CN108090785A - 确定用户行为衰退倾向的方法、装置及电子设备 - Google Patents
确定用户行为衰退倾向的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108090785A CN108090785A CN201711283108.6A CN201711283108A CN108090785A CN 108090785 A CN108090785 A CN 108090785A CN 201711283108 A CN201711283108 A CN 201711283108A CN 108090785 A CN108090785 A CN 108090785A
- Authority
- CN
- China
- Prior art keywords
- user
- probability
- behavior
- default
- tendency
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种确定用户衰退倾向的方法、装置及电子设备。所述方法包括:获取计算衰退倾向当天之前第一用户的第一预设行为数据;根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种确定用户行为衰退倾向的方法、装置、电子设备及计算机刻度存储介质。
背景技术
互联网技术的不断发展已经大大改变了人们的生活方式,比如人们的出行方式、购物方式、配送方式等都在发生巨大变化,为满足用户的各种需求,开发出了各种相应的应用程序(Application,简称APP)。每一个APP拥有一定的用户,这些用户在APP的使用过程可能会经历新用户期、上升期、稳定期、衰退期、流失期等一个或者多个阶段。用户下单量逐渐减少的时期称为用户行为的衰退期,用户行为衰退的程度称为衰退倾向。
发明内容
本公开实施例提供一种确定用户行为衰退倾向方法、装置、电子设备及计算机可读存储介质。
第一方面,本公开实施例中提供了一种确定用户行为衰退倾向方法。
具体的,所述确定用户行为衰退倾向方法,包括:
获取计算衰退倾向当天之前第一用户的第一预设行为数据;
根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;
根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;
其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
结合第一方面,本公开在第一方面的第一种实现方式中,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率,包括:
将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述第一用户在计算衰退倾向当天产生预设行为的概率。
结合第一方面的第一种实现方式,所述第一预设行为包括所述第一用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述第一用户最近一订单距离计算衰退倾向当天的时间、所述第一用户对最近一订单的反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
结合第一方面,本公开在第一方面的第二种实现方式中,所述根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的概率确定用户的衰退倾向,包括:
计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
结合第一方面、第一方面的第一种实现方式或第一方面的第二种实现方式,本公开在第一方面的第三种实现方式中,还包括:
获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述第一标注数据为产生所述第二预设行为数据的第二日,所述第二用户产生所述预设行为的真实概率;
利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。
结合第一方面、第一方面的第一种实现方式或第一方面的第二种实现方式,本公开在第一方面的第四种实现方式中,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率之前,还包括:
获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;
根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式或第一方面的第四种实现方式,所述第一用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。
第二方面,本公开实施例提供了一种确定用户衰退倾向装置,包括:
第一获取模块,被配置为获取计算衰退倾向当天之前第一用户的第一预设行为数据;
预测模块,被配置为根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;
确定模块,被配置为根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;
其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
结合第二方面,本公开在第二方面的第一种实现方式中,所述预测模块,包括:
第一预测子模块,被配置为将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述第一用户在计算衰退倾向当天产生预设行为的概率。
结合第二方面的第一种实现方式,所述第一预设行为包括所述第一用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述第一用户最近一订单距离计算衰退倾向当天的时间、所述第一用户对最近一订单的反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
结合第二方面、第二方面的第一种实现方式或第二方面的第二种实现方式,本公开在第二方面的第二种实现方式中,所述确定模块,包括:
