CN110111156A - 一种客户流失预警方法、系统、介质和电子设备 - Google Patents

Abstract

本发明提供一种客户流失预警方法、系统、介质及电子设备。所述方法包括：获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；清洗所述历史信息数据中的异常数据；分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；采用所述情感数据评价所述客户流失预警模型效果；通过所述客户流失预警模型预测出即将流失客户；采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

Description

一种客户流失预警方法、系统、介质和电子设备

技术领域

本发明涉及数据分析预警技术领域，具体而言，涉及一种客户流失预警方法、系统、介质和电子设备。

背景技术

根据对客户价值的调查研究(Rosenberg和&Czepiel，1983)表明，开发一个新客户的成本是维持一个老客户成本的6倍，显然，老客户的留存对平台的发展至关重要，可见，建立用户流失预警机制类来防止客户流失显得极为需要。目前，在用户流失预警方面，主要通过Flume和Stream Sets数据系统采集数据，但是在流失的定义方面，由于不同的客户属性(B端客户和C端客户)其流失周期不同，目前没有一个统一标准；在预警模型方面，现有算法主要有逻辑回归、决策树、随机森林等算法，但是算法的不同其预警的精度也会有所差异。

因此，在长期的研发当中，发明人对客户流失预警进行了大量的研究，提出了一种客户流失预警方法，以解决上述技术问题之一。

发明内容

本发明的目的在于提供一种客户流失预警方法、系统、介质和电子设备，能够解决上述提到的至少一个技术问题。具体方案如下：

一种客户流失预警方法，该方法应用于客户流失预警系统，所述客户流失预警系统包括数据获取模块、数据清洗模块、数据建模模块、模型评价模块、客户预测模块、策略制定模块，该方法包括：

步骤1，数据获取模块获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；

步骤2，数据清洗模块清洗所述历史信息数据中的异常数据；

分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；

步骤3，模型评价模块采用所述情感数据评价所述客户流失预警模型效果；

步骤4，客户预测模块通过所述客户流失预警模型预测出即将流失客户；

步骤5，策略制定模块采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

进一步的，所述基本属性数据包括客户ID、客户类型、客户注册时间。

进一步的，所述行为属性数据包括客户是否浏览过店铺、在平台网站的停留时间及是否有过咨询行为。

进一步的，所述业务属性数据包括提交订单时间、提交订单数额、订单来源渠道、成交订单时间、成交订单数额、是否撤销、订单所属类目、业务模式、近一年提交订单次数及成交订单次数。

进一步的，所述情感数据包括客户撤销原因及评价数据。

进一步的，所述异常数据包括：历史信息数据中的空数据、重复数据、不符合逻辑数据。

进一步的，所述客户流失预警模型为一随机森林训练模型。

一种客户流失预警系统，该系统用于实现所述的预警方法，该系统包括：

数据获取模块，用于获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；

数据清洗模块，用于清洗所述历史信息数据中的异常数据；

数据建模模块，用于分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；

模型评价模块，用于采用所述情感数据评价所述客户流失预警模型效果；

客户预测模块，用于通过所述客户流失预警模型预测出即将流失客户；

策略制定模块，用于采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的预警方法。

一种电子设备，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时，使得所述一个或多个处理器实现所述的预警方法。

本发明实施例的上述方案与现有技术相比，本发明实施例根据中小微企业的基本属性、行为、交易、情感等数据，构建出雇主客户流失预警模型，通过挖掘客户历史消费行为识别流失客户特征，对用户未来是否有消费做出提前预警；此外，针对不同的价值细分客户的特征制定对应的挽回策略，从而提高留存率。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了根据本发明实施例的一种客户流失预警方法的流程图；

图2示出了根据本发明实施例的一种客户流失预警系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，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商品或者装置不仅包括那些要素，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商品或者装置所固有的要素。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商品或者装置中还存在另外的相同要素。

实施例1

请参阅图1，本发明实施例提供一种客户流失预警方法，该方法应用于客户流失预警系统，所述客户流失预警系统包括数据获取模块、数据清洗模块、数据建模模块、模型评价模块、客户预测模块、策略制定模块，该方法包括如下步骤：

步骤1，数据获取模块获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；

具体的，从数据层采集客户的历史信息数据，主要采集客户基本属性、行为属性、业务属性、情感数据等。所述基本属性数据包括客户ID、客户类型、客户注册时间。所述行为属性数据包括客户是否浏览过店铺、在平台网站的停留时间及是否有过咨询行为。所述业务属性数据包括提交订单时间、提交订单数额、订单来源渠道、成交订单时间、成交订单数额、是否撤销、订单所属类目、业务模式、近一年提交订单次数及成交订单次数。所述情感数据包括客户撤销原因及评价数据。本实施例中，所述客户为雇主。

步骤2，数据清洗模块清洗所述历史信息数据中的异常数据；

具体的，对所述历史信息数据中的异常数据进行删除；所述异常数据包括各个属性特征中的空数据、重复数据及不符合逻辑数据。

进一步可包括，对所述清洗后的数据进行0-1标准化计算处理。也就是说，将分类变量进行0-1标准化计算处理。

分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；

步骤3，模型评价模块采用所述情感数据评价所述客户流失预警模型效果；

具体的，利用客户的历史基本属性数据、行为数据、交易数据构建随机森林训练模型。该随机森林训练模型的构建方法采用现有技术，在此只做简单陈述。所述随机森林算法(Random Forest，RF)最早由Leo Breiman和Adele Cutle共同提出的。该算法主要使用Bagging算法来建立差异性较强的样本数据训练集，对于每个集合都采用CART分类回归树进行训练从而生成多个若分类器，并且在构造每一颗子树的过程中，通过随机的方式对其内部所有节点属性进行分裂。正是由于这样的算法特性，从而使得随机森林训练模型具备很强的抗噪声能力。

所述构建随机森林训练模型的方法包括：首先利用bootstrap方法有放回的从原始训练集中随机抽取n个样本，并构建n个决策树；然后假设在每个样本数据中有m个特征，那么每次分裂时选择最好的特征进行分裂，每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类；接着让每颗决策树在不做任何修剪的前提下最大限度的生长；最后将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行分类。

步骤4，客户预测模块通过所述客户流失预警模型预测出即将流失客户；

具体的，利用训练好的模型对测试数据集进行验证，验证模型的准确性。本实施例中，采用不同客户所述情感数据中的评价数据，对所述客户流失预警模型进行测试，评价模型效果。

步骤5，策略制定模块采用RFM模型对即将流失客户进行分类，制定客户挽留策略；

具体的，将客户的未分类数据通过所述客户流失预警模型中的随机森林分类器进行分类，判断出是否为即将流失客户。

步骤6，采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

具体的，采用RFM模型对所述客户流失预警模型预测的即将流失客户进行分类，并根据所述分类结果有针对性的制定客户流失挽回策略。可以理解为，针对不同的价值细分客户的特征，根据客户对应的特征制定对应的挽回策略。

所述RFM模型分析是根据企业用户活跃程度和交易数额贡献，进行用户价值细分的一种方法。该方法通过最近一次消费R(Recency)，消费频率F(Frequency)，消费数额M(Monetary)三个维度，将用户划分为重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户及一般挽留客户这8种类型。

所述RFM模型的具体分析过程包括：首先，计算RFM各项分值，其中，消费日期距离当前日期越近，得分越高；交易频率越高，得分越高；交易数额越高，得分越高；然后归总RFM分值；最后根据RFM分值对企业用户分类。

本发明实施例提供的客户流失预警方法根据中小微企业的基本属性、行为、交易、情感等数据，构建出客户流失预警模型，通过挖掘客户历史消费行为识别流失客户特征，对用户未来是否有消费做出提前预警；此外，针对不同的价值细分客户的特征制定对应的挽回策略，从而提高留存率。

实施例2

请参阅图2，本发明实施例提供一种客户流失预警系统200，该系统200包括：数据获取模块210，数据清洗模块220，数据建模模块230，模型评价模块240，客户预测模块240及策略制定模块260。

所述数据获取模块210，用于获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据。其中，所述基本属性数据包括客户ID、客户类型、客户注册时间。所述行为属性数据包括客户是否浏览过店铺、在平台网站的停留时间及是否有过咨询行为。所述业务属性数据包括提交订单时间、提交订单数额、订单来源渠道、成交订单时间、成交订单数额、是否撤销、订单所属类目、业务模式、近一年提交订单次数及成交订单次数。所述情感数据包括客户撤销原因及评价数据。本实施例中，所述客户为雇主。

所述数据清洗模块220，用于清洗所述历史信息数据中的异常数据。具体的，所述数据清洗模块220对所述历史信息数据中的异常数据进行删除；所述异常数据包括各个属性特征中的空数据、重复数据及不符合逻辑数据。

进一步，所述系统200可包括数据处理模块270，用于对所述清洗后的数据进行0-1标准化计算处理。也就是说，将分类变量进行0-1标准化计算处理。

所述数据建模模块230，用于分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型。具体的，所述数据建模模块230利用客户的历史基本属性数据、行为数据、交易数据构建随机森林训练模型。该随机森林训练模型的构建方法采用现有技术，在此只做简单陈述。所述随机森林算法(Random Forest，RF)最早由Leo Breiman和Adele Cutle共同提出的。该算法主要使用Bagging算法来建立差异性较强的样本数据训练集，对于每个集合都采用CART分类回归树进行训练从而生成多个若分类器，并且在构造每一颗子树的过程中，通过随机的方式对其内部所有节点属性进行分裂。正是由于这样的算法特性，从而使得随机森林训练模型具备很强的抗噪声能力。

所述数据建模模块230的构建方法包括：首先利用bootstrap方法有放回的从原始训练集中随机抽取n个样本，并构建n个决策树；然后假设在每个样本数据中有m个特征，那么每次分裂时选择最好的特征进行分裂，每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类；接着让每颗决策树在不做任何修剪的前提下最大限度的生长；最后将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行分类。

所述模型评价模块240，用于采用所述情感数据评价所述客户流失预警模型效果。具体的，所述模型评价模块240利用训练好的模型对测试数据集进行验证，从而验证模型的准确性。本实施例中，所述模型评价模块240采用不同客户所述情感数据中的评价数据，对所述客户流失预警模型进行测试，评价模型效果。

所述客户预测模块250，用于通过所述客户流失预警模型预测出即将流失客户。具体的，所述客户预测模块250将客户的未分类数据通过所述客户流失预警模型中的随机森林分类器进行分类，直接判断出是否为即将流失客户。

所述策略制定模块260，用于采用RFM模型对即将流失客户进行分类，制定客户挽留策略。具体的，所述策略制定模块260采用RFM模型对所述客户流失预警模型预测的即将流失客户进行分类，并根据所述分类结果有针对性的制定客户流失挽回策略。可以理解为，针对不同的价值细分客户的特征，根据客户对应的特征制定对应的挽回策略。

所述RFM模型分析是根据企业用户活跃程度和交易数额贡献，进行用户价值细分的一种方法。该方法通过最近一次消费R(Recency)，消费频率F(Frequency)，消费数额M(Monetary)三个维度，将用户划分为重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户及一般挽留客户这8种类型。

所述RFM模型的具体分析过程包括：首先，计算RFM各项分值，其中，消费日期距离当前日期越近，得分越高；交易频率越高，得分越高；交易数额越高，得分越高；然后归总RFM分值；最后根据RFM分值对企业用户分类。

本发明实施例提供的客户流失预警系统根据中小微企业的基本属性、行为、交易、情感等数据，构建出客户流失预警模型，通过挖掘客户历史消费行为识别流失客户特征，对用户未来是否有消费做出提前预警；此外，针对不同的价值细分客户的特征制定对应的挽回策略，从而提高留存率。

实施例3

本实施例提供一种电子设备，该设备用于财税平台的智能匹配方法，所述电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；

清洗所述历史信息数据中的异常数据；

分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；

采用所述情感数据评价所述客户流失预警模型效果；

通过所述客户流失预警模型预测出即将流失客户；

采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

实施例4

本公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的发票真伪查验方法。

实施例5

本公开实施例提供了一种电子设备，本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。

电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。

通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

Claims (10)

1.一种客户流失预警方法，该方法应用于客户流失预警系统，所述客户流失预警系统包括数据获取模块、数据清洗模块、数据建模模块、模型评价模块、客户预测模块、策略制定模块，其特征在于，该方法包括：

步骤1，数据获取模块获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；

步骤2，数据清洗模块清洗所述历史信息数据中的异常数据；

分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；

步骤3，模型评价模块采用所述情感数据评价所述客户流失预警模型效果；

步骤4，客户预测模块通过所述客户流失预警模型预测出即将流失客户；

步骤5，策略制定模块采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

2.根据权利要求1所述的预警方法，其特征在于，所述基本属性数据包括客户ID、客户类型、客户注册时间。

3.根据权利要求1所述的预警方法，其特征在于，所述行为属性数据包括客户是否浏览过店铺、在平台网站的停留时间及是否有过咨询行为。

4.根据权利要求1所述的预警方法，其特征在于，所述业务属性数据包括提交订单时间、提交订单数额、订单来源渠道、成交订单时间、成交订单数额、是否撤销、订单所属类目、业务模式、近一年提交订单次数及成交订单次数。

5.根据权利要求1所述的预警方法，其特征在于，所述情感数据包括客户撤销原因及评价数据。

6.根据权利要求1所述的预警方法，其特征在于，所述异常数据包括：历史信息数据中的空数据、重复数据、不符合逻辑数据。

7.根据权利要求1所述的预警方法，其特征在于，所述客户流失预警模型为一随机森林训练模型。

8.一种客户流失预警系统，该系统用于实现如权利要求1至7之一所述的预警方法，其特征在于，该系统包括：

数据获取模块，用于获取客户的历史信息数据，该历史信息数据包括基本属性数据、行为属性数据、业务属性数据及情感数据；

数据清洗模块，用于清洗所述历史信息数据中的异常数据；

数据建模模块，用于分析不同客户的基本属性数据、行为属性数据及业务属性数据，构建客户流失预警模型；

模型评价模块，用于采用所述情感数据评价所述客户流失预警模型效果；

客户预测模块，用于通过所述客户流失预警模型预测出即将流失客户；

策略制定模块，用于采用RFM模型对即将流失客户进行分类，制定客户挽留策略。

9.一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，所述程序被处理器执行时实现如权利要求1至7中任一项所述的预警方法。

10.一种电子设备，其特征在于，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时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的预警方法。