由于“互联网+”的热潮,中国互联网经济有了喷发式的发展。准确识别潜在的客户和高价值客户成为了很多互联网电商的重点工作之一。客户细分技术就是帮助电商细分客户群体并提供优质服务维护客户的重要手段。电商可以通过客户细分获得客户价值的相关信息,从而制定相应营销策略改善客户体验。不过,仅仅对现有客户的维护已经不能在如今的市场竞争中获得很大优势,如何挽留将要流失的客户也逐渐成为电商们关心的重要内容。所以,客户流失预测也渐渐成为各大电商平台的研究热门。本文将对课题进行如下两个方面的研究:首先是对客户细分模型的研究。文章提出一种引入权重的基于平均交易间隔、平均消费金额和平均商品浏览量的RVMF模型。实验证明该模型相较于传统RFM模型解决了消费者购买频度和购买值度之间的共线性问题,并且应用层次分析法在网店高价值客户细分时优化了对老客户的划分以及基于商品浏览量优化对潜在客户的划分,改进后的客户细分模型对现有客户的细分准确度有所提升。其次针对客户流失预测精准性的提升。文章提出了一种基于双层融合结构的客户流失预测模型。该模型不需要提前对数据集进行独热编码,避免了维度灾难和数据稀疏问题。其主要思想是融合多个高准确率的基于树的机器学习算法组成一个包含Stacking层与Voting层的双层预测模型。数据集经过处理后输入到Stacking层,然后Stacking层的预测结果与处理后的数据集合并传递给Voting层,同时将Stacking层加入到Voting层的预测中,最后输出最终的预测结果。通过实验证明,双层融合的客户流失预测模型的准确率和精准率相比其他模型平均提高了8.81%和23%,且模型预测消耗的时间在可接受范围内。最后,为了解决客户细分时数据清洗带来的数据量减少的问题,结合本文两方面研究的内容,将双层客户流失预测模型运用在客户细分的输入数据集上,将预测后的数据进行客户细分实验。实验结果表明,结合了双层融合客户流失预测模型后,客户细分模型的有效数据量得到保证,细分结果更加可靠。