CN107679686A - 一种业务执行方法及装置 - Google Patents
一种业务执行方法及装置 Download PDFInfo
- Publication number
- CN107679686A CN107679686A CN201710749435.XA CN201710749435A CN107679686A CN 107679686 A CN107679686 A CN 107679686A CN 201710749435 A CN201710749435 A CN 201710749435A CN 107679686 A CN107679686 A CN 107679686A
- Authority
- CN
- China
- Prior art keywords
- user
- business
- variable
- classification results
- behavior data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000006399 behavior Effects 0.000 claims description 61
- 238000003066 decision tree Methods 0.000 claims description 37
- 238000011217 control strategy Methods 0.000 claims description 11
- 238000012954 risk control Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 230000005055 memory storage Effects 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种业务执行方法及装置，首先，可获取用户的用户属性以及历史行为数据为训练样本，训练得到预测用户流失的预测模型，之后可根据该预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量，最后再根据选择出的多个变量，建立用于将用户进行分类的分类模型，以根据分类模型的分类结果以及为该分类结果配置的业务策略执行业务。
Description
技术领域
本申请涉及信息技术领域，尤其涉及一种业务执行方法及装置。
背景技术
目前，在执行业务时，在执行不同业务时，可以采用不完全相同的业务策略。并且，针对同一种业务，在执行对象(如，用户)不同时，也可采用不完全相同的业务策略。其中，业务策略为在执行业务时采用的不同倾向的策略。
例如，倾向于使业务快速完成的策略、倾向于避免风险出现的策略、倾向于减少用户操作的策略等等，以使得在执行业务时取得不同的效果。如，使业务执行效率更高、风险更低、用户体验更好等等。
在现有技术中，若为业务配置的业务策略不合适时，则有可能导致执行业务的用户流失。
基于现有技术，本申请提供一种新的业务执行方法。
发明内容
本说明书实施例提供一种业务执行方法及装置，用于解决现有技术在执行业务时，对用户打扰较多使用户体验不佳，导致用户流失的问题。
本说明书实施例采用下述技术方案：
一种业务执行方法，包括：
获取用户的用户属性和/或历史行为数据，作为训练样本；
根据所述训练样本，训练得到用于预测用户流失的预测模型；
根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
一种业务执行方法，包括：
获取用户的用户属性和/或历史行为数据；
根据所述用户属性和/或所述历史行为数据，通过上述方法建立的分类模型对所述用户进行分类，得到分类结果；
根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
一种业务执行装置，包括：
获取模块，获取用户的用户属性和/或历史行为数据，作为训练样本；
训练模块，根据所述训练样本，训练得到用于预测用户流失的预测模型；
选择模块，根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
业务执行模块，根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
一种业务执行装置，包括：
获取模块，获取用户的用户属性和/或历史行为数据；
确定模块，根据所述用户属性和/或所述历史行为数据，通过上述方法建立的分类模型对所述用户进行分类，得到分类结果；
业务执行模块，根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
一种服务器，所述服务器包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取用户的用户属性和/或历史行为数据，作为训练样本；
根据所述训练样本，训练得到用于预测用户流失的预测模型；
根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
一种服务器，所述服务器包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取用户的用户属性和/或历史行为数据；
根据所述用户属性和/或所述历史行为数据，通过上述方法建立的分类模型对所述用户进行分类，得到分类结果；
根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过本说明书提供的方法，可以根据预测模型，确定各变量对预测用户流失的预测结果影响程度，从而选择多个变量，并以确定出的各变量建立对用户进行分类的分类模型。使得可以根据该分类模型对用户分类时，确定可导致该用户的流失原因，进而可以根据分类结果对应的业务策略，确定针对该用户的业务策略。在更加准确的确定用户流失原因的同时，可进一步的确定出针对性的业务策略，从而可主动的避免用户流失，减少了现有业务执行过程中，由于对用户打扰导致的用户流失的概率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种业务执行过程；
图2为本说明书实施例提供的时间轴示意图；
图3为本说明书实施例提供的另一种业务执行过程；
图4为本说明书实施例提供的一种决策树确定用户分类结果的示意图；
图5为本说明书实施例提供的一种业务执行装置的结构示意图；
图6为本说明书实施例提供的一种业务执行装置的结构示意图；
图7为本说明书实施例提供的一种服务器的结构示意图；
图8为本说明书实施例提供的另一种服务器的结构示意图。
具体实施方式
在现有技术中，由于用户留存率(即，在某段时间内注册的用户中，在经过一段时间后仍然在继续活动的用户，占该某段时间注册的用户的比例)可以作为一种体现提供服务的质量以及保留用户的能力的指标，所以通常服务提供方十分重视用户存留率的变化。
但是，现有技术中通常会人工的根据对业务的理解，为不同的业务配置不完全相同的业务策略。而人工配置的业务策略可能并不准确、不合适，从而导致采用该业务策略执行业务时，导致用户体验不佳，导致用户流失。
于是通常，为了能够确定用户是否流失，可通过对确定的流失用户以及留存用户进行打标，以打标后用户的历史行为数据和/或用户属性为训练样本，训练得到预测模型，以对用户是否会流失进行预测。
但是，显然通过预测模型是可以对用户流失概率进行预测的，但是却无法给出针对性的解决用户流失的方法。而且，通常在配置预测模型中的变量时，优先考虑的是预测模型的准确性，而通常不考虑变量是否对应有可执行的业务策略。其中，可执行的业务策略可视为服务提供方可以进行主动干预，使用户执行业务时的体验改变，减少用户流失可能性的业务策略。使得现有对于用户流失的预测方法，仅能提供预测结果，而难以提供减少用户流失的业务策略。其中，服务提供方可以是社交网站、支付平台、视频网站等等。
于是，本说明书各实施例提供一种业务执行方法，解决现有技术在执行业务时，对用户打扰较多使用户体验不佳，导致用户流失的问题。
在本说明书一个或多个实施例中，可以由服务提供方的服务器训练用于预测用户流失的预测模型，进而根据该预测模型中的变量建立用于将用户进行分类的分类模型。其中，各变量对应的业务策略，用于减少该预测模型预测的用户流失的发生概率。从而在需要执行业务时，可以根据该分类模型对业务执行对象(即，用户)进行分类，得到分类结果，根据分类结果确定针对该用户的业务策略。从而通过采用确定出的业务策略执行业务，减少该用户流失的概率。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为说明书实施例提供的一种业务执行过程，具体可包括以下步骤：
S102：获取用户的用户属性和/或历史行为数据，作为训练样本。
在本说明书一个或多个实施例中，可由服务器获取用户的用户属性以及历史行为数据中的至少一种，作为训练预测模型的训练样本，以便后续步骤的执行。
具体的，该预测模型为用于预测用户是否流失的预测模型。首先，服务器在获取训练样本时，可以根据已记录各用户的历史行为数据，从各用户中确定流失用户以及留存用户，作为训练样本。其中，流失用户可为在第一时间段内执行过指定业务，且第二时间段内未执行过所述指定业务的用户，留存用户可为在第一时间段内以及第二时间段内均执行过指定业务的用户。
其次，将流失用户以及留存用户的用户属性以及在第一时间段结束时间点之前的历史行为数据中的至少一种，作为该预测模型的训练样本。其中，第二时间段的起始时间点晚于第一时间段的结束时间点，而且第二时间段的起始时间点与第一时间段的结束时间点之间存在指定的时间间隔。
另外，在本说明书一个或多个实施例中，第一时间段的时长可以是第二时间段时长的一半，第二时间段与第一时间段之间的指定时间间隔可与第一时间段的时长一致，并且，第一时间段的时长可以是一个自然月。则可以通过如图2所示的时间轴示意图，表示服务器确定出留存用户以及流失用户的历史行为数据的差异。
图2为本说明书实施例提供的时间轴示意图。其中，横箭头表示时间轴，箭头指示方向为时间从早至晚的顺序。假设当前时间为7月初，则第二时间段为5月和6月、第一时间段为3月，4月为间隔时间。服务器在选择流失用户以及留存用户时，可以以3月进行过交易业务的用户为待定用户。再从待定用户中，再选择5月和6月未进行过交易业务的用户作为流失用户，选择5月和6月中任意一个月进行过交易业务的用户作为留存用户，从而确定流失用户以及留存用户，并且以4月份之前的用户行为数据以及用户属性为训练样本。
当然，若在第一时间段未执行过指定业务，但是在第二时间段执行过指定业务的用户，则不作为训练样本。也就是说，只按照上述确定留存用户以及流失用户的方法，从各用户的历史行为数据中确定作为训练样本的中的历史行为数据。其中，指定业务可根据需要进行设置，可以是一种业务(如，支付业务)，也可以是多种业务，本说明书实施例对此不做限定。
通过上述方法确定的训练样本的历史行为数据，由于在第一时间段以及第二时间段之间存在指定的时间间隔，所以使得训练得到的预测模型的预测结果为：以当前时间点开始计算，用户在经过该时间间隔之后将来的第二时间段内是否流失的概率。同理，后续建立的分类模型的输出结果为：以当前时间点开始计算，用户在经过该时间间隔之后将来的第二时间段内是否流失，进行分类得到的分类结果。
进一步地，服务器可以采用与现有技术相同的方法，通过对确定出的流失用户以及留存用户进行打标的方式，标记各训练样本用于训练该预测模型。
需要说明的是，服务提供方的服务器可以是单独的一台设备，或者由多台设备组成的系统，用户属性可以是用户的身份信息(如，年龄、性别、职业、学历等)、账户注册时间、注册用的电话号码、绑定的邮箱、用户偏好信息(如，兴趣、爱好)等数据，本说明书对此不做限定。
S104：根据所述训练样本，训练得到用于预测用户流失的预测模型。
在本说明书一个或多个实施例中，服务器在确定训练样本之后，便可训练得到用于预测用户流失的预测模型，以便后续建立用于对用户进行分类的分类模型。
具体的，该服务器可采用与现有技术相同的方法，通过训练样本训练该预测模型，直至该预测模型的准确率达到预设阈值为止，确定该预测模型训练完成。其中，该预测模型可以是逻辑回归、随机森林或者支持向量机等有监督机器学习模型，该预设阈值可根据需要设置，本说明书对此不做具体限定。由于步骤S102中是以流失用户以及留存用户，获取的训练样本，所以训练得到的预测模型也是用于预测用户流失的预测模型。
S106：根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量。
在本说明书一个或多个实施例中，服务器在训练得到预测模型后，还可以按照该预测模型中配置的各变量对预测结果的影响程度，选择指定数量的多个变量。以便在后续步骤中根据选择的各变量，建立分类模型，并根据分类模型的分类结果确定业务策略。
具体的，服务器可以根据各变量对预测结果的影响程度从大到小的顺序，选择多个变量。也就是说，服务器还可以根据指定数量，确定对该预测模型的预测结果最重要的多个变量，这些变量是对用户是否流失起到较高作用多个变量。则在后续步骤中，服务器还可以根据选择出的各变量，建立分类模型以确定业务策略，并在执行业务时按照确定出的业务策略执行业务。
其中，服务器可以根据与现有技术相同的方法，确定有监督机器学习模型中配置的各变量对预测结果的影响程度(例如，确定各变量的重要性评分、或者权重值)，本说明书对此不做限定。其中，针对不同的有监督机器学习模型，可以采用不完全相同的方法确定各变量的重要性评分。
于是，在本说明书实施例中，该服务器还可以按照各变量的重要性评分从大到小的顺序，确定指定数量的变量，作为后续建立分类模型的变量。该指定数量可根据需要进行设置，本说明书不做限定。
S108：根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
在本说明书一个或多个实施例中，服务器在确定出各变量之后，便可根据选择出的各变量，建立分类模型，以根据所述分类模型的分类结果对用户进行分类，并根据为该分类结果配置的业务策略，确定针对不同分类的用户的业务策略，并采用对应的业务策略执行不同分类的用户的业务。
具体的，该分类结果为该分类模型输出的结果，而由于输入分类模型的用户属性以及历史行为数据不完全相同，所以该分类模型中的各变量对最终输出的分类结果所造成的影响是不完全相同的。例如，以决策树为例，在确定用户的分类结果时所经过的节点，可以视为是对该分类结果造成影响的节点，而未经过的节点可视为对该分类结果未造成影响的节点。也就是说，分类结果是因为各变量所造成的不同的影响而得到的。
于是，针对每个用户，为了使在采用与该用户的分类结果对应的业务策略执行该用户的业务后，可以改变该用户的分类结果，使预测的该用户的用户流失出现的概率产生变化(如，减少出现用户流失的概率)。在本说明书实施例中，在得到用户的分类结果，并为该分类结果配置业务策略时，可以根据分类模型中各变量对该分类结果造成影响的程度，确定该分类结果对应的业务策略。例如，以决策树为例，以获得分类结果所经历的各节点分别对应的业务策略，作为为该分类结果配置的业务策略。
在本说明书实施例中，可针对分类模型中的每个分类结果，确定与该分类结果相关性较高(如，影响程度高)的各变量分别对应的业务策略，作为为该分类结果配置的业务策略。
在本说明书一个或多个实施例中，该分类模型可以是决策树，则服务器可根据在步骤S106中确定出的各变量作为节点，建立用于将用户进行分类的决策树。其中，服务器可以为确定出的各节点配置不完全相同的业务策略。
另外，服务器可根据预先配置的各业务策略，分别确定配置在该决策树中的各节点对应的业务策略，则各节点可均对应至少一个业务策略。其中，该业务策略及其对应的节点可以根据实际需要进行配置，本说明书对此不做具体限定，如表1所示。
表1
通过表1，可见配置的各节点分别对应有具体的业务策略。使得在根据分类模型将用户分群的同时，还可以根据分类结果确定对应的业务策略，在后续执行该用户相关的业务时，可采用该对应的业务策略执行业务。
具体的，服务器可采用与现有技术相同的方法，根据步骤S106中确定出的各变量，建立决策树，本说明书并不限制具体采用何种算法(例如，ID3、CART和C4.5等算法)建立决策树。
需要说明的是，在本说明书一个或多个实施例中，当该分类模型为决策树时，确定为该分类结果配置的业务策略，可先根据该分类结果，从各节点中确定得到该分类结果所经过的节点，再根据确定出的节点对应的业务策略作为针对该用户的业务策略(即，在执行该用户的业务时采用的业务策略)。例如，用户在经历决策树中的节点a、节点c以及节点e之后落入一个用户分类集合中，则该用户的分类结果配置的业务策略可为节点a对应的业务策略、节点c对应的业务策略以及节点e对应的业务策略的组合。
通过图1所示的业务执行过程，以用户的用户属性和/或历史行为数据，作为训练样本，训练得到预测用户流失的预测模型，之后再根据该分类模型中各变量对预测结果的影响程度，选择多个变量，建立将用户进行分类的分类模型，以便在确定出的该用户的分类结果时，可根据该分类结果以及为该分类结果配置的业务策略的业务策略执行业务。本说明书提供的业务执行方法，用于建立分类模型的各变量，是通过训练完成的预测模型中各变量对预测结果的影响程度选择得到的，减少了由于人工配置变量带来的缺陷，简化了分类模型的复杂度。并且，又由于可为分类模型的各分类结果配置对应业务策略，所以在后续通过分类模型确定用户分类结果时，还可以根据该分类结果确定对应的业务策略，从而在预测模型确定用户流失概率的同时，也可提供针对性的业务策略。使通过采用该业务策略执行业务，提高用户执行业务时的用户体验，减少用户流失的概率。
另外，在本说明书实施例中，还可以从预先配置的各变量中，选择部分变量用于建立分类模型或者配置到预测模型中，对此不做具体限定。
进一步地，由于在步骤S108中分类模型的分类结果是因为各变量所造成的不同的影响而得到的，而分类模型的各变量是通过步骤S106选择出来的，所以为了方便根据分类结果确定业务策略，以及使得根据分类结果可以确定用户流失的原因，在本说明书步骤S106中，服务器还可以先从预测模型的各变量中选择出满足预设条件的各变量，再从选择出的变量中确定后续步骤S108用于建立分类模型的变量。其中，该预设条件可包括：变量具有可解释性和/或变量配置有对应的业务策略，而该业务策略可为减少用户流失的业务策略(例如，减少对用户的打扰，增加用户的社交黏性等等)。
通过上述方法，使得在步骤S108中建立分类模型的各变量具有可解释性，进而使得通过得到的用户的分类结果，便可确定哪些原因是对该分类结果造成较大影响的，即，通过变量的可解释性可以确定得到该分类结果的原因。并且，由于变量存在对应的业务策略，所以可进一步通过各变量对应的业务策略，确定在该用户的分类结果情况下，用于减少用户流失的概率的业务策略。
也就是说，服务器可先以存在可解释性和/或配置有对应业务策略为条件，从预测模型的各变量中筛选出符合条件的变量，再按照各变量在该预测模型中对预测结果的影响程度，从筛选出的各变量中确定指定数量的变量，用于后续步骤108建立分类模型。
需要说明的是，在本说明书实施例中，变量具有可解释性可以是变量被预先配置了对应的解释说明，所述解释说明用于解释变量的作用。例如，在预测用户流失的预测模型中，各变量的解释说明可以是解释该变量对于用户流失所起的作用，或者如表1所示的节点解释。相对于现有模型中变量一般仅存在标识而无解释说明的情况，为变量配置解释说明可以方便工作人员对模型以及模型输出结果的理解。
当然，各变量的可解释性和/或为各变量配置对应的业务策略，可以在步骤S102训练该预测模型之前便确定，或者也可以在步骤S108中在根据选择出的各变量建立分类模型时再确定，本说明书对此不做限定。
基于图1所示的业务执行过程，本说明书实施例还对应提供另一种业务执行过程，如图3所示。
图3为本说明书实施例提供的一种业务执行过程，具体包括以下步骤：
S202：获取用户的用户属性和/或历史行为数据。
在本说明书一个或多个实施例中，可由服务提供方的服务器确定针对用户的业务策略并执行业务。则服务器可先确定用户的用户属性以及历史行为数据中的至少一种，以便通过后续步骤执行该用户的业务。
具体的，以该分类模型是决策树为例进行说明，由于通过该决策树对用户进行分类时，该用户可以是一个或者是多个。也就是说，该服务器既可以确定一个用户的分类结果，也可以将大量用户分为不同的集合。于是，该服务器可以获取至少一个用户的用户属性以及历史行为数据中的至少一种，本说明书实施例对此不做具体限定。同理，当该分类模型是其他类型的分类模型时，服务器也可以获取至少一个用户的用户属性以及历史行为数据中的至少一种。
另外，服务器也可先根据的用户属性以及历史行为数据中的至少一种，根据预测模型对用户是否流失进行预测，并对预测将会流失的用户采用后续步骤确定出的业务策略执行业务。当然，本说明书实施例并不限定对哪些用户采用确定出的业务策略执行业务，可根据需要选择。
进一步地，在获取用户的历史行为数据时，服务器可以选择性的获取全部或者部分历史行为数据。例如，服务器可获取一段时间内的历史行为数据，如，一年内的历史行为数据。或者，服务器也可获取用户的全部的历史行为数据，等等，本说明书对此不做限定。
S204：根据所述用户属性和/或所述历史行为数据，通过分类模型对所述用户进行分类，得到分类结果。
在本说明书一个或多个实施例中，服务器在确定用户的用户属性以及历史行为数据至少一种之后，还可通过图1所示的业务执行方法建立的分类模型，对用户进行分类，得到用户的分类结果。以便后续根据该用户的分类结果，确定对应的业务策略并执行业务。
具体的，继续以该分类模型为决策树为例进行说明，决策树的各节点可以采用与现有技术相同的方法确定，本说明书不做具体限定。例如，以分类集合中包含的用户数量为停止条件，确定该决策树的各节点，或者以各节点的变量增益的增加量小于预设值为停止条件，确定决策树的各节点。
于是，通过建立的决策树，服务器可确定用户的分类结果。以在步骤S202中服务器获取多个用户的用户属性和/或历史行为数据为例，服务器将获取的多个用户的用户属性和/或历史行为数据输入该决策树后，可通过该决策树确定多个用户的分类集合，每个分类集合中包含多个用户。针对输入的每个用户来说，服务器可确定该用户对应的分类结果。
另外，服务器在确定用户的分类结果时，同时还可确定该用户的分类结果对应的业务策略，以便后续根据该业务策略执行业务。
S206：根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
在本说明书一个或多个实施例中，以该分类模型为决策树为例进行说明，服务器可根据确定出的用户的分类结果，从决策树中配置的各节点分别对应的业务策略中，确定为该分类结果配置的业务策略，执行该用户的业务。
具体的，由于决策树中的每个节点可对应不完全相同的变量，该变量为图1所示的业务执行方法中用于建立该决策树的变量，并且由于建立该决策树的各变量可分别对应不完全相同的业务策略，所以针对每个用户来说，服务器可确定获取该用户的分类结果对应的节点，进而可以确定针对该用户的业务策略。如图4所示。
图4为本说明书实施例提供的一种决策树确定用户分类结果的示意图。其中，可见针对用户A的历史行为数据，服务器通过该决策树可以说确定用户分类至集合B，且经过了节点a、b以及c(以粗线表示确定用户分类至集合B所经历的节点)。假设，该节点a、b以及c分别对应的业务策略为：“降低推送信息频率打扰”、“不变更身份验证频率”、“鼓励社交黏性”，则服务器可确定针对该用户A的业务策略为：降低推送信息频率打扰、鼓励用户交友、不改变身份验证频率。则在后续执行该用户A的业务时(如，该用户A的登录业务、该用户A的转账业务、该用户A的交易业务、为该用户A发送推荐信息的业务等等)，可以根据上述业务策略执行业务(如，减少用户A登录时的操作、在该用户A执行转账业务时推荐用户A添加转账对象为好友等等)。
也就是说，通过图1所示的业务执行过程建立分类模型之后，在执行图3所示的业务执行过程时，服务器可先根据图1建立的分类模型确定用户的分类结果，之后再确定分类结果对应的业务策略，最后根据该确定出的业务策略执行业务。
需要说明的是，本说明书实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤S102和步骤S104的执行主体可以为设备1，步骤S106和步骤S108的执行主体可以为设备2；又比如，步骤S102和骤S106的执行主体可以为设备2，步骤S104和步骤S108的执行主体可以为设备1；等等。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
另外，在本说明书实施例中，服务器也可只对部分用户采用图3所示的业务执行过程。具体的，由于图1所示的业务执行过程中，该预测模型为预测用户流失概率的模型，各变量对应的业务策略也可以是减少用户流失的业务策略，所以在步骤S202中，服务器可以先采用该预测模型确定用户流失的概率，在确定用户有较高流失概率之后，再采用图3所示的业务执行过程执行业务。
具体的，在步骤S202中，服务器在接收用户的业务请求时，可先根据预设的预测模型对所述用户进行预测，确定该用户的流失概率。并判断该流失概率是否落入预设的概率范围内，若是，则根据落入的概率范围对应的业务策略执行该用户的业务，若否，则根据确定出的节点对应的业务策略执行该用户的业务。
进一步地，由于在本说明书实施例中为各变量配置的业务策略，为减少用户流失概率的业务策略，而其中减少用户流失的业务策略，可包括：减少用户打扰，减少用户操作等等策略。而在减少用户打扰和减少用户操作可能导致业务风险的提高。例如，减少用户身份验证的操作，会提高业务风险。因此，在本说明实施例中，该服务器在步骤S202中，还可以先采用现有的风控方法确定该用户发起的业务的风险概率，在确定风险概率未落入预设的概率范围内时，再采用图3所示的业务执行方法执行业务。
具体的，服务器可先根据预设的风控模型对用户发送的业务请求进行风险评估，确定风险概率。并判断所述风险概率是否落入预设的概率范围内，若是，则根据落入的概率范围对应的业务策略执行业务，若否，则根据确定出的节点对应的业务策略执行业务。
更进一步地，在本说明书实施例中，当该业务策略为风控策略时，服务器在判断风险概率是否落入预设的概率范围内时，若是，则可根据落入的概率范围对应的风控策略对所述用户进行风险控制，若否，则根据确定出的节点对应的风控策略对所述用户进行风险控制。
需要说明的是，上述预设的概率范围可以根据需要设置，并且该概率范围对应的业务策略或者风险策略等等也可以根据需要配置，本说明书对此不做限定。
基于图1所示业务执行方法，本说明书实施例还对应提供一种业务执行装置的结构示意图，如图5所示。
图5为本说明书实施例提供的一种业务执行装置的结构示意图，所述装置包括：
获取模块302，获取用户的用户属性和/或历史行为数据，作为训练样本；
训练模块304，根据所述训练样本，训练得到用于预测用户流失的预测模型；
选择模块306，根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
业务执行模块308，根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
所述业务执行模块308，以确定出的各变量作为节点，建立用于将用户进行分类的决策树。
所述业务执行模块308，为确定出的各变量配置不完全相同的业务策略。
所述获取模块302，获取各用户的历史行为数据，根据各用户的历史行为数据，从各用户中确定流失用户以及留存用户，将所述流失用户以及所述留存用户的用户属性和/或在所述第一时间段的结束时间点之前的历史行为数据，作为训练样本；其中，所述流失用户为在第一时间段内执行过指定业务，且第二时间段内未执行过所述指定业务的用户；所述留存用户为在所述第一时间段内以及所述第二时间段内均执行过所述指定业务的用户；所述第二时间段的起始时间点晚于所述第一时间段的结束时间点，且所述第二时间段的起始时间点与所述第一时间段的结束时间点之间存在指定时间间隔。
所述选择模块306，从所述预测模型中确定满足预设条件的变量，根据所述预测模型中各变量对预测结果的影响程度，从确定出的各变量中，选择指定数量的多个变量。
其中，所述预设条件包括：变量具有可解释性和/或变量配置有对应的业务策略。
具体的，所述业务执行装置可位于服务器中，该服务器可以是服务提供方的服务器。该服务器可以是单独的一台设备，或者由多台设备组成的系统，本说明书对此不作限定。
基于图3所示业务执行方法，本说明书实施例还对应提供一种业务执行装置的结构示意图，如图6所示。
图6为本说明书实施例提供的一种业务执行装置的结构示意图，所述装置包括：
获取模块402，获取用户的用户属性和/或历史行为数据；
确定模块404，根据所述用户属性和/或所述历史行为数据，通过上述方法建立的分类模型，确定所述用户的分类结果；
业务执行模块406，根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
所述分类模型为决策树，所述决策树中的各节点分别对应不完全相同的业务策略，所述业务执行模块406，根据所述用户的分类结果，从所述决策树的各节点中，确定得到所述分类结果所经过的节点，根据确定出的节点对应的业务策略，执行所述用户的业务。
所述业务策略包含风控策略，所述业务执行模块406，当接收所述用户的业务请求时，根据预设的风控模型对所述用户发送的业务请求进行风险评估，确定风险概率，判断所述风险概率是否落入预设的概率范围内，若是，则根据确定出的风控策略对所述用户进行风险控制，若否，则根据落入的所述概率范围对应的风控策略对所述用户进行风险控制。
具体的，所述业务执行装置可位于服务器中，该服务器可以是服务提供方的服务器。该服务器可以是单独的一台设备，或者由多台设备组成的系统，本说明书对此不作限定。
基于图1所示业务执行方法，本说明书实施例还对应提供一种服务器的结构示意图，如图7所示。
图7为本说明书实施例提供的一种服务器的结构示意图，所述服务器包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取用户的用户属性和/或历史行为数据，作为训练样本；
根据所述训练样本，训练得到用于预测用户流失的预测模型；
根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
基于图3所示业务执行方法，本说明书实施例还对应提供一种服务器的结构示意图，如图8所示。
图8为本说明书实施例提供的一种服务器的结构示意图，所述服务器包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取用户的用户属性和/或历史行为数据；
根据所述用户属性和/或所述历史行为数据，通过上述方法建立的分类模型，确定所述用户的分类结果；
根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于本说明书实施例提供的移动终端以及服务器而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种业务执行方法，包括：
获取用户的用户属性和/或历史行为数据，作为训练样本；
根据所述训练样本，训练得到用于预测用户流失的预测模型；
根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
2.如权利要求1所述的方法，根据选择出的各变量，建立用于将用户进行分类的分类模型，具体包括：
以选择出的各变量作为节点，建立用于将用户进行分类的决策树。
3.如权利要求2所述的方法，所述方法还包括：
为选择出的各节点配置不完全相同的业务策略。
4.如权利要求1所述的方法，获取用户的用户属性以及历史行为数据为训练样本，具体包括：
获取各用户的历史行为数据；
根据各用户的历史行为数据，从各用户中确定流失用户以及留存用户；其中，所述流失用户为在第一时间段内执行过指定业务，且第二时间段内未执行过所述指定业务的用户；所述留存用户为在所述第一时间段内以及所述第二时间段内均执行过所述指定业务的用户；所述第二时间段的起始时间点晚于所述第一时间段的结束时间点，且所述第二时间段的起始时间点与所述第一时间段的结束时间点之间存在指定时间间隔；
将所述流失用户以及所述留存用户的用户属性和/或在所述第一时间段的结束时间点之前的历史行为数据，作为训练样本。
5.如权利要求1所述的方法，根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量，具体包括：
从所述预测模型中确定满足预设条件的变量，其中所述预设条件包括：变量具有可解释性和/或变量配置有对应的业务策略；
根据所述预测模型中各变量对预测结果的影响程度，从确定出的各变量中，选择指定数量的多个变量。
6.一种业务执行方法，包括：
获取用户的用户属性和/或历史行为数据；
根据所述用户属性和/或所述历史行为数据，通过权利要求1至5任一项所述方法建立的分类模型对所述用户进行分类，得到分类结果；
根据所述分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
7.如权利要求6所述的方法，所述分类模型为决策树，所述决策树中的各节点分别对应不完全相同的业务策略；
根据所述分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务，具体包括：
根据所述分类结果，从所述决策树的各节点中，确定得到所述分类结果所经过的节点；
根据确定出的节点对应的业务策略，执行所述用户的业务。
8.如权利要求6所述的方法，所述业务策略包含风控策略；
根据确定出的节点对应的业务策略，执行所述用户的业务，具体包括：
当接收所述用户的业务请求时，根据预设的风控模型对所述用户发送的业务请求进行风险评估，确定风险概率；
判断所述风险概率是否落入预设的概率范围内；
若是，则根据落入的概率范围对应的风控策略对所述用户进行风险控制；
若否，则根据确定出的节点对应的风控策略对所述用户进行风险控制。
9.一种业务执行装置，包括：
获取模块，获取用户的用户属性和/或历史行为数据，作为训练样本；
训练模块，根据所述训练样本，训练得到用于预测用户流失的预测模型；
选择模块，根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
业务执行模块，根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
10.如权利要求9所述的装置，所述业务执行模块，以选择出的各变量作为节点，建立用于将用户进行分类的决策树。
11.如权利要求10所述的装置，所述业务执行模块，为选择出的各变量配置不完全相同的业务策略。
12.如权利要求9所述的装置，所述获取模块，获取各用户的历史行为数据，根据各用户的历史行为数据，从各用户中确定流失用户以及留存用户，将所述流失用户以及所述留存用户的用户属性和/或在所述第一时间段的结束时间点之前的历史行为数据，作为训练样本；其中，所述流失用户为在第一时间段内执行过指定业务，且第二时间段内未执行过所述指定业务的用户；所述留存用户为在所述第一时间段内以及所述第二时间段内均执行过所述指定业务的用户；所述第二时间段的起始时间点晚于所述第一时间段的结束时间点，且所述第二时间段的起始时间点与所述第一时间段的结束时间点之间存在指定时间间隔。
13.如权利要求9所述的装置，所述选择模块，从所述预测模型中确定满足预设条件的变量，根据所述预测模型中各变量对预测结果的影响程度，从确定出的各变量中，选择指定数量的多个变量，其中，所述预设条件包括：变量具有可解释性和/或变量配置有对应的业务策略。
14.一种业务执行装置，包括：
获取模块，获取用户的用户属性和/或历史行为数据；
确定模块，根据所述用户属性和/或所述历史行为数据，通过权利要求1至5任一项所述方法建立的分类模型对所述用户进行分类，得到的分类结果；
业务执行模块，根据所述分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
15.如权利要求14所述的装置，所述分类模型为决策树，所述决策树中的各节点分别对应不完全相同的业务策略，所述业务执行模块，根据所述分类结果，从所述决策树的各节点中，确定得到所述分类结果所经过的节点，根据确定出的节点对应的业务策略，执行所述用户的业务。
16.如权利要求14所述的装置，所述业务策略包含风控策略，所述业务执行模块，当接收所述用户的业务请求时，根据预设的风控模型对所述用户发送的业务请求进行风险评估，确定风险概率，判断所述风险概率是否落入预设的概率范围内，若是，则根据落入的概率范围对应的风控策略对所述用户进行风险控制，若否，则根据确定出的节点对应的风控策略对所述用户进行风险控制。
17.一种服务器，所述服务器包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取用户的用户属性和/或历史行为数据，作为训练样本；
根据所述训练样本，训练得到用于预测用户流失的预测模型；
根据所述预测模型中各变量对预测结果的影响程度，选择指定数量的多个变量；
根据选择出的各变量，建立用于将用户进行分类的分类模型，以根据所述分类模型的分类结果以及为所述分类结果配置的业务策略执行业务。
18.一种服务器，所述服务器包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取用户的用户属性和/或历史行为数据；
根据所述用户属性和/或所述历史行为数据，通过权利要求1至5任一项所述方法建立的分类模型，确定所述用户的分类结果；
根据所述用户的分类结果以及为所述分类结果配置的业务策略，执行所述用户的业务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710749435.XA CN107679686B (zh) | 2017-08-28 | 2017-08-28 | 一种业务执行方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710749435.XA CN107679686B (zh) | 2017-08-28 | 2017-08-28 | 一种业务执行方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107679686A true CN107679686A (zh) | 2018-02-09 |
| CN107679686B CN107679686B (zh) | 2024-03-29 |
Family
ID=61134660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710749435.XA Active CN107679686B (zh) | 2017-08-28 | 2017-08-28 | 一种业务执行方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107679686B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932608A (zh) * | 2018-06-27 | 2018-12-04 | 中国建设银行股份有限公司 | 一种流程处理方法、装置和计算机可读介质 |
| CN108961071A (zh) * | 2018-06-01 | 2018-12-07 | 中国平安人寿保险股份有限公司 | 自动预测组合业务收益的方法及终端设备 |
| CN109190874A (zh) * | 2018-07-12 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 多分支业务流程的实现方法和装置 |
| CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
| CN110033276A (zh) * | 2019-03-08 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种针对转账的安全策略生成方法、装置及设备 |
| CN110197187A (zh) * | 2018-02-24 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 对用户流失进行预测的方法、设备、存储介质以及处理器 |
| CN110288403A (zh) * | 2019-06-26 | 2019-09-27 | 携程旅游网络技术（上海）有限公司 | 挽留弹框弹出方法、系统、设备及存储介质 |
| CN110310160A (zh) * | 2019-07-09 | 2019-10-08 | 西安点告网络科技有限公司 | 用户服务评估方法、装置、服务器及存储介质 |
| CN110322093A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
| WO2019196546A1 (zh) * | 2018-04-12 | 2019-10-17 | 阿里巴巴集团控股有限公司 | 确定业务请求事件的风险概率的方法及装置 |
| CN110415039A (zh) * | 2019-07-31 | 2019-11-05 | 北京三快在线科技有限公司 | 业务处理的方法及装置 |
| CN111260382A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种流失概率的预测处理方法及装置 |
| CN111833086A (zh) * | 2019-04-22 | 2020-10-27 | 百度在线网络技术（北京）有限公司 | 账户分类模型训练方法及装置和账户分类方法及装置 |
| CN112465544A (zh) * | 2020-11-25 | 2021-03-09 | 北京深演智能科技股份有限公司 | 用户流失预警的方法和装置 |
| CN113554448A (zh) * | 2020-04-23 | 2021-10-26 | 支付宝实验室(新加坡)有限公司 | 一种用户流失预测方法、装置及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050144114A1 (en) * | 2000-09-30 | 2005-06-30 | Ruggieri Thomas P. | System and method for providing global information on risks and related hedging strategies |
| CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
| US20140278779A1 (en) * | 2005-12-30 | 2014-09-18 | Accenture Global Services Limited | Churn prediction and management system |
| CN104123395A (zh) * | 2014-08-13 | 2014-10-29 | 北京赛科世纪数码科技有限公司 | 一种基于大数据的决策方法和系统 |
| CN104834983A (zh) * | 2014-12-25 | 2015-08-12 | 平安科技（深圳）有限公司 | 业务数据处理方法及装置 |
| CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
| CN106067039A (zh) * | 2016-05-30 | 2016-11-02 | 桂林电子科技大学 | 基于决策树剪枝的模式匹配方法 |
| CN106156809A (zh) * | 2015-04-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 用于更新分类模型的方法及装置 |
| CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
| CN106327032A (zh) * | 2015-06-15 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种用于客户流失预警的数据分析方法和装置 |
-
2017
- 2017-08-28 CN CN201710749435.XA patent/CN107679686B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050144114A1 (en) * | 2000-09-30 | 2005-06-30 | Ruggieri Thomas P. | System and method for providing global information on risks and related hedging strategies |
| US20140278779A1 (en) * | 2005-12-30 | 2014-09-18 | Accenture Global Services Limited | Churn prediction and management system |
| CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
| CN104123395A (zh) * | 2014-08-13 | 2014-10-29 | 北京赛科世纪数码科技有限公司 | 一种基于大数据的决策方法和系统 |
| CN104834983A (zh) * | 2014-12-25 | 2015-08-12 | 平安科技（深圳）有限公司 | 业务数据处理方法及装置 |
| CN106156809A (zh) * | 2015-04-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 用于更新分类模型的方法及装置 |
| CN106327032A (zh) * | 2015-06-15 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种用于客户流失预警的数据分析方法和装置 |
| CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
| CN106067039A (zh) * | 2016-05-30 | 2016-11-02 | 桂林电子科技大学 | 基于决策树剪枝的模式匹配方法 |
| CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
Non-Patent Citations (8)
| Title |
|---|
| NICCOLÒ GORDINI 等: "Customers churn prediction and marketing retention strategies. An application of support vector machines based on the AUC parameter-selection technique in B2B e-commerce industry", 《INDUSTRIAL MARKETING MANAGEMENT》, vol. 62, pages 100 - 107, XP029975426, DOI: 10.1016/j.indmarman.2016.08.003 * |
| VADAKATTU, RAMAKRISHNA 等: "Enterprise Subscription Churn Prediction", 《PROCEEDINGS 2015 IEEE INTERNATIONAL CONFERENCE ON BIG DATA》, pages 1317 - 1321 * |
| 李行龙: "基于数据挖掘技术的移动客户流失预测研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 3, pages 152 - 1085 * |
| 肖仲东: "数据挖掘在预测电信客户流失中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 肖仲东: "数据挖掘在预测电信客户流失中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, 15 December 2012 (2012-12-15), pages 138 - 176 * |
| 苏小龙: "基于记忆聚类方法的电信客户流失挖掘及策略开发", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 3, pages 155 - 124 * |
| 赵爱琴: "数据挖掘在电信行业精确营销中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 138 - 1000 * |
| 陈希 等: "数据挖掘技术在保险客户理赔分析中的应用", 《统计与决策》, no. 4, pages 154 - 158 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197187A (zh) * | 2018-02-24 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 对用户流失进行预测的方法、设备、存储介质以及处理器 |
| CN110322093B (zh) * | 2018-03-30 | 2024-03-08 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
| CN110322093A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
| WO2019196546A1 (zh) * | 2018-04-12 | 2019-10-17 | 阿里巴巴集团控股有限公司 | 确定业务请求事件的风险概率的方法及装置 |
| CN108961071A (zh) * | 2018-06-01 | 2018-12-07 | 中国平安人寿保险股份有限公司 | 自动预测组合业务收益的方法及终端设备 |
| CN108961071B (zh) * | 2018-06-01 | 2023-07-21 | 中国平安人寿保险股份有限公司 | 自动预测组合业务收益的方法及终端设备 |
| CN108932608A (zh) * | 2018-06-27 | 2018-12-04 | 中国建设银行股份有限公司 | 一种流程处理方法、装置和计算机可读介质 |
| CN109190874A (zh) * | 2018-07-12 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 多分支业务流程的实现方法和装置 |
| CN111260382A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种流失概率的预测处理方法及装置 |
| CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
| CN109636607B (zh) * | 2018-12-18 | 2024-03-15 | 平安科技（深圳）有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
| CN110033276A (zh) * | 2019-03-08 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种针对转账的安全策略生成方法、装置及设备 |
| CN111833086A (zh) * | 2019-04-22 | 2020-10-27 | 百度在线网络技术（北京）有限公司 | 账户分类模型训练方法及装置和账户分类方法及装置 |
| CN111833086B (zh) * | 2019-04-22 | 2024-04-23 | 百度在线网络技术（北京）有限公司 | 账户分类模型训练方法及装置和账户分类方法及装置 |
| CN110288403A (zh) * | 2019-06-26 | 2019-09-27 | 携程旅游网络技术（上海）有限公司 | 挽留弹框弹出方法、系统、设备及存储介质 |
| CN110310160A (zh) * | 2019-07-09 | 2019-10-08 | 西安点告网络科技有限公司 | 用户服务评估方法、装置、服务器及存储介质 |
| CN110415039A (zh) * | 2019-07-31 | 2019-11-05 | 北京三快在线科技有限公司 | 业务处理的方法及装置 |
| CN113554448A (zh) * | 2020-04-23 | 2021-10-26 | 支付宝实验室(新加坡)有限公司 | 一种用户流失预测方法、装置及电子设备 |
| CN112465544A (zh) * | 2020-11-25 | 2021-03-09 | 北京深演智能科技股份有限公司 | 用户流失预警的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107679686B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679686A (zh) | 一种业务执行方法及装置 | |
| CN110070399A (zh) | 一种优惠券推送方法及装置 | |
| CN109002949A (zh) | 一种风控策略配置以及业务风控的方法及装置 | |
| CN108804567A (zh) | 提高智能客服应答率的方法、设备、存储介质及装置 | |
| KR102249712B1 (ko) | 리스크 제어 이벤트 자동 처리 방법 및 장치 | |
| CN110070101A (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
| CN107578332A (zh) | 一种推荐现金商品的方法、装置、设备及存储介质 | |
| CN108460681A (zh) | 一种风险管控方法及装置 | |
| CN108681667A (zh) | 一种设备型号识别方法、装置及处理设备 | |
| CN107391526A (zh) | 一种基于区块链的数据处理方法及设备 | |
| CN110245475A (zh) | 身份验证方法和装置 | |
| CN110163647A (zh) | 一种数据处理方法及装置 | |
| CN108416616A (zh) | 投诉举报类别的排序方法和装置 | |
| CN107480854A (zh) | 一种风险识别的方法及装置 | |
| CN107292412A (zh) | 一种问题预测方法及预测系统 | |
| CN108985489B (zh) | 一种风险预测方法、风险预测装置和终端设备 | |
| CN110246032A (zh) | 贷后风险监控方法、装置及计算机可读存储介质 | |
| CN109086961A (zh) | 一种信息风险监测方法及装置 | |
| CN108921569A (zh) | 一种确定用户投诉类型的方法及装置 | |
| CN109003075A (zh) | 一种风险识别方法及装置 | |
| CN108399477A (zh) | 一种风险阈值确定的方法及装置 | |
| CN109614414A (zh) | 一种用户信息的确定方法及装置 | |
| CN111401722A (zh) | 智能决策方法和智能决策系统 | |
| CN109389412A (zh) | 一种训练模型的方法及装置 | |
| CN110390198A (zh) | 一种对小程序的风险巡检方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |