電子商務客戶流失的DBN預測模型研究

周婉婷，趙志杰，劉 陽，王加迎，韓小為

1.哈爾濱商業大學 計算機與信息工程學院，哈爾濱 150028

2.哈爾濱商業大學 黑龍江省電子商務與信息處理重點實驗室，哈爾濱 150028

大數據時代下，電子商務的快速發展使得行業之間的競爭愈發激烈，客戶對產品與服務信息獲取渠道越來越多，電子商務企業面臨著產品同質化嚴重、同行競爭加劇，從而導致新增客戶獲取困難、成本增加等行業問題。同時，電子商務市場不同于傳統線下市場能獲取到穩定客源，客戶流失量較高。因此對于電子商務市場而言，維護好留存客戶，保持客戶忠誠度，降低客戶流失率是當前面臨的主要問題。電子商務客戶流失預測可以幫助商家預測流失趨勢，構建適合電子商務數據特性的影響因素指標體系，有針對性地提出挽留措施，提高商家利潤，因此，電子商務客戶流失預測是電子商務領域的一個重要研究方向[1]。

一般傳統線下的客戶關系主要靠契約維持，而電子商務中的客戶關系屬于非契約關系，致使客戶流失的可能性增加。針對電子商務非契約的不穩定環境，學者通常將客戶流失當作二分類任務，選取當下流行的機器學習模型及其集成方法解決預測精確度問題。然而在上述模型與方法中學者通常使用全數據輸入模式進行方法比較從而忽視了不同類型客戶的流失預測情況。目前，針對于客戶流失原因的研究，學者們遵從Farquhar提出的七大主題處理流失問題，對電子商務客戶流失具有的隨機性、時變性等變化特性關注不夠。

本文將UCI數據庫的電子商務零售數據集分為活躍和非活躍用戶兩類。通過考察電子商務零售的數據特性，結合客戶流失相關研究，優化傳統RFM理論模型，以構建較為全面的電子商務客戶流失因素體系。采用深度信念網絡（deep belief networks，DBN）實證模型對電子商務客戶流失進行預測，以提升模型預測性能。最后，提取DBN模型的權重矩陣，計算電子商務客戶流失影響因素的相對強度，為不同類型電子商務客戶流失原因提供合理解釋，以便為企業進行客戶管理提出有針對性的建議與策略。

1 客戶流失相關研究

客戶流失預測是利用客戶記錄的歷史數據對潛在的流失客戶進行判斷的過程[2]。客戶流失的研究自20世紀90年代興起之后便一直深受國內外眾多學者的廣泛關注。目前，客戶流失研究主要集中于電信、金融等行業，而電子商務作為互聯網快速發展所衍生的行業，也受到了學者們的青睞。

國內外學者對于客戶流失的影響因素和流失的原因進行了大量的研究，Farquhar等討論了美國銀行業的客戶獲取和客戶保持之間的平衡問題，提出客戶價值、最大化信息等七個主題是處理好二者關系的基礎[3]。Meer等以荷蘭某網上銀行為研究對象，發現點擊流是研究客戶保持的較好方法[4]。文獻[5]從社交網絡的視角出發，利用自我網絡的相關理論，在電信行業中，構建了個體的度、聯系強度、個體的信息熵三個自我網絡特征變量。

根據客戶流失發展歷程和智能化程度的高低，許多機器學習模型及其集成方法在客戶流失預測中得到成功的應用，如決策樹[6]、支持向量機[7]、改進神經網絡[8]等。文獻[9]根據鐵路零散客戶流失的特征，為提高客戶流失的準確性與高效性采取了C4.5決策樹方法進行仿真預測。Gordini等利用支持向量機開發出針對B2B電子商務行業量身定制的客戶流失預測模型[10]。Amin等針對于不同公開可用的電信技術數據集，基于距離因子的分類器確定性估計概念提出了一種新穎的客戶流失預測方法[11]。

