随着互联网的进一步普及,电子商务迅猛发展,涌现出了大量的电子商务平台。电子商务平台最主要的收益来自于高忠诚度客户。但由于电商客户的非契约性特征,客户流失现象广泛存在。严重的客户流失问题,不仅影响企业形象,还会造成经济损失,降低收益。如果能够准确地识别出即将流失的客户,并及时采取针对性措施,将有助于提高客户保持率、增加收入。传统的客户流失预测主要使用人口统计学方法,并根据经验设定阈值来判断该客户是否处于流失状态。这种方法虽然简单,但是预测误差大,预测结果的实际参考价值比较低。大数据技术和人工智能技术的发展,为电子商务客户流失预测研究提供了有效的工具。相对于经验阈值法,基于大数据和人工智能技术的客户流失预测结果更加准确。针对现有大数据在客户流失预测中的应用研究的不足,本文采取了数据预处理与集成方法相结合的数据处理方法,提出了基于多源数据的PCA-Ada Boost分类模型,并利用两个公开的电子商务客户数据集进行实证研究。首先,在预测指标的选取上,通过分析电子商务客户流失的主要影响因素,思考经典的RFM客户价值模型的不足之处,在RFM客户价值模型的基础上,融入了客户关系长度及客户评分这一类情感因素指标,构造了融合客户价值特征和情感特征的多源数据集。其次,在预测方法方面,通过分析现有文献的研究不足,结合电子商务客户数据集的特点,构建了基于多源数据预处理的PCAAda Boost电子商务客户流失预测模型。再次,在模型的预测性能评价上,本文选取总准确率、G-mean值、非流失客户的查准率和查全率等评价指标,进行了模型准确性分析、稳定性分析和有效性分析,并与支持向量机、Logistic回归、Ada Boost算法进行了对比。最后,本文利用两个真实的电子商务平台的客户数据集进行实证研究,通过不同分类算法的对比,两个数据集实验结果的对比分析验证本文所构建模型的优势。实证结果表明:在模型准确性和稳定性方面,本文提出的基于多源数据预处理的PCA-Ada Boost分类模型均优于其他三种算法。对于每次随机抽取到的测试集,本文提出的预测模型均能够稳定地表现出较高的预测性能;在模型的有效性方面,对于不同的实验数据集,本文的分类模型均能够有较高的预测准确率和稳定性,模型的有效性得以验证。该模型将为那些有兴趣了解客户流失相关行为的组织提供一个有用的机制,帮助企业进一步完善客户关系管理从而减少客户流失。