當(dāng)前研究的熱點(diǎn)。目前，已有一些關(guān)于移動通信客戶流失的研究，對客戶流失預(yù)測方法進(jìn)行了前期研究，以單一機(jī)器學(xué)習(xí)模型和數(shù)據(jù)挖掘?yàn)橹鳌＠纾觳莸韧ㄟ^語氣算子的運(yùn)用、信息轉(zhuǎn)換公式等，把模糊語言變成精確概率，并將其應(yīng)用于客戶流失的預(yù)警與分析［1］；鄧小龍等引入人工智能遺傳演化思想，對基于心理學(xué)擴(kuò)散模型的SPA預(yù)測流失算法進(jìn)行改進(jìn)，提出一種遺傳演化預(yù)測算法，增強(qiáng)了預(yù)測模型泛化能力［2］；林濤綜合運(yùn)用了統(tǒng)計方法和機(jī)器學(xué)習(xí)方法，利用正則化邏輯回歸算法，對客戶流失預(yù)測的準(zhǔn)確率基本達(dá)到89%以上［3］；李兵等利用決策樹和K-Means++聚類，對傳統(tǒng)的隨機(jī)森林算法進(jìn)行了改進(jìn)，獲得了高精度、低相似預(yù)測算法［4］；王小超等以電信運(yùn)營商為對象，分別使用支持向量機(jī)、隨機(jī)森林、KNN、BP神經(jīng)網(wǎng)絡(luò)4種算法進(jìn)行研究，對比各種模型的準(zhǔn)確率與召回率，發(fā)現(xiàn)采用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的數(shù)據(jù)模型預(yù)測效果良好［5］；喬健等將客戶生命周期價值指標(biāo)引入隨機(jī)森林CART分類樹算法特征選擇過程，有效地提高了客戶流失預(yù)測模型準(zhǔn)確率［6］。

近年來，很多學(xué)者運(yùn)用集成學(xué)習(xí)模型進(jìn)行用戶流失預(yù)測，例如，余路將Logistic回歸、BP神經(jīng)網(wǎng)絡(luò)與決策樹三種模型相結(jié)合，與單一模型預(yù)測結(jié)果相比，組合模型的預(yù)測效果更好［7］；Jayaswal等人以電信用戶的數(shù)據(jù)為研究對象，分別構(gòu)造決策樹模型、隨機(jī)森林與GBDT的集成模型，證明隨機(jī)森林與GBDT明顯好于單個決策樹；武小軍等人提出了支持向量機(jī)、CW-SVM、BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的SMOTE+AdaBoost用于用戶流失預(yù)測，改進(jìn)后的方法能夠有效地確定類別中高價值的客戶群體，并提高流失客戶及非流失預(yù)測準(zhǔn)確性［8］；汪明達(dá)等人提出了兩個混合模型來預(yù)測電信用戶的損失，分別為神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)集成模型、樸素隨機(jī)過采樣與投票結(jié)合的集成模型，研究表明，樸素隨機(jī)過采樣投票集成模型準(zhǔn)確率較高；Ahmed等人對邏輯回歸、樸素貝葉斯、多層感知機(jī)、決策樹、隨機(jī)森林等、GBDT分別進(jìn)行檢驗(yàn)，研究表明，隨機(jī)森林模型與GBDT模型預(yù)測效果明顯好于其他單一模型。為進(jìn)一步增強(qiáng)該模型預(yù)測能力，采用Stacking方法實(shí)現(xiàn)了模型集成。

從上述文獻(xiàn)可以看出，用戶流失預(yù)測領(lǐng)域研究已經(jīng)取得了顯著的進(jìn)步，研究人員對用戶流失的預(yù)測方法和思路存在一定差異。隨著5G通信技術(shù)和產(chǎn)品的迭代，現(xiàn)有的用戶流失模型缺乏針對5G套餐用戶的預(yù)測。在5G市場中，降檔和離網(wǎng)是用戶流失的關(guān)鍵預(yù)警行為，對于研究5G用戶流失預(yù)警模型是非常有必要的。因此，本研究通過降檔離網(wǎng)用戶和非降檔離網(wǎng)用戶在近幾個月內(nèi)的相關(guān)數(shù)據(jù)，驗(yàn)證最核心的機(jī)器學(xué)習(xí)算法，通過核心標(biāo)簽指標(biāo)和集成學(xué)習(xí)模型，進(jìn)行用戶流失預(yù)測分析，從而準(zhǔn)確定位營銷時機(jī)，高效采用營銷策略，全面提升營銷效率。

