近年来,随着经济的快速发展,商业竞争越来越激烈,在竞争对手不断增多,业务多元化以及经济全球化的背景下,越来越多的企业认识到把握了客户就是把握了市场,也就在竞争中占据了主导地位。客户是促进企业长足发展的关键,有效地预测流失客户,挽留流失客户,对企业的生存和发展有着极其重要的意义。关于客户流失的分析在通信、金融等行业已有深入研究,通过建立客户流失预测模型也给相关企业带来了利润增长,但对于航空公司的客户流失问题一直未被重视。航空公司的服务质量、行业内的竞争以及其他的交通方式等都会造成航空公司的客户流失。因此,如何判断流失客户,继而提高客户的满意度、忠诚度是航空公司改善流失问题,保有自身市场份额并面对激烈竞争的关键。帮助企业建立一个合适有效的客户流失预测模型,帮助航空公司锁定具有较高流失倾向的客户,将损失降到最小,显得尤其关键。本文的主要目标是建立一个融合模型预测流失客户,融合模型基于五种常用的分类算法,融合了这些算法的优点,提高了预测的准确度,对于帮助企业精准高效的判断流失客户,削减企业成本,具有重要意义。本文采用的是航空公司的客户流失数据,由于所用数据属于非平衡数据,在对客户流失数据进行缺失值、异常值清洗等基本处理后,采用上采样和下采样结合的方法平衡数据的样本分布,使分类模型有更好的执行效果。由于客户流失数据变量较多,且各单一算法的应用前提不全相同,本文利用IV值及变量间的相关性筛选入模变量,使各算法的输入变量保持一致,然后分别建立判别分析、逻辑回归、决策树、神经网络、支持向量机模型。同时利用上述五种模型的结果,并引入第Ⅰ类错误构造函数,用拉格朗日乘子法求取融合模型的最优权重,最后,用上述模型的结果加权构造融合模型,并用融合模型预测客户流失数据。以预测精度、最小误分类错误和AUC值等对模型进行评价,分析比较几种方法在客户流失数据中的预测结果。通过对比上述模型结果,证实在判别分析、逻辑回归、决策树、神经网络、支持向量机模型中,判别分析模型准确度最差,但其第Ⅰ类错误最低,支持向量机模型的第Ⅰ类错误次之,仅比判别分析大1%左右,但其准确率及AUC值最高。逻辑回归、决策树、神经网络模型的第Ⅱ类错误结果较好,比支持向量机低4%以上,准确率与支持向量机相比低2%-3%左右,但他们的第I类错误比支持向量机高一倍,由于在预测流失问题中,除准确率外,第I类错误相对比较重要,综合来说,结果最优的是支持向量机模型。加权融合模型利用上述五种模型的预测得分,融合了各算法的优点,与单一算法相比,其第I类错误与第II类错误虽未能达到最低,但其两类错误均较小且相差不多,融合模型拥有最高的准确率及AUC值,说明无论是分类准确性还是预测精度都较高,误分类率较小,是一种准确有效的方法。本文创造性的将第I类错误引入构造函数中,并利用拉格朗日乘子法求取融合模型的最优权重,同时使用五种模型的最优权重和预测得分,构造融合模型,结果表明融合模型优于单一算法,是一种切实可行的方法。此外,本文的客户流失预测模型还可以从多方面进行改进。首先是建模方法上的改进,本文构造的融合模型基于最常用的五种分类算法,模型的精确度和误分类较单一算法虽然有所提升,但若能基于某些改进后的分类算法构造融合模型,将会得到更加精确的结果。可将部分算法更换为精确度更高的随机森林、梯度提升决策树等,但更换算法的同时,需要注意各算法之间应具有一定的差异性。其次,随着大数据的发展,客户流失的数据不仅限于航空公司的内部数据,还可以涉及互联网、第三方订票app的行为数据等,有助于航空公司从多方面判断客户行为,做出更加合理、全面的预测。这也是客户流失预测模型今后的研究方向。