CN108369665B - (移动)应用程序使用流失的预测 - Google Patents

(移动)应用程序使用流失的预测 Download PDF

Info

Publication number
CN108369665B
CN108369665B CN201680072380.7A CN201680072380A CN108369665B CN 108369665 B CN108369665 B CN 108369665B CN 201680072380 A CN201680072380 A CN 201680072380A CN 108369665 B CN108369665 B CN 108369665B
Authority
CN
China
Prior art keywords
user
probability
data
discrimination
application
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.)
Active
Application number
CN201680072380.7A
Other languages
English (en)
Other versions
CN108369665A (zh
Inventor
杰伦·德克尼夫
维拉·曼纽尔·德弗朗西斯科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Avast Software sro
Original Assignee
Avast Software sro
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Avast Software sro filed Critical Avast Software sro
Publication of CN108369665A publication Critical patent/CN108369665A/zh
Application granted granted Critical
Publication of CN108369665B publication Critical patent/CN108369665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明提供一种流失预测模型，其使用行为数据以及用户特征来预测既定用户是否将从一个应用程序流失(即，停止使用)。最初，用户交互的训练集可以与用户活动的各种序列的流失概率值相关。然后，对于实时用户，可以记录用户在浏览app中的动作，除了用户特征之外，还可以使用该信息来预测该用户将要流失的概率，从而以“将流失消灭于萌芽状态”的方式实施(或者相反，保持忠诚并继续使用该应用程序)的概率。在一些实施方案中，一个分组的用户行动可以被识别为已知流失序列的子序列。对于执行这些子序列活动的用户，可以发送实时消息、优惠或促销以影响他们而不流失。

