CN109461023A - 流失用户挽回方法及装置、电子设备、存储介质 - Google Patents
流失用户挽回方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109461023A CN109461023A CN201811192185.5A CN201811192185A CN109461023A CN 109461023 A CN109461023 A CN 109461023A CN 201811192185 A CN201811192185 A CN 201811192185A CN 109461023 A CN109461023 A CN 109461023A
- Authority
- CN
- China
- Prior art keywords
- probability
- measure
- coefficient
- viscosity
- user
- 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 50
- 238000010992 reflux Methods 0.000 claims abstract description 71
- 230000006870 function Effects 0.000 claims description 40
- 238000012417 linear regression Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (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
本公开提供了一种流失用户挽回方法及装置、电子设备、计算机可读存储介质，属于数据处理技术领域。该方法包括：获取目标用户的一个或多个指标的特征数据；根据所述特征数据计算所述目标用户的黏度系数；通过所述黏度系数生成所述目标用户的回流概率曲线，所述回流概率曲线的横坐标为流失时间，纵坐标为回流概率；在所述回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定所述流失时间区间为实施挽回措施的目标时间区间；在所述实施挽回措施的目标时间区间内，实施所述挽回措施。本公开提供了一种关于流失用户回流概率的分析方法，并基于分析结果采取挽回措施，能够有效的挽回流失用户，提高网站或App的生命力。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种流失用户挽回方法及装置、电子设备、计算机可读存储介质。
背景技术
活跃用户数是衡量一个网站或App(Application，应用程序)生命力的重要指标。随着数据处理及大数据技术的发展，越来越多的网站或App运营商通过数据分析来指导如何维护用户，使用户尽可能的保持活跃，从而带来更高的流量、付费或其他效益。
现有的分析方法大多是针对活跃用户的预防流失方法，例如生成用户的流失模型，在用户濒临流失时采取相应措施。然而对于已经流失的用户，则没有系统性的分析与挽回方法。
因此有必要提出一种能够有效挽回流失用户的方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种流失用户挽回方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上弥补现有技术中关于流失用户的系统性分析的空白。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种流失用户挽回方法，包括：获取目标用户的一个或多个指标的特征数据；根据所述特征数据计算所述目标用户的黏度系数；通过所述黏度系数生成所述目标用户的回流概率曲线，所述回流概率曲线的横坐标为流失时间，纵坐标为回流概率；在所述回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定所述流失时间区间为实施挽回措施的目标时间区间；在所述实施挽回措施的目标时间区间内，实施所述挽回措施。
在本公开的一种示例性实施例中，根据所述特征数据计算所述目标用户的黏度系数包括：将所述特征数据按照所述指标及使用周期进行统计；根据每个所述指标在各所述使用周期内的特征数据，计算每个所述指标的期望数据；根据各所述指标的期望数据计算所述目标用户的黏度系数。
在本公开的一种示例性实施例中，根据所述特征数据计算所述目标用户的黏度系数包括：基于所述特征数据，通过线性回归模型计算所述目标用户的黏度系数。
在本公开的一种示例性实施例中，还包括：获取多个已流失用户的样本数据，所述样本数据包括所述已流失用户的特征数据及活跃时间；根据所述已流失用户的活跃时间确定所述样本数据对应的黏度系数；通过所述样本数据及所述样本数据对应的黏度系数，训练并得到所述线性回归模型。
在本公开的一种示例性实施例中，根据所述黏度系数生成所述目标用户的回流概率曲线包括：将所述黏度系数代入一幂函数，并通过所述幂函数生成所述目标用户的回流概率曲线，其中，所述流失时间为所述幂函数的底数，所述回流概率为所述幂函数的幂，所述黏度系数为所述幂函数的参数。
在本公开的一种示例性实施例中，所述幂函数为P＝S·Ta+b；其中，P为所述回流概率，T为所述流失时间，S为所述黏度系数，a、b为所述函数的经验参数。
在本公开的一种示例性实施例中，所述挽回期望概率区间至少包括第一概率区间与第二概率区间，所述挽回措施至少包括第一挽回措施与第二挽回措施；在所述回流概率曲线中找出预设的挽回期望概率区间对应的时间区间包括：在所述回流概率曲线中分别找出所述第一概率区间对应的第一流失时间区间及所述第二概率区间对应的第二流失时间区间，并确定所述第一流失时间区间为实施所述第一挽回措施的第一目标时间区间，所述第二流失时间区间为实施所述第二挽回措施的第二目标时间区间；在所述实施挽回措施的目标时间区间内，实施所述挽回措施包括：在所述第一目标时间区间内实施所述第一挽回措施，以及在所述第二目标时间区间内实施所述第二挽回措施。
根据本公开的一个方面，提供一种流失用户挽回装置，包括：数据获取模块，用于获取目标用户的一个或多个指标的特征数据；黏度计算模块，用于根据所述特征数据计算所述目标用户的黏度系数；曲线生成模块，用于通过所述黏度系数生成所述目标用户的回流概率曲线，所述回流概率曲线的横坐标为流失时间，纵坐标为回流概率；区间确定模块，用于在所述回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定所述流失时间区间为实施挽回措施的目标时间区间；措施实施模块，用于在所述实施挽回措施的目标时间区间内，实施所述挽回措施。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的流失用户挽回方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的流失用户挽回方法。
本公开的示例性实施例具有以下有益效果：
上述方法及装置中，获取目标用户的特征数据后，可以计算目标用户的黏度系数，进而得到回流概率曲线，并根据回流概率曲线中确定实施挽回措施的目标时间区间，并在目标时间区间内实施挽回措施。一方面，本实施例提供了一种在用户流失后分析与计算用户回流概率的方法，并基于流失用户的回流概率采取挽回措施，能够有效的挽回流失用户，提高网站或App的生命力。另一方面，在分析流失用户的回流概率时，根据用户的特征数据计算黏度系数，并考虑黏度系数对于回流概率的影响，从而对用户进行了区分，使分析结果更有针对性，基于该分析结果的挽回措施也更有效。
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
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开示例性实施例中一种流失用户挽回方法的流程图；
图2示出本公开示例性实施例中一种流失用户挽回方法的子流程图；
图3示出本公开示例性实施例中一种计算用户指标期望数据的线性拟合示意图；
图4示出本公开示例性实施例中另一种流失用户挽回方法的子流程图；
图5示出本公开示例性实施例中一种流失用户回流概率的函数曲线示意图；
图6示出本公开示例性实施例中一种流失用户挽回装置的结构框图；
图7示出本公开示例性实施例中一种用于实现上述方法的电子设备；
图8示出本公开示例性实施例中一种用于实现方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的属性、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
相关技术的一种方案中，对于流失用户采取较为单一的挽回措施，通常将所有的流失用户编辑到流失用户名单中，定期向全员发送短信或推送信息，这种方案对于用户没有区分，针对性较差，并且容易被用户当作垃圾信息，难以有效挽回用户；相关技术的另一种方案中，通过奖励、优惠等措施激励活跃用户唤醒流失用户，方案的适用范围较小，只能覆盖到一部分流失用户，并且反复使用容易引起活跃用户的疲劳感，效果较差。
鉴于以上问题，本公开的示例性实施例提供了一种流失用户挽回方法，应用于挽回网站或App的流失用户。本示例性实施例中，可以定义使用周期为多数用户使用网站或App的习惯性周期，根据网站或App的应用场景不同而不同，例如游戏、新闻、社交类应用可以以一天为一个使用周期，金融、理财类App可以以三天或一周为一个使用周期。在定义使用周期后，可以进而确定用户是否为流失用户的标准，例如可以确定一个使用周期或连续三个使用周期不活跃的用户为流失用户等，确定的标准与应用场景相关，本实施例对此不做特别限定。
下面以挽回App流失用户为例，结合附图1做进一步说明，参考图1所示，该方法可以包括以下步骤：
步骤S11，获取目标用户的一个或多个指标的特征数据。
其中，目标用户是待分析的流失用户。指标是反映用户对于App依赖程度或使用强度的一个或多个方面的属性，例如在网购App中，指标可以是用户的登录时长、浏览商品数、评论数、交易数、交易金额等。通常用户在App内全部的行为指标都不同程度的反映其依赖程度或使用强度，可以选取全部的指标进行分析，也可以仅选取其中重要的指标。指标的数值即为特征数据，可以来源于目标用户的原始数据，也可以通过原始数据统计或处理后得到。
步骤S12，根据特征数据计算目标用户的黏度系数。
其中，黏度系数是将用户对于App依赖程度或使用强度(即所谓的用户黏度)定量表示的一个参数。黏度系数与各指标的特征数据直接相关，因此可以根据特征数据进行计算。通过加权计算、函数、机器学习模型等具体方法都可以实现对于黏度系数的计算，并且黏度系数根据应用场景的不同可以确定到任意的数值范围内，本实施例对此不做特别限定。举例而言，可以将黏度系数确定在0～1的范围内，数值越大代表黏度越高。可以从大量用户甚至全部用户的数据生成特征数据集合，将其中使用App时间最长、浏览商品数最多、评论数最多、交易次数最多、交易金额最高等的用户群标记为黏度系数1，将其中注册后从未使用过的用户群标记为黏度系数0；根据两个用户群之间的差异，确定每个指标的权重，进而对于每个用户，可以通过各指标的特征数据加权计算得到黏度系数。
步骤S13，通过黏度系数生成目标用户的回流概率曲线，回流概率曲线的横坐标为流失时间，纵坐标为回流概率。
其中，回流概率是指用户在流失一段时间后自然回归的概率，即不采取特别措施的情况下用户回归的概率，可以表示为如下的函数形式：
P＝f(T,S)；其中，P为回流概率，T为流失时间，通常以使用周期的计数值表示，S为黏度系数。
可见，回流概率主要受流失时间与黏度系数的影响，通常流失时间越久，黏度系数越小，则回流概率越低，流失时间越短，黏度系数越大，回流概率越高。在确定黏度系数后，回流概率与流失时间的函数关系也可以确定，因此可以得到以流失时间为横坐标，以回流概率为纵坐标的曲线，即回流概率曲线。
关于上述f函数，可以通过历史数据得到，以黏度系数相同或相近的用户群为样本，或者以特征数据相同或相近的用户群为样本，追踪该用户群流失后回流的情况，可以得到回流概率与流失时间之间的函数关系。通常该函数可以是幂函数、S型函数或不完整正态分布函数等，本实施例对此不做特别限定。
步骤S14，在回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定该流失时间区间为实施挽回措施的目标时间区间。
步骤S15，在实施挽回措施的目标时间区间内，实施挽回措施。
在步骤S13中确定了用户自然回归的回流概率曲线后，可以通过实时挽回措施以增加原本的回流概率。挽回期望概率区间是指在挽回措施的成本相同的情况下，在哪个概率区间内实施挽回措施具有最好的效果。例如预设的挽回期望概率区间为70％～90％，则可以在回流概率曲线中找出该概率区间对应的流失时间区间，进而在该流失时间区内实施挽回措施，可以较好的挽回流失用户。
挽回措施可以是推送消息、客服回访、优惠奖励活动等。关于挽回期望概率区间的确定，和App运营人员的考量因素有关：例如为了尽早并且较为确定的挽回流失用户，可以将挽回期望概率区间确定为回流概率较高的区间，或者为了获得挽回措施的最大效益，尽可能提高流失用户回流概率，可以将挽回期望概率区间确定为回流概率相对较低的区间等，本实施例对此不做特别限定。
在上述方法中，获取目标用户的特征数据后，可以计算目标用户的黏度系数，进而得到回流概率曲线，并根据回流概率曲线中确定实施挽回措施的目标时间区间，并在目标时间区间内实施挽回措施。一方面，本实施例提供了一种在用户流失后分析与计算用户回流概率的方法，并基于流失用户的回流概率采取挽回措施，能够有效的挽回流失用户，提高网站或App的生命力。另一方面，在分析流失用户的回流概率时，根据用户的特征数据计算黏度系数，并考虑黏度系数对于回流概率的影响，从而对用户进行了区分，使分析结果更有针对性，基于该分析结果的挽回措施也更有效。
为了更准确的计算目标用户的黏度系数，在一示例性实施例中，参考图2所示，步骤S12可以通过以下步骤实现：步骤S21，将特征数据按照指标及使用周期进行统计；步骤S22，根据每个指标在各使用周期内的特征数据，计算每个指标的期望数据；步骤S23，根据各指标的期望数据计算目标用户的黏度系数。
以表1为例说明，表中示出了用户A与用户B在5天内的登录App时长，如果计算总时长，则两个用户都是5h，通过总时长反映出的两个用户对App的黏度应该相同。然而通过观察用户A与用户B在5天内的登录时长分布情况，可以发现用户A的登录时长是递增的，而用户B的登录时长是波动的，显然根据5天的登录时长预测第6天的登录时长，用户A应当大于用户B，反映在第5天时，用户A对App的黏度更高。因此通过期望数据来计算黏度系数，准确性更高。
表1
可以通过多种方法计算期望数据，例如图3所示为对表1中的数据进行线性拟合，根据拟合的线性函数计算期望数据，计算结果如表1所示的2.8h与1.2h。也可以通过加权平均的方法计算，假设有1～n共n个使用周期，对应的特征数据分别为C1～Cn，则可以计算期望数据如下：
此外，还可以通过多项式拟合等方法计算期望数据，本实施例对此不做特别限定。
在得到各指标的期望数据后，可以通过加权计算、函数、机器学习模型等具体方法计算黏度系数。例如可以根据各指标的权重系数，对各指标的期望数据进行加权求和，计算的结果即为黏度系数。
在一示例性实施例中，步骤S12还可以通过以下步骤实现：基于特征数据，通过线性回归模型计算目标用户的黏度系数。
线性回归模型特别适用于分析多自变量与单因变量之间的线性关系分析。假设用户的特征数据包括m个指标，构建以各指标为维度的m维空间，目标用户的特征数据可以表示为该m维空间内的向量：
C＝[C1 C2 … Cm]T；其中C1、C2等分别为各指标的特征数据。
则通过权重系数W可以计算目标用户的黏度系数：
S＝WT×C＝[W1 W2 … Wm]×[C1 C2 … Cm]T；其中W1、W2等分别为各权重分项。
为了确定权重系数W，在一示例性实施例中，如图4所示，可以通过步骤S41～S43训练其中的各权重分项并得到线性回归模型：
步骤S41，获取多个已流失用户的样本数据，样本数据包括已流失用户的特征数据及活跃时间。
其中，样本数据中的特征数据应当与目标用户的特征数据保持指标的一致。需要说明的是，特征数据可能包含活跃时间这一指标，当不包含时，需要特别采集已流失用户的活跃时间。由于活跃用户仍处于活跃状态中，难以得到其活跃时间总长，因此难以估计其黏度系数，不建议作为样本数据。并且为了使样本数据有足够的代表性，取样的流失用户数量应当足够大，以覆盖到各种类型的用户。
步骤S42，根据已流失用户的活跃时间确定样本数据对应的黏度系数。
例如可以将样本数据中活跃时间最长的用户确定为黏度系数1，活跃时间最短的用户确定为黏度系数0，其他用户按照活跃时间的比例折算，相当于对黏度系数做了近似处理，以便于模型的初始化，由此得到样本数据对应的黏度系数，相当于对样本数据完成了标记。也可以采用其他具体计算方法，使黏度系数与活跃时间具有明确合理的对应关系即可，本实施例对此不做特别限定。
步骤S43，通过样本数据及样本数据对应的黏度系数，训练并得到线性回归模型。
在训练中，可以通过多次迭代调整线性回归模型的权重系数，使模型输出的结果接近于已标记的黏度系数。通常可以将样本数据划分为训练集与测试集(例如8:2划分)，训练集用于训练，测试集用于验证模型输出结果的准确率，如果达到预设的准确率标准，则说明训练通过，至此得到完整的线性回归模型。
在一示例性实施例中，回流概率与流失时间之间可以是幂函数关系，则步骤S13可以通过以下步骤实现：将黏度系数代入一幂函数，并通过幂函数生成目标用户的回流概率曲线。其中，流失时间是幂函数的底数，也是幂函数的自变量，回流概率是幂函数的幂，也是幂函数的因变量，黏度系数是幂函数的参数。通常该幂函数的指数小于0，随着自变量流失时间的增大，回流概率前期快速下降，然后下降速度逐渐放缓，最终趋于平稳，这种变化规律符合流失用户回流的一般趋势。
进一步的，上述幂函数可以为P＝S·Ta+b；其中，P为回流概率，T为流失时间，S为黏度系数，a、b为函数的经验参数。通常S∈(0,1]，可见，在其他条件相同的情况下，S越大，P越大。a、b的值可以通过对历史数据拟合得到，例如从黏度系数相同的用户中获取历史回流数据，在回流概率-流失时间坐标图上绘制坐标点，并通过上述函数对坐标点进行拟合，可以得到a、b的值；在黏度系数未知的情况下，可以从特征数据相同或相近的用户中获取历史回流数据，在回流概率-流失时间坐标图上绘制坐标点，通过上述函数对坐标点进行拟合，可以同时得到S、a、b的值，该方法可适用于缺少黏度系数初始值的情况中，通过幂函数拟合得到的黏度系数可作为上述实施例中线性回归模型的训练样本。
特别的，当a＝-0.5，b＝0时，上述函数可以为P＝S·T-0.5。当S为不同数值时，该函数的曲线可以如图5所示。可见S越大，整体函数曲线靠上，说明流失用户的整体回流概率较高。当T较小时，不同S值的流失用户回流概率差别较大，说明流失前期高黏度系数的用户更容易回流；当T较大时，不同S值的流失用户回流概率较为接近，说明流失后期任何黏度系数的用户回流的概率都非常低。
在一示例性实施例中，挽回期望概率区间可以包括第一概率区间与第二概率区间，相应的，挽回措施可以包括第一挽回措施与第二挽回措施；则步骤S14可以包括以下步骤：在回流概率曲线中分别找出第一概率区间对应的第一流失时间区间及第二概率区间对应的第二流失时间区间，并确定第一流失时间区间为实施第一挽回措施的第一目标时间区间，第二流失时间区间为实施第二挽回措施的第二目标时间区间；步骤S15可以包括以下步骤：在第一目标时间区间内实施第一挽回措施，以及在第二目标时间区间内实施第二挽回措施。
应当理解，本实施例为可以针对多个挽回期望概率区间分别设定不同的挽回措施，概率区间的数量不限于上述的两个，根据实际需要可以设置任意数量的概率区间，并且相应的也可以设定任意数量的挽回措施。参考上述图5所示，以S＝1.0的回流概率曲线为例，可以根据实际运营的需求，在50～60％概率区间内实施推送消息的挽回措施，在40～50％概率区间内实施客服回访的挽回措施，在30～40％概率区间内实施优惠奖励活动的挽回措施等，则根据回流概率曲线，可以确定相应的第一目标时间区间为第4天～第6天，第二目标时间区间为第6天～第10天，第三目标时间区间为第10天～第20天。可见，基于回流概率曲线，App运营人员可以制定非常详细的挽回措施或挽回措施的组合方案，以实现对流失用户的精准营销及有效挽回。
本公开的示例性实施例还提供了一种流失用户挽回装置，参考图6所示，该装置60可以包括：数据获取模块61，用于获取目标用户的一个或多个指标的特征数据；黏度计算模块62，用于根据特征数据计算目标用户的黏度系数；曲线生成模块63，用于通过黏度系数生成目标用户的回流概率曲线，回流概率曲线的横坐标为流失时间，纵坐标为回流概率；区间确定模块64，用于在回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定流失时间区间为实施挽回措施的目标时间区间；措施实施模块65，用于在实施挽回措施的目标时间区间内，实施挽回措施。各模块的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种示例性实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行如图1中所示的步骤S11～S15，也可以执行如图2中所示的步骤S21～S23等。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图8所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种流失用户挽回方法，其特征在于，包括：
获取目标用户的一个或多个指标的特征数据；
根据所述特征数据计算所述目标用户的黏度系数；
通过所述黏度系数生成所述目标用户的回流概率曲线，所述回流概率曲线的横坐标为流失时间，纵坐标为回流概率；
在所述回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定所述流失时间区间为实施挽回措施的目标时间区间；
在所述实施挽回措施的目标时间区间内，实施所述挽回措施。
2.根据权利要求1所述的方法，其特征在于，根据所述特征数据计算所述目标用户的黏度系数包括：
将所述特征数据按照所述指标及使用周期进行统计；
根据每个所述指标在各所述使用周期内的特征数据，计算每个所述指标的期望数据；
根据各所述指标的期望数据计算所述目标用户的黏度系数。
3.根据权利要求1所述的方法，其特征在于，根据所述特征数据计算所述目标用户的黏度系数包括：
基于所述特征数据，通过线性回归模型计算所述目标用户的黏度系数。
4.根据权利要求3所述的方法，其特征在于，还包括：
获取多个已流失用户的样本数据，所述样本数据包括所述已流失用户的特征数据及活跃时间；
根据所述已流失用户的活跃时间确定所述样本数据对应的黏度系数；
通过所述样本数据及所述样本数据对应的黏度系数，训练并得到所述线性回归模型。
5.根据权利要求1所述的方法，其特征在于，根据所述黏度系数生成所述目标用户的回流概率曲线包括：
将所述黏度系数代入一幂函数，并通过所述幂函数生成所述目标用户的回流概率曲线，其中，所述流失时间为所述幂函数的底数，所述回流概率为所述幂函数的幂，所述黏度系数为所述幂函数的参数。
6.根据权利要求5所述的方法，其特征在于，所述幂函数为P＝S·Ta+b；其中，P为所述回流概率，T为所述流失时间，S为所述黏度系数，a、b为所述函数的经验参数。
7.根据权利要求1所述的方法，其特征在于，所述挽回期望概率区间至少包括第一概率区间与第二概率区间，所述挽回措施至少包括第一挽回措施与第二挽回措施；
在所述回流概率曲线中找出预设的挽回期望概率区间对应的时间区间包括：
在所述回流概率曲线中分别找出所述第一概率区间对应的第一流失时间区间及所述第二概率区间对应的第二流失时间区间，并确定所述第一流失时间区间为实施所述第一挽回措施的第一目标时间区间，所述第二流失时间区间为实施所述第二挽回措施的第二目标时间区间；
在所述实施挽回措施的目标时间区间内，实施所述挽回措施包括：
在所述第一目标时间区间内实施所述第一挽回措施，以及在所述第二目标时间区间内实施所述第二挽回措施。
8.一种流失用户挽回装置，其特征在于，包括：
数据获取模块，用于获取目标用户的一个或多个指标的特征数据；
黏度计算模块，用于根据所述特征数据计算所述目标用户的黏度系数；
曲线生成模块，用于通过所述黏度系数生成所述目标用户的回流概率曲线，所述回流概率曲线的横坐标为流失时间，纵坐标为回流概率；
区间确定模块，用于在所述回流概率曲线中找出预设的挽回期望概率区间对应的流失时间区间，并确定所述流失时间区间为实施挽回措施的目标时间区间；
措施实施模块，用于在所述实施挽回措施的目标时间区间内，实施所述挽回措施。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的流失用户挽回方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的流失用户挽回方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811192185.5A CN109461023B (zh) | 2018-10-12 | 2018-10-12 | 流失用户挽回方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811192185.5A CN109461023B (zh) | 2018-10-12 | 2018-10-12 | 流失用户挽回方法及装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109461023A true CN109461023A (zh) | 2019-03-12 |
| CN109461023B CN109461023B (zh) | 2023-10-24 |
Family
ID=65607582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811192185.5A Active CN109461023B (zh) | 2018-10-12 | 2018-10-12 | 流失用户挽回方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109461023B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009403A (zh) * | 2019-03-19 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种流失用户的召回方法、装置及电子设备 |
| CN110222264A (zh) * | 2019-05-24 | 2019-09-10 | 苏州达家迎信息技术有限公司 | 应用程序维护控制方法、装置、终端、服务器及存储介质 |
| CN110619541A (zh) * | 2019-08-14 | 2019-12-27 | 平安科技（深圳）有限公司 | 应用程序管理方法、装置、计算机设备及存储介质 |
| CN111178972A (zh) * | 2019-12-30 | 2020-05-19 | 北京每日优鲜电子商务有限公司 | 消息推送方法、装置、存储介质及设备 |
| CN111401969A (zh) * | 2020-04-02 | 2020-07-10 | 北京达佳互联信息技术有限公司 | 用于提高用户留存率的方法、装置、服务器及存储介质 |
| CN112016790A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN112116405A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 数据处理方法、装置、电子设备及介质 |
| CN112651582A (zh) * | 2019-10-10 | 2021-04-13 | 腾讯科技（深圳）有限公司 | 一种产品流失用户的用户类别识别方法及相关设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020046096A1 (en) * | 2000-03-13 | 2002-04-18 | Kannan Srinivasan | Method and apparatus for internet customer retention |
| CN103378976A (zh) * | 2012-04-19 | 2013-10-30 | 深圳市快播科技有限公司 | 一种沉睡用户唤醒方法及系统 |
| CN104504460A (zh) * | 2014-12-09 | 2015-04-08 | 北京嘀嘀无限科技发展有限公司 | 预测叫车平台的用户流失的方法和装置 |
| CN105005909A (zh) * | 2015-06-17 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 预测流失用户的方法及装置 |
| CN107169786A (zh) * | 2017-04-25 | 2017-09-15 | 北京趣拿软件科技有限公司 | 数据资源的处理方法和装置 |
| CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
| CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动（北京）科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
| CN108038711A (zh) * | 2017-11-09 | 2018-05-15 | 广州虎牙信息科技有限公司 | 用户流失预测方法、装置以及计算机设备 |
-
2018
- 2018-10-12 CN CN201811192185.5A patent/CN109461023B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020046096A1 (en) * | 2000-03-13 | 2002-04-18 | Kannan Srinivasan | Method and apparatus for internet customer retention |
| CN103378976A (zh) * | 2012-04-19 | 2013-10-30 | 深圳市快播科技有限公司 | 一种沉睡用户唤醒方法及系统 |
| CN104504460A (zh) * | 2014-12-09 | 2015-04-08 | 北京嘀嘀无限科技发展有限公司 | 预测叫车平台的用户流失的方法和装置 |
| CN105005909A (zh) * | 2015-06-17 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 预测流失用户的方法及装置 |
| CN107169786A (zh) * | 2017-04-25 | 2017-09-15 | 北京趣拿软件科技有限公司 | 数据资源的处理方法和装置 |
| CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
| CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动（北京）科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
| CN108038711A (zh) * | 2017-11-09 | 2018-05-15 | 广州虎牙信息科技有限公司 | 用户流失预测方法、装置以及计算机设备 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009403A (zh) * | 2019-03-19 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种流失用户的召回方法、装置及电子设备 |
| CN110222264A (zh) * | 2019-05-24 | 2019-09-10 | 苏州达家迎信息技术有限公司 | 应用程序维护控制方法、装置、终端、服务器及存储介质 |
| CN110222264B (zh) * | 2019-05-24 | 2021-10-08 | 苏州达家迎信息技术有限公司 | 应用程序维护控制方法、装置、终端、服务器及存储介质 |
| CN110619541A (zh) * | 2019-08-14 | 2019-12-27 | 平安科技（深圳）有限公司 | 应用程序管理方法、装置、计算机设备及存储介质 |
| CN110619541B (zh) * | 2019-08-14 | 2024-04-23 | 平安科技（深圳）有限公司 | 应用程序管理方法、装置、计算机设备及存储介质 |
| CN112651582B (zh) * | 2019-10-10 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 一种产品流失用户的用户类别识别方法及相关设备 |
| CN112651582A (zh) * | 2019-10-10 | 2021-04-13 | 腾讯科技（深圳）有限公司 | 一种产品流失用户的用户类别识别方法及相关设备 |
| CN111178972A (zh) * | 2019-12-30 | 2020-05-19 | 北京每日优鲜电子商务有限公司 | 消息推送方法、装置、存储介质及设备 |
| CN111401969A (zh) * | 2020-04-02 | 2020-07-10 | 北京达佳互联信息技术有限公司 | 用于提高用户留存率的方法、装置、服务器及存储介质 |
| CN111401969B (zh) * | 2020-04-02 | 2024-02-20 | 北京达佳互联信息技术有限公司 | 用于提高用户留存率的方法、装置、服务器及存储介质 |
| CN112016790A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN112016790B (zh) * | 2020-07-15 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN112116405A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 数据处理方法、装置、电子设备及介质 |
| CN112116405B (zh) * | 2020-09-29 | 2024-02-02 | 中国银行股份有限公司 | 数据处理方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109461023B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109461023A (zh) | 流失用户挽回方法及装置、电子设备、存储介质 | |
| US20220292527A1 (en) | Methods of assessing long-term indicators of sentiment | |
| US11321759B2 (en) | Method, computer program product and system for enabling personalized recommendations using intelligent dialog | |
| US20210365643A1 (en) | Natural language outputs for path prescriber model simulation for nodes in a time-series network | |
| US8463688B2 (en) | Researching exchange-listed products using sentiment | |
| US20170154307A1 (en) | Personalized data-driven skill recommendations and skill gap prediction | |
| US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
| US20150332169A1 (en) | Introducing user trustworthiness in implicit feedback based search result ranking | |
| US20210311751A1 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
| EP2329357A1 (en) | Entity performance analysis engines | |
| US20150287051A1 (en) | System and method for identifying growing companies and monitoring growth using non-obvious parameters | |
| CN102262661A (zh) | 一种基于k阶混合马尔可夫模型的Web页面访问预测方法 | |
| US20210365611A1 (en) | Path prescriber model simulation for nodes in a time-series network | |
| WO2012167059A2 (en) | System and methods for demand-driven transactions | |
| US20170075896A1 (en) | System and method for analyzing popularity of one or more user defined topics among the big data | |
| CN109523056A (zh) | 对象能力分类预测方法及装置、电子设备、存储介质 | |
| CN110910201B (zh) | 信息推荐的控制方法、装置、计算机设备及存储介质 | |
| CN110288403A (zh) | 挽留弹框弹出方法、系统、设备及存储介质 | |
| US20220237232A1 (en) | Conversation based data analysis recommendations | |
| Blazsek et al. | Is Beta-t-EGARCH (1, 1) superior to GARCH (1, 1)? | |
| CN112070559A (zh) | 状态获取方法和装置、电子设备和存储介质 | |
| US11494721B1 (en) | Artificial intelligence system for electronically monitoring and analyzing data transmitted through multiple electronic channels to suggest actions for increasing the effectiveness of data transmitted through the channels | |
| TWI480749B (zh) | 識別有機搜索引擎優化機會之方法 | |
| US11442945B1 (en) | Dynamic freshness for relevance rankings | |
| WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring |
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 |