CN111260382A - 一种流失概率的预测处理方法及装置 - Google Patents
一种流失概率的预测处理方法及装置 Download PDFInfo
- Publication number
- CN111260382A CN111260382A CN201811457670.0A CN201811457670A CN111260382A CN 111260382 A CN111260382 A CN 111260382A CN 201811457670 A CN201811457670 A CN 201811457670A CN 111260382 A CN111260382 A CN 111260382A
- Authority
- CN
- China
- Prior art keywords
- user
- probability
- service
- determining
- loss probability
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种流失概率的预测处理方法及装置,该方法中,可以获取用户集合中每个用户的历史特征信息,并基于每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率,进而根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。采用上述方案,能够及时推测出哪些用户可能存在流失的风险,然后针对性地确定具有流失风险的用户的服务干预策略,从而可以在有效减少流失率的同时,节省服务资源。
Description
技术领域
本申请涉及计算机处理技术领域,尤其是涉及一种流失概率的预测处理方法及装置。
背景技术
随着互联网的快速发展和普及,越来越多的互联网产品应用到人们的日常生活中,例如当前较为流行的打车平台、订餐平台等。以打车平台为例,由于通过打车平台进行线上打车的用户越来越多,故为了尽可能的满足用户的打车需求,需要保证提供线上打车服务的司机的数量。
然而,实际应用中,打车平台中的司机方可能会因主观或客观的原因无法继续提供线上打车服务,容易出现大量司机流失的问题。面对司机流失的问题,目前打车平台往往是在司机方退出打车平台后才意识到司机方即将流失,并对司机方施加一些服务干预策略,如为司机方分配多一些的服务资源。但是上述处理方式的及时性较差,另外,对于一些司机方即使施加了服务干预策略,仍无法避免司机方流失的问题,反而浪费了服务资源。
发明内容
有鉴于此,本申请提供了一种流失概率的预测处理方法及装置,用以及时推测出哪些用户可能存在流失的风险并确定合适的服务干预策略。
第一方面,本申请实施例提供了一种流失概率的预测处理方法,该方法包括:
获取用户集合中每个用户的历史特征信息;
基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率;
根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
一种可能的实施方式中,所述根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息,包括:
根据每个用户的历史特征信息,计算每个用户的服务能力评估值;
基于每个用户的流失概率以及每个用户的服务能力评估值,从所述用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。
一种可能的实施方式中,所述根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略,包括:
根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中;
确定每个目标用户集合中的每个目标用户的服务干预策略。
一种可能的实施方式中,所述根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中,包括:
确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围;
将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
一种可能的实施方式中,所述确定每个目标用户集合中的每个目标用户的服务干预策略,包括:
针对第k个目标用户集合,k为正整数,根据所述第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定所述第k个目标用户集合的服务干预策略;
其中,所述第k个目标用户集合中每个目标用户共用所述第k个目标用户集合的服务干预策略。
一种可能的实施方式中,所述服务干预策略包括为目标用户分配的服务资源。
一种可能的实施方式中,在获取用户集合中每个用户的历史特征信息之前,还包括:
确定用户集合中每个用户的服务时长大于预设时长阈值。
一种可能的实施方式中,获取用户集合中每个用户的历史特征信息,包括:
获取用户集合中每个用户在最近的第一时间段内的历史特征信息;
所述基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率,包括:
根据每个用户在所述第一时间段内每个设定的单位时间段内的历史特征信息,确定每个用户的历史特征变化信息;
将每个用户在所述第一时间段内的所述历史特征信息、以及所述历史特征变化信息输入至所述流失概率预测模型中进行处理,得到每个用户的流失概率。
一种可能的实施方式中,根据以下步骤训练所述流失概率预测模型:
获取所述流失概率预测模型的训练样本集合和验证样本集合;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型;
基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率;
若预测出的流失概率的准确率小于预设值,则继续训练所述流失概率预测模型,直至确定所述流失概率预测模型预测出的流失概率的准确率大于或等于所述预设值。
一种可能的实施方式中,所述训练样本集合中包括所述用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型,包括:
基于所述连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值;
通过对比每个用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定每个用户的流失概率的预测误差;
判断确定出的所述预测误差是否小于设定的误差阈值;若不小于,则调整所述流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的所述预测误差小于所述误差阈值;若小于,则确定所述流失概率预测模型训练完成;
其中,N为大于1的整数,i取1至N-1中的任意整数。
一种可能的实施方式中,所述验证样本集合中包括所述用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息;
所述基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率,包括:
基于所述连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值;
通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定所述流失概率预测模型预测出的流失概率的准确率;
其中,M为大于1的整数,j取遍1至M-1中的任意整数。
一种可能的实施方式中,所述历史特征信息包括以下信息中的至少一种:
用户的总服务处理量、用户的服务时长、用户在设定的单位时间段内的平均服务效率、用户在设定的单位时间段内的平均服务处理量、用户的总服务效率、用户的服务评价分数、以及用于标识用户的用户标签。
第二方面,本申请提供一种流失概率的预测处理装置,包括:
获取模块,用于获取用户集合中每个用户的历史特征信息;
第一确定模块,用于基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率;
第二确定模块,用于根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
一种可能的设计中,所述第二确定模块,在根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息时,具体用于:
根据每个用户的历史特征信息,计算每个用户的服务能力评估值;
基于每个用户的流失概率以及每个用户的服务能力评估值,从所述用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。
一种可能的设计中,所述第二确定模块,在根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略时,具体用于:
根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中;
确定每个目标用户集合中的每个目标用户的服务干预策略。
一种可能的设计中,所述第二确定模块,在根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中时,具体用于:
确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围;
将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
一种可能的设计中,所述第二确定模块,在确定每个目标用户集合中的每个目标用户的服务干预策略时,具体用于:
针对第k个目标用户集合,k为正整数,根据所述第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定所述第k个目标用户集合的服务干预策略;
其中,所述第k个目标用户集合中每个目标用户共用所述第k个目标用户集合的服务干预策略。
一种可能的设计中,所述服务干预策略包括为目标用户分配的服务资源。
一种可能的设计中,所述装置还包括:
第三确定模块,用于在所述获取模块获取用户集合中每个用户的历史特征信息之前,确定用户集合中每个用户的服务时长大于预设时长阈值。
一种可能的设计中,所述获取模块,在获取用户集合中每个用户的历史特征信息时,具体用于:
获取用户集合中每个用户在最近的第一时间段内的历史特征信息;
所述第一确定模块,在基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率时,具体用于:
根据每个用户在所述第一时间段内每个设定的单位时间段内的历史特征信息,确定每个用户的历史特征变化信息;
将每个用户在所述第一时间段内的所述历史特征信息、以及所述历史特征变化信息输入至所述流失概率预测模型中进行处理,得到每个用户的流失概率。
一种可能的设计中,所述装置还包括模型训练模块;
