CN102955894A

CN102955894A - 一种基于用户细分的流失率预测的控制方法

Info

Publication number: CN102955894A
Application number: CN2012101666364A
Authority: CN
Inventors: 宋树彬; 王伟杰; 吴奔斌; 霍晓骏; 吴琴; 范娜; 贺樑; 杨燕
Original assignee: East China Normal University
Current assignee: East China Normal University
Priority date: 2012-05-24
Filing date: 2012-05-24
Publication date: 2013-03-06

Abstract

本发明提供一种基于用户细分的流失率预测方法，包括步骤：a.收集原始数据；b.对原始数据预处理；c.提取客户价值参量集；d.选择用户细分算法；e.生成用户细分群；f.选择合适的流失率预测算法；g.计算预测流失率；h.预测结果反馈；以及i.输出预测结果。本发明是根据选对用户进行细分，再利用合适的流失率预测算法进行预测的方法，其优点包括：更有效的把握用户属性特征，更准确的对用户进行细分，更准确的对用户流失率进行预测。

Description

一种基于用户细分的流失率预测的控制方法

技术领域

本发明涉及用户流失率领域，具体地，是一种基于用户细分的流失率预测模型。

背景技术

客户流失一直是学术界和工业界的研究热点，客户流失问题包括流失原因，流失分类，流失预测，客户挽回等多个方面，而其中如何准确地对客户流失进行预测，则是客户流失分析的核心问题。

目前的用户流失预测算法主要是先收集用户的人口统计信息、用户的行为信息以及产品信息等数据作为数据源，然后对数据进行预处理，接着直接利用流失率计算算法，对流失率进行预测，最后输出流失率预测结果。

在现在有的流失率算法中，对数据预处理后，直接就对数据进行流失率的预测，对所有的用户都一视同仁，同等对待。但是在实际的应用中，流失率预测算法是有使用范围的，流失率预测的准确度高湿针对某些具有特定属性的用户来说，而不是适用于所有的用户；而且，在流失率预测的准确度和精确度不高的情况下，也没有反馈和训整的方法。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种在通讯管理系统中基于用户细分的流失率预测算法，基于用户细分的流失率预测算法首先通过用户的属性特征对用户进行细分，然后针对不同的细分群采取不同的流失率预测算法，其特征在于，包括如下步骤：a.提取用户参量集，其中所述用户参量集用于计算用户权重，所述用户为所述通讯管理系统中的用户；b.选择合适的用户细分算法生成用户细分群；c.选择合适的用户流失率预测方法，并计算用户流失率；以及d.对预测结果进过评估，得到最终的流失率预测结果。

优选地，所述步骤a包括如下步骤：a1.收集用户数据作为原始数据集；a2.对所述原始数据集进行预处理；a3.在预处理过的数据集中，提取所述用户参量集。

优选地，所述步骤a2包括如下步骤：a21.对所述原始数据集进行数据清洗；a22.对所述原始数据集进行数据归约；以及a23.对所述原始数据集进行数据填充。

优选地，所述的步骤b包括如下步骤：b1.根据所述用户参量集，选择合适的用户细分算法；b2.根据所述用户细分算法生成用户细分群。

优选地，所述的步骤b2包括如下步骤：b21.根据所述用户细分算法对多所述用户进行聚类处理；b22.根据所述聚类处理结果对多所述用户进行细分处理。

优选地，所述的步骤b2包括如下步骤：b21'.根据所述用户细分算法对多所述用户参量集进行加权计算；b22'.对所述加权后的用户参量集进行聚类处理；以及b23'.根据所述聚类处理结果对多所述用户进行细分处理。

优选地，所述的步骤c包括如下步骤：c1.根据所述用户细分群，选择合适的用户流失率预测算法；c2.根据选择的用户流失率预测算法，计算用户流失率预测结果。

优选地，所述的步骤d包括如下步骤：d1.判断所述流失率预测结果是否最优；d2.若d1中判断的结果不为最优则重复上述步骤b,c以及d1；以及d3.若判定结果为最优，则将所述流失率预测结果作为所述最终的流失率预测结果并输出该最终流失率预测结果。

优选地，所述的步骤d1包括如下步骤：d11.判断所述预测命中率是否高于所述第一阈值；d12.若判断结果为所述预测命中率是低于所述第一阈值则确定所述流失率预测结果不为最优。

优选地，所述的步骤d1还包括如下步骤：d13.判断所述预测覆盖率是否高于第二阈值；d14.若判断结果为所述预测覆盖率是低于所述第二阈值则确定所述流失率预测结果不为最优。

本发明在计算用户流失率时，考虑到根据不同的用户属性特征，选择合适的用户流失率预测算法。根据不同的用户群选择不同的流失率预测算法，使得流失率预测算法的预测准确度达到一个理想的效果，预测更精确。

本发明在进行用户细分的过程中，不是通过一种用户细分方法对用户数据集进行细分，而是根据数据集具有的不同特征属性，选择合适的细分方法，这使得用户在细分这一环节，用户能被细分到合适的用户群中。

本发明通过首先对用户采用了细分技术，然后进行流失率的预测，在一定程度上提高了用户流失率预测的准确度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，基于用户细分的流失率预测算法的流程图；

图2示出根据本发明的第二实施例的，基于用户细分的流失率预测算法的流程图；

图3示出根据本发明的第三实施例的，根据用户参量集进行用户细分的流程图；以及

图4示出根据本发明的第四实施例的，判断流失率预测结果是否最优的流程图。

具体实施方式

图1示出根据本发明的第一实施例的，基于用户细分的流失率预测算法的流程图，具体地，本图示出了四个步骤，首先是步骤S201，提取用户参量集，本领域技术人员理解，所述用户参量集用于衡量用户价值，且所述用户参量集根据用户的人口统计信息，用户的行为信息以及产品信息等数据作为数据源，对数据源进行预处理后，再提取代表用户价值的参量集，其中用户价值根据不同的决策人和预测环境来确定。其后执行步骤S202，根据所述用户参量集选择细分算法，并根据所述细分算法对用户进行细分生成用户细分群，其中所述细分算法的选择根据所述用户参量集所代表的用户价值对所述细分的影响。生成用户细分群后执行S203，根据生成的用户细分群选择合适的流失率预测算法，并计算流失率。具体地，本领域技术人员理解，如果用户衡量细分群的参量集是连续和种类字段，并且决策者要求此流失率算法，可以生成可以理解的规则，也可以很直观的知道参量集中各个参量对流失率的影响等情况，那么选择决策树作为流失率计算算法。决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。决策树的基本组成部分：决策节点、分支和叶子。决策树中最上面的节点称为根节点，是整个决策树的开始。决策树的每个节点子节点的个数与决策树在用的算法有关。每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）；如果参量集的参量之间存在因果关系或具有相关性，那么可以采用回归分析流失率预测算法。回归分析预测法(Regression Analysis Prediction Method)，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系，因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。它是一种具体的、行之有效的、实用价值很高的常用市场预测方法；如果决策者想通过了解目标用户（待预测用户）的“相似用户”，来预测目标用户的流失率，可以利用协同过滤的流失率预测算法，最后为步骤S204，判断预测结果是否最优，若所述流失率预测为最优，则输出最优结果，若不为最优则返回步骤S202，根据所述用户参量集选择细分算法。

图2示出根据本发明的第二实施例的，基于用户细分的流失率预测算法的流程图。本发明提供的一种基于用户细分的流失率算法，其首先通过收集用户的人口统计信息、用户的行为信息以及产品信息等数据作为数据源，对收集到的数据进行预处理，然后对预处理过的用户数据进行用户细分，接着对细分好的用户群的特征属性选择合适的流失率预测算法，最后运行选择好的流失率预测算法，并最终输出流失率预测结果，具体地，本图示出了9个步骤：

第一步S301：收集用户的人口统计信息、用户的行为信息以及产品信息等数据作为数据源；

第二步S302：对数据源进行预处理，其中预处理包括数据的清理、集成、变幻以及归约等操作；

第三步S303：对经过第二步S302处理过的数据，提取出代表用户价值的参量数据集；

第四步S304：根据数据集的参量特征，选择合适的用户细分算法；

第五步S305：运行选择好的用户细分算法；

第六步S306：根据细分群所具有的特征属性，选择合适的流失率预测算法；

第七步S307：对各个细分群运行选择好的流逝率预测算法；

第八步S308：评估流失率预测效果，效果不理想，转至第四步S304，否则转至第九步S309；以及

第九步S309：输出流失率预测结果。

与背景技术相比，本发明有以下优点：

本方法在计算用户流失率时，考虑到根据不同的用户属性特征，选择合适的用户流失率预测算法。根据不同对的用户群选择不同的流失率预测算法，使得流失率预测算法的预测准确度达到一个理想的效果，预测更精确。

本方法在进行用户细分的过程中，不是通过一种用户细分方法对用户数据进行细分，而是根据数据集具有的不同特征属性，选择合适的细分算法，这使得用户在细分这一环节，用户能被细分到合适的用户群中。

本方法通过首先对用户采用了细分技术，然后进行流失率的预测，在一定程度上提高了用户流失率预测的准确度。

图3示出根据本发明的第三实施例的，根据用户参量集进行用户细分的流程图。具体地，本图示出了4个步骤，首先是步骤S401，根据用户参量集选择细分算法。其后为步骤S402，判断所述参量是否需要加权运算，具体地，本领域技术人员理解，如果参量集中各个参量对于用户流失率计算具有轻重之分，可以利用多角度用户细分算法，即对各个参量进行加权，再进行聚类。如果参量集中得各个参量对于计算用户的流失率都是同等的重要，可以利用聚类的方法，对用户进行细分，其中的聚类算法可以是kmeans，分层聚类等聚类方法。其中，K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。k-means算法接受参数k；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。假设要把样本集分为c个类别，算法描述如下：（1）适当选择c个类的初始中心；（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；（3）利用均值等方法更新该类的中心值；（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。分层聚类算法分层聚类法就是对给定数据对象的集合进行层次分解，根据分层分解采用的分解策略，分层聚类法又可以分为凝聚的(agglomerative)和分裂的(divisive)分层聚类。凝聚的分层聚类，它采用自底向上的策略，首先将每一个对象作为一个类，然后根据某种度量(如2个当前类中心点的距离)将这些类合并为较大的类，知道所有的对象都在一个类中，或者是满足某个终止条件时为止，绝大多数分层聚类算法属于这一类，它们只是在类间相似度的定义上有所不同。分裂的分层聚类，它采用与凝聚的分层聚类相反的策略——自顶向下，它首先将所有的对象置于一个类中，然后根据某种度量逐渐细分为较小的类，知道每一个对象自成一个类，或者达到某个终止条件(如达到希望的类个数，或者2个最近的类之间的距离超过了某个阈值)。分层聚类虽然比较简单，但经常会遇到选择合并点或者分裂点的问题。这种选择非常关键，因为一旦一组对象被合并或者分裂，下一步的工作就是在新形成的类上进行，已做的处理不能撤销，类之间也不能交换对象。如果合并或者分裂的决定不合适，就可能得出低质量的聚类结果。而且，分层聚类算法没有很好的可伸缩性，在决定合并或者分裂之前需要检查和估算大量的对象和类。本领域技术人员理解，这不是本发明的重点，在此不予赘述。最后执行步骤S404，对用户进行聚类生成用户细分群。

图4示出根据本发明的第四实施例的，判断流失率预测结果是否最优的流程图。具体地，本图示出了6个步骤，首先为步骤S501，计算预测命中率。其后为步骤S502判断所述预测命中率是否大于第一阈值，若所述预测命中率小于第一阈值，则跳至步骤S506所述流失率预测结果不为最优；若所述预测命中率大于第一阈值，则进一步执行步骤S503计算预测覆盖率。之后执行步骤S504，判断所述预测覆盖率是否高于第二阈值，若所述预测覆盖率低于第二阈值，则跳至步骤S506，所述预测结果不为最优；若所述预测覆盖率高于第二阈值，则至步骤S505，所述预测结果为最优。

更具体地，本领域技术人员理解，所述预测结果是否最优的评判采用评价标准中的预测命中率和覆盖率判断结果是否最优，流失预测用公式表示为：

预测命中率=D/(B+D)*100%;

预测覆盖率=D/(C+D)*100%。

其中，的字母意思为：

预测命中率越高，表明预测算法的预测准确度很高。如果预测命中率很低，那么将导致本来不流失的用户被误认为会流失，而企业根据这一结果，将对本来不流失的用户采取一些特定的营销措施，使得企业的资源受到巨大的浪费。

预测覆盖率越高，表明预测算法在运行的过程中，选择的流失用户占整个的流失用户的比重越大，如果预测覆盖率一旦过低，表明预测算法将本来流失的用户分到不流失的用户机率大，使得那些本来有流失倾向的用户没有被挖掘出来，进而在

	预测不流失	预测流失
			实际不流失	A	B
实际流失	C	D

企业不知情的情况下，用户在下一个阶段可能真的流失了。

本领域技术人员理解，本领域技术人员结合现有技术以及上述实施例可以实现所述变化例，在此不予赘述。这样的变化例并不影响本发明的实质内容，在此不予赘述。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims

1.一种在通讯管理系统中基于用户细分的流失率预测的控制方法，其特征在于，包括如下步骤：

a.提取用户参量集，其中所述用户参量集用于计算用户权重，所述用户为所述通讯管理系统中的用户；

b.选择合适的用户细分算法生成用户细分群；

c.选择合适的用户流失率预测方法，并计算用户流失率；以及

d.对预测结果进过评估，得到最终的流失率预测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤a包括如下步骤：

a1.收集用户数据作为原始数据集；

a2.对所述原始数据集进行预处理；

a3.在预处理过的数据集中，提取所述用户参量集。

3.根据权利要求2所述的方法，其特征在于，所述步骤a2包括如下步骤：

a21.对所述原始数据集进行数据清洗；

a22.对所述原始数据集进行数据归约；以及

a23.对所述原始数据集进行数据填充。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述步骤b包括如下步骤：

b1.根据所述用户参量集，选择合适的用户细分算法；

b2.根据所述用户细分算法生成用户细分群。

5.根据权利要求4所述的方法，其特征在于，所述的步骤b2包括如下步骤：

b21.根据所述用户细分算法对所述用户进行聚类处理；

b22.根据所述聚类处理结果对所述用户进行细分处理。

6.根据权利要求4所述的方法，其特征在于，所述的步骤b2包括如下步骤：

b21'.根据所述用户细分算法对所述用户参量集进行加权计算；

b22'.对所述加权后的用户参量集进行聚类处理；以及

b23'.根据所述聚类处理结果对所述用户进行细分处理。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述的步骤c包括如下步骤：

c1.根据所述用户细分群，选择合适的用户流失率预测算法；

c2.根据选择的用户流失率预测算法，计算用户流失率预测结果。

8.根据权利要求1至7任一项所述的方法，其特征在于，所述的步骤d包括如下步骤：

d1.判断所述流失率预测结果是否最优；

d2.若所述步骤d1中的判断结果不为最优则重复上述步骤b、c、d1；以及

d3.若判定结果为最优，则将所述流失率预测结果作为所述最终的流失率预测结果并输出该最终流失率预测结果。

9.根据权利要求8所述的方法，其特征在于，所述的步骤d1包括如下步骤：

d11.判断所述预测命中率是否高于第一阈值；

d12.若所述预测命中率低于所述第一阈值，则确定所述流失率预测结果不为最优。

10.根据权利要求8或9所述的方法，其特征在于，所述的步骤d1还包括如下步骤：

d13.判断所述预测覆盖率是否高于第二阈值；

d14.若所述预测覆盖率低于所述第二阈值，则确定所述流失率预测结果不为最优。