CN103854065A - 一种用于客户流失预测的方法和装置 - Google Patents

Abstract

本发明涉及一种用于客户流失预测的方法和装置，其中，该装置包括：确定模块，用于根据预先取得的与客户行为相关的数据，确定当前仍未流失的客户的反映其行为的多个参数各自在设定时间段内的取值；获取模块，用于根据所确定的取值和所述当前仍未流失的客户的所述多个参数各自的均值，获取所述当前仍未流失的客户的所述多个参数各自的变化率；以及，计算模块，用于根据所获取的变化率和指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化被用作所述指定的客户流失预测模型的变量。利用该方法和装置，能够提高了客户流失预测的准确性。

Description

一种用于客户流失预测的方法和装置

技术领域

本发明涉及一种用于客户流失预测的方法和装置。

背景技术

过去的二十年，移动通信已经变成主要的通信手段。在许多国家，同时存在多个移动通信运营商向用户提供通信服务，因此，移动通信运营商对移动客户的争夺非常激烈。在这种情况下，对于每一个移动通信运营商而言，及早地识别出其已拥有的但有可能流失到其他移动通信运营商的移动通信用户非常重要，因为如果能及早识别出这样的用户，就可以采取一些措施来防止流失掉。

目前，人们已经提出很多用于客户流失预测的方案，其通常采用分类分析技术来构建预测模型。例如，文献1（桂宏新，杨昌昊，程飞，基于贝叶斯网络的移动业务客户流失预测研究，(中国联通集团有限公司合肥分公司)，电信科学，2009年第3期）和文献2（叶进，程泽凯，林士敏，基于贝叶斯网络的电信客户流失预测分析，(桂林电子工业学院通信与信息工程系)，计算机工程与应用，2005.14）使用贝叶斯网络技术来构建预测模型以进行客户流失预测。

然而，现有的方案通常都是直接使用移动客户的参数作为预测模型的变量，导致客户流失预测的准确性不是很好。

发明内容

考虑到现有技术的上述问题，本发明实施例提出一种用于客户流失预测的方法和装置，其能够提高客户流失预测的准确性。

按照本发明实施例的一种用于客户流失预测的方法，包括：根据预先取得的与客户行为相关的数据，确定当前仍未流失的客户的反映其行为的多个参数各自在设定时间段内的取值；根据所确定的取值和所述当前仍未流失的客户的所述多个参数各自的均值，获取所述当前仍未流失的客户的所述多个参数各自的变化率；以及，根据所获取的变化率和指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化被用作所述指定的客户流失预测模型的变量。

在一种具体实施方式中，所述方法还包括：根据所述预先取得的与客户行为相关的数据，确定所述当前仍未流失的客户的反映其行为的至少一个参数在所述设定时间段内的取值，其中，所述至少一个参数不同于所述多个参数，其中，所述计算步骤进一步包括：根据所述当前仍未流失的客户的所述多个参数各自的变化率、所述当前仍未流失的客户的所述至少一个参数的取值和所述指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化和所述至少一个参数被用作所述指定的客户流失预测模型的变量。

在一种具体实施方式中，所述方法还包括：根据所述预先取得的与客户行为相关的数据，确定多个客户的每一个的所述多个参数各自在指定时间段内的取值，其中，所述多个客户包括已流失的客户和当前仍未流失的客户；根据所确定的所述多个客户的每一个的所述多个参数各自的取值和所述多个客户的每一个的所述多个参数各自的均值，获取所述多个客户的每一个的所述多个参数各自的变化率；以及，根据所获取的所述多个客户的每一个的所述多个参数各自的变化率，创建基于指定预测技术的客户流失预测模型，其中，所述多个参数各自的变化被用作所创建的客户流失预测模型的变量，其中，所述指定的客户流失预测模型是所述创建的客户流失预测模型或者是所述创建的客户流失预测模型的其中一个。

在一种具体实施方式中，所述设定时间段是刚过去的时间段。

在一种具体实施方式中，所述确定步骤进一步包括：当收到用户终端发送的客户流失预测请求时，执行所述确定，其中，所述方法还包括：根据所计算的所述当前仍未流失的客户的流失概率，检索出其流失概率大于指定值的客户，作为可能会流失的客户；以及，向所述用户终端发送关于所述可能会流失的客户的信息。

在一种具体实施方式中，所述客户流失预测请求包括期望使用的预测技术，所述指定的客户流失预测模型所基于的预测技术与所述客户流失预测请求所包括的预测技术相同。

在一种具体实施方式中，所述客户是移动客户，以及，所述多个参数包括以下的多个：呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

在另一种具体实施方式中，所述至少一个参数包括以下的至少一个：入网时长、是否集团客户和是否资费捆绑。

在另一种具体实施方式中，所述指定预测技术包括贝叶斯网络、朴素贝叶斯分类器和/或决策树。

按照本发明实施例的一种用于客户流失预测的装置，包括：确定模块，用于根据预先取得的与客户行为相关的数据，确定当前仍未流失的客户的反映其行为的多个参数各自在设定时间段内的取值；获取模块，用于根据所确定的取值和所述当前仍未流失的客户的所述多个参数各自的均值，获取所述当前仍未流失的客户的所述多个参数各自的变化率；以及，计算模块，用于根据所获取的变化率和指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化被用作所述指定的客户流失预测模型的变量。

在一种具体实施方式中，所述确定模块还用于根据所述预先取得的与客户行为相关的数据，确定所述当前仍未流失的客户的反映其行为的至少一个参数在所述设定时间段内的取值，其中，所述至少一个参数不同于所述多个参数，所述计算模块进一步用于：根据所述当前仍未流失的客户的所述多个参数各自的变化率、所述当前仍未流失的客户的所述至少一个参数的取值和所述指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化和所述至少一个参数被用作所述指定的客户流失预测模型的变量。

在一种具体实施方式中，所述确定模块还用于根据所述预先取得的与客户行为相关的数据，确定多个客户的每一个的所述多个参数各自在指定时间段内的取值，其中，所述多个客户包括已流失的客户和当前仍未流失的客户，所述获取模块还用于根据所确定的所述多个客户的每一个的所述多个参数各自的取值和所述多个客户的每一个的所述多个参数各自的均值，获取所述多个客户的每一个的所述多个参数各自的变化率，其中，所述装置还包括创建模块，用于根据所获取的所述多个客户的每一个的所述多个参数各自的变化率，创建基于指定预测技术的客户流失预测模型，其中，所述多个参数各自的变化被用作所创建的客户流失预测模型的变量，其中，所述指定的客户流失预测模型是所述创建的客户流失预测模型或者是所述创建的客户流失预测模型的其中一个。

在一种具体实施方式中，所述设定时间段是刚过去的时间段。

在一种具体实施方式中，所述确定模块进一步用于：当收到用户终端发送的客户流失预测请求时，执行所述确定，其中，所述装置还包括：检索模块，用于根据所计算的所述当前仍未流失的客户的流失概率，检索出其流失概率大于指定值的客户，作为可能会流失的客户；以及，发送模块，用于向所述用户终端发送关于所述可能会流失的客户的信息。

在一种具体实施方式中，所述客户流失预测请求包括期望使用的预测技术，所述指定的客户流失预测模型所基于的预测技术与所述客户流失预测请求所包括的预测技术相同。

在一种具体实施方式中，所述客户是移动客户，以及，所述多个参数包括以下的多个：呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