Description

(移动)应用程序使用流失的预测
相关申请的交叉引用
本申请要求于2015年12月10日提交的美国临时专利申请No.62/265,552的权益，其公开内容通过引用并入到本申请中，如同在此处完全阐述一样。
技术领域
本发明一般涉及个人电子设备例如智能手机、平板电脑和计算机，尤其涉及用于预测尝试用户设备上的既定应用程序的人口的多少百分比将在各种后续时间段继续使用并以什么规律使用它的度量和模型。
背景技术
本申请一般涉及通常称为“app”的应用软件。app是设计用于帮助用户执行特定任务的计算机软件。app可以在各种计算设备上执行，例如在包括智能手机的移动设备上。例如，移动app是设计用于在智能手机、平板电脑和其他移动设备上运行的软件应用程序。这些app可通过应用程序分发平台获得，这些平台通常由移动操作系统的所有者运行，例如，苹果应用商店、谷歌Phone、Windows Phone Store和黑莓App World。移动设备如智能手机和平板电脑被设计成便于接受app的安装和操作。
流失预测是确定在最初尝试过之后将停止使用既定服务或产品的人口(即用户)百分比的方法。所有移动app发布公司都对在用户安装一个app一周后仍会继续使用该app的用户百分比感兴趣。
传统上，客户流失预测是基于消费者的特征，如年龄、性别和邮政编码。然而，这些类别过于宽泛，无法粗略地预测app的用户是如何喜欢使用它的，以及他或她是否会继续使用它，继续试验它，或者决定它对他或她没有用处。
因此，通常用户如何与新的应用程序进行交互，既决定了他们是否会继续下去，又决定了他们是否有足够的兴趣水平来实际学习如何以有意义的方式使用它。这不仅仅是一个用户年龄、性别和住宅区的问题。它更多的是关于他们的个性，他们的需求，以及他们在应用程序留给他们的“第一印象”的时间窗口期与特定软件应用程序的关系如何。
本领域需要的是基于涉及应用程序的实际用户活动更准确地预测流失的方法。
发明内容
本发明提出了一种流失预测模型，其使用行为数据以及用户特征来预测既定用户是否将从应用程序流失(即，停止使用)。最初，用户交互的训练集可以与用户活动的各种序列的流失概率值相关。然后，对于实时用户，可以记录用户在浏览app中的行动，除了用户特征之外，还可以使用该信息来预测该用户将要流失的概率，从而以“消灭流失于萌芽状态中”的方式来实现(或者反过来，保持忠诚并继续使用该应用程序)。在一些实施方案中，一个用户行动的分组可以被识别为已知流失序列的子序列。对于执行这些活动子序列的用户，可以发送实时消息、优惠或促销以影响他们而不流失。在本发明的示例性实施方案中，用户数据可以从用户的设备上传到专有或云服务器。例如，可以在这些服务器上使用既定app的最新集合数据来执行客户流失分析或更详细的客户流失分析。
附图说明
图1是根据本发明的示例性实施方案的用于流失等级的示例性区分值和相关的区分模式的图表；
图2是根据本发明的示例性实施方案的用于忠诚等级的示例性区分模式的图表；
图3-14是根据本发明的示例性实施方案的用于测试流失和忠诚度预测的被称为“AVG WiFi助手(Assistant)”的示例性beta应用程序中的示例性屏幕截图(或其部分)；
图3描绘了示例性启动屏幕；
图4描述了示例性的OnboardWiFi(机载无线网络)屏幕；
图5描绘了示例性OnboardVPN(机载VPN)屏幕；
图6描绘了与图4的Onboarding(机载)屏幕相关地显示的示例性指导泡泡，以帮助用户了解Wifi助手的功能；
图7描绘了示例性主页屏幕；
图8描绘了在用户选择WiFi热点时向用户显示的示例性屏幕；
图9是在如图8中选择WiFi热点时向用户显示的示例性安全热点屏幕；
图10描绘了用于设置所选WiFi热点的参数的示例性WiFi设置屏幕；
图11描绘了示例性WiFi设置高级屏幕；
图12描绘了示例性升级屏幕截图对；
图13描绘了例如由用户从图7所示的屏幕访问的示例性侧栏菜单屏幕；
图14描绘了示例性的About屏幕；
图15是根据本发明的示例性实施方案的包含各种特征向量的示例性表格；和
图16描绘了根据本发明示例性实施方案的其上可部署流失预测模块的示例性移动设备。
具体实施方式
在本发明的示例性实施方案中，可以提供既使用行为数据又使用用户特征的流失预测模型。具体而言，可以记录用户如何在app中导航，并且除了一组用户特征之外，还可以使用该数据来预测用户将流失(即停止使用该应用程序)的概率。估算这个值可能在多种方式中是非常有价值的，其中可能包括例如：
1.允许app开发人员/设计人员重塑app的流程。也就是说，使用本发明的示例性实施方案，在一段时间内，它可以变得清楚app中用户在哪个或哪些点将要流失或将可能流失。这能够表明app的用户界面可以得到改进，甚至可以告知开发人员/设计人员如何改进它；
2.提供什么时候应该启动某些行动(例如优惠券，促销等)以保持客户使用或参与该app的洞察力。
I.概念定义
为了更好地理解构成本发明的各种示例性实施方案的基础的某些概念，提供了以下关键术语的定义：
行为数据是指关于既定app如何被使用的数据，即客户如何与app交互。尤其，可以考虑表示能够被app的用户采取的各种不同行动的一系列有序的事件(即，序列)。例如，一个聊天app可以由以下屏幕组成：欢迎(w)、注册(s)、教程(t)、地址簿(a)、帮助(h)和聊天(c)。对于一个既定用户i，一个系列有序的事件可能是：(w，s，c，c，c，h，a)，而对另一个用户j它可能是(w，s，t，a，c，c)。通常，通过对每个事件启用分析来收集此数据，以便在发生某个事件时将其记录并发送到数据库。
更正式地，我们让E＝{e1,…,en}是用户可以执行的n个不同事件的集合，包括不同屏幕标识符的字母表-例如，上面提到的示例性聊天app中的{w，s，t，a，h，c}。因此，集合E是所有可能事件的全部(即可以访问的屏幕和可以在每个屏幕上执行的交互)。然后我们让序列Y＝＜y1,…,ym＞成为用户实际执行的事件的有序列表，即对于1≤i≤m，yi∈E。对于行为数据，交易可以由一个元组(一组有序的值)(ui,Y)表示，其中ui是用户标识符和Y是一系列事件。因此，元组将既定用户ui与既定交互式事件序列相关联。
客户特征数据指的是可以获得关于用户的所有个人和人口统计数据。例如，年龄、性别、居住国家、收入、电话品牌/型号、操作系统版本、用户是否使用PRO版本(或其他版本类型或标志符)等。可用客户特征数据因不同app而异，主要取决于app收集哪个数据。例如，对于基于订阅的app，将存在付款信息和电子邮件地址；另一方面，对于约会应用，性别、年龄和城市或居住城镇通常都是已知的。
更正式地，对于每一个客户，都有一个长度p的二进制向量：p:X＝{x1,…,xp}。其中对于1≤i≤p，每个xi表示二进制化特征i的存在/不存在。与行为数据一样，交易是一个元组(ui,X)，其中ui是用户标识符和X是特征向量。这里，元组将既定用户与既定组的客户特性特征相关联。图15是包含各种示例性特征向量的表格。如参照其可以看到的，表中的每行包含来自下面结合图3-14描述的示例性WiFi助手应用程序的不同客户或用户的数据。数据包括用户的国家、城市和国家、他们使用的语言以及有关用户设备的信息，例如品牌、型号、类型以及所使用的操作系统。
II.流失预测：两阶段过程
在本发明的示例性实施方案中，流失预测应用可以由两个阶段组成：
1.学习阶段，其中根据数据学习、导出或生成流失模型-基于历史数据，学习或生成预测流失的统计模型。
2.部署阶段，在实时设置中，使用流失模型来预测用户是否可能流失。经过一段时间后，该模型然后可以用更新的数据重新训练。
在本发明的示例性实施方案中，可以用包括更新数据的现在更大的数据集运行整个分析，以找到新的区分模式列表。然而，在一些实施方案中，在一段时间之后，仅使用较新的数据也可能是有益的。
下面介绍这些阶段。
A.学习流失模型
1.介绍和定义
为了从交互数据推导或学习用于流失预测的统计模型，需要多个历史数据交易。也就是说，需要来自多个客户的行为以及客户特征数据。此外，对于这个“学习集”，知道客户是否流失或不流失，因此该数据可以与已知结果相关联。
让D＝{(u1,Y1),…,(un,Yn)}作为行为特征数据的交易数据库，并让A＝{(u1,X1),…,(un,Xn)}作为用户特征数据的交易数据库。如上所述，每个这样的交易数据库的元素是一组元组。类似地，U＝{u1,…,un是用户的数据库。此外，在训练数据中，因为它是历史性的，所以二进制类标签(例如“流失”或“忠诚”)也已知用于每个用户。也就是说，具有已知的标签功能C:U→Churned/loyal用于历史数据集中的所有用户。用Dchurn、Dloyal表示分别已经流失/忠诚的D中的用户子集，即，Dchurn＝{(ui,Yi)|(ui,Yi)∈D和C(ui)＝churn}。此外，我们需要行为交易数据库和特征交易数据库之间相应交易的概念，用于
Figure BDA0001690950370000074
和
Figure BDA0001690950370000072
其中
Figure BDA0001690950370000077
}。直观地，A[D']包含A的所有交易，其中该用户标识符既在A中也在D'中。
结果，三元组(Yi,Xi,C(ui))提供了用户ui的行为和特征数据，并且也指示用户是否已经流失。
流失预测的总体目标是学习(Yi,Xi,C(ui))＝流失的概率，即学习具有行为和特征数据Xj和Yj的用户uj将流失的概率。
2.流失预测的常用方法
学习结果预测的统计模型的常用做法是使用逻辑回归、
Figure BDA0001690950370000075
Bayes或关于输入集A和分类标签映射C的其他预测模型。更确切地说，在本发明的示例性实施方案中，流失预测模型M可以通过使用应用于A上的现成预测模型Φ及其对应的分类标签，即M＝Φ(A,C)来导出，例如，用
Figure BDA0001690950370000076
Bayes，用户j的流失概率-即，
Figure BDA0001690950370000071
其中P(churn)是训练数据集上的先验流失概率，以及P(Xj|churn)能够使用关于A的最大似然估计法来估算。
3.考虑行为数据
直观地说，用户组可以首先分成多个(可能部分重叠)组。例如，可以基于客户如何使用app来完成分割，即具有相似行为的用户被分组在一起。因此，可以分别为每个组学习用于流失预测的统计模型。
在由发明人运行的示例性测试中，用户的分组是基于用户的行为特征完成的。特别是，具有相似行为的用户被分组在一起。
注意，如上所使用的，术语或概念“相似行为”是以类似的浏览行为的意义来使用，即，用户如何通过应用程序导航。频繁序列模式是一种例如捕捉相似性的方式；当有足够的人以序列A-B-C访问屏幕时，这可以被识别为频繁模式。然后可以仅对实际上有区分性的频繁模式进一步进行分组，因为没有区分性的模式对于预测目的不具有信息性。
此外，对分组进行了优化，以选择偏离总体流失概率的那些组，也就是说，总体流失概率远高于/低于总体流失概率的组。为了计算这种分组，可以使用众所周知的技术，例如频繁序列挖掘，隐马尔可夫模型或可变长度马尔可夫链。
接下来详细描述了如何使用频繁序列挖掘技术来获得这种偏离总体流失概率。
4.发现频繁序列识别模式
对于两种序列Y＝{y1,…,ym},Z＝{z1,…,zk}，据说Z是Y的子序列，表示为Z≤Y，如果和仅仅如果：在Y中存在一个长度为k的序列，使得：
yi＝z1,…,yi+k＝zk，其中，1≤i≤m-k。
交易数据库D中的序列Z的掩码(cover)由D中支持Z的交易的存储区(bin)或集群组成：
cover(Z,D)＝{(ui,Y)|(ui,Y)∈D,Z＜D}。
交易数据库D中对序列Z的支持是D中的Z掩码的交易数量，supp(Z,D)＝|cover(Z,D)|。频繁序列挖掘是关于导出具有大于用户提供的最小支持阈值的支持的所有序列。区分频繁序列模式是在类别之间进行区分的模式，即在流失组中比在忠诚客户组中更常见的模式。形式上，频繁序列模式P的判别式值等于：
max(supp((P,Dchurned)/supp(P,Dloyal),supp((P,Dloyal)/supp(P,Dchurned))。
通常，判别值是用户定义的参数，可用于微调算法。示例性的判别值可以是0.6。
鉴于之前的定义和讨论，接下来将介绍用于学习流失模型的伪代码。算法的输出是所有频繁识别模式
Figure BDA0001690950370000091
和一组模型
Figure BDA0001690950370000092
的集合。
1.学习流失模型(A,D,C)
1.1.
Figure BDA0001690950370000097
＝{}//将该组流失模型初始化为空
1.2.
Figure BDA0001690950370000093
＝发现关于(D)的区别频繁模式
1.3.对于
Figure BDA0001690950370000094
中的每个频繁序列模式P：
1.3.1.MP＝在A上学习流失模型[cover(P,D)]}
1.3.2.
Figure BDA0001690950370000095
1.4.返回
Figure BDA0001690950370000096
在本发明的示例性实施方案中，出现一组模型，因为对于每个模式，构建分类模型。模式由数据的某个部分支持，并且在该部分上，可以构建关联的模型。
B.部署流失模型
为了预测用户uj是否将流失，假定uj的客户特征，即，Xj和行为特征即Yj的一部分是可获得的。然后使用uj的行为特征来确定具有相似行为分布的组；该组具有一些模式P作为共同描述符。
例如，根据行为特征Yj，例如，我们可以首先从模式P集合中找到最佳匹配，其中最长的子序列意味着最好的匹配。因此，对于P中的所有p，我们测试p是否是Yj的子序列。例如，从所有的匹配中，我们选择最长的。如果有多个匹配的最大子序列，我们选择最有区别的。如果又有多个最大子序列的不太可能的情况发生，所有等价区分，我们可以使用二者(并平均结果)。
接着，针对模式P训练的模型，即，MP能够用于确定Xj的流失概率。值得注意的是，Yj随时间而变化，所选择的预测模型也可随时间变化。
实际上，对于在学习阶段发现的所有模式，希望找到与当前行为特征序列Yj的最佳匹配。对于“最佳”，可以使用简单的启发式：作为Yj的子序列的最长序列是最合适的。当多个同样长的序列适合时，我们可以为它们的每一个计算一个预测分数。然后选择流失分类的最大分数和忠诚分类的最大分数并返回。在伪代码方面：
1.预测流失(Xj,Yj,
Figure BDA0001690950370000101
)
1.1.maxmatch＝0
1.2.Out＝{}
1.3.对于
Figure BDA0001690950370000102
中的所有P(#首先从最长的模式开始)
1.3.1.如果((P≤Xj)和(|P|≥maxmatch))
1.3.1.1.Out＝Out∪{计算流失和忠诚的概率(MP,Yj)}
1.3.1.2.maxmatch＝|P|
1.4.(流失，忠诚)＝来自Out的最大值
1.5.返回(流失，忠诚)
除了预测用户是否会流失之外，本发明的示例性实施方案的另一方面在于影响用户访问某些屏幕，即，改变用户关于app使用的行为。因此，我们希望根据我们从模型中获得的洞察力，改变用户使用app的方式，并将其应用于他或她的行为。例如，假设我们已经检测到上述聊天app的两组用户，并且第一组具有行为模式(w(欢迎)，s(注册)，c(聊天))，该组的总体流失概率等于90％。另一方面，第二组具有行为模式(W(欢迎)，S(注册)，T(教程))，总体流失概率为10％。因此，如果用户访问了阶段w，s，我们想要影响用户现在访问教程屏幕t。这种影响既可以在线也可以在线下完成。离线(即，预先)影响可以例如通过改变用户界面来使得教程屏幕更明显。在线影响(是指实时)可以通过自动发送促销来实现。
因此，除了客户特征之外，还基于app使用数据来提供流失预测方法。
III.实施例
A.识别模式的实施例
流失模式
图1描述了流失类别的区分模式的实例。区分值等于序列来自“流失”类别的概率。
忠诚模式
图2描绘了忠诚类别的区分模式的实例，区分值等于该序列来自“忠诚”类别的概率。可以很容易地注意到，区分值,忠诚＝[1–区分值,流失]。
B.详细的流失预测实施例
接下来描述根据本发明的示例性实施方案的流失预测的两个实施例。
实施例1:
从流失用户组中选取以下行为数据：
Networkinfo|GetStarted Pressed 0|OnboardWifi Start yes|OnboardVPN yes0|Bubble
HotspotAutomation Display|Bubble VPN Display|Bubble HotspotAutomation
Dismissed|Bubble VPN Dismissed|Home Button AddWifiNetwork|SecureHotspot yes
0|SecureHotspot ContinueNoVPN 0|Home Button AddWifiNetwork|HomeButton
AddWifiNetwork|Home Button SideMenu|Home Button SideMenu|SideWifiAssistant Off|Side
WifiAssistant On|Home Button AddWifiNetwork|Home ButtonAddWifiNetwork|Home Button
Upgrade|Upgrade SecuredHotspot WifiSettings
最初，当只有用户的第一个行动是已知的时候，即在这种情况下，只知道Networkinfo屏幕已被访问，但没有与此序列相匹配的模式。结果，使用基于整个数据集(即全局模型)的客户流失预测模型。结果是，这个用户将以18.93％的概率流失，因此忠诚度为81.07％。
注意到全球流失模型是使用所有可用数据得出的流失模型。如上所述，当不与任何导出的区分序列模式匹配时，该模型可用作回退(fallback)。
随着用户访问更多的屏幕，结果直到记录14个屏幕才改变。以下是一些中间阶段的简短描述：
Networkinfo|GetStarted Pressed 0＝>no match,global model P(churn)＝18.93％
Networkinfo|GetStarted Pressed 0|OnboardWifi Start yes|OnboardVPN yes0＝>no match,
global model P(churn)＝18.93％
这是因为我们导出的区分模式没有一个与前13个屏幕匹配(部分)。然而，在第13个屏幕之后，我们有以下输入：
Networkinfo|GetStarted Pressed 0|OnboardWifi Start yes|OnboardVPN yes0|Bubble
HotspotAutomation Display|Bubble VPN Display|Bubble HotspotAutomation
Dismissed|Bubble VPN Dismissed|Home Button AddWifiNetwork|SecureHotspot yes
0|SecureHotspot ContinueNoVPN 0|Home Button AddWifiNetwork|HomeButton
AddWifiNetwork|Home Button SideMenu|
现在有一个与来自流失类别的区分模式之一匹配：
Home Button AddWifiNetwork|Home Button AddWifiNetwork|Home ButtonSideMenu
通过选择仅在支持该规则的数据实例上训练的流失预测模型，我们得到：P(流失)＝100％。
用户添加的其余屏幕不会导致与输入序列匹配的任何不同模式，因此该用户的最佳匹配规则保持为：
Home Button AddWifiNetwork|Home Button AddWifiNetwork|Home ButtonSideMenu
实施例2:
第二个例子描述了忠诚用户访问过的各种屏幕：
networkinfo|GetStarted Pressed 0|OnboardWifi Start yes|BubbleHotspotAutomation
Display|Bubble VPN Display|Bubble HotspotAutomation Dismissed|BubbleVPN
Dismissed|SecureHotspot AlwaysOn Checked|SecureHotspot yes 0|SecureHotspot
ContinueNoVPN 0|Home Button SideMenu|Home VPN On
如实施例1一样，在前三个屏幕被访问之后，这里也没有匹配的辨别模式。因此，进行了以下最初的流失预测：
networkinfo|GetStarted Pressed 0|OnboardWifi Start yes＝>
no match,global model P(churn)＝28.36％.
随着下一个屏幕的添加，在模式中找到一个匹配：
OnboardWifi Start yes|OnboardVPN yes 0|Bubble HotspotAutomationDisplay
并且相应的模型估算P(流失)＝0.04％。添加另一个屏幕产生两种匹配的区分模式：前一模式“OnboardWifi Start yes|OnboardVPN yes 0|Bubble HotspotAutomationDisplay”和后一模式：
OnboardWifi Start yes|Bubble HotspotAutomation Display|Bubble VPNDisplay.
由于后者是较长的模式(三次事件对两次事件)，按照上述规则，后一种模式被选择并用于预测，因此现在P(流失)＝0.06％。
IV.示例性应用程序流程：屏幕及其相应名称
接下来参考图3-14描述示例性应用程序流程。在以下说明中，事件发送到GoogleAnalytics(“GA”)。发送到Google Analytics的每个事件都是我们行为数据库中的事件。在示例性实施方案中，可以使用其他移动追踪解决方案，诸如例如Adobe Omniture，FlurryAnalytics或任何追踪和发送app用户交互的内部开发的软件。在本发明的示例性实施方案中，用户数据可以从用户的设备上传到专有或云服务器。例如，可以在这些服务器上执行使用既定app的最新集合数据的客户流失分析或更详细的客户流失分析。
参照图3-14的屏幕截图描述示例性应用程序流程。针对每个屏幕，提供用户交互的列表，并且提供基于发送到分析环境(例如，GA)的这种交互的数据。每次用户访问屏幕或与屏幕交互时，捕获用户操作的数据都可以发送到GA，如下所述。
启动
当用户打开图3所示的屏幕时，我们向GA发送他正在查看的页面的名称，在这种情况下：
activation
·当用户按下“GetStarted”按钮时，发送给GA的信息是：
ο"GetStarted",“Pressed_0”“EventCounter”,null
ο"NetworkInfo",“mobile operator type_mobile operator name”,“EventCounter”,null
例如，移动运营商类型可以包含以下信息：
·GSM or CDMA or None or SIP
OnboardWiFi
图4描绘了示例性的Onboarding WiFi屏幕。当用户看到这个屏幕时，他正在查看的页面名称被发送到GA，在这种情况下：
OnboardWifi
·当用户在图4中轻敲“Start WiFi Automation(启动WiFi自动化)”时，发送的信息是：
ο"OnboardWifi","Start_Yes",“EventCounter“,null
·当用户点击图4中的“Maybe later(可能稍后)”时，发送的信息是：
ο"OnboardWifi","Start_Later",“EventCounter“,null
OnboardVPN
图5描述了示例性的Onboarding VPN屏幕。当用户看到这个屏幕时，我们将他正在查看的页面的名称发送给GA，在这种情况下：
OnboardVPN
·当用户点击“Got it”时，发送给GA的信息是：
ο"OnboardVPN","Yes_0",“EventCounter“,null
辅导泡泡
作为图4和图5所示的Onboarding流程的一部分，例如可以显示辅导泡泡，以帮助用户了解WiFi助手的功能。示例性的辅导泡泡在图6中示出。
·当用户看到这些泡泡时，发送的信息是：
ο"Bubble","HotspotAutomation_Display",“EventCounter“,null
ο"Bubble","VPN_Displayed",“EventCounter“,null
ο"Bubble","AssistantOff_Display",“EventCounter“,null
·当用户放弃这些泡泡时，发送的信息是：
ο"Bubble","HotspotAutomation_Dismissed",“EventCounter“,null
ο"Bubble","VPN_Dismissed",“EventCounter“,null
ο"Bubble","AssistantOff_Dismissed",“EventCounter“,null
主屏幕
图7描绘了示例性主屏幕。当用户打开此屏幕时，他正在查看的页面名称将发送到GA，在这种情况下：
Home
·当用户点击“Wifi关闭”时，发送的信息是：
ο"Home","Wifi_On",“EventCounter“,null
·当用户点击“Wifi已开启”时，发送的信息是：
ο"Home","Wifi_Off",“EventCounter“,null
·当用户打开VPN时，发送的信息是：
ο"Home","VPN_On",“EventCounter“,null
(未首先发送用户连接到热点并显示SecureHotspot屏幕)
·当用户关闭VPN时，发送的信息是：
ο"Home","VPN_Off",“EventCounter“,null
按钮“WiFi关闭”和“WiFi开启”是可点击的，从而允许创建交互数据。
在如图7所示的主屏幕上，用户可以点击作为三个水平条的图7中左上方所示的图标。
·当用户点击左上角的图标访问侧栏菜单时，发送的信息是：
ο"Home","Button_SideMenu",“EventCounter“,null
·当用户点击“Go Pro”时，发送的信息是：
ο"Home","Button_Upgrade",“EventCounter“,null
·当用户点击“+”时，发送的信息是：
ο"Home","Button_AddWifiNetwork",“EventCounter“,null
热点交互
图8描绘了示例性的热点连接屏幕。例如，如果用户进入荷兰阿姆斯特丹的星巴克，用户会看到该屏幕。
·当用户在热点上点击并选择“连接到网络”时，发送的信息是：
ο"Home","Hotspot_Connect",“EventCounter“,null
·当用户在热点上点击并选择“忘记网络”时，发送的信息是：
ο"Home","Hotspot_Forget",“EventCounter“,null
·当用户点击热点并选择“修改网络”网络时，发送的信息是：
ο"Home","Hotspot_WifiSettings",“EventCounter“,null
·当用户点击热点并选择“断开网络”时，发送的信息是：
ο"Home","Hotspot_Disconnect",“EventCounter“,null
安全热点
图9描绘了示例性安全热点屏幕。例如，如果这是用户第一次选择连接到热点(例如，阿姆斯特丹星巴克)，则用户将看到该屏幕。显示此屏幕时，用户正在查看的页面名称将发送到GA，在这种情况下：
SecureHotspot
·当用户点击“安全热点”按钮时，发送的信息是：
ο"SecureHotspot","Yes",“EventCounter“,null
·当用户不检查“总是使用VPN用于这个热点”框时，发送的信息是：
ο"SecureHotspot","AlwaysOn_Unchecked",“EventCounter“,null
·当用户检查“总是使用VPN用于这个热点”框时，发送的信息是：
ο"SecureHotspot","AlwaysOn_Checked",“EventCounter“,null
·当用户点击“无VPN连接”按钮时，发送的信息是：
ο"SecureHotspot","ContinueNoVPN",“EventCounter“,null
WiFi设置
图10描绘了示例性的WiFi设置屏幕截图。当用户打开这个屏幕时，他正在查看的页面名称被发送到GA，在这种情况下：
WifiSettings
用户与WiFi设置的交互：
·当用户将WiFi自动化更改为关闭(OFF)时，发送的信息是：
ο"WifiSettings",“WiFiAuto_Off”,“EventCounter”,null
·当用户将WiFi自动化更改为开启(ON)时，发送的信息是：
ο"WifiSettings",“WiFiAuto_On”,“EventCounter”,null
·当用户将VPN自动化更改为OFF时，发送的信息是：
ο"WifiSettings",“VPNAuto_Off”,“EventCounter”,null
·当用户将VPN自动化更改为ON时，发送的信息是：
ο"WifiSettings",“VPNAuto_On”,“EventCounter”,null
·当用户点击升级(Upgrade)时，发送的信息是：
ο"WifiSettings",“Upgrade”,“EventCounter”,null
·当用户点击“...”时，发送的信息是：
ο"WifiSettings",“More”,“EventCounter”,null
·当用户点击“忘记网络(Forget Network)”时，发送的信息是：
ο"WifiSettings",“More_Forget”,“EventCounter”,null
·当用户点击高级(Advanced)时，发送的信息是：
ο"WifiSettings",“More_Advanced”,“EventCounter”,null
·当用户点击日志(Log)时，发送的信息是：
ο"WifiSettings",“More_Log”,“EventCounter”,null
WiFi设置高级
图11描绘了示例性WiFi设置高级屏幕截图。当用户打开这个屏幕时，他正在查看的页面名称被发送到GA，在这种情况下：
WifiSettingsAdvanced
用户与WiFi设置高级的交互：
·当用户取消选中自动开启Wifi时，发送的信息是：
ο"WifiSettings",“Advanced_AutoOnDisabled”,“EventCounter”,null
·当用户检查自动打开Wifi时，发送的信息是：
ο"WifiSettings",“Advanced_AutoOnEnabled”,“EventCounter”,null
·当用户取消选中自动关闭Wifi时，发送的信息是：
ο"WifiSettings",“Advanced_AutoOffDisabled”,“EventCounter”,null
·当用户检查自动关闭Wifi时，发送的信息是：
ο"WifiSettings",“Advanced_AutoOffEnabled”,“EventCounter”,null
·当用户点击“清除ID”时，发送的信息是：
ο"WifiSettings",“Advanced_ClearID”,“EventCounter”,null
升级
图12描绘了一对示例性的WiFi设置高级屏幕截图。当用户打开这个屏幕时，他正在查看的页面名称被发送到GA，在这种情况下：
Upgrade
用户与升级的交互：
·当用户点击“Secure Me”时，发送的信息是：
ο"Upgrade","Payment_Display",，，EventCounter“,null
·当用户完成付款流程时，发送的信息是：
ο"Upgrade","Payment_Ok",，，EventCounter“,null
·当用户点击“Cancel Subscription(取消订阅)”时，发送的信息是：
ο"Upgrade","Cancel",，，EventCounter“,null
·当用户点击一个安全热点时，发送的信息是：
ο"Upgrade","SecuredHotspot_WifiSettings",，，EventCounter“,null
侧栏菜单
图13描绘了示例性的侧栏菜单屏幕截图。例如，如上所述，可以通过用户点击主屏幕左上方的图标来访问侧栏菜单。当用户打开这个屏幕时，他正在查看的页面名称被发送到GA，在这种情况下：
Side
用户与侧栏菜单的交互：
·当用户点击“Go Pro”(见图13右上方)时，发送的信息是：
ο"Side","Button_Upgrade",“EventCounter“,null
·当用户将Wifi助手自动化更改为OFF时，发送的信息是：
ο"Side","WifiAssistant_Off",“EventCounter“,null
·当用户将WiFi助手自动化更改为ON时，发送的信息是：
ο"Side","WifiAssistant_On",“EventCounter“,null
·当用户点击“Share(分享)”时，发送的信息是：
ο"Side","Button_Share",“EventCounter“,null
(also a screen event is sent as，，Share“screen)
·当用户点击“More Info(更多信息)”时，发送的信息是：
ο"Side","Button_About",“EventCounter“,null
·当用户点击“News(新闻)”时，发送的信息是：
ο"Side","Button_News",“EventCounter“,null
·当用户点击“Rate us(评价我们)”时，发送的信息是：
ο"Side","Button_RateUs",“EventCounter“,null
关于
图14描绘了示例性的关于(About)屏幕截图。例如，用户可以从图13所示的侧栏菜单屏幕导航到该屏幕。当用户打开关于屏幕时，他正在查看的页面的名称被发送到GA，在这种情况下：
About
ο当用户点击这些选项时，发送一个屏幕事件
来自Android系统设置的Wifi互动
Wifi助手外部的Wifi互动
·当用户从Android设置关闭WiFi时，WiFi助手暂停，发送以下信息：
ο"System","Assistant_Pause",“EventCounter“,null
·当用户从Android设置打开WiFi时，我们也会在WiFi助手中打开WiFi并发送：
ο"System","Assistant_Resume",“EventCounter“,null
每次从暂停状态恢复WiFi助手时，也会发送此事件。在本发明的示例性实施方案中，每当从UI按下的按钮中恢复时，这就需要在分析后端中进行过滤。
从上面给出的详细应用流程中可以看出，对于诸如“AVG WiFi Assistant”的示例性应用，通过捕获用户访问的屏幕以及用户在访问的每个屏幕上的交互，实现本发明的示例性实施方案的系统和方法可以使用这种行为在许多用户的数据库上操作，并预测对于该应用程序的流失或忠诚度。如果该方法应用于单一类型的许多应用程序，例如游戏应用程序或社交媒体应用程序，其中可以在所访问的屏幕类型之间建立相关性(例如，所有智能手机应用程序都具有开幕屏幕，主屏幕和用户偏好的屏幕集合)，或者应用于具有一些改变的现有程序的较新版本，可以使用相对较小的训练集甚至不使用训练集以及来自所有类似应用程序的数据和预测方法来预测与新应用程序交互的用户的流失或忠诚度。例如，这种方法可以是在如上所述简单地使用小训练集的总百分比用于新app之上的改进。
用户特征和行为数据在模型中的结合
在上述示例性模型生成过程中，区分模式是行为数据，即被访问的屏幕和在这样的屏幕上参与的事件的序列。最常见的情况是，关于一个app的行为差异相对于从该app流失的倾向性是有区别的。但是，这不是分类。对于流失的倾向性，有时用户特征更具预测性，或者用户特征与各种行为交互序列组合更具有预测性。因此注意到，两个具有与针对一个app的相同行为序列的客户可能具有完全不同的客户流失概率。相比于另一个客户群体，有一些应用程序对一个客户群体更友好或适合。例如，30多岁的女性更喜欢约会应用程序，而不是梦幻的足球赌博应用程序。同样，健美应用程序更吸引年轻男性。因此，在这类具有特定人口统计特征的app中，它通常是用户特征和短暂行为序列的组合，可以最大程度地区分流失倾向。因此，客户特征和行为数据的任何最佳聚类在本发明的各种示例性实施方案中都可能是有用的，并且所有这样的聚类以及由此产生的用于流失或忠诚的区分模式都是可预期的，并且也在本发明的范围之内。
V.非限制性软件和硬件实施例
示例性的移动设备和系统
图16示出了移动设备1601的高级框图。将进一步认识到，图16所示的装置是说明性的，并且可以进行变化和修改。移动设备1601可以包括控制器1602、无线模块1604、定位模块1606、流失预测模块108、计算机可读介质(CRM)1610、显示模块1612和输入模块1614。移动设备1601可以包括附加模块。在一些实施方案中，移动设备1601可以具有足够的规格、尺寸和重量，以使设备能够容易地被用户移动。例如，移动设备1601可以是口袋大小。
