黃金波 包利安 王艷 張景麗 楊軼
摘 要
近年來證券公司行業(yè)內(nèi)傭金價格戰(zhàn)愈演愈烈，同時“一人一戶”規(guī)定的取消，使得投資者在不同券商間的轉(zhuǎn)移能力提升，促使競爭的進一步加劇。這些新形勢都對券商服務和管理客戶的能力有了提出了新的挑戰(zhàn)。
本次實證研究旨在利用Logistic回歸、判別分析、相關(guān)分析等數(shù)據(jù)建模和分析方法，對A證券公司內(nèi)部客戶大數(shù)據(jù)進行挖掘，同時輔以客戶定量調(diào)研和定性訪談的中數(shù)據(jù)分析，對潛在流失客戶進行預測、識別和分析；使得該證券公司能在客戶流失之前就提前進行干預和維護，降低客戶流失率，提升高?？蛻艄芾砟芰托袠I(yè)競爭力。
關(guān)鍵詞：客戶關(guān)系管理；數(shù)據(jù)建模；潛在流失預測；行為干預
ABSTRACT
In recent years, there is an upward trends in terms of the intensity of the commission fee war for the securities industry. At the same time, the launch of a unified account platform accelerated the customer churn rate between Securities Companies and intensified the industry competitions further. These new circumstances has presented new challenges both in brokerage services and customer management ability in the industry.
This empirical research aimed to predict, identify the reasons and analyze potential customer defection using logistic regressions, discriminant analysis model and correlation analysis to mine the internal CRM data of A securities company combined with other qualitative and quantitative research of customers. Thus securities companyis able to intervene and prevent customer loss in advance, which will subsequently lead to a lower costumer attrition rate and increase the company’s CRM skill and competitiveness eventually.
KEY WORDS: Customer Relationship Management; Data Modelling; Potential Customer Loss Prediction; Behavior intervention
一、緒論
1.1 問題提出
1.1.1 證券行業(yè)景氣回暖但競爭加劇
證券行業(yè)在經(jīng)過幾年的回落后開始回升，越來越多的用戶開設賬戶，對于證券公司來說這是一個不缺客戶的時期。
然而證券行業(yè)內(nèi)傭金價格戰(zhàn)愈演愈烈，競爭加??；同時中國證券登記結(jié)算公司于2014年10月上線的統(tǒng)一賬戶平臺“一碼通”，取消了“一人一戶”的限制性規(guī)定，使得投資者在不同券商間的轉(zhuǎn)移能力提升，可能會導致券商之間的客戶流動加速。這對各家券商的服務和管理客戶的能力提出了新的挑戰(zhàn)：如何提升自身在渠道、服務和客戶體驗等方面的軟實力，進而提升客戶對自身的黏性，降低客戶流失率？如何準確識別出想離開的客戶并提前干預……這些客戶管理能力的具備與提升，就成為未來競爭的關(guān)鍵點。
1.1.2 進行潛在流失客戶預警工作的價值
常規(guī)的客戶滿意度研究，多著眼于客戶過往的服務體驗感受，但當客戶通過回訪電話、市場調(diào)研或投訴明確表達出其不滿意意見，該客戶往往已瀕臨流失邊緣或已經(jīng)流失了。因此客戶滿意度存在反饋信息滯后、無法預測客戶行為以便及時干預等缺陷，而潛在流失客戶的存在會為企業(yè)運營帶來不可預見的危機。
本次實證研究的目的，就是為某證券公司（后文稱“A證券公司”）進行潛在流失客戶的預警、識別及排出后續(xù)干預的優(yōu)先級順序，為A證券公司及時排除客群隱患、并在客戶選擇其他券商前進行有效維護提供寶貴的、即時的信息。
1.2 本次研究的三大核心目的
目的1：預警標記
整合A證券公司各渠道客戶數(shù)據(jù)庫，利用數(shù)據(jù)挖掘技術(shù)建立潛在客戶流失預測模型，識別并在數(shù)據(jù)庫中作出標記。
目的2：分析識別
抽樣選取被識別的潛在流失客戶進行定性和定量分析，了解并驗證其流失狀態(tài)、原因和去向，提煉關(guān)鍵影響要素，為后續(xù)建立模型判定潛在流失客戶流失去向提供依據(jù)。
目的3：干預排序
綜合流失可能性、流失去向、客戶價值、干預難度等多方面因素，對識別出來的潛在流失客戶進行干預優(yōu)先級排序，以便在現(xiàn)有的資源范圍內(nèi)進行更有成效的客戶干預行動。
二、文獻綜述
客戶流失預測一般會應用于競爭特別激烈的行業(yè)如電信業(yè)，也因此受到學術(shù)界和實業(yè)界的廣泛關(guān)注[1]。據(jù)文獻統(tǒng)計電信業(yè)平均每月客戶流失率約為2.2%[2]，而贏得一個新客戶所花費的成本大約是保留一個老客戶所花費成本的5~6倍[4]。
客戶流失預測研究開始于20世紀90年代，發(fā)展歷程可以劃分為三個階段：
第一階段利用了傳統(tǒng)統(tǒng)計學的預測方法，包括決策樹[5]、logistic 回歸[6 7]、貝葉斯分類器[8]和聚類[9] 等。Rosset等人[4]在引入客戶價值的基礎(chǔ)上，利用logistic 回歸建立客戶流失預測模型，發(fā)現(xiàn)其模型提升率得到較大的改善。
該類方法可以對定類數(shù)據(jù)和連續(xù)性的客戶數(shù)據(jù)進行處理，且對于所構(gòu)建的模型有較強的可解釋性，但不足體現(xiàn)在數(shù)據(jù)的非對稱性、處理大規(guī)模/高維等復雜客戶數(shù)據(jù)時代效果不理想和處理過程缺乏靈活性。
這些問題促使了人們考慮引入人工智能技術(shù)，以改善預測模型的性能和提高識別準確率。該類技術(shù)包括人工神經(jīng)網(wǎng)絡、自組織映射和進化學習算法。而后為了進一步提高預測模型的精度和穩(wěn)定性，近年來研究人員開始探索基于結(jié)構(gòu)風險最小化原則的預測方法，這使得研究跨入了第三階段，即基于統(tǒng)計學習理論的預測方法，主要以支持向量機為代表。
針對這些方法的應用現(xiàn)狀及本次數(shù)據(jù)情況和研究需求，本研究采用了如下設計以保證模型及應用效果:
A、考慮了顯性及隱性的銷戶情況，并重新進行組合，其實客戶類別并非需要完全對稱，只要預測目標類別的占比達到一定的比例，即可進行規(guī)模預測。
B、本次研究采用全量客戶數(shù)據(jù)，并按月提取客戶行為數(shù)據(jù)及銷戶數(shù)據(jù)，充分考慮了季節(jié)因素的影響，以及模型的應用環(huán)境。
