CN111105060A - 用户搬家行为的识别方法、装置、终端及计算机存储介质 - Google Patents
用户搬家行为的识别方法、装置、终端及计算机存储介质 Download PDFInfo
- Publication number
- CN111105060A CN111105060A CN201811255531.XA CN201811255531A CN111105060A CN 111105060 A CN111105060 A CN 111105060A CN 201811255531 A CN201811255531 A CN 201811255531A CN 111105060 A CN111105060 A CN 111105060A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- probability
- determining
- time length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000006399 behavior Effects 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007418 data mining Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种用户搬家行为的识别方法、装置、终端及计算机存储介质。
背景技术
用户搬家到一个新地方之后,需要单独安装宽带网络,不仅耗费时间和精力,并且还需要支付费用。而对于宽带运营商而言,为了留住用户,宽带运营商会开展网络迁移业务,用户可以通过电话或手机自主完成网络迁移手续。如果新入住社区宽带产品套餐比现有产品套餐优惠力度大,或者其他竞争对手利用营销措施吸引用户,这个用户转网概率增大,造成用户流失。即使在当前移动业务和宽带固网业务绑定密切的背景下,用户也愿意选择性价比高的套餐产品和运营商。
因此,现在亟需一种对用户搬家行为进行识别的方法,使得运营商可以基于识别的结果来预测用户的离网概率,并可以基于识别行为制定出满足个人需求的网络产品套餐,保障用户续费。
发明内容
本发明实施例提供了一种用户搬家行为的识别方法、装置、终端及计算机存储介质,可以对用户搬家行为进行识别,使得运营商基于识别的结果来预测用户的离网概率,并可以基于识别行为制定出满足个人需求的网络产品套餐,保障用户续费。
本发明实施例第一方面提供了一种用户搬家行为的识别方法,包括:
获取用户在预设的时间周期内的访问租房网站的第一访问时间信息;
根据所述第一访问时间信息预测下一个时间周期的第二访问时间信息;
根据所述第二访问时间信息确定用户访问预设网站的时长信息,所述时长信息符合正态分布;
获取与所述第二访问时间相对应的实际时长信息落入与所预测的第二访问时间信息相对应的所述正态分布中的区间信息,并确定与所述区间信息所对应的区间概率值;
根据所述概率判断用户是否将进行搬家。
如上所述的方法,在确定用户将要进行搬家之后,所述方法还包括:
获取用户的价值信息和忠诚度信息;
根据所述价值信息和忠诚度信息确定用户的分类信息;
根据所述分类信息和离网概率对所述用户执行预设的网络营销策略。
如上所述的方法,获取用户的价值信息和忠诚度信息,包括:
获取用户在预设的时间周期内的业务特征数据;
确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值;
将所述业务特征权值和所述业务特征单项分值的乘积加权信息确定为所述用户的价值信息和忠诚度信息。
如上所述的方法,获取用户在预设的时间周期内的访问租房网站的第一访问时间信息,包括:
获取用户在预设的时间周期内的访问租房网站的网站记录信息;
根据所述网站记录信息确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差。
如上所述的方法,根据所述第一访问时间信息预测下一个时间周期的第二访问时间信息,包括:
根据所述第一时长均值确定时长均值拟合曲线,根据所述第一时长方差确定时长方差拟合曲线;
根据所述时长均值拟合曲线和所述时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差。
如上所述的方法,根据所述概率判断用户是否将进行搬家,包括:
在所述概率大于或等于预设的概率门限值时,则确定用户将要进行搬家;或者,
在所述概率小于预设的概率门限值时,则确定用户在所述下一个时间周期内将不会进行搬家。
本发明实施例第二方面提供了一种用户搬家行为的识别装置,包括:
获取模块,用于获取用户在预设的时间周期内的访问租房网站的第一访问时间信息;
预测模块,用于根据所述第一访问时间信息预测下一个时间周期的第二访问时间信息;
计算模块,用于根据所述第二访问时间信息确定用户访问预设网站的时长信息,所述时长信息符合正态分布;
所述获取模块,还用于获取与所述第二访问时间相对应的实际时长信息落入与所预测的第二访问时间信息相对应的所述正态分布中的区间信息,并确定与所述区间信息所对应的区间概率值;
识别模块,用于根据所述概率判断用户是否将进行搬家。
如上所述的装置,所述获取模块,还用于在确定用户将要进行搬家之后,获取用户的价值信息和忠诚度信息;
所述确定模块,用于根据所述价值信息和忠诚度信息确定用户的分类信息;
所述装置还包括:
执行模块,用于根据所述分类信息和离网概率对所述用户执行预设的网络营销策略。
如上所述的装置,所述获取模块,用于:
获取用户在预设的时间周期内的业务特征数据;
确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值;
将所述业务特征权值和所述业务特征单项分值的乘积加权信息确定为所述用户的价值信息和忠诚度信息。
如上所述的装置,所述获取模块,用于:
获取用户在预设的时间周期内的访问租房网站的网站记录信息;
根据所述网站记录信息确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差。
如上所述的装置,所述预测模块,用于:
根据所述第一时长均值确定时长均值拟合曲线,根据所述第一时长方差确定时长方差拟合曲线;
根据所述时长均值拟合曲线和所述时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差。
如上所述的装置,所述识别模块,用于:
在所述概率大于或等于预设的概率门限值时,则确定用户将要进行搬家;或者,
在所述概率小于预设的概率门限值时,则确定用户在所述下一个时间周期内将不会进行搬家。
本发明实施例第三方面提供了一种用户搬家行为的识别终端,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上述第一方面所述的一种用户搬家行为的识别方法。
本发明实施例第四方面提供了一种计算机存储介质,所述计算机存储介质为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以实现如上述第一方面所述的一种用户搬家行为的识别方法。
本发明实施例提供的用户搬家行为的识别方法、装置、终端及计算机存储介质,通过所获取的第一访问时间信息预测下一个时间周期的第二访问时间信息,根据所述第二访问时间信息计算用户离网的概率,根据所述概率判断用户是否将进行搬家,从而实现了对用户搬家行为的有效识别,使得运营商可以基于识别结果来预测用户的离网概率,并可以基于识别行为制定出满足个人需求的网络产品套餐,从而有效地提高了该方法的实用性,有利于市场的推广与应用。
附图说明
图1是本发明实施例提供的一种用户搬家行为的识别方法的流程示意图;
图2为本发明实施例提供的获取用户在预设的时间周期内的访问租房网站的第一访问时间信息的流程示意图;
图3为本发明实施例提供的根据所述第一访问时间信息预测下一个时间周期的第二访问时间信息的流程示意图;
图3a为本发明实施例提供的访问时长的分布示意图一;
图3b为本发明实施例提供的访问时长的分布示意图二;
图4是本发明实施例提供的另一种用户搬家行为的识别方法的流程示意图;
图5为本发明实施例提供的获取用户的价值信息和忠诚度信息的流程示意图;
图6是本发明应用实施例提供的又一种用户搬家行为的识别方法的流程示意图;
图7为本发明实施例提供的一种用户搬家行为的识别装置的结构示意图;
图8为本发明实施例提供的一种用户搬家行为的识别终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤的过程或结构的装置不必限于清楚地列出的那些结构或步骤而是可包括没有清楚地列出的或对于这些过程或装置固有的其它步骤或结构。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明实施例的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
图1是本发明实施例提供的一种用户搬家行为的识别方法的流程示意图;参考附图1所示,本实施例提供了一种用户搬家行为的识别方法,包括:
S101:获取用户在预设的时间周期内的访问租房网站的第一访问时间信息;
其中,时间周期为预先设置的,本实施例对于时间周期的具体长短不做限定,本领域技术人员可以根据具体的设置需求进行设置,例如:时间周期可以为一周、两周或者一个月、两个月等等;另外,用户在该时间周期内所访问的网站为用户在当前住所地进行访问的网站,访问的网站可以为租房类网站,在进行访问租房网站时,可以获取到访问租房网站的第一访问时间信息,该第一访问时间信息可以包括以下至少之一:访问时长信息、访问时间段信息、访问时长均值信息、访问时长方差信息等等。
另外,本实施例中的用户可以为租房用户,而时间周期与租房合同的租房时间和/或网络消费合同的约定时间相关联,举例来说,用户的1,2,3,…,N个时间周期可以包含在用户宽带消费合同约定的时间前70%时间内,第N+1个时间周期可以包含在用户宽带消费合同末30%时间内。也就是说,用户入网后,可以按月为时间周期,统计用户在该时间周期内的访问租房网站的第一访问时间信息,其中,第一访问时间信息可以包括第一时长均值和第一时长方差。更为优选的,可以在用户宽带消费合同的前70%时间内,不执行获取第一访问时间信息的操作,而在用户宽带消费合同的末30%时间内,才获取第一访问时间信息,以预测对第N+1个时间周期的访问时间信息进行预测操作。
S102:根据第一访问时间信息预测下一个时间周期的第二访问时间信息;
在获取到第一访问时间信息之后,可以根据第一访问时间信息来预测下一个时间周期的第二访问时间信息,具体的,可以基于所获取的第一访问时间信息确定一拟合曲线,基于所确定的拟合曲线可以预测下一个时间周期的第二访问时间信息。
S103:根据第二访问时间信息确定用户访问预设网站的时长信息,时长信息符合正态分布;
其中,时长信息优选为时长均值信息,该时长均值信息为用户在预设时间段内访问预设网站的平均时间信息;另外,第二访问时间信息可以包括访问时间均值信息和/或访问时间方差信息;当然的,本领域技术人员还可以根据具体的设计需求将第二访问时间信息设置为其他类型的信息,例如:时长信息等等;在获取到第二访问时间信息之后,可以对第二访问时间信息进行分析处理,并基于分析处理结果来计算用户离网的概率,其中,用户离网的概率也可以看作为用户搬家行为的概率,该用户搬家行为的概率是指用户在下一个时间周期内进行搬家的可能性。
S104:获取与第二访问时间相对应的实际时长信息落入与所预测的第二访问时间信息相对应的正态分布中的区间信息,并确定区间信息所对应的区间概率值;
其中,实际时长信息可以通过对实际的网络访问数据来获取的,不同的实际时长信息可以对应有不同的区间信息,因此,在获取到实际时长信息之后,需要分析实际时长信息处于所预测的正态分布(即上述与用户访问预设网站的时长信息相对应的正态分布)中的哪个区间信息,以便于来确定与该时长信息所对应的离网概率。
举例来说,在实际时长信息落入正态分布中的第一区间信息时,则可以获取第一区间信息相对应的区间概率值,该区间概率值即为与实际时长信息相对应的概率。
具体的,用户离网的概率可以看作为用户搬家行为的概率,进而,计算用户搬家行为的概率P计算如下:用户在一时间周期内关注某类网站的访问时长符合正态分布,即X~(μ,σ2)。样本X分布在(X1,X2)的概率为P{X1≤X≤X2};样本X不分布在(X1,X2)的概率为1-P{X1≤X≤X2}。
其中,一种可实现的方式为:在N+1个时间周期内,假定用户不搬家,则用户访问租房类网站的真实时长均值L落在访问时长预测样本空间内的不同区间所对应的概率可以如下:
另一种可实现的方式为:按N+1个时间周期内矩阵Q元素的分布计算用户访问租房类网站的真实时长t落在访问时长预测样本空间内不同区间的概率。这样,矩阵Q中m个元素对应m个概率计算值:其中,表示用户在N+1周期内访问集中访问第j个网站的访问时长落在预测样本空间第mσ区间范围内的概率。
通过所获取的时长信息计算用户离网的概率,进而根据用户离网的概率来预估并识别用户是否要进行搬家,从而有效地保证了用户搬家行为的识别的准确可靠性。
S106:根据概率判断用户是否将进行搬家。
在获取到用户离网的概率之后,可以基于该概率来判断用户是否即将要进行搬家,具体的,根据概率判断用户是否将进行搬家可以包括:
S1061:在概率大于或等于预设的概率门限值时,则确定用户将要进行搬家;
其中,概率门限值为预先设置的,用于作为用户将要进行搬家的最低概率值,本实施例对于其具体的数值范围不做限定,本领域技术人员可以根据具体的设计需求进行设置,例如:可以将概率门限值设置为90%、95%等等;当上述所获取的概率大于或等于该概率门限值时,则说明用户即将要搬家的概率比较大,进而可以确定用户将要进行搬家。
需要注意的是,上述的概率门限值可以基于宽带运营社区已搬家用户行为数据通过神经网络数据挖掘的方法来确定,并且,该概率门限值可以按照一定的时间周期进行定位优化,以保证对用户搬家行为预测的准确可靠性。
S1062:在概率小于预设的概率门限值时,则确定用户在下一个时间周期内将不会进行搬家。
当上述所获取的概率小于该概率门限值时,则说明用户即将要搬家的概率比较小,进而可以确定用户在下一个时间周期内不会进行搬家。
本实施例提供的用户搬家行为的识别方法,通过所获取的第一访问时间信息预测下一个时间周期的第二访问时间信息,根据第二访问时间信息计算用户离网的概率,根据概率判断用户是否将进行搬家,从而实现了对用户搬家行为的有效识别,使得运营商可以基于识别结果来预测用户的离网概率,并可以基于识别行为制定出满足个人需求的网络产品套餐,从而有效地提高了该方法的实用性,有利于市场的推广与应用。
图2为本发明实施例提供的获取用户在预设的时间周期内的访问租房网站的第一访问时间信息的流程示意图;参考附图2可知,本实施例对于获取用户在预设的时间周期内的访问租房网站的第一访问时间信息的具体实现过程不做限定,本领域技术人员可以根据具体的设计需求进行设置,较为优选的,本实施例中的获取用户在预设的时间周期内的访问租房网站的第一访问时间信息可以包括:
S1011:获取用户在预设的时间周期内的访问租房网站的网站记录信息;
S1012:根据网站记录信息确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差。
具体的,以T个时间周期为例进行说明,在T个时间周期内,用户可以通过获取的访问租房类网站的网站记录信息来获取累计时长,其中,累计时长用下面的矩阵R来表示,矩阵R中的元素可以表示用户访问某个网站的时长信息,上述时长信息可以按小时处理,取整;具体的,矩阵R中的一列数据表示用户访问同一租房网站访问时长;矩阵R中的一行数据表示用户一天访问租房网站访问时长。n代表矩阵行数;m代表矩阵列数;上述n与时间周期有关,若按月为一个时间周期,n=30;m的大小与平台记录的当前租房类网站列表中的域名数量有关。
对矩阵R按列求和,形成用户在时间周期内每个租房网站的访问累计时长矩阵Q,
Q=(6 0 40 … 8 20 … 0 … 15 4)1×m
通过网站记录信息来确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差,有效地保证了第一时长均值和第一时长方差确定的准确可靠性,进一步提高了用户搬家行为评估的准确可靠性。
图3为本发明实施例提供的根据第一访问时间信息预测下一个时间周期的第二访问时间信息的流程示意图;在上述实施例的基础上,继续参考附图3,在第一访问时间信息包括第一时长均值和第一时长方差时,本实施例中的根据第一访问时间信息预测下一个时间周期的第二访问时间信息可以包括:
S1021:根据第一时长均值确定时长均值拟合曲线,根据第一时长方差确定时长方差拟合曲线;
S1022:根据时长均值拟合曲线和时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差。
具体的,连续NT个时间周期内,可以形成用户N个第一时长均值和第一时长方差:E1,E2,E3,…..,EN,对应的第一时长方差为 在获取到上述的第一时长均值和第一时长方差之后,采用数据拟合方法,生成用户访问租房类网站的均值拟合曲线YE(kT)和用户访问租房类网站的方差拟合曲线Yσ(kT);通过获取的均值拟合曲线YE(kT)可以预测下一个时间周期的第二时长均值;通过获取的方差拟合曲线Yσ(kT)可以预测下一个时间周期的第二时长方差。
根据用户在N+1周期内访问租房类网站真实数据调用上述算法计算出第二时长均值EN+1和第二时长方差用户访问租房网站时长L的真实分布可用图3a所示空白方框表示。实际上用户访问租房网站真实时长分布如图3b所示,空白方框中心位置由EN+1决定。与预测值均值位置相比,用户在N+1时间周期内访问租房网站均值位置存在多种可能如图3b中的空白方框。其中,造成这种现象的原因一方面由于预测误差,另一方面由于用户可能改变了上网策略,比如:花费了更多时间去浏览租房网站、搬家网站。
通过时长均值拟合曲线和时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差,有效地保证了第二时长均值和第二时长方差预测的准确可靠性。
图4是本发明实施例提供的另一种用户搬家行为的识别方法的流程示意图;图5为本发明实施例提供的获取用户的价值信息和忠诚度信息的流程示意图;在上述实施例的基础上,继续参考附图4-5可知,由于用户是否由于搬家导致流失是宽带运营商很关注的问题,对于中高价值用户,宽带运营商不希望其流失;因此,在确定用户将要进行搬家之后,本实施例中的方法还可以包括:
S201:获取用户的价值信息和忠诚度信息;
其中,用户的忠诚度信息可以与用户在预设的时间周期内的消费记录有关,具体的,获取用户的价值信息和忠诚度信息可以包括:
S2011:获取用户在预设的时间周期内的业务特征数据;
其中,与上述用户忠诚度相关的业务特征数据可以包括:续费次数、累计时长时长、平均缴费金额、一次性缴费1000元以上次数,一次性缴费1年以上次数、最近1月上网天数、月平均上网天数、续费缴费金额变化率、续费缴费时长变化率、预交费时长均值、预交费占比、本期故障次数、最近1次故障距今时长、本期客服服务满意度占比。其中,业务特征数据可以按照预设的频率进行更新,而该更新数据频率可以按设定周期执行,对于宽带业务,可以按月或季度执行,计算用户截至当前时间的忠诚度。
S2012:确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值;
由于不同的业务特征数据对应有不同的业务特征权值和业务特征单项分值,因此,在确定业务特征数据之后,可以按照预设的算法或者按照预设的映射关系来确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值。
S2013:将所述业务特征权值和所述业务特征单项分值的乘积加权信息确定为所述用户的价值信息和忠诚度信息。
其中,可以利用预设的用户忠诚度数据模块获取用户在预设的时间周期内的消费记录,并根据用户在时间周期的消费记录,计算出用户忠诚度分值0-100分,上述的用户忠诚度分值计算方法是依据用户业务特征维度权值和预设的用户业务特征维度分值的乘积加权而来。
具体的,用户忠诚度计算过程中业务特征权值由层次分析法获得。最终用户在时间周期内的忠诚度分值为
其中,Wi为预设的业务特征权值,Si为业务特征单项分值。
基于上述内容,P个时间周期的用户忠诚度,可以调用插值算法,获得用户的忠诚度曲线,从而可以预测用户忠诚度未来分值(即用户的忠诚度信息)。
进一步的,用户的价值信息可以与用户在预设的时间周期内的消费记录有关,具体的,可以利用预设的用户价值度数据模块获取用户在预设的时间周期内的消费记录,并根据用户在时间周期的消费记录,计算出用户价值度分值0-100分。用户价值度分值的计算方法可以依据用户业务特征维度权值和用户业务特征维度分值乘积加权而来。
其中,与用户价值度相关的业务特征数据可以包括:本期合同时长、本次缴费金额、累计时长时长、累计缴费金额、本期续费带宽变化趋势、本期续费时长变化趋势、本期续费缴费金额变化趋势。
进一步的,用户价值度计算过程中业务特征权值由层次分析法获得,具体的,数据业务特征更新数据频率按设定周期执行,对于宽带业务,按月或季度执行,计算用户截至当前时间的价值度;最终用户在时间周期内的价值度分值为:
其中,Wi为预设的业务特征权值,Si为业务特征单项分值。
进而可以获得P个时间周期的用户价值度,调用插值算法,获得用户价值度曲线,预测用户未来价值度走向。
S202:根据价值信息和忠诚度信息确定用户的分类信息;
在获取到获取用户的价值信息和忠诚度信息之后,可以将价值信息和忠诚度信息构成二维数据,并调用预设的Kmean算法,汇聚出四个中心点,即获取到用户的分类信息和离网概率,举例来说:用户的分类信息和离网概率可以分别为:重要用户(价值分值高,忠诚度分值高)、挽留用户(价值分值高,忠诚度分值低)、普通用户(价值分值中,忠诚度分值中)、放弃用户(价值分值低,忠诚度分值低)。
S203:根据分类信息和离网概率对用户执行预设的网络营销策略。
在获取到用户的分类信息和离网概率之后,可以对该用户执行与分类信息和离网概率相对应的网络营销策略,具体的,宽带运营商可以根据分类信息和离网概率获取到即将搬家的用户清单和流失预警概率,并基于即将搬家的用户清单和流失预警概率制定不同的营销策略,使得宽带运营商可以对于重要用户、挽留用户、普通用户使用不同的营销措施,保证用户即使搬家也不转网。
通过确定用户的分类信息和离网概率,并根据分类信息和离网概率对用户执行预设的网络营销策略,从而可以有效地防止用户流失的概率,进一步提高了该方法的实用性。
具体应用时,参考附图6可知,本应用实施例提供了一种用户搬家行为的识别方法,该方法可以基于图6的过程实现,具体的,图6中用户业务特征预处理模块不断的从业务平台抽取数据,按标准化模块处理,形成用户业务数据特征存入用户业务特征数据库。用户业务特征预处理模块与后续的数据挖掘模块独立并行工作。用户业务特征预处理模块自动定期从业务抽取数据处理数据并更新业务特征数据库字段。本发明提出的用户搬家行为识别及其流失预警判决方法建立在用户业务数据记录基础上,包含用户基本信息、入网合同数据、上网行为数据和公共数据资源。公共数据资源来源于行业租房网站、搬家网站的访问记录。
其中,上述的业务特征数据可以包含:住房类别、租房合同到期时间(可选)、账户类型、本期合同时长、本期缴费金额、累计合同时长、累计缴费金额、最近1次续费时长变化率、最近1次续费缴费金额变化率、一次性缴费1年以上次数、一次性缴费1000元以上次数、上网主要时间段、月平均上网时长、最近1月上网时长变化率,月平均访问租房类网站时长,最近1月访问租房类网站时长变化率、最近2月访问租房类网站时长变化率、合同本期故障次数、最近1次故障距今时长等业务数据。
根据业务特征数据类别,将数据线性化到0-100区间。由于宽带业务特征差异性,有些业务特征数据线性化采用分段线性化。比如,缴费金额类别(本期缴费金额、累计缴费金额)。宽带产品缴费金额因带宽、时长、营销策略不同,缴费金额从50-5000元不等。缴费100元和缴费1000元对运营商的信任度差别较大;缴费2000元和缴费5000元对运营商的信任度差别不大,所以需要分段线性化。假定,以500元为分界点,小于500元执行y=x/7;大于500元执行y=x/30+60。然后,对[0,100]进行区间划分,以10为区间段,最终将缴费金额[50,5000]元映射到{10,20,30,40,50,60,70,80,90,100},分段线性化处理大大增加了数据样本密集度,降低了数据挖掘算法的复杂度。由于在[50,5000]之间至少存在4950种可能,而{10,20,30,40,50,60,70,80,90,100}只有10种可能。进一步的,用户搬家行为识别数据挖掘模块采用上述的方法来识别用户搬家行为概率。
本应用实施例提供的用户搬家行为的识别方法,可以预测用户的离网概率,宽带运营商在对即将到期用户进行续费营销时,可以了解用户类别,是否为租房类用户,近期是否搬家,目的社区在哪里;掌握这些信息,有利于运营商制定出满足个人需求的产品套餐,保障用户续费,适用于电信宽带行业的用户管理,并且也可以应用到其他行业的用户管理。
可以理解的是,本实施例中的用户搬家行为的识别方法可以适用到其他类型的用户上,也可以对其他类型的用户的其他上网行为进行预测,例如:用户出国行为,用户就医行为、用户投资行为等。
图7为本发明实施例提供的一种用户搬家行为的识别装置的结构示意图,参考附图7所示,本实施例提供了一种用户搬家行为的识别装置,该识别装置可以执行上述的用户搬家行为的识别方法,具体的,该识别装置可以包括:
获取模块101,用于获取用户在预设的时间周期内的访问租房网站的第一访问时间信息;
预测模块102,用于根据第一访问时间信息预测下一个时间周期的第二访问时间信息;
计算模块103,用于根据第二访问时间信息确定用户访问预设网站的时长信息,所述时长信息符合正态分布;
获取模块101,还用于获取与第二访问时间相对应的实际时长信息落入与所预测的第二访问时间信息相对应的正态分布中的区间信息,并确定与所述区间信息所对应的区间概率值;
识别模块104,用于根据概率判断用户是否将进行搬家。
其中,在识别模块104根据概率判断用户是否将进行搬家时,识别模块104具体用于执行:在概率大于或等于预设的概率门限值时,则确定用户将要进行搬家;或者,在概率小于预设的概率门限值时,则确定用户在下一个时间周期内将不会进行搬家。
另外,在获取模块101获取用户在预设的时间周期内的访问租房网站的第一访问时间信息时,获取模块101用于执行:获取用户在预设的时间周期内的访问租房网站的网站记录信息;根据网站记录信息确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差。
进一步的,在预测模块102根据第一访问时间信息预测下一个时间周期的第二访问时间信息时,该预测模块102用于执行:根据第一时长均值确定时长均值拟合曲线,根据第一时长方差确定时长方差拟合曲线;根据时长均值拟合曲线和时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差。
进一步的,在计算模块103根据第二访问时间信息计算用户离网的概率时,该计算模块103用于执行:根据第二时长均值和第二时长方差确定用户访问预设网站的时长信息,时长信息符合正态分布;根据时长信息计算用户离网的概率。
进一步的,本实施例中的获取模块101还用于在确定用户将要进行搬家之后,获取用户的价值信息和忠诚度信息;
确定模块105,用于根据价值信息和忠诚度信息确定用户的分类信息;
该装置还包括:
执行模块106,用于根据分类信息和离网概率对用户执行预设的网络营销策略。
其中,在获取模块101获取用户的价值信息和忠诚度信息时,该获取模块101用于执行:
获取用户在预设的时间周期内的业务特征数据;
确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值;
将所述业务特征权值和所述业务特征单项分值的乘积加权信息确定为所述用户的价值信息和忠诚度信息。
本实施例提供的用户搬家行为的识别装置能够用于执行图1-图6实施例所对应的用户搬家行为的识别方法,其具体执行方式和有益效果类似,在这里不再赘述。
图8为本发明实施例提供的一种用户搬家行为的识别终端的结构示意图,参考附图8所示,本实施例再一方面提供了用户搬家行为的识别终端,包括:
存储器301;
处理器302;以及
计算机程序;
其中,计算机程序存储在存储器301中,并被配置为由处理器302执行以实现如图1-图6所对应实施例的一种用户搬家行为的识别方法。
本实施例的又一方面提供了一种计算机存储介质,计算机存储介质为计算机可读存储介质,其上存储有计算机程序;
计算机程序被处理器执行以实现如图1-图6所对应实施例的一种用户搬家行为的识别方法。
最后需要说明的是,本领域普通技术人员可以理解上述实施例方法中的全部或者部分流程,是可以通过计算机程序来指令相关的硬件完成,所述的程序可存储于一计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可以为磁盘、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
本发明实施例中的各个功能单元可以集成在一个处理模块中,也可以是各个单元单独的物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现,并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。上述提到的存储介质可以是只读存储器、磁盘或光盘等。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (14)
2.根据权利要求1所述的方法,其特征在于,在确定用户将要进行搬家之后,所述方法还包括:
获取用户的价值信息和忠诚度信息;
根据所述价值信息和忠诚度信息确定用户的分类信息;
根据所述分类信息和离网概率对所述用户执行预设的网络营销策略。
3.根据权利要求2所述的方法,其特征在于,获取用户的价值信息和忠诚度信息,包括:
获取用户在预设的时间周期内的业务特征数据;
确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值;
将所述业务特征权值和所述业务特征单项分值的乘积加权信息确定为所述用户的价值信息和忠诚度信息。
4.根据权利要求1所述的方法,其特征在于,获取用户在预设的时间周期内的访问租房网站的第一访问时间信息,包括:
获取用户在预设的时间周期内的访问租房网站的网站记录信息;
根据所述网站记录信息确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差。
5.根据权利要求4所述的方法,其特征在于,根据所述第一访问时间信息预测下一个时间周期的第二访问时间信息,包括:
根据所述第一时长均值确定时长均值拟合曲线,根据所述第一时长方差确定时长方差拟合曲线;
根据所述时长均值拟合曲线和所述时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,根据所述概率判断用户是否将进行搬家,包括:
在所述概率大于或等于预设的概率门限值时,则确定用户将要进行搬家;或者,
在所述概率小于预设的概率门限值时,则确定用户在所述下一个时间周期内将不会进行搬家。
7.一种用户搬家行为的识别装置,其特征在于,包括:
获取模块,用于获取用户在预设的时间周期内的访问租房网站的第一访问时间信息;
预测模块,用于根据所述第一访问时间信息预测下一个时间周期的第二访问时间信息;
计算模块,用于根据所述第二访问时间信息确定用户访问预设网站的时长信息,所述时长信息符合正态分布;
所述获取模块,还用于获取与所述第二访问时间相对应的实际时长信息落入与所预测的第二访问时间信息相对应的所述正态分布中的区间信息,并确定与所述区间信息所对应的区间概率值;
识别模块,用于根据所述概率判断用户是否将进行搬家。
8.根据权利要求7所述的装置,其特征在于,
所述获取模块,还用于在确定用户将要进行搬家之后,获取用户的价值信息和忠诚度信息;
所述确定模块,用于根据所述价值信息和忠诚度信息确定用户的分类信息;
所述装置还包括:
执行模块,用于根据所述分类信息和离网概率对所述用户执行预设的网络营销策略。
9.根据权利要求8所述的装置,其特征在于,所述获取模块,用于:
获取用户在预设的时间周期内的业务特征数据;
确定与所述业务特征数据相对应的业务特征权值和业务特征单项分值;
将所述业务特征权值和所述业务特征单项分值的乘积加权信息确定为所述用户的价值信息和忠诚度信息。
10.根据权利要求7所述的装置,其特征在于,所述获取模块,用于:
获取用户在预设的时间周期内的访问租房网站的网站记录信息;
根据所述网站记录信息确定用户在该时间周期内的访问租房网站的第一时长均值和第一时长方差。
11.根据权利要求10所述的装置,其特征在于,所述预测模块,用于:
根据所述第一时长均值确定时长均值拟合曲线,根据所述第一时长方差确定时长方差拟合曲线;
根据所述时长均值拟合曲线和所述时长方差拟合曲线预测下一个时间周期的第二时长均值和第二时长方差。
12.根据权利要求7-11中任意一项所述的装置,其特征在于,所述识别模块,用于:
在所述概率大于或等于预设的概率门限值时,则确定用户将要进行搬家;或者,
在所述概率小于预设的概率门限值时,则确定用户在所述下一个时间周期内将不会进行搬家。
13.一种用户搬家行为的识别终端,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-6中任意一项所述的一种用户搬家行为的识别方法。
14.一种计算机存储介质,其特征在于,所述计算机存储介质为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以实现如权利要求1-6中任意一项所述的一种用户搬家行为的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255531.XA CN111105060A (zh) | 2018-10-26 | 2018-10-26 | 用户搬家行为的识别方法、装置、终端及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255531.XA CN111105060A (zh) | 2018-10-26 | 2018-10-26 | 用户搬家行为的识别方法、装置、终端及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111105060A true CN111105060A (zh) | 2020-05-05 |
Family
ID=70419147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811255531.XA Pending CN111105060A (zh) | 2018-10-26 | 2018-10-26 | 用户搬家行为的识别方法、装置、终端及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105060A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238919A (zh) * | 2021-04-26 | 2021-08-10 | 北京京东拓先科技有限公司 | 一种用户访问数的统计方法、装置及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2398508A1 (en) * | 2001-10-19 | 2003-04-19 | U-Haul International, Inc. | An online marketplace for moving and relocation services |
JP2004348550A (ja) * | 2003-05-23 | 2004-12-09 | Nippon Telegr & Teleph Corp <Ntt> | ブラウジング履歴管理方法および装置およびプログラム |
US20080109756A1 (en) * | 2006-09-29 | 2008-05-08 | Stambaugh Thomas M | Spatial organization and display of real-estate information |
CN101458804A (zh) * | 2008-11-19 | 2009-06-17 | 北京携友聚信信息技术有限公司 | 物品交易管理系统及方法 |
JP2010079360A (ja) * | 2008-09-24 | 2010-04-08 | Eagle Net Co Ltd | 引越紹介システム |
EP2211298A1 (en) * | 2009-01-27 | 2010-07-28 | Alcatel Lucent | A method of visualizing consumption information, corresponding device, storage means, and software program therefor |
US20120130841A1 (en) * | 2010-11-18 | 2012-05-24 | Izaak Knight | System and method for providing qualification searching and bidding for rental properties |
CA2832018A1 (en) * | 2012-11-07 | 2014-05-07 | Schlumberger Canada Limited | Method and system for offering and procuring well services |
JP2014203270A (ja) * | 2013-04-04 | 2014-10-27 | 日本電信電話株式会社 | 目的来店施設情報提供方法及び装置及びプログラム |
CN104182801A (zh) * | 2013-05-22 | 2014-12-03 | 阿里巴巴集团控股有限公司 | 一种预测网站访问量的方法及设备 |
US20150302488A1 (en) * | 2012-11-21 | 2015-10-22 | Ziprealty Llc | System and method for automated property vaulation utilizing user activity tracking information |
JP2017151985A (ja) * | 2016-02-22 | 2017-08-31 | 株式会社カカクコム | 情報処理装置及びプログラム |
CN110070392A (zh) * | 2019-04-17 | 2019-07-30 | 北大方正集团有限公司 | 用户流失预警方法和装置 |
-
2018
- 2018-10-26 CN CN201811255531.XA patent/CN111105060A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2398508A1 (en) * | 2001-10-19 | 2003-04-19 | U-Haul International, Inc. | An online marketplace for moving and relocation services |
JP2004348550A (ja) * | 2003-05-23 | 2004-12-09 | Nippon Telegr & Teleph Corp <Ntt> | ブラウジング履歴管理方法および装置およびプログラム |
US20080109756A1 (en) * | 2006-09-29 | 2008-05-08 | Stambaugh Thomas M | Spatial organization and display of real-estate information |
JP2010079360A (ja) * | 2008-09-24 | 2010-04-08 | Eagle Net Co Ltd | 引越紹介システム |
CN101458804A (zh) * | 2008-11-19 | 2009-06-17 | 北京携友聚信信息技术有限公司 | 物品交易管理系统及方法 |
EP2211298A1 (en) * | 2009-01-27 | 2010-07-28 | Alcatel Lucent | A method of visualizing consumption information, corresponding device, storage means, and software program therefor |
US20120130841A1 (en) * | 2010-11-18 | 2012-05-24 | Izaak Knight | System and method for providing qualification searching and bidding for rental properties |
CA2832018A1 (en) * | 2012-11-07 | 2014-05-07 | Schlumberger Canada Limited | Method and system for offering and procuring well services |
US20150302488A1 (en) * | 2012-11-21 | 2015-10-22 | Ziprealty Llc | System and method for automated property vaulation utilizing user activity tracking information |
JP2014203270A (ja) * | 2013-04-04 | 2014-10-27 | 日本電信電話株式会社 | 目的来店施設情報提供方法及び装置及びプログラム |
CN104182801A (zh) * | 2013-05-22 | 2014-12-03 | 阿里巴巴集团控股有限公司 | 一种预测网站访问量的方法及设备 |
JP2017151985A (ja) * | 2016-02-22 | 2017-08-31 | 株式会社カカクコム | 情報処理装置及びプログラム |
CN110070392A (zh) * | 2019-04-17 | 2019-07-30 | 北大方正集团有限公司 | 用户流失预警方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238919A (zh) * | 2021-04-26 | 2021-08-10 | 北京京东拓先科技有限公司 | 一种用户访问数的统计方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
Ritten et al. | Optimal rangeland stocking decisions under stochastic and climate‐impacted weather | |
US8046245B1 (en) | Systems and methods for optimizing property risk ratings | |
CN110309418A (zh) | 推荐内容确定方法、装置、存储介质和计算机设备 | |
CN110084634B (zh) | 广告投放优化方法、装置、计算机设备及存储介质 | |
CN110147803A (zh) | 用户流失预警处理方法与装置 | |
CN105337783B (zh) | 监测通信设备非正常消耗流量的方法及装置 | |
CN111476510B (zh) | 一种风险用户识别的方法及系统、存储介质、设备 | |
CN105786830A (zh) | 计算机系统中模型自适应调整方法、装置及系统 | |
CN111835536B (zh) | 一种流量预测方法和装置 | |
JP5628745B2 (ja) | トラヒック予測方法及び装置及びプログラム | |
CA2760827A1 (en) | System for generating a housing price index | |
CN111105060A (zh) | 用户搬家行为的识别方法、装置、终端及计算机存储介质 | |
CN106803192A (zh) | 一种房地产的环境和周围配套的影响评估方法 | |
CN110070392B (zh) | 用户流失预警方法和装置 | |
WO2020211245A1 (zh) | 一种发展趋势数据获取方法、装置 | |
CN113051526A (zh) | 一种量化评估方法及装置 | |
CN113139826A (zh) | 广告位的分配权限确定方法、装置、计算机设备 | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN112073454B (zh) | 资源分发方法、装置、电子设备 | |
CN111401969B (zh) | 用于提高用户留存率的方法、装置、服务器及存储介质 | |
CN114265983A (zh) | 信息推送方法及装置、电子设备、计算机可读存储介质 | |
CN113256124A (zh) | 低效网点的筛选方法、装置、设备及存储介质 | |
CN113569938A (zh) | 基于时空域特征的业务大数据采集方法及服务器 | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200505 |
|
WD01 | Invention patent application deemed withdrawn after publication |