CN105069534A - 客户流失预测方法以及装置 - Google Patents

Abstract

本发明公开了一种客户流失预测方法以及装置。所述方法包括如下步骤：根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型；建立多个预测模型，其中，不同的客户类型对应不同的预测模型；通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得训练样本，其中，不同的客户类型对应不同的流失规则；使用训练样本对对应的预测模型进行训练；根据未知客户的现时数据以及对应的预测模型预测未知客户是否有流失倾向。上述方法能够快速、准确地预测具有流失倾向的客户。

Description

客户流失预测方法以及装置

技术领域

本发明涉及人工智能领域，尤其涉及一种客户流失预测方法以及装置。

背景技术

随着网络游戏行业的迅速发展，各个游戏研发商和发行商竞争激烈，游戏玩家容易流失，带来游戏研发商和发行商经济上的损失，挫伤游戏研发商和发行商的开发网络游戏的积极性，长此以往，会造成文化产业的损失。所以，游戏玩家流失的预警对于游戏研发商和发行商来说十分重要。

但是，在现有技术下，只能通过人工筛选的方法来寻找可能会流失的游戏玩家。人工筛选的一个缺点是效率低，由于人工筛选的效率低，所以经常在错失预警的最佳时间后才寻找到准备流失的游戏玩家(下面简称准流失玩家)，此时，对准流失玩家的挽留工作难度会急剧变大。甚至，最严重的是，在游戏玩家彻底流失而不再登录游戏平台后，才寻找到已经流失的游戏玩家，此时，已无法再联系游戏玩家进行挽留工作，导致损失无法挽回。人工筛选的另一个缺点是准确性差，由于人工筛选时只能通过单一的筛选规则进行筛选，所以经常会出现误判。例如，人工筛选规则通常定义为最近一周内的充值次数小于2次且充值金额小于1000元的游戏玩家被预测为准流失玩家，但是，对于上升期的玩家，尽管充值次数不多，金额也小于1000元，却不应该被认为为准流失玩家，对于高级游戏玩家，尽管充值次数大于两次或者充值金额大于1000元，也极有可能是准流失玩家等等。对非准流失玩家的误判而实施挽留工作会造成资源的浪费，而对事实为准流失玩家的误判而没有实施挽留工作会导致损失无法挽回。

发明内容

本发明实施例所要解决的技术问题在于，提供一种客户流失预测方法以及装置，能够快速、准确地预测具有流失倾向的客户。

本发明提供了一种客户流失预测方法，包括如下步骤：根据采集到的客户的历史数据对所述客户进行分组以获得多个对应预测模型的客户类型；建立多个预测模型，其中，不同的客户类型对应不同的预测模型；通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得训练样本，其中，不同的客户类型对应不同的流失规则；使用所述训练样本对对应的预测模型进行训练；根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。

可选地，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。

可选地，所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。

可选地，根据采集到的客户的历史数据对所述客户进行分类以获得多个客户类型具体为：根据采集到的客户的历史数据并通过聚类算法对所述客户进行分类以获得多个客户类型。

可选地，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。

可选地，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向之后还包括：对需求文本进行中文分词，并对中文分词后的单词进行统计以获得高频词以获得客户的需求类别，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。

可选地，根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向之后还包括：对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。

本发明还提供了一种客户流失预测装置，包括：分组模块，用于根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型；建模模块，用于建立多个预测模型，其中，不同的客户类型对应不同的预测模型；识别模块，用于通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则；训练模块，用于使用所述训练样本对对应的预测模型进行训练；预测模块，用于根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。

可选地，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。

可选地，所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。

可选地，所述分组模块还用于根据采集到的客户的数据并通过聚类算法对所述客户进行分类以获得多个客户类型。

可选地，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。

可选地，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，所述装置还包括：分词模块、统计模块以及匹配模块，所述分词模块用于对需求文本进行中文分词，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；所述统计模块用于对中文分词后的单词进行统计得到高频词以获得客户的需求类别；所述匹配模块用于根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。

可选地，所述装置还包括跟踪模块，所述跟踪模块用于对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。

通过实施本发明实施例，能够通过计算机来完成采集客户的数据、建立预测模块、对预测模型进行训练以及根据预测模型进行预测等工作，比人工逐个进行筛选的速度快，效率高。而且，本发明对不同的客户进行了分组，针对每种客户类型的客户建立属于自己的预测模型进行预测，比起人工对所有的客户采用单一的规则进行预测来说，提高了预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明客户流失预测方法一实施方式的流程图；

图2是本发明客户流失预测方法中对客户数据进行聚类分组的示意图；

图3是本发明客户流失预测方法另一实施方式的流程图；

图4是本发明客户流失预测方法获取游戏玩家的历史数据的示意图；

图5是本发明客户流失预测装置一实施方式的结构示意图；

图6是本发明客户流失预测装置另一实施方式的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

请参阅图1，图1是本发明客户流失预测方法一实施方式的流程图。本实施方式的客户流失预测方法可以应用于台式计算机、膝上电脑、平板电脑、多核处理器、数字信号处理(digitalsignalprocessing，DSP)器、arm(AcornRISCMachine)处理器、智能手机等等具有良好计算能力的运算设备中。本实施方式的客户流失预测方法除了应用在游戏行业外，也可以应用于包括餐饮、旅游、娱乐、健身、教育、医疗、金融等在内的服务行业，本发明不作具体限定。本实施方式的客户流失预测方法包括如下步骤：

101：根据采集到的客户的历史数据对客户进行分组以获得多个客户类型。

客户的历史数据通常以数据库的形式存储在服务器中，服务器可以是传统的服务器，也可以是云服务器。当需要进行客户流失预测时，可以从服务器的数据库中读取客户的历史数据。尽管不同客户的历史数据通常并不相同，但是，大部分客户可以被分为多个组，每个组内的客户的历史数据之间具有高度的相似性。只有极少部分的客户的历史数据与每个组内的客户的历史数据均不相似，这部分历史数据通常可以忽略不计。要实现将历史数据具有高度相似性的客户分到同一个组内，可以将采集到的客户的历史数据利用聚类的方法进行聚类分析。如图2所示，在聚类分析中，客户可以用图中的黑点来表示，客户的历史数据之间的相似性可以用黑点之间的距离来进行表示。黑点之间的距离越近，表示两个客户之间的相似度越大，黑点之间的距离越远，表示两个客户之间的相似度越小。设置合适的阈值，可以使得黑点的距离都十分接近，如图中实线圈内的黑点距离都十分接近，即实线圈可以代表不同的客户类型，实线圈内的黑点代表被分到同一客户类型的客户。

102：建立多个预测模型，其中，不同的客户类型对应不同的预测模型。

所谓预测，其实是基于一定的先验知识和现在的行为而对未来的一种预测，所以，预测模型为可以根据一定的先验知识和客户的现时的数据，预测客户的未来的模型。由于不同客户类型的客户通常具有不同的特点，所以，为了提高预测的准确性，在对客户进行分组后，需要为不同客户类型的客户分别建立适合自己的预测模型。同一客户类型的客户使用同一种预测模型，不同客户类型的客户使用不同的预测模型。

103：通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则。

在新建立了预测模型后，由于新建立的预测模型是不具有先验知识的，所以，可以通过训练的方式使新建立的预测模型学习到先验知识。通常的方法为，为不同客户类型的客户设定不同的流失规则，将客户的历史数据与对应的流失规则进行匹配，如果匹配成功，则该客户被认为流失客户。除了已经确认为流失的客户，其他的客户均为未知客户。

104：使用训练样本对对应的预测模型进行训练。

将同一客户类型的流失客户的历史数据和未知客户的历史数据作为训练样本对对应的预测模型进行训练从而使预测模型学习到先验知识。训练的样本数量可以根据需要进行设置，训练样本的数量越大，预测模型就越准确。

105：根据未知客户的现时数据以及对应的预测模型预测未知客户是否有流失倾向。

在对预测模型训练完毕后，将未知客户的现时的数据输入到与未知客户的客户类型对应的预测模型中，则该预测模型出输出对未知客户是否有流失倾向的预测。

通过实施本发明实施例，能够通过计算机来完成采集客户的数据、建立预测模块、对预测模型进行训练以及根据预测模型进行预测等工作，比人工逐个进行筛选的速度快，效率高。而且，本发明对不同的客户进行了分组，针对每种客户类型的客户建立属于自己的预测模型进行预测，比起人工对所有的客户采用单一的规则进行预测来说，提高了预测的准确性。

请参阅图3，图3是本发明客户流失预测方法一实施方式的流程图。本实施方式将结合游戏行业为例进行说明，下面的客户也相应可以被称为游戏玩家，本实施方式的客户流失预测方法包括如下步骤：

301：根据采集到的游戏玩家的历史数据并通过聚类算法对游戏玩家进行分类以获得多个游戏玩家类型。

游戏玩家的历史数据包括游戏玩家的基础信息以及游戏玩家的行为信息。其中，游戏玩家的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合。游戏玩家的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。

更具体地，游戏玩家的登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势等等中的任意一种或者多种的组合。

充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势等等中的任意一种或者多种的组合。

消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势等等中的任意一种或者多种的组合。

事件信息包括统计日前i天游戏玩家参与的游戏总类数量、游戏玩家参与的游戏风格占比，游戏玩家参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材等等中的任意一种或者多种的组合。其中，i为大于零的正整数。

可以理解的是，可以对统计日前i天的登录游戏大厅的次数、登录游戏大厅的天数、登录游戏大厅的时长做直线拟合，拟合直线的斜率即为登陆游戏大厅的趋势。同理，可以得到登陆游戏的趋势、游戏大厅的充值的趋势、游戏的充值的趋势、游戏大厅的消费的趋势、游戏的消费的趋势。

参阅图4，游戏玩家的基础信息可以在游戏玩家通过客户端进行注册时，使用基础信息采集单元401采集获得。游戏玩家的登陆信息可以在游戏玩家通过客户端登陆游戏大厅或者游戏时，利用登陆信息采集单元402采集得到。游戏玩家的充值信息可以在游戏玩家在游戏大厅或者游戏充值时，使用充值信息采集单元403采集获得。游戏玩家的消费信息可以在游戏玩家在游戏大厅或者游戏消费时，使用消费信息采集单元404采集获得。游戏玩家的事件信息可以在游戏玩家在游戏大厅或者游戏操作时，使用事件信息采集单元405采集获得。其中，客户端可以是安装在台式电脑、平板电脑、智能手机等等上的应用软件。采集到的游戏玩家的基础信息数据以玩家基础数据库的形式存储在服务器中，采集到的游戏玩家的行为信息数据以玩家行为信息库的形式存储在服务器中。当需要进行游戏玩家流失预测时，可以从服务器的数据库中读取游戏玩家的历史数据。其中，服务器可以是传统的服务器，也可以是云服务器。基础信息采集单元401、登陆信息采集单元402、充值信息采集单元403、消费信息采集单元404以及事件信息采集单元405可以是客户端上的软件模块，也可以是服务器上的软件模块。

尽管不同游戏玩家的历史数据通常并不相同，但是，大部分游戏玩家可以被分为多个组，每个组内的游戏玩家的历史数据之间具有高度的相似性。只有极少部分的游戏玩家的历史数据与每个组内的游戏玩家的历史数据均不相似，这部分历史数据通常可以忽略不计。要实现将历史数据具有高度相似性的游戏玩家分到同一个组内，可以将采集到的游戏玩家的历史数据利用聚类算法对游戏玩家进行分类以获得多个游戏玩家类型，每个游戏玩家类型中的游戏玩家的历史数据具有高度相似性。

在利用聚类算法进行聚类分析前，需利用游戏玩家的历史数据构建特征向量，并将特征向量作为聚类算法的输入。特征向量的维数等于游戏玩家的基础信息的数量与游戏玩家的行为信息的数量之和。在构建特征向量时，属于数量值的可以直接使用其原数量值作为特征向量的一个元素值，也可以对其原数量值进行归一化后作为特性向量的一个元素值。属于非数量值的，则必须对其赋予其数量以作为特征向量的一个元素值。

在归一化实施过程中可采用最大-最小值归一化算法，即为元素值＝(原数量值-该维元素最小值)/(该维元素最大值-该维元素最小值)。属于数量值的包括：登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势、游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势、游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势、游戏玩家参与的游戏总类数量、游戏玩家参与的游戏风格占比，游戏玩家参与的游戏题材占比、过关失败次数、使用道具数等等。上述的归一化算法只是其中的一种算法，此外，还可以采用对数函数转换法、反余切函数转换法等等。

对于非数量值的，例如，性别、注册地、游戏风格、游戏题材的赋值可采用如下的方法赋值。例如，对于性别，男性赋值为1，女性赋值为0。对于注册地，北京赋值为1，上海赋值为2，广州赋值为3，深圳赋值为4等等。对于游戏风格，唯美风格赋值为1，写实风格赋值为2，可爱风格赋值为3等等。对于游戏题材，历史题材赋值为1，武侠题材赋值为2，玄幻题材赋值为3，奇幻题材赋值为4等等。

在构建好特征向量后，将特征向量作为k-means聚类算法的输入，则输出的即为游戏玩家的分组的情况。如图2所示，在k-means聚类算法中，游戏玩家可以用图中的黑点来表示，游戏玩家的历史数据之间的相似性可以用黑点之间的距离来进行表示。黑点之间的距离越近，表示两个游戏玩家之间的相似度越大，黑点之间的距离越远，表示两个游戏玩家之间的相似度越小。设置合适的阈值，可以使得黑点的距离都十分接近，如图中实线圈内的黑点距离都十分接近，即实线圈可以代表不同的游戏玩家类型，实线圈内的黑点代表被分到同一游戏玩家类型的游戏玩家。其中，聚类算法除了可以为k-means聚类算法外、还可以是K-Medoids聚类算法、PCA聚类算法、DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)聚类算法等等中的任意一种。

302：建立多个预测模型，其中，不同的游戏玩家类型对应不同的预测模型。

预测模型为可以根据一定的先验知识和游戏玩家在现时的数据，预测游戏玩家是否具有流失倾向的模型。由于不同游戏玩家类型的游戏玩家通常具有不同的特点，所以，为了提高预测的准确性，在对游戏玩家进行分组后，需要为不同游戏玩家类型的游戏玩家分别建立适合自己的预测模型。同一游戏玩家类型的游戏玩家使用同一种预测模型，不同游戏玩家类型的游戏玩家使用不同的预测模型。预测模型可以为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络等等中的任意一种。

303：通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则。

在新建立了预测模型后，由于新建立的预测模型是不具有先验知识的，所以，可以通过训练样本对新建立的预测模型进行训练，从而使预测模型学习到先验知识。获得训练样本的方法通常为：第一步，设定流失规则；第二步：通过人工或机器识别的方法将游戏玩家的历史数据与流失规则进行匹配，如果匹配成功，则该游戏玩家被认为流失玩家，剩下的为非流失玩家；第三步：将该流失玩家的历史数据和非流失玩家的历史数据构成训练样本。具体地：

第一步：设定流失规则。

由于不同游戏玩家类型的游戏玩家具有不同的特点，所以，可以为不同的游戏玩家设定不同的流失规则。对于其中一种游戏玩家类型的游戏玩家，可以通过下面的方法设定流失规则。

流失规则可以通过充值金额和/或充值天数来进行定义。具体地，流失规则可以定义为在连续的k天内，充值金额小于M，充值天数小于D。其中，k为大于0的正整数，M为大于等于0的实数，D为大于0的正整数。k，M，D的数值都可以通过枚举的方式进行设定，例如，k从0开始，以步长7进行枚举；M从0开始，以步长100进行枚举；D从0开始，以步长1进行枚举。所枚举的k，M，D的值中能够使得误判率和漏判率最小的即为最合适的值。

但是，要知道所枚举的k，M，D的值的误判率和漏判率，则需要合适的参照来进行确定。一种可行的方法为从同一种游戏玩家类型的游戏玩家的历史数据中筛选出长期不登录和不充值的游戏玩家，定义为完全流失玩家，剩下的为未完全流失玩家，例如，连续90天不登录/不充值的游戏玩家被定义为完全流失玩家，剩下的即为未完全流失玩家。这个筛选的结果可以作为误判率和漏判率的参照。

收集完全流失玩家从第一天进入游戏至不再登陆游戏的整个生命周期的充值金额和充值天数，并统计其在k天内的充值金额和充值天数。收集未完全流失玩家从第一天进入游戏至统计日的充值金额和充值天数，并同样统计其在k天内的充值金额和充值天数。统计好后，使用流失规则在连续的k天内，充值金额小于M，充值天数小于D对流失玩家和未完全流失玩家进行匹配，从而得到匹配结果。k，M，D的数值以步长进行变化时，流失规则不同，得到的匹配结果也不同。将各个流失规则的匹配结果和作为参照的筛选结果进行对比，从而得到各个流失规则的误判率和漏判率。例如，如果总共有100个游戏玩家数据，参照的筛选结果为完全流失玩家为30个，未完全流失玩家为70个，其中，第一个流失规则与完全流失玩家进行匹配时击中的人数有10个，则可以知道第一个流失规则的漏判率为(完全流失玩家的人数-击中的人数)/完全流失玩家的人数，即为2/3。而通过第一个流失规则与为未完全流失玩家进行匹配时击中的人数为5个，则第一个流失规则的误判率为击中的人数/完全流失玩家的人数，即为1/6。第二个流失规则与完全流失玩家进行匹配时击中的人数有20个，则可以知道第二个流失规则的漏判率为(完全流失玩家的人数-击中的人数)/完全流失玩家的人数，即为1/3。而通过第二个流失规则与为未完全流失玩家进行匹配时击中的人数为6个，则第二个流失规则的误判率为击中的人数/完全流失玩家的人数，即为1/5等等。

将所有流失规则的误判率和漏判率之和进行对比，并将误判率和漏判率之和最小的流失规则作为这个类型的游戏玩家的最合适的流失规则。以上述为例，第一个流失规则的漏判率为2/3，误判率为1/6，第二个流失规则的漏判率为1/3，误判率为1/5，所以，第二个流失规则比第一个流失规则更适合。

对于所有的游戏类型的游戏玩家，都可以通过类似上述的方式设定适合自己的流失规则，此处不再一一展开描述。

第二步：通过人工或机器识别的方法将游戏玩家的数据与流失规则进行匹配。

在获得各个游戏玩家类型的流失规则之后，将同一游戏玩家类型的游戏玩家的历史数据与同一游戏玩家类型的流失规则进行匹配。如果匹配成功，则该游戏玩家会被认为是流失玩家，如果匹配不成功，则该游戏玩家会被认为为非流失玩家。

第三步：将该流失玩家的历史数据和非流失玩家的历史数据构成训练样本。

如果使用流失规则对游戏玩家的数据进行匹配的结果匹配，则将该流失结果标记为1；如果使用流失规则对游戏玩家的数据进行匹配的结果为不匹配，则将该流失结果标记为0。将流失玩家的历史数据和标记1组成训练样本，将非流失玩家的历史数据和标记0组成训练样本。

304：使用训练样本对对应的预测模型进行训练。

使用训练样本对对应的预测模型进行训练从而使预测模型学习到先验知识。训练的样本数量可以根据需要进行设置，训练样本的数量越大，预测模型就越准确。

305：根据未知游戏玩家的现时数据以及对应的预测模型预测未知游戏玩家是否有流失倾向。

预测模型训练好后，将未知玩家的现时数据输入到对应的预测模型中。例如，可以选取未知玩家最近7天的行为信息和未知玩家的基础信息组成特征向量(特征向量的组成方向如上面所述)，并将特征向量输入到对应的预测模型中，从而得到未知玩家是否有流失倾向。

306：对需求文本进行中文分词，并对中文分词后的单词进行统计以获得高频词以获得游戏玩家的需求类别。

对预判为有流失倾向的游戏玩家，客服通过电话、网络通信等方式进行采访并将游戏玩家反馈的需求记录在需求文本中，其中，每个游戏玩家反馈的需求记录在一份需求文本中。分词模块将需求文本中的汉字序列划分为一个一个的单词。对中文分词后的单词进行统计，并将出现次数超过设定阈值的单词作为高频词。其中，高频词中，一部分是能体现客户需求的单词，例如合服、开服等等，另一部分可能是不能体现客户需求的单词。将高频词中不能体现客户需求的单词去掉，则剩下的单词则代表了游戏玩家的需求类别。

307：根据需求类别的关键词对需求文本进行匹配，以获得需求类别对应的需求文本的数量。

由于不同的客服在表达同一个事物时，可能使用了不同的词语，例如，合服也可以称为合区等等。所以，在获取到代表需求类别的高频词时，可以对高频词进行扩展以获得关键词。以上述为例，可以将代表需求类别的高频词“合服”可扩展为关键词“合服”和“合区”。用扩展后的关键词“合服”或“合区”对需求文本进行匹配，如果能够击中需求文本，需求类别“合服”对应的需求文本的数量加一。对各需求类别的需求文本的数量统计完毕后，将统计结果反馈到运营部门，以供运营部门决定是否需要按照客户的需求进行处理。

308：对预测为有流失倾向的未知游戏玩家的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。

对预判为有流失倾向的未知游戏玩家，需进一步跟踪未知游戏玩家的登陆信息、充值信息、消费信息等等，如果未知游戏玩家的登录、充值和消费情况进一步减少，可以提高这类游戏玩家的预警级别，并反馈给运营部门进行处理。

通过实施本发明实施例，能够通过计算机来完成采集客户的数据、建立预测模块、对预测模型进行训练以及根据预测模型进行预测等工作，比人工逐个进行筛选的速度快，效率高。而且，本发明对不同的客户进行了分组，针对每种客户类型的客户建立属于自己的预测模型进行预测，比起人工对所有的客户采用单一的规则进行预测来说，提高了预测的准确性。

而且，对预判为有流失倾向的游戏玩家，可以通过中文分词、统计和匹配的方法从客服反馈的需求文本中找到游戏玩家的需求类别，并统计出需求类别对应的需求文本的数量，可以使得运营部门能够清楚知道游戏玩家对各个需求类别的需求急切程度，从而决定合适的运营策略。同时，也对预判为有流失倾向的游戏玩家继续进行跟踪，减少有流失倾向的游戏玩家的流失数量。

参阅图5，图5为本发明客户流失预测装置一实施方式的结构示意图。本实施方式的客户流失预测装置500包括：分组模块510、建模模块520、识别模块530、训练模块540以及预测模块550。

分组模块510用于根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型。

建模模块520用于建立多个预测模型，其中，不同的客户类型对应不同的预测模型。

识别模块530用于通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则。

训练模块540用于使用所述训练样本对对应的预测模型进行训练。

预测模块550用于根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。

本实施方式的客户流失预测装置500与图1所述的方法一一对应，具体请参阅图1以及相关描述，此处不再重复赘述。

参阅图6，图6为本发明客户流失预测装置另一实施方式的结构示意图。本实施方式的客户流失预测装置600包括：分组模块610、建模模块620、识别模块630、训练模块640、预测模块650、分词模块660、统计模块670、匹配模块680以及跟踪模块690。

分组模块610用于根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型。

建模模块620用于建立多个预测模型，其中，不同的客户类型对应不同的预测模型。

识别模块630用于通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则。

训练模块640用于使用所述训练样本对对应的预测模型进行训练。

预测模块650用于根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。

可选地，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。

可选地，所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。

可选地，所述分组模块610还用于根据采集到的客户的数据并通过聚类算法对所述客户进行分类以获得多个客户类型。

可选地，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。

可选地，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，所述装置600还包括：分词模块660、统计模块670以及匹配模块680，所述分词模块660用于对需求文本进行中文分词，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；所述统计模块670用于对中文分词后的单词进行统计得到高频词以获得客户的需求类别；所述匹配模块680用于根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。

可选地，所述装置还包括跟踪模块690，所述跟踪模块690用于对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。

本实施方式的客户流失预测装置600与图3所述的方法一一对应，具体请参阅图3以及相关描述，此处不再重复赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (16)

1.一种客户流失预测方法，其特征在于，包括如下步骤：

根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型；

建立多个预测模型，其中，不同的客户类型对应不同的预测模型；

通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则；

使用所述训练样本对对应的预测模型进行训练；

根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。

2.根据权利要求1所述的方法，其特征在于，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。

3.根据权利要求2所述的方法，其特征在于，

所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；

所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；

所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；

所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。

4.根据权利要求1至3任一权利要求所述的方法，其特征在于，根据采集到的客户的历史数据对所述客户进行分类以获得多个客户类型具体为：

根据采集到的客户的历史数据并通过聚类算法对所述客户进行分类以获得多个客户类型。

5.根据权利要求4所述的方法，其特征在于，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。

6.根据权利要求1或2或3或5所述的方法，其特征在于，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

7.根据权利要求1所述的方法，其特征在于，根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向之后还包括：

对需求文本进行中文分词，并对中文分词后的单词进行统计以获得高频词以获得客户的需求类别，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；

根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。

8.根据权利要求1或7所述的方法，其特征在于，根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向之后还包括：

对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。

9.一种客户流失预测装置，其特征在于，包括：

分组模块，用于根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型；

建模模块，用于建立多个预测模型，其中，不同的客户类型对应不同的预测模型；

识别模块，用于通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则；

训练模块，用于使用所述训练样本对对应的预测模型进行训练；

预测模块，用于根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。

10.根据权利要求9所述的装置，其特征在于，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。

11.根据权利要求10所述的装置，其特征在于，

所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；

所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；

所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；

所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。

12.根据权利要求9至11任一权利要求所述的装置，其特征在于，所述分组模块还用于根据采集到的客户的数据并通过聚类算法对所述客户进行分类以获得多个客户类型。

13.根据权利要求12所述的装置，其特征在于，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。

14.根据权利要求9或10或11或13所述的装置，其特征在于，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

15.根据权利要求9所述的装置，其特征在于，所述装置还包括：分词模块、统计模块以及匹配模块，

所述分词模块用于对需求文本进行中文分词，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；

所述统计模块用于对中文分词后的单词进行统计得到高频词以获得客户的需求类别；

所述匹配模块用于根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。

16.根据权利要求9或15所述的装置，其特征在于，所述装置还包括跟踪模块，

所述跟踪模块用于对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。