所述模型训练模块,用于获取所述流失概率预测模型的训练样本集合和验证样本集合;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型;
基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率;
若预测出的流失概率的准确率小于预设值,则继续训练所述流失概率预测模型,直至确定所述流失概率预测模型预测出的流失概率的准确率大于或等于所述预设值。
一种可能的设计中,所述训练样本集合中包括所述用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息;
所述模型训练模块,在基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型时,具体用于:
基于所述连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值;
通过对比每个用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定每个用户的流失概率的预测误差;
判断确定出的所述预测误差是否小于设定的误差阈值;若不小于,则调整所述流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的所述预测误差小于所述误差阈值;若小于,则确定所述流失概率预测模型训练完成;
其中,N为大于1的整数,i取1至N-1中的任意整数。
一种可能的设计中,所述验证样本集合中包括所述用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息;
所述模型训练模块,在基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率时,具体用于:
基于所述连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值;
通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定所述流失概率预测模型预测出的流失概率的准确率;
其中,M为大于1的整数,j取遍1至M-1中的任意整数。
一种可能的设计中,所述历史特征信息包括以下信息中的至少一种:
用户的总服务处理量、用户的服务时长、用户在设定的单位时间段内的平均服务效率、用户在设定的单位时间段内的平均服务处理量、用户的总服务效率、用户的服务评价分数、以及用于标识用户的用户标签。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式涉及的流失概率的预测处理方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式涉及的流失概率的预测处理方法的步骤。
本申请实施例中,可以基于每个用户的历史特征信息以及预先训练的流失概率预测模型,预测出每个用户的流失概率,从而能够及时推测出哪些用户可能存在流失的风险。进一步地,还可以根据每个用户的流失概率和每个用户的历史特征信息,确定出需要实施服务干预策略的目标用户信息,并针对性地确定每个目标用户的服务干预策略。通过结合用户的流失概率以及用户的历史特征信息来确定目标用户以及对应的服务干预策略,从而使得确定出的服务干预策略更符合目标用户的实际需求,并且,也可以在尽可能降低流失率的情况下,避免服务资源的浪费。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例一种可适用的应用场景的示意图;
图2示出了本申请实施例提供的一种流失概率的预测处理方法的流程示意图;
图3示出了本申请实施例提供的流失概率模型训练及验证的流程示意图;
图4示出了本申请实施例提供的一种流失概率的预测处理装置的结构示意图;
图5示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,针对服务平台中用户的流失问题,服务平台往往是在接收到用户提出离职申请或退出服务平台的申请之后才意识到用户即将流失,并采用一定的服务干预策略对即将流失的用户的服务情况进行干预,以挽留即将流失的用户。上述处理方式,一方面获知用户的流失情况的及时性较差,另一方面,目前制定的干预策略都是人工预先配置好的固定的服务干预策略,这些服务干预策略的针对性较差,很难适应全部用户,故对于一些用户来说可能并不会起到挽留作用,反而浪费了服务资源。针对上述问题,本申请提供了一种流失概率的预测处理方法及装置,能够及时推测出哪些用户可能存在流失的风险,并且,可以通过结合用户的流失概率以及用户的历史特征信息来确定目标用户以及对应的服务干预策略,从而使得确定出的服务干预策略更符合目标用户的实际需求,并且,也可以在尽可能降低流失率的情况下,避免服务资源的浪费。
在介绍本申请提供的具体实施例之前,首先,对本申请可适用的应用场景进行说明。参照图1所示,为本申请实施例提供的一种可能的应用场景的示意图,包括业务服务器、以及用户使用的客户端1~n等。其中,业务服务器与用户使用的客户端之间可以建立通信连接,并基于通信连接来传输服务数据等。其中,用户既可以指服务提供方,也可以指服务请求方。例如,对于打车业务来说,服务提供方可以理解为提供打车服务的司机,打车平台的业务服务器可以与司机使用的客户端保持通信连接,进而可以获取每个客户端中记录的司机在执行打车服务时的服务数据,例如,可以通过获取客户端每一次接收的订单信息,来统计该司机的接单数量、以及每一个订单的服务时长等。本申请实施例中,业务服务器通过分析处理来自客户端的服务数据,可以确定每一个用户提供服务时的状态,进而推断出哪些用户可能存在流失的风险,并及时配置服务干预策略。具体实施过程请参见以下实施例。
