CN109829592A - 一种快递柜用户的流失预测方法、装置、设备和存储介质 - Google Patents
一种快递柜用户的流失预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109829592A CN109829592A CN201910172281.1A CN201910172281A CN109829592A CN 109829592 A CN109829592 A CN 109829592A CN 201910172281 A CN201910172281 A CN 201910172281A CN 109829592 A CN109829592 A CN 109829592A
- Authority
- CN
- China
- Prior art keywords
- express delivery
- delivery cabinet
- target user
- user
- loss
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种快递柜用户的流失预测方法、装置、设备和存储介质,该方法包括:根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。在本发明实施例中,通过目标用户的快递柜行为数据,获取到了目标用户的流失行为关联描述数据,并结合已流失用户的流失行为关联描述数据,实现了对具有流失风险的用户的监测和预警,有利于运营人员对潜在风险及时作出应对措施,避免了快递柜用户流失造成的运营损失,确保了快递柜使用群体的稳定性。
Description
技术领域
本发明实施例涉及物流技术领域,尤其涉及一种快递柜用户的流失预测方法、装置、设备和存储介质。
背景技术
随着计算机技术和物流技术的不断进步,快递柜开始出现在人们视野中,而用户对快递柜的使用率直接决定了快递柜行业的发展前景,一旦用户大量流失造成柜机使用率低下,无效柜机大量出现,那么整个快递柜行业的发展都会受到极大影响。
现有技术中对于快递柜用户的流失缺乏有效的监测方法,一般是通过人工现场判断,或者通过走访、打电话或发邮件等方式与用户进行沟通,了解用户流失的原因,从而自身改进避免更大范围的用户流失。
然而,这样的监测办法效率低下,需要大量的客服人员进行沟通作业,同时,也只能在用户流失以后再查找自身原因,而用户一旦流失,再采取挽回措施已经太晚了,并不能真正起到预测并防止用户流失的作用。
发明内容
本发明实施例提供了一种快递柜用户的流失预测方法、装置、设备和存储介质,以实现对具有流失风险的快递柜用户进行监测和预警。
第一方面,本发明实施例提供了一种快递柜用户的流失预测方法,包括:
根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;
根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
第二方面,本发明实施例提供了一种快递柜用户的流失预测装置,包括:
流失行为关联描述数据获取模块,用于根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;
流失风险预测模块,用于根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的快递柜用户的流失预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的快递柜用户的流失预测方法。
在本发明实施例中,通过目标用户的快递柜行为数据,获取到了目标用户的流失行为关联描述数据,并结合已流失用户的流失行为关联描述数据,实现了对具有流失风险的用户进行监测和预警,有利于运营人员对潜在风险及时作出应对措施,避免了快递柜用户流失造成的运营损失,确保了快递柜使用群体的稳定性。
附图说明
图1是本发明实施例一提供的一种快递柜用户的流失预测方法的流程图;
图2是本发明实施例二提供的一种快递柜用户的流失预测方法的流程图;
图3是本发明实施例三提供的一种快递柜用户的流失预测方法的流程图;
图4是本发明实施例四提供的一种快递柜用户的流失预测装置的结构框图;
图5是本发明实施例五提供的一种设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种快递柜用户的流失预测方法的流程图,本实施例可适用于通过目标用户的快递柜行为数据预测目标用户流失风险的情况,该方法可以由本发明实施例中的快递柜用户的流失预测装置来执行,该装置可以通过软件和/或硬件的方式实现,并一般可以集成在服务器中,与用来获取用户行为数据的快递柜配合使用,本发明实施例的方法具体包括如下步骤:
S110、根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据。
快递柜区别于其它商品售卖装置或服务提供装置,其用户分为快递员和住户两种类型,不同的类型,其快递柜行为也不相同。快递员使用快递柜进行派件、揽收和充值等行为,其中,派件行为即把派送给住户的快递放置于快递柜中;揽收行为即通过快递柜取走住户放置的快递;充值行为即快递员在快递柜上进行充值服务,以支付快递柜使用费的行为。住户使用快递柜进行取件、发件和支付等行为,其中,取件行为即取回快递员放置于快递柜中的快递;发件行为即把快递放置于快递柜中,等待快递员取走;支付行为即住户在快递柜上支付快递柜使用费的行为。