2?研究設(shè)計

2.1?數(shù)據(jù)提取

本研究數(shù)據(jù)來自安徽移動GBase數(shù)據(jù)庫，隨機(jī)抽取了762191條用戶數(shù)據(jù)，其中降檔離網(wǎng)用戶僅有4243人。為了更好地進(jìn)行模型預(yù)測，需要平衡降檔離網(wǎng)人數(shù)和非降檔離網(wǎng)人數(shù)，分成兩步提取數(shù)據(jù)。第一步：提取2022年10月“是否降檔離網(wǎng)”標(biāo)記為0，同時2022年11月“是否降檔離網(wǎng)”標(biāo)記為1的用戶500000人，作為正樣本；第二步：提取2022年10月“是否降檔離網(wǎng)”標(biāo)記為0，同時2022年11月“是否降檔離網(wǎng)”也標(biāo)記為0的用戶500000人，作為負(fù)樣本。由于上次提取的762191條數(shù)據(jù)中也含有“11月降檔離網(wǎng)用戶”（3905人）和“10月和11月均未降檔離網(wǎng)用戶”（254022人），將這部分用戶也加入樣本中，最終得到降檔離網(wǎng)用戶503905人（正樣本），未降檔離網(wǎng)用戶754022人（負(fù)樣本）。

2.2?數(shù)據(jù)清洗

在數(shù)據(jù)生產(chǎn)、運(yùn)輸、存儲的過程中可能會產(chǎn)生大量的噪聲點(diǎn)，如缺失、重復(fù)、錯誤、異常等情況。數(shù)據(jù)清洗就是要將無效數(shù)據(jù)清洗干凈，從而提高數(shù)據(jù)質(zhì)量，增強(qiáng)預(yù)測結(jié)果的可信度。首先對初始標(biāo)簽進(jìn)行缺失值判斷，查看標(biāo)簽是否完整，發(fā)現(xiàn)部分標(biāo)簽缺失較多數(shù)據(jù)，因此選擇直接刪除這部分用戶。除了缺失值，在收集數(shù)據(jù)時也發(fā)現(xiàn)有部分標(biāo)簽的值中含有“不詳”（以“Z”表示）的部分，因此將該標(biāo)簽視作無效標(biāo)簽刪除。剩余標(biāo)簽中，“Z”的存在較少，因此這樣的標(biāo)簽仍然具有預(yù)測能力，只需要把標(biāo)簽未知的這部分用戶刪除即可。

2.3?數(shù)據(jù)標(biāo)準(zhǔn)化

數(shù)據(jù)標(biāo)準(zhǔn)化指的是將樣本的屬性縮放到某個指定的范圍。在采集的數(shù)據(jù)中不同屬性的數(shù)據(jù)具有不同的量級，標(biāo)準(zhǔn)化后可以讓不同維度之間的標(biāo)簽在數(shù)值上有一定比較性，尋優(yōu)過程范圍變小，更容易收斂到最優(yōu)解。文章采用Z-score的方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

2.4?特征工程

特征工程是從用戶基本數(shù)據(jù)、訂購數(shù)據(jù)、行為數(shù)據(jù)中篩選用戶信息，讓其最大限度地表征用戶的所有標(biāo)簽，并盡可能地剔除冗余數(shù)據(jù)的過程。可以從以下幾個方面考慮選擇特征：

方差篩選：在數(shù)理統(tǒng)計中，方差是各變量值與其均值離差平方的平均數(shù)，是測算數(shù)值型數(shù)據(jù)離散程度的最重要的方法。方差越大，數(shù)據(jù)的波動就越大，方差越小，數(shù)據(jù)的波動就越小。如果一個特征不發(fā)散，也就是說樣本在這個特征上基本沒有差異，這個特征對于預(yù)測就沒有什么用。因此需要消除方差為0或較小的特征。在本研究中設(shè)置閾值為0.01，然后篩選掉方差小于閾值的特征，剩余46個標(biāo)簽。

