近年来,随着互联网行业的发展,尤其是互联网旅游业的爆炸式发展,使得消费者用户成为带动企业进步的主要动力,企业的利益也变得与用户息息相关。但是伴随着公司业务的多样化和用户数量的不断增加,各旅游企业每年收到的用户投诉数量也急剧增长。为保证企业自身收益不受损伤,各大运营商应对用户行为展开分析和研究,在用户发生投诉行为之前对用户采取适当的应对策略,有效降低用户投诉概率。本文的研究开始于用户投诉发生频繁的现代互联网消费市场,用户研究数据来自于互联网旅游企业——去哪儿网——现国内旅游搜索APP领军品牌。通过对注册用户相关特征的统计分析,对他们未来一段时间内投诉行为的发生概率做出准确预测。本文主要对用户自身特征和行为特征等做统计分析,即特征工程,详细地刻画用户画像,最后将用户特征分为用户基本特征、特殊群体特征、历史成单特征、其他统计特征和用户行为特征共五大类,再分别将各类特征与影响用户投诉的因素相结合,尽可能地增加新的用户特征,完善用户画像。接下来文章建.立了数学模型进行投诉概率的预测,文章选择了两个XGBoost模型和两个LightGBM模型,并且对这四个模型进行模型融合——对四个模型的结果做逻辑计算,结果即为模型预测出的用户投诉概率。最后,文章为模型选取合适的阈值来筛选出用户中的易投诉用户,并对他们采取合理的应对策略,最终达到降低用户投诉率的结果。文章在特征工程部分最终得到了 185个用户特征,这些特征是结合影响用户投诉因素所构造的特征,并不确认全部为有效特征,所以最后综合考虑了模型运行速度和效率后,从其中选取了重要性较高的60个特征来替代全部特征参与模型训练,模型效果虽有轻微下降,但执行效率大大提高。本文设计和实现了四个机器学习模型融合的方法,最终得到了一个完整的用户投诉模型来预测用户的投诉概率,经过多次训练和筛选,选定的最优模型的准确率和召回率均高达70%以上,项目上线效果较好,近一个月内的用户投诉率从原来的10%左右降低至3%以内,基本可以准确识别90%以上的用户投诉行为。本文在研究方向和研究方法上均有所创新,选择用户投诉这个方向是看到了企业运营过程中存在的问题,并运用较为全面和合适的特征和模型,对用户投诉做出了合理、准确的预测。本文研究结果具有较强的实际应用性。对于企业来说,有效地分析用户行为特性、预测用户投诉发生概率是改善企业、促活企业的重要方法之一。除此之外,制定合理的改善措施来面对这一系列问题是管理者与用户会之间的双向思考,不仅有利于提升用户产品体验感,也有利于企业充分认识自身不足并及时做出改变。用户投诉预测项目的研究分析可以带给相关企业以合理思考,用户投诉行为的发生并非无迹可寻,企业口碑受益的改善也并非无计可施。