计算子模块,被配置为计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
结合第二方面、第二方面的第一种实现方式或第二方面的第二种实现方式,本公开在第二方面的第三种实现方式中,还包括:
第二获取模块,被配置为获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述第一标注数据为产生所述第二预设行为数据的第二日,所述第二用户产生所述预设行为的真实概率;
第一训练模块,被配置为利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。
结合第二方面、第二方面的第一种实现方式或第二方面的第二种实现方式,本公开在第二方面的第四种实现方式中,所述预测模块之前,还包括:
第三获取模块,被配置为获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;
第二训练模块,被配置为根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式或第二方面的第四种实现方式,所述第一用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。
所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,确定用户衰退倾向装置的结构中包括存储器和处理器,所述存储器用于存储一条或多条支持确定用户衰退倾向装置执行上述第一方面中确定用户衰退倾向方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述确定用户衰退倾向装置还可以包括通信接口,用于确定用户衰退倾向装置与其他设备或通信网络通信。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储确定用户衰退倾向装置所用的计算机指令,其包含用于执行上述第一方面中确定用户衰退倾向方法所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开实施例利用预测模型评估预测时间当天产生预设行为的概率,之后再利用所评估得到的计算衰退倾向当天的概率与预定时间段内产生预设行为的最大概率确定用户行为的衰退倾向。本公开通过机器自学习的方式获得预测模型,进而根据预测模型自动预测用户的下单概率,并基于用户的下单概率刻画用户衰退倾向,相较于已有技术中采用用户在一段时间内的下单频率刻画用户衰退倾向时过一段时间才能体现出来,本公开能够及时反应出用户的衰退倾向;在预测过程中,同时还可以考虑除下单频率之外的其他因素,使得能够及时发现用户因某些不好体验而导致用户的预设行为快速下降的情况,从而可以促使系统平台采取相应措施。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开一实施方式的确定用户衰退倾向方法的流程图;
图2示出根据本公开一实施方式的用户衰退倾向计算的图示示意图;
图3示出根据本公开一实施方式的用于训练行为概率预测模型的流程图;
图4示出根据本公开一实施方式的用于再次更新训练行为概率预测模型的流程图;
图5示出根据本公开一实施方式的确定用户衰退倾向装置的结构框图;
图6示出根据本公开一实施方式的用于训练行为概率预测模型的结构框图;
图7示出根据本公开一实施方式的用于再次更新训练行为概率预测模型的结构框图;
图8是适于用来实现根据本公开一实施方式的确定用户衰退倾向方法的电子设备的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
已有技术中,一种情况是对于平台用户衰退倾向的刻画往往只考虑最近产生用户预设行为的时间这一个参量,没有对用户进行针对性判别,衰退倾向的刻画采用的特征非常单一,对衰退倾向的刻画不够准确,比如对于原先产生用户预设行为的时间间隔不同的用户,当他们的未产生用户预设行为的时间间隔相同时,采用已有技术得到的两者的衰退倾向值却相同,这显然不客观。
而另一种情况通过用户产生预定行为的频率以及相应公式计算得到用户衰退倾向,这种方式采用特征较少,综合性能弱,且采用的公式未经过严格的检验,可解释性不够;此外,由于用户产生预定行为后需要过一段时间才能反应在频率下降上,因此这种方式只能等用户进入衰退后再采取措施进行干预,此时用户距最后一次产生预设行为的时间可能已经较长,此时采取干预较为困难。
图1示出根据本公开一实施方式的确定用户行为衰退的方法的流程图。如图1所示,所述确定用户行为衰退的方法包括以下步骤S101-S103:
在步骤S101中,获取计算衰退倾向当天之前第一用户的第一预设行为数据;
在步骤S102中,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;
在步骤S103中,根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;
其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
在本实施例中,用户的预设行为可以是用户在系统中的有效行为,包括用户对于系统对象的各种操作,例如,对于商业运营应用平台,用户利用该系统平台在商家店铺进行下单的用户行为。用户预设行为是应用平台欲通过其衡量用户衰退倾向的预定义的用户行为,例如,对于外卖应用平台,衡量用户衰退倾向最好的用户行为可能是用户的下单行为,而对于某产品推销网站应用平台,横向用户衰退倾向最好的用户行为可能是用户的浏览行为等。用户预设行为根据应用平台所涉及内容的不同而可能不同,具体根据实际情况设定。用户在某个时间段内产生用户预设行为的次数减少的时期可以称为衰退期,而用户的用户预设行为目前衰退的程度称为衰退倾向。例如,对于商业运营应用平台,用户在某个时间段内下单的次数减少,则这段时间为用户下单的衰退期,而用户下单次数减少的程度为用户下单的衰退倾向。
本公开实施例中,通过机器自学习得到的预测模型预测用户产生预设行为的概率(如下单概率),进而根据预测到的用户当前产生预设行为的概率以及第一时间周期内单日产生预设行为的最大概率确定用户的衰退倾向。例如,对于商业运营应用平台,用户在某一个时间段内预测到用户产生预设行为的概率下降了,则会及时体现在根据用户产生预设行为的概率计算得到的用户衰退倾向上,商业运营平台能够及时捕捉到用户衰退倾向的情况,并可以通过各种措施进行干预,防止用户流失。
