De huidige studie probeert deze leemte op te vullen door naast RFM in winkels vijf fundamentele en belangrijke variabelen in aanmerking te nemen, namelijk prijs, korting, het aanvaarden van retourzendingen, vertraging in de distributie en het aantal artikelen, zodat de bedrijfseigenaars kunnen begrijpen welke rol diensten zoals prijzen, korting, distributie en het aanvaarden van retourzendingen spelen bij het omscholen van de klanten en het voorkomen dat zij churnen. Een andere innovatie van de huidige studie is de vergelijking van machine-learning methoden met hun boosting en bagging versies, vooral gezien het feit dat eerdere studies geen rekening houden met de bagging methode. De andere reden voor de studie zijn de tegenstrijdige resultaten met betrekking tot de superioriteit van machine-learning methoden in een meer nauwkeurige voorspelling van klantgedrag, met inbegrip van churning. Sommige studies introduceren bijvoorbeeld ANN (Huang et al., 2010; Hung en Wang, 2004; Keramati et al., 2014; Runge et al., 2014), sommige introduceren support vector machine ( Guo-en en Wei-dong, 2008; Vafeiadis et al., 2015; Yu et al., 2011) en sommigen introduceren DT (Freund en Schapire, 1996; Qureshi et al., 2013; Umayaparvathi en Iyakutti, 2012) als de beste voorspeller, waardoor de gebruikers van de resultaten van deze studies in verwarring raken over de beste voorspellingsmethode. De huidige studie identificeert de beste voorspellingsmethode specifiek op het gebied van winkelbedrijven voor onderzoekers en de eigenaars. Bovendien is een andere innovatie van de huidige studie het gebruik van discriminante analyse voor het selecteren en filteren van variabelen die belangrijk en effectief zijn in het voorspellen van churners en non-churners, wat niet wordt gebruikt in eerdere studies. Daarom is de huidige studie uniek wat betreft de gebruikte variabelen, de methode om hun nauwkeurigheid te vergelijken en de methode om effectieve variabelen te selecteren.