相關(guān)性分析：首先與目標(biāo)高相關(guān)的特征應(yīng)該優(yōu)先選擇，與目標(biāo)低相關(guān)的特征應(yīng)該適當(dāng)舍棄。其次特征之間如果存在某種相關(guān)或者高度相關(guān)的關(guān)系，會產(chǎn)生多重共線性的問題，使模型估計失真或難以估計，最后需要進(jìn)行剔除。變量相關(guān)性剔除的方法有很多，本研究主要通過計算兩兩特征的相關(guān)系數(shù)，采用皮爾遜相關(guān)系數(shù)計算，皮爾遜相關(guān)系數(shù)定義為兩個變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商。設(shè)置相關(guān)系數(shù)的閾值為0.7，若兩特征的相關(guān)系數(shù)大于0.7則代表他們高度相關(guān)，需要刪除其中一個。計算所有特征兩兩之間的相關(guān)系數(shù)，將大于閾值的特征進(jìn)行剔除，最終剩余36個標(biāo)簽。

卡方檢驗(yàn)：卡方檢驗(yàn)專門針對分類問題的相關(guān)性過濾，可以對離散型特征進(jìn)行篩選，是用來檢驗(yàn)定性自變量對定性因變量的相關(guān)性，構(gòu)建統(tǒng)計量χ2進(jìn)行估計。之后根據(jù)自由度來對照卡方分布的臨界值表進(jìn)行判斷，自由度為K-1。χ2就是自變量對因變量的相關(guān)性，按照計算出的卡方統(tǒng)計量由高到低排列。文章對卡方檢驗(yàn)p值大于0.05的特征進(jìn)行篩除，最終保留31個標(biāo)簽。

IV值篩選：在進(jìn)行特征工程之前需要對特征進(jìn)行重要性篩選，由于標(biāo)簽較多，所以需要用一種方法幫助衡量什么變量應(yīng)該進(jìn)入模型，什么變量應(yīng)該舍棄，本研究使用了IV值篩選方法，IV值的含義是信息價值或信息量。對于變量來說，IV值越大就表示預(yù)測能力越強(qiáng)。由于連續(xù)變量與非連續(xù)變量計算方式不同，因此首先將連續(xù)變量與非連續(xù)變量分離，最終得到連續(xù)變量18個，非連續(xù)變量13個。然后將連續(xù)變量分箱計算IV值，篩選出IV值大于0.03的標(biāo)簽進(jìn)行保留，最終保留18個標(biāo)簽。對非連續(xù)變量不需要進(jìn)行分箱，直接計算最終保留8個標(biāo)簽，因此通過IV值計算最終保留26個標(biāo)簽。篩選結(jié)果如表1所示。

2.5?模型構(gòu)建

經(jīng)過特征工程后，將提取的標(biāo)簽作為輸入，構(gòu)建一個基于集成學(xué)習(xí)算法的模型，采用決策樹、隨機(jī)森林模型、Xgboost、Catboost、支持向量機(jī)、邏輯回歸模型、最近鄰（KNN）算法、樸素貝葉斯算法、BP神經(jīng)網(wǎng)絡(luò)算法，用于5G用戶流失預(yù)警推薦。

決策樹：作為機(jī)器學(xué)習(xí)算法中一種基本的分類和回歸算法，決策樹學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)。模型呈樹形結(jié)構(gòu)，主要由節(jié)點(diǎn)和有向邊組成，代表的是對象屬性與標(biāo)簽值之間的一種映射關(guān)系。

隨機(jī)森林：隨機(jī)森林是由多個決策樹組成。在處理分類問題時，隨機(jī)森林本質(zhì)上是對許多決策樹進(jìn)行打包處理（bagging），最后以所有決策樹的投票來確定最終分類結(jié)果。文章中通過python的sklearn庫調(diào)取模型進(jìn)行應(yīng)用，隨機(jī)森林決策樹數(shù)量為1000，最大深度為40。

Xgboost：Xgboost算法屬于GBDT梯度提升決策樹的一種，通過對決策樹進(jìn)行提升（boosting）處理來實(shí)現(xiàn)集成。隨機(jī)森林對決策樹進(jìn)行打包時最終輸出的結(jié)果由所有決策樹投票產(chǎn)生，而Xgboost每一次迭代都會在上一次迭代的基礎(chǔ)上進(jìn)行。文章中Xgboost樹的數(shù)量為1000，最大深度為40。

Catboost：Catboost是嵌入了自動將類別型特征處理為數(shù)值型特征的創(chuàng)新算法。首先對分類特征做一些統(tǒng)計，計算某個類別特征出現(xiàn)的頻率，之后加上超參數(shù)，生成新的數(shù)值型特征，且使用了組合類別特征，可以利用特征之間的聯(lián)系，豐富了特征維度。

