CN110991875B

CN110991875B - 一种平台用户质量评估系统

Info

Publication number: CN110991875B
Application number: CN201911207464.9A
Authority: CN
Inventors: 于天宇
Original assignee: Guangzhou Baiguoyuan Information Technology Co Ltd
Current assignee: Guangzhou Baiguoyuan Information Technology Co Ltd
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2023-09-26
Anticipated expiration: 2039-11-29
Also published as: CN110991875A

Abstract

本发明公开了一种平台用户质量评估系统，该系统包括：用户生命价值预测模块，用于根据目标新增用户在平台内的行为数据，预测目标新增用户的用户生命价值折现值，并将用户生命价值折现值反馈至用户质量评估模块，行为数据中包括充值付费行为数据以及包含注册国家及渠道的基本行为数据；用户质量评估模块，用于根据接收的用户生命价值折现值，确定目标新增用户的质量评估结果。利用该系统，对新增用户进行质量评估时，与现有评估方式相比，除考虑新增用户的基础行为信息，还结合了新增用户的注册国家及渠道以及充值付费行为来进行用户生命价值与质量的评估，由此在保证低计算资源占用率的同时提高评估结果的准确性，提升了用户质量评估的实用性。

Description

一种平台用户质量评估系统

技术领域

本发明涉及数据分析技术领域，尤其涉及一种平台用户质量评估系统。

背景技术

随着互联网技术的高速发展，社交类平台用户维护以及用户价值评估逐渐成为社交平台较为重要的部分，各家互联网公司在社交类平台用户增长和留存方面投入更多的人力和财力，一般的，用户新增作为用户增长的关键内容，承担维系用户规模的基石作用，而目标新增用户尤其是渠道买量带来用户价值衡量和预测一直是各个公司重点关注的问题。

目前大多公司对渠道用户的评价多数停留在用户注册率和留存等数据统计方面，没有全面系统的分解用户质量和后续付费，给用户增长效果评估方面的工作带来了一些待解决问题。同时，由于社交产品的用户已经分散在全球的不同国家，不同国家渠道来源用户个体行为和付费行为都有较大差异，已有技术中多基于用户基础行为信息，包括用户背景属性、用户消费属性、用户位置属性构造用户行为特征，利用用户行为特征结合决策树或信息增益等技术方法对用户价值进行判定。

然而，由于各国家国民经济实力以及用户来源渠道质量差距十分显著，不同国家渠道对不同群体用户生命周期的价值预测以及折现计算对于社交平台的用户引流和成本控制具有十分重要的意义，若只考虑用户基础行为信息进行生命价值估测，则评估结果与实际应用产生的结果偏差较大，影响了用户质量评估的实用性。

发明内容

本发明实施例提供了一种平台用户质量评估系统，有效提升了用户质量评估的准确率和实用性。

本发明实施例提供了一种平台用户质量评估系统，包括：用户生命价值预测模块和用户质量评估模块；

所述用户生命价值预测模块，用于根据目标新增用户在平台内的行为数据，预测所述目标新增用户的用户生命价值折现值，并将所述用户生命价值折现值反馈至所述用户质量评估模块，其中，所述行为数据中包括充值付费行为数据；

所述用户质量评估模块，用于根据接收的所述用户生命价值折现值，确定所述目标新增用户的质量评估结果。

本发明实施例提供的一种平台用户质量评估系统，首先通过用户生命价值预测模块根据目标新增用户在平台内的行为数据，预测所述目标新增用户的用户生命价值折现值，并将所述用户生命价值折现值反馈至所述用户质量评估模块，其中，所述行为数据中包括充值付费行为数据以及包含注册国家及渠道的基本行为数据；然后通过用户质量评估模块根据接收的所述用户生命价值折现值，确定所述目标新增用户的质量评估结果。上述技术方案，具体给出了包含用户生命价值预测模块和用户质量评估模块的平台用户质量评估系统，通过该平台用户质量评估系统，对新增用户进行质量评估时，与现有评估方式相比，除考虑新增用户的基础行为信息，还结合了新增用户的注册国家及渠道以及充值付费行为来进行用户生命价值与质量的评估，由此在保证低计算资源占用率的同时提高了评估结果的准确性，同时也提升了用户质量评估的实用性。

附图说明

图1给出了本发明实施例一提供的一种平台用户质量评估系统的结构框图；

图2给出了一个用户群下各生命周期的用户充值人数及充值美金的分布示例图；

图3给出了一个用户群下拟合用户群中各生命时期充值概率的分布示例图；

图4给出了一个用户群下拟合用户用户群中各生命时期人均充值美金数的曲线示例图；

图5给出了本发明实施例二提供的一种平台用户质量评估系统的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确，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作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。

需要说明的是，本发明实施例所提供平台用户质量评估系统的应用场景可以为：对于全球性的社交产品，如网络直播等应用软件，不同国家的用户获得该类产品的渠道存在不同，用户从相应渠道中获得所关注产品软件并下载安装注册后，对于产品端而言，该用户在一定时期内相当于新增用户，该新增用户通过产品软件会进行一些行为如充值付费等，对该新增用户所带来的用户价值的评估对产品在各个国家渠道的投放具有重要的实际意义，通过本发明实施例提供的平台用户质量评估系统，能够实现对新增用户所对应用户质量的有效评估。

实施例一

图1给出了本发明实施例一提供的一种平台用户质量评估系统的结构框图，如图1所示，该系统包括：用户生命价值预测模块11和用户质量评估模块12。

其中，用户生命价值预测模块11，用于根据目标新增用户在平台内的行为数据，预测所述目标新增用户的用户生命价值折现值，并将所述用户生命价值折现值反馈至所述用户质量评估模块，其中，所述行为数据中包括充值付费行为数据以及包含注册国家及渠道的基本行为数据；

用户质量评估模块12，用于根据接收的所述用户生命价值折现值，确定所述目标新增用户的质量评估结果。

在本实施例中，所述目标新增用户具体可理解为下载安装产品客户端并在产品客户端对应的平台上注册且注册日距离当前小于设定天数的用户，目标新增用户可以通过产品客户端进行各种行为操作(如产品相关功能模块的操作以及充值付费操作等)，对应各种行为操作的相关数据可以存储记录在平台上，本实施例可以获取到目标新增用户注册后各种行为操作在平台上对应种行为数据，所述行为数据中包括了用户的基本行为数据，基本行为数据中包含了如账号、性别、年龄等基本信息，还至少包括了用户的注册国家及渠道等信息。同时，行为数据中还至少包括了充值付费行为数据。

在本实施例中，用户生命价值预测模块11可以根据目标新增用户的行为数据预测用户生命价值折现值，同时可将预测出的用户生命价值折现值发送至用户质量评估模块12。具体的，用户生命价值折现值的预测过程可描述为：先通过行为数据中的注册国家及渠道，确定目标新增用户归属的用户群，然后可以获取到对应该用户群的付费价值预测模型，之后将目标新增用户的充值付费行为数据作为输入数据，可以获得通过该付费价值预测模型输出的用户生命价值折现值，可以知道的是，所述付费价值预测模型可以根据该用户群下的历史用户的历史行为数据训练获得。

需要说明的是，相对现有的预测模型，本实施例采用的付费价值预测模型因所涉及特征参数发生改变，其付费价值预测模型中的网络结构以及参数的选用都相应简化，由此在保证预测高精准度的前提下还实现了付费价值预测模型所构建规模的简化，以及网络模型计算过程的简化，进而降低了系统架设中运算处理以及内存等资源的占用，更有利于保证本实施例所提供系统的可移植性以及高可用性。

在本实施例中，用户质量评估模块12可以接收到用户生命价值预测模块11发送的目标新增用户的用户生命价值折现值，该用户质量评估模块12能够基于该用户生命价值折现值快速评估目标新增用户的质量评估结果，所述质量评估结果可以是目标新增用户的生命时长以及质量评估结果，还可以是目标新增用户所对应的国家渠道的渠道成本及收益周期，该质量评估结果可用于相关运营人员及时作出投放策略调整。

本实施例提供的一种平台用户质量评估系统，对新增用户进行质量评估时，与现有评估方式相比，除考虑新增用户的基础行为信息，还结合了新增用户的注册国家及渠道以及充值付费行为来进行用户生命价值与质量的评估，由此提高了评估结果的准确性，同时也提升了用户质量评估的实用性。

进一步地，本实施例中的用户生命价值预测模块11具体用于根据所述目标新增用户所对应基本行为数据中的注册国家及渠道，确定所述目标新增用户归属的目标用户群；根据所述的充值付费行为数据，结合所述目标用户群对应的目标付费价值预测模型，确定所述目标用户群的用户群人均生命价值折现预测值，其中，所述目标付费价值预测模型预先根据第一历史用户的第一历史行为数据确定；将所述用户群人均生命价值折现预测值确定为所述目标新增用户的用户生命价值折现值。

在本实施例中，考虑到不同国家的经济实力及用户来源渠道的质量差距，在对新增用户进行用户生命价值预测前，需要按该新增用户基本行为数据中的注册国家及渠道对该新增用户进行分类，从而先确定新增用户归属的目标用户群。其中，本实施例可预先设置至少一个具备不同国家及渠道标签的用户群，所述目标用户群具体可理解为新增用户对应的用户群。

在本实施例中，所述目标付费价值预测模型具体可指预先训练的与目标用户群对应的付费价值预测模型，所述付费价值预测模型具体可用于判定用户的充值付费行为数据与用户生命价值的计量关系，从而实现对用户生命价值的折现，且可以知道的是，付费价值预测模型可以经过第一历史用户的第一历史用户行为数据训练不断调整，经过第一历史用户行为数据的训练后，不同用户群对应的付费价值预测模型中所包含预测参数的参数信息已存在不同，由此，对应该目标用户群的目标付费价值预测模型与其他用户群对应的模型在参数上存在差异，从而使得每个模型输出的结果存在不同。

可以理解的是，本实施例所提供系统中，除对用户的基础行为信息进行分析外，还结合了用户的消费行为，并考虑将用户的消费行为通过目标付费价值预测模型的方式进行价值体现，由此通过标付费价值预测模型实现的用户付费价值的预测，在保证付费价值预测精准性的同时，还实现了降低计算及存储资源占用的效果，同样体现了本实施例所提供系统具备的结果准确且运算实时高效的特点。

本实施例可以将目标新增用户的充值付费行为数据作为输入，最终经过所对应的目标付费价值预测模型的预测计算获得该目标用户群的用户群人均生命价值折现预测值，且该用户群人均生命价值折现预测值可看做目标新增用户的用户生命价值折现值。

在上述优化的基础上，用户生命价值预测模块11还可用于根据平台内第一历史用户的第一历史行为数据，形成对应用户群，并确定各用户群对应目标付费价值预测模型。

在本实施例中，首先通过对平台上历史用户按照分类标签进行用户群划分，获得至少一个包含了历史用户及其相关历史行为数据的用户群，之后根据不同用户群中各历史用户对应的历史行为数据对确定构建相应付费价值预测模型所需的概率分布拟合函数以及人均充值美金函数，由此通过确定的函数来形成对应不同用户群的付费价值预测模型，为便于与后续相关内容的区分，本实施例将此处的历史用户及相应的历史行为数据分别记为第一历史用户及第一历史行为数据。

进一步地，上述根据平台内第一历史用户的第一历史行为数据，形成对应用户群，并训练确定各用户群对应目标付费价值预测模型具体可以包括：根据各所述第一历史用户的第一历史行为数据中注册国家及渠道，划分形成至少一个用户群；针对每个用户群，确定所述用户群中的关联第一历史用户；基于各所述关联第一历史用户的第一历史行为数据中充值付费行为数据，确定所述用户群的充值收益；根据所述充值收益结合推导的平台用户生命价值折现公式，确定所述用户群对应的目标充值概率分布函数及目标人均充值美金函数；基于所述目标充值概率分布函数及目标人均充值美金函数，构成所述用户群对应的目标付费价值预测模型。

在本实施例中，所述第一历史用户具体可理解为注册日距离当前大于设定天数的在线用户，所述第一历史用户的第一历史行为数据可认为是以设定时间间隔从产品客户端获取的数据。具体的，数据的获取过程可描述为：由产品客户端首先以设定时间间隔发送至产品服务器，产品服务器则可对获取的第一历史行为数据进行本地存储，并提供给安装有本实施例所提供平台用户质量评估系统的大数据分析平台，大数据分析平台最终可以按照一定的队列方式从产品服务器中获取。

需要说明的是，假设产品客户端为获得用户的地理位置授权时，或解析过程发生异常无法通过上述流程获得用户的注册国家时，可以依据渠道提供的用户安装地所在的国家信息进行国家判断，同时产品客户端中安装的第三方插件会将用户相关数据传输上报给产品服务器。

在本实施例中，第一历史用户的第一历史行为数据后，可以根据第一历史行为数据中的注册国家及渠道，按照设定的划分标签对第一历史用户进行分类，形成至少一个用户群。本实施例针对每一用户群，都可采用相同的方式构建所对应的目标付费价值预测模型。具体的，以任一用户群为例，可将该用户群中包含的历史用户记为关联第一历史用户，通过解析关联第一用户的充值行为数据，可以统计出包含这些关联第一历史用户的用户群在获得第一历史行为数据这天及其之前所产生的充值收益。

示例性的，图2给出了一个用户群下各生命周期的用户充值人数及充值美金的分布示例图。如图2所示，相当于一个用户群下所包含历史用户基于历史行为数据形成的一个联合分布，图中横坐标轴表示用户的生命周期(以天为单位)，纵坐标轴表示充值金额(以美金为单位)，图中各点表示不同生命时期下进行不同金额充值的用户，基于图2可以看出该用户群中所包含用户进行充值付费的充值规律，同时也可统计出用户群中各生命周期用户产生的充值收益。

在本实施例中，为建立充值付费与用户生命价值之间的计算关系，首先进行了平台用户生命价值折现公式的推导，该推导具体采用对影响用户生命价值的关键因素进行拆分的形式进行。获得推导后的平台用户生命价值折现公式与充值收益相结合，可以确定出用户群对应的目标充值概率分布函数及目标人均充值美金函数。

进一步地，本实施例中进行平台用户生命价值折现公式推导的关键因素可以包括：所选统计日的注册人数、所选统计日下用户对应生命时长的用户充值概率、用户人均充值天次以及用户对应生命时长的人均充值美金。

示例性的，平台用户生命价值折现公式的推导以及目标充值概率分布函数及目标人均充值美金函数的确定过程可描述为：

假设渠道用a表示、国家用b表示，则与国家渠道对应的用户群可用ab表示，同时，可采用i表示用户群中用户所处的生命时期(生命时期也相当于用户进行注册后的第i天)，N_ab代表用户群ab中在所选统计日的注册人数；P_ab(i)表示用户群ab中生命时长为i的充值用户群具有的充值概率；C_ab表示用户群ab中用户的人均充值天次；E_ab(i)表示用户群ab中生命时长为i的充值用户群的人均充值美金数；Z_ab表示用户群ab中在某一天注册的注册用户群的生命总价值；Z`_ab表示用户群ab中在某一天注册的注册用户群的生命总价值折现值；PZ_ab表示用户群ab中在某一天注册的注册用户群的人均生命总价值折现值。

基于上述描述，某一天注册的注册用户群的生命总价值Z_ab的计算公式可表示为：

某一天注册的注册用户群的生命总价值折现值Z`_ab的计算公式可表示为：

其中，r为给定的日折现率；

由此，某一天注册的注册用户群的人均生命总价值折现值PZ_ab的计算公式可表示为：

由于上述公式的计算为离散型，为便于计算，可将上述通过拟合概率分布转化为连续形式，具体的额，公式(1)拟合概率分布转化为连续形式可表示为：

公式(2)所对应的连续形式可表示为：

公式(3)所对应的连续形式可表示为：

通过上述公式(1)、(2)和(3)或者公式(4)、(5)和(6)可以看出，计算用户群ab中人均生命总价值折现值PZ_ab的关键因素在于所选统计日的注册人数N_ab、用户的人均充值天次C_ab、充值概率P_ab(i)和人均充值美金数E_ab(i)，因此，本实施例的目的在于通过拟合各生命时长充值概率分布以及人均充值美金曲线分布，来估算某一天注册的注册用户群的生命总价值，且结合预先确定的充值收益，通过二者的匹配程度，来拟合与该用户群匹配的目标充值概率分布函数，以及目标人均充值美金函数，其中，用户群的充值收益为用户群中与上述某一天对应的注册用户群的充值收益。

可以知道的是，用于拟合目标充值概率分布函数的拟合参数有多个，在具体拟合过程中，可以采用各拟合参数形成的充值概率分布函数分别代入平台用户生命价值折现公式计算确定用户生命总价值，由此选定匹配度最高的拟合参数来作为用户群预估所需的目标充值概率分布函数。图3给出了一个用户群下拟合用户群中各生命时期充值概率的分布示例图，如图3所示，该分布示例图中包含了多条基于不同拟合参数形成的概率分布曲线，一条曲线对应一个拟合参数，拟合参数可以有expon，alpha，beta，f以及gamma等等；本实施例可以从所展示的概率分布曲线中结合上述描述的选取规则从中确定一条曲线，并将其对应的充值概率分布函数作为该用户群对应的目标充值概率分布函数。

同样的，用于拟合目标人均充值美金函数也存在多个，再具体拟合过程中，也可以采用各人均充值美金函数分别代入分别代入平台用户生命价值折现公式计算确定用户生命总价值，由此选定匹配度最高的人均充值美金函数来作为用户群预估所需的目标人均充值美金函数。图4给出了一个用户群下拟合用户用户群中各生命时期人均充值美金数的曲线示例图，如图4所示，该曲线示例图中包含了原始的人均充值美金的充值数据，还包括了多条基于不同人均充值美金拟合函数形成的函数表示曲线，其中，一条函数曲线对应一个拟合函数，拟合函数可以有原始数据分布函数、10阶多项式拟合函数、5阶多项式拟合函数、对数拟合函数以及指数拟合函数等等，本实施例可以从所展示的函数表示曲线中结合上述描述的选取规则从中确定一条函数曲线，并将其对应的人均充值美金函数作为该用户群对应的目标人均充值美金函数。

本实施例可将目标充值概率分布函数及目标人均充值美金函数代入平台用户生命价值折现公式，由此所形成的公式可称为用户群对应的目标付费价值预测模型。本实施例中将用户基本行为以及用户付费行为采用函数形式实现数据化，体现了系统相对现有分析模式的高效运算能力以及分析结果的精准能力。

可以理解的是，在基于目标新增用户的充值付费行为数据以及基本行为数据确定出该目标新增用户在所归属用户群中所处的生命时期、所对应的人均充值天次后，结合上述目标付费价值预测模型，可以获得包含该目标新增用户所对应的目标用户群的人均生命价值折现预测值，进而可将该人均生命价值折现预测值作为目标新增用户对应的用户生命价值折现值。

同时需要说明的是，上述第一历史行为数据获取所设定的时间间隔具体可根据在线用户的峰值量以及网络或平台的状态来动态调整设置。此外，由于产品客户端将不断截取同一个在线用户的行为数据，而同一个在线用户的状态也是不断发生变化的，因此基于以该种方式获得的第一历史用户进行付费价值预测模型的训练时，训练后模型的目标充值概率分布函数及目标人均充值美金函数也是动态调整的，由此基于该模型获得用户生命价值这个信息也是动态变动的。

在上述实施例的基础上，用户质量评估模块12具体可用于根据所接收目标新增用户的用户生命价值折现值，结合目标新增用户所对应渠道的渠道日志信息，确定所述目标新增用户的用户活跃评估结果并展示所对应渠道的状态质量。

在本实施例中，目标新增用户所对应的渠道具体相当于用户基本行为数据中包含的安装渠道，所述渠道日志信息可理解为监控该渠道自身的状态以及运营状况后获得的日志信息，所述渠道日志信息至少包括：安装量级、注册率、付费率、充值金额、回流用户占比、每安装成本以及投资回收率等；所述用户活跃评估结果具体可理解为对目标新增用户后续再平台上进行各种操作的活跃程度的预测结果，所述渠道的状态质量具体可理解为渠道投入成本及收益状况等信息。

进一步的，用户质量评估模块12进行目标新增用户的用户活跃评估结果确定并展示所对应渠道的状态质量的过程可具体化为：确定所述目标新增用户的所在国家区域及相应的安装渠道；获取所述安装渠道的渠道日志信息；根据所接收目标新增用户的用户生命价值折现值及设定加权规则，对所述渠道日志信息包括各属性项结合所述进行加权计算，获得各所述属性项的评分值；将各所述评分值与预设的评定等级进行映射，通过所述映射关系确定所述目标新增用户的用户活跃评估结果及所对应渠道的状态质量。

在本实施例中，用户质量评估模块12通过根据预先设定的评估标准及细则，通过对渠道日志信息中的安装量级、注册率、付费率、充值金额、回流用户占比以及在该渠道的没安装成本和投资回收率的加权计算，能够获得对渠道中上述各属性项进行评分的评分值，同时，该评分值可以与预先设定的评定等级进行映射，由此通过映射关系确定出目标新增用户的用户活跃评估结果及所对应渠道的状态质量，其中，加权计算采用的权重指标可以预先基于具体的业务形态规划设定，同时，映射关系也可以由具体的业务形态来预先规划设定。

进一步的，上述确定出的用户活跃评估结果可以包括：用户充值评估结果、用户付费金额评估结果、用户回流评估结果、用户流失评估结果、用户生命价值评估结果以及用户生命时长预估；此外，目标新增用户所对应的渠道的状态质量可以包括：投放渠道类型、投放国家、素材类型、展示量、点击量、安装量、广告金额、注册人数、留存率以及渠道质量评级预估结果。

需要说明的是，考虑到单个新增用户对渠道的影响甚微，以及对整个数据形态的影响也较小，本实施例中进行质量评估所采用目标新增用户的数量往往是较大数量的，可以是一个时间段内汇总后的新增用户集。

本实施例一包含上述可选特征的平台用户质量评估系统，给出了用户生命价值预测模块以及用户质量评估模块的具体功能实现，通过用户的充值付费等信息结合拟合的概率分布函数以及人均充值美金函数，准确有效的评估了用户的用户生命价值，同时通过给定的权重指标以及等级映射规则，有效的获得了用户的质量评估结果。本实施例上述提供的系统有效的提高了用户质量评估的准确性以及实用性。

实施例二

图5给出了本发明实施例二提供的一种平台用户质量评估系统的结构框图，本实施例二以上述实施例为基础进行优化，在本实施例中，该系统还优化包括了：用户分类模块13和用户流失响应模块14。

其中，用户分类模块13，用于根据目标用户的用户行为数据，预测所述目标用户的流失结果，并发送所述流失结果给用户流失响应模块；

用户流失响应模块14，用于基于所述流失结果形成所述目标用户的流失等级标签，并将所述流失等级标签发送至用户运营平台。

在本实施例中，所述目标用户具体可指预先选定了进行流失预测的用户，所述用户行为数据具体可以为包括用户基本属性信息的数据，用户基本属性信息可以包括：注册国家、渠道、生命时长、累计活跃天数、流失天数、最后活动所采用系统、流失标签以及生命时长阈值判定标签等。本实施例用户分类模块13获得目标用户的用户行为数据后，可将用户行为数据作为流失预测模型的输入维度，进而获得流失预测模型输出所预测的流失结果，同时还可将流失结果反馈给用户流失响应模块14，所述流失预测模型可根据平台内已有的用户生命时长和活跃期间行为轨迹的判断来训练获得。

在本实施例中，用户流失响应模块14可以根据接收的流失结果，结合目标用户的用户行为数据中一些属性信息，来为目标用户进行流失等级划分，从而确定目标用户的流失等级，形成目标用户的流失等级标签，该流失等级标签通过设定接口发送至用户运营平台，从而由用户运营平台根据目标用户的流失等级标签确定该目标用户对应的挽回策略。

本发明实施例二提供的一种平台用户质量评估系统，基于用户分类模块以及用户流失响应模块，将用户消费行为考虑进行用户流失判定，更好的实现了流失预测中用户个体流失的可能性判定，该流失预测中还实现了高危流失用户的预警分析以及流失用户的标签化展示，更好的实现了分析结果的数字化，实现了了系统计算资源的有效利用，为后续运营平台的用户挽回提供了数据支持，扩大了用户质量评估的实用性。

进一步的，用户分类模块13具体用于根据所述目标用户的登录状态，确定所述目标用户对应的目标流失预测模型，所述目标流失预测模型预先根据样本用户集训练获得；将所述目标用户的用户行为数据中用户生命时长、活跃程度、行为轨迹以及消费数据作为输入数据，输入所述目标流失预测模型，获得所述目标用户的流失预测结果。

在本实施例中，待进行流失预测的目标用户可以根据其登录状态使用不同流失预测模型进行流失预测，示例性的，可以先确定目标用户当前登录情况，若为登录状态，则可确定该目标用户当前登录日距离注册日的间隔时间，该间隔时间可认为是目标用户的生命时长，若生命时长小于设定天数(比如N天，N为15)，则可选用预先训练好的新用户流失预警模型作为目标流失预测模型，以对该目标用户进行流失预测；若生命时长大于或等于上述设定天数，则可选用预先训练的普通用户预警模型作为目标流失预测模型，以对该目标用户进行流失预测。

基于上述描述，确定目标用户对应的目标流失预测模型后，可以根据用户行为数据的生命时长、活跃程度、行为轨迹以及当前日之前设定天数的消费情况生成设定形式的用户行为编码作为输入数据，输入目标流失预测模型，由此获得目标用户的流失预测结果。

其中，当前日之前设定天数的消费情况，又可看做是流失前设定天数(可以为N-1，N为15)的消费情况，示例性的，以直播软件为例，目标用户在该直播软件上的消费情况具体可以包括流失前N-1天累计活跃天数、流失前第n天是否为活跃状态、充值美金金额、有金豆增加的天数、金豆增加量、有钻石增加的天数、钻石增加量、有钻石减少的天数、钻石减少量、关注增加是、粉丝增加数、观看天数、观看主播数据、公屏消息数、观看时长、直播天数、直播观众数以及开播时长等。

此外，若目标用户当前为未登录状态，则该目标用户可根据预先设定的基准条件对目标用户进行判定，本实施例可将平台用户集中所在的登录时间间隔作为基准条件，且该登录时间间隔的取值可设定为30天，当目标用户当前距离上次登录日期的登录时间间隔大于30天时，用户分类模块13直接将该目标用户看做流失用户，并将该结果反馈给用户流失响应模块14，以使用户运营平台侧基于该结果对目标用户做出召回操作或激励操作。当目标用户当前距离上次登录日期的登录时间间隔大于30天时，可将目标用户上次登录日期作为登陆日，由此再次基于上述步骤进行生命时长的判定，从而选出相匹配的目标流失预测模型。

需要说明的是，本实施例上述设定天数的具体取值可以根据一个简单的信息统计来确定，该信息统计具体可以是对大规模历史用户的登录状态及所确定用户流失结果的统计来获得，可以发现有80％的用户在距离上次登录后间隔30天未登录时处于流失状态，可还发现有80％～90％的用户在距离注册日小于15天时和大于15天时的用户行为存在较大差异，由此，将15天设定为新旧用户的分界值，生命时长在15天以上作为普通用户，在15天一下作为新用户。同时将30天作为流失判定分界值，未登录时间大于30天可认为是流失用户，未登录时间小于30天可认为是活跃用户。

进一步的，用户分类模块13还用于构建待训练的新用户流失预测模型和普通用户流失预测模型；根据平台内第二历史用户的第二历史行为数据，训练所述新用户流失预测模型和普通用户流失预测模型。

为便于与上述实施例一的历史用户进行区分，本实施例中记为第二历史用户以及第二历史行为数据，本实施例的第二历史用户以及第二历史行为数据同样可以从产品客户端侧获取，第二历史行为数据具体为用户的基本属性信息以及流失前的消费行为信息。基于上述描述，本实施例可以基于用户生命时长小于N天以及用户生命时长大于N天分别构建新用户流失预测模型以及普通用户流失预测模型的逻辑回归模型，并可通过上述分类标准结合第二历史行为数据对第二历史用户进行样本集划分，划分后的样本集分别用来训练新用户流失预测模型和普通用户流失预测模型。

进一步的，用户分类模块13根据平台内第二历史用户的第二历史行为数据，训练所述新用户流失预测模型和普通用户流失预测模型的过程，具体可包括：获取平台内截至选定日的全部用户作为第二历史用户；根据所述第二历史用户在所述选定日的登录状态，从所述第二历史用户中选定对应所述新用户流失预测模型的第一样本用户集，以及对应所述普通用户流失预测模型的第二样本用户集；分别基于所述第一样本用户集以及所述第二样本用户集训练所述新用户流失预测模型和普通用户流失预测模型。

在本实施例中，可优先设置一个进行训练学习的历史用户的选定日，，之后可将截至选定日的全部用户作为第二历史用户，之后可以确定第二历史用户在选定日的登录状态，然后根据上述确定目标流失预测模型时采用的划分策略，对第二历史用户进行划分，由此从所述第二历史用户中选定对应所述新用户流失预测模型的第一样本用户集，以及对应所述普通用户流失预测模型的第二样本用户集。

具体的，根据所述第二历史用户在所述选定日的登录状态，从所述第二历史用户中选定对应所述新用户流失预测模型的第一样本用户集，以及对应所述普通用户流失预测模型的第二样本用户集的实现过程还可描述为：根据所述第二历史用户在所述选定日的登录状态，确定所述第二历史用户的登录日期及距所述选定日的登陆时间间隔；若所述登录日期为所述选定日，则将选定日距离相应注册日小于所述设定天数的第二历史用户划分到第一样本用户集，将选定日距离相应注册日大于或等于设定天数的第二历史用户划分到第二样本用户集；若所述登陆日期在所述选定日之前，则选取选定日距离所述登陆日期大于设定间隔日的第二历史用户作为有效历史用户，并将相应注册日与所述登录日期的距离小于所述设定天数的有效历史用户划分到第一样本用户集，将相应注册日与所述登录日期的距离大于或等于设定天数的有效历史用户划分到第二样本用户集。

具体的，分别基于所述第一样本用户集以及所述第二样本用户集训练所述新用户流失预测模型和普通用户流失预测模型的实现过程还可描述为：以设定比例分别将所述第一样本用户集和第二样本用户集的用户划分为训练集和测试集；对于待训练的新用户流失预测模型和普通用户流失预测模型，分别采用对应的训练集进行训练，以及采用测试集进行模型参数校正，获得训练后的新用户流失预测模型和普通用户流失预测模型。

进一步的，为保证模型训练的准确度，本实施例可以对第一样本用户集和第二样本用户集中所包含用户的历史行为数据进行预处理，预处理可以为标准化处理、正则化处理或者多项式处理，处理后的数据可为各自样本集所包含用户的样本输入数据。

在上述优化的基础上，用户流失响应模块14具体可用于根据设定规则分析所述目标用户的流失结果，确定所述目标用户的流失等级；根据所述流失等级，确定所述目标用户的流失等级标签及等级标签标识；将所述目标用户的流失等级标签及等级标签标识发送至用户运营平台，以使用户运营平台结合所述流失等级标签及等级标签标识确定所述目标用户的用户挽回策略。

在本实施例中，获得目标用户的流失结果后，结合目标用户的用户行为数据，可以判定该目标用户处于流失状态的具体流失程度，通过所确定的流失程度可以确定出该目标用户所处的流失等级，所述流失等级可以是预先基于经验规律设定，确定流失等级后可以为目标用户设置流失等级标签，并为其对应的流失等级标签设置唯一的等级标签标识，最终可以将设定的流失等级标签以及等级标签标识发送至用户运营平台，用户运营平台能够结合流失等级标签及等级标签标识对目标用户进行挽回，所采取的的挽回策略可以由促销活动、相关优惠推送以及个性化推荐等操作。

可以知道的是，用户流失响应模块14能够有效的管理用户的流失标签，同时还可以将标签值值域的信息同步给用户生命价值预测模块11，以让用户生命价值预测模块能够依据上述流失标签进行用户生命时长的识别或预估，其主要通信方式可具体依据流失标签对应的等级标签标识来实现。

本实施例二包含上述可选特征的平台用户质量评估系统，给出了用户分类模块以及用户流失响应模块的具体功能实现，通过用户登录状态对用户的划分，采用相匹配的目标流失预测模型进行流失预测，同时采用相匹配的训练样本集以及测试样本集对流失预测模型进行个性化训练，从而保证流失预测的精准性；此外，用户流失响应模块对各流失用户进行了流失标签设定以及标签标识设定，为用户运营平台的运营策划提供了数据支持。

值得注意的是，上述平台用户质量评估系统中，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。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

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

1.一种平台用户质量评估系统，其特征在于，包括：用户生命价值预测模块和用户质量评估模块；

所述用户生命价值预测模块，用于根据目标新增用户在平台内的行为数据，预测所述目标新增用户的用户生命价值折现值，并将所述用户生命价值折现值反馈至所述用户质量评估模块，其中，所述行为数据中包括充值付费行为数据以及包含注册国家及渠道的基本行为数据；

所述用户质量评估模块，用于根据接收的所述用户生命价值折现值，确定所述目标新增用户的质量评估结果；

其中，所述用户生命价值预测模块，具体用于：根据所述目标新增用户所对应基本行为数据中的注册国家及渠道，确定所述目标新增用户归属的目标用户群；根据所述的充值付费行为数据，结合所述目标用户群对应的目标付费价值预测模型，确定所述目标用户群的用户群人均生命价值折现预测值，其中，所述目标付费价值预测模型预先根据第一历史用户的第一历史行为数据确定；所述第一历史行为数据包括所述目标用户群内各历史用户对应的历史行为数据；将所述用户群人均生命价值折现预测值确定为所述目标新增用户的用户生命价值折现值；

所述用户质量评估模块，具体用于：根据所接收目标新增用户的用户生命价值折现值，结合目标新增用户所对应渠道的渠道日志信息，确定所述目标新增用户的用户活跃评估结果并展示所对应渠道的状态质量；

所述用户活跃评估结果包括：用户充值评估结果、用户付费金额评估结果、用户回流评估结果、用户流失评估结果、用户生命价值评估结果以及用户生命时长预估；

所述所对应渠道的状态质量包括：投放渠道类型、投放国家、素材类型、展示量、点击量、安装量、广告金额、注册人数、留存率以及渠道质量评级预估结果。

2.根据权利要求1所述的系统，其特征在于，所述用户生命价值预测模块，还用于：

根据平台内第一历史用户的第一历史行为数据，形成对应用户群，并确定各用户群对应目标付费价值预测模型。

3.根据权利要求2所述的系统，其特征在于，所述根据平台内第一历史用户的第一历史行为数据，形成对应用户群，并训练确定各用户群对应目标付费价值预测模型，具体包括：

根据各所述第一历史用户的第一历史行为数据中注册国家及渠道，划分形成至少一个用户群；

针对每个用户群，确定所述用户群中的关联第一历史用户；

基于各所述关联第一历史用户的第一历史行为数据中充值付费行为数据，确定所述用户群的充值收益；

根据所述充值收益结合推导的平台用户生命价值折现公式，确定所述用户群对应的目标充值概率分布函数及目标人均充值美金函数；

基于所述目标充值概率分布函数及目标人均充值美金函数，构成所述用户群对应的目标付费价值预测模型。

4.根据权利要求3所述的系统，其特征在于，所述平台用户生命价值折现公式通过对影响用户生命价值的关键因素拆分推导获得；

所述关键因素包括：所选统计日的注册人数、所选统计日下用户对应生命时长的用户充值概率、用户人均充值天次以及用户对应生命时长的人均充值美金。

5.根据权利要求2所述的系统，其特征在于，所述第一历史用户的第一历史行为数据为以设定时间间隔从产品客户端获取的数据；

所述设定时间间隔根据在线用户的峰值以及网络/平台状态设置调整。

6.根据权利要求1所述的系统，其特征在于，所述根据所接收目标新增用户的用户生命价值折现值，结合目标新增用户所对应渠道的渠道日志信息，确定所述目标新增用户的用户活跃评估结果并展示所对应渠道的状态质量，具体包括：

确定所述目标新增用户的所在国家区域及相应的安装渠道；

获取所述安装渠道的渠道日志信息，所述渠道日志信息至少包括：安装量级、注册率、付费率、充值金额、回流用户占比、每安装成本以及投资回收率；

根据所接收目标新增用户的用户生命价值折现值及设定加权规则，对所述渠道日志信息包括的各属性项进行加权计算，获得各所述属性项的评分值；

将各所述评分值与预设的评定等级进行映射得到映射关系，通过所述映射关系确定所述目标新增用户的用户活跃评估结果及所对应渠道的状态质量。

7.根据权利要求1所述的系统，还包括：用户分类模块和用户流失响应模块；

所述用户分类模块，用于根据目标用户的用户行为数据，预测所述目标用户的流失结果，并发送所述流失结果给用户流失响应模块；

所述用户流失响应模块，用于基于所述流失结果形成所述目标用户的流失等级标签，并将所述流失等级标签发送至用户运营平台。

8.根据权利要求7所述的系统，其特征在于，所述用户分类模块，具体用于

根据所述目标用户的登录状态，确定所述目标用户对应的目标流失预测模型，所述目标流失预测模型预先根据样本用户集训练获得；

将所述目标用户的用户行为数据中用户生命时长、活跃程度、行为轨迹以及消费数据作为输入数据，输入所述目标流失预测模型，获得所述目标用户的流失预测结果。

9.根据权利要求8所述的系统，其特征在于，所述用户分类模块，还用于：

构建待训练的新用户流失预测模型和普通用户流失预测模型；

根据平台内第二历史用户的第二历史行为数据，训练所述新用户流失预测模型和普通用户流失预测模型。

10.根据权利要求9所述的系统，其特征在于，所述根据平台内第二历史用户的第二历史行为数据，训练所述新用户流失预测模型和普通用户流失预测模型，包括：

获取平台内截至选定日的全部用户作为第二历史用户；

根据所述第二历史用户在所述选定日的登录状态，从所述第二历史用户中选定对应所述新用户流失预测模型的第一样本用户集，以及对应所述普通用户流失预测模型的第二样本用户集；

分别基于所述第一样本用户集以及所述第二样本用户集训练所述新用户流失预测模型和普通用户流失预测模型。

11.根据权利要求10所述的系统，其特征在于，所述根据所述第二历史用户在所述选定日的登录状态，从所述第二历史用户中选定对应所述新用户流失预测模型的第一样本用户集，以及对应所述普通用户流失预测模型的第二样本用户集，包括：

根据所述第二历史用户在所述选定日的登录状态，确定所述第二历史用户的登录日期及距所述选定日的登陆时间间隔；

若所述登录日期为所述选定日，则将选定日距离相应注册日小于设定天数的第二历史用户划分到第一样本用户集，将选定日距离相应注册日大于或等于设定天数的第二历史用户划分到第二样本用户集；

若所述登录日期在所述选定日之前，则选取选定日距离所述登陆日期大于设定间隔日的第二历史用户作为有效历史用户，并将相应注册日与所述登录日期的距离小于所述设定天数的有效历史用户划分到第一样本用户集，将相应注册日与所述登录日期的距离大于或等于设定天数的有效历史用户划分到第二样本用户集。

12.根据权利要求10所述的系统，其特征在于，分别基于所述第一样本用户集以及所述第二样本用户集训练所述新用户流失预测模型和普通用户流失预测模型，包括：

以设定比例分别将所述第一样本用户集和第二样本用户集的用户划分为训练集和测试集；

对于待训练的新用户流失预测模型和普通用户流失预测模型，分别采用对应的训练集进行训练，以及采用测试集进行模型参数校正，获得训练后的新用户流失预测模型和普通用户流失预测模型。

13.根据权利要求12所述的系统，其特征在于，所述第一样本用户集和第二样本用户集中所包含用户的第二历史行为数据进行标准化、正则化或多项式处理后作为样本输入数据。

14.根据权利要求7-13任一项所述的系统，其特征在于，所述用户流失响应模块，具体用于：

根据设定规则分析所述目标用户的流失结果，确定所述目标用户的流失等级；

根据所述流失等级，确定所述目标用户的流失等级标签及等级标签标识；

将所述目标用户的流失等级标签及等级标签标识发送至用户运营平台，以使用户运营平台结合所述流失等级标签及等级标签标识确定所述目标用户的用户挽回策略。