[发明专利]一种供应商流失预测方法

说明书

本发明涉及一种供应商流失预测方法，首先根据实际问题的需求，结合到平台自身的数据，确定流失供应商的特征；其次利用MBCDK‑means欠采样方法对不平衡数据集进行采样，将不平衡数据转换为平衡数据集；然后利用遗传人工神经网络方法，对平衡数据集进行预测；最后，输出预测结果。本发明能够对供应商的流失进行准确预测。

技术领域

本发明涉及供应商流失预测技术领域，特别是涉及一种供应商流失预测方法。

背景技术

客户流失预测是客户关系管理中的一个重要问题。在当今日益竞争的商业环境中，客户可以轻松地在竞争对手之间切换。一些研究表明，获得新客户的成本通常比保留现有客户的成本贵5到6倍。同时，长期客户对竞争性营销活动的敏感度较低，利润较高。此外，客户的损失不仅会导致收入损失，还会导致品牌忠诚度下降以及影响公司的士气。因此，公司正在将重点从开发新客户转移到保留现有客户群。精确的客户流失预测有助于公司将合适的客户定位到保留范围内，因此被公认为营销优先事项。

客户流失意味着客户从公司取消服务，保留企业的现有客户起到重要作用，以增加公司的总体收入，并保留在竞争激烈的市场中的公司地位。导致客户流失的原因有很多，所以确定这些原因是相当复杂的，因为它们取决于客户的个人观点和客户正在利用的公司的服务，但是确定客户流失又是非常有必要的。

发明内容

本发明所要解决的技术问题是提供一种供应商流失预测方法，能够对供应商的流失进行准确预测。

本发明解决其技术问题所采用的技术方案是：提供一种供应商流失预测方法，包括以下步骤：

(1)采集反映平台的供应商流失特征的相关数据；

(2)将采集到的不平衡数据集划分为不平衡训练数据集和不平衡测试数据集；

(3)采用MBCDK-means欠采样方法将不平衡训练数据集转化为平衡训练数据集；

(4)采用遗传人工神经网络方法建立预测模型；

(5)采用所述预测模型对不平衡测试数据集集进行预测，输出预测结果。

所述步骤(1)中供应商流失特征包括：资质证书、公司类型、注册资金、注册信息完整度、关注标书个数、最近服务态度、公司资质、服务质量、产品质量、交货速度、诚信度、中标次数、投标次数、议价次数、登录次数、价格合理度和合同履约率。

所述步骤(1)和步骤(2)之间还包括对采集的数据进行预处理的步骤，具体包括：对数据进行数据集成；对数据进行清洗，包括清除噪声和删除不一致的数据；对数据进行变换，包括构造新特征以及数据归一化。

所述步骤(3)具体包括以下子步骤：

(31)将不平衡训练数据集划分为M个多数类样本和N个少数类样本；

(32)初始化聚类个数K；

(33)对M个多数类样本利用K-means算法聚成K类，对N个少数类样本聚成一类构成少数类子集；

(34)对于第i个多数类的聚类中心，计算其到少数类的聚类中心的距离其中，X_i表示第i个簇的的簇中心，X_N表示少数类的簇中心；

(35)计算多数类簇中心到少数类簇中心的平均距离

(36)从多数类的每个聚类中选择样本构成多数类子集，其中，样本数量为m_i表示第i个多数类簇的簇中的样本数；

(37)将多数类子集和少数类子集构成平衡训练数据集。

所述步骤(4)具体包括以下子步骤：

(41)随机产生第一代n个个体；