向量機的預測還處于探索階段，利用成熟的方法（logistic回歸），采用全樣本方法、考慮季節(jié)因素以及考慮周全的影響指標體系，是本次預測模型成功應用的原因。
三、A證券公司潛在流失客戶的預警和標記
潛在流失客戶的預警和標記，使用的數(shù)據(jù)為A證券公司內(nèi)部與客戶的所有觸點的信息數(shù)據(jù)，分析方法將使用Logistic回歸模型，對客戶的流失概率進行預測。
3.1 A證券公司潛在流失客戶預警模型的建立準備
建立潛在流失客戶預警模型首先需要挖掘出可能幫助識別潛在流失客戶的關(guān)鍵事件或因素，然后據(jù)此建立預警模型，分析流失客戶特征及原因。
方法：桌面研究，內(nèi)部流程穿越，一線員工深訪，現(xiàn)有、已流失和競爭對手客戶深訪等。
產(chǎn)出：挖掘出基于交易行為、關(guān)鍵事件、客戶服務渠道接觸、服務流程觸點的滿意體驗等不同的關(guān)鍵事件或因素。
3.2 A證券公司潛在流失客戶預警模型的建立過程
3.2.1流失客戶預測模型操作步驟
步驟1，數(shù)據(jù)提取以及清洗
步驟2，對字段進行一級、二級處理和轉(zhuǎn)化。
步驟3，預測模型制作
模型原理：分析客戶大數(shù)據(jù)，找出所有滿足銷戶標準的客戶群所具有的共同特征，并利用影響銷戶的因素對未來客戶的動態(tài)進行分析預測是否有銷戶的可能。
3.2.2潛在客戶流失預測模型算法解讀
1. 數(shù)據(jù)采集時間段
2013年—2014年，近2年的數(shù)據(jù)
原始數(shù)字條有21103572條，結(jié)合考慮性別、年齡、中間字段缺失，最后進行模型運算的有10895021條。
2. 銷戶客戶的標準
由于aim1=1的顯性銷戶的比例只占0.7%，比例過小，不適合采用概率回歸預測模型，因此采用顯＋隱的綜合銷戶指標aim3,作為目標變量進行分析。
隱性銷戶客戶的定義：資金帳戶在6個月及以上的時間內(nèi)賬戶交易量為0，并且上個月資金量=<1000元
目標變量：aim3（是否銷戶），銷戶變量有三個，aim1(1為顯性銷戶,0為非顯性銷戶),aim2(1為隱性銷戶,0為非隱性銷戶)，aim3(1為顯性或隱性銷戶,0為非顯性和隱性銷戶)。
aim3=1 記錄數(shù):2026474 占18.6%
aim3=0 記錄數(shù):8868547 占81.4%
3. 模型預測使用方法
采用二元Logistic 概率回歸預測模型，具體處理采用逐步回歸法，并以Fisher 評分法進行優(yōu)化。另一種決策樹模型經(jīng)過嘗試本次不適用。
4. 模型變量的演化
主要從宏觀數(shù)據(jù)，客戶背景，交易行為和資金盈虧狀態(tài)4各方面對變量進行比較全面的搜集（基于定性、對證券行業(yè)的了解和已有的數(shù)據(jù)庫的情況），并對交易行為和資金盈虧狀態(tài)進行進一步的變量轉(zhuǎn)換，以取得所需要的描述客戶之前3-4個月表現(xiàn)的新指標來進行模型擬合。
初始自變量：共37個自變量，具體變量略。
一次處理變量：利用初始自變量之間的關(guān)系，得出新的變量。比如：資金流入率=資金凈流入/月日均資產(chǎn)
二次處理變量：對變量再次進行處理，作為最終變量在我們預測公式中使用。
模型最終使用的變量共20個，詳見下表。
5. 變量處理變化解讀
模型參數(shù)的結(jié)果包含了三個部分：1. “最大似然估計值分析”中的估計值展示了我們所使用變量的系數(shù)值。2.“優(yōu)比估計值（OR）”中對變量進行優(yōu)勢比計算，點估計值越高的變量，對于客戶銷戶的可能性影響越大。3. 預測概率和觀測響應的關(guān)聯(lián)－檢驗：對于預測的有效性進行檢驗。
6. 模型預測
最大似然估計值分析：分析了20個變量的系數(shù)值.
