近年来,社区团购业务作为电子商务领域的一个后起之秀,开始越来越频繁地出现在大众视野和商业实践中,众多大平台携带雄厚的资本和丰富的资源进入社区团购的赛道,推动了社区团购业务快速发展。目前,社区团购业务领域尚没有出现一家独大的局势,市场竞争激烈,客户可以轻易地从一个社区团购平台转换到接受竞争对手提供的商品或服务,普遍对社区团购平台忠诚度低,流失率居高不下。社区团购平台的服务策略因此转向以客户为中心,试图通过客户流失分析改善平台与客户的关系,而目前关于客户流失预测的研究分析主要集中在通信、银行领域,本次研究将客户流失预测模型运用到社区团购业务领域中,探寻构建预测模型对社区团购平台客户流失与否进行预测的可行性。本次研究基于某社区团购平台上海地区的真实交易数据,借助数据仓库技术抽取客户的基本信息及订单流水信息加以汇总,结合对社区团购业务实际情况的理解筛选出可用于预测的特征变量。对于提取出的原始数据在构建模型前进行预处理,在经过重复值处理、缺失值处理、异常值处理、数据标准化等步骤后成为规整的数据集,在原有特征变量基础上生成新的衍生特征,结合特征选择最终确定了用于构建客户流失预测模型的14个预测特征。为了有效处理样本数据集中流失客户与非流失客户极度不均衡的现状,本次研究选择SMOTE-ENN混合采样算法重新定义类分布,最终流失客户和非流失客户在数量上达到了平衡。为了确定重采样算法对预测模型性能的影响程度,将基于SMOTE-ENN算法重采样数据构建的的模型同基于其他单一的重采样方法搭建的模型进行性能比较。在确定了重采样方法后,本次研究采用将极限学习机与遗传算法模型融合的模型,为了研究组合算法的预测性能,将组合算法和其他常见分类算法作比较,对比精度、查准率、查全率、AUC值等指标结果。实验结果表明,采用SMOTE-ENN算法进行重采样能够提升客户流失预测分类模型的预测效果,以此为基础的极限学习机和遗传算法组合模型的各项指标得分位列前茅,AUC值达到0.8528,要高于其他常见的分类算法模型,由此可见采用极限学习机和遗传算法组合模型来预测社区团购业务领域的客户是否会流失是可行有效的。最后将通过基于K均值聚类算法的RFM模型对社区团购平台客户的价值分群结果和基于Relief算法的特征选择筛选出的变量指标结果综合考虑,提出相应的建议措施来避免社区团购平台客户流失,尽可能地降低社区团购平台客户的流失率。