綜上所述，對客戶流失預測模型構建，研究方法多樣，但預測模型準確率有待進一步提升。文獻[12]為了驗證DBN算法在分類上存在更好的性能，使用UCI上的多個數據集進行對比實驗，實驗結果表明DBN算法比傳統的SVM、KNN等神經網絡的分類準確度更高。DBN算法是神經網絡的一種，既可以用于非監督學習，也可以用于監督學習，因此模型可以不受時間、數據形式等的限制。基于電子商務流失數據集中冗雜的時間數據以及復雜的客戶群體之間的特征選取，DBN算法可以運用BP層在預測領域中的優勢提升電子商務客戶流失預測的準確度，并通過訓練其神經元間的權重，可以讓整個神經網絡按照最大概率來生成訓練數據，并直接得到特征之間的權重大小確認電子商務客戶流失的影響因素。對客戶流失因素選擇，學者們大多基于傳統電信、銀行等線下實體店進行研究，鮮有研究考慮電子商務數據的時效性及客戶群體劃分情況，探討電子商務客戶差異性帶來的影響。因此，本文從客戶活躍角度出發，將客戶分為活躍與非活躍兩類，優化傳統RFM模型，確定影響因素指標體系。采用DBN方法構建電子商務客戶流失預測模型，并利用DBN模型的權重矩陣，計算權重系數，對比分析不同類型電子商務客戶流失因素的差異。以幫助企業盡可能吸引具有潛在價值的客戶，提升保留客戶的現有價值。

2 電子商務客戶流失預測模型構建

2.1 基于改進RFM的電子商務客戶流失理論模型構建

在客戶關系管理上RFM模型理論是一種重要的客戶價值分析模型，1994年RFM模型首次被美國數據庫營銷研究所Hughes提出[13]，被廣泛應用于客戶關系管理領域中。RFM模型由R（recency）、F（frenquency）及M（money）三個重要指標組成。R表示客戶最近一次購買的時間間隔。從企業的角度考慮，最近才購買過產品、服務的客戶是最有可能接受再次購買行為的客戶，吸引一名購買時間間隔短的客戶所花費的成本遠小于吸引一名購買時間間隔長的客戶。R值越小則表明客戶在近段時間內有過交易行為，客戶的依賴性較高。F表示客戶單位時間內進行的消費次數。對于商家而言，購買的頻率越高則表明客戶對產品或服務的滿意度越高、客戶的忠誠度也越高。F值越大，客戶再次購買的意向越高。M表示客戶在一段時間內消費總金額。對于企業來說，購買金額越高則表示客戶的價值越高。M值越大，表明客戶最有可能在未來一段時間內產生更高的價值。

考慮電子商務客戶沖動購買心理及進入商家的時間長度，結合學者對客戶價值的研究，除RFM模型中頻率（F）、時間間隔（R）、金錢（M）指標外，還引進了客戶購買的最大金額（MM）、進入店鋪的時間長度（L）、購買天數（D）以及購買的概率（G）。其中，進入店鋪的時間長度指客戶在觀察期內第一次消費的時間距離客戶最后消費時間的長度，概率是指客戶在已消費的天數中平均每天購買的次數。本文構建的RFM模型假設如下：

時間間隔（R）：客戶在觀察期間第一次消費的時間距離觀察期最后一次消費時間長度（流失期限中）；

頻率（F）：客戶在單位時間上購買的次數；

金錢（M）：客戶在觀察期消費的總金額；

最大金額（MM）：客戶在觀察期消費的最大金額；

進入店鋪的時間長度（L）：客戶在觀察期后第一次消費時間距離客戶最后消費的時間長度；

購買天數（D）：客戶在觀察期總消費天數；

概率（G）：客戶在觀察期內消費的天數中平均每天購買的次數。

RFM電子商務客戶流失理論模型見圖1。

圖1 RFM電子商務客戶流失理論模型Fig.1 Theoretical model of RFM e-commerce customer churn

2.2 基于DBN的電子商務客戶流失預測實證模型構建

DBN是深度學習方法中的一種常用模型，是一種融合了深度學習與特征學習的神經網絡。DBN網絡結構是由若干層受限玻爾茲曼機（restricted Boltzmann machine，RBM）和一層BP組成的一種深層神經網絡[13]。DBN結構如圖2所示。