優(yōu)比估計值（OR）：對變量進行優(yōu)勢比計算，點估計值越高的變量，對于客戶銷戶的可能性影響越大。
模型使用公式：
P(y=1)=1/(1+exp(－(－5.65－0.032*age－0.0039*zhanglin+0.062*gender－0.151*city1－0.059*city2－0.002*mf_pre_three－0.655*mo_pre_thre－2.215*mp_pre_three+0.000000121*mf_pre_three－1.197*consif1－1.074*p_loss_rate_pre3－0.49*tu_fund_pre3_1+1.204*tu_fund_pre_3_2－0.915*tu_fund_pre3_3+1.891*to_cnt_pre3_1+3.41*to_cnt_pre3_2－0.01*tp_rat_pre3_1+1.94*tp_rat_pre3_2+0.654*tp_rate_pre3_2+0.581* tp_rate_pre3_3)))
本次模型在P=0.8時的表現(xiàn)：
本次建議運用P=0.8，在圖表3-1中，當概率點為46（P=0.8）時，fla1到達下降拐點，而fla1代表了在被預測為銷戶的人員中，真實的銷戶人員人數(shù)，說明了當0.8時預測正確的人數(shù)處于高峰即將下降的拐點。在圖表3-2中，當概率點為46（P=0.8）時pvplus處于穩(wěn)定的位置，okper和pvn處于下降拐點的位置，所以綜合幾組數(shù)據(jù)，我們選擇概率切點為0.8。
3.3 A證券公司潛在流失客戶預測模型結(jié)果及運用
3.3.1模型結(jié)果的檢驗
對于模型有效性以及準確性進行檢驗。
C是表示模型區(qū)分度的指標，c=0.962表示使用該模型時，觀察到事件發(fā)生的觀測的預測概率值比觀察到事件未發(fā)生的觀測的預測概率值更大的可能性為0.962,模型區(qū)分度較好。
在此次預測模型中，經(jīng)過似然比、評分的P值檢驗結(jié)果顯著，一致性比率較高，模型通過檢驗且準確度較高，模型準確率為96.0%。
按事件是否發(fā)生將觀測分為兩組，每組中各取一條觀測，形成一個觀測對。在一個觀測對中，如果如果事件發(fā)生的觀測的預測概率大于事件未發(fā)生的觀測的預測概率值，則定義該數(shù)據(jù)觀測對為和諧對；如果事件發(fā)生的觀測的預測概率值小于事件未發(fā)生的觀測的預測概率值，則為不和諧對；如果二者相等，則為結(jié)。一致性部分所占比例越接近100%說明模型預測準確性越好，本次一致性部分占比96.0%，效果較佳。
SAS的LOGISTIC回歸使用3種方法進行檢驗，分別是似然比檢驗、評分檢驗和Wald檢驗。當p小于給定的顯著水平時，則可以拒絕原假設，認為ln(p/(1-p))與自變量具有顯著線性關(guān)系；反之，則認為非線性關(guān)系。本次三種方法p值均小于0.05，說明ln(p/(1-p))與自變量具有顯著線性關(guān)系，模型顯著。
綜合評估本次模型的各種主要檢驗結(jié)果，模型的準確率和預測的有效性表現(xiàn)較好，可以進行應用。
3.3.2流失客戶預測模型的運用結(jié)果
模型的應用方式：以2015年1月為例，預測當月單個人的流失概率，應取2014.09-2014.12期間該個人數(shù)據(jù)代入模型，即可得出該個人的流失概率值。
模型最終實際運用情況：根據(jù)2014.09-2014.12四個月的數(shù)據(jù)，預測2015年1月潛在流失概率在0.8及以上的客戶57892名。
四、A證券公司的客戶流失去向判定及流失原因分析
雖通過預測模型準確識別了潛在流失客戶，但僅識別出流失客戶但不知其流失原因和去向，仍無法完成干預目的。因此本研究從預測出的潛在流失客戶中抽取了1245名客戶進行電話訪問和14名客戶進行深度訪談，在對模型準確性進行驗證的同時了解客戶的流失去向及原因，為后續(xù)進行流失去向判定模型的建立提供定性動因分析結(jié)論和定量數(shù)據(jù)基礎(chǔ)。
4.1 A證券公司的客戶流失原因定性定量分析
4.1.1 客戶流失去向和原因分析
據(jù)電話訪問和定性訪談結(jié)果，我們獲得了潛在流失客戶的流失去向及流失比例（同一個客戶可能同時有2個或以上流失去向，因此三個方向的比例加總超過100%）：
流失方向1：流失去競爭對手處，占比為9.0%。
核心流失因素有：
1、競爭對手傭金率
2、人情因素
3、競爭對手服務等
流失方向2：去投資房產(chǎn)或其他理財產(chǎn)品，占比為51.8%。
核心流失因素有：
1、投資品的收益高低
2、證券服務表現(xiàn)
3、個人投資需要等
流失方向3：個人/家庭消費或急用開支，占比為52.7%。
核心流失因素有：
1、生活消費：個人日常生活所需。
2、家庭消費：家庭大宗支出，如買房等。
對于流失去向為2和3的客群而言，通過定量分析我們發(fā)現(xiàn)其流失是可逆的，有35.3%的客群表示會在資金寬裕時，肯定會返回證券公司進行投資；另有56.4%的客戶表示可能會回歸。具體如下：
我們又抽取了“肯定”或“有可能”在資金寬裕時返回證券市場的客群進行進一步研究，發(fā)現(xiàn)高比例（高意愿客戶為63.3%）的客戶表示愿意將來將返回A證券公司進行交易。
建議A證券公司密切關(guān)注這部分潛在流失客戶，定期進行溝通和營銷，保證其在“假性”流失期過后，回歸證券市場時能依然選擇A證券公司。
4.1.2 客戶流失去向結(jié)構(gòu)及背景特征分析
將客戶的流失去向作為一級分類，將流失去向為2和3的未來重新回歸到證券行業(yè)的意愿度作為二級分類，并進行不同客群的組合，將整體客群分為三類：
1：高意愿客戶群：流失去向為2或3，且未來肯定或可能重新進行證券交易的客戶群
對于該群體來說，除了傭金率和地理位置為主要因素之外，還看重券商品牌實力/可信度，以及公司的市場資訊能力。
所以對于此類“可逆”的客戶來說，A證券公司在傭金、品牌和市場資訊的提供等方面的表現(xiàn)，對于挽回低意愿客群顯得至關(guān)重要。
2：流失去競爭對手客戶群：流失去向為1
券商傭金率的高低是主要原因，其次是地理位置、人情因素、交易軟件便利性等因素。
對于選擇去了實際傭金率更高的券商的客戶，他們似乎更在乎營業(yè)廳地理位置的便利性、交易軟件的易用性以及業(yè)務辦理和交易渠道便利性等其他因素，因此布局機構(gòu)位置、提升交易軟件的穩(wěn)定性、增強對于不同交易渠道的宣傳和使用指導，仍有較大意義。
3：未來明確不回歸證券行業(yè)的客戶群：流失去向為2或3，且未來明確不進行證券交易的客戶群
此類客戶目前已經(jīng)不活躍在證券行業(yè)，可挽回的幾率較小，挽回成本也較高。
4.2 A證券公司的客戶流失去向判別
4.2.1判別分析模型介紹
判別分析模型是按照客戶的特征及表現(xiàn)，來推斷客戶屬于哪一種類別的一種模型方法。
判別分析通常都要設法建立多個判別函數(shù)，利用這些函數(shù)進行判別。判別函數(shù)的一般形式：
Y=a1x1+a2x2+...anxn
其中:Y為判別分數(shù)(判別值)，x1 x2...xn為反映研究對象特征的變量，a1 a2...an為系數(shù)，也稱為判別系數(shù)；
判別分析的具體算法有距離判別、最大似然判別、Fisher判別等。
4.2.2潛在流失客戶判別模型邏輯思路
模型共29個變量：賬齡、資金利用率近三個月均值、月交易次數(shù)近三個月均值、持倉比例近三個月均值、資金流入率近三個月均值、盈虧率虧損比例、月度盈虧率變化趨勢、資金利用率變化趨勢-上升趨勢、交易次數(shù)變化趨勢-平穩(wěn)趨勢、持倉比例變化趨勢-上升趨勢、月度盈虧率正負-上升趨勢、月度盈虧率正負-下降趨勢、資金凈流入大于0時占月日均資產(chǎn)比例、一級城市、性別、年齡等等。
模型設計思路：對定量調(diào)研的1245名客戶的流失去向進行總結(jié)，找出不同流失去向的潛在影響系數(shù)，并據(jù)此預測大數(shù)據(jù)預測出來的潛在流失客群的流失去向；每個潛在流失客戶都將獲得三個去向的2種可能性，共計6種預測結(jié)果。
利用模型判別結(jié)果與定量調(diào)研中的真實流失去向進行對比，其中對于客戶流失去競爭對手去向的判別總體準確率比較高，有78%，但對于流失去投資房產(chǎn)/其他理財產(chǎn)品以及流失去個人/家庭消費的客戶群相對比較低，分別只有58%左右。主要因為客戶離開證券行業(yè)后的選擇去向與我們目前的數(shù)據(jù)關(guān)聯(lián)不大，更多是自身行為意識的表現(xiàn)。
通過定性定量調(diào)研為客戶流失狀態(tài)的大數(shù)據(jù)判別提供了參考，但是電話調(diào)研中能夠得到客戶的信息數(shù)據(jù)有限，對于客戶的流失狀態(tài)判斷不能純粹依賴這種定量調(diào)研方式，需要結(jié)合后臺大數(shù)據(jù)對客戶信息進行全面的整合分析才能夠進行判斷。
五、 A證券公司潛在流失客戶干預排序
潛在流失客戶價值分類幫助企業(yè)了解在流失客群中哪部分客群是高凈值客群，哪部分客群是長尾客群，根據(jù)客戶的價值可以在后期進行不同的挽回機制與優(yōu)先次序。
5.1 A證券公司的客戶價值分類模型
5.1.1價值影響因素
影響客戶價值的分類，從影響其價值影響因素確定開始，A證券公司的客戶價值分類主要根據(jù)以下四點因素，并賦予不同的權(quán)重：
1：月日均資產(chǎn)>=1000的月度 月日均資產(chǎn)均值，權(quán)重48%。
2：月傭金均值，權(quán)重32%。
3：月度盈虧總和與月日均資產(chǎn)總和的比值，權(quán)重5%。
4：賬齡：權(quán)重15%。
5.1.2客戶價值計算公式
5.2 A證券公司的客戶價值分類結(jié)果及分析
按照客戶價值分為10類，A證券公司可據(jù)此進行干預行動的優(yōu)先級排序：
六、核心結(jié)論及本次實證研究局限性
本實證研究采用宏觀與微觀、大數(shù)據(jù)（企業(yè)全量客戶數(shù)據(jù)）和中數(shù)據(jù)（客戶調(diào)研數(shù)據(jù)）相結(jié)合層層推進的實證分析方法，對A證券公司的潛在流失客戶進行了識別和預測，同時從實操的角度進行了衍生，嘗試進行流失去向判定和客戶價值分級，對后續(xù)進行干預提供了參考信息。
研究結(jié)論包括:
1.建立了潛在流失客戶預警模型，并預測出2015年1月潛在流失概率在0.8及以上的客戶57892名。該模型經(jīng)過似然比、評分的P值檢驗結(jié)果顯著，一致性比率較高，模型通過檢驗且準確度較高。
2.利用中數(shù)據(jù)我們獲得了客戶流失去向的可能方向、流失原因及對應影響因素。
基于此，我們通過判別分析模型嘗試進行潛在流失客戶流失去向的判定工作，針對每個客戶都獲得了三大流失去向上的“0-否”和“1-是”的2個概率判定結(jié)果。通過客戶定量調(diào)研結(jié)果驗證發(fā)現(xiàn)，流失去向判別模型也取得了較高的預測準確率。
3.獲得客戶流失去向后，我們還進一步進行了客戶價值的分級。
在獲得以上研究結(jié)論的同時，本研究課題仍需進一步解決的問題包括：
1、如何解決潛在流失客戶預測模型因數(shù)據(jù)問題而帶來的模型局限性
部分關(guān)鍵變量數(shù)據(jù)缺失：在潛在流失客戶預測模型的構(gòu)建過程中，由于各個變量（傭金率、年齡、性別、日常渠道接觸、關(guān)鍵事件等）有不同程度的缺失，對模型的體系完整性和效果造成一定影響；
2、顯性銷戶數(shù)據(jù)過少：由于顯性銷戶占所有客群的比例僅為0.7%，不適合采用概率回歸預測模型，因此采用（顯＋隱）的綜合銷戶指標aim3,作為目標變量進行分析。但隱性銷戶畢竟不等同于顯性銷戶，可能會帶來一定的模型誤差。
目前考慮的解決方式有：在A證券公司的服務觸點環(huán)節(jié)建立起關(guān)鍵變量的數(shù)值獲取渠道，進一步補充客戶CRM體系；增加相較于傳統(tǒng)CRM數(shù)據(jù)而言更為生動的社交媒體數(shù)據(jù)或文本，嘗試改進現(xiàn)有的潛在流失客戶預測模型結(jié)論。
3、對于潛在流失客戶的后續(xù)干預效果未有數(shù)據(jù)化跟蹤，如能建立起后續(xù)跟蹤干預的信息化系統(tǒng)，有助于進一步優(yōu)化干預措施并反過來優(yōu)化模型設計，形成良性閉環(huán)。
4、本次實證研究所采用的大數(shù)據(jù)的時間段，正處于上證指數(shù)快速攀升期。而在牛熊市中，投資者的交易、賬戶和渠道行為特征會有較大差異。本次實證研究并未將大盤指數(shù)的變化因素考慮在內(nèi)，在一定程度上降低了模型的實際應用性。
參考文獻
[1] Keaveney S M. Customer Switching Behavior in Service Industries: An Exploratory Study[J]. Journal of Marketing, 1995, 59(2):págs. 71-82.
[2] MC M, R W, DB G, et al. Predicting subscriber dissatisfaction and improving retention in the wireless telecommunications industry[J]. Neural Networks, IEEE Transactions on, 2000, 11(3):690 - 696.
[3] Athanassopoulos A D. Customer Satisfaction Cues To Support Market Segmentation and Explain Switching Behavior[J]. Journal of Business Research, 2000, 47(98):191–207.
[4] B. Bhattacharya C. When Customers Are Members: Customer Retention in Paid Membership Contexts[J]. Journal of the Academy of Marketing Science, 1998, 26(1):31-44.
[5] Wei C, Chiu I. Turning telecommunications call details to churn prediction: a data mining approach[J]. EXPERT SYSTEMS WITH APPLICATIONS, 2002, 23(2):103-112.
[6] Kim H, Yoon C. Determinants of subscriber churn and customer loyalty in the Korean mobile telephony market[J]. Telecommunications Policy, 2004, 28:751–765.
[7] Rosset S，NemnannE.Integrating Customer Value Considerations into Predictive Modeling[C]. 2013 IEEE 13th International Conference on Data Mining, 2003:1-8
[8] Nath S V．Datawarehousing and mining:Customer churn analysis in the wireless industry.[D]．A thesis submitted to the faculty of the college of business in requirements for the degree of master of business administration，May 2003．
[9] Yi Ming，HuiWan，LeiLi，etal． Multi-dimensional model-based clustering for user-behavior mining in telecommunications industry[C]. // Proceeding of the Third International Conference on Machine Learning and Cybernetics，Shanghai，2004．26—29．