可以理解的是,上述确定用户衰退倾向的方法不仅仅适用于商业运营应用平台,还可适用于各种供用户使用的应用平台,应用平台可以通过确定用户衰退倾向来反馈用户对本应用平台涉及产品或服务的关注度以及使用情况,进而根据这些反馈信息进一步提高应用平台为用户提供的产品或服务的质量等,能够促进应用平台的进一步发展,提高用户的体验。
本公开实施例中,计算衰退倾向当天可以是执行方法步骤的当天,也可以是之前的某一时间。例如,计算用户当前的衰退倾向,则计算衰退倾向当天为执行方法步骤的当天;而计算用户过去某一段时间的衰退倾向,则计算衰退倾向当天可以指过去某一段时间的最后一天。
本公开实施例,行为概率预测模型可以根据用户预设行为相关的数据预测用户当前时间之前任一天用户产生预设行为的概率。在实际应用中,可以每天利用之前的用户预设行为数据以及行为概率预测模型预测出当天用户产生预设行为的概率,并存储在数据库中。在计算衰退倾向时,可以基于计算衰退倾向当天的概率以及第一时间周期内单日预测得到的最大概率确定用户的衰退倾向。
第一预设行为数据包括用户在系统平台上以前产生的预设行为的相关数据。预设行为相关数据包括产生预设行为的次数、时间、频率、用户对预设行为的反馈信息等等。第一时间周期的时间长度可以根据实际情况设置,在此不做限制。
在本实施例的一个可选实现方式中,所述步骤S102,即预测用户在计算衰退倾向当天产生预设行为的概率的步骤,进一步包括以下步骤:
将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述用户在计算衰退倾向当天产生预设行为的概率。
该可选的实现方式中,在预测计算衰退倾向当天产生预设行为的概率时,不仅考虑预设行为相关的数据,还考虑用户大画像数据等。用户大画像数据包括用户性别、年龄段、行业、人生阶段、长期兴趣等信息。
在一可选的实现方式中,所述预设行为包括用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述用户最近一订单距离计算衰退倾向当天的时间、最近一订单的用户反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
在该可选的实现方式中,预设行为为系统平台上用户的下单行为。在利用本公开实施例确定用户下单行为的衰退倾向时,不但基于预设行为数据中包括的下单频次、下单量信息,还考虑用户对最近一次订单的反馈信息、最近一次订单的送货信息;下单频次包括近一个月的下单频次、当前季度的下单频次、近一年的下单频次等,下单量信息包括近一个月下单量与近一周下单量之差等;用户反馈信息包括用户对订单的评价、投诉、建议等;送货信息包括订单送货时长、延时时间、是否超时、送达时间等;同时还考虑系统平台对用户的物流服务信息,包括物流单占比、平均配送时长、平均物流平分等等,物流单占比是指为系统平台自身的物流为用户提供服务的占比率。本公开实施例在预测用户产生预设行为概率时,考虑多种信息,使得在预测结果中能够及时反映出用户产生衰退倾向的原因,能够促使系统平台针对性的及时采取挽救措施。
在本实施例的一个可选实现方式中,所述步骤S103,即所述根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的概率确定用户的衰退倾向的步骤,进一步包括:
计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
在该可选的实现方式中,用户衰退倾向通过计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率得到,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
用户衰退倾向DT(descent_trend)的计算公式如下表示:
其中,OPmax其表示近m天下单概率的最大值,OPtoday表示当前日期的下单概率,Tmax表示下单概率最大对应的日期,T表示当前日期,具体如图2所示。
在本实施例的一个可选实现方式中,如图3所示,所述方法,进一步包括以下步骤S301-S302:
在步骤S301中,获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述标注数据为产生所述第二预设行为数据的第二日所述第二用户产生所述预设行为的真实概率;
在步骤S302中,利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。
在该可选的实现方式中,利用机器学习算法对机器学习模型进行训练得到行为概率预测模型。在训练时,首先要挑选训练样本。本公开实施例中训练样本包括系统平台上收集到的各个用户的第二预设行为数据,第二预设行为数据与第一预设行为数据可以相同,即第二预设行为数据也可以包括订单信息和物流信息,订单信息包括产生预设行为的次数、时间、频率、用户对预设行为的反馈信息等等。在预设行为为下单行为是,第二预设行为数据可以包括所述用户最近一订单距离计算衰退倾向当天的时间、最近一订单的用户反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
训练样本所获取的是过去一段时间内的数据,而标注数据则是训练样本对应的用户在第二天真实的行为;例如,针对某一用户,选取了第t日的第二预设行为数据,而标注数据则是t+1日该用户是否产生预设行为的概率,如果该用户在t+1日内产生了预设行为,则该用户对应的训练样本为正样本,其标注数据为100%,如果该用户在t+1日内没有产生预设行为,则该用户对应的训练样本为负样本,其标注数据为0。可以获取过去t-1、t-2……、t-n日内系统平台中各个用户的训练样本数据以及标注数据,并对机器学习模型进行训练。所述机器学习模型可以是二分类模型,如逻辑回归、gbdt、xgboost等,当然也可以选择其他机器学习模型,如神经网络模型等。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S103,即预测用户在计算衰退倾向当天产生预设行为的概率的步骤之前,进一步还包括:
在步骤S401中,获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;
在步骤S402中,根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。
在该可选的实现方式中,在预测用户当天产生预设行为的概率之前,还可以利用前一天的预设行为数据对行为概率预测模型进行再训练,以更新所述行为概率预测模型,通过这种方式可以随着新的预设行为数据的产生,实时更新训练行为概率预测模型,使得行为概率预测模型不断更新学习,适应不断增多的用户行为。
在一可选的实现方式中,所述用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。本实施例确定用户衰退倾向的方法做针对的用户可以是仅在近一段时间内产生过所述预设行为的用户,而没有产生过预设行为的用户可以不对其进行处理。通过这种方式,可以选择有价值的用户进行计算,而对于用于价值不大的用户不进行用户行为衰退倾向的计算,能够进一步提高效率,节省成本。
在本实施例中,第一用户、第二用户和第三用户可以相同,也可以不同。第一用户为计算其衰退倾向的用户,第二用户为初始训练机器学习模型时采用的训练样本对应的用户,第三用户为后续再次训练机器学习模型时采用的训练样本对应的用户。因此,三者可能是同一用户,也可能是不同用户,第一用户、第二用户和第三用户不仅仅指一个用户,而可能是多个用户,因此三者可能部分相同、部分不同。具体视实际情况而定,在此不做限制。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图5示出根据本公开一实施方式的确定用户行为衰退倾向装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示,所述确定用户行为衰退倾向装置包括第一获取模块501、预测模块502和确定模块503:
第一获取模块501,被配置为获取计算衰退倾向当天之前第一用户的第一预设行为数据;
预测模块502,被配置为根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;
确定模块503,被配置为根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;
其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
用户的预设行为可以是用户在系统中的有效行为,包括用户对于系统对象的各种操作,例如,对于商业运营应用平台,用户利用该系统平台在商家店铺进行下单的用户行为。用户预设行为是应用平台欲通过其衡量用户衰退倾向的预定义的用户行为,例如,对于外卖应用平台,衡量用户衰退倾向最好的用户行为可能是用户的下单行为,而对于某产品推销网站应用平台,横向用户衰退倾向最好的用户行为可能是用户的浏览行为等。用户预设行为根据应用平台所涉及内容的不同而可能不同,具体根据实际情况设定。用户在某个时间段内产生用户预设行为的次数减少的时期可以称为衰退期,而用户的用户预设行为目前衰退的程度称为衰退倾向。例如,对于商业运营应用平台,用户在某个时间段内下单的次数减少,则这段时间为用户下单的衰退期,而用户下单次数减少的程度为用户下单的衰退倾向。
本公开实施例中,通过机器自学习得到的预测模型预测用户产生预设行为的概率(如下单概率),进而根据预测到的用户当前产生预设行为的概率以及第一时间周期内单日产生预设行为的最大概率确定用户的衰退倾向。例如,对于商业运营应用平台,用户在某一个时间段内预测到用户产生预设行为的概率下降了,则会及时体现在根据用户产生预设行为的概率计算得到的用户衰退倾向上,商业运营平台能够及时捕捉到用户衰退倾向的情况,并可以通过各种措施进行干预,防止用户流失。
可以理解的是,上述确定用户衰退倾向的方法不仅仅适用于商业运营应用平台,还可适用于各种供用户使用的应用平台,应用平台可以通过确定用户衰退倾向来反馈用户对本应用平台涉及产品或服务的关注度以及使用情况,进而根据这些反馈信息进一步提高应用平台为用户提供的产品或服务的质量等,能够促进应用平台的进一步发展,提高用户的体验。
本公开实施例中,计算衰退倾向当天可以是执行方法步骤的当天,也可以是之前的某一时间。例如,计算用户当前的衰退倾向,则计算衰退倾向当天为执行方法步骤的当天;而计算用户过去某一段时间的衰退倾向,则计算衰退倾向当天可以指过去某一段时间的最后一天。
本公开实施例,行为概率预测模型可以根据用户预设行为相关的数据预测用户当前时间之前任一天用户产生预设行为的概率。在实际应用中,可以每天利用之前的用户预设行为数据以及行为概率预测模型预测出当天用户产生预设行为的概率,并存储在数据库中。在计算衰退倾向时,可以基于计算衰退倾向当天的概率以及第一时间周期内单日预测得到的最大概率确定用户的衰退倾向。
第一预设行为数据包括用户在系统平台上以前产生的预设行为的相关数据。预设行为相关数据包括产生预设行为的次数、时间、频率、用户对预设行为的反馈信息等等。第一时间周期的时间长度可以根据实际情况设置,在此不做限制。
在本实施例的一个可选实现方式中,所述预测模块502,包括:
第一预测子模块,被配置为将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述第一用户在计算衰退倾向当天产生预设行为的概率。
该可选的实现方式中,在预测计算衰退倾向当天产生预设行为的概率时,不仅考虑预设行为相关的数据,还考虑用户大画像数据等。用户大画像数据包括用户性别、年龄段、行业、人生阶段、长期兴趣等信息。
在一可选的实现方式中,所述预设行为包括用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述用户最近一订单距离计算衰退倾向当天的时间、最近一订单的用户反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
在该可选的实现方式中,预设行为为系统平台上用户的下单行为。在利用本公开实施例确定用户下单行为的衰退倾向时,不但基于预设行为数据中包括的下单频次、下单量信息,还考虑用户对最近一次订单的反馈信息、最近一次订单的送货信息;下单频次包括近一个月的下单频次、当前季度的下单频次、近一年的下单频次等,下单量信息包括近一个月下单量与近一周下单量之差等;用户反馈信息包括用户对订单的评价、投诉、建议等;送货信息包括订单送货时长、延时时间、是否超时、送达时间等;同时还考虑系统平台对用户的物流服务信息,包括物流单占比、平均配送时长、平均物流平分等等,物流单占比是指为系统平台自身的物流为用户提供服务的占比率。本公开实施例在预测用户产生预设行为概率时,考虑多种信息,使得在预测结果中能够及时反映出用户产生衰退倾向的原因,能够促使系统平台针对性的及时采取挽救措施。
在本实施例的一个可选实现方式中,所述确定模块503,包括:
计算子模块,被配置为计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
在该可选的实现方式中,用户衰退倾向通过计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率得到,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
用户衰退倾向DT(descent_trend)的计算公式如下表示:
其中,OPmax其表示近m天下单概率的最大值,OPtoday表示当前日期的下单概率,Tmax表示下单概率最大对应的日期,T表示当前日期,具体如图2所示。
在本实施例的一个可选实现方式中,如图6所示,所述装置,进一步包括第二获取模块601和第一训练模块602:
第二获取模块601,被配置为获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述第一标注数据为产生所述第二预设行为数据的第二日,所述第二用户产生所述预设行为的真实概率;
第一训练模块602,被配置为利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。
在该可选的实现方式中,利用机器学习算法对机器学习模型进行训练得到行为概率预测模型。在训练时,首先要挑选训练样本。本公开实施例中训练样本包括系统平台上收集到的各个用户的第二预设行为数据,第二预设行为数据与第一预设行为数据可以相同,即第二预设行为数据也可以包括订单信息和物流信息,订单信息包括产生预设行为的次数、时间、频率、用户对预设行为的反馈信息等等。在预设行为为下单行为是,第二预设行为数据可以包括所述用户最近一订单距离计算衰退倾向当天的时间、最近一订单的用户反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
训练样本所获取的是过去一段时间内的数据,而标注数据则是训练样本对应的用户在第二天真实的行为;例如,针对某一用户,选取了第t日的第二预设行为数据,而标注数据则是t+1日该用户是否产生预设行为的概率,如果该用户在t+1日内产生了预设行为,则该用户对应的训练样本为正样本,其标注数据为100%,如果该用户在t+1日内没有产生预设行为,则该用户对应的训练样本为负样本,其标注数据为0。可以获取过去t-1、t-2……、t-n日内系统平台中各个用户的训练样本数据以及标注数据,并对机器学习模型进行训练。所述机器学习模型可以是二分类模型,如逻辑回归、gbdt、xgboost等,当然也可以选择其他机器学习模型,如神经网络模型等。
在本实施例的一个可选实现方式中,如图7所示,所述预测模块502之前,还包括第三获取模块701和第二训练模块702:
第三获取模块701,被配置为获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;
第二训练模块702,被配置为根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。
在该可选的实现方式中,在预测用户当天产生预设行为的概率之前,还可以利用前一天的预设行为数据对行为概率预测模型进行再训练,以更新所述行为概率预测模型,通过这种方式可以随着新的预设行为数据的产生,实时更新训练行为概率预测模型,使得行为概率预测模型不断更新学习,适应不断增多的用户行为。
在一可选的实现方式中,所述用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。本实施例确定用户衰退倾向的方法做针对的用户可以是仅在近一段时间内产生过所述预设行为的用户,而没有产生过预设行为的用户可以不对其进行处理。通过这种方式,可以选择有价值的用户进行计算,而对于用于价值不大的用户不进行用户行为衰退倾向的计算,能够进一步提高效率,节省成本。
在本实施例中,第一用户、第二用户和第三用户可以相同,也可以不同。第一用户为计算其衰退倾向的用户,第二用户为初始训练机器学习模型时采用的训练样本对应的用户,第三用户为后续再次训练机器学习模型时采用的训练样本对应的用户。因此,三者可能是同一用户,也可能是不同用户,第一用户、第二用户和第三用户不仅仅指一个用户,而可能是多个用户,因此三者可能部分相同、部分不同。具体视实际情况而定,在此不做限制。
图8是适于用来实现根据本公开实施方式的确定用户衰退倾向方法的电子设备的结构示意图。
如图8所示,电子设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行上述图1所示的实施方式中的各种处理。在RAM803中,还存储有电子设备800操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施方式,上文参考图1描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行图1的确定用户衰退倾向方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