圖2 DBN結構示意圖Fig.2 DBN structure diagram

DBN訓練過程由預訓練和微調構成，數據首先由輸入層輸入到網絡結構中，生成一個向量V，通過權重值W傳給隱藏層得到H，單獨無監督訓練每一層RBM網絡，確保特征向量映射到不同特征空間，最后由BP網絡接收RBM的輸出特征向量作為它的輸入特征向量，反向傳播網絡自頂向下將錯誤信息傳播給每一層RBM，微調整個DBN網絡，進行有監督的訓練，最終得到網絡中的權重以及偏置。

2.2.1 受限玻爾茲曼機

RBM是1986年由Smolensky提出的一種可通過輸入數據集學習概率分布的隨機生成神經網絡。RBM模型是包含一種可觀察變量(v)和單層隱藏變量(h)的無向概率圖，RBM只有兩層神經元，它是一個二分圖，兩層間的單元相互連接，層內的任何單元之間不存在連接。RBM結構見圖3。

圖3 RBM結構示意圖Fig.3 RBM structure diagram

RBM是一種基于能量的模型，任何兩個連接的神經元之間都有一個權重W來表示連接權重Wij，Wij表示可觀察變量單元i和隱藏變量單元j之間的權重，觀察層與隱藏層分別用v和h來表示，則連接權重與偏差決定的觀察層變量v和隱藏層變量h的聯合配置能量如下[14]：

其中，ai是可觀察層單元的偏置，b j是隱藏層單元的偏置，Wij為可觀察層單元與隱藏層單元之間的連接權重，基于能量函數的可觀察層和隱藏層可以得到概率分布[15]：

其中，Z為配分函數的歸一化常數，即所有參數下的能量之和，該函數累加所有可觀察向量和隱藏向量的可能組合。

RBM中的每層中的神經元只存在兩種狀態0或1，給定任意層中的各神經元的狀態，可以得到可觀察層神經元和隱藏層神經元的狀態概率如下[14]：

根據Hinton在2002年提出的對比散度，可知參數的變化規則如下[14]：

2.2.2 BP神經網絡

BP神經網絡是一種多層的前饋神經網絡，其輸出結果采用的是前向傳播，誤差采用反向傳播方式進行的。BP神經網絡是含有輸入層、隱藏層和輸出層的三層神經網絡結構[16]。具體如圖4所示。

圖4 BP神經網絡結構圖Fig.4 BP neural network structure diagram

BP神經網絡由上一層神經元連接到下一層神經元時可以接收到上一層神經元傳遞來的信息，并經過“激活”將接收到的值傳遞給下一層。對于誤差的反向傳播是從下一層神經元傳遞給上一層神經元，一次性調節隱含層到輸出層的權重和偏置，輸入層到隱含層的權重和偏置。

3 實驗結果及分析

本文主要運用拐點理論確定流失期限，利用客戶購買天數確定個體的活躍度閾值，將其分為活躍與非活躍用戶兩類。對數據進行集成、歸一化等預處理操作，提升數據質量。優化RFM模型，確定影響因素，結合DBN方法，構建活躍與非活躍客戶的流失預測模型。著重分析活躍客戶流失及非活躍客戶不流失的影響因素權重大小，提出挽留建議措施，進而幫助企業更好地進行客戶關系管理，增強客戶依賴性，減少客戶流失，獲取更大的利潤。電子商務客戶流失預測流程主要包括3個步驟：數據來源及預處理，優化RFM模型和DBN模型的客戶流失模型構建及影響因素權重計算。具體如圖5所示。

圖5 電子商務客戶流失預測流程圖Fig.5 Flow chart of e-commerce customer churn prediction

3.1 數據來源與預處理

3.1.1 數據來源

本文數據集來自于加利福尼亞大學機器學習UCI數據庫（http：//archive.ics.uci.edu/ml/datasets.php），數據集中包含2010年12月至2011年12月（包括這一個月）真實的在線零售客戶數據。一共包括7個原始數據屬性，主要由客戶標號、商品單價、購買數量、生成交易的日期等組成。從該數據集中首先刪除2010年至2011年期間只存在一次購買行為的客戶數據，其次選取真實進行在線零售的840位客戶進行電子商務客戶流失研究。

針對結構化的數據所存在的缺失值、數據噪聲、標準不規范等問題，本文對原始數據采取數據清洗、集成等預處理操作。將840位客戶都存在首次購買行為的時間段設為觀察期，根據數據集可知本文研究客戶流失的觀察期為2010年12月到2011年3月，共計4個月。在觀察期間內將同一客戶不同時間段購買的多條數據整合成一條數據，將原始數據中的157 510條數據整合成840條數據。通過整合變換原始數據集中的屬性生成新的屬性維度，如一位客戶在觀察期內存在n天不同的數據，則這位客戶的購買天數為n；在觀察期內這位客戶的最終購買時間減去最初購買時間得到客戶購買的時間間隔；在觀察期內購買天數中購買的最大金額為最大金額等。具體維度介紹見2.1節。數據集最終選取共840名客戶進行實驗。電子商務零售業部分數據集如表1所示。

表1 電子商務零售業部分數據示例Table 1 Some examples of e-commerce retail data

3.1.2 客戶流失期限確定

客戶流失期限的確定一直是電子商務客戶流失關注的問題，電子商務客戶流失管理是基于非契約的客戶關系，客戶未與商家簽訂契約，存在著隨時進入市場隨時退出市場的可能。對于電子商務的客戶而言，電子商務的客戶消費習慣存在著周期性，當客戶首次消費之后，存在著一段時間的無消費周期，但在未來的某一時間若還會出現消費行為，則代表客戶回購，若未出現消費行為，則代表客戶沒有回購，客戶徹底流失，其中首次購買后無消費的周期則為流失期限，具體見公式（8）：

客戶流失期限的長度與客戶的回購率成反比，本文設定了不同時期的流失期限長度進行客戶回購率的統計，并觀察客戶回購率隨客戶流失期限的增大時的收斂速度，本文以“月”為單位設定流失期限，根據不同流失期限回購率的變化曲線，使用拐點理論進行流失期限的設定，如圖6所示。

圖6 流失期限與回購率示意圖Fig.6 Schematic diagram of churn period and repurchase rate

拐點理論是指X軸上的數值增大時Y軸上的數值隨之變化，直到到達某個點時，Y軸變化的程度明顯減少，則稱為“拐點”。由圖所知，隨著流失期限增大，用戶回購率一直降低。當流失期限為4個月時，回購率降低幅度明顯減小。因此，設置4為拐點。

根據拐點理論知，客戶流失期限為4個月，具體表現在2010年12月至2011年3月之間有過購買行為，且連續4個月間未發生購買行為的客戶，稱之為客戶流失。

3.1.3 客戶活躍閾值確定

選取2010年12月到2011年3月份的所有客戶的數據，統計這4個月中消費者消費的天數，繪制漏斗圖，具體如圖7所示。

圖7 客戶活躍漏斗圖Fig.7 Customer active funnel diagram

運用客戶購買的天數這個屬性加以漏斗圖與其轉化率可以解決客戶是否活躍的問題。如圖所示，購買天數大于等于3天的時候，轉換率大于50%，且與購買天數大于等于4天的轉換率差別不大，所以確定活躍的購買天數為3天及以上，將數據分為了活躍與非活躍兩大類，活躍用戶為購買天數大于等于3天的客戶群體，非活躍用戶為購買天數小于3天的客戶，將數據集劃分成活躍用戶群體380位，非活躍客戶用戶460位。

