基于大数据平台上机器学习与社会网络分析的电信客户流失预测

客户流失是一个主要问题，也是大公司最重要的关切之一。由于对公司收入的直接影响，特别是在电信领域，公司正寻求开发手段来预测潜在的流失客户。因此，找出增加客户流失的因素对于采取必要措施减少流失十分重要。我们工作的主要贡献是开发一个流失预测模型，帮助电信运营商预测最可能流失的客户。本工作开发的模型在大数据平台上使用机器学习技术，并构建了一种新的特征工程与选择方法。为衡量模型性能，采用曲线下面积（Area Under Curve, AUC）标准度量，获得的AUC值为93.3%。另一主要贡献是在预测模型中使用客户社交网络，通过提取社交网络分析（Social Network Analysis, SNA）特征。SNA的使用将模型相对于AUC标准的性能从84%提升至93.3%。该模型通过Spark环境在由SyriaTel电信公司提供的大原始数据转换而成的大型数据集上准备和测试。数据集包含全部客户超过9个月的信息，并用于在SyriaTel上训练、测试和评估系统。模型试验了四种算法：决策树、随机森林、梯度提升机树（GBM）和极端梯度提升（XGBOOST）。然而，应用XGBOOST算法获得了最佳结果。该算法在此流失预测模型中用于分类。