在一种具体实施方式中，所述至少一个参数包括以下的至少一个：入网时长、是否集团客户和是否资费捆绑。

在一种具体实施方式中，所述指定预测技术包括贝叶斯网络、朴素贝叶斯分类器和/或决策树。

从上面的描述可以看出，本发明实施例所提出的方案将反映客户的行为的参数的变化作为客户流失预测模型的变量，从而提高了客户流失预测的准确性。

附图说明

本发明的其它特征、特点、优点和益处通过以下结合附图的详细描述将变得更加显而易见。其中：

图1其示出了按照本发明一个实施例的客户流失预测系统的示意图；

图2示出了按照本发明一个实施例的建立客户流失预测模型的方法的流程图；

图3示出了按照本发明一个实施例的预测客户流失的方法的流程图；

图4示出了按照本发明一个实施例的用于预测客户流失的装置的示意图；以及

图5示出了按照本发明一个实施例的用于预测客户流失的设备的示意图。

具体实施方式

发明人经过大量的研究发现，与未流失的移动客户相比，已流失的移动客户在即将流失的时间段内反映移动客户的行为的参数的变化较大。

基于以上发现，本发明实施例所提出的方案将反映客户的行为的参数的变化作为客户流失预测模型的变量，因此能够提高客户流失预测的准确性。

下面，将结合附图详细本发明的各个实施例。

现在参见图1，其示出了按照本发明一个实施例的客户流失预测系统的示意图。如图1所示，客户流失预测系统100可以包括数据采集服务器110，其从移动通信运营商的数据库中收集各个移动客户的数据，该数据例如包括但不局限于移动客户的基本信息、话单、充值信息和投诉信息。

客户流失预测系统100还可以包括数据预处理服务器120，其过滤数据采集服务器110所采集的数据以提取各个移动客户的与其行为有关的数据。这里，与移动客户的行为有关的数据可以包括移动客户的各个呼入呼叫的信息（包括开始时间、截止时间、是否漫游、是否跨网和费用）、移动客户的各个呼出呼叫的信息（包括开始时间、截止时间、是否漫游、是否跨网和费用）、移动客户所发送的各条短信的信息（包括发送时间和费用）、移动客户的各次数据业务的信息（包括开始时间、截止时间、是否漫游、费用）、移动客户的各次充值的信息（包括充值时间和充值金额）和移动客户的各次投诉的信息（包括投诉时间）。其中，移动客户的各个呼入呼叫的信息、移动客户的各个呼出呼叫的信息、移动客户所发送的各条短信的信息和移动客户的各次数据业务的信息可以从移动客户的话单中提取，移动客户的各次充值的信息可以从移动客户的充值信息中提取，以及，移动客户的各次投诉的信息可以从移动客户的投诉信息中提取。

客户流失预测系统100还可以包括预测模型学习服务器130，其利用数据预处理服务器120所提取的与移动客户的行为有关的数据，建立客户流失预测模型。

这里，反映移动客户的行为的参数的变化被用作预测模型的变量。反映移动客户的行为的参数可以包括：呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。其中，呼出累计时长是移动客户的各个呼出呼叫的时长的总和，其利用移动客户的各个呼出呼叫的信息计算得到。呼入累计时长是移动客户的各个呼入呼叫的时长的总和，其利用移动客户的各个呼入呼叫的信息计算得到。短信累计发送量是移动客户所发送的短信的总条数，其通过统计移动客户所发送的各条短信的信息的数量计算得到。数据业务累计流量是移动客户的各次数据业务的流量的总和，其利用移动客户的各次数据业务的信息计算得到。漫游时长是移动客户的在漫游状态下进行的各个呼入呼叫、各个呼出呼叫和各次数据业务的时长的总和，其利用移动客户的各个呼入呼叫的信息、各个呼出呼叫的信息和各次数据业务的信息计算得到。跨网时长是移动客户的跨越多个运营商网络进行的各个呼入呼叫和各个呼出呼叫的时长的总和，其利用移动客户的各个呼入呼叫的信息和各个呼出呼叫的信息计算得到。消费种类总数是移动客户所进行的电信业务类型（语音业务、数据业务、短信业务）的总和，其利用移动客户的各个呼入呼叫的信息、各个呼出呼叫的信息、各次数据业务的信息和移动客户所发送的各条短信的信息计算得到，其中：如果存在移动客户的呼入呼叫的信息或呼出呼叫的信息，则表明移动客户进行了语音业务；如果存在移动客户的数据业务的信息，则表明移动客户进行了数据业务；以及，如果存在移动客户发送的短信的信息，则表明移动客户进行了短信业务。用户充值次数是移动客户充值的总次数，其通过统计移动客户的各次充值的信息的数量计算得到。用户充值金额是移动客户的各次充值的金额的总和，其利用移动客户的各次充值的信息计算得到。消费金额是移动客户的各个呼入呼叫、各个呼出呼叫、各次数据业务和所发出的各条短信的费用的总和，其利用移动客户的各个呼入呼叫的信息、各个呼出呼叫的信息、各次数据业务的信息和移动客户所发送的各条短信的信息计算得到。投诉次数是移动客户的各次投诉的总和，其通过统计移动客户的各次投诉的信息的数量计算得到。

所建立的客户流失预测模型可以包括各种基于不同预测技术（例如，贝叶斯网络技术、朴素贝叶斯分类器技术、决策树技术等）的模型。例如，基于贝叶斯网络技术的客户流失预测模型、基于决策树的客户流失预测模型等。

客户流失预测系统100还可以包括预测服务器140，其在接收到请求者的客户流失预测请求时，利用数据预处理服务器120所提取的与移动客户的行为有关的数据和预测模型学习服务器130所建立的客户流失预测模型，预测移动客户的流失概率，并向请求者发送关于可能会流失的移动客户的信息。

其中，数据采集服务器110、数据预处理服务器120、预测模型学习服务器130和预测服务器140可以通过连接线、有线网络或无线网络连接在一起。

客户流失预测系统100还可以包括用户终端150，其可通过无线网络连接到预测服务器140，用于向预测服务器140发送客户流失预测请求，以及在接收到预测服务器140发送的关于可能会流失的移动客户的信息时，向用户呈现可能会流失的移动客户。本领域技术人员应当理解，用户终端150也可以通过有线网络连接到预测服务器140。

现在参见图2，其示出了按照本发明一个实施例的建立客户流失预测模型的方法的流程图。图2所示的方法可以在需要时被手动执行，或者可以周期或不定期地被执行。

如图2所示，在步骤S200，预测模型学习服务器130从数据预处理服务器120所提取的与各个移动客户的行为有关的数据中，选择多个移动客户T的与其行为有关的数据作为原始数据，其中，该多个移动客户T包括已流失的移动客户和当前仍未流失的移动客户。本领域技术人员应当理解，该多个移动客户的数量越大，所建立的客户流失预测模型越准确。这里，与移动客户的行为有关的数据包括移动客户的各个呼入呼叫的信息（包括开始时间、截止时间、是否是漫游、是否是跨网和费用）、移动客户的各个呼出呼叫的信息（包括开始时间、截止时间、是否是漫游、是否是跨网、是否是IP电话呼叫和费用）、移动客户所发送的各个短信的信息（包括发送时间和费用）、移动客户的各次数据业务的信息（包括开始时间、截止时间、是否漫游、费用）、移动客户的各次充值的信息（包括充值时间和充值金额）和移动客户的各次投诉的信息（包括投诉时间）。

在步骤S204，预测模型学习服务器130利用该多个移动客户T中的每一个移动客户Ti的与其行为有关的数据，计算移动客户Ti的反映其行为的多个参数K各自在指定月份的取值。其中，该指定月份可以是已经过去的任一月份。

这里，该多个参数K包括呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

在步骤S208，预测模型学习服务器130可以利用所计算的移动客户Ti的多个参数K各自在指定月份的取值和移动客户Ti的多个参数K各自的均值，计算移动客户Ti的多个参数K各自的变化率作为训练数据，其计算公式如等式（1）所示。

$\mathrm{\Δx}=(x-\stackrel{\‾}{x})/\stackrel{\‾}{x}---\left(1\right)$

其中，Δx表示移动客户Ti的多个参数K中的每一个参数Ki的变化率，x表示移动客户Ti的参数Ki在指定月份的取值，以及，

表示移动客户Ti的参数Ki的均值。其中，

的计算公式如等式（2）所示。

$\stackrel{\‾}{x}=\underset{n=\mathrm{1,2},...,N}{\mathrm{\Σ}}{x}_n/N---\left(2\right)$

在等式（2）中，x_n表示移动客户Ti的参数Ki在包含指定月份的N个月份中的各月份（1、2、…、N）的取值。

在步骤S212，预测模型学习服务器130使用该多个参数K各自的变化作为客户流失预测模型的变量，利用所计算的该多个移动客户T的多个参数K各自的变化率并使用不同的预测技术进行学习以确定预测模型的拓扑结构和模型参数，从而创建各种基于不同预测技术的客户流失预测模型。这里，预测技术例如可以是但不局限于贝叶斯网络技术、朴素贝叶斯网络技术和决策树等。

这里，如果客户流失预测模型所基于的预测技术需要对变量进行离散化，则可以在进行学习以创建客户流失预测模型之前，先对该多个移动客户T的多个参数K各自的变化率进行离散化处理。由于如何学习以创建客户流失预测模型对于本领域技术人员来说是已知的，因此在此对其不再赘述。

现在参见图3，其示出了按照本发明一个实施例的预测客户流失的方法的流程图。如图3所示，在步骤S300，用户终端150向预测服务器140发送客户流失预测请求，其中，该客户流失预测请求包括期望使用的预测技术。

在步骤S304，在接收到用户终端150发送的客户流失预测请求之后，预测服务器140根据数据预处理服务器120所提取的与移动客户的行为有关的数据，计算每一个当前仍未流失的移动客户Yi的反映其行为的多个参数K各自在当前月份的上一月份内的取值，其中，上一月份为刚过去的一个时间段，这里，刚过去的一个时间段指相比于已经过去的其它时间段而言更为接近当前时间的时间段。该多个参数K包括呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

在步骤S308，预测服务器140利用所计算的移动客户Yi的该多个参数K各自在上一月份内的取值和移动客户Yi的该多个参数K各自的均值，计算移动客户Yi的该多个参数K各自的变化率。其中，移动客户Yi的该多个参数K各自的变化率和移动客户Yi的该多个参数K各自的均值的计算公式分别如上面的等式（1）和（2）所示。

在步骤S312，预测服务器140从预测模型学习服务器130所建立的各种客户流失预测模型中，选取其预测技术和预测时长与所接收的客户流失预测请求所包括的预测技术相同的客户流失预测模型。

在步骤S316，预测服务器140利用所计算的移动客户Yi的该多个参数K各自的变化率，使用所选取的客户流失预测模型来计算移动客户Yi的流失概率。这里，例如可以计算移动客户Yi在未来两个月内的流失概率和/或移动客户Yi在未来三个月内的流失概率等。

在步骤S320，预测服务器140根据所计算的移动客户Yi的流失概率，确定其流失概率大于指定值的移动客户，作为可能会流失的移动客户。

在步骤S324，预测服务器140向用户终端150发送关于可能会流失的移动客户的信息。

在步骤S328，在接收到预测服务器140发送的关于可能会流失的移动客户的信息，用户终端150向用户呈现可能会流失的移动客户。

其它变型

本领域技术人员应当理解，虽然在上面的实施例中，移动客户的其变化被用作客户流失预测模型的变量的参数包括呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数，然而，本发明并不局限于此。在本发明的其它一些实施例中，移动客户的其变化被用作客户流失预测模型的变量的参数也可以仅包括呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数的其中一部分；或者，移动客户的其变化被用作客户流失预测模型的变量的参数可以包括呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数的其中一部分或全部再加上反映移动客户的行为的其它参数。

本领域技术人员应当理解，虽然在上面的实施例中，仅移动客户的反映其行为的参数的变化被用作客户流失预测模型的变量，然而，本发明并不局限于此。在本发明的其它一些实施例中，除了移动客户的这些参数各自的变化被用作客户流失预测模型的变量之外，也还可以将移动客户的反映其行为的其它参数直接用作客户流失预测模型的变量。这里，直接用作客户流失预测模型的变量的其它参数例如包括但不局限于移动客户的入网时长、是否集团用户和/或是否资费捆绑，其中，入网时长是指移动客户从在运营商网络注册之日起到当前所经过的时间，是否资费捆绑是指移动客户是否捆绑了资费套餐。移动客户的基本信息中登记有移动客户的入网时间、是否集团用户和是否资费捆绑，并且移动客户的入网时间、是否集团用户和是否资费捆绑属于与移动客户的行为有关的数据。

本领域技术人员应当理解，虽然在上面的实施例中，预测模型学习服务器130建立各种基于不同预测技术客户流失预测模型，然而，本发明并不局限于此。在本发明的其它一些实施例中，预测模型学习服务器130也可以仅建立一个基于特定预测技术的客户流失预测模型。在这种情况下，用户终端150向预测服务器140所发送的客户流失预测请求不包括期望使用的预测技术。

本领域技术人员应当理解，虽然在上面的实施例中，计算移动客户的反映其行为的参数的变化所使用的时间段都是以月作为计时单位，然而，本发明并不局限于此。在本发明的其它一些实施例中，也可以以其它时间段作为计时单位，例如可以但不局限于以天、旬、半个月、季度、半年或年等作为计时单位。

本领域技术人员应当理解，虽然在上面的实施例中，在预测客户流失时，利用当前仍未流失的移动客户Yi的反映其行为的多个参数K各自在刚过去的时间段（即上一月份）内的取值来计算移动客户Yi的该多个参数K的变化率，然而，本发明并不局限于此。在本发明的其它一些实施例中，也可以利用移动客户Yi的该多个参数K各自在已经过去的任一时间段内的取值来计算移动客户Yi的该多个参数K的变化率。由于已流失的移动客户在即将流失的时间段内反映客户行为的参数的变化较大，选取与客户流失预测时间更为接近的时间段可以提高客户流失概率的预测准确度。

本领域技术人员应当理解，虽然在上面的实施例中，接收用户终端150发送的客户流失预测请求、预测移动客户是否流失和向用户终端150发送可能会流失的移动客户的信息都是由预测服务器140实现，然而，本发明并不局限于此。在本发明的其它一些实施例中，例如也可以把预测服务器140实现的功能划分为由两个服务器来实现，即：其中一个服务器仅实现接收用户终端150发送的客户流失预测请求向用户终端150发送可能会流失的移动客户的信息，而另一服务器实现预测移动客户是否流失的功能。

本领域技术人员应当理解，虽然在上面的实施例中，客户流失预测模型是由预测模型学习服务器130建立的，然而，本发明并不局限于此。在本发明的其它一些实施例中，客户流失预测模型也可以由预测服务器140建立。

本领域技术人员应当理解，虽然在上面的实施例中，预测是否流失的客户是移动通信领域中的移动客户，然而，本发明并不局限于此。在本发明的其它一些实施例中，预测是否流失的客户也可以是其它领域中的客户，例如固定通信领域中的固话客户、银行领域的储户等。

现在参见图4，其示出了按照本发明一个实施例的用于预测客户流失的装置的示意图。图4所示的装置可以利用软件、硬件（例如集成电路或FPGA等）或软硬件结合的方式来实现。

如图4所示，用于客户流失预测的装置400可以包括确定模块410、获取模块420和计算模块430。其中，确定模块410可以用于根据预先取得的与客户行为相关的数据，确定当前仍未流失的客户的反映其行为的多个参数各自在设定时间段内的取值。获取模块420可以用于根据所确定的取值和所述当前仍未流失的客户的所述多个参数各自的均值，获取所述当前仍未流失的客户的所述多个参数各自的变化率。计算模块430可以用于根据所获取的变化率和指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化被用作所述指定的客户流失预测模型的变量。

此外，确定模块410还可以用于根据所述预先取得的与客户行为相关的数据，确定所述当前仍未流失的客户的反映其行为的至少一个参数在所述设定时间段内的取值，其中，所述至少一个参数不同于所述多个参数；计算模块430可以进一步用于：根据所述当前仍未流失的客户的所述多个参数各自的变化率、所述当前仍未流失的客户的所述至少一个参数的取值和所述指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，其中，所述多个参数各自的变化和所述至少一个参数被用作所述指定的客户流失预测模型的变量。

此外，确定模块410还可以用于根据所述预先取得的与客户行为相关的数据，确定多个客户的每一个的所述多个参数各自在指定时间段内的取值，其中，所述多个客户包括已流失的客户和当前仍未流失的客户；获取模块420还可以用于根据所确定的所述多个客户的每一个的所述多个参数各自的取值和所述多个客户的每一个的所述多个参数各自的均值，获取所述多个客户的每一个的所述多个参数各自的变化率；装置400还可以包括创建模块440，用于根据所获取的所述多个客户的每一个的所述多个参数各自的变化率，创建基于指定预测技术的客户流失预测模型，其中，所述多个参数各自的变化被用作所创建的客户流失预测模型的变量，以及，所述指定的客户流失预测模型是所述创建的客户流失预测模型或者是所述创建的客户流失预测模型的其中一个。

此外，该设定时间段可以是刚过去的时间段。

此外，确定模块410可以进一步用于：当收到用户终端150发送的客户流失预测请求时，确定所述当前仍未流失的客户的所述多个参数各自在所述设定时间段内的取值或者确定所述当前仍未流失的客户的所述多个参数和所述至少一个参数各自在所述设定时间段内的取值；装置400还可以包括检索模块450和发送模块460，其中，检索模块450可以用于根据所计算的所述当前仍未流失的客户的流失概率来检索出其流失概率大于指定值的客户作为可能会流失的客户，以及，发送模块460可以用于向用户终端150发送关于所述可能会流失的客户的信息。

此外，所述客户流失预测请求可以包括期望使用的预测技术，以及，所述指定的客户流失预测模型所基于的预测技术与所述客户流失预测请求所包括的预测技术相同。

此外，所述客户可以是移动客户，以及，所述多个参数包括以下的多个：呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

此外，所述至少一个参数包可以括以下的至少一个：入网时长、是否集团客户和是否资费捆绑，以及，所述指定预测技术包括贝叶斯网络、朴素贝叶斯分类器和/或决策树。

现在参见图5，其示出了按照本发明一个实施例的用于预测客户流失的设备的示意图。如图4所示，设备500可以包括用于存储可执行指令的存储器510和处理器520。其中，处理器520根据存储器510所存储的可执行指令，执行装置400的各个模块所实现的功能。

本发明实施例还提供一种机器可读介质，其上存储可执行指令，当该可执行指令被执行时，使得机器实现处理器520的功能。

本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。

Claims (20)

1.一种用于客户流失预测的方法，包括：

根据预先取得的与客户行为相关的数据，确定当前仍未流失的客户的反映其行为的多个参数各自在设定时间段内的取值；

根据所确定的取值和所述当前仍未流失的客户的所述多个参数各自的均值，获取所述当前仍未流失的客户的所述多个参数各自的变化率；以及

根据所获取的变化率和指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，

其中，所述多个参数各自的变化被用作所述指定的客户流失预测模型的变量。

2.如权利要求1所述的方法，其中，还包括：

根据所述预先取得的与客户行为相关的数据，确定所述当前仍未流失的客户的反映其行为的至少一个参数在所述设定时间段内的取值，其中，所述至少一个参数不同于所述多个参数，

其中，所述计算步骤进一步包括：根据所述当前仍未流失的客户的所述多个参数各自的变化率、所述当前仍未流失的客户的所述至少一个参数的取值和所述指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，

其中，所述多个参数各自的变化和所述至少一个参数被用作所述指定的客户流失预测模型的变量。

3.如权利要求1所述的方法，其中，还包括：

根据所述预先取得的与客户行为相关的数据，确定多个客户的每一个的所述多个参数各自在指定时间段内的取值，其中，所述多个客户包括已流失的客户和当前仍未流失的客户；

根据所确定的所述多个客户的每一个的所述多个参数各自的取值和所述多个客户的每一个的所述多个参数各自的均值，获取所述多个客户的每一个的所述多个参数各自的变化率；以及

根据所获取的所述多个客户的每一个的所述多个参数各自的变化率，创建基于指定预测技术的客户流失预测模型，其中，所述多个参数各自的变化被用作所创建的客户流失预测模型的变量，

其中，所述指定的客户流失预测模型是所述创建的客户流失预测模型或者是所述创建的客户流失预测模型的其中一个。

4.如权利要求1所述的方法，其中，所述设定时间段是刚过去的时间段。

5.如权利要求1或2所述的方法，其中，进一步包括：

当收到用户终端发送的客户流失预测请求时，执行所述确定步骤，

其中，所述方法还包括：

根据所计算的所述当前仍未流失的客户的流失概率，检索出其流失概率大于指定值的客户，作为可能会流失的客户；以及

向所述用户终端发送关于所述可能会流失的客户的信息。

6.如权利要求5所述的方法，其中，

所述客户流失预测请求包括期望使用的预测技术，

所述指定的客户流失预测模型所基于的预测技术与所述客户流失预测请求所包括的预测技术相同。

7.如权利要求1-4的任意一个所述的方法，其中，

所述客户是移动客户，以及

所述多个参数包括以下的多个：呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

8.如权利要求2或4的方法，其中，

所述至少一个参数包括以下的至少一个：入网时长、是否集团客户和是否资费捆绑。

9.如权利要求3或4所述的方法，其中，

所述指定预测技术包括贝叶斯网络、朴素贝叶斯分类器和/或决策树。

10.一种用于客户流失预测的装置，包括：

确定模块，用于根据预先取得的与客户行为相关的数据，确定当前仍未流失的客户的反映其行为的多个参数各自在设定时间段内的取值；

获取模块，用于根据所确定的取值和所述当前仍未流失的客户的所述多个参数各自的均值，获取所述当前仍未流失的客户的所述多个参数各自的变化率；以及

计算模块，用于根据所获取的变化率和指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，

其中，所述多个参数各自的变化被用作所述指定的客户流失预测模型的变量。

11.如权利要求10所述的装置，其中，

所述确定模块还用于根据所述预先取得的与客户行为相关的数据，确定所述当前仍未流失的客户的反映其行为的至少一个参数在所述设定时间段内的取值，其中，所述至少一个参数不同于所述多个参数，

所述计算模块进一步用于：根据所述当前仍未流失的客户的所述多个参数各自的变化率、所述当前仍未流失的客户的所述至少一个参数的取值和所述指定的客户流失预测模型，计算所述当前仍未流失的客户的流失概率，

其中，所述多个参数各自的变化和所述至少一个参数被用作所述指定的客户流失预测模型的变量。

12.如权利要求10所述的装置，其中，

所述确定模块还用于根据所述预先取得的与客户行为相关的数据，确定多个客户的每一个的所述多个参数各自在指定时间段内的取值，其中，所述多个客户包括已流失的客户和当前仍未流失的客户，

所述获取模块还用于根据所确定的所述多个客户的每一个的所述多个参数各自的取值和所述多个客户的每一个的所述多个参数各自的均值，获取所述多个客户的每一个的所述多个参数各自的变化率，

其中，所述装置还包括创建模块，用于根据所获取的所述多个客户的每一个的所述多个参数各自的变化率，创建基于指定预测技术的客户流失预测模型，其中，所述多个参数各自的变化被用作所创建的客户流失预测模型的变量，

其中，所述指定的客户流失预测模型是所述创建的客户流失预测模型或者是所述创建的客户流失预测模型的其中一个。

13.如权利要求10所述的装置，其中，所述设定时间段是刚过去的时间段。

14.如权利要求10或11所述的装置，其中，

所述确定模块进一步用于：当收到用户终端发送的客户流失预测请求时，执行所述确定，

其中，所述装置还包括：

检索模块，用于根据所计算的所述当前仍未流失的客户的流失概率，检索出其流失概率大于指定值的客户，作为可能会流失的客户；以及

发送模块，用于向所述用户终端发送关于所述可能会流失的客户的信息。

15.如权利要求14所述的装置，其中，

所述客户流失预测请求包括期望使用的预测技术，

所述指定的客户流失预测模型所基于的预测技术与所述客户流失预测请求所包括的预测技术相同。

16.如权利要求10-13的任意一个所述的装置，其中，

所述客户是移动客户，以及

所述多个参数包括以下的多个：呼出累计时长、呼入累计时长、短信累计发送量、数据业务累计流量、漫游时长、跨网时长、消费种类总数、用户充值次数、用户充值金额、消费金额和投诉次数。

17.如权利要求11或13所述的装置，其中，

所述至少一个参数包括以下的至少一个：入网时长、是否集团客户和是否资费捆绑。

18.如权利要求12或13所述的装置，其中，

所述指定预测技术包括贝叶斯网络、朴素贝叶斯分类器和/或决策树。

19.一种用于客户流失预测的设备，包括：

存储器，用于存储可执行指令；以及

处理器，用于根据所述存储器所存储的可执行指令，执行权利要求1-9中的任意一个所包括的步骤。

20.一种机器可读介质，其上存储有可执行指令，当该可执行指令被执行时，使得机器执行权利要求1-9中的任意一个所包括的步骤。

Images