3.1.4 數據歸一化

基于活躍與非活躍用戶的數據存在穩定的標化趨勢，并未具有極端的最大值與最小值。為了確保數據的有效性，將整合的數據經過活躍劃分后進行最大最小值標準化處理，使得數據便于比較。對原始數據進行了收縮轉變，讓數據轉換成區間[0，1]中的值，其中屬性的最大值為max，最小值為min，X′為X標準化之后的值，公式如下[17]：

3.2 DBN實證模型參數及結構設定

根據DBN流失預測模型的構建，將活躍用戶數據集中380位客戶以及非活躍用戶數據集中460位客戶導入各自的模型中，運用Matlab工具，得出活躍用戶數據集模型的精確率為93.16%，非活躍用戶數據集中的模型的精確率為78.7%。分別得到7×13×2的網絡結構以及7×7×2的網絡結構。

3.2.1 DBN實證模型參數選擇

DBN模型是一種生成型的神經網絡模型，其組成部分包括三層即輸入層、隱藏層和輸出層。客戶流失模型中將優化后的7個指標作為輸入層的神經元節點數，輸出層神經元節點數就是目標是否流失。其中X1為時間間隔（R）、X2為客戶進入商家的時長（L）、X3為購買頻率（F）、X4為購買概率（G）、X5為消費總金額（M）、X6為最大消費金額（MM）、X7為消費天數（D）；y1為客戶流失、y2為客戶非流失。

DBN模型隱藏層的選擇至關重要。增加隱藏層可以適當地降低網絡誤差，提高精度，但同時會使得網絡復雜化，增加了網絡的訓練時間導致出現“過擬合”的傾向。因此，本文設置1層隱含層進行訓練。

將優化得到的RFM模型中的7個指標作為輸入層輸入到DBN網絡結構中，可知DBN輸入節點數n為7，輸出類別l為2，根據Kolmogorov定理[18]計算隱藏層神經元個數m，公式如下：

通過公式可確定隱藏層節點數m=[4，5，6，7，8，9，10，11，12，13]，對兩組數據分別訓練DBN模型，共2×10組實驗。通過活躍與非活躍數據集實驗結果對比確定單層隱藏層節點數。

客戶流失函數設置為隱層和輸出層神經元激活函數。DBN可分批次進行訓練，每批次訓練數據由訓練集樣本數和訓練批次共同決定，即每批次訓練數據為訓練集樣本數據與訓練批次的比值，對于活躍與非活躍的數據集來說，數據樣本不同，則每批訓練數據不同，活躍數據集的每批訓練數據為95次，非活躍數據集每批訓練數據為115次，最大網絡循環次數為1 000次。學習率的值設置為1，動量因子的值設置為0，這些值包含在RBM訓練參數中。BP訓練參數包括學習率，其值設置為2，動量因子，其值設置為0.9。將兩組預處理后的數據集按1∶1的比例分成訓練集與測試集輸入DBN模型中。

3.2.2 DBN實驗結果分析

設置并調整參數后，構建優化RFM與DBN電子商務客戶流失預測模型。活躍用戶的DBN實驗結果如表2。

表2 活躍用戶DBN實驗結果Table 2 DBN experiment results of active users

從表2中可知，在活躍用戶中DBN隱藏層為13層時，實驗誤差最小，準確率最高達到93.16%；由表中可知將活躍用戶的單層隱藏層節點數設置為13時，實驗結果最佳。輸出層為流失與非流失，得到一個7×13×2的網絡結構圖如圖8所示。

圖8 活躍用戶DBN結構Fig.8 DBN structure of active users

從表3中可知，在非活躍用戶中DBN隱藏層為7層時，實驗誤差最小，準確率最高達到78.7%；由表中可知將非活躍用戶的單層隱藏層節點數設置為7時，實驗結果最佳。得到一個7×7×2的網絡結構如圖9所示。

表3 非活躍用戶DBN實驗結果Table 3 DBN experiment results of inactive users

圖9 非活躍用戶DBN結構Fig.9 DBN structure of inactive users

3.2.3 DBN與其他預測方法對比

為進一步驗證DBN模型對活躍客戶細分的電子商務客戶流失預測模型的準確度，本文運用了隨機森林、SVM、貝葉斯神經網絡以及BP神經網絡四種預測方法進行了對比分析。具體實驗結果如表4所示。

