CN109583651A - 一种保险电商平台用户流失预测的方法和装置 - Google Patents
一种保险电商平台用户流失预测的方法和装置 Download PDFInfo
- Publication number
- CN109583651A CN109583651A CN201811462728.0A CN201811462728A CN109583651A CN 109583651 A CN109583651 A CN 109583651A CN 201811462728 A CN201811462728 A CN 201811462728A CN 109583651 A CN109583651 A CN 109583651A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- value
- prediction
- variable
- 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
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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种保险电商平台用户流失预测的方法,包括如下步骤:步骤1:对网站客户原始数据收集,根据用户规则存储于数据仓库中;步骤2:对原始数据进行清理、整合以及规约预处理,在集成后的数据集上进一步提取衡量用户价值的变量,用于用户细分;步骤3:选择合理的观察变量以及合适的用户细分算法进行用户分类;步骤4:针对不同的用户群体选取相应的影响用户流失的变量,分别进行用户流失概率预测;步骤5:对于不同类别的用户分别选择不同的预测算法,通过准确率、召回率等指标对模型效果评估,当模型效果达到最优后,输出不同类别的用户的最终流失概率;步骤6:对不同类别的流失用户群分类管理,分别进行群特征描述,可为挽回策略设计提供数据参考,进而实现精细化营销,后续进行营销效果分析。
Description
技术领域
本发明涉及用户流失预测领域,具体而言,涉及一种保险电商平台用户流失预测的方法和装置。
背景技术
电子商务类保险网站之间的竞争趋势日益明显,导致极为相似的服务和较低的转换成本,从而用户轻易地在各种保险电商之间跳动,使得用户状态不稳定,甚至导致用户流失。随着营销理念的不断细化深入,维持老用户对于保险网站来说尤为重要,为此,企业需要对用户进行有效的监控管理,及时对用户进行流失预测,从而对各种有流失倾向的用户,及早的、有针对性地采取相应的营销措施,尽可能的留住老客户。
但是,对于用户流失预测的过程中,不同类别的用户,行为习惯、购买偏好、自身价值等等千差万别,尤其是保险这个特殊的行业,不同险种需求的用户流失情况不同,不能对所有的用户流失“一视同仁”,比如高价值类客户和低价值类客户的流失前观察期有明显的区别,现有的流失预测过程难以有针对性的对保险业用户开展预测工作,因此本发明针对保险电商平台用户流失预测,提出一种基于用户历史行为和基本属性等数据对用户分类后的用户流失预测方法,实现高效、准确、有针对性的用户流失预测,为企业持续地保留住原有用户,尽可能减少用户流失概率。
发明内容
发明目的:在现有技术背景下,提出一种保险电商平台基于用户分类后的用户流失预测方法,基于用户细分的基础上再进行用户流失的预测,结合不同类别用户的特征,及时、准确、有针对性的对流失客户采取挽留策略。
本发明技术方案是,一种保险电商平台用户流失预测的方法,包括:
步骤1:对网站客户原始数据收集,根据用户规则存储于数据仓库中。
步骤2:对原始数据进行清理、整合以及规约预处理,在集成后的数据集上进一步提取衡量用户价值的变量,用于用户细分。
步骤3:选择合理的观察变量以及合适的用户细分算法进行用户分类。
步骤4:针对不同的用户群体选取相应的影响用户流失的变量,分别进行用户流失概率预测。
步骤5:对于不同类别的用户分别选择不同的预测算法,通过准确率、召回率等指标对模型效果评估,当模型效果达到最优后,输出不同类别的用户的最终流失概率。
步骤6:对不同类别的流失用户群分类管理,分别进行群特征描述,可为挽回策略设计提供数据参考,进而实现精细化营销,后续进行营销效果分析。
本发明公开一种保险电商平台基于用户分类后的用户流失预测方法,包括:数据源模块、预处理模块、保险用户价值分类模块和流失用户预测模块。
所述数据源模块,搜集用户的原始数据,根据用户规则生成多个用户基础数据表,存储于数据仓库中,主要包括订单交易类数据、客户基本属性数据和访问行为记录数据。
所述预处理模块,过滤测试账号的产生的脏数据,以及用户异常数据,对用户多维度的数据通过身份唯一识别ID关联,生成一个用户宽表,进一步计算集成为衡量用户价值和影响流失的变量,存储于集市层。
所述保险用户价值分类模块,选择合理的观察变量以及合适的用户细分算法进行用户价值分类。