实施例一
参照图2所示,为本申请实施例提供的一种流失概率的预测处理方法的流程示意图,包括:
步骤201、获取用户集合中每个用户的历史特征信息。
其中,用户集合可以是服务平台管理的用户所组成的集合,也可以是从服务平台管理的用户中筛选出的符合预设条件的用户所组成的集合。具体实施中,考虑到服务平台管理的用户可以有多种任职方式,例如包括全职、兼职等方式,而对于非全职的用户本身的流动性较大,即使施加服务干预策略可能并不会起到较佳的作用,故可以从服务平台管理的用户中筛选出的全职的用户,并针对全职的用户执行后续的流失概率的预测及处理流程。
一种可能的实施方式中,可以判断服务平台管理的每个用户的工作时长是否大于预设时长阈值,其中,对于工作时长大于预设时长阈值的用户可以视为是全职的用户,反之,工作时长不大于预设时长阈值的用户可以视为是非全职的用户,进而可以从服务平台管理的用户中筛选出工作时长大于预设时长阈值的用户,将筛选出的用户构成用户集合。
进一步地,在确定出用户集合之后,可以获取用户集合中每个用户的历史特征信息。具体的,业务服务器可以通过与每个用户使用的客户端进行通信,来获取并记录每个用户在每次提供服务时的服务数据,进而通过解析服务数据并对同一种服务数据进行汇总即可得到历史特征信息。
示例性的,历史特征信息可以包括以下信息中的一种或多种:用户的总服务处理量、用户的服务时长、用户在设定的单位时间段内的平均服务效率、用户在设定的单位时间段内的平均服务处理量、用户的总服务效率、用户的服务评价分数、以及用于标识用户的用户标签。
一示例中,假设针对打车平台管理的全职司机,那么获取到的全职司机的历史特征信息中,总服务处理量可以表示为司机的总接单量,服务时长可以表示为司机登录打车平台提供打车服务的时长,平均服务处理量可以表示为平均每小时接单量,服务评价分数可表示为司机提供打车服务时乘客评价的分数,用户标签可以表示为打车平台记录的司机标签。另外,由于司机的收入可以从侧面反映出司机的服务效率,故平均服务效率可以表示为司机的平均每小时收入,总服务效率可以表示为司机的总收入。
其中,司机登录打车平台提供打车服务的时长可以理解为是业务服务器每次接收到出车指令的时间至接收到收车指令的时间之间间隔的时长之和,另外对于非预约模式下的打车服务、和非预约模式下的打车服务,计算工作时长的方式也可以进行适应的调整,本申请对此不作限定。总收入可以理解为是司机完成的所有订单量带给打车平台的收益扣除发送给司机的补贴、奖励等之后剩余的收益。为司机配置的司机标签可以分为多种形式:比如以司机接单的活跃度为例,可分成的司机标签例如为低活跃度、正常活跃度、高活跃度等标签;再比如司机标签也可以包括认证司机、非认证司机等标签;另外,对于一些服务数据显示异常的司机,也可以配置数据未知的标签,以便于识别。
当然,实际应用时可以根据实际需求获取其它历史特征信息,例如,司机的职业、司机所在城市、司机的服务评价分数、计费时长、计费里程、接驾总距离、接驾总时长、订单取消率等,本申请对此并不限定。通过丰富用户的历史特征信息,可以使得后续预测用户的流失概率时更为准确。
步骤202、基于每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率。
本申请实施例中,获取的用户集合中每个用户的历史特征信息可以包括每个历史用户在最近的第一时间段内的历史特征信息。一种可能的实施方式中,还可以将第一时间段进一步划分成至少一个设定的单位时间段,进而根据每个用户在每个设定的单位时间段内的历史特征信息,确定历史特征变化信息。其中,历史特征变化信息例如包括每个设定的单位时间段内历史特征信息之间的方差、标准差等能够反映用户的历史特征信息的波动情况的信息。例如,假设用户的业务特征信息为用户的接单量、第一时间段为一个月、设定的单位时间段为一天,那么可以获取该用户在一个月内的接单量,可以进一步地对比这一个月内每一天的接单量,计算出每一天的接单量之间的方差或标准差,以反映用户的接单量的波动情况。
由于历史特征信息、以及历史特征变化信息都可以或多或少的反映出用户在提供服务时的状态等,而用户在提供服务时的状态也能反映出用户发生流失的可能性的大小,因此,可以通过分析用户集合中每个用户的历史特征信息、以及历史特征变化信息来推测每个用户的流失概率。其中,流失概率可以理解为是用户发生流失的可能性,流失概率越大,可以反映出用户发生流失的可能性也越大。
具体实施中,可以将每个用户在第一时间段内的历史特征信息、以及历史特征变化信息输入至预先训练的流失概率预测模型中进行处理,以得到每个用户的流失概率。其中,流失概率预测模型在投入使用之前,可以基于训练样本集合以及验证样本集合对流失概率预测模型分别进行训练及验证,关于训练和验证的过程将在下文实施例中进行详细介绍,这里暂不说明。
步骤203、根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
其中,目标用户信息例如为目标用户的标识信息,标识信息例如为目标用户的编号、目标用户使用的终端的设备号等。一示例中,在打车业务场景下,当目标用户为司机时,司机的标识信息可以包括司机在打车平台的注册名、手机号、司机使用的车牌号中的一种或多种。
