110-基于Flask的电信用户流失信息分析系统

基于 Flask 的电信用户流失信息分析系统：从零到一的实战分享

一套可落地的企业级客户流失分析与预测系统，覆盖数据建模、可视化大屏、权限体系、预测训练全流程。

目录

• 背景与目标
• 功能总览与系统截图说明
• 技术栈与架构设计
• 项目目录结构说明
• 核心功能与关键代码
  • 鉴权与权限控制
  • 客户数据管理（导入/导出/搜索筛选）
  • 数据分析与可视化
  • 机器学习训练与预测
  • 仪表盘与业务指标
• 安装部署与初始化
• 可视化展示占位（可替换为实际效果）
• 常见问题与优化建议
• 结语与联系
• 毕业设计必备章节
  • 需求分析
  • 系统设计（架构/模块/流程）
  • 数据库设计（表结构）
  • API 设计与说明
  • 实验与评估（指标与结果）
  • 创新点与难点攻关
  • 答辩要点与演示脚本

---

背景与目标

电信行业天然具备高频、长周期、强服务属性的特征，客户流失（Churn）预警与挽留是降本增效的重要抓手。本项目面向实际业务场景，提供：

• 客户全量信息管理与批量导入导出
• 多维度统计分析与趋势洞察
• 机器学习模型训练与在线预测
• 角色/权限/日志等通用后台能力

目标是开箱即用、易扩展、可自定义，既适合教学演示，也能作为中小业务的落地骨架。

---

功能总览与系统截图说明

实际功能（依据前端模板与后端接口实现）：

• 客户管理：新增、编辑、删除、分页搜索、条件筛选、批量导入（Excel/CSV）、批量导出
• 数据分析与可视化：流失率、合同/服务维度对比，在网时长/月费与流失关系趋势图，洞察卡片
• 预测中心：单客户预测、批量预测、模型训练、训练历史、预测历史、模型性能指标展示
• 系统管理：用户/角色/权限、操作日志、账户安全（修改资料/密码、找回密码）
• 仪表盘：核心 KPI（客户数、流失数、流失率、平均月费）、最新流失客户、最近活动日志、常用维度图表

注：运行后可在浏览器访问首页与各业务页面进行体验。本文档末尾提供部署步骤。

💕项目源码获取，码界筑梦坊各平台同名，博客底部含联系方式卡片，欢迎咨询！

---

技术栈与架构设计

• 后端与框架

  • Flask、Blueprint 模块化
  • Flask-SQLAlchemy（ORM）、Flask-Migrate（迁移）
  • Flask-Login、Flask-JWT-Extended（鉴权/令牌）
  • Flask-WTF（表单校验）、Flask-RESTful（API）
  • CORS、Mail、Bcrypt 等常用扩展

• 数据库

  • 默认 SQLite，可切换 MySQL/PostgreSQL
  • 驱动：PyMySQL

• 数据分析与机器学习

  • NumPy、Pandas、Scikit-learn
  • Matplotlib、Seaborn（后端图表生成）

• 前端与可视化

  • Jinja2 模板渲染
  • Bootstrap（样式与布局）
  • Chart.js（前端图表）
  • AOS 动画、FontAwesome 图标

• 部署

  • Gunicorn + Nginx（生产），.env 配置

Jinja2渲染/HTTP 用户/浏览器 Flask 应用 Blueprint: main/auth/customer/analysis/prediction/admin API v1: auth/customers Service/Logic SQLAlchemy ORM 数据库: SQLite/MySQL/PostgreSQL Sklearn Pipeline: 训练/预测 静态模型文件 .pkl Chart.js 可视化 Extensions: Login/JWT/Migrate/Mail/CORS

