近年来,随着电子商务模式的兴起,网上购物变得越来越流行。网上购物在给消费者带来良好价值体验的同时,平台用户行为的不稳定性增加,客户流失率较高。新客户的产生会为企业带来收益,但相比较而言,保留老客户所需代价更小而获得的收益更大,因此,电子商务企业如要使自己在激烈的市场竞争中脱颖而出、占据优势就必须重视对客户的有效管理,降低客户流失率。网购客户不同于电信、银行等行业的客户,电信、银行等行业的客户属于典型的契约客户,客户状态易于界定,而网购客户,如电子商务网站客户,则属于非契约型客户,其行为具有不稳定性,客户状态难以预测。国内外有关客户流失预测的研究中涉足较多的还是电信、银行等行业,研究成果丰富,相比电信、银行等行业,当前国内外关于网购客户流失预测的研究成果较少,已有研究中预测方法也主要采用单一学习器及改进单一学习器。针对上述问题,本文探索性地采用Stacking集成方法构建网购客户流失预测模型,在不同网购客户数据集上对模型预测效果进行实验,过程中融入了覆盖率权重以及K-means聚类进行研究,研究具有一定的理论及实践意义。主要研究工作如下:首先,基于加权Stacking集成学习的流失预测。以J电商网站客户数据为研究样本,首先基于单一模型进行客户流失预测,随后以此为基础构建基于Stacking集成学习的二层融合模型,在组合二层数据集期间,创新性地融入覆盖率权重,将不同基学习器预测覆盖率占整体覆盖率的权重乘以各自基学习器的预测结果作为二层数据集。其次,融入聚类的加权Stacking集成学习流失预测。以KKBOX音乐流媒体平台网购客户数据为研究样本进一步探索基于Stacking集成学习方法构建的网购客户流失预测模型的预测效果。针对此数据集体量大且类别严重不平衡预处理后无法直接用于建模的问题,首先先对经过预处理后的样本数据基于K-means聚类技术进行聚类,再采用欠采样的方式进一步平衡数据集,最终应用于基于加权Stacking集成学习的二层融合模型中进行流失预测。相关实证研究结果均表明,相比单一预测模型,基于加权Stacking集成学习的二层融合模型在命中率、覆盖率、准确率、召回率以及F1分数上都有明显的提高,基于覆盖率权重的二层数据集对于正确预测流失客户具有正向的促进作用。