随着数字化进程不断推进,大量企业在加速各类流程自动化的过程中逐渐引用数据库、云存储等技术平台,积累了大量客户数据。由于大数据技术逐渐成熟,一些企业开始从客户数据中挖掘有用信息,以指导企业更好地运营。目前,市场竞争日趋激烈,同行业的产品同质化现象日益严重。客户成为企业赢得市场先机的重要资源。在产品同质化背景下,客户占据绝对的主导地位,一旦企业无法满足其需求或者有更优的替代选择,就很容易导致客户的流失。特别是对于B2B企业,寻找新客户需要耗费巨大的人力成本,客户留存显得尤为重要。其吸引新客户带来的效益正逐渐降低,而保留老客户却能从中大大获益。本文基于该背景,以X公司为例建立B2B企业的客户流失预测模型,旨在从已有客户信息中挖掘客户流失信号,并一定程度上指导X公司制定客户挽留策略、对自身产品及服务等进行改善升级。本文从客户流失大背景切入,根据B端客户流失行为的自身特点,结合已有文献结论和X公司的业务模式,分别从客户基本属性信息、客户交易行为信息、社交网络特征信息以及客户情感特征信息等维度构建B端客户流失指标体系。利用RPA等工具收集来自X公司数据平台及企查查平台的数据,用Python将603450条客户下单行为记录和39755条客户退单行为记录等整理归纳得到本文最终的数据集,数据维度为1244×21。基于该数据集,本文将样本数据划分为训练集和测试集。对训练集,首先建立RSF模型,确定各变量的重要性及变量间的交互作用,并得到RSF模型在测试集上的初步预测结果;然后基于RSF模型的结果建立Cox模型,得到最终模型在测试集上的预测结果。研究结果表明,在Ratio、查全率指标上,本文建立的Cox-RSF模型比RSF模型更好;并且,相比于其他对比模型,Cox-RSF模型在精度、查准率、查全率以及Ratio指标上均存在一定的优势。最后,基于本文建立的预测模型,容易得出以下结论。第一,相比于SVM、BP神经网络、LR及RF模型,Cox-RSF模型识别流失客户的能力最强;第二,由Cox-RSF模型的偏回归系数估计结果可知,若购买量增加、退货次数减少、投诉次数减少、投诉处理更及时,则客户流失风险随之降低;第三,本文的流失B端客户的典型表现是在观察的关键期消费频次降低、退货次数增加,且一部分客户对X公司的产品或服务依赖度较低。