随着国家供给侧结构性改革政策的逐步推进和当前货运行业日趋竞争激烈的市场格局,铁路货运行业面临着客户流失的风险,如何对货运流失客户进行高效管理是铁路货运营销部门需要长期面对的问题。本文运用数据挖掘技术对铁路海量货运客户数据进行挖掘分析,用于货运客户流失管理,并且从铁路货运行业实际需求出发,提出了货运客户细分、流失预测的研究方法,并在此基础上进行了货运流失客户挽留价值的研究,具有理论和实践意义。本文的主要研究工作包括:(一)结合铁路货运行业特征和铁路货运客户发货特征,提出了基于改进RFM模型的货运客户细分模型KFAV,该模型引入了货运客户发货周转量、货运客户发货倾向、货运客户货运贡献度等参数,具有较好的实践效果,并且针对传统k-means聚类算法具有聚类中心随机选择的缺点,提出了改进的k-means聚类算法,通过建立基于Hadoop的仿真平台,验证了KFAV模型良好的客户细分效果,并且证明了改进k-means算法的高效性,也验证了Hadoop平台在处理大数据方面的优越性。(二)在货运客户细分的基础上,结合铁路大宗货物和零散白货两大类货运客户的自身特点,分别提出了两类货运流失客户的识别方法,并建立了客户流失预测模型。对于铁路大宗货运客户,在KFAV模型的基础上,建立了基于货运客户价值分类的并行SVM客户流失预测方法;对于零散白货客户,引入了社会经济属性等参数建立货运客户流失预测模型,并针对预测模型参数特征,引入基于信息熵的连续属性离散化方法改进C4.5决策树作为货运客户流失预测模型的计算方法。分别对两类货运客户建立基于Hadoop的仿真环境,并对两类货运客户流失预测模型的准确性和预测能力进行了验证。(三)在货运客户细分和流失预测的基础上,提出了货运流失客户挽留价值模型的研究方法,该模型充分考虑了货运流失客户的未来潜力,挽留策略对流失客户的挽留效果以及挽留成本,通过设定阈值可以判断货运流失客户的挽留结果和挽留策略的执行效果,并且根据挽留价值可以设定流失客户的挽留优先级,通过实验也证明了对同一细分类别的货运流失客户制定有针对性的挽留策略效果更佳。