表4 五種預測模型的準確率Table 4 Accuracy of five prediction models %

由表4可知，對于活躍用戶群體細分后的預測準確率方面，DBN預測模型無論是活躍用戶還是非活躍用戶的準確率都高于隨機森林、SVM以及BP神經網絡。而對于貝葉斯神經網絡而言，DBN預測模型中活躍用戶的準確率遠高于它，但對于非活躍用戶群體來說貝葉斯神經網絡的準確率略高于DBN模型。綜合活躍與非活躍用戶客戶流失模型的準確率，DBN模型相比于經典的流失預測模型而言更加有效。

3.3 電子商務流失客戶影響因素權重分析

經由DBN預測電子商務的客戶流失可以評估每個輸入變量與輸出變量之間的關系，得出每個變量之間的權重值，可由以下公式直接得出每個輸出層變量的最終權重[19]：

其中，Wki表示第k個隱藏單元和第i個輸入單元之間的權重；W jk表示第j個輸出單元和第k個隱藏單元之間的權重。RS ji是第i個輸入變量和第j個輸出變量之間的相對強度。

本文主要研究活躍客戶的流失，非活躍客戶的非流失原因，故運用RS ji統計量計算優化后的RFM模型中各變量權重，活躍用戶中影響客戶流失的各因素權值如表5所示；對于非活躍用戶中影響客戶未流失的各因素權值如表6所示。

表5 活躍用戶中影響客戶流失的因素權重Table 5 Weights of factors affecting customer churn among active users

表6 非活躍用戶中影響客戶未流失的因素的權重Table 6 Weights of factors affecting customer churn among inactive users

根據表5可知，活躍客戶中的流失與購買頻率、消費天數、最大消費金額、消費總金額、客戶進入商家的時長以及客戶購買概率成反比。根據影響因素權重的大小可知，消費總金額是影響活躍客戶流失的最主要因素，權重最大為0.147 9；其次為客戶的消費頻率，權重為0.134 5；第三為客戶進入商家的時長，權重為0.116 3。其余四個影響因素的重要程度排名依次是客戶的最大消費金額、客戶的購買概率、客戶的消費天數和客戶購買的時間間隔。

對于優化的RFM模型中同是表示時間間隔的客戶購買時間間隔以及客戶進入商家的時長而言，活躍客戶群體更關注的是客戶進入商家的時長，對電子商務客戶而言，客戶可以隨時進入商家的店鋪，也可以隨時流失。但對活躍的客戶群體來說，客戶進入商家的時長（L）權重系數為負，表明了進入商家時長越長的活躍客戶，則對商家存在一定的依賴性，時間越長忠誠度越高，則客戶越不容易流失。對于模型中同是表示頻率的購買頻率與購買概率而言，負向影響活躍客戶的流失，說明頻率對于活躍客戶的流失存在抑制作用，因為購買頻率越頻繁則減少了客戶轉移商家的風險，節省了轉移成本，在活躍客戶購買頻率越高，依賴性越強的情形下，客戶就自動減少成本，以至于減少流失。就模型中表示金額的消費總金額與最大消費金額而言，對于活躍客戶的流失存在顯著影響，消費總金額（M）的權重最大，系數為負，因此對于活躍客戶來說其流失的最大影響因素為消費金額。消費總金額越大說明了客戶對于商店的滿意度越高，信賴度越高，對商家建立了一定的客戶忠誠，有利于商家保持活躍客戶。

對企業而言，活躍客戶是企業的核心客戶，但活躍客戶中依舊存在著流失現象。帕累托原則表示，不同價值的客戶對企業的利潤貢獻度不同，企業80%的利益來源于20%有價值的客戶。為挽留活躍用戶中流失的高價值的客戶，由分析結果可知，企業應首先關注活躍客戶中客戶的總購買金額、消費頻率以及進入商家的時長。基于上述因素，為挽留客戶，企業首先應對流失客戶提出個性化金融服務，刺激其消費并提高購買總金額，其次，對客戶進行會員等級登記，根據會員等級的高低推出個性化商品折扣促銷，保持流失客戶的消費頻率。

根據表6可知，非活躍用戶中的未流失客戶與購買頻率、消費天數、消費的最大金額、消費總金額以及購買概率成正比，與客戶購買的時間間隔成反比。根據表中權重大小可知，購買頻率是影響活躍客戶流失的最主要因素，權重最大為0.758 1；其次為客戶購買的時間間隔，權重為0.069 2；第三為消費天數，權重為0.048 7。其余四個影響因素的重要程度排名依次是客戶消費總金額、客戶進入商家的時長、客戶消費最大金額和購買概率。

在非活躍客戶研究客戶非流失問題中對于優化的RFM模型中對比同是時間因素的客戶購買的時間間隔、客戶進入商家的時長和消費天數，可知對于非活躍客戶而言，影響客戶非流失的顯著影響因素為客戶購買的時間間隔和客戶消費天數。其中客戶購買的時間間隔（R）負向影響非活躍客戶的非流失，客戶消費天數（D）正向影響非活躍客戶的非流失，說明了在非活躍客戶群體中，客戶購買的時間間隔越短，消費天數越多，其非流失率越高。就模型中表示頻率的客戶購買頻率和客戶購買概率而言，雖兩者都正向影響客戶的非流失率，但是對比權重大小可知，就頻率因素而言，客戶購買頻率（F）顯著正向影響非活躍客戶的非流失率。對于模型中表示金額的消費總金額以及最大消費金額而言，兩者對非流失率都存在正向影響，但對比兩者權重大小可知，消費總金額相對而言影響強度大于最大消費總金額。而對于最大消費金額而言，非活躍客戶存在一定的沖動消費，在沖動消費期間客戶對商家存在短暫的客戶滿意，在此段時間過后，客戶存在著流失的風險，故對于非活躍用戶而言客戶的非流失率并未特別關注客戶的金額因素。在非活躍客戶群體中，對于購買頻率越高、時間間隔越短、消費天數越多的這類潛在有價值客戶可期發展成活躍客戶。

對企業而言，非活躍客戶群體中的非流失客戶是企業的潛在有價值客戶。根據Rosenberg和Czepiel對客戶價值的調查研究報告可以得出，開發一個新客戶所需的花費，相比較對于一個老客戶的維護費用，前者是后者近六倍的成本[20]。對于發展這部分潛在有價值客戶，由結果分析可知，企業應該關注非活躍用戶中客戶購買頻率、客戶購買的時間間隔以及客戶消費天數。企業對這類客戶，刻畫其用戶畫像，了解客戶的偏好，采取有針對性地對其推送感興趣商品的措施，提高其購買頻率以及購買天數，以期發展為活躍客戶。

4 結語

根據Reicheld的研究可知，如果能夠將客戶的流失率降低5%，就會給企業帶來至少1/4的利潤增長[21]。一個有價值的老客戶比一個新客戶對于商家而言，利益更大。本文針對傳統客戶流失預測模型全數據導入的局限性，提出了一種優化RFM理論模型與DBN實證模型，預測電子商務客戶流失情況，研究活躍客戶流失及非活躍客戶未流失的影響因素。實驗結果表明：（1）本文考慮到電子商務數據時變性特點及電子商務客戶本身的不穩定性，優化了傳統的RFM模型，構建了更全面的電子商務客戶流失影響因素指標體系，探討了各影響因素的重要性。（2）通過實證研究，對比分析5種客戶流失預測模型，DBN模型原理清晰，準確率高、效果好，在電子商務客戶流失預測模型中凸顯出較好的優勢。（3）本文基于活躍用戶流失和非活躍用戶不流失的獨特視角，對比分析了不同類型用戶的影響因素，探討了用戶差異造成的影響，為企業針對不同類用戶制定有效的管理策略提供參考，進而提升客戶忠誠度，獲得企業利益。