CN104813353A - 用于生成用户流失预测的系统和方法 - Google Patents
用于生成用户流失预测的系统和方法 Download PDFInfo
- Publication number
- CN104813353A CN104813353A CN201380056935.5A CN201380056935A CN104813353A CN 104813353 A CN104813353 A CN 104813353A CN 201380056935 A CN201380056935 A CN 201380056935A CN 104813353 A CN104813353 A CN 104813353A
- Authority
- CN
- China
- Prior art keywords
- user
- social
- loss
- analysis module
- network analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title abstract description 24
- 230000006854 communication Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000003012 network analysis Methods 0.000 claims description 42
- 230000000694 effects Effects 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000013500 data storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M15/00—Arrangements for metering, time-control or time indication ; Metering, charging or billing arrangements for voice wireline or wireless communications, e.g. VoIP
- H04M15/44—Augmented, consolidated or itemized billing statement or bill presentation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M15/00—Arrangements for metering, time-control or time indication ; Metering, charging or billing arrangements for voice wireline or wireless communications, e.g. VoIP
- H04M15/58—Arrangements for metering, time-control or time indication ; Metering, charging or billing arrangements for voice wireline or wireless communications, e.g. VoIP based on statistics of usage or network monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
- H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
- Meter Arrangements (AREA)
Abstract
一种用于生成用户流失预测的系统和方法包括从网络运营商接收详述网络运营商的用户之间的通信的呼叫详细记录以及基于呼叫详细记录确定用户之间的联系强度。系统和方法进一步包括通过由于流失事件在用户之间传播流失者影响从联系强度生成在每个用户处累积的净流失影响。
Description
技术领域
本发明涉及网络用户的流失。
背景技术
移动网络中的用户出于各种原因流失,即,从网络运营商取消订阅以切换到另一网络运营商。例如,用户可以由于对由网络运营商提供的服务(例如,语音服务、数据服务、视频服务、短消息服务(SMS)、多媒体消息服务(MMS)等)不满意,对服务质量、网络上的移动设备的可用性不满意等等而流失。用户也可以由于诸如由另一网络运营商提供的竞争性定价、折扣和/或促销之类的财务考虑决定从网络运营商退出。
发明内容
根据一个实施例,一种用于生成用户流失预测的系统包括数据输入设备和连接到数据输入设备的至少一个处理器。数据输入设备可以从网络运营商接收详述网络运营商的至少一个用户的通信的呼叫详细记录。至少一个处理器可以执行流失预测程序以至少基于呼叫详细记录生成用户流失预测。
根据一个实施例,流失预测程序可以包括从呼叫详细记录获得社交度量的社交网络分析模块。
根据一个实施例,流失预测程序可以包括从社交网络分析模块接收社交度量并且生成流失预测的流失预测模块。
根据一个实施例,结合至少一个传统度量、从社交度量生成流失预测。
根据一个实施例,社交网络分析模块可以通过基于呼叫详细记录的一个或者多个呼叫属性确定连接的用户之间的联系强度(tie-strength)来获得至少一个社交度量。
根据一个实施例,至少一个社交度量可以包括净流失者影响、作为流失者的邻近用户的数目、至最近的流失者的跳数、至流失者的呼叫数目、至最近的流失者的呼叫数目和在呼叫流失者上花费的时间中的至少一项。
根据一个实施例,社交网络分析模块可以基于联系强度在用户之间传播流失者影响并且确定对每个用户的净影响。
根据一个实施例,流失者影响的传播可以是以接收者为中心的。由每个用户从连接的用户接收到的影响可以与用户之间的联系的联系强度成比例。
根据一个实施例,一种用于生成用户流失预测的计算机化的方法包括如下步骤:通过在计算机处理器上执行的流失预测程序接收详述网络运营商的至少一个用户的通信的呼叫详细记录,以及通过在计算机处理器上执行的流失预测程序至少基于呼叫详细记录生成用户流失预测。
根据一个实施例,计算机化的方法还可以包括通过在计算机处理器上执行的流失预测程序从呼叫详细记录获得社交度量的步骤。
根据一个实施例,通过在计算机处理器上执行的流失预测程序生成用户流失预测的步骤可以包括组合社交度量与至少一个传统度量用于流失预测。
根据一个实施例,获得社交度量可以包括通过在计算机处理器上执行的流失预测程序,基于呼叫详细记录的一个或者多个呼叫属性确定连接的用户之间的联系强度。
根据一个实施例,社交度量可以包括净流失者影响、作为流失者的邻近用户的数目、至最近的流失者的跳数、至流失者的呼叫数目、至最近的流失者的呼叫数目和在呼叫流失者上花费的时间中的至少一项。
根据一个实施例,计算机化的方法还可以包括通过在计算机处理器上执行的流失预测程序,基于联系强度在用户之间传播流失者影响和确定对每个用户的净影响的步骤。
根据一个实施例,通过在计算机处理器上执行的流失预测程序在用户之间传播流失者影响可以是以接收者为中心的。由每个用户从连接的用户接收到的影响可以与用户之间的联系的联系强度成比例。
根据一个实施例,一种存储适于由计算机处理器执行以完成用于生成用户流失预测的方法的指令的非瞬态有形计算机可读介质可以包括:通过在计算机处理器上执行的流失预测程序接收详述网络运营商的至少一个用户的通信的呼叫详细记录的步骤。该方法还可以包括通过在计算机处理器上执行的流失预测程序至少基于呼叫详细记录生成用户流失预测。
根据一个实施例,该方法可以进一步包括通过在计算机处理器上执行的流失预测程序从呼叫详细记录获得社交度量的步骤。
根据一个实施例,通过在计算机处理器上执行的流失预测程序生成用户流失预测的步骤可以包括组合社交度量与至少一个传统度量用于流失预测。
根据一个实施例,获得社交度量可以包括通过在计算机处理器上执行的流失预测程序,基于呼叫详细记录的一个或者多个呼叫属性确定连接的用户之间的联系强度。
根据一个实施例,该方法可以进一步包括通过在计算机处理器上执行的流失预测程序,基于联系强度在用户之间传播流失者影响和确定对每个用户的净影响的步骤。
参考附图,鉴于本文的以下详细描述,这些和其他实施例将变得明显。
附图说明
图1是根据一个实施例的计算机化系统的示意图;
图2是由图1的计算机化系统形成的用户连接的图形表示;
图3是用于从图1的计算机化系统生成流失预测的实施例的流程图;
图4是由图1的计算机化系统形成的社交圈的示例性实施例的图形表示;以及
图5是图1的计算机化系统的示例性实施例的示意图。
具体实施方式
参考图1,示出了适于使用来自网络运营商16的呼叫详细记录14生成用户流失预测12的计算机化系统10的实施例。计算机化系统10包括社交网络分析模块18和流失预测模块20。社交网络分析模块18使用呼叫详细记录14估计网络运营商16的一个或者多个用户22之间的社交网络连接。计算机化系统10输入流失数据24,该流失数据24可以由网络运营商16提供,并且流失预测模块20至少部分地基于流失数据24和所估计的社交网络连接来生成流失预测12。
每个呼叫详细记录14包括详述网络运营商16的一个或者多个用户22之间的通信的一个或者多个呼叫属性25。这些呼叫详细记录14通常由网络运营商16生成并且使用,用于开具账单的目的等等。呼叫详细记录14的呼叫属性25可以包括例如主叫标识符和被叫标识符、呼叫日期、呼叫时间、呼叫时长和用于呼叫发起和呼叫终止的蜂窝塔的位置等等。呼叫详细记录14还可以包括消息发送者和接收者标识符、消息类型(例如,短消息服务(SMS)或者多媒体消息服务(MMS))和消息大小。
如上文所讨论的,计算机化系统10的社交网络分析模块18可以使用在呼叫详细记录14中提供的信息以估计网络运营商16的一个或者多个用户22之间的社交网络连接的强度。例如,参考图2,图1中示出的社交网络分析模块18可以基于图1中示出的呼叫详细记录14的在图1中示出的呼叫属性25生成用户22之间的联系强度26。每个联系强度26基于通信信息(即,在图1中示出的呼叫详细记录14中提供的在图1中示出的呼叫属性25)量化图1中示出的网络运营商16的两个用户22之间的社交连接。例如,两个用户22之间的联系强度26可以基于用户22之间的呼叫/消息的数目、呼叫的时长、消息的大小、呼叫/消息的方向(例如,呼叫/消息是否是相互的)、相互呼叫/消息的时间、呼叫/消息的日期/时间、与其他用户22的公共连接的数目和/或两个用户22之间的在图1中示出的任何其他类似的呼叫属性25。当生成用户22之间的联系强度26时,图1中示出的社交网络分析模块18优选地考虑多个呼叫属性25,因为可能有这样的情况,其中图1中示出的一个呼叫属性25单独地可能不能提供对于两个用户22之间的社交连接的良好指示。
参考图3,在步骤28处,在操作中,图1中示出的社交网络分析模块18可以通过首先归一化用户22中的每个用户之间的呼叫属性25来生成用户22之间的联系强度26。这允许通常使用不同的尺度测量的呼叫属性25由图1中示出的社交网络分析模块18以无量纲的方式组合。例如,呼叫时长可以以分钟测量,而呼叫频率可以以每月的呼叫测量。因此,为了使呼叫属性25更容易地可组合,社交网络分析模块18可以通过重新调节每个呼叫属性25以具有单位长度从而归一化呼叫属性25。例如,在一个实施例中,图1中示出的社交网络分析模块18可以通过将属性xi的每个观测值除以|xi|来归一化呼叫属性25,其中:
这操作以重新调节每个属性xi以使其具有单位长度。在呼叫属性25在步骤28处被归一化之后,图1中示出的社交网络分析模块18可以然后计算用户22中的每个用户之间的归一化属性xi的加权和x,以提供连接任何两个用户22的总呼叫属性25的测量。例如,图1中示出的社交网络分析模块18可以使用如下等式计算加权和x:
x=α1x1+α2x2+...+αnxn;
其中:
n是用于确定联系强度26的呼叫属性25的数目;并且
α1、α2、…、αn是可以例如从历史数据等中获得的常数。
在步骤32处,图1中示出的社交网络分析模块18然后可以计算用户22之间的联系强度26作为用户22之间的归一化属性xi的加权和x的函数w(x)。函数w(x)优选地是单调增函数使得对于更大的加权和x而言用户22之间的联系强度26更大。例如,在示例性实施例中,图1中示出的社交网络分析模块18可以使用由下式给出的单调增函数确定两个用户22之间的联系强度26:
w(x)=1-exp(-x/ε2)
其中:
w(x)限于区间[0,1];并且
ε是控制饱和度的常数参数,饱和度也可以例如从历史数据等中获得。
该示例函数w(x)基于如下假设,在两个用户22之间(即联系强度26是高的)显现强社交连接后,存在将从一个用户22向另一用户22传递例如退出的想法的高概率。然而,如由本领域技术人员应当理解的,该示例函数w(x)仅仅被提供用于说明的目的,并且本领域技术人员应当容易理解到,各种其他功能可以适合用于关联呼叫属性25和确定用户22之间的联系强度26。
在34处,使用图1中示出的联系强度26和流失者数据24,图1中示出的社交网络分析模块18确定对用户22的流失者影响。如上文所讨论的联系强度26的量化提供用于测量哪些用户22被紧密连接到彼此并且因此更有可能受彼此行为影响的基础。
例如,参考图4,图1中示出的社交网络分析模块18可以使用联系强度26对影响I在用户22之间的传播进行建模,以量化影响I如何从流失者36向流失者36的社交圈38传播以及影响I的什么部分由影响I的接收者40保留。为了对通过社交圈的影响传播进行建模,图1中示出的社交网络分析模块18考虑由图4的图中的节点nA、nB、nC、nD、…等标记的用户22之间的联系强度26。在特定节点ni和相连节点nj之间,联系强度26可以被量化为tij。例如,节点nA和nB之间的联系强度26可以被量化为tAB并且使用上文所讨论的单调增函数w(x)计算为用户节点nA和nB之间的在图1中示出的呼叫属性25的函数。由于两个用户22之间的在图1中示出的呼叫属性25在用户22之间是无定向的,因此联系强度26也是无定向的,即tij=tji。
在联系强度26被量化之后,图1中示出的社交网络分析模块18可以通过如下等式将由节点ni从节点nj接收到的影响Iij确定为节点ni和nj之间的联系强度量tij与节点ni上附带的所有联系的联系强度量之和Ti的比例:
其中:
Ij是节点nj处的影响;
Ni是节点ni的所有节点邻居的集合。
例如,仍然参考图4,其中节点nA是具有影响I的流失者36,由节点nB从节点nA接收到的影响可以被量化如下:
由节点ni接收到的总影响Ii是从节点ni的所有邻居接收到的所有影响的和,并且由如下等式给出:
因此,与图4的示例性实施例一致,节点nB处的总影响是IB=IBA+IBC,因为节点nB将以两种方式从节点nA接收影响I的部分,以IBA直接地从节点nA接收以及通过节点nC间接地接收,节点nC以ICA从节点nA接收影响I的一部分。由于节点中的每个节点之间的相对联系强度26,节点nB从节点nA和nC接收到的影响的量不同。接收用户22中的每个接收用户将根据上文所讨论的等式保留接收到的影响的一部分,并且继而将保留的影响传递到邻近的用户22。例如,用户节点ni将经由节点nC和nD接收节点nA的流失事件的影响I的一部分。影响I的这个传播将继续,直到所保留的影响达到可忽略的量,例如,保留的影响近似为零,或者直到在用户22之间的最大预定跳数被达到。例如,最大预定跳数可以被设置为在用户22之间的3跳或者4跳。在一些实施例中,图1中示出的社交网络分析模块18也可以包括使传播的影响的量随着跳数和/或随着时间衰减的参数。另外,在一些实施例中,图1中示出的社交网络分析模块18可以考虑影响传播随着非对称联系强度26的方向性。
图1中示出的社交网络分析模块18也可以限制影响I的传播,使得特定用户22不受来自相同邻近用户22的相同流失事件影响一次以上。另外,如由本领域技术人员应当理解的,当根据用户22之间的社交联系的期望模型通过社交圈38传播影响I时,用于传播影响I的其他限制和/或约束可以通过图1中示出的社交网络分析模块18设置。
针对图1中示出的网络运营商16发生的每个流失事件,由图1中示出的社交网络分析模块18重复影响传播计算。在传播过程的结束处,用户22中的每个用户将具有由于社交圈38中的所有流失事件收集的影响Ii的净量。
上文所描述的示例实施例提供用于影响传播的以接收者为中心的模型,其中由接收用户22保留的影响有利地依赖于接收用户22和发送用户22之间的关系。例如,如果接收用户22是发送用户22的亲密朋友,则接收用户22和发送用户22之间的联系强度26将比接收用户22的诸如同事或者熟人之类的一些其他邻居的联系强度更大。该更大的联系强度26将导致在接收用户22处的来自发送用户22的行动比来自例如同事或者熟人的其他邻居的行动更大的影响。图1中示出的社交网络分析模块18适于通过量化用户22之间的联系强度26来考虑这些社交差异,使得所保留的影响的总量与接收用户22与发送用户22具有的联系强度26有关,该联系强度26是相对于接收用户22与所有他的邻近用户22的联系强度26而言的。
重新参考图3,在确定用于图4中示出的每个用户22的影响Ii的净量之后,图1中示出的社交网络分析模块18可以在步骤42处基于图4中示出的社交圈38向流失预测模块20提供用于图4中示出的每个用户22的社交相关度量,作为用于确定流失预测12的因子。用于图4中示出的每个用户22的社交相关度量可以包括净影响Ii、是图4中示出的流失者36的邻近节点ni的数目、至图4中示出的最近的流失者36的跳数、至图4中示出的流失者36的呼叫数目/量、至图4中示出的最近的流失者36的呼叫数目/量、在呼叫图4中示出的流失者36上花费的时间或者可以从图4中示出的社交圈38和图1中示出的呼叫详细记录14获得的其他类似的社交数据。
另外,在一些实施例中,在图1中示出的社交网络分析模块18可以从社交媒体网站挖掘文本以收集关于用户22对图1中示出的他们的网络运营商16的态度的信息。图1中示出的社交网络分析模块18可以使用将每个用户22链接到社交网站上的他们的社交身份的该信息作为用于生成流失预测12的进一步的社交度量。
在44处,流失预测模块20基于由图1中示出的社交网络分析模块18提供的社交相关度量和图1中示出的传统用户水平度量46生成流失预测12。图1中示出的传统用户水平度量46可以包括例如服务使用、账单、客户关系管理数据(例如,向客户支持的呼叫、投诉结果、人口统计数据等等)。为了生成流失预测12,流失预测模块20可以并入由图1中示出的社交网络分析模块18提供的社交相关度量和图1中示出的任何传统用户水平度量46作为用于预测客户流失的传统机器学习算法或者处理中的预测变量。例如,诸如逻辑回归、决策树和随机森林之类的若干不同的分类算法和处理可以用于将用户22分类为潜在的流失者。流失预测模块20的分类处理可以开始于训练数据集合,其中目标变量的值对于用户22已知,即不管每个用户是否是图4中示出的流失者36。处理可以使用训练数据来评价预测之间的联系。然后,流失预测模块20可以使用所学习的模型输入和评价预测变量,以生成指示特定用户具有更高还是更低的流失倾向的流失预测12。
流失预测12可以指示每个用户22将流失的可能性,而不是仅仅将每个用户22标注为潜在的流失者或者非流失者,使得用户22可以被从高向低流失可能性或者倾向排序。在这样的排序的情况下,网络运营商16可以有利地开发出挽留策略以瞄准具有最高可能性或者倾向流失的有限数目的用户22。
本文所描述的在图1中示出的计算机化系统10具有必要的电子设备、软件、存储器、存储装置、数据库、固件、逻辑/状态机、微处理器、通信链接、显示器或者其他视频或者音频用户接口、打印设备和执行本文所描述的功能和/或实现本文所描述的结果的任何其他输入/输出接口。例如,参考图5,计算机化系统10的示例性实施例被示出通过网络接口单元48连接到网络运营商16。计算机化系统10可以包括至少一个中央处理单元(CPU)50、系统存储器52(包括随机访问存储器(RAM)54和只读存储器(ROM)56)、输入/输出控制器58以及一个或者多个数据存储设备60。这些后面的元件的全部都与CPU 50通信,以促进上文所讨论的计算机化系统10的操作。合适的计算机程序代码可以被提供用于执行各种功能,包括上文关于在图1中示出的社交网络分析模块18和流失预测模块20所讨论的那些。计算机程序代码也可以包括诸如操作系统、数据库管理系统和“设备驱动器”之类的允许CPU 50经由输入/输出控制器58与计算机外围设备(例如,视频显示器、键盘、计算机鼠标等)对接的程序元件。
CPU 50可以包括处理器,诸如一个或者多个常规微处理器和诸如数学协处理器等的一个或者多个补充协处理器。CPU 50与网络接口单元48通信,通过网络接口单元48,CPU 50可以与网络运营商16和/或诸如其他服务器或者用户终端之类的其他设备通信。网络接口单元48可以包括用于与例如其他处理器、服务器或者运营商同时通信的多个通信信道。与彼此通信的设备不一定向彼此连续地传输。相反,这样的设备仅需要在必要时向彼此传输,事实上这可以在大部分时间避免交换数据,并且可以要求执行若干步骤以在设备之间建立通信链接。
CPU 50与数据存储设备60通信。数据存储设备60可以包括磁、光和/或半导体存储器的合适的组合,并且可以包括例如RAM、ROM、闪存驱动器、诸如压缩盘之类的光盘和/或硬盘或者驱动器。CPU 50和数据存储设备60均可以例如被整体定位在单个计算机或者其他计算设备内;或者通过诸如USB端口、串口线、同轴电缆、以太网类型的电缆、电话线、射频收发器或者其他类似的无线或者有线介质或者前述的组合的通信介质连接到彼此。例如,CPU 50可以经由网络接口单元48被连接到数据存储设备60。
数据存储设备60可以存储例如适于存储可以被利用以存储由程序所需要的信息的一个或者多个数据库、用于计算机化系统10的操作系统和/或适于引导CPU 50生成图1中示出的流失预测12的一个或者多个程序(例如,计算机程序代码和/或计算机程序产品)。操作系统和/或程序可以例如以压缩的、未编译的和/或加密的格式被存储,并且可以包括计算机程序代码。计算机程序代码的指令可以从除了数据存储设备60之外的诸如ROM 56或者RAM 54之类的计算机可读介质被读取到处理器的主存储器中。虽然程序中的指令的序列的执行使得处理器执行本文所描述的处理步骤,但是硬接线电路系统可以代替或者结合用于本发明的处理的实现的软件指令被使用。因此,本发明的实施例不限于硬件和软件的任何特定组合。
程序也可以被实现在诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑器件等的可编程硬件设备中。程序也可以被实现在用于由各种类型的计算机处理器执行的软件中。可执行代码的程序可以例如包括计算机指令的一个或者多个物理或者逻辑块,其可以例如被组织为对象、进程、处理或者功能。然而,标识的程序的可执行文件不需要物理上定位在一起,而是可以包括存储在不同位置中的分离的指令,当逻辑上联系在一起时,包括程序并且实现所陈述的目的用于诸如生成图1中示出的流失预测12之类的程序。在一个实施例中,可执行代码的应用可以是很多指令的编译,并且甚至可以在不同的程序之间以及跨若干设备而分布在若干不同代码分割或者片段中。
如本文所使用的术语“计算机可读介质”指代向计算机化系统10的CPU 50(或者本文所描述的设备的任何其他处理器)提供或者参与提供用于执行的指令的任何介质。这样的介质可以采取很多形式,包括但不限于,非易失性介质和易失性介质。非易失性介质包括例如光、磁或者光磁盘,诸如存储器。易失性介质包括动态随机存取存储器(DRAM),其通常构成主存储器。计算机可读介质的一般形式包括例如软盘、柔性盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光介质、穿孔卡片、纸带、具有孔的图案的任何其他物理介质、RAM、PROM、EPROM或者EEPROM(电可擦可编程只读存储器)、FLASH-EEPROM、任何其他存储器芯片或者盒式磁盘、或者计算机可以从其读取的任何其他介质。
计算机可读介质的各种形式可以涉及向CPU 50(或者本文所描述的设备的任何其他处理器)载送一个或者多个指令的一个或者多个序列用于执行。例如,指令可以最初被承载在远程计算机(未示出)的磁盘上。远程计算机可以将指令加载到动态存储器中,并且通过以太网连接、电缆线路或者甚至使用调制解调器的电话线发送指令。在计算设备(例如,服务器)本地的通信设备可以接收相应的通信线路上的数据并且将数据放置在用于CPU 50的系统总线上。系统总线可以向主存储器载送数据,CPU 50从主存储器获取数据并且执行指令。在由CPU 50执行之前或者之后,由主存储器接收的指令可以可选地存储在存储器中。另外,指令可以作为电、电磁或者光信号(其是携带各种类型的信息的无线通信或者数据流的示例形式)经由通信端口被接收。
计算机化系统10有利地提供系统和方法以预测电信服务中的客户流失,其集成了社交网络分析概念与传统流失预测系统和方法,试图在他们从网络运营商取消订阅之前检测潜在的流失。图4中示出的联系强度26和由图1中示出的社交网络分析模块18开发的影响传播模型,可以基于图1中示出的流失预测模块20有利地被集成到机器学习中以改善流失预测准确度。在潜在的流失者被识别之后,他们可以然后被用挽留策略等瞄准。
另外,计算机化系统10的系统和方法可以有利地被应用与对影响扩散进行建模,用于可以影响图1中的用户22的各种社交现象,诸如服务的追加销售、服务的交叉销售和应用的下载。例如,图1中示出的社交网络分析模块18可以被实现以更好地瞄准图1中示出的当前用户22,用于新的服务和/或应用。
虽然本发明已经关于其详细实施例被示出和描述,但是将由本领域技术人员理解的是,其形式和细节上的各种变化可以在不脱离本发明的精神和范围的情况下被做出。
Claims (10)
1.一种用于生成用户流失预测的系统,包括:
数据输入设备,被适配为从网络运营商接收详述用于所述网络运营商的至少一个用户的通信的呼叫详细记录;以及
至少一个处理器,被连接到所述数据输入设备,所述至少一个处理器被适配为执行流失预测程序以至少基于所述呼叫详细记录生成所述用户流失预测。
2.根据权利要求1所述的系统,其中所述流失预测程序包括社交网络分析模块,所述社交网络分析模块从所述呼叫详细记录获得用于生成所述流失预测的社交度量。
3.根据权利要求2所述的系统,其中所述流失预测程序包括流失预测模块,所述流失预测模块从所述社交网络分析模块接收所述社交度量并且生成所述流失预测。
4.根据权利要求3所述的系统,其中从所述社交度量与服务使用度量、账单度量、至客户支持的呼叫数目、投诉结果或者人口统计数据中的至少一项相结合地生成所述流失预测。
5.根据权利要求2所述的系统,其中所述社交网络分析模块通过基于所述呼叫详细记录的一个或者多个呼叫属性确定所述网络运营商的连接的用户之间的联系强度来获得至少一个社交度量。
6.根据权利要求5所述的系统,其中所述联系强度基于所述呼叫详细记录的多个呼叫属性的平均值被确定。
7.根据权利要求5所述的系统,其中所述至少一个社交度量包括净流失者影响、作为流失者的邻近用户的数目、至最近的流失者的跳数、至流失者的呼叫数目、至所述最近的流失者的呼叫数目和在呼叫流失者上花费的时间中的至少一项。
8.根据权利要求5所述的系统,其中所述社交网络分析模块基于所述联系强度在用户之间传播流失者影响并且确定对每个用户的净影响。
9.根据权利要求8所述的系统,其中所述流失者影响的所述传播是以接收者为中心的,其中由每个用户从连接的用户接收到的所述影响与所述用户之间的所述联系的所述联系强度成比例。
10.根据权利要求8所述的系统,其中所述社交网络分析模块基于用户之间的连接的数目限制所述流失者影响的所述传播。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/663,852 | 2012-10-30 | ||
US13/663,852 US8804929B2 (en) | 2012-10-30 | 2012-10-30 | System and method for generating subscriber churn predictions |
PCT/US2013/066567 WO2014070573A2 (en) | 2012-10-30 | 2013-10-24 | System and method for generating subscriber churn predictions |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104813353A true CN104813353A (zh) | 2015-07-29 |
Family
ID=49552431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380056935.5A Pending CN104813353A (zh) | 2012-10-30 | 2013-10-24 | 用于生成用户流失预测的系统和方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8804929B2 (zh) |
EP (1) | EP2915081A4 (zh) |
JP (2) | JP6333273B2 (zh) |
KR (1) | KR20150065837A (zh) |
CN (1) | CN104813353A (zh) |
IN (1) | IN2015DN03321A (zh) |
WO (1) | WO2014070573A2 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358308A (zh) * | 2017-05-16 | 2017-11-17 | 广州杰赛科技股份有限公司 | 实现社会网络影响力最大化的方法和装置 |
CN107749009A (zh) * | 2017-11-09 | 2018-03-02 | 东软集团股份有限公司 | 一种人员流失的预测方法及装置 |
CN107784511A (zh) * | 2016-08-24 | 2018-03-09 | 中国移动通信集团湖南有限公司 | 一种用户流失预测方法及装置 |
CN108121795A (zh) * | 2017-12-20 | 2018-06-05 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
CN109740685A (zh) * | 2019-01-08 | 2019-05-10 | 武汉斗鱼鱼乐网络科技有限公司 | 用户流失的特征分析方法、预测方法、装置、设备及介质 |
CN109784578A (zh) * | 2019-01-24 | 2019-05-21 | 中国科学院软件研究所 | 一种结合业务规则的在线学习停滞预测系统 |
CN109840790A (zh) * | 2017-11-28 | 2019-06-04 | 腾讯科技(深圳)有限公司 | 用户流失的预测方法、装置及计算机设备 |
CN110020133A (zh) * | 2017-11-07 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 内容推荐处理方法和装置、计算机设备和存储介质 |
CN111178973A (zh) * | 2019-12-31 | 2020-05-19 | 北京每日优鲜电子商务有限公司 | 流失用户标识识别方法、装置、计算机设备及存储介质 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130144694A1 (en) * | 2011-12-06 | 2013-06-06 | International Business Machines Corporation | Designing viral marketing strategies for up-selling and cross-selling |
US9088886B1 (en) * | 2013-03-13 | 2015-07-21 | Sprint Communications Company L.P. | User demographics determination based on commonality in call graphs |
US9189737B2 (en) * | 2013-03-28 | 2015-11-17 | Linkedin Corporation | Determining a churn probability for a subscriber of a social network service |
CN105099731B (zh) * | 2014-04-23 | 2019-05-03 | 腾讯科技(深圳)有限公司 | 挖掘导致网络应用的用户流失的流失因子的方法及系统 |
EP3176744A4 (en) * | 2014-07-31 | 2018-01-17 | Nec Corporation | Behavioral feature prediction system, behavioral feature prediction device, method and program |
EP3021268A1 (en) | 2014-11-11 | 2016-05-18 | Vodafone IP Licensing Limited | Estimation of subscriber churn behaviour in telecommunication networks |
US20160253688A1 (en) * | 2015-02-24 | 2016-09-01 | Aaron David NIELSEN | System and method of analyzing social media to predict the churn propensity of an individual or community of customers |
US10762517B2 (en) * | 2015-07-01 | 2020-09-01 | Ebay Inc. | Subscription churn prediction |
US10580020B2 (en) | 2015-07-28 | 2020-03-03 | Conduent Business Services, Llc | Methods and systems for customer churn prediction |
CN105323784B (zh) * | 2015-11-17 | 2019-01-18 | 中国联合网络通信集团有限公司 | 运营商用户号码采集方法及装置、用户分析方法及系统 |
US10395261B2 (en) * | 2017-01-31 | 2019-08-27 | T-Mobile Usa, Inc. | Identifying and scoring key influencers in a network |
CN108377204B (zh) * | 2018-02-13 | 2020-03-24 | 中国联合网络通信集团有限公司 | 一种用户离网的预测方法及装置 |
KR102129962B1 (ko) * | 2018-05-18 | 2020-07-03 | 성균관대학교산학협력단 | 딥 러닝과 부스티드 디시즌 트리를 활용한 고객이탈 예측장치 및 이를 이용한 고객이탈 예측방법 |
US11074598B1 (en) * | 2018-07-31 | 2021-07-27 | Cox Communications, Inc. | User interface integrating client insights and forecasting |
US11240125B2 (en) * | 2018-10-10 | 2022-02-01 | Sandvine Corporation | System and method for predicting and reducing subscriber churn |
WO2020136512A1 (en) * | 2018-12-27 | 2020-07-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Prioritizing users based on revenue during congestion |
US20200211035A1 (en) * | 2018-12-31 | 2020-07-02 | Microsoft Technology Licensing, Llc | Learning system for curing user engagement |
US10771628B1 (en) * | 2020-03-06 | 2020-09-08 | Caastle, Inc. | Systems and methods for forecasting inbound telecommunications associated with an electronic transactions subscription platform |
CN113450153A (zh) * | 2021-07-02 | 2021-09-28 | 京东科技控股股份有限公司 | 数据处理方法及装置 |
US11651380B1 (en) * | 2022-03-30 | 2023-05-16 | Intuit Inc. | Real-time propensity prediction using an ensemble of long-term and short-term user behavior models |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6049599A (en) * | 1996-01-11 | 2000-04-11 | Gte Telecommunication Services Incorporated | Churn amelioration system and method therefor |
CN1795462A (zh) * | 2003-05-22 | 2006-06-28 | 珀欣投资有限责任公司 | 用于预测流失客户的方法和系统 |
US20090190729A1 (en) * | 2008-01-28 | 2009-07-30 | International Business Machines Corporation | System and computer program product for predicting churners in a telecommunications network |
CN101620692A (zh) * | 2008-06-30 | 2010-01-06 | 上海全成通信技术有限公司 | 一种移动通信业务的客户流失分析方法 |
US20110125574A1 (en) * | 2008-03-31 | 2011-05-26 | Elery Pfeffer | Analyzing transactional data |
CN102195899A (zh) * | 2011-05-30 | 2011-09-21 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的信息挖掘方法与系统 |
WO2011162662A1 (en) * | 2010-06-21 | 2011-12-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Determining a churn risk |
US20120155290A1 (en) * | 2010-12-15 | 2012-06-21 | International Business Machines Corporation | Carrying out predictive analysis relating to nodes of a communication network |
US8265992B1 (en) * | 2009-03-24 | 2012-09-11 | Sprint Communications Company L.P. | Churn prediction using relationship strength quantification |
WO2012121639A1 (en) * | 2011-03-07 | 2012-09-13 | Telefonaktiebolaget L M Ericsson (Publ) | Identifying new network affiliation of churned subscribers |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6301471B1 (en) * | 1998-11-02 | 2001-10-09 | Openwave System Inc. | Online churn reduction and loyalty system |
JP2002334200A (ja) * | 2001-05-11 | 2002-11-22 | Ntt Data Corp | 解約予測支援方法及びシステム |
US8194830B2 (en) * | 2008-01-28 | 2012-06-05 | International Business Machines Corporation | Method for predicting churners in a telecommunications network |
-
2012
- 2012-10-30 US US13/663,852 patent/US8804929B2/en not_active Expired - Fee Related
-
2013
- 2013-10-24 KR KR1020157011614A patent/KR20150065837A/ko not_active Application Discontinuation
- 2013-10-24 WO PCT/US2013/066567 patent/WO2014070573A2/en active Application Filing
- 2013-10-24 CN CN201380056935.5A patent/CN104813353A/zh active Pending
- 2013-10-24 JP JP2015540712A patent/JP6333273B2/ja not_active Expired - Fee Related
- 2013-10-24 EP EP13788833.5A patent/EP2915081A4/en not_active Withdrawn
- 2013-10-24 IN IN3321DEN2015 patent/IN2015DN03321A/en unknown
-
2017
- 2017-05-10 JP JP2017093719A patent/JP2017199377A/ja active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6049599A (en) * | 1996-01-11 | 2000-04-11 | Gte Telecommunication Services Incorporated | Churn amelioration system and method therefor |
CN1795462A (zh) * | 2003-05-22 | 2006-06-28 | 珀欣投资有限责任公司 | 用于预测流失客户的方法和系统 |
US20090190729A1 (en) * | 2008-01-28 | 2009-07-30 | International Business Machines Corporation | System and computer program product for predicting churners in a telecommunications network |
US20110125574A1 (en) * | 2008-03-31 | 2011-05-26 | Elery Pfeffer | Analyzing transactional data |
CN101620692A (zh) * | 2008-06-30 | 2010-01-06 | 上海全成通信技术有限公司 | 一种移动通信业务的客户流失分析方法 |
US8265992B1 (en) * | 2009-03-24 | 2012-09-11 | Sprint Communications Company L.P. | Churn prediction using relationship strength quantification |
WO2011162662A1 (en) * | 2010-06-21 | 2011-12-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Determining a churn risk |
US20120155290A1 (en) * | 2010-12-15 | 2012-06-21 | International Business Machines Corporation | Carrying out predictive analysis relating to nodes of a communication network |
WO2012121639A1 (en) * | 2011-03-07 | 2012-09-13 | Telefonaktiebolaget L M Ericsson (Publ) | Identifying new network affiliation of churned subscribers |
CN102195899A (zh) * | 2011-05-30 | 2011-09-21 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的信息挖掘方法与系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784511A (zh) * | 2016-08-24 | 2018-03-09 | 中国移动通信集团湖南有限公司 | 一种用户流失预测方法及装置 |
CN107358308B (zh) * | 2017-05-16 | 2021-06-18 | 广州杰赛科技股份有限公司 | 实现社会网络影响力最大化的方法和装置 |
CN107358308A (zh) * | 2017-05-16 | 2017-11-17 | 广州杰赛科技股份有限公司 | 实现社会网络影响力最大化的方法和装置 |
CN110020133A (zh) * | 2017-11-07 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 内容推荐处理方法和装置、计算机设备和存储介质 |
CN110020133B (zh) * | 2017-11-07 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 内容推荐处理方法和装置、计算机设备和存储介质 |
CN107749009A (zh) * | 2017-11-09 | 2018-03-02 | 东软集团股份有限公司 | 一种人员流失的预测方法及装置 |
CN107749009B (zh) * | 2017-11-09 | 2020-12-01 | 东软集团股份有限公司 | 一种人员流失的预测方法及装置 |
CN109840790B (zh) * | 2017-11-28 | 2023-04-28 | 腾讯科技(深圳)有限公司 | 用户流失的预测方法、装置及计算机设备 |
CN109840790A (zh) * | 2017-11-28 | 2019-06-04 | 腾讯科技(深圳)有限公司 | 用户流失的预测方法、装置及计算机设备 |
CN108121795A (zh) * | 2017-12-20 | 2018-06-05 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
CN108121795B (zh) * | 2017-12-20 | 2021-07-09 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
CN109740685A (zh) * | 2019-01-08 | 2019-05-10 | 武汉斗鱼鱼乐网络科技有限公司 | 用户流失的特征分析方法、预测方法、装置、设备及介质 |
CN109740685B (zh) * | 2019-01-08 | 2020-10-27 | 武汉斗鱼鱼乐网络科技有限公司 | 用户流失的特征分析方法、预测方法、装置、设备及介质 |
CN109784578B (zh) * | 2019-01-24 | 2021-02-02 | 中国科学院软件研究所 | 一种结合业务规则的在线学习停滞预测系统 |
CN109784578A (zh) * | 2019-01-24 | 2019-05-21 | 中国科学院软件研究所 | 一种结合业务规则的在线学习停滞预测系统 |
CN111178973A (zh) * | 2019-12-31 | 2020-05-19 | 北京每日优鲜电子商务有限公司 | 流失用户标识识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP2915081A4 (en) | 2016-08-10 |
US20140119522A1 (en) | 2014-05-01 |
JP2016507794A (ja) | 2016-03-10 |
WO2014070573A3 (en) | 2014-10-09 |
JP6333273B2 (ja) | 2018-05-30 |
JP2017199377A (ja) | 2017-11-02 |
WO2014070573A2 (en) | 2014-05-08 |
EP2915081A2 (en) | 2015-09-09 |
US8804929B2 (en) | 2014-08-12 |
KR20150065837A (ko) | 2015-06-15 |
IN2015DN03321A (zh) | 2015-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104813353A (zh) | 用于生成用户流失预测的系统和方法 | |
US20210073283A1 (en) | Machine learning and prediction using graph communities | |
US11164238B1 (en) | Cross selling recommendation engine | |
KR102408476B1 (ko) | 사용자 행동 순서에 기반한 구매 확률 예측 방법 및 이를 위한 장치 | |
JP2020177670A (ja) | 情報推奨方法、情報推奨装置、機器および媒体 | |
US20210027182A1 (en) | Automated machine learning systems and methods | |
Lemmens et al. | Bagging and boosting classification trees to predict churn | |
US8930216B1 (en) | Method and apparatus for assessing credit for healthcare patients | |
US20100280950A1 (en) | Transaction authorization using time-dependent transaction patterns | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
US11568343B2 (en) | Data analytics model selection through champion challenger mechanism | |
WO2019179030A1 (zh) | 产品购买预测方法、服务器及存储介质 | |
US11842293B2 (en) | Systems and methods for short identifier behavioral analytics | |
Routh et al. | Estimating customer churn under competing risks | |
US20230072086A1 (en) | Heuristic credit risk assessment engine | |
US20200167634A1 (en) | Machine learning based approach for identification of extremely rare events in high-dimensional space | |
KR101981616B1 (ko) | 인플루언서 마케팅 성과를 예측하는 서비스 제공 방법 | |
Mzoughia et al. | An improved customer lifetime value model based on Markov chain | |
US20160232606A1 (en) | Systems and Methods for Use in Providing Lending Products to Consumers | |
US11068999B1 (en) | Social media data aggregation to optimize underwriting | |
CN117876037A (zh) | 电子卡券的发放方法、装置、终端设备以及存储介质 | |
JP2021165884A (ja) | トラブル解決装置 | |
CN116011571A (zh) | 一种标签配置方法及相关装置 | |
CN116029761A (zh) | 一种优惠券效验方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150729 |
|
WD01 | Invention patent application deemed withdrawn after publication |