具体实施中,考虑到每个用户的流失概率可能有所区别,若采用相同的服务干预策略对每个用户进行干预,例如,为用户配置相同的服务资源(例如包括相同的补贴或奖励等),那么对于那些流失概率非常高、几乎确定会流失的用户,可能出现即使施加了服务干预策略但也无法挽留用户的情况,这反而会浪费服务资源,增加运营成本。另外,用户的服务效率与用户的服务能力有关,考虑到不同用户的服务能力可能存在差别,对于一些流失概率较高、但是服务能力较差的这类用户,即使通过施加服务干预策略能够挽留这类用户,但是这类用户可能会影响服务平台的整体服务效率。
为此,本申请实施例中,将用户的流失概率和用户的历史特征信息相结合来共同确定需要实施服务干预策略的目标用户信息、以及每个目标用户的服务干预策略。其中,用户的历史特征信息可以从侧面反映出用户在历史时间段上的服务能力,将用户流失概率和用户的历史特征信息作为确定目标用户和服务干预策略的因素,实际上相当于将用户流失概率和用户的服务能力作为确定目标用户和服务干预策略的因素。通过上述方式来确定目标用户和服务干预策略,可以在避免服务资源的浪费的同时,也能保证服务平台的整体服务效率。
一种可能的实施方式中,在确定实施干预策略的目标用户信息时,可以根据每个用户的历史特征信息,计算每个用户的服务能力评估值。然后,可以基于每个用户的流失概率以及每个用户的服务能力评估值,从用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。其中,服务干预策略包括为目标用户分配的服务资源,服务资源例如包括为目标用户分配的奖励金额、以及优先分配的服务订单等,本申请对此并不限定。
通过上述实施方式,可以对流失概率较高、且服务能力较高的目标用户施加服务干预策略。而对于流失概率较高、且服务能力较低的用户不施加服务干预策略,以避免服务资源的浪费,同时保证服务平台的整体服务效率。
具体实施中,根据每个用户的历史特征信息,计算每个用户的服务能力评估值的方式有多种。一示例中,可以将每个用户的历史特征信息转换为具体的数值表示,然后为每一种历史特征信息赋予不同的权重,基于每个历史特征信息的数值以及对应的权重,进行加权求和后可以得到每个用户的服务能力评估值。
进一步地,在确定出实施服务干预策略的目标用户之后,还可以根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略。
一种可能的实施方式中,可以根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中,进而确定每个目标用户集合中的每个目标用户的服务干预策略。
示例性的,可以确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围,进一步将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
示例性的,在确定每个目标用户集合中的每个目标用户的服务干预策略时,可以针对第k个目标用户集合,k为正整数,根据第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定第k个目标用户集合的服务干预策略。其中,第k个目标用户集合中每个目标用户可以共用第k个目标用户集合的服务干预策略。
为便于理解,下面示例性说明下本申请实施例中将不同的目标用户划分至不同的目标用户集合中的方式。
具体的,可以首先确定用户集合中每个目标用户的流失概率处于的流失概率范围,进而将流失概率处于相同的流失概率范围的目标用户划分至同一分组内。进一步地,针对同一分组内的目标用户,还可以确定同一分组内每个目标用户的服务能力评估值处于的服务能力评估值范围,进而将同一分组内服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
其中,流失概率范围、服务能力评估值范围可以根据实际需求进行预先配置以及调整,流失概率范围的区间长度越短,服务能力评估值范围的区间长度越短,确定出的目标用户的服务干预策略的精度越高。
一示例中,在基于目标用户的流失概率划分不同分组时,可以将流失概率范围以及设定的组别对应记录,然后针对每个目标用户,判断该目标用户的流失概率处于哪一个流失概率范围内,进而将该目标用户划分到对应的组别中。
例如,流失概率范围以及设定的组别之间的对应关系例如为表1所示:
表1
流失概率(P)范围 | 组别 |
P≥95% | M1组 |
75%≤P<95% | M2组 |
40%≤P<75% | M3组 |
0≤P<40% | M4组 |
基于上述分组方式、以及表1所示的对应关系,可以将目标用户划分为M1组至M4组。其中,M1组内目标用户的流失概率在95%以上,M2组内目标用户的流失概率在75%~95%之间,M3组内目标用户的流失概率在40%~75%之间,M4组内目标用户的流失概率在0~40%之间。
进一步地,还可以基于目标用户的服务能力评估值,对M1至M4组中的目标用户进一步划分,得到不同的目标用户集合。
一示例中,可以将服务能力评估值范围以及设定的目标用户集合对应记录,然后针对M1至M4中的任一种目标用户,判断该目标用户的服务能力评估值处于哪一个服务能力评估值范围内,进而将该目标用户划分到对应的目标用户集合中。
例如,服务能力评估值范围例如划分为表2所述的4个等级:
表2
那么,对于M1组内的目标用户来说,可以进一步划分出4个目标用户集合,即:目标用户的流失概率在95%以上、服务能力评估值在95%以上的目标用户划分至目标用户集合#1中;目标用户的流失概率在95%以上、服务能力评估值在75%至95%之间的目标用户划分至目标用户集合#2中;目标用户的流失概率在95%以上、服务能力评估值在40%至75%之间的目标用户划分至目标用户集合#3;目标用户的流失概率在95%以上、服务能力评估值在0%至40%之间的目标用户划分至目标用户集合#4中。对于M2、M3、M4组内的目标用户同样可以采用上述划分方式,这里不再展开说明。
为便于理解,下面示例性说明下本申请实施例中确定每个目标用户集合中目标用户的服务干预策略的方式。
本申请实施例中,考虑到流失概率较低的用户本身流失的可能性就很低,即使不对这类用户进行干预,这类用户流失的可能性也不大。另外,考虑到流失概率很大的用户本身流失的可能性就很大,即使对这类用户进行干预,可能并不会起到挽留的作用。基于此,可以首先根据不同目标用户集合分别对应的流失概率范围,来确定每个流失概率范围对应的目标用户集合的服务干预策略。例如,当服务干预策略包括奖励金额时,可以将流失概率范围由大到小划分成不同的等级,对于等级很高的流失概率范围对应的目标用户集合、以及等级很低的流失概率范围对应的目标用户集合,可以适当的调低奖励金额,而对于等级处在中间部分的流失概率范围对应的目标用户集合,可以适当的调高奖励金额。
进一步的,对于流失概率范围相同、但是服务能力评估值范围不同的目标用户集合,可以根据服务能力评估值范围,确定每个目标用户集合的服务干预策略。例如,当服务干预策略包括奖励金额时,可以将服务能力评估值范围由大到小划分成不同的等级,其中,服务能力评估值范围的等级越高的目标用户集合,对应的奖励金额越高,反之,服务能力评估值范围的等级越低的目标用户集合,对应的奖励金额越低。
此外,业务服务器在确定每个目标用户的服务干预策略之后,还可以将服务干预策略分别下发至对应的用户使用的客户端中,以便指示用户配置的服务干预策略。
另外,具体实施中,在为不同的目标用户集合配置不同的服务干预策略时,针对不同的目标用户集合中任意一个目标用户集合内的目标用户,还可以将该目标用户集合内的目标用户分成对照组和实验组,其中,对照组内的目标用户未配置服务干预策略,实验组内的目标用户配置有服务干预策略。在预设时长内基于服务干预策略对实验组内的目标用户实施干预之后,确定实验组内的目标用户在预设时长内的流失率,并确定对照组内的目标用户在预设时长内的流失率。进而基于实验组内的目标用户在预设时长内的流失率、以及对照组内的目标用户在预设时长内的流失率,调整服务干预策略。
其中,实验组对应的流失率可以是预设时长之后实验组中已经流失的目标用户的人数与预设时长之前实验组中目标用户的总人数之间的比值,对照组对应的流失率可以是预设时长之后对照组中已经流失的目标用户的人数与预设时长之后对照组中目标用户的总人数之间的比值。具体的,可以通过对比实验组对应的流失率与对照组对应的流失率,来分析确定施加的服务干预策略能否有效降低目标用户的流失率,以及降低的幅度,以便于进一步对服务干预策略进行调整,使其发挥的作用更为明显。
当然,实际应用时,也可以通过对比实验组中目标用户的留存率以及对照组中目标用户的留存率来分析施加的服务干预策略能否有效降低目标用户的流失,其中,实验组(或对照组)对应的留存率即为预设时长之后实验组(或对照组)中留有的目标用户的人数与预设时长之前实验组(或对照组)中目标用户的总人数之间的比值。
此外,具体实施中,在得到不同服务干预策略下对目标用户的流失率(或留存率)的影响之后,也可以采用大数据分析的方法,训练得到用于生成服务干预策略的模型,进而基于训练得到的模型来自动生成服务干预策略,且这种生成服务干预策略的方式也更为灵活、准确。
实施例二
上述实施例一中介绍了预测用户的流失概率的过程,其中涉及了流失概率预测模型。在本实施例二中,主要对流失概率预测模型的训练以及验证方式进行详细说明,可参见图3所示的流失概率模型训练及验证的流程示意图,具体包括以下步骤:
步骤301:获取流失概率预测模型的训练样本集合和验证样本集合。
具体的,训练样本集合中可以包括用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息。验证样本集合中可以包括用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息。其中,N、M为大于1的整数,连续N个时间段与连续M个时间段不重合。例如,假设最近的第一时间段为第7个月,那么选取的连续N个时间段内的历史特征信息可以是第4至第6个月的历史特征信息,选取的M个时间段内的历史特征信息可以是第1至第3个月的历史特征信息。当然,实际应用时,连续N个时间段、与连续M个时间段也可以是交叉的形式,例如,连续N个时间段为第1、2个月,以及第5、6个月,连续M个时间段为第3、4个月等,本申请对此并不限定。
步骤302:基于训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型。
具体实施中,可以基于连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值。i可以取1至N-1中的任意整数。
一种可能的实施方式中,针对每个用户,可以将该用户在第i个时间段内的历史特征信息、以及历史特征变化信息输入至待训练的流失概率预测模型中,可输出该用户在第i+1个时间段内的流失概率的预测值。历史特征变化信息的确定方式可参见实施例一,这里不再赘述。
进一步地,通过对比该用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定流失概率的预测误差。
之后,可以判断确定出的预测误差是否小于设定的误差阈值。
若不小于,则调整流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的预测误差小于误差阈值;
若小于,则确定流失概率预测模型训练完成,进而执行对流失概率预测模型的验证过程。
步骤303:基于验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定流失概率预测模型预测出的流失概率的准确率。
具体实施中,可以基于连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值。其中,j取遍1至M-1中的任意整数。
进一步的,通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定流失概率预测模型预测出的流失概率的准确率。一种可能的实施方式中,可以分别计算每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值之间的准确率,将得到的准确率求取平均值,将准确率的平均值确定为流失概率预测模型预测出的流失概率的准确率。
步骤304:判断流失概率预测模型预测出的流失概率的准确率是否大于预设值。
若判断结果为是,则执行步骤305;
若判断结果为否,则返回执行步骤302,继续训练流失概率预测模型,直至确定流失概率预测模型预测出的流失概率的准确率大于或等于预设值。
步骤305:确定流失概率预测模型训练完成。
由此可训练得到流失概率预测模型。
本申请实施例中,可以基于每个用户的历史特征信息以及预先训练的流失概率预测模型,预测出每个用户的流失概率,从而能够及时推测出哪些用户可能存在流失的风险。进一步地,还可以根据每个用户的流失概率和每个用户的历史特征信息,确定出需要实施服务干预策略的目标用户,并针对性地确定每个目标用户的服务干预策略。通过结合用户的流失概率以及用户的历史特征信息来确定目标用户以及对应的服务干预策略,从而使得确定出的服务干预策略更符合目标用户的实际需求,并且,也可以在尽可能降低流失率的情况下,避免服务资源的浪费。
基于相同的技术构思,本申请还提供了流失概率的预测处理装置、电子设备、以及计算机存储介质等,具体可参见以下实施例。
实施例三
参照图4所示,为本申请实施例提供的流失概率的预测处理装置40的结构示意图,包括:
获取模块41,用于获取用户集合中每个用户的历史特征信息;
第一确定模块42,用于基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率;
第二确定模块43,用于根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
一种可能的设计中,所述第二确定模块43,在根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息时,具体用于:
根据每个用户的历史特征信息,计算每个用户的服务能力评估值;
基于每个用户的流失概率以及每个用户的服务能力评估值,从所述用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。
一种可能的设计中,所述第二确定模块43,在根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略时,具体用于:
根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中;
确定每个目标用户集合中的每个目标用户的服务干预策略。
一种可能的设计中,所述第二确定模块43,在根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中时,具体用于:
确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围;
将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
一种可能的设计中,所述第三确定模块,在确定每个目标用户集合中的每个目标用户的服务干预策略时,具体用于:
针对第k个目标用户集合,k为正整数,根据所述第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定所述第k个目标用户集合的服务干预策略;
其中,所述第k个目标用户集合中每个目标用户共用所述第k个目标用户集合的服务干预策略。
一种可能的设计中,所述服务干预策略包括为目标用户分配的服务资源。
一种可能的设计中,所述装置还包括:
第三确定模块44,用于在所述获取模块获取用户集合中每个用户的历史特征信息之前,确定用户集合中每个用户的服务时长大于预设时长阈值。
一种可能的设计中,所述获取模块41,在获取用户集合中每个用户的历史特征信息时,具体用于:
获取用户集合中每个用户在最近的第一时间段内的历史特征信息;
所述第一确定模块,在基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率时,具体用于:
根据每个用户在所述第一时间段内每个设定的单位时间段内的历史特征信息,确定每个用户的历史特征变化信息;
将每个用户在所述第一时间段内的所述历史特征信息、以及所述历史特征变化信息输入至所述流失概率预测模型中进行处理,得到每个用户的流失概率。
一种可能的设计中,所述装置还包括模型训练模块45;
所述模型训练模块,用于获取所述流失概率预测模型的训练样本集合和验证样本集合;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型;
基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率;
