随着全球的商业竞争愈来愈激烈,客户流失预测已经成为客户关系管理中非常重要的内容。预测即将流失的客户,并制定相应的措施挽留客户已经成为促进企业发展的关键性因素。本文从对电信和信用卡客户的行为数据分析入手,针对其中的冗余特征和正负类样本不均衡等特点,提出一种新的特征选择算法和非均衡数据处理算法,以此建立一种新的客户流失预测模型。本文的主要工作内容如下:1.针对客户信息数据量大且特征冗余的问题,提出一种多指标融合的mRMR特征选择算法(MIF-mRMR)。该算法对mRMR算法进行改进,将马氏距离和最大信息系数相结合来综合评定特征和类别、特征和特征之间的相关性。实验结果证明,该算法所选择的特征子集维度较小,且与mRMR算法相比准确率提高3%左右。2.针对客户数据中流失客户与正常客户比例相差较大的问题,提出一种基于边界混合采样的非均衡数据处理算法(BMS)。该方法首先通过引进“变异系数”找出样本的边界域和非边界域,然后对边界域中的少数类样本进行过采样处理,非边界域中的多数类样本进行欠采样处理,从而实现原始样本的均衡化。实验结果证明,该算法与其它3种流行的非均衡数据处理算法相比均能有效地提升少数类样本的识别性能。3.基于以上内容,提出一种新的客户流失预测模型。该模型首先分别使用MIF-mRMR算法和BMS算法对数据进行特征选择和均衡化,然后将均衡化后的数据送入SVM、C4.5和随机森林3种分类器进行流失客户的预测。实验结果表明,使用该模型能够得到较好的客户流失预测结果,同时SVM分类器相较其他两种分类器更适合客户流失预测的研究。