CN109325637A - 会员流失预测方法、装置、存储介质及电子设备 - Google Patents
会员流失预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109325637A CN109325637A CN201811313111.2A CN201811313111A CN109325637A CN 109325637 A CN109325637 A CN 109325637A CN 201811313111 A CN201811313111 A CN 201811313111A CN 109325637 A CN109325637 A CN 109325637A
- Authority
- CN
- China
- Prior art keywords
- target
- validity period
- target member
- day
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 230000014759 maintenance of location Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (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)
Abstract
本发明公开了一种会员流失预测方法，包括：当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征；将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。上述方法，依据预建立的神经网络模型可以对不同时间段预测，避免了当前需要采用不同的模型对不同时时间段行预测，灵活度不够的问题。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种会员流失预测方法、装置、存储介质及电子设备。
背景技术
在商业领域中，会员制的营销方式由来已久，通过会员制商家可以利用对会员优惠，提高服务质量等方式来吸引和稳定客源，从而提高和保障其销售能力。商家在对会员进行管理时，经常需要会对会员的流失数据进行统计，以了解会员的流失状况。现有技术中预测一个会员是否会流失，往往会用一般的分类问题来解决，基于逻辑回归、决策树等模型对会员是否流失进行预测。
发明人对现有的会员流失的预测方法进行研究发现，会员流失的运营挽留时间往往比较灵活，有时是会员到期前7天，有时是到期前3天，有时又是到期后3天或7天(由于流失的定义一般是到期后30天，所以到期后7天还不算是流失)。普通的分类模型，对于不同时间段的预测，往往需要用不同的训练数据训练不同的模型来应对，无法进行统一的建模，因此灵活度不够。
发明内容
本发明所要解决的技术问题是提供一种会员流失的预测方法，以避免由于对于不同时间段的预测，往往需要用不同的训练数据训练不同的模型来应对，无法进行统一的建模，因此灵活度不够的问题。具体方案如下：
一种会员流失预测方法，包括：
当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
上述的会员流失预测方法，可选的，所述抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，包括：
获取目标会员的会员有效期；
依据所述会员有效期，确定所述目标会员的起始会员日；
依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
上述的会员流失预测方法，可选的，所述将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果，包括：
获取所述第一会员有效期内各个会员日对应的标识；
依据各个标识，确定其对应的各个会员特征的发生顺序；
将所述各个会员日对应会员特征依据所述发生顺序输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果。
上述的会员流失预测方法，可选的，还包括：
当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
上述的会员流失预测方法，可选的，还包括：
若所述预测结果为目标会员流失时，对所述目标会员进行标记，标记为潜在流失目标会员；
对所述潜在流失目标会员采取挽回措施。
一种会员流失预测装置，包括：
抽取模块，用于当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
处理模块，用于将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
上述的会员流失预测装置，可选的，所述抽取模块包括：
获取单元，用于获取目标会员的会员有效期；
第一确定单元，用于依据所述会员有效期，确定所述目标会员的起始会员日；
第二确定单元，用于依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
抽取单元，用于在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
上述的会员流失预测装置，可选的，还包括：
停止预测模块，用于当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行上述的会员流失预测方法。
一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的会员流失预测方法。
与现有技术相比，本发明包括以下优点：
本发明公开了一种会员流失预测方法，包括：当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。上述方法，所述第一会员有效期内的目标会员特征为输入样本，依据预建立的神经网络模型可以对不同时间段预测，避免了当前需要采用不同的模型对不同时间段进行预测，无法进行统一的建模，灵活度不够的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种会员流失预测方法的流程图；
图2为本发明提供的一种会员流失预测方法的又一方法流程图；
图3为本发明提供的一种会员流失预测方法的又一方法流程图；
图4为本发明提供的一种会员流失预测方法的又一方法流程图；
图5为本发明提供的一种会员流失预测结构示意图；
图6为本发明提供的电子设备的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
本发明提供了一种会员流失的预测方法，所述方法可以应用会员流失的预测过程中，所述会员，可以为视频会员，购物网站会员或者其它形式的会员，本发明实施例中，以视频会员为例进行说明，所述预测方法的执行主体可以为神经网络模型，所述预测方法的执行流程如图1所示，包括步骤：
S101、当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
本发明实施例中，所述目标会员为当前需要预测是否流失的会员，优选的，所述目标会员可以为当前即将到期直至过期之前30天但还未续费的会员用户。当接收到对所述目标会员的预测指令时，在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述预设的会员有效期是人为设定的。优选的，本发明实施例中预设的会员有效期为30天，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和，每一个会员日都会对应会员特征，由于目标会员在每一个会员日会员行为不同，因此，各个会员日的会员特征也不同，将各个会员日组成的第一会员有效期内的会员特征作为目标会员特征。
S102、将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
本发明实施例中，获取所述目标会员特征，将所述目标会员特征作输入，输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果。
其中，当所述预测结果为所述目标会员流失时，对所述目标会员进行标记，添加预测标识，将其标记为潜在流失目标会员。其中，所述预测标识可以数字、字母或者其它优选的标识。当对当前视频网站中的全部会员均完成预测时或者每预测出一个潜在流失目标会员时，对所述潜在流失目标会员采取挽回措施，其中，所述挽回措施可以为通过运营人员对高风险流失会员做推广活动，所述推广活动可以为续费优惠、赠送相关优惠券等推广形式来避免高风险流失会员的流失。
本发明实施例中，在预测过程中，所述目标会员可能会出现续费会员的情况，此时会发送一个续费指令，当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。其中，所述历史注册会员为注册时为所述预设的会员有效期的会员，所述预设的时间段以会员日为步长进行划分，包含至少一个会员日。其中，所述预先建立的神经网络模型的训练依据会员有效期的不同而不同，例如会员有效期为30天，那么所述预先建立的神经网络模型也是以30天为例进行训练的。若所述预设的会员有效期为2018年10月1日-10月30日，则所述会员日可以为1天。优选的，所述预建立的神经网络模型为长短时记忆网络LSTM(Long Short-Term Memory)模型，其中，LSTM可以将某个时间段的特征加到后面的时间段，这样用户某一天的行为就可以传递到下一天，这样可以自动的学习到多天的行为变化，记录发生行为变化的关键路径。LSTM可以每天持续进行预测，无论是会员到期前7天还是到期后7天，当天都可以输出一个流失概率，这样当运营需要进行活动推广时，获取当天的预测概率是最精准的。而且无论运营的活动推广如何选取时间，只需要一个LSTM模型就能满足需求。
本发明实施例中，将采用LSTM神经网络模型与采用梯度提升决策树模型GBDT(Gradient Boosting Decision)和逻辑回归模型LR(Logistic Regression)中受试者工作特征曲线ROC(receiver operating characteristic curve)曲线下的面积AUC(AreaUnder Curve)对应关系如表1所示：
表1
| 模型名称 | AUC |
| LR | 80 |
| GBDT | 82.5 |
| LSTM | 84 |
其中，在具体实验对比中，从AUC评估的角度，本文的LSTM方法也比常用的LR，GBDT等分类方法有所提升，在具体业务使用上能够更加精准的找到流失用户，从而节省运营优惠活动的投放成本。
具体的训练过程为：
首先定义LSTM的输出值：在会员到期后30天之前是否会进行续费，如果不会则视为流失。
定义LSTM的输入值：每天的会员特征作为一个时间段的输入。
整个模型是一个多对一的LSTM，训练时输入多天数据，在最后一天输出是否会流失，预测时则每天进行预测。
抽取订单开始时间在过去60-90天内开始的会员订单，每个会员时间周期为30天。解析各个会员用户在会员到期的30天内是否进行续费，若续费，将对应的会员用户的样本标记为留存样本；若未续费，将对应的会员用户的样本标记为流失样本。
分别获取所述留存样本和所述流失样本中的每一个样本在每天的会员特征和其对应的流失或者留存的结果；
分别将所述留存样本和所述流失样本中的每一个样本在30天内以每天作为步长进行递增，得到目标步长。例如，30天对应的日期2018年10月1日-10月30日，若今天为30天对应的日期2018年10月1日，目标步长为1天，若30天对应的日期2018年10月2日，目标步长为2天，以此类推。将与所述目标步长包含的所有会员特征作为输入，将与所述目标步长对应的结果作为输出，对所述预建立的神经网络模型进行训练，优选的，可以将所述留存样本和所述流失样本，按比例分成留存样本训练集、留存样本验证集、流失样本训练集和流失样本验证集，当采样留存样本训练集和所述流失样本训练集训练完成后，利用留存样本验证集和流失样本验证集进行验证，当预测的准确率满足预设的准确率阈值时，完成训练，其中，所述预设的准确率阈值依据经验或者实际需要进行设定。
本发明实施例中，所述会员特征包括但不限于，性别、年龄、学历、收入、是否留手机号、帐号信息填充率、城市、历史付费订单数、历史免费订单数、下单时系统平台(pc，ios，android)、历史折扣订单数、首次开通VIP距离注册时间天数、是否安装过腾讯视频、是否安装过优酷、支付费用、是否通过支付宝支付、是否通过激活码支付、是否通过微信支付、当天总视频播放量vv(video view)、当天总播放时长、当天观看视频个数、当天电影频道总vv、当天电影频道总时长、当天看电影个数、当天会员视频vv、当天会员视频播放时长、当天会员视频播放个数、当天vip vv占比、当天电影vv占比、当天专业生产内容PGC(ProfessionalGenerated Content)的vv、当天用户生产内容(User-generated Content)的vv、当天在几个平台上看过、当天在几个设备上看过、当天新片观看个数(距离首映90天内)、当天非新片观看个数(距离首映超过90天)等会员特征。
本发明公开了一种会员流失预测方法，包括：当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。上述方法，所述第一会员有效期内的目标会员特征为输入样本，依据预建立的神经网络模型可以对不同时间段预测，避免了当前需要采用不同的模型对不同时间段进行预测，无法进行统一的建模，灵活度不够的问题。
本发明例中，基于上述的方法的整体执行流程如图2所示，抽取60-90天内开始付费的订单，依据会员到内30天是否续费分为留存样本和流失样本，获取所述留存样本和所述流失样本每天的会员特征，依据对应的会员特征对LSTM模型进行训练，当训练完成时，抽取当前即将到期直至过期之前30天但还未续费的目标会员，抽取上述目标会员自会员开始之日至当前会员日起每天的会员特征，传递到所述LSTM模型进行预测，并将高流失风险的用户提交给运营人员做活动推广。
本发明实施例中，所述抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征的方法流程如图3所示，包括步骤：
S201、获取目标会员的会员有效期；
本发明实施例中，在会员数据库、缓存或者其它优选位置获取目标会员的有效期，解析所述会员有效的持续时长。
S202、依据所述会员有效期，确定所述目标会员的起始会员日；
本发明实施例中，依据所述会员有效期的持续时长，确定会员有效期的开始时间和结束时间，最终确定目标会员的起始会员日的会员日期。
S203、依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
本发明实施例中，获取当前会员日的会员日期，依据所述当前会员日的会员日期和所述起始会员日的会员日期，确定所述目标会员的第一会员有效期，例如，当前会员日为2016年7月16日，起始会员日为2016年7月10日，则所述第一会员有效期2016年7月10日-2016年7月16日其中，2016年7月10日-2016年7月16中的每一天为一个会员日。
S204、在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
本发明实施例中，所述目标会员特征都存存储在预设的会员特征数据库中，优选的，依据日期进行标识，依据所述第一会员有效期内的各个会员日的会员日期在所述预设的会员特征数据库中查找对应的会员特征，依据会员特征，预测目标会员是否流失。
本发明实施例中，所述将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果的方法流程图如图4所示，包括步骤：
S301、获取所述第一会员有效期内各个会员日对应的标识；
本发明实施例中，解析所述第一会员有效期内各个会员日中的各个特征，其中，各个特征可以为行为特征，会员日的时间和会员信息等，依据所述各个特征，确定所述各个会员日中对应的标识。
S302、依据各个标识，确定其对应的各个会员特征的发生顺序；
本发明实施例中，所述标识可以日期、编号或者其它优选的标识，依据各个会员日的标识，确定其对应的各个会员特征的发生顺序，其中，若所述标识为日期，将所述第一会员有效期内各个会员日依据发生的时间顺序进行排序，确定所述第一会员有效期内各个会员日的发生顺序，例如，会员发生的时间顺序为2018年10月1日-2018年10月7日，则所述发生顺序为2018年10月1日-2018年10月7日。
S303、将所述各个会员日对应会员特征依据所述发生顺序输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果。
本发明实施例中，将当前会员日之前的各个会员日对应目标会员特征依据所述发生顺序输入至预先建立的神经网络模型中进行处理，所述预建立的神经网络模型中可以将某个时间段的会员特征加到后面的时间段，这样可以自动的学习到多天的变化，最终预测出所述目标会员是否流失的输出结果。
本发明实施例中，基于上述的一种会员流失的预测方法，本发明实施例中，还提供了一种会员流失的预测系统，所述预测系统的结构框图如图5所示，包括：
抽取模块401和处理模块402。
其中，
所述抽取模块401，用于当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
所述处理模块402，用于将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
本发明公开了一种会员流失预测装置，包括：当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。上述装置，所述第一会员有效期内的目标会员特征为输入样本，依据预建立的神经网络模型可以对不同时间段预测，避免了当前需要采用不同的模型对不同时间段进行预测，无法进行统一的建模，灵活度不够的问题。
本发明实施例中，所述抽取模块401包括：
获取单元403，第一确定单元404，第二确定单元405和抽取单元406，其中，
所述获取单元403，用于获取目标会员的会员有效期；
所述第一确定单元404，用于依据所述会员有效期，确定所述目标会员的起始会员日；
所述第二确定单元405，用于依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
所述抽取单元406，用于在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
本发明实施例中，所述预测装置还包括：停止预测模块407。
其中，
所述停止预测模块407，用于当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行上述一种会员流失预测方法。所述方法具体包括：
当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
上述的会员流失预测方法，可选的，所述抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，包括：
获取目标会员的会员有效期；
依据所述会员有效期，确定所述目标会员的起始会员日；
依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
上述的会员流失预测方法，可选的，所述将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果，包括：
获取所述第一会员有效期内各个会员日对应的标识；
依据各个标识，确定其对应的各个会员特征的发生顺序；
将所述各个会员日对应会员特征依据所述发生顺序输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果。
上述的会员流失预测方法，可选的，还包括：
当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
上述的会员流失预测方法，可选的，还包括：
若所述预测结果为目标会员流失时，对所述目标会员进行标记，标记为潜在流失目标会员；
对所述潜在流失目标会员采取挽回措施。
本发明实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器501，以及一个或者一个以上的程序502，其中一个或者一个以上程序502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上程序502包含用于进行以下操作的指令：
当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
上述的会员流失预测方法，可选的，所述抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，包括：
获取目标会员的会员有效期；
依据所述会员有效期，确定所述目标会员的起始会员日；
依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
上述的会员流失预测方法，可选的，所述将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果，包括：
获取所述第一会员有效期内各个会员日对应的标识；
依据各个标识，确定其对应的各个会员特征的发生顺序；
将所述各个会员日对应会员特征依据所述发生顺序输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果。
上述的会员流失预测方法，可选的，还包括：
当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
上述的会员流失预测方法，可选的，还包括：
若所述预测结果为目标会员流失时，对所述目标会员进行标记，标记为潜在流失目标会员；
对所述潜在流失目标会员采取挽回措施。
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，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
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，在实施本发明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。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种会员流失的预测方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种会员流失预测方法，其特征在于，包括：
当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
2.根据权利要求1所述的方法，其特征在于，所述抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，包括：
获取目标会员的会员有效期；
依据所述会员有效期，确定所述目标会员的起始会员日；
依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
3.根据权利要求1所述的方法，其特征在于，所述将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果，包括：
获取所述第一会员有效期内各个会员日对应的标识；
依据各个标识，确定其对应的各个会员特征的发生顺序；
将所述各个会员日对应会员特征依据所述发生顺序输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的输出结果。
4.根据权利要求1所述的方法，其特征在于，还包括：
当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
5.根据权利要求1所述的方法，其特征在于，还包括：
若所述预测结果为目标会员流失时，对所述目标会员进行标记，标记为潜在流失目标会员；
对所述潜在流失目标会员采取挽回措施。
6.一种会员流失预测装置，其特征在于，包括：
抽取模块，用于当接收到对目标会员的预测指令时，抽取所述目标会员在预设的会员有效期的第一会员有效期内的目标会员特征，其中，所述第一会员有效期为当前会员日之前的各个会员日的持续时长总和；
处理模块，用于将所述目标会员特征输入至预先建立的神经网络模型中进行处理，获得所述目标会员是否流失的预测结果；
所述预先建立的神经网络模型，以历史注册会员在所述预设的会员有效期内的每个预设时间段所对应的目标会员特征为输入样本，以该会员在每个预设时间段对应的会员是否流失的结果为样本标签，进行训练获得。
7.根据权利要求6所述的装置，其特征在于，所述抽取模块包括：
获取单元，用于获取目标会员的会员有效期；
第一确定单元，用于依据所述会员有效期，确定所述目标会员的起始会员日；
第二确定单元，用于依据当前会员日及所述起始会员日，确定所述目标会员的第一会员有效期；
抽取单元，用于在预设的会员特征数据库中抽取所述目标会员在所述第一会员有效期内的目标会员特征。
8.根据权利要求6所述的装置，其特征在于，还包括：
停止预测模块，用于当接收到所述目标会员的续费指令时，停止对所述目标会员进行预测。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1～5任意一项所述的会员流失预测方法。
10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～5任意一项所述的会员流失预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811313111.2A CN109325637A (zh) | 2018-11-06 | 2018-11-06 | 会员流失预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811313111.2A CN109325637A (zh) | 2018-11-06 | 2018-11-06 | 会员流失预测方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325637A true CN109325637A (zh) | 2019-02-12 |
Family
ID=65260175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811313111.2A Pending CN109325637A (zh) | 2018-11-06 | 2018-11-06 | 会员流失预测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325637A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872226A (zh) * | 2019-02-25 | 2019-06-11 | 重庆锐云科技有限公司 | 一种基于微信公众号的房地产营销管理方法及装置 |
| CN112329983A (zh) * | 2020-09-30 | 2021-02-05 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
| US20180018684A1 (en) * | 2016-07-13 | 2018-01-18 | Urban Airship, Inc. | Churn prediction with machine learning |
| CN107864405A (zh) * | 2017-11-14 | 2018-03-30 | 国家新闻出版广电总局广播科学研究院 | 一种收视行为类型的预测方法、装置及计算机可读介质 |
-
2018
- 2018-11-06 CN CN201811313111.2A patent/CN109325637A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20180018684A1 (en) * | 2016-07-13 | 2018-01-18 | Urban Airship, Inc. | Churn prediction with machine learning |
| CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
| CN107864405A (zh) * | 2017-11-14 | 2018-03-30 | 国家新闻出版广电总局广播科学研究院 | 一种收视行为类型的预测方法、装置及计算机可读介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872226A (zh) * | 2019-02-25 | 2019-06-11 | 重庆锐云科技有限公司 | 一种基于微信公众号的房地产营销管理方法及装置 |
| CN112329983A (zh) * | 2020-09-30 | 2021-02-05 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101999471B1 (ko) | 정보 추천 방법 및 장치 | |
| US20170213242A1 (en) | Computer-implemented method of and system for running a marketing campaign | |
| US10348550B2 (en) | Method and system for processing network media information | |
| CN110942326A (zh) | 一种用户满意度预测方法及装置、服务器 | |
| CN106651213B (zh) | 服务订单的处理方法及装置 | |
| CN107862556A (zh) | 一种vip广告的投放方法和系统 | |
| CN107679920A (zh) | 一种广告的投放方法和装置 | |
| CN111727451A (zh) | 用于计算预测数据的信息处理装置等 | |
| CN111178966A (zh) | 一种基于人脸识别的潜在客户行为分析方法和系统 | |
| CN110163683B (zh) | 价值用户关键指标确定方法、广告投放方法及装置 | |
| CN110782291A (zh) | 广告投放用户确定方法及装置、存储介质及电子装置 | |
| CN111311332A (zh) | 用户数据的处理方法和装置 | |
| CN108805332B (zh) | 一种特征评估方法和装置 | |
| CN109325637A (zh) | 会员流失预测方法、装置、存储介质及电子设备 | |
| KR102272963B1 (ko) | 개인별 맞춤형 신용카드 및 체크카드 포털 서비스 제공 시스템 및 방법 | |
| KR20110023750A (ko) | 오브젝트 커스터마이제이션 및 관리 시스템 | |
| CN107578058A (zh) | 忠诚度聚类的方法和装置 | |
| CN109509014B (zh) | 一种媒体信息的投放方法和装置 | |
| KR101385562B1 (ko) | 소셜정보를 이용한 자살수 예측 방법 및 장치 | |
| CN109191217B (zh) | 一种视频广告投放次数预测方法及装置 | |
| CN111327661A (zh) | 推送方法、推送装置、服务器和计算机可读存储介质 | |
| CN113240479A (zh) | 一种用户分析方法、装置及电子设备 | |
| CN113191821A (zh) | 一种数据处理方法及装置 | |
| CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
| CN114154830B (zh) | 一种活动名额分配方法、装置、设备及介质 |
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 |