In the digital era, innovations in business intelligence are critical to staying competitive and popular across the growing business trends. Businesses have begun to investigate the next stage of data analytics and business intelligence solutions. On the other hand, Customer Churn Prediction (CCP) is a crucial process in business decision making, which properly identifies the churn users and takes necessary steps for customer retention. churn and non-churn customers have resembling features. Therefore, this research work designs a dynamic CCP strategy for business intelligence using text analytics with metaheuristic optimization (CCPBI-TAMO) algorithm. In addition, the chaotic pigeon inspired optimization based feature selection (CPIO-FS) technique is employed for the feature selection process and reduces computation complexity. Besides, long short-term memory (LSTM) with stacked auto encoder (SAE) model is applied to classify the feature reduced data. In the LSTM-SAE model, the ability of SAE in the detection of compact features is integrated into the classification capability of the LSTM model. Finally, the sunflower optimization (SFO) hyperparameter tuning process takes place to further improve the CCP performance. A detailed simulation analysis is performed on the benchmark customer churn prediction dataset and the experimental values highlighted the superior performance of the proposed model over the other compared methods with the maximum accuracy of 95.56%, 93.44%, and 92.74% on the applied dataset 1-3 respectively.

在数字时代，商业智能的创新对于在不断增长的业务趋势中保持竞争力和受欢迎程度至关重要。企业已经开始研究下一阶段的数据分析和商业智能解决方案。另一方面，客户流失预测 (CCP) 是业务决策中的一个关键过程，它可以正确识别流失用户并采取必要措施保留客户。流失客户和非流失客户具有相似的特征。因此，本研究工作使用带有元启发式优化 (CCPBI-TAMO) 算法的文本分析为商业智能设计了动态 CCP 策略。此外，在特征选择过程中采用了基于混沌鸽启发优化的特征选择（CPIO-FS）技术，降低了计算复杂度。除了，具有堆叠自动编码器（SAE）模型的长短期记忆（LSTM）用于对特征减少的数据进行分类。在 LSTM-SAE 模型中，SAE 在检测紧凑特征方面的能力被整合到 LSTM 模型的分类能力中。最后，向日葵优化 (SFO) 超参数调整过程发生以进一步提高 CCP 性能。对基准客户流失预测数据集进行了详细的模拟分析，实验值突出了所提出的模型相对于其他比较方法的优越性能，在应用数据集上的最大准确率分别为 95.56%、93.44% 和 92.74% 1- 3 分别。SAE 在检测紧凑特征方面的能力被整合到 LSTM 模型的分类能力中。最后，向日葵优化 (SFO) 超参数调整过程发生以进一步提高 CCP 性能。对基准客户流失预测数据集进行了详细的模拟分析，实验值突出了所提出的模型相对于其他比较方法的优越性能，在应用数据集上的最大准确率分别为 95.56%、93.44% 和 92.74% 1- 3 分别。SAE 在检测紧凑特征方面的能力被整合到 LSTM 模型的分类能力中。最后，向日葵优化 (SFO) 超参数调整过程发生以进一步提高 CCP 性能。对基准客户流失预测数据集进行了详细的模拟分析，实验值突出了所提出的模型优于其他比较方法的性能，在应用数据集上的最大准确率分别为 95.56%、93.44% 和 92.74% 1- 3 分别。