---

项目目录结构说明

code/
├─ app/
│  ├─ templates/
│  │  ├─ main/                # 仪表盘与首页
│  │  ├─ auth/                # 登录/注册/重置密码
│  │  ├─ customer/            # 客户管理（列表/新增/编辑/导入/查看）
│  │  ├─ analysis/            # 数据分析（概览/流失分析）
│  │  ├─ visualization/       # 可视化大屏（流失概览、服务影响、时长分布）
│  │  ├─ prediction/          # 预测中心（训练/预测/历史/批量结果）
│  │  └─ admin/               # 系统管理（用户/角色/日志/系统设置）
│  ├─ static/                 # 静态资源（样式、脚本、图片）
│  ├─ models.py               # 数据模型（User/Role/Customer/Log 等）
│  ├─ views/                  # 各模块蓝图（auth/customer/prediction/...）
│  ├─ forms.py                # 表单定义（Flask-WTF）
│  └─ __init__.py             # 应用工厂
├─ migrations/                # 数据库迁移记录
├─ data/                      # 数据样例/导入导出目录
├─ docs/                      # 文档与示例
├─ app.py                     # 开发启动入口
├─ wsgi.py                    # 生产入口（gunicorn 使用）
├─ requirements.txt           # 依赖列表
├─ create_tables.py           # 初始化表结构脚本
├─ update_roles.py            # 初始化/更新角色权限脚本
├─ generate_mock_data.py      # 生成大规模模拟数据
└─ quick_generate_data.py     # 快速生成少量模拟数据

实际文件路径以本仓库为准，以上为核心目录与职责的说明性视图。

---

核心功能与关键代码

鉴权与权限控制（位运算权限）

角色与权限采用位掩码（Bitmask）实现，页面渲染与后端接口双重校验。在前端模板中可以看到权限判断：

{# app/templates/customer/index.html #}
{% if current_user.can(Permission.EDIT) %}
  <a href="{{ url_for('customer.create') }}" class="btn-action btn-primary">
    <i class="fas fa-plus"></i>
    <span>添加客户</span>
  </a>
  <a href="{{ url_for('customer.import_data') }}" class="btn-action btn-success">
    <i class="fas fa-file-import"></i>
    <span>导入数据</span>
  </a>
{% endif %}
<a href="{{ url_for('customer.export_data') }}" class="btn-action btn-info">
  <i class="fas fa-file-export"></i>
  <span>导出数据</span>
</a>

配合后端模型的 User.can() 方法，可以精准控制页面按钮与接口权限。

后端基于装饰器进行二次防护：

# app/decorators.py
from functools import wraps
from flask import abort
from flask_login import current_user
from app.models.role import Permission

def permission_required(permission):
    def decorator(f):
        @wraps(f)
        def decorated_function(*args, **kwargs):
            if not current_user.can(permission):
                abort(403)
            return f(*args, **kwargs)
        return decorated_function
    return decorator

客户数据管理（导入/导出/搜索筛选）

客户列表支持多条件筛选（ID、性别、合同类型、网络服务、流失状态等）与分页展示：

{# app/templates/customer/index.html 片段 #}
<form method="get" action="{{ url_for('customer.index') }}" class="search-form">
  <input type="text" name="customer_id" placeholder="输入客户ID">
  <select name="gender">
    <option value="">全部</option>
    <option value="Male">男</option>
    <option value="Female">女</option>
  </select>
  <select name="contract"> ... </select>
  <select name="internet_service"> ... </select>
  <select name="churn"> ... </select>
  <button type="submit" class="btn-search">搜索</button>
 </form>

新增客户表单涵盖基础信息、服务信息、合同与账单三大板块，字段与业务保持一致：

{# app/templates/customer/create.html 片段 #}
{{ form.customer_id(class="form-control", placeholder="请输入客户ID") }}
{{ form.gender(class="form-control") }}
{{ form.tenure(class="form-control", type="number", min="0") }}
{{ form.internet_service(class="form-control") }}
{{ form.contract(class="form-control") }}
{{ form.monthly_charges(class="form-control", type="number", step="0.01") }}