在本发明实施例中,可选的,通过快递员使用快递柜进行派件、揽收和/或充值等行为数据,或住户使用快递柜取件、发件和/或支付等行为数据,确定快递员或住户的流失行为以及与流失行为相关联的描述数据。例如,过去四个月中,快递员每月使用快递柜派件的次数持续减少,那么该快递员存在流失的可能性,其使用快递柜派件的次数持续减少即为流失行为,每月具体的派件数量就是与流失行为相关联的描述数据;同样的,过去六个月中,住户每月使用快递柜发件的次数持续减少,那么该住户也存在流失的可能性,其使用快递柜发件的次数持续减少即为流失行为,每月具体的发件数量就是与流失行为相关联的描述数据。
S120、根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
已流失用户是曾经使用过快递柜,但现在被认定为不再使用快递柜的用户。在本发明实施例中,可选的,在设定时间内,该用户未使用快递柜进行任何行为,则认定该用户为已流失用户;还可以在设定时间内,该用户未使用快递柜进行指定行为,例如,快递员未使用快递柜进行派件行为,或住户未使用快递柜进行发件行为,则认定该用户为已流失用户。在本发明实施例中,对于已流失用户的认定方式不作具体限定。
在本发明实施例中,可选的,根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据构造训练样本,对设定机器学习模型进行训练,得到流失预测模型;其中,所述流失预测模型的输入为流失行为关联描述数据,输出为流失风险预测结果;与所述目标用户对应的流失行为关联描述数据输入至所述流失预测模型中,得到所述目标用户的流失风险。训练样本,就是用于训练的数据,包括了能获得的历史数据,以及对应的结果;机器学习模型,即根据机器学习算法建立的模型,是通过计算机模拟人类学习行为的过程;机器学习算法包括深度神经网络算法(简称DNN)、邻近算法(简称KNN)和朴素贝叶斯法(简称NB)等多种算法,在本发明实施例中,对机器学习模型所采用的算法不作具体限定。
在本发明实施例中,可选的,还可以根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,统计与每一项流失行为关联描述数据分别对应的至少一个标准流失衡量参数。标准流失衡量参数即为各流失行为关联描述数据设定的权重,根据已流失用户的流失行为关联描述数据,可以分析得知,不同的流失行为对用户流失预测的影响是不同的,例如,已流失快递员的数量为1000名,其中900名快递员在流失前每月使用快递柜派件数量持续减少,那么该流失行为对用户流失预测的影响较大,设置为较大的权重,例如,设定为0.9;而在1000名已流失快递员中,其中300名快递员流失前每月使用快递柜充值金额持续减少,那么该流失行为对用户流失预测的影响较小,设置为较小的权重,例如,设定为0.3。因此,不同的流失行为关联描述数据对应不同的权重,即对应不同的标准流失衡量参数。再根据所述与所述目标用户对应的流失行为关联描述数据,与所述标准流失衡量参数之间的数据关系,对所述目标用户的流失风险进行预测,即采用加权的方式计算目标用户的流失风险,例如,目标用户为快递员,以上述两个流失行为为例对现有快递员用户A和B的流失风险进行计算,A快递员过去三个月平均每月派件量减少了50个,充值金额减少了20元;B快递员过去三个月平均每月派件量减少了20个,充值金额减少了50元;那么A快递员的流失风险值为50×0.9+20×0.3=51,B快递员的预测风险值为20×0.9+50×0.3=33,由此可见A快递员的流失风险值更高,流失的可能性更大。
在本发明实施例中,可选的,在根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测之后,如果确定所述流失风险满足预设的流失条件,则推送流失风险预警以及处理措施。计算出流失风险值后,根据预设的流失条件,不同的流失风险值对应不同的风险概率,例如,将流失概率分为高流失风险、低流失风险和无流失风险三种,针对存在高流失风险的用户,向运营人员发出一级预警并提供有针对性的处理措施,例如,开展发放免费派件卷或免费发件卷、有奖调研、短信提示或礼品发放等活动,以降低用户流失风险;针对存在低流失风险的用户向运营人员发出二级预警,不需要向运营人员提供处理措施;针对无流失风险的用户,不需要向运营人员发出预警。
特别的,对于存在高流失风险的用户,还可以监测挽回效果如何,例如,对于高流失风险的用户,运营人员接收到一级预警并采取有针对性的处理措施后,继续监测该用户在接下来的设定时间内快递柜行为数据的变化情况,判断该处理措施是否有效,若无效,则提醒运营人员采用其它处理措施。
在本发明实施例中,通过目标用户的快递柜行为数据,获取到了目标用户的流失行为关联描述数据,并结合已流失用户的流失行为关联描述数据,实现了对具有流失风险的用户进行监测和预警,有利于运营人员对潜在风险及时作出应对措施,避免了快递柜用户流失造成的运营损失,确保了快递柜使用群体的稳定性。
实施例二
图2为本发明实施例二提供的一种快递柜用户的流失预测方法的流程图,本实施例以上述实施例为基础进行具体化,在本实施例中,目标用户包括快递员,快递柜行为数据包括快递柜派件行为数据;流失行为关联描述数据包括使用快递柜累计派件天数和快递柜派件趋势描述信息,本发明实施例的方法具体包括如下步骤:
S210、根据所述快递员的快递柜行为数据,获取所述快递员的快递柜累计派件天数。
对于快递员来说,充值行为一般都是在进行派件或揽收行为的同时进行的;揽收行为是在住户将快递放置于快递柜后,快递员被动的取件行为,不是其主动行为;而派件行为既是快递员主动行为,也是使用快递柜最频繁的一种行为。因此,在本发明实施例中,快递柜行为数据为快递柜派件行为数据。
快递柜累计派件天数是该快递员第一次使用快递柜派件到最后一次快递柜派件的间隔天数。根据对已流失快递员的累计派件天数进行的数据统计,以一百天为统计间隔时间,累计派件天数不超过一百天的快递员流失数量最多,而其它时间段内的快递员流失数量较少且较为平均,因此,前一百天快递员流失的可能性是最高的。
S220、根据所述快递员的快递柜行为数据,确定在由当前系统时间确定的至少两个时间区间内,所述快递员的快递柜累计派件数量。
可选的,在当前系统时间下,若所述快递员累计派件天数超过了两百天,则将距离当前系统时间最接近的,每一百天作为一个时间区间,不足一百天的不计入时间区间内;例如,该快递员累计派件天数为261天,那么将该快递员派件的第162天至第261天作为一个时间区间,将该快递员派件的第62天至第161天作为另一个时间区间。若所述快递员累计派件天数未超过两百天,则将该快递员已派件天数平分为两个时间区间;例如,该快递员累计派件天数为161天,那么将该快递员派件的第82天至第161天作为一个时间区间,将该快递员派件的第2天至第81天作为另一个时间区间。
S230、根据所述至少两个时间区间内,所述快递员的快递柜累计派件数量,确定所述快递员的快递柜派件趋势描述信息。
根据对已流失快递员的累计派件数量进行的统计,发现快递员流失大概率不会发生在一瞬间,而是会反映在单位时间内派件量的衰减上。所以当一个快递员单位时间内的派件量显示出骤降的趋势的时候,很大概率这个快递员即将流失。特别的,由于每个快递员的派件数量不同,因此,对所述快递员的快递柜累计派件数量进行归一化处理,消除了数量不同带来的影响,确定所述快递员的快递柜派件趋势描述信息。归一化处理,即把需要处理的数据经过处理后限制在一定范围内,例如,都转化为(0,1)之间的小数,将绝对值变成相对值,便于数据处理。
S240、将所述快递柜累计派件天数以及所述快递柜派件趋势描述信息作为与所述目标用户对应的流失行为关联描述数据。
可选的,还可以获取与所述快递员对应的用户画像,并将所述用户画像加入至所述流失行为关联描述数据中。在本发明实施例中,用户画像包括了快递员的性别、年龄、派件区域和使用过的快递柜的地址等基本信息,用户画像可以通过快递员进行快递柜用户注册时的注册信息和使用过的快递柜获取。
S250、根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
在本发明实施例中,通过快递员的快递柜派件行为数据,获取到了快递员的快递柜累计派件天数以及快递柜派件趋势描述信息,并结合用户画像以及已流失快递员的流失行为关联描述数据,实现了对具有流失风险的快递员进行监测和预警,有利于运营人员对潜在风险及时作出应对措施,避免了快递员流失造成的运营损失,确保了快递柜使用群体的稳定性。
实施例三
图3为本发明实施例三提供的一种快递柜用户的流失预测方法的流程图,本实施例以上述实施例为基础进行具体化,在本实施例中,目标用户包括住户,快递柜行为数据包括快递柜发件行为数据;流失行为关联描述数据包括使用快递柜累计发件天数和快递柜发件趋势描述信息,本发明实施例的方法具体包括如下步骤:
S310、根据所述住户的快递柜发件行为数据,获取所述住户的快递柜累计发件天数。
对于住户来说,支付行为是在进行收件行为的同时进行的,而且并不是每次收件都会有支付行为;收件行为,是在住户将快递放置于快递柜后,住户被动的取件行为,不是其主动行为;而发件行为是住户的主动行为,因此,在本发明实施例中,快递柜行为数据为快递柜发件行为数据。快递柜累计发件天数是该住户第一次使用快递柜发件到最后一次使用快递柜发件的间隔天数。
S320、根据所述住户的快递柜发件行为数据,确定在由当前系统时间确定的至少两个时间区间内,所述住户的快递柜累计发件数量。
可选的,在本发明实施例中,在当前系统时间下,若所述住户累计发件天数超过了两百天,则将距离当前系统时间最接近的,每一百天作为一个时间区间,不足一百天的不计入时间区间内;若所述住户累计发件天数未超过两百天,则将该住户已发件天数平分为两个时间区间。
S330、根据所述至少两个时间区间内,所述住户的快递柜累计发件数量,确定所述住户的快递柜发件趋势描述信息。
根据对已流失住户的累计发件数量进行的统计,发现住户流失大概率不会发生在一瞬间,而是会反映在单位时间内发件量的衰减上。所以当一个住户,特别是发件量大的住户,单位时间内的发件量显示出骤降趋势的时候,很大概率这个住户即将流失。特别的,由于每个住户的发件数量不同,因此,对所述住户的快递柜累计发件数量进行归一化处理,消除了数量不同带来的影响,确定所述住户的快递柜发件趋势描述信息。
S340、将所述快递柜累计发件天数以及所述快递柜发件趋势描述信息作为与所述目标用户对应的流失行为关联描述数据。
可选的,还可以获取与所述住户对应的用户画像,并将所述用户画像加入至所述流失行为关联描述数据中。在发明实施例中,用户画像包括了住户的性别、年龄和使用过的快递柜的地址等基本信息,用户画像可以通过住户进行快递柜用户注册时的注册信息、与快递柜对应的手机APP软件和使用过的快递柜获取。
S350、根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
特别的,由于大多数住户发件需求较小,发件行为具有很大的随机性,例如,购买的货物需要更换时,才会产生发件行为,因此,在本发明实施例中,可选的,设定累计发件参数,只对累计发件总数超过该累计发件参数的住户,即对有稳定的发件需求的住户进行流失预测。
在本发明实施例中,通过住户的快递柜发件行为数据,获取到了住户的累计发件数量和发件趋势描述信息,并结合用户画像以及已流失住户的流失行为关联描述数据,实现了对具有流失风险的住户进行监测和预警,有利于运营人员对潜在风险及时作出应对措施,避免了住户流失造成的运营损失,确保了快递柜使用群体的稳定性。
实施例四
图4是本发明实施例四所提供的一种快递柜用户的流失预测装置,具体包括:流失行为关联描述数据获取模块410和流失风险预测模块420。
流失行为关联描述数据获取模块410,用于根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;
流失风险预测模块420,用于根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
在本发明实施例中,通过目标用户的快递柜行为数据,获取到了目标用户的流失行为关联描述数据,并结合已流失用户的流失行为关联描述数据,实现了对具有流失风险的用户进行监测和预警,有利于运营人员对潜在风险及时作出应对措施,避免了快递柜用户流失造成的运营损失,确保了快递柜使用群体的稳定性。
可选的,在上述各实施例的基础上,目标用户包括:快递员;快递柜行为数据包括:快递柜派件行为数据。
可选的,在上述各实施例的基础上,流失行为关联描述数据获取模块410,具体可以包括:
累计派件天数获取单元,用于根据所述快递员的快递柜派件行为数据,获取所述快递员的快递柜累计派件天数;
累计派件数量获取单元,用于根据所述快递员的快递柜派件行为数据,确定在由当前系统时间确定的至少两个时间区间内,所述快递员的快递柜累计派件数量;
派件趋势描述信息获取单元,用于根据所述至少两个时间区间内,所述快递员的快递柜累计派件数量,确定所述快递员的快递柜派件趋势描述信息;
第一流失行为关联描述数据获取单元,用于将所述快递柜累计派件天数以及所述快递柜派件趋势描述信息作为与所述目标用户对应的流失行为关联描述数据。
可选的,在上述各实施例的基础上,目标用户还包括:住户;快递柜行为数据还包括:快递柜发件行为数据;
可选的,在上述各实施例的基础上,流失行为关联描述数据获取模块410,具体还可以包括:
累计发件天数获取单元,用于根据所述住户的快递柜发件行为数据,获取所述住户的快递柜累计发件天数;
累计发件数量获取单元,用于根据所述住户的快递柜发件行为数据,确定在由当前系统时间确定的至少两个时间区间内,所述住户的快递柜累计发件数量;
发件趋势描述信息获取单元,用于根据所述至少两个时间区间内,所述住户的快递柜累计发件数量,确定所述住户的快递柜发件趋势描述信息;
第二流失行为关联描述数据获取单元,将所述快递柜累计发件天数以及所述快递柜发件趋势描述信息作为与所述目标用户对应的流失行为关联描述数据。
可选的,在上述各实施例的基础上,流失风险预测模块420,具体可以包括:
流失预测模型获取单元,用于根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据构造训练样本,对设定机器学习模型进行训练,得到流失预测模型;其中,所述流失预测模型的输入为流失行为关联描述数据,输出为流失风险预测结果;
第一流失风险获取单元,用于将与所述目标用户对应的流失行为关联描述数据输入至所述流失预测模型中,得到所述目标用户的流失风险。
可选的,在上述各实施例的基础上,流失风险预测模块420,具体还可以包括:
标准流失衡量参数获取单元,用于根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,统计与每一项流失行为关联描述数据分别对应的至少一个标准流失衡量参数;
第二流失风险获取单元,用于根据所述与所述目标用户对应的流失行为关联描述数据,与所述标准流失衡量参数之间的数据关系,对所述目标用户的流失风险进行预测。
可选的,在上述各实施例的基础上,快递柜用户的流失预测装置,具体还可以包括:
用户画像获取模块,用于获取与所述目标用户对应的用户画像,并将所述用户画像加入至所述流失行为关联描述数据中。
可选的,在上述各实施例的基础上,快递柜用户的流失预测装置,具体还可以包括:
预警推送模块,用于如果确定所述流失风险满足预设的流失条件,则推送流失风险预警以及处理措施。
上述装置可执行本发明任意实施例所提供的快递柜用户的流失预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的方法。
实施例五
图5为本发明实施例五提供的一种快递柜用户的流失预测设备的结构示意图,如图5所示,该设备包括处理器50、存储器51、输入装置52和输出装置53;设备中处理器50的数量可以是一个或多个,图5中以一个处理器50为例;设备处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例四中的快递柜用户的流失预测装置对应的模块(流失行为关联描述数据获取模块410和流失风险预测模块420)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的快递柜用户的流失预测方法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行快递柜用户的流失预测方法,该方法包括:
根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;
根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的快递柜用户的流失预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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所述的快递柜用户的流失预测方法。
值得注意的是,上述快递柜用户的流失预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种快递柜用户的流失预测方法,其特征在于,包括:
根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;
根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
2.根据权利要求1所述的方法,其特征在于,所述目标用户包括:快递员;
所述快递柜行为数据包括:快递柜派件行为数据;
根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据,包括:
根据所述快递员的快递柜派件行为数据,获取所述快递员的快递柜累计派件天数;
根据所述快递员的快递柜派件行为数据,确定在由当前系统时间确定的至少两个时间区间内,所述快递员的快递柜累计派件数量;
根据所述至少两个时间区间内,所述快递员的快递柜累计派件数量,确定所述快递员的快递柜派件趋势描述信息;
将所述快递柜累计派件天数以及所述快递柜派件趋势描述信息作为与所述目标用户对应的流失行为关联描述数据。
3.根据权利要求1所述的方法,其特征在于,所述目标用户包括:住户;
所述快递柜行为数据包括:快递柜发件行为数据;
根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据,包括:
根据所述住户的快递柜发件行为数据,获取所述住户的快递柜累计发件天数;
根据所述住户的快递柜发件行为数据,确定在由当前系统时间确定的至少两个时间区间内,所述住户的快递柜累计发件数量;
根据所述至少两个时间区间内,所述住户的快递柜累计发件数量,确定所述住户的快递柜发件趋势描述信息;
将所述快递柜累计发件天数以及所述快递柜发件趋势描述信息作为与所述目标用户对应的流失行为关联描述数据。
4.根据权利要求1-3中任一所述的方法,其特征在于,根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测,包括:
根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据构造训练样本,对设定机器学习模型进行训练,得到流失预测模型;
其中,所述流失预测模型的输入为流失行为关联描述数据,输出为流失风险预测结果;
将与所述目标用户对应的流失行为关联描述数据输入至所述流失预测模型中,得到所述目标用户的流失风险。
5.根据权利要求1-3中任一所述的方法,其特征在于,根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测,包括:
根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,统计与每一项流失行为关联描述数据分别对应的至少一个标准流失衡量参数;
根据所述与所述目标用户对应的流失行为关联描述数据,与所述标准流失衡量参数之间的数据关系,对所述目标用户的流失风险进行预测。
6.根据权利要求2或3所述的方法,其特征在于,在根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据之后,还包括:
获取与所述目标用户对应的用户画像,并将所述用户画像加入至所述流失行为关联描述数据中。
7.根据权利要求1所述的方法,其特征在于,在根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测之后,还包括:
如果确定所述流失风险满足预设的流失条件,则推送流失风险预警以及处理措施。
8.一种快递柜用户的流失预测装置,其特征在于,包括:
流失行为关联描述数据获取模块,用于根据待预测的目标用户的快递柜行为数据,确定与所述目标用户对应的至少一项流失行为关联描述数据;
流失风险预测模块,用于根据与所述目标用户匹配的快递柜已流失用户的流失行为关联描述数据,以及与所述目标用户对应的流失行为关联描述数据,对所述目标用户的流失风险进行预测。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的快递柜用户的流失预测方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的快递柜用户的流失预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910172281.1A CN109829592B (zh) | 2019-03-07 | 2019-03-07 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910172281.1A CN109829592B (zh) | 2019-03-07 | 2019-03-07 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829592A true CN109829592A (zh) | 2019-05-31 |
CN109829592B CN109829592B (zh) | 2023-03-21 |
Family
ID=66865639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910172281.1A Active CN109829592B (zh) | 2019-03-07 | 2019-03-07 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829592B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401960A (zh) * | 2020-03-19 | 2020-07-10 | 深圳市丰巢科技有限公司 | 智能柜的规格推荐方法、装置、服务器及存储介质 |
CN112990522A (zh) * | 2019-12-12 | 2021-06-18 | 顺丰科技有限公司 | 物品件量预测方法、装置、设备及存储介质 |
CN113112052A (zh) * | 2021-03-12 | 2021-07-13 | 广东来个碗网络科技有限公司 | 餐具用户流失的预警方法及装置 |
CN117893256A (zh) * | 2024-03-14 | 2024-04-16 | 浙江卡赢信息科技有限公司 | 一种基于大数据的app用户智能管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090276289A1 (en) * | 2000-12-20 | 2009-11-05 | Jonathan Dickinson | System and Method for Predicting Likelihood of Customer Attrition and Retention Measures |
CN107507042A (zh) * | 2017-09-15 | 2017-12-22 | 携程计算机技术(上海)有限公司 | 基于用户画像的营销方法及系统 |
US20180018684A1 (en) * | 2016-07-13 | 2018-01-18 | Urban Airship, Inc. | Churn prediction with machine learning |
CN107844584A (zh) * | 2017-11-14 | 2018-03-27 | 北京小度信息科技有限公司 | 用户挖掘方法、装置、电子设备及计算机可读存储介质 |
CN108921342A (zh) * | 2018-06-26 | 2018-11-30 | 圆通速递有限公司 | 一种物流客户流失预测方法、介质和系统 |
-
2019
- 2019-03-07 CN CN201910172281.1A patent/CN109829592B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090276289A1 (en) * | 2000-12-20 | 2009-11-05 | Jonathan Dickinson | System and Method for Predicting Likelihood of Customer Attrition and Retention Measures |
US20180018684A1 (en) * | 2016-07-13 | 2018-01-18 | Urban Airship, Inc. | Churn prediction with machine learning |
CN107507042A (zh) * | 2017-09-15 | 2017-12-22 | 携程计算机技术(上海)有限公司 | 基于用户画像的营销方法及系统 |
CN107844584A (zh) * | 2017-11-14 | 2018-03-27 | 北京小度信息科技有限公司 | 用户挖掘方法、装置、电子设备及计算机可读存储介质 |
CN108921342A (zh) * | 2018-06-26 | 2018-11-30 | 圆通速递有限公司 | 一种物流客户流失预测方法、介质和系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990522A (zh) * | 2019-12-12 | 2021-06-18 | 顺丰科技有限公司 | 物品件量预测方法、装置、设备及存储介质 |
CN111401960A (zh) * | 2020-03-19 | 2020-07-10 | 深圳市丰巢科技有限公司 | 智能柜的规格推荐方法、装置、服务器及存储介质 |
CN111401960B (zh) * | 2020-03-19 | 2023-08-04 | 深圳市丰巢科技有限公司 | 智能柜的规格推荐方法、装置、服务器及存储介质 |
CN113112052A (zh) * | 2021-03-12 | 2021-07-13 | 广东来个碗网络科技有限公司 | 餐具用户流失的预警方法及装置 |
CN117893256A (zh) * | 2024-03-14 | 2024-04-16 | 浙江卡赢信息科技有限公司 | 一种基于大数据的app用户智能管理系统 |
CN117893256B (zh) * | 2024-03-14 | 2024-05-31 | 浙江卡赢信息科技有限公司 | 一种基于大数据的app用户智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109829592B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829592A (zh) | 一种快递柜用户的流失预测方法、装置、设备和存储介质 | |
US20190362263A1 (en) | Machine learning and prediction using graph communities | |
US12026652B2 (en) | Generation of engagement and support recommendations for content creators | |
Schuessler | Ecological inference | |
US11568967B2 (en) | Data based truth maintenance | |
CN110992097B (zh) | 营收产品价格的处理方法、装置、计算机设备及存储介质 | |
CN107909234A (zh) | 工作流数据的时限提醒方法、处理方法及其装置、设备 | |
CN107704876B (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
Blecic et al. | How much past to see the future: a computational study in calibrating urban cellular automata | |
CN112598472B (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN105074739A (zh) | 配电系统 | |
US20230342797A1 (en) | Object processing method based on time and value factors | |
CN109087124A (zh) | 一种应用程序价值预测方法及装置 | |
CN114663167A (zh) | 基于拍品信息的估价方法、装置、电子设备及存储介质 | |
CN108416619A (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
CN107480703B (zh) | 交易故障检测方法及装置 | |
US20220148081A1 (en) | Information processing apparatus, information processing method, and program | |
CN110717653A (zh) | 风险识别方法及装置和电子设备 | |
CN116228316A (zh) | 投放选址的确定方法、装置、电子设备及可读存储介质 | |
CN115049383A (zh) | 组合支付推荐方法、装置、电子设备及存储介质 | |
Damle et al. | Analyzing Crowdfunding of Public Projects Under Dynamic Beliefs | |
Aider et al. | A hybrid population-based algorithm for solving the fuzzy capacitated maximal covering location problem | |
CN112116169B (zh) | 一种用户行为的确定方法、装置及电子设备 | |
CN116186417B (zh) | 推荐方法、装置、计算机设备和存储介质 | |
CN117172735A (zh) | 资源信息的预测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |