众所周知,在客户关系管理中,提前发现潜在流失客户并采取个性化激励措施已经成为企业持续健康发展的一个重要命题。一直以来,学术界和工业界都在积极探讨由数据挖掘技术支持的客户离网预测解决方案,并取得了令人瞩目的研究成果,然而,在流失预测、欺诈识别、疾病检测、事故监控等领域,数据失衡的情况时有发生,绝大多数机器学习算法都不能从不平衡数据中正确学习,相关工作主要集中于提高分类模型的精确度方面,忽略了细分受众群的作用。即便考虑了客户细分的影响,也只利用客户交易数据来进行定量分析,对客户分群问题的解释度不够,对后续客户离网预测的意义不大。因此,本论文展开了客户细分和流失预测两个方面的研究,同时还引入了纵贯其中的两大保障体系:“数据挖掘技术”以及“科学评估指标”,采用理论结合实践的方式,主要完成了如下工作:(1)研究了数据处理技术、客户细分方法和流失预测方法分析了数据的规范管理、数据的可靠集成、数据的有效清洗、“距离”的弹性度量方法、数据的合理变换、数据的灵活拆分、数据不平衡问题的无偏性处理、特征的条件提取、特征的正确选择和算法导论。(2)解决了银行客户细分问题将自适应权重的双级聚类算法推进应用、深化和验证。首先,结合哑编码、正则化等数据预处理手段,运用PCA对属性变量进行维数约简的聚类归并,自动调整特征投影系数,可以解决现有研究可能存在的信息受损、多重共线性、数据冗余等问题,然后采用K-Means++算法对客户类别进行高度抽象的聚类细分,并引入有效性评价指标Inertia和Silhouette确定具有突出影响的最佳聚类参数,对聚类结果加以检验,模型表现较好,解决了长期以来客户分群碎片化、信息过载等复杂问题。(3)设计了一种基于客户细分的银行客户离网预测解决方案首先,提出了一种异源集成算法G_R_L_D,应用于不平衡数据构建的客户流失预测模型,精确率达79%,优于绝大多数常见机器学习算法,有助于对抗数据失衡。然后,采用SMOTE-ENN采样,有效处理了银行客户流失数据的全局不平衡特性,提高召回率的同时保持了高精度,并进一步将G_R_L_D模型及其基准分类器的准确率提高了 3%以上。最后,提出了单边SMOTE-ENN纠偏采样,有效处理了银行客户流失数据的局部不平衡特性,并针对不同客户群进行个性化建模,查准率优化了1%,其他性能指标总体表现平稳、稳中有进。