后端可使用 Pandas 进行批量导入与数据清洗，示例（可根据模型字段调整）：

import pandas as pd
from app.extensions import db
from app.models.customer import Customer

def import_customers(file_path: str) -> int:
    df = pd.read_excel(file_path) if file_path.endswith('.xlsx') else pd.read_csv(file_path)
    df = df.fillna({"TotalCharges": 0})

    created = 0
    for _, row in df.iterrows():
        customer = Customer(
            customer_id=row["customerID"],
            gender=row["gender"],
            tenure=int(row["tenure"]),
            internet_service=row["InternetService"],
            contract=row["Contract"],
            monthly_charges=float(row["MonthlyCharges"]),
            total_charges=float(row["TotalCharges"]),
            churn=True if str(row["Churn"]).lower() in ("yes", "true", "1") else False,
        )
        db.session.add(customer)
        created += 1
    db.session.commit()
    return created

数据分析与可视化

页面端通过 Chart.js 渲染图表，示例（仪表盘合同类型分布）：

<canvas id="contractChart"></canvas>
<script>
const ctx = document.getElementById('contractChart');
new Chart(ctx, {
  type: 'bar',
  data: { labels: ['月付', '一年', '两年'], datasets: [{ label: '数量', data: [120, 80, 60] }] },
});
</script>

后端也可利用 Matplotlib/Seaborn 生产静态图（用于报表导出等场景）：

import matplotlib.pyplot as plt
import seaborn as sns

def plot_churn_by_contract(df):
    plt.figure(figsize=(6,4))
    sns.barplot(data=df, x="Contract", y="ChurnRate", palette="Blues")
    plt.tight_layout()
    plt.savefig("data/fig_contract_churn.png")

机器学习训练与预测

基于 Scikit-learn 的典型训练流程，可结合业务字段做特征工程与持久化：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
import joblib

def train_model(dataset_path: str, model_path: str = "data/model_rf.joblib"):
    df = pd.read_csv(dataset_path)
    y = (df["Churn"].astype(str).str.lower().isin(["yes", "true", "1"]))
    X = df.drop(columns=["Churn", "customerID"])  # 依据表头实际调整

    categorical_cols = X.select_dtypes(include=["object"]).columns.tolist()
    numeric_cols = X.select_dtypes(exclude=["object"]).columns.tolist()

    preprocessor = ColumnTransformer(
        transformers=[
            ("cat", OneHotEncoder(handle_unknown="ignore"), categorical_cols),
            ("num", "passthrough", numeric_cols),
        ]
    )

    pipeline = Pipeline(steps=[
        ("prep", preprocessor),
        ("clf", RandomForestClassifier(n_estimators=300, random_state=42)),
    ])

    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
    pipeline.fit(X_train, y_train)
    y_pred = pipeline.predict(X_test)
    print(classification_report(y_test, y_pred))
    joblib.dump(pipeline, model_path)

def predict_once(features: dict, model_path: str = "data/model_rf.joblib") -> float:
    model = joblib.load(model_path)
    df = pd.DataFrame([features])
    proba = model.predict_proba(df)[0][1]
    return float(proba)

接口对接示例（curl）：

# 1) 登录获取 JWT
curl -s -X POST http://localhost:5000/api/v1/auth/login \
  -H 'Content-Type: application/json' \
  -d '{"username":"admin","password":"123456"}'

# 假设返回 token 写入变量
TOKEN=...  # 请替换为上一步返回的 data.token

# 2) 分页获取客户（支持筛选）
curl -s 'http://localhost:5000/api/v1/customers?page=1&per_page=10&gender=Male' \
  -H "Authorization: Bearer $TOKEN"

# 3) 新增客户
curl -s -X POST http://localhost:5000/api/v1/customers \
  -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" \
  -d '{"customer_id":"CUST-10001","gender":"Male","tenure":12,"contract":"Month-to-month","internet_service":"DSL","monthly_charges":56.5,"total_charges":560.0}'

# 4) 更新客户
curl -s -X PUT http://localhost:5000/api/v1/customers/1 \
  -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" \
  -d '{"monthly_charges":66.0}'

# 5) 删除客户
curl -s -X DELETE http://localhost:5000/api/v1/customers/1 \
  -H "Authorization: Bearer $TOKEN"

前端 prediction/index.html、prediction/train.html、prediction/batch_predict.html 等页面已提供交互与占位，可与以上接口对接。

仪表盘与业务指标

首页仪表盘汇总关键指标，并展示近期流失客户与活动日志。模板片段：

{# app/templates/main/dashboard.html 片段 #}
<h2 class="metric-value">{{ stats.total_customers }}</h2>
<h2 class="metric-value">{{ stats.churn_customers }}</h2>
<h2 class="metric-value">{{ stats.churn_rate }}%</h2>
<h2 class="metric-value">¥{{ stats.avg_monthly }}</h2>

后端可将近 30 天内的新增/流失趋势与热力信息注入模板，以支持运营日常观察。

---

安装部署与初始化

1. 克隆与进入目录

git clone <your-repo-url>
cd code

2. 创建虚拟环境并安装依赖

python -m venv venv
venv/Scripts/activate  # Windows
# source venv/bin/activate  # macOS/Linux
pip install -r requirements.txt

3. 初始化数据库与角色

python create_tables.py
python update_roles.py

# 可选：初始化角色（如果在自定义脚本中）
# from app.models.role import Role; Role.insert_roles()

4. 启动服务

python app.py
# or production
gunicorn -w 4 -b 0.0.0.0:5000 wsgi:app

访问 http://localhost:5000

---

可视化展示占位（请在替换为实际截图后保留说明）

以下为示意占位，请将运行后的页面截图替换进来：

• 仪表盘（Dashboard）KPI 总览与图表
• 客户列表页面（筛选与分页）
• 可视化大屏（流失概览/服务影响/趋势分析）
• 预测中心（单客户预测、批量预测、模型训练与历史）
• 系统管理（用户、角色与日志）

建议统一将图片放置于 docs/images/ 目录，并在本文档中使用相对路径引用：

![仪表盘总览](images/dashboard-overview.png)
![流失概览](images/churn-overview.png)
![预测中心](images/prediction-center.png)

---

常见问题与优化建议

• 数据集字段不一致

  • 解决：在导入前统一字段名映射；或在导入脚本中做 rename 与缺失值填充。

• 训练效果不稳定

  • 解决：做训练/验证/测试分层抽样；网格搜索/随机搜索超参；引入更强模型（XGBoost/LightGBM）。

• 前端加载较慢

  • 解决：开启 gzip、CDN 静态资源；分页与懒加载；按需引入图表组件。

• 权限粒度需要更细

  • 解决：基于位掩码扩充位段；在视图层与模板层同时加校验；为敏感操作引入二次确认与审计。

• 多环境配置

  • 解决：使用 .env 与多配置文件，区分 dev/staging/prod；敏感信息走环境变量。

---

附：应用工厂与扩展初始化（关键代码）

# app/__init__.py
from flask import Flask
from app.extensions import db, migrate, login_manager, mail, jwt, bcrypt, cors

def create_app(config_name='default'):
    app = Flask(__name__)
    from app.config import config
    app.config.from_object(config[config_name])
    config[config_name].init_app(app)

    db.init_app(app)
    migrate.init_app(app, db)
    login_manager.init_app(app)
    mail.init_app(app)
    jwt.init_app(app)
    bcrypt.init_app(app)
    cors.init_app(app)

    from app.views.main import main_bp
    app.register_blueprint(main_bp)
    # ... 省略其它蓝图注册（auth/customer/analysis/prediction/admin）
    from app.api.v1 import api_v1
    app.register_blueprint(api_v1, url_prefix='/api/v1')
    return app

