CN106327032A - 一种用于客户流失预警的数据分析方法和装置 - Google Patents

Abstract

本发明提供了一种用于客户流失预警的数据分析方法和装置，预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略，所述N为预设的正整数；获取待分析客户关于所述服务的所述N类行为数据；分析获取的N类行为数据与所述流失结果判别策略的匹配状况，依据匹配状况确定所述待分析客户的流失程度。通过本发明能够实现对流失客户的分析预警。

Description

一种用于客户流失预警的数据分析方法和装置

【技术领域】

本发明涉及计算机应用技术领域，特别涉及一种用户客户流失预警的数据分析方法和装置。

【背景技术】

随着计算机和网络技术的迅速发展和普及，金融服务正在从传统方式向电子平台方式转换，人们也越来越多的使用电子平台方式的金融系统进行金融交易。目前大部分金融机构都构建了客户关系管理系统，但只局限于业务受理、营业收费、投诉等基本功能的实现。对于数据的分析也仅局限于在对投诉、故障等指标的统计上，对于客户流失的分析预警功能存在缺失。

【发明内容】

有鉴于此，本发明提供了一种用于客户流失预警的数据分析方法和装置，以便于实现对客户流失的分析预警。

具体技术方案如下：

本发明提供了一种用于客户流失预警的数据分析方法，预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略，所述N为预设的正整数；该方法包括：

获取待分析客户关于所述服务的所述N类行为数据；

分析获取的N类行为数据与所述流失结果判别策略的匹配状况，依据匹配状况确定所述待分析客户的流失程度。

根据本发明一可选实施方式，所述预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略包括：

将流失客户关于所述服务的历史操作行为作为负样本，将非流失客户关于所述服务的历史操作行为作为正样本，利用分类模型确定关于所述服务的各类行为对客户流失这一结果的影响程度；

依据所述影响程度，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略。

根据本发明一可选实施方式，所述分类模型包括决策树模型。

根据本发明一可选实施方式，所述服务为银行信用卡服务；

关于所述银行信用卡服务的操作行为从第三方支付系统、银行系统和电子商务系统中的至少一个中获取。

根据本发明一可选实施方式，所述N类行为包括以下行为中的一种或任意组合：

行为1、客户解除所述银行信用卡的快捷支付功能；

行为2、客户解除对所述银行信用卡服务窗的关注关系；

行为3、客户解除对所述银行信用卡的自动还款关系；

行为4、客户使用所述银行信用卡进行在线支付的次数占比降低预设幅度；

行为5、客户针对所述银行信用卡的还款次数占比降低预设幅度；

行为6、客户使用所述银行信用卡进行网上消费的资金降低预设比例或预设幅度；

行为7、客户使用所述银行信用卡进行还款的资金降低预设比例或预设幅度；

行为8、客户使用所述银行信用卡进行分期付款的资金降低预设比例或预设幅度；

行为9、客户使用所述银行信用卡进行消费、还款或分期付款的资金占比降低预设幅度；

行为10、客户使用所述银行信用卡进行网上消费在设定时长内的活跃度低于预设阈值；

行为11、客户使用所述银行信用卡进行网上消费或还款的活跃度降低预设比例或预设幅度，其中所述活跃度由使用所述银行信用卡进行网上消费或还款的频率确定；

行为12、客户未使用所述银行信用卡进行网上消费。

根据本发明一可选实施方式，所述流失结果判别策略包括：

如果不满足所述行为1至行为12，则所述待分析客户无流失风险；

如果满足所述行为11或行为12，则所述待分析客户有轻度流失风险；

如果满足所述行为1至5中的任一种，或者满足所述行为6至10中的任一种，则所述待分析客户有中度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为6至10中的任一种，则所述待分析客户有重度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为11或行为12，则所述待分析客户有重度流失风险。

本发明还提供了一种用于客户流失预警的数据分析装置，该装置包括：

策略构建单元，用于预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略，所述N为预设的正整数；

行为获取单元，用于获取待分析客户关于所述服务的所述N类行为数据；

流失分析单元，用于分析所述行为获取单元获取的N类行为数据与所述流失结果判别策略的匹配状况，依据匹配状况确定所述待分析客户的流失程度。

根据本发明一可选实施方式，所述策略构建单元包括：

训练子单元，用于将流失客户关于所述服务的历史操作行为作为负样本，将非流失客户关于所述服务的历史操作行为作为正样本，利用分类模型确定关于所述服务的各类行为对客户流失这一结果的影响程度；

选择子单元，用于依据所述影响程度，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略。

根据本发明一可选实施方式，所述分类模型包括决策树模型。

根据本发明一可选实施方式，所述服务为银行信用卡服务；

所述策略构建单元和行为获取单元从第三方支付系统、银行系统和电子商务系统中的至少一个获取关于所述银行信用卡服务的操作行为。

根据本发明一可选实施方式，所述N类行为包括以下行为中的一种或任意组合：

行为1、客户解除所述银行信用卡的快捷支付功能；

行为2、客户解除对所述银行信用卡服务窗的关注关系；

行为3、客户解除对所述银行信用卡的自动还款关系；

行为4、客户使用所述银行信用卡进行在线支付的次数占比降低预设幅度；

行为5、客户针对所述银行信用卡的还款次数占比降低预设幅度；

行为6、客户使用所述银行信用卡进行网上消费的资金降低预设比例或预设幅度；

行为7、客户使用所述银行信用卡进行还款的资金降低预设比例或预设幅度；

行为8、客户使用所述银行信用卡进行分期付款的资金降低预设比例或预设幅度；

行为9、客户使用所述银行信用卡进行消费、还款或分期付款的资金占比降低预设幅度；

行为10、客户使用所述银行信用卡进行网上消费在设定时长内的活跃度低于预设阈值；

行为11、客户使用所述银行信用卡进行网上消费或还款的活跃度降低预设比例或预设幅度，其中所述活跃度由使用所述银行信用卡进行网上消费或还款的频率确定；

行为12、客户从未使用所述银行信用卡进行网上消费。

根据本发明一可选实施方式，所述流失结果判别策略包括：如果不满足所述行为1至行为12，则所述待分析客户无流失风险；

如果满足所述行为11或行为12，则所述待分析客户有轻度流失风险；

如果满足所述行为1至5中的任一种，或者满足所述行为6至10中的任一种，则所述待分析客户有中度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为6至10中的任一种，则所述待分析客户有重度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为11或行为12，则所述待分析客户有重度流失风险。

由以上技术方案可以看出，本发明基于流失客户和非流失客户关于某服务的历史操作行为构建流失结果判别策略，并基于该流失结果判别策略对待分析客户关于该服务的行为数据进行分析，确定待分析客户的流失程度，从而实现对流失客户的分析预警。

【附图说明】

图1为本发明实施例提供的一种方法流程图；

图2为本发明实施例提供的针对银行信用卡的客户流失预警分析的流程图；

图3为本发明实施例提供的装置结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明实施例提供的一种方法流程图，如图1所示，该方法主要包括以下步骤：

在101中，基于流失客户和非流失客户关于某服务的历史操作行为，从关于该服务的各类行为中选择N类行为构成流失结果判别策略，其中N为预设的正整数。

针对流失预警的分析方式是针对具体服务的，因此依据客户关于服务的历史操作行为来确定流失结果判别策略。由于客户是否想要终止某项服务从其关于该服务的操作行为中就能够体现出来，因此本发明实施例中，可以将流失客户关于该服务的历史操作行为作为负样本，将非流失客户关于该服务的历史操作行为作为正样本，利用分类模型确定关于该服务的各类行为对客户流失这一结果的影响程度；然后依据影响程度，从关于该服务的各类行为中选择N类行为构成流失结果判别策略。

其中分类模型可以采用但不限于决策树模型、神经网络模型等等。利用分类模型可以确定出关于该服务的各类行为对客户流失这一结果的影响程度。例如，客户关于该服务的历史操作行为包含：X1、X2、X3、…、X50，一共50种，分类结果存在两种：客户流失和客户不流失，利用分类模型进行训练后，可以得到诸如：

X1-客户流失-权值1，

X2-客户流失-权值2，

…，

X50-客户流失-权值50。

其中权值1表示行为类型X1对客户流失这一结果的影响为权值1，权值2表示行为类型X2对客户流失这一结果的影响为权值2，其他权值的含义类似。

然后依据上述各类行为的权值(影响程度)，优选选择权值高的构成流失结果判别策略。另外在选择流失结果判别策略时，还可以结合一些其他因素，例如结合各类行为数据的数据质量、业务可解释性等。其中，对于数据质量而言，存在大量数据缺失的行为数据类别会影响对流失结果的判别，通常不会被选择作为流失结果判别策略。对于业务可解释性而言，如果某类行为对于产生客户流失这一结果的原因是可追溯的、可解释的，那么该类行为的业务可解释性就较高，优选被用于构成流失结果判别策略。

上述步骤101是预先执行的步骤，即预先建立流失结果判别策略，利用建立的流失结果判别策略对客户进行判别，以确定该客户的流失程度。

在102中，获取待分析客户关于该服务的上述N类行为数据。

本步骤中获取一定时间内待分析客户关于该服务的操作行为数据，由于获取的行为数据需要与流失结果判别策略进行匹配，因此获取的行为数据的类别与构成流失结果判别策略的行为类别一致。假设流失结果判别策略由类别X1，X2，…，X8的行为构成，那么本步骤中获取待分析客户关于该服务的X1，X2，…，X8类别的行为数据。

在103中，分析获取的N类行为数据与流失结果判别策略的匹配状况，依据匹配状况确定待分析客户的流失程度。

在本步骤中，可以根据获取的N类行为数据与流失结果判别策略的匹配状况，将客户的流失程度进行分类，可以粗略地分为流失客户和非流失客户，也可以细致地分为非流失客户、轻度流失客户、中度流失客户和重度流失客户。

在确定出流失程度后，可以输出待分析客户的流失程度，也可以仅输出流失客户或者中度流失客户或重度流失客户等的信息。

在下面的实施例中，服务以银行信用卡服务为例，对该银行信用卡的客户流失进行预警。如图2所示，该流程可以具体包括以下步骤：

在201中，从与该银行有业务关联的第三方支付系统、银行系统和电子商务系统中获取流失客户关于本行信用卡的历史操作行为，将其作为负样本，将非流失客户关于本行信用卡的历史操作行为作为正样本，利用决策树模型确定关于本行信用卡的各类行为对客户流失这一结果的影响程度。

例如，如果是针对的是招商银行信用卡，那么可以从与招行银行有业务关联的，比如支付宝、易付宝等第三方支付平台，建设银行系统、中国银行系统等银行系统，京东、苏宁易购、亚马逊等电子商务系统中，获取持招商银行信用卡的客户关于该招商银行信用卡的历史操作行为。诸如：在第三方支付平台上解除招商银行信用卡的快捷支付，在第三方支付平台使用招商银行信用卡进行支付，使用招商银行信用卡在电子商务系统中进行消费，使用银行系统储蓄卡对招商银行信用卡进行还款，使用招商银行信用卡在电子商务系统中进行分期付款，等等。

在选择正、负样本时，流失客户和非流失客户可以人工进行识别确定，也可以依据一定策略确定。例如将6个月以上未使用过招商银行信用卡的客户作为流失客户，那么获取其使用招商银行信用卡的最后几个月的操作行为作为负样本。对于近期仍频繁使用招行银行信用卡的客户作为非流失客户，获取其中几个月的操作行为作为正样本。

采用分类模型对样本数据进行训练，就能够得到各类行为对客户流失这一结果的影响程度。

在202中，依据关于招商银行信用卡的各类行为对客户流失这一结果的影响程度，选择其中N类行为构成流失结果判别策略，其中N为预设的正整数。

可以优选对客户流失这一影响程度高的行为类别，再结合数据质量和业务可解释性等因素，假设确定出12类行为构成流失结果判别策略，具体如下：

行为1、客户解除招商银行信用卡的快捷支付功能。例如，客户解除招商银行信用卡在京东上的快捷支付功能，客户解除招商银行信用卡在支付宝上的快捷支付功能，等等。

行为2、客户解除对招商银行信用卡服务窗的关注关系。例如，在支付宝中存在一些服务的服务窗，客户解除对招商银行信用卡服务窗。

行为3、客户解除对招商银行信用卡的自动还款关系。例如，客户解除中国银行储蓄卡对招商银行信用卡的自动还款关系。

行为4、客户使用招商银行信用卡进行在线支付的次数占比降低预设幅度。本行为体现的是客户使用招商银行信用卡进行在线支付的总体状况的变化，例如客户使用招商银行信用卡、中国银行信用卡、建设银行信用卡进行在线支付，1月份使用招商银行信用卡进行在线支付的次数占所有信用卡的40％，2月份使用招商银行信用卡进行在线支付的次数占所有信用卡的20％，那么客户使用招商银行信用卡进行在线支付的次数占比降低了20％。

行为5、客户针对招商银行信用卡的还款次数占比降低预设幅度。该行为与行为4类似，体现的是客户针对招商银行信用卡的还款次数的总体状况变化。

行为6、客户使用招商银行信用卡进行网上消费的资金减低预设比例或预设幅度。本行为通常是对客户使用招商银行信用卡进行所有网上消费的资金统计后的结果，例如客户使用招商银行在京东、苏宁易购、亚马逊等电子商务系统进行网上消费，那么对这些消费资金进行统计，将前后两个时间段的资金进行比较。

行为7、客户针对招商银行信用卡进行还款的资金降低预设比例或预设幅度。

行为8、客户使用招商银行信用卡进行分期付款的资金降低预设比例或预设幅度。

上述行为6、7、8均是对多渠道的资金进行统计，然后将前后两个时间段的统计结果进行比较。

行为9、客户使用招商银行信用卡进行消费、还款或分期付款的资金占比降低预设幅度。本行为体现的是客户使用招商银行信用卡进行消费、还款或分期付款的资金总体状况变化，所谓占比是指使用招商银行信用卡进行消费、还款或分期付款的资金与使用所有渠道进行消费、还款或分期付款的资金的比值。

行为10、客户使用招商银行信用卡进行网上消费在设定时长内的活跃度低于预设阈值。其中，活跃度由客户使用招商银行信用卡进行网上消费在设定市场内的频率确定。

行为11、客户使用招商银行信用卡进行网上消费或还款的活跃度降低预设比例或预设幅度；活跃度由使用招商银行信用卡进行网上消费或还款的频率确定。

行为12、客户未使用招商银行信用卡进行网上消费。

上述行为1至行为5是关系类行为，即体现的是招商银行信用卡与第三方支付平台、银行系统或电子商务平台在业务上的关系变化，行为6至行为12是资金类行为，即体现的是招商银行信用卡与第三方支付平台、银行系统或电子商务平台在资金上的变化。

如果不满足上述行为1至行为12，对应判别结果为：无流失风险；

如果满足行为1至行为5中任一种，对应判别结果为：中度流失风险；

如果满足行为6至行为10中任一种，对应判别结果为：中度流失风险；

如果满足行为11或行为12，对应判别结果为：轻度流失风险；

如果满足行为1至行为5中任一种并且满足行为6至10中的任一种，对应判别结果为：重度流失风险；

如果满足行为1至行为5中任一种并且满足行为11或12，对应判别结果为：重度流失风险。

在完成上述步骤201和步骤202的建立流失结果判别策略的过程后，对待分析客户执行以下步骤。

在203中，获取待分析客户关于招商银行信用卡的上述N类行为数据。

本步骤中的行为数据获取与步骤201中类似，不同的是本步骤仅仅是针对待分析客户进行与流失结果判别策略对应的N类行为数据的获取。

在204中，分析步骤203中获取的N类行为数据与流失结果判别策略的匹配状况，依据匹配状况确定该待分析客户的流失程度。

例如：如果获取的行为数据均不满足上例中的行为1至行为12，则确定该待分析客户为无流失风险的客户。如果满足行为1至行为5中任一种，则确定该待分析客户为中度流失风险的客户。如果满足行为6至行为10中任一种，则确定该待分析客户为中度流失风险客户。如果满足行为11或行为12，则确定该待分析客户为轻度流失风险客户。如果满足行为1至行为5中任一种并且满足行为6至10中的任一种，则确定该待分析客户为重度流失风险客户。如果满足行为1至行为5中任一种并且满足行为11或12，则确定该待分析客户为重度流失风险客户。

在205中，输出重度流失风险和中度流失风险的客户信息。

对于本实施例中招商银行系统而言，预测出重度流失风险和中度流失风险的客户信息，并输出给银行工作人员，可以使得银行工作人员根据不同流失风险等级制定不同的方案以挽留客户，例如通过渠道促销、电话回访等方式来挽留客户。也就是说，本发明实施例提供的方式为银行系统提供了客户流失预警，并作为挽留客户提供参考依据。而不必等到客户流失后，才发现流失的情况为时已晚。

本申请实施例中，可以基于用户在一服务的历史行为数据进行收集，以获得大量历史数据信息，从而可基于大数据信息进行上述的挖掘和处理过程，挖掘出用户的行为趋势，对用户的行为进行准确的预测，使得可以利用网络和计算机为用户提供客户流失程度的信息，从而解决现有网络和计算技术无法实现为用户提供客户流失信息的问题。

图3为本发明实施例提供的装置结构图，如图3中所示，该装置可以包括：策略构建单元00、行为获取单元10和流失分析单元20。各组成单元的主要功能如下：

策略构建单元00负责预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于服务的各类行为中选择N类行为构成流失结果判别策略，N为预设的正整数。

具体地，策略构建单元00可以包括：训练子单元01和选择子单元02。

其中，训练子单元01将流失客户关于服务的历史操作行为作为负样本，将非流失客户关于服务的历史操作行为作为正样本，利用分类模型确定关于服务的各类行为对客户流失这一结果的影响程度。分类模型可以采用但不限于决策树模型、神经网络模型等等。

选择子单元02依据影响程度，从关于服务的各类行为中选择N类行为构成流失结果判别策略。另外在选择流失结果判别策略时，还可以结合一些其他因素，例如结合各类行为数据的数据质量、业务可解释性等。

行为获取单元10负责获取待分析客户关于服务的上述N类行为数据，流失分析单元20负责分析行为获取单元10获取的N类行为数据与流失结果判别策略的匹配状况，依据匹配状况确定待分析客户的流失程度。

当上述服务为银行信用卡服务时，策略构建单元00和行为获取单元10可以从第三方支付系统、银行系统和电子商务系统中的至少一个获取关于银行信用卡服务的操作行为。

此时，上述N类行为包括以下行为中的一种或任意组合：

行为1、客户解除银行信用卡的快捷支付功能；

行为2、客户解除对银行信用卡服务窗的关注关系；

行为3、客户解除对银行信用卡的自动还款关系；

行为4、客户使用银行信用卡进行在线支付的次数占比降低预设幅度；

行为5、客户针对银行信用卡的还款次数占比降低预设幅度；

行为6、客户使用银行信用卡进行网上消费的资金降低预设比例或预设幅度；

行为7、客户使用银行信用卡进行还款的资金降低预设比例或预设幅度；

行为8、客户使用银行信用卡进行分期付款的资金降低预设比例或预设幅度；

行为9、客户使用银行信用卡进行消费、还款或分期付款的资金占比降低预设幅度；

行为10、客户使用银行信用卡进行网上消费在设定时长内的活跃度低于预设阈值；

行为11、客户使用银行信用卡进行网上消费或还款的活跃度降低预设比例或预设幅度，其中活跃度由使用银行信用卡进行网上消费或还款的频率确定；

行为12、客户从未使用银行信用卡进行网上消费。

构建的流失结果判别策略可以如下所示：

如果不满足行为1至行为12，则待分析客户无流失风险；

如果满足行为11或行为12，则待分析客户有轻度流失风险；

如果满足行为1至5中的任一种，或者满足行为6至10中的任一种，则待分析客户有中度流失风险；

如果满足行为1至行为5中的任一种并且满足行为6至10中的任一种，则待分析客户有重度流失风险；

如果满足行为1至行为5中的任一种并且满足行为11或行为12，则待分析客户有重度流失风险。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (12)

1.一种用于客户流失预警的数据分析方法，其特征在于，预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略，所述N为预设的正整数；该方法包括：

获取待分析客户关于所述服务的所述N类行为数据；

分析获取的N类行为数据与所述流失结果判别策略的匹配状况，依据匹配状况确定所述待分析客户的流失程度。

2.根据权利要求1所述的方法，其特征在于，所述预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略包括：

将流失客户关于所述服务的历史操作行为作为负样本，将非流失客户关于所述服务的历史操作行为作为正样本，利用分类模型确定关于所述服务的各类行为对客户流失这一结果的影响程度；

依据所述影响程度，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略。

3.根据权利要求2所述的方法，其特征在于，所述分类模型包括决策树模型。

4.根据权利要求1、2或3所述的方法，其特征在于，所述服务为银行信用卡服务；

关于所述银行信用卡服务的操作行为从第三方支付系统、银行系统和电子商务系统中的至少一个中获取。

5.根据权利要求4所述的方法，其特征在于，所述N类行为包括以下行为中的一种或任意组合：

行为1、客户解除所述银行信用卡的快捷支付功能；

行为2、客户解除对所述银行信用卡服务窗的关注关系；

行为3、客户解除对所述银行信用卡的自动还款关系；

行为4、客户使用所述银行信用卡进行在线支付的次数占比降低预设幅度；

行为5、客户针对所述银行信用卡的还款次数占比降低预设幅度；

行为6、客户使用所述银行信用卡进行网上消费的资金降低预设比例或预设幅度；

行为7、客户使用所述银行信用卡进行还款的资金降低预设比例或预设幅度；

行为8、客户使用所述银行信用卡进行分期付款的资金降低预设比例或预设幅度；

行为9、客户使用所述银行信用卡进行消费、还款或分期付款的资金占比降低预设幅度；

行为10、客户使用所述银行信用卡进行网上消费在设定时长内的活跃度低于预设阈值；

行为11、客户使用所述银行信用卡进行网上消费或还款的活跃度降低预设比例或预设幅度，其中所述活跃度由使用所述银行信用卡进行网上消费或还款的频率确定；

行为12、客户未使用所述银行信用卡进行网上消费。

6.根据权利要求5所述的方法，其特征在于，所述流失结果判别策略包括：

如果不满足所述行为1至行为12，则所述待分析客户无流失风险；

如果满足所述行为11或行为12，则所述待分析客户有轻度流失风险；

如果满足所述行为1至5中的任一种，或者满足所述行为6至10中的任一种，则所述待分析客户有中度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为6至10中的任一种，则所述待分析客户有重度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为11或行为12，则所述待分析客户有重度流失风险。

7.一种用于客户流失预警的数据分析装置，其特征在于，该装置包括：

策略构建单元，用于预先基于流失客户和非流失客户关于某服务的历史操作行为，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略，所述N为预设的正整数；

行为获取单元，用于获取待分析客户关于所述服务的所述N类行为数据；

流失分析单元，用于分析所述行为获取单元获取的N类行为数据与所述流失结果判别策略的匹配状况，依据匹配状况确定所述待分析客户的流失程度。

8.根据权利要求7所述的装置，其特征在于，所述策略构建单元包括：

训练子单元，用于将流失客户关于所述服务的历史操作行为作为负样本，将非流失客户关于所述服务的历史操作行为作为正样本，利用分类模型确定关于所述服务的各类行为对客户流失这一结果的影响程度；

选择子单元，用于依据所述影响程度，从关于所述服务的各类行为中选择N类行为构成流失结果判别策略。

9.根据权利要求8所述的装置，其特征在于，所述分类模型包括决策树模型。

10.根据权利要求8、9或10所述的装置，其特征在于，所述服务为银行信用卡服务；

所述策略构建单元和行为获取单元从第三方支付系统、银行系统和电子商务系统中的至少一个获取关于所述银行信用卡服务的操作行为。

11.根据权利要求10所述的装置，其特征在于，所述N类行为包括以下行为中的一种或任意组合：

行为1、客户解除所述银行信用卡的快捷支付功能；

行为2、客户解除对所述银行信用卡服务窗的关注关系；

行为3、客户解除对所述银行信用卡的自动还款关系；

行为4、客户使用所述银行信用卡进行在线支付的次数占比降低预设幅度；

行为5、客户针对所述银行信用卡的还款次数占比降低预设幅度；

行为6、客户使用所述银行信用卡进行网上消费的资金降低预设比例或预设幅度；

行为7、客户使用所述银行信用卡进行还款的资金降低预设比例或预设幅度；

行为8、客户使用所述银行信用卡进行分期付款的资金降低预设比例或预设幅度；

行为9、客户使用所述银行信用卡进行消费、还款或分期付款的资金占比降低预设幅度；

行为10、客户使用所述银行信用卡进行网上消费在设定时长内的活跃度低于预设阈值；

行为11、客户使用所述银行信用卡进行网上消费或还款的活跃度降低预设比例或预设幅度，其中所述活跃度由使用所述银行信用卡进行网上消费或还款的频率确定；

行为12、客户从未使用所述银行信用卡进行网上消费。

12.根据权利要求11所述的装置，其特征在于，所述流失结果判别策略包括：如果不满足所述行为1至行为12，则所述待分析客户无流失风险；

如果满足所述行为11或行为12，则所述待分析客户有轻度流失风险；

如果满足所述行为1至5中的任一种，或者满足所述行为6至10中的任一种，则所述待分析客户有中度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为6至10中的任一种，则所述待分析客户有重度流失风险；

如果满足所述行为1至行为5中的任一种并且满足所述行为11或行为12，则所述待分析客户有重度流失风险。