A1、一种确定用户衰退倾向的方法,包括:获取计算衰退倾向当天之前第一用户的第一预设行为数据;根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。A2、根据A1所述的确定用户衰退倾向的方法,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率,包括:将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述第一用户在计算衰退倾向当天产生预设行为的概率。A3、根据A2所述的确定用户衰退倾向的方法,所述第一预设行为包括所述第一用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述第一用户最近一订单距离计算衰退倾向当天的时间、所述第一用户对最近一订单的反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。A4、根据A1所述的确定用户衰退倾向的方法,所述根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的概率确定用户的衰退倾向,包括:计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。A5、根据A1所述的确定用户衰退倾向的方法,还包括:获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述第一标注数据为产生所述第二预设行为数据的第二日,所述第二用户产生所述预设行为的真实概率;利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。A6、根据A1所述的确定用户衰退倾向的方法,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率之前,还包括:获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。A7、根据A1所述的确定用户衰退倾向的方法,所述第一用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。
B8、一种确定用户衰退倾向的装置,包括:第一获取模块,被配置为获取计算衰退倾向当天之前第一用户的第一预设行为数据;预测模块,被配置为根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;确定模块,被配置为根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。B9、根据B8所述的确定用户衰退倾向的装置,所述预测模块,包括:第一预测子模块,被配置为将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述第一用户在计算衰退倾向当天产生预设行为的概率。B10、根据B9所述的确定用户衰退倾向的装置,所述第一预设行为包括所述第一用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述第一用户最近一订单距离计算衰退倾向当天的时间、所述第一用户对最近一订单的反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。B11、根据B8所述的确定用户衰退倾向的装置,所述确定模块,包括:计算子模块,被配置为计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。B12、根据B8所述的确定用户衰退倾向的装置,还包括:第二获取模块,被配置为获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述第一标注数据为产生所述第二预设行为数据的第二日,所述第二用户产生所述预设行为的真实概率;第一训练模块,被配置为利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。B13、根据B8所述的确定用户衰退倾向的装置,所述预测模块之前,还包括:第三获取模块,被配置为获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;第二训练模块,被配置为根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。B14、根据B8所述的确定用户衰退倾向的装置,所述第一用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。
C15、一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现A1-A7任一项所述的方法步骤。
D16、一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现A1-A7任一项所述的方法步骤。
Claims (10)
1.一种确定用户衰退倾向的方法,其特征在于,包括:
获取计算衰退倾向当天之前第一用户的第一预设行为数据;
根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;
根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;
其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
2.根据权利要求1所述的确定用户衰退倾向的方法,其特征在于,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率,包括:
将所述第一预设行为数据以及所述第一用户的用户大画像数据输入至所述行为概率预测模型中,得到所述第一用户在计算衰退倾向当天产生预设行为的概率。
3.根据权利要求2所述的确定用户衰退倾向的方法,其特征在于,所述第一预设行为包括所述第一用户在系统平台上的下单行为;所述第一预设行为数据包括订单信息和/或物流信息;所述订单信息包括所述第一用户最近一订单距离计算衰退倾向当天的时间、所述第一用户对最近一订单的反馈信息、最近一订单送货信息、下单频次、下单量中的一个或多个的组合;所述物流信息包括物流单占比、平均配送时长、平均物流评分中的一个或多个的组合。
4.根据权利要求1所述的确定用户衰退倾向的方法,其特征在于,所述根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的概率确定用户的衰退倾向,包括:
计算第二时间周期内所述最大概率与所述计算衰退倾向当天产生预设行为概率之间的斜率,所述第二时间周期为产生所述预设行为的最大概率的时间至计算衰退倾向当天的时间周期。
5.根据权利要求1所述的确定用户衰退倾向的方法,其特征在于,还包括:
获取多个训练样本及每个训练样本对应的第一标注数据;其中,所述训练样本包括第二用户的第二预设行为数据;所述第一标注数据为产生所述第二预设行为数据的第二日,所述第二用户产生所述预设行为的真实概率;
利用所述多个训练样本及所述标注数据对机器学习模型进行训练,得到初步的所述行为概率预测模型。
6.根据权利要求1所述的确定用户衰退倾向的方法,其特征在于,根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率之前,还包括:
获取所述计算衰退倾向当天的前一天第三用户的第三预设行为数据及其第二标注数据;
根据所述第三预设行为数据及其第二标注数据对所述行为概率预测模型再次训练,得到更新后的行为概率预测模型。
7.根据权利要求1所述的确定用户衰退倾向的方法,其特征在于,所述第一用户为计算衰退倾向的前h天内产生过所述预设行为的用户,h为大于等于1的整数。
8.一种确定用户衰退倾向的装置,其特征在于,包括:
第一获取模块,被配置为获取计算衰退倾向当天之前第一用户的第一预设行为数据;
预测模块,被配置为根据所述预设行为数据预测所述第一用户在计算衰退倾向当天产生预设行为的概率;
确定模块,被配置为根据所述在计算衰退倾向当天产生预设行为的概率、以及在第一时间周期内单日产生所述预设行为的最大概率确定所述第一用户的衰退倾向;所述第一时间周期为所述计算衰退当天的前m天,m为大于等于1的整数;
其中,所述在计算衰退倾向当天产生预设行为的概率和在所述第一时间周期内单日产生所述预设行为的最大概率,均通过预先训练好的行为概率预测模型预测得到。
9.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7任一项所述的方法步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711283108.6A CN108090785B (zh) | 2017-12-07 | 2017-12-07 | 确定用户行为衰退倾向的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711283108.6A CN108090785B (zh) | 2017-12-07 | 2017-12-07 | 确定用户行为衰退倾向的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090785A true CN108090785A (zh) | 2018-05-29 |
CN108090785B CN108090785B (zh) | 2021-03-02 |
Family
ID=62174313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711283108.6A Active CN108090785B (zh) | 2017-12-07 | 2017-12-07 | 确定用户行为衰退倾向的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090785B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961357A (zh) * | 2019-03-25 | 2019-07-02 | 上海拉扎斯信息科技有限公司 | 用户数据处理方法、装置、电子设备及存储介质 |
TWI778494B (zh) * | 2021-01-13 | 2022-09-21 | 財團法人工業技術研究院 | 具影像隱私性之衰弱檢測的方法及裝置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194117A1 (en) * | 2001-04-06 | 2002-12-19 | Oumar Nabe | Methods and systems for customer relationship management |
US20170109756A1 (en) * | 2014-07-30 | 2017-04-20 | Huawei Technologies Co., Ltd. | User Unsubscription Prediction Method and Apparatus |
CN106919995A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种判断用户群体流失倾向的方法及装置 |
CN106960354A (zh) * | 2016-01-11 | 2017-07-18 | 中国移动通信集团河北有限公司 | 一种基于客户生命周期的精准化推荐方法及装置 |
CN107203822A (zh) * | 2016-03-16 | 2017-09-26 | 上海吉贝克信息技术有限公司 | 基于Logistic回归的证券客户流失预测的方法及系统 |
CN107358247A (zh) * | 2017-04-18 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种确定流失用户的方法及装置 |
CN107527238A (zh) * | 2017-08-17 | 2017-12-29 | 北京小度信息科技有限公司 | 确定用户行为衰退倾向的方法、装置及电子设备 |
-
2017
- 2017-12-07 CN CN201711283108.6A patent/CN108090785B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194117A1 (en) * | 2001-04-06 | 2002-12-19 | Oumar Nabe | Methods and systems for customer relationship management |
US20170109756A1 (en) * | 2014-07-30 | 2017-04-20 | Huawei Technologies Co., Ltd. | User Unsubscription Prediction Method and Apparatus |
CN106919995A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种判断用户群体流失倾向的方法及装置 |
CN106960354A (zh) * | 2016-01-11 | 2017-07-18 | 中国移动通信集团河北有限公司 | 一种基于客户生命周期的精准化推荐方法及装置 |
CN107203822A (zh) * | 2016-03-16 | 2017-09-26 | 上海吉贝克信息技术有限公司 | 基于Logistic回归的证券客户流失预测的方法及系统 |
CN107358247A (zh) * | 2017-04-18 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种确定流失用户的方法及装置 |
CN107527238A (zh) * | 2017-08-17 | 2017-12-29 | 北京小度信息科技有限公司 | 确定用户行为衰退倾向的方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961357A (zh) * | 2019-03-25 | 2019-07-02 | 上海拉扎斯信息科技有限公司 | 用户数据处理方法、装置、电子设备及存储介质 |
TWI778494B (zh) * | 2021-01-13 | 2022-09-21 | 財團法人工業技術研究院 | 具影像隱私性之衰弱檢測的方法及裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN108090785B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gkiotsalitis et al. | Robust timetable optimization for bus lines subject to resource and regulatory constraints | |
Van der Auweraer et al. | Forecasting spare part demand using service maintenance information | |
KR20210116435A (ko) | 재고 관리 및 최적화를 위한 시스템 및 방법 | |
US9530256B2 (en) | Generating cumulative wear-based indicators for vehicular components | |
US20190236497A1 (en) | System and method for automated model selection for key performance indicator forecasting | |
US20210158259A1 (en) | Orchestrated intelligent supply chain optimizer | |
JP6603600B2 (ja) | 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
US20130332244A1 (en) | Predictive Analytics Based Ranking Of Projects | |
JP5251217B2 (ja) | 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム | |
US20230306347A1 (en) | Systems and methods for supply chain optimization with channel saliency | |
CN108537399A (zh) | 一种物料需求量的预测方法及装置 | |
WO2023044426A1 (en) | Ai-based hyperparameter tuning in simulation-based optimization | |
CN108090785A (zh) | 确定用户行为衰退倾向的方法、装置及电子设备 | |
CN109146148A (zh) | 一种余额预测偏差原因的确定方法及装置 | |
WO2020257784A1 (en) | Inspection risk estimation using historical inspection data | |
US11887017B2 (en) | Automatically predicting transaction likelihood information and transaction-related temporal information using machine learning techniques | |
CN109376929B (zh) | 配送参数的确定方法、确定装置、存储介质和电子设备 | |
CN110689177B (zh) | 订单准备时间的预测方法和装置,电子设备及存储介质 | |
Johansen | The Markov model for base-stock control of an inventory system with Poisson demand, non-crossing lead times and lost sales | |
US20140236667A1 (en) | Estimating, learning, and enhancing project risk | |
CN112785111A (zh) | 生产效率预测方法、装置、存储介质与电子设备 | |
WO2020023763A1 (en) | System and method for predicting stock on hand with predefined markdown plans | |
CN109784524A (zh) | 件量预测方法及装置、设备和存储介质 | |
Gel et al. | Dynamic ordering decisions with approximate learning of supply yield uncertainty | |
JPH11126102A (ja) | ガス需要量の予測方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |