CN108491956A - 一种经纪人离职预估系统及方法 - Google Patents

Abstract

本发明提供了一种经纪人离职预估系统及方法，系统包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。本发明提供的经纪人离职预估系统，能够自动对经纪人离职情况进行准确预估，省时省力，且可提供可解释的预估结果。

Description

一种经纪人离职预估系统及方法

技术领域

本发明涉及计算机技术领域，具体涉及一种经纪人离职预估系统及方法。

背景技术

经纪人作为整个二手房交易中重要环节，承担着连接业主与客户的核心角色。然而随着市场行情的波动，公司管理机制的调整，经纪人管理始终面临着招聘成本高，培养时间长，离职预估居高不下的问题。

当前线下的人员管理方式仍较为传统，需要人工统计经纪人每月的房源、客源带看量和业绩收入，采用排名的方式筛选靠后的经纪人。

这种处理方式面临三大问题：首先，数据维度单一。只能找到业绩较低的经纪人，而业绩低与市场行情相关，因此低业绩的经纪人并非全部计划离职。此外，经过线下调研发现，收入因素只占离职原因的一小部分，其他如门店的环境，对上级的满意度等等都影响着经纪人在职状态；其次，无法提供可解释原因。目前线下提供的高离职概率经纪人都是收入排名靠后的，当大区总监与经纪人沟通尝试保留经纪人时，无法提前制定针对该经纪人的保留方案。最后，人工成本较高，需要经过人工信息采集，数据核算，录入系统等步骤。

发明内容

针对现有技术中的缺陷，本发明提供一种经纪人离职预估系统及方法，本发明提供的经纪人离职预估系统，能够自动对经纪人离职情况进行准确预估，省时省力，且可提供可解释的预估结果。

为实现上述目的，本发明提供以下技术方案：

第一方面，本发明提供了一种经纪人离职预估系统，包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；

其中，所述候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；

所述特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；

所述算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；

其中，所述多模型包括XGBoost模型、LightGBM模型和RNN模型；

具体地，所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的试用期经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对试用期经纪人的离职情况进行预估；

所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的转正经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对转正经纪人的离职情况进行预估；

所述模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。

进一步地，所述特征工程模块在构建各种特征时，对缺失值进行处理，对异常值进行修复，并采用LOF算法与iForest算法检测数据中的离群点，以得到高质量的特征数据。

进一步地，所述特征工程模块在构建各种特征时，还用于对离散类型的特征进行One-Hot特征编码，且对于皮尔逊系数高于预设阈值的相关特征进行特征交叉处理。

进一步地，所述特征工程模块在构建各种特征时，还用于针对样本平衡问题，采用负样本欠采样与正样本过采样方法，以提升预估效果。

进一步地，所述算法预估模块具体用于：

分别采用XGBoost模型、LightGBM模型和RNN模型对经纪人进行离职预估得到预估结果后，将每个模型的预估结果分别乘以对应模型的权重系数，得到最终的预估结果；其中，对应每个模型的权重系数通过预先训练得到。

进一步地，所述模型解释模块，用于将输入值在样本周围做预设大小的扰动，并观察各模型的预估行为，以及根据这些扰动的数据点距离原始数据的距离分配权重，进而学习得到一个可解释的模型和预估结果。

进一步地，所述系统还包括：训练模块，用于采用带有不同离职概率标记的经纪人样本特征数据对所述算法预估模块中的多模型进行分别训练。

进一步地，所述转正经纪人特征包括：违规记录、职级滞留、潜在业绩、作战小组、积分、保障底薪、税筹工资、博学考试和门店成本；所述试用期经纪人特征包括：基本特征、陪看特征、电话主动拨打、作战小组和积分体系。

进一步地，所述市场特征包括：带看客源量、房屋挂牌量、房屋成交量、房屋成交均价和成交房屋平均挂牌时间；

所述大区特征包括：报盘率、报盘成交率、市占率、丢盘率、三证完备率、业主资料完备率、规模效益、业主渗透率、客户渗透率和单边比；

所述经纪人所在门店特征包括：门店经纪人数量、经纪人人均工龄、统招本科数量、门店成交均价、门店总业绩量、经纪人离职数、初级经纪人离职占比和门店单边比；

所述经纪人基础特征包括：性别、年龄、婚姻、最高学历、家乡城市、毕业院校、首次入职日期、是否重入职、职位级别和职位类型；

所述经纪人业绩特征包括：历史最高业绩、最高业绩距今天数、总业绩、总收入、单业绩最大值、单业绩最小值、单业绩平均值、业绩大区排名、收入大区排名和成交量；

所述经纪人行为特征包括：IM客源量、400电话量、客源委托量、房源委托量、带看客源、带看房源、最多带看房源、最少带看房源、平均带看房源、平均带看时长、最大带看时长、最小带看时长、房源录入量、房源维护量、房源实勘量和房源钥匙量；

所述展位特征包括：钻石展位电话量和钻石展位房源量。

第二方面，本发明还提供了一种经纪人离职预估方法，该方法采用如第一方面所述的经纪人离职预估系统对经纪人进行离职预估。

由上述技术方案可知，本发明通过大数据和机器学习相关技术搭建经纪人离职预估系统，实现对经纪人的离职风险自动评估，在节省线下人力成本的基础上，定期提供高离职概率经纪人名单与每个经纪人的离职因素，供线下管理参考，最终提升经纪人留存率，降低整体经纪人管理成本，延长经纪人的职业时间。

附图说明

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

图1是本发明一实施例提供的经纪人离职预估系统的结构示意图；

图2是本发明一实施例提供的经纪人离职预估系统的整体架构示意图；

图3是本发明一实施例提供的经纪人离职预估系统的数据交互示意图。

具体实施方式

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

本发明一实施例提供了一种经纪人离职预估系统，参见图1和图2，该系统包括：候选经纪人筛选模块10、特征工程模块20、算法预估模块30和模型解释模块40；

其中，所述候选经纪人筛选模块10，用于将试用期经纪人和转正经纪人进行筛选；可以理解的是，所述候选经纪人筛选模块10，基于链家网数据库，筛选离职预估覆盖的经纪人范围，模型主要针对试用期经纪人与已转正经纪人两大类模块进行离职预估。试用期经纪人为刚入职链家地产，仍处于试用期的经纪人，目前试用期包括三个月试用期与六个月试用期两类，都属于试用期经纪人。转正经纪人为成功通过试用期，与链家地产签订劳务合同的转正经纪人。

所述特征工程模块20，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；

在本实施例中，所述特征工程模块20构建了七大维度基本特征，包括市场特征，大区特征，门店特征，基本特征，展位特征，业绩特征，展位特征；此外由于转正经纪人与试用期经纪人业务含义存在差异性，因此分别针对两类经纪人构建了转正经纪人特征和试用经纪人特征。其中，转正经纪人特征和试用经纪人特征以及七大维度基本特征具体包含的内容可参见图3所示。

例如，所述转正经纪人特征包括：违规记录、职级滞留、潜在业绩、作战小组、积分、保障底薪、税筹工资、博学考试和门店成本；所述试用期经纪人特征包括：基本特征、陪看特征、电话主动拨打、作战小组和积分体系。

参见图3，例如，对于转正经纪人特征中的违规记录，其又进一步包括黄线、警告、发生距今时间等特征；对于转正经纪人特征中的职级滞留，其又进一步包括滞留时长、平均滞留时长等特征；对于转正经纪人特征中的潜在业绩，其又进一步包括房源录入、房源维护、房源实勘、房源钥匙等特征。又如，对于试用经纪人特征中的陪看特征，其又进一步包括陪看天数和陪看房源数等特征。

进一步地，所述市场特征包括：带看客源量、房屋挂牌量、房屋成交量、房屋成交均价和成交房屋平均挂牌时间；

所述大区特征包括：报盘率、报盘成交率、市占率、丢盘率、三证完备率、业主资料完备率、规模效益、业主渗透率、客户渗透率和单边比；

所述经纪人所在门店特征包括：门店经纪人数量、经纪人人均工龄、统招本科数量、门店成交均价、门店总业绩量、经纪人离职数、初级经纪人离职占比和门店单边比；

所述经纪人基础特征包括：性别、年龄、婚姻、最高学历、家乡城市、毕业院校、首次入职日期、是否重入职、职位级别和职位类型；

所述经纪人业绩特征包括：历史最高业绩、最高业绩距今天数、总业绩、总收入、单业绩最大值、单业绩最小值、单业绩平均值、业绩大区排名、收入大区排名和成交量；

所述经纪人行为特征包括：IM客源量、400电话量、客源委托量、房源委托量、带看客源、带看房源、最多带看房源、最少带看房源、平均带看房源、平均带看时长、最大带看时长、最小带看时长、房源录入量、房源维护量、房源实勘量和房源钥匙量；

所述展位特征包括：钻石展位电话量和钻石展位房源量。

在一种优选实施方式中，所述特征工程模块20在构建各种特征时，对缺失值进行处理，对异常值进行修复，并采用LOF算法与iForest算法检测数据中的离群点，以得到高质量的特征数据。此外，所述特征工程模块20还用于对离散类型的特征进行One-Hot特征编码，且对于皮尔逊系数高于预设阈值的相关特征进行特征交叉处理。此外，所述特征工程模块20还用于针对样本平衡问题，采用负样本欠采样与正样本过采样方法，以提升预估效果。

所述算法预估模块30，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；

其中，所述多模型包括XGBoost模型、LightGBM模型和RNN模型；

具体地，所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的试用期经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对试用期经纪人的离职情况进行预估；

所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的转正经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对转正经纪人的离职情况进行预估；

在一种优选实施方式中，所述算法预估模块30具体用于：

分别采用XGBoost模型、LightGBM模型和RNN模型对经纪人进行离职预估得到预估结果后，将每个模型的预估结果分别乘以对应模型的权重系数，得到最终的预估结果；其中，对应每个模型的权重系数通过预先训练得到。

可以理解的是，XGBoost是一种大规模并行boosted tree的算法工具，相比传统的GBDT算法，XGBoost对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数，并且在代价函数中加入了正则项，一方面控制了模型的复杂度，同时提升模型的效果降低了过拟合。

可以理解的是，LightGBM是一个梯度boosting框架，由于提出Histogram算法以及直方图做差加速等算法，在训练速度、内存占用以及模型效果相比XGBoost都具有一定程度的提升。

可以理解的是，RNN神经网络是一种节点定向连接成环的人工神经网络，相比传统的卷积神经网络，RNN引入定向循环，从而处理输入之间前后的关联，利用它内部的记忆来处理任意时序的输入序列，在离职预估中我们构建基于时序的经纪人特征，采用RNN得到了更好的训练效果。

可以理解的是，在三类模型训练完成之后，根据不同模型对同一经纪人的预估结果，采用加权组合的方案进行最终打分，从而消除单模型预估的随机波动，实现模型的高鲁棒性。

所述模型解释模块40，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。

可以理解的是，LIME算法用可以被理解的表征方式(比如用特征)来解释模型的预估效果。为了明确哪一部分输入对预测结果产生贡献，可以将输入值在样本周围做微小的扰动，观察模型的预测行为。然后根据这些扰动的数据点距离原始数据的距离分配权重，基于它们学习得到一个可解释的模型和预测结果，从而提供对应预估结果的可解释原因。

在一种优选实施方式中，所述系统还包括：训练模块50，用于采用带有不同离职概率标记的经纪人样本特征数据对所述算法预估模块中的多模型进行分别训练。

由上述技术方案可知，本实施例通过大数据和机器学习相关技术搭建经纪人离职预估系统，实现对经纪人的离职风险自动评估，在节省线下人力成本的基础上，定期提供高离职概率经纪人名单与每个经纪人的离职因素，供线下管理参考，最终提升经纪人留存率，降低整体经纪人管理成本，延长经纪人的职业时间。

由上述技术方案可知，本实施例实现了机器学习在房地产人员管理上的突破，本实施例可以准确地预估经纪人离职概率，省时省力，且可提供可解释的预估结果。

本发明另一实施例提供了一种经纪人离职预估方法，该预估方法采用上面实施例所述的经纪人离职预估系统对经纪人进行离职预估。

由于本实施例提供的经纪人离职预估方法采用上述实施例所述的经纪人离职预估系统实现，故其工作原理和技术效果类似，故此处不再详述。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种经纪人离职预估系统，其特征在于，包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；

其中，所述候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；

所述特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；

所述算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；

其中，所述多模型包括XGBoost模型、LightGBM模型和RNN模型；

具体地，所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的试用期经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对试用期经纪人的离职情况进行预估；

所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的转正经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对转正经纪人的离职情况进行预估；

所述模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。

2.根据权利要求1所述的系统，其特征在于，所述特征工程模块在构建各种特征时，对缺失值进行处理，对异常值进行修复，并采用LOF算法与iForest算法检测数据中的离群点，以得到高质量的特征数据。

3.根据权利要求1所述的系统，其特征在于，所述特征工程模块在构建各种特征时，还用于对离散类型的特征进行One-Hot特征编码，且对于皮尔逊系数高于预设阈值的相关特征进行特征交叉处理。

4.根据权利要求1所述的系统，其特征在于，所述特征工程模块在构建各种特征时，还用于针对样本平衡问题，采用负样本欠采样与正样本过采样方法，以提升预估效果。

5.根据权利要求1所述的系统，其特征在于，所述算法预估模块具体用于：

分别采用XGBoost模型、LightGBM模型和RNN模型对经纪人进行离职预估得到预估结果后，将每个模型的预估结果分别乘以对应模型的权重系数，得到最终的预估结果；其中，对应每个模型的权重系数通过预先训练得到。

6.根据权利要求1所述的系统，其特征在于，所述模型解释模块，用于将输入值在样本周围做预设大小的扰动，并观察各模型的预估行为，以及根据这些扰动的数据点距离原始数据的距离分配权重，进而学习得到一个可解释的模型和预估结果。

7.根据权利要求1所述的系统，其特征在于，所述系统还包括：训练模块，用于采用带有不同离职概率标记的经纪人样本特征数据对所述算法预估模块中的多模型进行分别训练。

8.根据权利要求1所述的系统，其特征在于，所述转正经纪人特征包括：违规记录、职级滞留、潜在业绩、作战小组、积分、保障底薪、税筹工资、博学考试和门店成本；所述试用期经纪人特征包括：基本特征、陪看特征、电话主动拨打、作战小组和积分体系。

9.根据权利要求1所述的系统，其特征在于，所述市场特征包括：带看客源量、房屋挂牌量、房屋成交量、房屋成交均价和成交房屋平均挂牌时间；

所述大区特征包括：报盘率、报盘成交率、市占率、丢盘率、三证完备率、业主资料完备率、规模效益、业主渗透率、客户渗透率和单边比；

所述经纪人所在门店特征包括：门店经纪人数量、经纪人人均工龄、统招本科数量、门店成交均价、门店总业绩量、经纪人离职数、初级经纪人离职占比和门店单边比；

所述经纪人基础特征包括：性别、年龄、婚姻、最高学历、家乡城市、毕业院校、首次入职日期、是否重入职、职位级别和职位类型；

所述经纪人业绩特征包括：历史最高业绩、最高业绩距今天数、总业绩、总收入、单业绩最大值、单业绩最小值、单业绩平均值、业绩大区排名、收入大区排名和成交量；

所述经纪人行为特征包括：IM客源量、400电话量、客源委托量、房源委托量、带看客源、带看房源、最多带看房源、最少带看房源、平均带看房源、平均带看时长、最大带看时长、最小带看时长、房源录入量、房源维护量、房源实勘量和房源钥匙量；

所述展位特征包括：钻石展位电话量和钻石展位房源量。

10.一种经纪人离职预估方法，其特征在于，该方法采用如权利要求1～9任一项所述的经纪人离职预估系统对经纪人进行离职预估。