支持向量機(jī)：通過一條支持向量來實(shí)現(xiàn)對數(shù)據(jù)的劃分，并且力求使向量到兩類數(shù)據(jù)最近的樣本距離最大。它是機(jī)器學(xué)習(xí)中最流行的模型之一，特別適用于復(fù)雜的中小型數(shù)據(jù)集分類。

邏輯回歸模型：邏輯回歸也被稱為廣義線性回歸模型，是一種簡單的二分類模型，與線性回歸模型的形式基本上相同。邏輯回歸在線性回歸的基礎(chǔ)上，套用了一個邏輯函數(shù)。

最近鄰：最近鄰算法從現(xiàn)有特征出發(fā)，如果i與某一類別的群體比較相似，則i就屬于這一類。因此，在最近鄰算法中最重要的是K值的選取和點(diǎn)距離的計算，本研究通過交叉驗(yàn)證的方式最終確定K值選取為5時預(yù)測效果最好。

樸素貝葉斯：樸素貝葉斯算法對于給出的待分類項(xiàng)目，求解在此項(xiàng)目出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大就認(rèn)為此待分類項(xiàng)屬于哪個類別。只需要求出在特定特征下某個新值是某個類別的概率即可。

神經(jīng)網(wǎng)絡(luò)模型：神經(jīng)網(wǎng)絡(luò)大體可以分為輸入層、隱藏層以及輸出層。為了充分地利用數(shù)據(jù)中的信息，可以通過在輸入層與輸出層之間加入隱藏層的方式來將數(shù)據(jù)投影到高維空間中，并在高維空間對數(shù)據(jù)進(jìn)行劃分來更好地對數(shù)據(jù)進(jìn)行線性劃分。文章中神經(jīng)網(wǎng)絡(luò)設(shè)置兩層隱藏層，每層具有50個隱藏神經(jīng)元，正則化懲罰系數(shù)為10-5，求解方式為隨機(jī)梯度下降。

3?實(shí)驗(yàn)結(jié)果

3.1?模型評估

在模型評估方面，從precision、recall、accuracy、f1score四個角度來使用10折交叉驗(yàn)證對模型進(jìn)行評估。

查準(zhǔn)率（precision）：指被分類器判定正例中的正樣本的比重。

查全率（recall）：指的是被預(yù)測為正例的占總的正例的比重。

準(zhǔn)確率（accuracy）：代表分類器對整個樣本判斷正確的比重。

f1score：查準(zhǔn)率和查全率的綜合。

交叉驗(yàn)證：指在給定的建模樣本中，拿出其中的大部分樣本進(jìn)行模型訓(xùn)練，留小部分樣本用剛建立的模型進(jìn)行預(yù)測，并求這小部分樣本的預(yù)測誤差，記錄它們的平方加和。這個過程一直進(jìn)行，直到所有的樣本都被預(yù)測了一次而且僅被預(yù)測一次，比較每組的預(yù)測誤差，選取誤差最小的那一組作為訓(xùn)練模型。表2展示了交叉驗(yàn)證結(jié)果：

由表2可知，按模型效果大體可以將模型分為三個層次：邏輯回歸和樸素貝葉斯位于第三梯隊；最鄰近、支持向量機(jī)、決策樹有效性位于第二梯隊；隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、XGBoost以及CatBoost有效性處于第一梯隊。

3.2?模型進(jìn)一步處理

為了提高模型穩(wěn)健性，現(xiàn)選擇隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、CatBoost以及XGBoost模型以打包（bagging）的形式進(jìn)行集成，集成后的學(xué)習(xí)模型采取以下規(guī)則對客戶是否為潛在降檔離網(wǎng)客戶進(jìn)行判斷：對客戶k來說，分別用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、XGBoost以及CatBoost對當(dāng)前客戶進(jìn)行預(yù)測，如果有三個或三個以上模型預(yù)測客戶k為潛在流失客戶，則認(rèn)為客戶k為潛在流失客戶，否則認(rèn)為客戶k不是潛在流失客戶。

經(jīng)測試，得到多模型的準(zhǔn)確率為0.93220，遠(yuǎn)高于上述所有單個模型，但由于高準(zhǔn)確率是由嚴(yán)格的條件而來的，因此查全率的表現(xiàn)平平，查全率為0.80593，f1score值為0.86447，總體上略低于CatBoost和XGBoost，因此是否運(yùn)用多模型，需要考慮準(zhǔn)確與查全的平衡，若要求高準(zhǔn)確率，則可使用多模型預(yù)測，若既要求準(zhǔn)確也要求查全，則使用單模型CatBoost或XGBoost是較好的選擇。

4?結(jié)論

隨著5G技術(shù)的發(fā)展，5G用戶流失預(yù)警方法的研究受到了越來越多的關(guān)注。文章研究了基于集成學(xué)習(xí)算法的5G用戶流失預(yù)警方法，具體來說，提出了一種基于集成學(xué)習(xí)算法的5G用戶流失預(yù)警方法，該方法利用多種機(jī)器學(xué)習(xí)算法，從查準(zhǔn)率、查全率、準(zhǔn)確率、F1值多指標(biāo)維度對模型進(jìn)行評估，發(fā)現(xiàn)隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、XGBoost以及CatBoost效果最好，效果在所測試模型中處于第一梯隊。另外，為了提高預(yù)測的穩(wěn)健性，文章對測試效果較好的模型進(jìn)行打包集成處理，并將集成后的模型作為最終預(yù)測模型。

本研究主要貢獻(xiàn)有以下幾點(diǎn)：首先，構(gòu)建了5G市場用戶標(biāo)簽庫，通過不斷優(yōu)化標(biāo)簽，最終形成一個精準(zhǔn)的標(biāo)簽庫，從而使模型產(chǎn)生更好的預(yù)測效果；其次，構(gòu)建了5G用戶流失預(yù)測模型，對約100萬用戶數(shù)據(jù)進(jìn)行了訓(xùn)練，幫助運(yùn)營商找到合適的客戶進(jìn)行針對性營銷，降低5G業(yè)務(wù)的用戶流失率。未來的研究應(yīng)該更加注重技術(shù)的可擴(kuò)展性和可維護(hù)性，以滿足不斷變化的市場需求。例如，可以采用增量學(xué)習(xí)或聯(lián)合學(xué)習(xí)的方法，以更好地適應(yīng)市場的變化。也可以改進(jìn)標(biāo)簽選擇和標(biāo)簽組合技術(shù)，提高用戶標(biāo)簽庫的準(zhǔn)確性和效率。

參考文獻(xiàn)：

［1］徐草，李敏.模糊貝葉斯網(wǎng)在通信行業(yè)客戶流失預(yù)測中的應(yīng)用研究［J］.合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2010，33（10）：1567-1571.

［2］鄧小龍，王柏，吳斌，等.遺傳演化SPA流失預(yù)測算法及并行化［J］.計算機(jī)科學(xué)與探索，2011，5（5）：433-445.

［3］林濤.基于Logistic回歸的電信寬帶客戶流失預(yù)警分析［J］.中國新通信，2019，21（11）：147-148.

［4］李兵，陳俊才.基于TMRF算法的電信客戶流失預(yù)測方案研究［J］.數(shù)字技術(shù)與應(yīng)用，2021，39（4）：116-121.

［5］王小超，張勇.基于BP神經(jīng)網(wǎng)絡(luò)的電信用戶流失預(yù)測研究［J］.綏化學(xué)院學(xué)報，2021，41（11）：148-151.

［6］喬健，諸佳慧，嚴(yán)康桓.基于隨機(jī)森林CART特征選擇改進(jìn)算法的電信客戶流失預(yù)測模型［J］.電信工程技術(shù)與標(biāo)準(zhǔn)化，2022，35（3）：78-82.

［7］余路.電信客戶流失的組合預(yù)測模型［J］.華僑大學(xué)學(xué)報（自然科學(xué)版），2016，37（5）：637-640.

［8］武小軍，孟蘇芳.基于客戶細(xì)分和AdaBoost的電子商務(wù)客戶流失預(yù)測研究［J］.工業(yè)工程，2017，20（2）：99-107.

［基金項(xiàng)目］本文系安徽移動公司研發(fā)項(xiàng)目“安徽移動5G業(yè)務(wù)互聯(lián)網(wǎng)鏈路營銷體系研究研發(fā)服務(wù)合同”的階段性成果（項(xiàng)目編號：202101243）。

［作者簡介］路明（1980—），男，漢族，安徽蕪湖人，碩士，中國移動通信集團(tuán)有限公司安徽分公司工程師，研究方向：5G業(yè)務(wù)；丁麗（1989—），女，漢族，安徽六安人，中國移動通信集團(tuán)有限公司安徽分公司中級經(jīng)濟(jì)師，研究方向：5G業(yè)務(wù)。