电子商务客户流失的DBN预测模型研究

doi:10.3778/j.issn.1002-8331.2104-0221

摘要/Abstract

摘要： 在电子商务迅速发展，企业快速抢占市场的背景下，客户成为企业竞争的核心因素。现有相关研究多致力于采用全数据输入模式解析客户流失现象，不同类型客户造成的差异性还有待进一步探讨。鉴于传统RFM模型不能精确解释电子商务客户流失原因，该研究将客户分为活跃与非活跃两个集群，提出一种优化的RFM理论模型与深度信念网络实证模型对电子商务客户流失进行预测。结果表明，不同类型客户流失因素的影响强度不同。对活跃用户而言，客户购买总金额是影响客户流失的主要因素；对非活跃用户而言，客户进入店铺的时间越长越可能留住客户。通过剖析非活跃用户不流失和活跃用户流失的原因，可帮助企业制定有效的客户管理策略，以最大程度地吸引潜在客户及保留现有客户，获取最多的市场利益。

关键词: 电子商务, 客户流失预测, 活跃客户细分, RFM模型, 深度信念网络

Abstract: With the rapid development of e-commerce and the rapid market share of enterprises, customers have become the core factor of competition among enterprises. Existing related studies are mostly devoted to analyzing the phenomenon of customer churn using full data input mode, and the differences caused by different types of customers need to be further explored. In view of the traditional RFM model can not accurately explain the reasons for e-commerce customer churn, this study divides customers into active and inactive clusters, and proposes an optimized RFM theoretical model and an empirical model of deep belief network to predict e-commerce customer churn. The results show that the influence intensity of different types of customer churn factors is different. For active users, the total amount of customer purchases is the main factor affecting customer churn; for inactive users, the longer the customer enters the store, the more likely it is to retain the customer. By analyzing the reasons why inactive users do not churn and active users churn, it can help enterprises formulate effective customer management strategies to attract potential customers and retain existing customers to the greatest extent, so as to obtain the most market benefits.

Key words: e-commerce, customer churn prediction, active customer segmentation, RFM model, deep belief network

周婉婷, 赵志杰, 刘阳, 王加迎, 韩小为. 电子商务客户流失的DBN预测模型研究[J]. 计算机工程与应用, 2022, 58(11): 84-92.

ZHOU Wanting, ZHAO Zhijie, LIU Yang, WANG Jiaying, HAN Xiaowei. Research on DBN Prediction Model of E-Commerce Customer Churn[J]. Computer Engineering and Applications, 2022, 58(11): 84-92.

参考文献

[1]　吴永春.大数据背景下的电子商务客户流失量预测[J].现代电子技术，2020，43（11）：144-147.
WU Y C.Prediction of churn rate of e-commerce customers in context of big data[J].Modern Electronics Technology，2020，43（11）：144-147.
[2] 于小兵，曹杰，巩在武.客户流失问题研究综述[J].计算机集成制造系统，2012，18（10）：2253-2263.
YU X B，CAO J，GONG Z W.Review on customer churn issue[J].Computer Integrated Manufacturing Systems，2012，18（10）：2253-2263.
[3] FARQUHAR J D，PANTHER T.Acquiring and retaining customers in UK banks：an exploratory study[J].Journal of Retailing & Consumer Services，2008，15（1）：9-21.
[4] MEER G V.Customer development and retention on a Web-banking site[J].Journal of Interactive Marketing，2010，20（1）：58-64.
[5] 周静，周小宇，王汉生.自我网络特征对电信客户流失的影响[J].管理科学，2017，30（5）：28-37.
ZHOU J，ZHOU X Y，WANG H S，et al.On the influence of ego network concerning customer attrition of the telecommunication industry[J].Journal of Management Science，2017，30（5）：28-37.
[6] 董纪阳.基于决策树自动化特征选择的基金客户流失预测研究——后疫情时代下的思考[J].山东社会科学，2020（9）：74-80.
DONG J Y.Prediction of fund customer churn based on decision tree automatic feature selection[J].Shandong Social Science，2020（9）：74-80.
[7] 王涛，丛茜，尚钰量，等.基于改进支持向量机的产品服务系统客户流失预测模型[J].组合机床与自动化加工技术，2018（5）：181-184.
WANG T，CONG Q，SHANG Y L，et al.customer churn prediction of product service system based on improved support vector machine[J].Modular Machine Tool & Automatic Manufacturing Technique，2018（5）：181-184.
[8] 崔彦君.改进神经网络的电子商务客户流失估计[J].现代电子技术，2020，43（13）：103-105.
CUI Y J.E-commerce customer churn estimation based on neural network[J].Modern Electronic Technology，2020，43（13）：103-105.
[9] 张斌，彭其渊，刘帆洨.基于并行C4.5的铁路零散白货客户流失预测研究[J].计算机应用研究，2019，36（3）：829-832.
ZHANG B，PENG Q Y，LIU F X.Research on railway scattered freight customer churn prediction based on parallel C4.5 decision tree algorithm[J].Application Research of Computers，2019，36（3）：829-832.
[10] GORDINI N，VEGLIO V.Customers churn prediction and marketing retention strategies.An application of support vector machines based on the AUC parameter-selection technique in B2B e-commerce industry[J].Industrial Marketing Management，2017，62：100-107.
[11] AMIN A，AL-OBEIDAT F，SHAH B，et al.Customer churn prediction in telecommunication industry using data certainty[J].Journal of Business Research，2019，94：290-301.
[12] 孙劲光，蒋金叶，孟祥福，等.一种数值属性的深度置信网络分类方法[J].计算机工程与应用，2014，50（2）：112-115.
SUN J G，JIANG J Y，MENG X F，et al.DBN classification algorithm for numerical attribute[J].Computer Engineering and Applications，2014，50（2）：112-115.
[13] HUGHES A M.Strategic datebase marketing[M].Chicago：Probus Publishing，1994.
[14] 周涛，陆惠玲，霍兵强.深度信念网络研究进展[J].计算机工程与应用，2020，56（9）：24-32.
ZHOU T，LU H L，HUO B Q.Survey of deep belief network[J].Computer Engineering and Applications，2020，56（9）：24-32.
[15] 刘畅，殷聪.电子商务中基于深度学习的虚假交易识别研究[J].现代情报，2016，36（10）：62-67.
LIU C，YIN C.The recognition of fraud transaction based on deep learning in e-commerce[J].Journal of Modern Information，2016，36（10）：62-67.
[16] 冯玉芳，卢厚清，殷宏，等.基于BP神经网络的故障诊断模型研究[J].计算机工程与应用，2019，55（6）：24-30.
FENG Y F，LU H Q，YIN H，et al.Study on fault diagnosis model based on BP neural network[J].Computer Engineering and Applications，2019，55（6）：24-30.
[17] 徐先峰，蔡路路，张丽.融合MLP和DBN的光伏发电预测算法[J].计算机工程与应用，2021，57（3）：266-272.
XU X F，CAI L L，ZHANG L.Photovoltaic power generation prediction algorithm based on MLP and DBN[J].Computer Engineering and Applications，2021，57（3）：266-272.
[18] 胡青渝，刘广臣.DBN在蛋白质编码区识别问题中的应用研究[J].计算机工程与应用，2020，56（4）：247-255.
HU Q Y，LIU G C.Application of deep belief network in recognition of protein coding regions[J].Computer Engineering and Applications，2020，56（4）：247-255.
[19] LEE S，CHOEH J Y.Predicting the helpfulness of online reviews using multilayer perceptron neural networks[J].Expert Systems with Applications，2014，41（6）：3041-3046.
[20] ROSENBERG L J，CZEPIEL J A.A marketing approach for customer retention[J].Journal of Consumer Marketing，1984，1（2）：45-51.
[21] RRICHHELD F F，SASSER W E.Zero defections：quality comes to servies[J].Harvard Business Review，1990，68：105-110.