# app/config.py 关键配置
class Config:
    SECRET_KEY = os.environ.get('SECRET_KEY') or 'hard-to-guess-string'
    SQLALCHEMY_TRACK_MODIFICATIONS = False
    POSTS_PER_PAGE = 5
    UPLOAD_PATH = os.path.join(basedir, '..', 'data', 'raw')

# app/forms/customer.py 片段
class CustomerForm(FlaskForm):
    customer_id = StringField('客户ID', validators=[DataRequired(), Length(1, 64)])
    gender = SelectField('性别', choices=[('Male','男'),('Female','女')])
    tenure = IntegerField('在网时长(月)', validators=[DataRequired(), NumberRange(min=0)])
    contract = SelectField('合同类型', choices=[('Month-to-month','月付'),('One year','一年'),('Two year','两年')])
    monthly_charges = FloatField('月费用', validators=[DataRequired(), NumberRange(min=0)])

---

附：单元测试示例占位

# tests/test_customers_api.py
import json

def test_get_customers_requires_auth(client):
    resp = client.get('/api/v1/customers')
    assert resp.status_code in (401, 422)  # 缺少JWT

def test_create_customer_flow(auth_client):
    payload = {"customer_id":"UT-0001","gender":"Male","tenure":3,
               "contract":"Month-to-month","internet_service":"DSL",
               "monthly_charges":30.0,"total_charges":90.0}
    resp = auth_client.post('/api/v1/customers', data=json.dumps(payload),
                            headers={'Content-Type':'application/json'})
    assert resp.status_code == 201

---

结语与联系

本文分享了一个面向业务的"电信用户流失信息分析系统"，涵盖从数据到模型再到可视化与权限的完整闭环。你可以在此基础上快速定制面向自身场景的留存与增长方案。

如需交流与合作，请联系：码界筑梦坊各大平台同名。

---

毕业设计必备章节

需求分析

• 角色与权限
  • 管理员：用户与角色管理、权限配置、查看日志、系统设置
  • 数据分析师：数据分析、模型训练与评估、预测历史
  • 数据编辑：客户数据增删改、导入导出
  • 普通用户：查看与导出
• 功能性需求
  • 客户数据管理（CRUD、批量导入/导出、条件检索、模板下载）
  • 可视化与分析（指标卡、趋势图、多维对比）
  • 机器学习（训练、预测、历史记录、模板下载与结果导出）
  • 系统管理（用户/角色、操作日志、基础设置）
• 非功能性需求
  • 易用性：清晰导航与筛选；表单校验；错误提示
  • 可维护性：模块化蓝图、ORM、迁移、表单/模型/视图分层
  • 安全性：登录/权限、CSRF 防护、密码哈希

系统设计（架构/模块/流程）

• 架构分层
  • 表现层：Jinja2 模板渲染，Chart.js 可视化
  • 业务层：Blueprint 划分（main/auth/customer/analysis/prediction/admin/visualization）
  • 数据层：SQLAlchemy 模型与迁移
  • 算法层：Sklearn Pipeline 训练与预测
• 核心流程（以"批量预测"为例）
  1. 前端上传 CSV/XLSX → 2) 校验字段/清洗 → 3) 加载/检查模型 → 4) 逐行推理 → 5) 记录日志 → 6) 结果渲染与导出
• 权限控制流程
  • 模板显示控制 + 视图 @permission_required 双重校验（位掩码）

数据库设计（表结构）

• 用户（users）
  • 关键字段：id, email, username, password_hash, role_id, member_since, last_seen, avatar_type
• 角色（roles）
  • 关键字段：id, name, default, permissions
  • 权限常量：VIEW, EDIT, ANALYZE, PREDICT, IMPORT, EXPORT, MANAGE, ADMIN
• 客户（customers）
  • 关键字段：id, customer_id, gender, senior_citizen, partner, dependents, tenure, internet_service, contract, paperless_billing, payment_method, monthly_charges, total_charges, churn, created_at, updated_at
• 日志（logs）
  • 关键字段：id, user_id, operation, target, details, ip_address, user_agent, timestamp

以上字段来自实际模型定义文件：app/models/user.py、role.py、customer.py、log.py。

API 设计与说明（视图路由）

• 客户模块（app/views/customer.py）

  • GET /customer/：客户列表（分页、条件筛选）
  • GET|POST /customer/create：创建客户
  • GET /customer/view/<id>：查看客户详情
  • GET|POST /customer/edit/<id>：编辑客户
  • GET /customer/delete/<id>：删除客户
  • GET|POST /customer/import：导入客户数据（CSV/XLSX）
  • GET /customer/export：导出当前筛选结果（CSV）
  • GET /customer/download-import-template：下载导入模板

• 预测模块（app/views/prediction.py）

  • GET /prediction/：预测首页（模型状态/统计）
  • GET /prediction/api/stats：预测统计（准确率、今日预测量、流失率等）
  • GET|POST /prediction/train：训练模型并持久化 static/models/churn_model.pkl
  • GET /prediction/train-history：训练历史
  • GET /prediction/history：预测/批量预测历史
  • GET|POST /prediction/predict/<id>：单客户预测
  • GET|POST /prediction/batch-predict：批量预测（上传 CSV/XLSX）
  • GET /prediction/download-template：下载批量预测模板
  • GET /prediction/export-batch-results：导出批量预测结果

• 分析模块（app/views/analysis.py）

  • GET /analysis/overview：分析概览（KPI、维度统计、指标进度）
  • GET|POST /analysis/churn-analysis：流失分析（多模型对比与指标输出）
  • GET /analysis/api/churn-by-contract|tenure|monthly-charges|internet-service|payment-method：各维度流失率 API

• 管理模块（app/views/admin.py）

  • GET /admin/users|roles|logs|system：用户/角色/日志/系统页面
  • GET|POST /admin/user/add：新增用户
  • GET|POST /admin/user/<id>/edit：编辑用户
  • POST /admin/user/<id>/delete：删除用户

实际部署时可在 app/api/v1 暴露 REST API（当前仓库已有雏形：auth.py、customers.py）。

实验与评估（指标与结果）

• 离线评估指标
  • 准确率 Accuracy、精确率 Precision、召回率 Recall、F1、AUC-ROC
• 实验流程
  • 数据清洗 → 划分训练/测试 → 预处理（数值标准化、类别独热）→ 训练（RF/GBDT/LogReg/SVM）→ 评估 → 记录 Log
• 示例代码（来源于 prediction.train_model 与 analysis.churn_analysis 简化整理）

# 见上文训练管道与评估示例；可将报告写入 Log 便于前端读取展示

• 结果呈现
  • 训练历史页展示训练时间与指标；预测历史页展示近期待测分布
  • 分析页展示混淆矩阵、ROC/PR 曲线与特征重要性（按需）

创新点与难点攻关

• 权限体系位掩码 + 视图/模板双重校验，保证"可见即有权"
• 预测闭环：模板下载 → 批量上传 → 预测 → 结果导出（含风险等级与建议）
• 训练与预测口径一致：以 Pipeline 固化处理环节，减少线上/离线偏差
• 可视化驱动洞察：前端 Chart.js + 后端统计接口，支持多维对比
• 可扩展性：Blueprint 模块化、forms/models/views 分层、migrations 可演进

答辩要点与演示脚本

• 要点
  • 业务痛点：月付客户/高月费/短在网时长为典型高风险群体
  • 技术闭环：数据 → 分析 → 模型 → 预测 → 导出 → 策略
  • 安全合规：权限、日志、CSRF、密码哈希
• 演示脚本
  1. 登录管理员 → 创建一个分析师账号并分配权限
  2. 切换分析师 → 导入样例数据 → 查看仪表盘与分析页
  3. 训练模型 → 在客户列表中对单个客户发起预测
  4. 批量预测 → 导出预测结果 CSV（含风险等级/建议）
  5. 查看管理员日志页面，展示全链路审计