可以作为一个或多个集成电路实现的控制器1602能够控制和管理移动设备1601的整体操作。例如，控制器1602可以执行各种任务，诸如检索可以存储在CRM 1610中的各种资产，访问各种模块的功能(例如，通过蓝牙模块与其他支持蓝牙的设备交互)，执行驻留在CRM 1610上的各种软件程序(例如，操作系统和应用程序)等等。在一些实施方案中，控制器1602可以包括配置成执行机器可读指令的一个或多个处理器(例如微处理器或微控制器)。例如，控制器1602可以包括单芯片应用处理器。控制器1602可以以任何合适的方式进一步连接到CRM 1610。
无线模块1604可以包括任何合适的无线通信技术。例如，无线模块1604可以包括蓝牙
Figure BDA0001690950370000221
模块、射频(RF)模块、WiFi模块和/或诸如此类的模块。蓝牙模块可以包括用于与其他启用蓝牙的设备进行无线通信的任何合适的硬件组合，并允许在控制器1602和其他启用蓝牙的设备之间交换RF信号。在一些实施方案中，蓝牙模块可以根据蓝牙基本速率/增强数据速率(BR/EDR)和/或蓝牙低能量(LE)标准来执行这种无线通信。通常，蓝牙协议允许在短距离(例如30米)上的多个设备之间的点对点无线通信。蓝牙自推出以来已经广泛流行，目前已用于各种不同的设备。为了让蓝牙能够用于更多种类的应用，该技术的低功耗版本已引入
Figure BDA0001690950370000222
Specification Version 4.0。一般而言，蓝牙低功耗(LE)使设备能够以低功耗进行无线通信。使用蓝牙
Figure BDA0001690950370000223
的设备通常可以运行一年以上，而不需要对其电池进行充电。
例如，蓝牙模块可以包括用于仅基于蓝牙
Figure BDA0001690950370000224
(例如，单模式操作)的执行设备发现、连接建立和通信的合适硬件。作为另一示例，蓝牙模块可以包括基于蓝牙
Figure BDA0001690950370000225
/EDR和蓝牙
Figure BDA0001690950370000226
两者(例如，双模式操作)的用于设备发现、连接建立以及通信的合适的硬件。作为又一个例子，蓝牙模块可以包括仅基于蓝牙
Figure BDA0001690950370000227
/EDR的用于设备发现、连接建立和通信的合适硬件。
RF模块可以包括用于执行与无线语音和/或数据网络的无线通信的硬件的任何合适的组合。例如，RF模块可以包括使得移动设备1601的用户能够通过无线语音网络发出电话呼叫的RF收发器。
WiFi模块可以包括用于与其他启用WiFi的设备执行基于WiFi的通信的硬件的任何适当组合。例如，WiFi模块可以与IEEE 802.11a、IEEE 802.11b、IEEE 802.11g和/或IEEE802.11n兼容。
定位模块1606可以包括使用一个或多个无线信号来确定当前位置的任何合适的定位技术。在一些实施方案中，定位模块1606包括全球定位系统(GPS)模块。在一些实施方案中，定位模块1606包括以下中的一个或多个：WiFi位置模块，蜂窝位置模块，众包的WiFi位置模块，飞行时间计算(ToF)位置模块等。
流失预测模块1608可以包括代码，当执行时，该代码基于用户与在移动设备上也存储和可操作的既定app的交互来预测用户将从app流失或者忠于其的概率。例如，使用上述方法，流失预测模块1608可以将预测发送到由app的发布者操作的后端服务器。然后，app发布者可以如上所述向用户发出各种尝试以劝说他或她采取行动，以减少他或她将要流失的可能性。此外，流失预测模块1608可以连续地下载更新的集合用户数据以及算法更新以微调其预测模型，并且类似地，还可以执行app使用数据的设备侧收集和聚集，并将其发送到后端服务器。
可以例如使用磁盘、闪存、随机存取存储器(RAM)、混合类型的存储器、光盘驱动器或可以存储程序代码和/或数据的任何其他存储介质来实现CRM 1610。CRM 1610可以存储可由控制器102执行的软件程序，包括操作系统，应用程序和相关程序代码(例如用于流失预测模块1608的代码)。
软件程序(在此也称为软件或app)可以包括可由控制器1602执行的任何程序。在一些实施方案中，某些软件程序可以由其制造商安装在移动设备1601上，而其他软件程序可以由用户安装。软件程序的实例可以包括操作系统、导航或其他地图应用程序、定位器应用程序、生产力应用程序、视频游戏应用程序、个人信息管理应用程序、用于播放媒体资产和/或导航媒体资产数据库的应用程序、用于控制电话接口以拨打和/或接听电话的应用程序等等。虽然未具体示出，但是可以提供一个或多个应用模块(或指令集)，用于启动和执行一个或多个应用程序，例如存储在介质1610中的各种软件组件，以执行移动设备1601的各种功能。
显示模块1612可以使用任何合适的显示技术来实现，包括CRT显示器、LCD显示器(例如，触摸屏)、等离子显示器、直接投影或背投DLP、微显示器等。在各种实施方案中，显示模块1612可用于可视地显示用户界面、图像和/或类似物。
输入模块1614可以作为触摸屏(例如，基于LCD的触摸屏)、语音命令系统、键盘、计算机鼠标、轨迹球、无线遥控器、按钮等。输入模块1614可以允许用户提供输入以调用控制器1602的功能。在一些实施方案中，输入模块1614和显示模块1612可以组合或集成。例如，移动设备1601可以包括显示图像并且还捕捉用户输入的基于LCD的触摸屏。示例性地，用户可以在触摸屏表面的显示图标的区域上点击他或她的手指。触摸屏可以捕捉该点击，并作为响应，启动与图标相关的软件程序。在启动软件程序后，应用程序的图形用户界面可以显示在触摸屏上以呈现给用户。
如上所述的本发明的各种示例性实施方案可以作为与计算机系统(例如智能手机或其他移动用户设备)一起使用的一个或多个程序产品、软件应用程序等来实现。这里使用的术语程序、软件应用程序等被定义为设计用于在计算机系统或数据处理器上执行的指令序列。程序、计算机程序或软件应用程序可以包括子程序、函数、过程、对象方法、对象实现、可执行的应用程序、小应用程序(applet)、小服务程序(servlet)、源代码、对象代码、共享库/动态负载库和/或设计用于在计算机系统上执行的其他指令序列。
程序产品或软件的程序可以定义实施方案的功能(包括这里描述的方法)并且可以包含在各种计算机可读介质上。示例性的计算机可读介质包括但不限于：(i)永久存储在不可写存储介质上的信息(例如计算机内的只读存储器设备例如CD-ROM驱动器可读的CD-ROM盘)；(ii)存储在可写存储介质(例如软盘驱动器或硬盘驱动器内的软盘)上的可变信息；或(iii)由通信介质(例如通过计算机或电话网络，包括无线通信)传送到计算机的信息。后一实施方案具体包括从互联网和其他网络下载的信息。这种计算机可读介质当携带指导本发明的功能的计算机可读指令时代表了本发明的实施方案。
通常，执行本发明的实施方案的例程，无论是作为操作系统的一部分还是作为特定应用程序、组件、程序、模块、对象或指令序列来实现，在这里都可以称为“程序”。计算机程序通常包括多个指令，这些指令将被本地计算机翻译成机器可读的格式和因此可执行指令。此外，程序包括变量和数据结构，这些变量或数据结构要么驻留在程序本地，要么存在于内存或存储设备中。另外，这里描述的各种程序可以基于在本发明的具体实施方案中实施它们的应用来识别。然而，应该认识到，下面的任何特定程序术语仅仅是为了方便而使用的，并且因此本发明不应被限制为仅用于由这种术语所标识和/或暗示的任何特定应用中。
还可以清楚计算机程序可以被编入例程、过程、方法、模块、对象等的通常无限数量的方式，以及其中程序功能可以分配在位于典型计算机内各种软件层(例如，操作系统、库、API、应用程序、小程序等)内的各种方式。应该理解，本发明不限于本文所描述的特定组织和分配或程序功能。
本发明可以用硬件、软件或硬件和软件的组合来实现。根据本发明优选实施方案的系统可以在一个计算机系统中以集中方式实现，或者以分布式方式实现，其中不同元件分布在包括云连接的计算系统和设备在内的若干互连计算机系统上。任何种类的计算机系统或适用于执行本文所述方法的其他装置都是适用的，并且优选地，本发明在智能手机、平板电脑或其他个人电子设备中实现。硬件和软件的典型组合可以是具有计算机程序的通用计算机系统，所述计算机程序在被加载和执行时控制计算机系统以使其执行本文所述的方法。在用户设备侧，例如，硬件和软件的典型组合可以是配备有一个或多个具有计算机程序的数据处理器的接收器，该计算机程序在被加载和执行时控制数据处理器，使得它们执行本文所述的方法。
每个计算机系统尤其可以包括一个或多个计算机和至少一个允许计算机从信号承载介质读取数据、指令、消息或消息分组以及其他信号承载信息的信号承载介质。信号承载介质可以包括非易失性存储器，例如ROM、闪存、磁盘驱动器存储器、CD-ROM和其他永久存储器。此外，计算机介质可以包括例如易失性存储器，例如RAM、缓冲器、高速缓冲存储器和网络电路。此外，信号承载介质可以包括暂时状态介质(例如网络链路和/或网络接口，包括有线网络或无线网络)中的信号承载信息，其允许计算机读取这种信号承载信息。
尽管已经公开了本发明的具体实施方案，但是本领域普通技术人员将理解，可以在不脱离本发明的精神和范围的情况下对具体实施方案进行改变。因此，本发明的范围不限于具体实施方案。上述说明和附图仅作为示例，并不意图以任何方式限制本发明，除了在以下权利要求中所述的之外。例如，虽然本公开就移动电话上的应用程序预测流失或忠诚概率来描述，但如上所述，其技术和系统适用于在任何类型的用户装置上的任何类型的应用程序。特别注意的是，本领域的技术人员可以容易地将以上已经以多种其他方式描述的各种示例性实施方案的各种要素的各种技术方面组合在一起，所有这些组合都被认为是在本发明的范围内。

Claims (17)

1.一种用于预测用户流失的处理器实现的方法，所述方法包括：
采用一个或多个数据处理器收集以下数据：
与在用户设备上运行的应用程序的用户相对应的用户数据，该用户数据包括用户基本属性信息，以及
与应用程序相关联的历史用户交互数据，包括：（i）访问了哪些用户界面屏幕，（ii）以何种序列，以及（iii）在每个屏幕上参与哪些事件；以及，
使用所述数据处理器基于所述用户数据为所述用户确定相似用户组；
使用数据处理器从历史用户交互数据确定一种或多种区分模式；
根据定义的一组规则选择至少一种所述区分模式，
基于至少一种选择的区分模式计算用户流失或忠于应用程序的概率；和
至少以下之一：将所述概率存储在所述用户设备上，和将所述用户的概率发送给服务器，
其中，所述区分模式包括以下之一：用户访问的用户界面屏幕的序列，或者用户访问的用户界面屏幕以及在每个用户界面屏幕采取的行动的序列。
2.根据权利要求1所述的方法，其中基于以下中的任意一个分配相似用户组：（i）在训练集中的一个上完成的聚类或（ii）由后端服务器执行的更新聚类。
3.根据权利要求1所述的方法，其中，基于在训练集上完成的初始聚类来分配相似用户组，使用所有可用的用户数据周期性更新。
4.根据权利要求1所述的方法，其中，所选择的区分模式是基于长度而选择的，是最长模式。
5.根据权利要求1所述的方法，其中，在多个区分模式中，选择最长识别模式，并且其中如果存在多个长度相等的区分模式，则选择具有最高流失概率的区分模式。
6.根据权利要求1所述的方法，其中在每个用户与用户界面屏幕交互之后计算用户将要流失的概率。
7.根据权利要求6所述的方法，其中响应于指示流失的定义水平以上的概率，向用户发送消息以指导用户访问一个或多个特定用户界面屏幕以降低流失的概率。
8.根据权利要求1所述的方法，其中计算概率是在用户设备上执行的，并且用户数据是从所述用户设备上传到专有或云端服务器。
9.根据权利要求8所述的方法，其中在所述服务器上使用既定app的最新集合数据来执行更详细的流失分析。
10.一种包括一个或多个指令序列的非暂时性计算机可读介质，所述一个或多个指令序列在由一个或多个处理器执行时引起：
收集与在用户设备上运行的应用程序的用户相对应的用户数据，所述用户数据包括用户基本属性信息，以及
与所述应用程序相关联的历史用户交互数据，包括：
（i）访问了哪些用户界面屏幕，
（ii）以何种序列，和
（iii）在每个屏幕上进行哪些事件；
基于用户数据确定用户的相似用户组；
根据历史用户交互数据确定一个或多个区分模式；
根据定义的一组规则选择至少一个所述区分模式；和
基于至少一种选择的区分模式计算用户流失或忠于应用程序的概率，
其中，所述区分模式包括以下之一：用户访问的用户界面屏幕的序列，或者用户访问的用户界面屏幕以及在每个用户界面屏幕采取的行动的序列。
11.一种计算机系统，包括：
一个或多个处理器；和
所述一个或多个处理器可访问的存储器，所述存储器存储可由所述一个或多个处理器执行的指令，以便收集：
（i）与在用户设备上运行的应用程序的用户相对应的用户数据，所述用户数据包括用户基本属性信息，以及
（ii）与应用程序相关联的历史用户交互数据，
基于用户数据为用户确定相似用户组；
从历史用户交互数据中确定一种或多种区分模式;
根据定义的一组规则选择至少一种所述区分模式，
基于至少一种选择的区分模式计算用户流失或忠于应用程序的概率；和
至少以下之一：
将该概率存储在用户设备上，以及将该用户的概率发送给服务器，
其中，所述区分模式包括以下之一：用户访问的用户界面屏幕的序列，或者用户访问的用户界面屏幕以及在每个用户界面屏幕采取的行动的序列。
12.根据权利要求11所述的计算机系统，其中基于（i）在训练集中的一个上完成的聚类或（ii）由后端服务器执行的更新的聚类来分配相似用户组。
13.根据权利要求11所述的计算机系统，其中基于在训练集上完成的初始聚类来分配相似用户组，使用所有可用用户数据周期性地更新。
14.根据权利要求11所述的计算机系统，其特征在于，所选择的区分模式是基于长度来选择的。
15.根据权利要求11所述的计算机系统，其中，在多个区分模式中，选择最长区分模式，并且其中如果存在多个等长度的区分模式，则选择具有最高流失概率的区分模式。
16.根据权利要求11所述的计算机系统，其中在每个用户与用户界面屏幕交互之后计算用户将要流失的概率。
17.根据权利要求16所述的计算机系统，其中响应于在定义水平以上的流失概率，将消息发送给用户以指导用户访问一个或多个特定用户界面屏幕以减少流失的概率。
CN201680072380.7A 2015-12-10 2016-12-12 (移动)应用程序使用流失的预测 Active CN108369665B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562265552P 2015-12-10 2015-12-10
US62/265,552 2015-12-10
PCT/US2016/066177 WO2017100773A1 (en) 2015-12-10 2016-12-12 Predicting churn for (mobile) app usage

Publications (2)

Publication Number Publication Date
CN108369665A CN108369665A (zh) 2018-08-03
CN108369665B true CN108369665B (zh) 2022-05-27

Family

ID=59013412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680072380.7A Active CN108369665B (zh) 2015-12-10 2016-12-12 (移动)应用程序使用流失的预测

Country Status (4)

Country Link
US (1) US20170169345A1 (zh)
EP (1) EP3387595B1 (zh)
CN (1) CN108369665B (zh)
WO (1) WO2017100773A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11100424B2 (en) * 2017-08-23 2021-08-24 Microsoft Technology Licensing, Llc Control system for learning and surfacing feature correlations
CN109784959B (zh) * 2017-11-10 2023-04-18 广州腾讯科技有限公司 一种目标用户预测方法、装置、后台服务器及存储介质
CN109034861B (zh) * 2018-06-04 2022-06-07 挖财网络技术有限公司 基于移动端日志行为数据的用户流失预测方法及装置
US11538049B2 (en) * 2018-06-04 2022-12-27 Zuora, Inc. Systems and methods for predicting churn in a multi-tenant system
CN109167816B (zh) * 2018-08-03 2021-11-16 广州虎牙信息科技有限公司 信息推送方法、装置、设备和存储介质
CN109063134A (zh) * 2018-08-03 2018-12-21 湖南财经工业职业技术学院 一种微信公众号大数据分析的方法及系统
CN111367575B (zh) * 2018-12-06 2023-10-24 北京嘀嘀无限科技发展有限公司 一种用户行为预测方法、装置、电子设备及存储介质
US11526778B2 (en) * 2018-12-19 2022-12-13 T-Mobile Usa, Inc. Future user device preference prediction based on telecom data
CN110400013A (zh) * 2019-07-22 2019-11-01 西北工业大学 一种基于多任务学习机制的移动应用消亡预测方法
CN110852780A (zh) * 2019-10-08 2020-02-28 百度在线网络技术（北京）有限公司 数据分析方法、装置、设备和计算机存储介质
CN111274791B (zh) * 2020-01-13 2023-08-18 江苏艾佳家居用品有限公司 一种线上家装场景下用户流失预警模型的建模方法
CN113283922A (zh) * 2020-02-20 2021-08-20 百度在线网络技术（北京）有限公司 一种流失用户挽留方法、装置、设备及介质
CN114742569A (zh) * 2021-01-08 2022-07-12 广州视源电子科技股份有限公司 用户生命阶段预测方法、装置、计算机设备及存储介质
US20230097572A1 (en) * 2021-09-29 2023-03-30 Intuit Inc. Optimizing questions to retain engagement
CN114416505A (zh) * 2021-12-31 2022-04-29 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070185867A1 (en) * 2006-02-03 2007-08-09 Matteo Maga Statistical modeling methods for determining customer distribution by churn probability within a customer population
CN102955894A (zh) * 2012-05-24 2013-03-06 华东师范大学 一种基于用户细分的流失率预测的控制方法
US20150100887A1 (en) * 2013-10-04 2015-04-09 Verto Analytics Oy Metering user behaviour and engagement with user interface in terminal devices
CN104679969A (zh) * 2013-11-29 2015-06-03 腾讯科技（深圳）有限公司 防止用户流失的方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI20041323A (fi) * 2004-10-12 2006-04-13 Xtract Oy Analysoija, järjestelmä ja menetelmä toivotun käyttäjäjoukon määrittämiseksi
US20130031183A1 (en) * 2011-07-26 2013-01-31 Socialmail LLC Electronic mail processing and publication for shared environments
US8630892B2 (en) * 2011-08-31 2014-01-14 Accenture Global Services Limited Churn analysis system
US20130110864A1 (en) * 2011-10-27 2013-05-02 Cbs Interactive, Inc. Generating an electronic message during a browsing session
US20140180752A1 (en) * 2012-12-21 2014-06-26 International Business Machines Corporation Interface to select application based on state transition models of work
US9432796B2 (en) * 2014-05-30 2016-08-30 Apple Inc. Dynamic adjustment of mobile device based on peer event data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070185867A1 (en) * 2006-02-03 2007-08-09 Matteo Maga Statistical modeling methods for determining customer distribution by churn probability within a customer population
CN102955894A (zh) * 2012-05-24 2013-03-06 华东师范大学 一种基于用户细分的流失率预测的控制方法
US20150100887A1 (en) * 2013-10-04 2015-04-09 Verto Analytics Oy Metering user behaviour and engagement with user interface in terminal devices
CN104679969A (zh) * 2013-11-29 2015-06-03 腾讯科技（深圳）有限公司 防止用户流失的方法及装置

Also Published As

Publication number Publication date
US20170169345A1 (en) 2017-06-15
WO2017100773A1 (en) 2017-06-15
CN108369665A (zh) 2018-08-03
EP3387595A1 (en) 2018-10-17
EP3387595B1 (en) 2020-11-04
EP3387595A4 (en) 2019-07-24

Similar Documents

Publication Publication Date Title
CN108369665B (zh) (移动)应用程序使用流失的预测
CN108076224B (zh) 应用程序控制方法、装置及存储介质和移动终端
US20160217491A1 (en) Devices and methods for preventing user churn
US9208215B2 (en) User classification based on data gathered from a computing device
US9881050B2 (en) Method and system to recommend applications from an application market place to a new device
US9588968B2 (en) Method and apparatus for acquiring event information on demand
CN107567619A (zh) 基于来自多个数据源的情绪和/或行为信息来提供推荐
US20130084882A1 (en) Becoming more "aware" through use of crowdsourcing and device interaction
CN108153463B (zh) 应用界面显示控制方法、装置及存储介质和移动终端
US11481551B2 (en) Device and method for providing recommended words for character input
US20170262866A1 (en) Performing automated operations based on transactional data
WO2013169792A1 (en) Configuring a terminal device according to a context determined by correlating different data sources
CN108958828A (zh) 应用程序预加载方法、装置、存储介质及终端
KR20230169016A (ko) 전자 장치 및 그의 제어방법
WO2016004585A1 (en) Method and system for personalized presentation of content
KR20210060375A (ko) 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램
KR102578016B1 (ko) 사용자 반응을 기반으로 컨텐츠를 제공하는 방법과 시스템 및 비-일시적인 컴퓨터 판독가능한 기록 매체
US20190090197A1 (en) Saving battery life with inferred location
JP2013206070A (ja) 情報処理装置、及び情報処理方法
WO2017218216A1 (en) System and method for user traits recognition and prediction based on mobile application usage behavior
KR102260535B1 (ko) 노년층을 대상으로 하는 화상대화 시스템 및 화상대화 방법
US9661491B1 (en) Communicating information about an update of an application
CN114430504A (zh) 一种媒体内容的推荐方法以及相关装置
US11127400B2 (en) Electronic device and method of executing function of electronic device
KR20220061383A (ko) 챗봇을 이용하여 컨텐츠를 추천하는 방법과 시스템

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