基于机器学习的电子商务客户流失预测：整合技术指标与信息质量的战略管理信息系统决策支持

《Information》：WPIS: Machine Learning-Driven E-Commerce Churn Prediction Integrating Technical Metrics and Information Quality for Strategic MIS Decision Support

　　

电子商务网站性能——涵盖技术交付质量与信息质量——与客户留存相关：技术指标表现不佳（会话摩擦、高购物车放弃率）或信息质量较差（低参与度、内容相关性弱）的平台往往呈现较高的流失率。本研究通过将行为与交易信号映射至技术指标子向量Ti与信息质量子向量Qi（理论上分配的代理指标），构建网站性能影响评分（Website Performance Influence Score, WPIS），并训练XGBoost预测引擎，在五次分层训练-测试分割中实现92.1±0.3%的准确率，且所有预处理参数仅在各分割的训练折上拟合。利用包含50,000条记录的公开电子商务客户行为数据集，该模型在低风险类别上取得0.95的F1分数，在高风险类别上取得0.86的F1分数，并对流失类别取得0.93的AUC-ROC。特征重要性经SHAP归因交叉验证，识别出客户服务交互、客户终身价值、折扣使用率与购物车放弃率为主要的性能失败信号，其中工程化信息质量退化指数（Information Quality Degradation Index, IQD）与技术性能失败评分（Technical Performance Failure Score, TPF）按增益分别排名第六与第九。战略管理信息系统（MIS）决策支持层将客户划分为风险层级，并将每个层级映射至基于情景的说明性干预策略。这些结果支持如下假设：集成学习能够捕获技术维度与信息质量维度之间的非线性交互，为数字商务中数据驱动的MIS决策提供可复现、有理论依据的基础。

论文解读：基于机器学习的电子商务客户流失预测——整合技术指标与信息质量的战略MIS决策支持

一、研究背景与问题提出

在电子商务领域，网站性能对客户留存具有重要影响，这种性能不仅包含技术层面的交付质量，还涵盖信息内容的质量维度。已有研究表明，技术指标表现不佳的平台，例如存在会话摩擦或高购物车放弃率，往往伴随较高的客户流失率；同样，信息质量低下，如用户参与度低、内容相关性弱，也会加剧客户流失。然而，现有研究在系统性地将这两类维度整合到统一的预测框架方面仍存在不足。传统客户流失预测模型多聚焦于单一维度的行为或交易特征，缺乏对网站技术性能与信息质量交互效应的建模能力。此外，如何将预测结果转化为可操作的管理信息系统（MIS）决策支持工具，也是当前研究亟待解决的问题。基于此，本研究旨在构建一个整合技术指标与信息质量的预测框架，以提升客户流失预测的准确性与可解释性，并为战略层面的管理决策提供数据驱动的支撑。

二、研究内容与核心结论

研究人员提出了一种名为网站性能影响评分（Website Performance Influence Score, WPIS）的复合指标，将行为与交易信号映射至技术指标子向量T_i与信息质量子向量Q_i，其中各子向量由理论上分配的代理指标构成。研究采用XGBoost集成学习算法训练预测引擎，在包含50,000条记录的公开电子商务客户行为数据集上进行验证。模型在五次分层训练-测试分割中取得92.1±0.3%的准确率，且所有预处理参数均仅在各分割的训练折上拟合，确保评估的无偏性。在分类性能方面，模型对低风险客户取得0.95的F1分数，对高风险客户取得0.86的F1分数，对流失类别取得0.93的AUC-ROC。特征重要性分析经SHAP归因交叉验证，识别出客户服务交互、客户终身价值、折扣使用率与购物车放弃率为最主要的性能失败信号，而工程化信息质量退化指数（Information Quality Degradation Index, IQD）与技术性能失败评分（Technical Performance Failure Score, TPF）按增益分别排名第六与第九。研究进一步构建了战略MIS决策支持层，将客户划分为不同风险层级，并为每个层级映射基于情景的说明性干预策略。该研究发表于《Information》期刊。研究结论支持集成学习能够捕获技术维度与信息质量维度之间非线性交互的假设，为数字商务中的数据驱动MIS决策提供了可复现且具有理论依据的基础。

三、关键技术方法

本研究采用的主要技术方法包括：其一，构建双维度特征工程框架，将原始行为与交易信号映射至技术指标子向量T_i与信息质量子向量Q_i，并在此基础上计算复合评分WPIS；其二，使用XGBoost集成学习算法作为核心预测引擎，该算法通过梯度提升机制有效建模特征间的非线性交互关系；其三，采用分层训练-测试分割策略，并确保所有预处理参数仅在训练折上拟合，以保障模型泛化性能评估的可靠性；其四，运用SHAP（SHapley Additive exPlanations）归因分析对特征重要性进行交叉验证，以增强模型的可解释性。研究使用的数据来源于公开的电子商务客户行为数据集，包含50,000条记录，未涉及具体样本队列的临床或实验来源。

四、研究结果

WPIS指标构建与子向量映射。 研究将行为与交易信号系统性地映射至技术指标子向量T_i与信息质量子向量Q_i，通过理论分配的代理指标构建WPIS评分，为后续预测建模提供了整合性的输入特征体系。

XGBoost预测引擎性能评估。 通过五次分层训练-测试分割验证，模型取得92.1±0.3%的准确率，低风险类别F1分数为0.95，高风险类别为0.86，流失类别AUC-ROC为0.93，表明该预测引擎在不同风险类别上均具有稳健且优异的判别能力。

特征重要性识别。 经SHAP归因交叉验证的特征重要性分析表明，客户服务交互、客户终身价值、折扣使用率与购物车放弃率构成最主要的性能失败信号；工程化指标IQD与TPF分别排名第六与第九，验证了信息质量与技术性能维度在预测中的增量贡献。

战略MIS决策支持层构建。 研究将客户划分为不同风险层级，并为每个层级映射基于情景的说明性干预策略，实现了从预测结果到管理行动的转化，增强了研究的实践应用价值。

五、讨论与结论

研究讨论部分指出，集成学习方法能够有效捕获技术指标与信息质量维度之间的非线性交互效应，这一发现支持了将多维网站性能指标整合至统一预测框架的合理性。SHAP归因与特征重要性的交叉验证增强了模型的可解释性，使关键性能失败信号得以清晰识别。研究结论认为，所提出的WPIS框架与XGBoost预测引擎为数字商务中的客户流失管理提供了可复现、有理论依据的决策支持基础，有助于企业在战略层面实施更具针对性的客户保留干预措施。