随着我国的汽车行业的蓬勃发展,汽车保有量的增长和车龄的不断上升,我国汽车行业的利润链趋向于导向汽车后市场。但是汽车销售服务店在满足客户在售后各种需求上以及服务营销措施等发展并不完善,导致客户存在着流失的问题。因此,汽车销售服务店可以利用客户的信息,对客户是否流失进行预测,对识别为流失的客户采取精准营销手段,降低客户的流失率,减少损失。汽车销售服务店的客户数据分布通常是不平衡的,流失客户数要大幅度低于未流失客户数。在这种情况下,传统的算法一般会过多地关注未流失的客户,导致对流失的客户的错分,这种错分会对汽车销售服务店造成极大的损失。因此,研究汽车销售服务店客户流失分类问题有着重要的意义。针对这种现象,本文以某汽车销售服务店的6万多条客户数据为实验对象进行实验,其包括客户基础信息、车辆基础信息、车辆贷款信息和车辆保险信息共计18个特征。客户数据需要进行探索性分析、数值型数据标准化、非数值型数据特征编码、特征降维等预处理操作。经过文献查阅,以往在客户流失问题中常用的决策树、逻辑回归等算法大都存在运行速率慢、对流失客户预测效果较差等问题。因此本文选取较适合处理大批量、不平衡数据集的Light GBM算法进行建模,并将其结果与其他经典的机器学习算法（GBDT、RF、DT、SVM）进行对比。采用召回率（Recall）和AUC（Area Under Curve）作为评估指标,实验结果发现除Light GBM以外的算法的AUC值都不高,并且所有算法的召回率极低。于是本文对数据采用重采样方法中的IHT欠采样操作,经过欠采样之后的所有算法的召回率和AUC的值分别达到了0.88和0.73以上。之后,本文将深度学习中的Focal Loss损失函数引入Light GBM中得到FL-LGBM模型。使用FL-LGBM模型建模,发现其预测效果更好。召回率值达到了0.9345,AUC的值也达到了0.7608,同时耗时不显著高于其他算法。最后,通过FL-LGBM模型输出特征重要性排序。本文根据研究的结果,得出以下结论:（1）Light GBM模型在客户流失预测中有较好的应用效果,召回率和AUC显著高于其他算法;（2）将改进后的FLLGBM模型运用到客户流失问题中,结果优于经过重采样方法的Light GBM模型和原始Light GBM模型,其可解释性也更强;（3）车龄、车辆保险信息、车辆销售价格、是否贷款买车等因素对客户是否流失有较大的影响,汽车销售服务店可以根据这些信息采取精准营销,降低客户流失率。