所述流失用户预测模块,包含用户群流失特征提取、挽回策略设计、流失算法选择和预测结果输出四个子模块,针对不同价值的用户分别实施预测。
有益效果:本发明提出一种保险电商平台基于用户分类后的用户流失预测方法,充分利用用户历史访问行为、购买记录和基本属性等数据,基于用户细分的基础上再进行用户流失的预测,结合不同类别用户的特征,制订对流失客户采取挽留策略,提高企业精细化营销的效果。本发明可以针对高价值的流失用户提供定制服务,依据用户需求制定出优质量的产品,针对低价值的流失用户,及时的推广网站的优惠促销活动,进而有针对性的实现精细化营销,后续进行营销效果分析,为企业持续的创造价值,产生有效数据可不断用来优化我们的流失模型。
附图说明
图1是本发明实施例中保险电商平台基于用户分类后的用户流失预测的流程示意图。
图2是本发明实施例中保险电商平台基于用户分类后的用户流失预测的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。
参阅图1所示,本发明实施例为一种保险电商平台用户流失预测的方法流程,具体步骤为:
步骤11:从数据库中全面的对网站客户原始数据收集,包括客户的访问行为数据、购买记录和基本属性等,数据整理成以客户唯一标示身份为维度,例如交易行为、基本属性等业务数据以用户ID为单位存储,用户访问日志类数据会以cookie为单位存储。
步骤12:对原始数据进行清理、规约以及整合预处理,主要包括清理部分保险网站的测试账号数据,避免对实际预测造成干扰,通过用户ID和cookie之间的对应关系将步骤11中的各类数据整合,统一按客户ID存储,生成用户的基本数据宽表,进一步将原来“粗”的数据集通过计算集成为衡量用户价值和影响流失的变量,例如,消费频率、近期访问PV等,为后续的用户细分和流失预测做准备。
步骤13:选择合理的观察变量以及合适的用户细分算法进行用户价值分类,本发明将在RFM模型的三个指标-最近购买时间、购买频率、总购买金额的基础上新增指标用户分享次数,保险类行业不同于其他行业,通过统计分析,可得保险网站访问用户的购买转化率只有1.07%,但是来自于推荐或者分享的用户购买转化率可达到11.59%,因此,一个用户的价值不仅是从自身的购买中体现,他的分享行为主要源于对电商平台的信任以及忠诚度,将给平台带来更大的价值,所以本发明将选择4个变量作为用户价值细分的参量集,通过对衡量用户价值的这4个变量两两重要性作比较,可构造出参量之间重要度的判断矩阵A,
利用几何平均法对矩阵A44计算对应的权重,依次为w1、w2、w3、w4,也可根据实际情况做微调。
由各个参量的权重、参量值计算每个用户的价值指标。有
Y=w1X1+w2X2+…+w4X4
其中Xi为用户的具体变量值,wi为变量Xi所对应的权重。
依据用户的价值指标采用聚类算法进行用户分类,本发明采用的是k-means算法进行聚类,根据具体业务数据聚类结果可以适当的调整k值,例如,k值等于3的时候,可将用户聚为高价值用户、中价值用户、低价值用户,其中高价值的用户对整个电商平台的整体价值贡献高。
步骤14:分别针对不同的用户群体选取相应的影响用户流失的变量,根据步骤13的用户群特征,可以分析出,高价值用户购买的产品属性多偏向于价格高、保障期限长,低价值用户购买的产品属性多偏向性价比高,且这类用户对于促销敏感度比较高,会经常关注网站的专题活动,因此影响高价值用户流失的访问行为特征的观察时间范围明显要高于影响低价值用户流失的访问行为特征的观察时间范围,具体时段依据实际业务数据而定,本发明针对高价值的用户选择的是用户观察期内的访问行为和购买记录等数据作为具体指标,高价值用户的观察期定为近1年,访问指标主要包括观察期内访问PV、产品停留时长、加入购物车次数、收藏次数、分享次数等,购买类指标主要包括观察期内消费金额、客单价、购买次数等,相应的,中价值用户观察期定为近6个月,低价值用户观察期定为近3个月,具体观察期可结合实际情况进行调整,随后针对不同类别的用户分别对各类指标进行离散化处理,通过lasso算法筛选变量,去除部分共线性变量和相关性低的变量,从而训练集只保留相关性高的重要变量,随后将数据集拆分为训练集和测试集,分别用以训练流失预测模型和模型效果评估。
步骤15:对于不同类别的用户分别选择不同的预测算法,主要有两类可以使用的算法。集成学习算法:随机森林、支持向量机等。深度学习算法:自编码神经网络、深度信念神经网络等,这些算法都可在深度学习平台上运行,选择模型效果最优的算法即可,用户的预测集分别取当前日之前的观察期内的行为特征数据,流失预测应当首选准确率作为模型的评估依据,在准确率达到98%,同时召回率达到80%,则默认模型效果达到最优,输出不同类别的用户的最终流失概率,通过实验验证,本发明基于保险用户价值细分后的流失预测准确率明显高于对所有用户使用统一预测过程的准确率。
步骤16:对不同类别的流失用户群分类管理,分别进行用户群特征描述,可为挽回策略设计提供数据参考,例如可以针对高价值的流失用户提供定制服务,依据用户需求制定出优质量的产品,针对低价值的流失用户,及时的推广网站的优惠促销活动,进而有针对性的实现精细化营销,后续进行营销效果分析,为企业持续的创造价值,产生有效数据可不断用来优化我们的流失模型。
参阅图2所示,本发明实施例一种保险电商平台用户流失预测的系统结构,包括:
数据源模块21、预处理模块22、保险用户价值分类模块23、流失用户预测模块24。
数据源模块21,根据用户规则获取用户历史在网站留下的基础数据,包含用户基本属性和行为数据,可能来自于业务系统、文本文件或者其他数据源。
预处理模块22,对用户数据集进行处理,其中包括两个子模块:数据关联子模块221和用户多维度变量确定子模块222。
数据关联子模块221,对各来源的用户数据整合,找出用户身份识别统一的规则,最终统一按客户ID存储,生成用户的基本数据宽表。
用户多维度变量确定子模块222,从多个维度,进一步将原来“粗”的数据集通过计算集成为衡量用户价值和影响流失的变量。
保险用户价值分类模块23,根据实际业务数据改进RFM模型,确定四个能够区分用户价值的指标,计算出用户价值衡量值,用以聚类区分出高价值客户,中价值客户和低价值客户。
流失用户预测模块24,分别针对不同的用户群体选取相应的影响用户流失的变量和不同的预测算法,当模型效果达到最优时输出结果,同时进行用户群特征描述,为挽回策略设计提供有力的数据参考,进而有针对性的实现精细化营销,通过后续营销效果分析,可不断调整预测流失的变量以及方法。
所属领域的普通技术人员应当理解:以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种保险电商平台用户流失预测的方法,其特征是,包括如下步骤:
步骤1:对网站客户原始数据收集,根据用户规则存储于数据仓库中;
步骤2:对原始数据进行清理、整合以及规约预处理,在集成后的数据集上进一步提取衡量用户价值的变量,用于用户细分;
步骤3:选择合理的观察变量以及合适的用户细分算法进行用户分类;
步骤4:针对不同的用户群体选取相应的影响用户流失的变量,分别进行用户流失概率预测;
步骤5:对于不同类别的用户分别选择不同的预测算法,通过准确率、召回率等指标对模型效果评估,当模型效果达到最优后,输出不同类别的用户的最终流失概率;
步骤6:对不同类别的流失用户群分类管理,分别进行群特征描述,可为挽回策略设计提供数据参考,进而实现精细化营销,后续进行营销效果分析。
2.根据权利要求1所述的保险电商平台用户流失预测的方法,其特征是,步骤1中:从数据库中全面的对网站客户原始数据收集,包括客户的访问行为数据、购买记录和基本属性等,数据整理成以客户唯一标示身份为维度,包括交易行为、基本属性等业务数据以用户ID为单位存储,用户访问日志类数据会以cookie为单位存储;
步骤2中:对原始数据进行清理、规约以及整合预处理,包括清理部分保险网站的测试账号数据,避免对实际预测造成干扰,通过用户ID和cookie之间的对应关系将步骤1中的各类数据整合,统一按客户ID存储,生成用户的基本数据宽表,进一步将原来“粗”的数据集通过计算集成为衡量用户价值和影响流失的变量,包括消费频率、近期访问PV,为后续的用户细分和流失预测做准备;
步骤3中:选择合理的观察变量以及合适的用户细分算法进行用户价值分类,在RFM模型的三个指标:最近购买时间、购买频率、总购买金额的基础上新增指标用户分享次数;根据保险类行业特点,通过统计分析,得保险网站访问用户的购买转化率只有1.07%,但是来自于推荐或者分享的用户购买转化率达到11.59%;选择最近购买时间、购买频率、总购买金额、用户分享次数4个变量作为用户价值细分的参量集,通过对衡量用户价值的这4个变量两两重要性作比较,构造出参量之间重要度的判断矩阵A,
利用几何平均法对矩阵A44计算对应的权重,依次为w1、w2、w3、w4,也能根据实际情况做微调;
由各个参量的权重、参量值计算每个用户的价值指标;有
Y=w1X1+w2X2+…+w4X4
其中Xi为用户的具体变量值,对应最近购买时间、购买频率、总购买金额、用户分享次数,wi为变量Xi所对应的权重;
对矩阵A44一致性检验通过后,利用几何平均法,即
其中,i=1,2,…,4,得权重w=(w1,w2,w3,w4),再对具体指标标准化,得每个用户的价值指标得分;
依据用户的价值指标采用聚类算法进行用户分类,采用的是k-means算法进行聚类,根据具体业务数据聚类结果可以适当的调整k值;保险业务行业出于对客户细分管理,根据RFM模型将用户细分为8类,但是出于用户分类的基础上进行流失预测,也可将8类客户粗分为3类,这里可以通过步骤4最终的流失预测效果进行比较,如果效果差不多,则将k值设为3,保证预测效果的同时减少工作量,如果效果有明显差异,则优先选择预测流失效果更好的k值,所以最终设置k值等于3,即将用户聚为高价值用户、中价值用户、低价值用户,其中高价值表明用户对整个电商平台的整体价值贡献高;
步骤4中:分别针对不同的用户群体选取相应的影响用户流失的变量,根据步骤3的用户群特征,分析出高价值用户购买的产品属性多偏向于价格高、保障期限长,低价值用户购买的产品属性多偏向性价比高,且这类用户对于促销敏感度比较高,会经常关注网站的专题活动,因此影响高价值用户流失的访问行为特征的观察时间范围明显要高于影响低价值用户流失的访问行为特征的观察时间范围,具体时段依据实际业务数据而定。
3.根据权利要求2所述的保险电商平台用户流失预测的方法,其特征是,
步骤4中:针对高价值的用户选择的是用户观察期内的访问行为和购买记录等数据作为具体指标,高价值用户的观察期定为近1年,访问指标主要包括观察期内访问PV、产品停留时长、加入购物车次数、收藏次数、分享次数等,购买类指标主要包括观察期内消费金额、客单价、购买次数等,相应的,中价值用户观察期定为近6个月,低价值用户观察期定为近3个月,具体观察期可结合实际情况进行调整,随后针对不同类别的用户分别对各类指标进行离散化处理,通过lasso算法筛选变量,去除部分共线性变量和相关性低的变量,从而训练集只保留相关性高的重要变量,随后将数据集拆分为训练集和测试集,分别用以训练流失预测模型和模型效果评估。
4.根据权利要求1所述的保险电商平台用户流失预测的方法,其特征是,
步骤5中:对于不同类别的用户分别选择不同的预测算法,有两类可以使用的算法;集成学习算法:随机森林、支持向量机等;深度学习算法:自编码神经网络、深度信念神经网络等,这些算法都可在深度学习平台上运行,选择模型效果最优的算法即可,用户的预测集分别取当前日之前的观察期内的行为特征数据,流失预测应当首选准确率作为模型的评估依据,在准确率达到98%,同时召回率达到80%,则默认模型效果达到最优,输出不同类别的用户的最终流失概率,通过实验验证,本发明基于保险用户价值细分后的流失预测准确率明显高于对所有用户使用统一预测过程的准确率;
步骤6中:对不同类别的流失用户群分类管理,分别进行用户群特征描述,可为挽回策略设计提供数据参考。
5.根据权利要求1所述的保险电商平台用户流失预测的方法,其特征是,步骤3中构造出判断矩阵A的取值:
对矩阵A44一致性检验通过后,利用几何平均法,即
其中,i=1,2,…,4,得权重w=(0.077,0.154,0.308,0.452),再对具体指标标准化,得每个用户的价值指标得分,即Y=0.077X1+0.154X2+…+0.452X4。
6.一种根据权利要求1-5之一所述的保险电商平台用户流失预测的方法设置的保险电商平台基于用户分类后的用户流失预测系统,其特征是,包括:数据源模块、预处理模块、保险用户价值分类模块和流失用户预测模块;
所述数据源模块,根据用户规则获取用户历史在网站留下的基础数据,包含用户基本属性和行为数据,可能来自于业务系统、文本文件或者其他数据源;搜集用户的原始数据,根据用户规则生成多个用户基础数据表,存储于数据仓库中,包括订单交易类数据、客户基本属性数据和访问行为记录数据;
预处理模块,对用户数据集进行处理,其中包括两个子模块:数据关联子模块和用户多维度变量确定子模块;所述预处理模块,过滤测试账号的产生的脏数据,以及用户异常数据,对用户多维度的数据通过身份唯一识别ID关联,生成一个用户宽表,进一步计算集成为衡量用户价值和影响流失的变量,存储于集市层;
数据关联子模块,对各来源的用户数据整合,找出用户身份识别统一的规则,最终统一按客户ID存储,生成用户的基本数据宽表;用户多维度变量确定子模块,从多个维度,进一步将原来“粗”的数据集通过计算集成为衡量用户价值和影响流失的变量;
保险用户价值分类模块,根据实际业务数据改进RFM模型,确定四个能够区分用户价值的指标,计算出用户价值衡量值,用以聚类区分出高价值客户,中价值客户和低价值客户;所述保险用户价值分类模块,选择合理的观察变量以及合适的用户细分算法进行用户价值分类;
流失用户预测模块,包含用户群流失特征提取、挽回策略设计、流失算法选择和预测结果输出四个子模块,针对不同价值的用户分别实施预测;分别针对不同的用户群体选取相应的影响用户流失的变量和不同的预测算法,当模型效果达到最优时输出结果,同时进行用户群特征描述,为挽回策略设计提供有力的数据参考,进而有针对性的实现精细化营销,通过后续营销效果分析,可不断调整预测流失的变量以及方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462728.0A CN109583651A (zh) | 2018-12-03 | 2018-12-03 | 一种保险电商平台用户流失预测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462728.0A CN109583651A (zh) | 2018-12-03 | 2018-12-03 | 一种保险电商平台用户流失预测的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109583651A true CN109583651A (zh) | 2019-04-05 |
Family
ID=65925826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811462728.0A Pending CN109583651A (zh) | 2018-12-03 | 2018-12-03 | 一种保险电商平台用户流失预测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583651A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
CN110111156A (zh) * | 2019-05-14 | 2019-08-09 | 重庆天蓬网络有限公司 | 一种客户流失预警方法、系统、介质和电子设备 |
CN110111158A (zh) * | 2019-05-16 | 2019-08-09 | 创络(上海)数据科技有限公司 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
CN110111131A (zh) * | 2019-04-08 | 2019-08-09 | 浙江口碑网络技术有限公司 | 虚假客资信息的确定方法及装置 |
CN110338762A (zh) * | 2019-07-09 | 2019-10-18 | 上海宝藤生物医药科技股份有限公司 | 辅助补充维生素d的方法、装置、终端及服务器 |
CN110457557A (zh) * | 2019-07-29 | 2019-11-15 | 甘肃梦农物联网科技有限公司 | 一种自动标记行为数据的智慧城市网络管理方法 |
CN110766481A (zh) * | 2019-11-04 | 2020-02-07 | 泰康保险集团股份有限公司 | 客户数据处理方法、装置、电子设备及计算机可读介质 |
CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
CN111144935A (zh) * | 2019-12-17 | 2020-05-12 | 武汉海云健康科技股份有限公司 | 基于大数据的睡眠会员唤醒方法及系统、服务器及介质 |
CN111159204A (zh) * | 2020-01-02 | 2020-05-15 | 北京东方金信科技有限公司 | 一种通过配置的方式生成标签的方法及系统 |
CN111160992A (zh) * | 2020-01-02 | 2020-05-15 | 焦点科技股份有限公司 | 一种基于用户画像体系的营销系统 |
CN111353850A (zh) * | 2020-02-26 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险识别策略的更新、风险商户的识别方法和装置 |
CN111563628A (zh) * | 2020-05-09 | 2020-08-21 | 重庆锐云科技有限公司 | 房地产客户成交时间预测方法、装置及存储介质 |
CN112232643A (zh) * | 2020-09-25 | 2021-01-15 | 上海淇毓信息科技有限公司 | 一种管理业务策略的方法、装置和电子设备 |
CN112633715A (zh) * | 2020-12-28 | 2021-04-09 | 四川新网银行股份有限公司 | 一种线上业务用户流失分析方法 |
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 |
CN112686448A (zh) * | 2020-12-31 | 2021-04-20 | 重庆富民银行股份有限公司 | 基于属性数据的流失预警方法及系统 |
CN112767045A (zh) * | 2021-01-27 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 流失用户的挽回方法、装置和电子设备 |
CN112862546A (zh) * | 2021-04-25 | 2021-05-28 | 平安科技(深圳)有限公司 | 用户流失预测方法、装置、计算机设备及存储介质 |
CN112884515A (zh) * | 2021-02-22 | 2021-06-01 | 上海汽车集团股份有限公司 | 用户流失的预测方法、装置及计算机存储介质 |
CN113421122A (zh) * | 2021-06-25 | 2021-09-21 | 创络(上海)数据科技有限公司 | 改进的迁移学习框架下的首购用户精细化流失预判方法 |
CN113421116A (zh) * | 2021-06-22 | 2021-09-21 | 康键信息技术(深圳)有限公司 | 用户召回分析方法、装置、设备及存储介质 |
CN113538131A (zh) * | 2021-07-23 | 2021-10-22 | 中信银行股份有限公司 | 一种模块化评分卡建模的方法、装置、存储介质及电子设备 |
CN113793061A (zh) * | 2021-09-27 | 2021-12-14 | 武汉众邦银行股份有限公司 | 融合层次分析法和rfm的商业银行客户评级方法及装置 |
CN113837512A (zh) * | 2020-06-23 | 2021-12-24 | 中国移动通信集团辽宁有限公司 | 异常用户的识别方法及装置 |
CN114022194A (zh) * | 2021-10-26 | 2022-02-08 | 共享智能铸造产业创新中心有限公司 | 平台用户流失的预测方法 |
CN114677184A (zh) * | 2022-05-25 | 2022-06-28 | 国网浙江省电力有限公司宁波供电公司 | 基于经营决策辅助模型的数据处理方法及平台 |
CN115115389A (zh) * | 2022-03-11 | 2022-09-27 | 南京邮电大学 | 一种基于价值细分和集成预测的快递客户流失预测方法 |
CN117492738A (zh) * | 2023-11-08 | 2024-02-02 | 交通银行股份有限公司北京市分行 | 一种数据挖掘全流程方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
CN105225135A (zh) * | 2015-10-31 | 2016-01-06 | 广州华多网络科技有限公司 | 潜力客户识别方法以及装置 |
CN107895015A (zh) * | 2017-11-14 | 2018-04-10 | 江苏电力信息技术有限公司 | 基于层次分析法的电力用户特征标签权重体系构建方法 |
CN108171553A (zh) * | 2018-01-17 | 2018-06-15 | 焦点科技股份有限公司 | 一种周期性服务或产品的潜在客户挖掘系统与方法 |
-
2018
- 2018-12-03 CN CN201811462728.0A patent/CN109583651A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
CN105225135A (zh) * | 2015-10-31 | 2016-01-06 | 广州华多网络科技有限公司 | 潜力客户识别方法以及装置 |
CN107895015A (zh) * | 2017-11-14 | 2018-04-10 | 江苏电力信息技术有限公司 | 基于层次分析法的电力用户特征标签权重体系构建方法 |
CN108171553A (zh) * | 2018-01-17 | 2018-06-15 | 焦点科技股份有限公司 | 一种周期性服务或产品的潜在客户挖掘系统与方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111131A (zh) * | 2019-04-08 | 2019-08-09 | 浙江口碑网络技术有限公司 | 虚假客资信息的确定方法及装置 |
CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
CN110111156A (zh) * | 2019-05-14 | 2019-08-09 | 重庆天蓬网络有限公司 | 一种客户流失预警方法、系统、介质和电子设备 |
CN110111158A (zh) * | 2019-05-16 | 2019-08-09 | 创络(上海)数据科技有限公司 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
CN110338762A (zh) * | 2019-07-09 | 2019-10-18 | 上海宝藤生物医药科技股份有限公司 | 辅助补充维生素d的方法、装置、终端及服务器 |
CN110457557A (zh) * | 2019-07-29 | 2019-11-15 | 甘肃梦农物联网科技有限公司 | 一种自动标记行为数据的智慧城市网络管理方法 |
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 |
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 |
CN110766481A (zh) * | 2019-11-04 | 2020-02-07 | 泰康保险集团股份有限公司 | 客户数据处理方法、装置、电子设备及计算机可读介质 |
CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
CN111144935A (zh) * | 2019-12-17 | 2020-05-12 | 武汉海云健康科技股份有限公司 | 基于大数据的睡眠会员唤醒方法及系统、服务器及介质 |
CN111160992A (zh) * | 2020-01-02 | 2020-05-15 | 焦点科技股份有限公司 | 一种基于用户画像体系的营销系统 |
CN111159204B (zh) * | 2020-01-02 | 2020-08-11 | 北京东方金信科技有限公司 | 一种通过配置的方式生成标签的方法及系统 |
CN111159204A (zh) * | 2020-01-02 | 2020-05-15 | 北京东方金信科技有限公司 | 一种通过配置的方式生成标签的方法及系统 |
CN111353850A (zh) * | 2020-02-26 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险识别策略的更新、风险商户的识别方法和装置 |
CN111563628A (zh) * | 2020-05-09 | 2020-08-21 | 重庆锐云科技有限公司 | 房地产客户成交时间预测方法、装置及存储介质 |
CN113837512A (zh) * | 2020-06-23 | 2021-12-24 | 中国移动通信集团辽宁有限公司 | 异常用户的识别方法及装置 |
CN112232643A (zh) * | 2020-09-25 | 2021-01-15 | 上海淇毓信息科技有限公司 | 一种管理业务策略的方法、装置和电子设备 |
CN112633715A (zh) * | 2020-12-28 | 2021-04-09 | 四川新网银行股份有限公司 | 一种线上业务用户流失分析方法 |
CN112686448A (zh) * | 2020-12-31 | 2021-04-20 | 重庆富民银行股份有限公司 | 基于属性数据的流失预警方法及系统 |
CN112686448B (zh) * | 2020-12-31 | 2024-02-13 | 重庆富民银行股份有限公司 | 基于属性数据的流失预警方法及系统 |
CN112767045A (zh) * | 2021-01-27 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 流失用户的挽回方法、装置和电子设备 |
CN112767045B (zh) * | 2021-01-27 | 2022-05-24 | 支付宝(杭州)信息技术有限公司 | 流失用户的挽回方法、装置和电子设备 |
CN112884515A (zh) * | 2021-02-22 | 2021-06-01 | 上海汽车集团股份有限公司 | 用户流失的预测方法、装置及计算机存储介质 |
CN112862546B (zh) * | 2021-04-25 | 2021-08-13 | 平安科技(深圳)有限公司 | 用户流失预测方法、装置、计算机设备及存储介质 |
CN112862546A (zh) * | 2021-04-25 | 2021-05-28 | 平安科技(深圳)有限公司 | 用户流失预测方法、装置、计算机设备及存储介质 |
CN113421116A (zh) * | 2021-06-22 | 2021-09-21 | 康键信息技术(深圳)有限公司 | 用户召回分析方法、装置、设备及存储介质 |
CN113421122A (zh) * | 2021-06-25 | 2021-09-21 | 创络(上海)数据科技有限公司 | 改进的迁移学习框架下的首购用户精细化流失预判方法 |
CN113538131A (zh) * | 2021-07-23 | 2021-10-22 | 中信银行股份有限公司 | 一种模块化评分卡建模的方法、装置、存储介质及电子设备 |
CN113793061A (zh) * | 2021-09-27 | 2021-12-14 | 武汉众邦银行股份有限公司 | 融合层次分析法和rfm的商业银行客户评级方法及装置 |
CN114022194A (zh) * | 2021-10-26 | 2022-02-08 | 共享智能铸造产业创新中心有限公司 | 平台用户流失的预测方法 |
CN115115389A (zh) * | 2022-03-11 | 2022-09-27 | 南京邮电大学 | 一种基于价值细分和集成预测的快递客户流失预测方法 |
CN115115389B (zh) * | 2022-03-11 | 2024-07-23 | 南京邮电大学 | 一种基于价值细分和集成预测的快递客户流失预测方法 |
CN114677184A (zh) * | 2022-05-25 | 2022-06-28 | 国网浙江省电力有限公司宁波供电公司 | 基于经营决策辅助模型的数据处理方法及平台 |
CN117492738A (zh) * | 2023-11-08 | 2024-02-02 | 交通银行股份有限公司北京市分行 | 一种数据挖掘全流程方法及装置 |
CN117492738B (zh) * | 2023-11-08 | 2024-06-25 | 交通银行股份有限公司北京市分行 | 一种数据挖掘全流程方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583651A (zh) | 一种保险电商平台用户流失预测的方法和装置 | |
Tavakoli et al. | Customer segmentation and strategy development based on user behavior analysis, RFM model and data mining techniques: a case study | |
CN107562818A (zh) | 信息推荐系统及方法 | |
CN102789618B (zh) | 生成市场景气指数的监测系统及方法 | |
CN102156932A (zh) | 一种客户再次购买意向预测方法及装置 | |
CN110826886A (zh) | 一种基于聚类算法和主成分分析的电力客户画像构建方法 | |
CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
CN107992883A (zh) | 一种基于crfm模型的计量行业客户细分方法 | |
CN116431931A (zh) | 实时增量数据统计分析方法 | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和系统 | |
CN116187808A (zh) | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 | |
Lewaaelhamd | Customer segmentation using machine learning model: an application of RFM analysis | |
CN116304374B (zh) | 一种基于包装数据的客户匹配方法及系统 | |
CN116860820A (zh) | 一种基于数据安全的用户产品偏好分析方法及系统 | |
Ganhewa et al. | Sales Optimization Solution for Fashion Retail | |
Wu et al. | Application of data mining in customer relationship management | |
Hamzehei et al. | A new methodology to study customer electrocardiogram using RFM analysis and clustering | |
Lipianina-Honcharenko et al. | Intelligent method for forming the consumer basket | |
Albadvi et al. | Integrating rating-based collaborative filtering with customer lifetime value: New product recommendation technique | |
Neifer et al. | Recommender Systems in Food Retail: Modeling Repeat Purchase Decisions on Transaction Data of a Stationary Food Retailer. | |
Paul et al. | An RFM and CLV analysis for customer retention and customer relationship management of a logistics firm | |
BELHADJ | Customer Value Analysis Using Weighted RFM model: Empirical Case Study. | |
Granov | Customer loyalty, return and churn prediction through machine learning methods: for a Swedish fashion and e-commerce company | |
Desmet | Buying behavior study with basket analysis: pre-clustering with a Kohonen map | |
CN111275505A (zh) | 一种数据处理方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
RJ01 | Rejection of invention patent application after publication |