社会网络环境下的客户行为预测模型研究

随着企业客户精细化管理的日益深入，客户行为动态的跟踪与预测变得十分重要。现有的客户行为预测模型在预测准确性和对客户行为动机的理解方面经常无法达到预期效果，它们的基本假设是客户在行为上是独立的、互不相关的、彼此没有影响的，然而，客户在现实世界中处于社会网络环境中，网络组织由亲戚、朋友、同事等多种复杂的社会关系所构成，每个客户的行为都会在不同程度上受到其它人影响，所以要想对客户行为进行准确预测，就必须将客户放到社会网络环境中考虑。.本项目旨在研究社会网络环境下的客户行为预测模型，内容包括：（1）影响客户行为的网络属性的界定、分类与效果分析；（2）客户行为角色的分类和角色识别模型研究；（3）基于网络属性变量、客户主体特征及客户角色相集成的客户行为预测模型研究。通过本项目的研究，我们希望能够在现有的客户关系管理架构中有所创新，丰富客户评价和客户行为预测的方法与模型。

本项目旨在分析社会网络环境下的客户行为特点，发现客户的行为规律，了解影响客户行为的关键因素，进而构造客户行为预测模型。本项研究从三个方面展开：（1）影响客户行为的网络属性的界定、分类与效果分析；（2）客户行为角色的分类和角色识别模型研究；（3）基于网络属性、客户主体特征及客户角色相集成的客户行为预测模型研究。. 本项目基本完成了项目的预定目标，主要研究内容包括：（1）网络属性分类及客户流失行为影响因素研究。在研究过程中，采用了影响客户行为的传统属性和网络属性，并进行了两类属性的单独和组合验证。（2）社会网络环境下的客户行为预测模型研究。预测模型的构建采用传统属性和网络属性相结合，机器学习方法和信息扩散模型相结合。基于实际数据的实验表明提出的模型与传统模型相比，较大地提高了预测准确度。（3）客户在产品信息扩散过程中的角色研究。在此研究中，分析了网络属性对信息扩散的影响，并构造了客户信息扩散作用评估模型。（4）加权社会网络的骨干结构抽取模型和骨干结构特征研究。在这项研究中，我们提出了一个基于边权对社会网络进行层次分解的方法，并针对基于移动通信数据所构造的社会网络的骨干结构进行了渗透性分析、自相似与分形分析、全局信息扩散效率分析和与其它概念网络的比较分析。（5）针对具有社团结构的复杂网络信息扩散关键节点识别方法研究。首先，针对传统关键节点识别方法在具有社区结构的复杂网络中的局限性进行了分析，其次，提出了一个新的基于独立层叠信息扩散模型、键渗逾过程和k-medoid聚类算法相结合的关键节点识别方法。实验结果表明，这个方法有较高的准确率。（6）基于社会网络分析方法的企业运营指标网络研究。本研究提出了企业运营监控指标网络的概念，并基于指标网络与复杂网络的相关知识，分析了指标网络中节点的属性。以通信企业运营指标网络为例，进行了实证研究。（7）基于复杂网络方法的时序数据聚类模型研究。本研究提出了一个针对时间序列数据波形相似的聚类算法。这个算法利用了复杂网络的基本原理，在不降低聚类效果的前提下，能够较大地提升聚类的效率。. 在项目研究过程中，项目团队已发表的成果包括：（1）在国际学术期刊发表4篇SCI检索文章，1篇EI检索文章；（2）在国际学术会议发表2篇EI检索文章；（3）在国内核心期刊发表2篇文章；（4）完成博士毕业论文和硕士毕业论文各一篇。