消费者流失预测是零售业客户关系管理的重点研究课题。流失预测指的是提前识别并挽留高流失风险的零售客户，准确的流失预测可以降低零售客户群体的流失率，提高忠诚度，进而提高零售企业的利润。近年来“新零售”业态的发展，使得消费者流失预测对于零售业产生了更重要的意义：其一，“新零售”业态以消费者体验为中心，更关注对购物场景的延伸和消费者关系的管理，这增强了流失预测的必要性；其二，“新零售”场景通过物联网、移动互联网等技术载体产生了更多元化的数据，在数据维度上为流失预测建模提供了更多的机会。 消费者时空数据是“新零售”背景催生的代表性的多元化消费者数据。文献显示，时空数据在消费者行为建模方面存在着巨大的应用潜力，同时我们还发现，现有的流失预测研究中对时空数据的应用较少，已有少数的基于时空数据的流失预测研究则具有如下不足：（1）现有该类研究大多应用在金融行业中，而时空数据在流失预测中的应用零售业中较为少见；（2）现有该类研究对时空数据的特征挖掘较为单一，大多局限在对时空分散程度的描述；（3）现有该类研究普遍忽视了消费者时空数据的时空动态性，大多采取静态而非序列等视角来处理流失建模。 本文针对零售业中的消费者流失预测问题，使用消费者时空数据进行了流失客户时空行为规律分析，挖掘了消费者的空间、时间以及POI语义特征，并探究了不同特征与流失行为的关联。在此基础上，本文提出了基于时空数据的流失预测模型（Spatio-temporalChurnPrediction,STCP），该模型在时空行为规律特征的基础上增加了基于RFM的消费者价值特征，并从动态时间序列的视角出发，将消费者行为分为多个等长时段，借助深度学习的长短期记忆神经网络构建多元时间序列分类模型来进行流失预测。为验证STCP方法的效果，本文展开了基于零售业真实数据集的实证研究，将STCP方法与两类经典的流失预测方法（基于概率的方法、基于机器学习的方法）进行性能比较。实验结果显示STCP方法在曲线下面积（AreaUndertheCurve,AUC）精度指标上全面优于两类方法并取得统计显著差异，在利润指标方面，STCP仅在一个时间段上弱于支持向量机且不存在统计显著差异。本文还进一步通过实验得出STCP方法的有效性主要来自于特征设计、时间序列视角和深度学习的方法。 本研究将时空数据应用到消费者流失预测中，其创新点一主要体现为将时空数据运用到零售业的流失预测中，补充了现有流失预测研究的不足；研究的创新点二主要体现在提出了具有多维动态性的时空流失预测模型，多维是指提出了包括消费者价值、时间、空间和POI语义四类更全面的新特征，动态性是指对基于消费者时空数据的流失建模采取了时间序列的处理视角。本研究拓展了流失客户行为的相关理论，为零售业流失预测提供了新的模型方法，同时为“新零售”企业的消费者流失预测实践提供了指导。
NETL