若预测出的流失概率的准确率小于预设值,则继续训练所述流失概率预测模型,直至确定所述流失概率预测模型预测出的流失概率的准确率大于或等于所述预设值。
一种可能的设计中,所述训练样本集合中包括所述用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息;
所述模型训练模块45,在基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型时,具体用于:
基于所述连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值;
通过对比每个用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定每个用户的流失概率的预测误差;
判断确定出的所述预测误差是否小于设定的误差阈值;若不小于,则调整所述流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的所述预测误差小于所述误差阈值;若小于,则确定所述流失概率预测模型训练完成;
其中,N为大于1的整数,i取1至N-1中的任意整数。
一种可能的设计中,所述验证样本集合中包括所述用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息;
所述模型训练模块45,在基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率时,具体用于:
基于所述连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值;
通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定所述流失概率预测模型预测出的流失概率的准确率;
其中,M为大于1的整数,j取遍1至M-1中的任意整数。
一种可能的设计中,所述历史特征信息包括以下信息中的至少一种:
用户的总服务处理量、用户的服务时长、用户在设定的单位时间段内的平均服务效率、用户在设定的单位时间段内的平均服务处理量、用户的总服务效率、用户的服务评价分数、以及用于标识用户的用户标签。
本申请实施例中,上述各模块的具体功能和交互方式,可参见上述方法实施例的记载,在此不再赘述。
本申请提供的上述装置,可以基于每个用户的历史特征信息以及预先训练的流失概率预测模型,预测出每个用户的流失概率,从而能够及时推测出哪些用户可能存在流失的风险。进一步地,还可以根据每个用户的流失概率和每个用户的历史特征信息,确定出需要实施服务干预策略的目标用户,并针对性地确定每个目标用户的服务干预策略。通过结合用户的流失概率以及用户的历史特征信息来确定目标用户以及对应的服务干预策略,从而使得确定出的服务干预策略更符合目标用户的实际需求,并且,也可以在尽可能降低流失率的情况下,避免服务资源的浪费。
实施例四
基于相同的技术构思,本申请实施例还提供了一种电子设备。参照图5所示,为本申请实施例提供的电子设备50的结构示意图,包括处理器51、存储器52、和总线53。其中,存储器52用于存储执行指令,包括内存521和外部存储器522;这里的内存521也称内存储器,用于暂时存放处理器51中的运算数据,以及与硬盘等外部存储器522交换的数据,处理器51通过内存521与外部存储器522进行数据交换,当电子设备50运行时,处理器51与存储器52之间通过总线53通信,使得处理器51在执行以下指令:
获取用户集合中每个用户的历史特征信息;
基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率;
根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
具体实施中,上述处理器51执行的处理中,根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息,包括:
根据每个用户的历史特征信息,计算每个用户的服务能力评估值;
基于每个用户的流失概率以及每个用户的服务能力评估值,从所述用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。
具体实施中,上述处理器51执行的处理中,根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略,包括:
根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中;
确定每个目标用户集合中的每个目标用户的服务干预策略。
具体实施中,上述处理器51执行的处理中,根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中,包括:
确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围;
将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
具体实施中,上述处理器51执行的处理中,确定每个目标用户集合中的每个目标用户的服务干预策略,包括:
针对第k个目标用户集合,k为正整数,根据所述第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定所述第k个目标用户集合的服务干预策略;
其中,所述第k个目标用户集合中每个目标用户共用所述第k个目标用户集合的服务干预策略。
其中,所述服务干预策略包括为目标用户分配的服务资源。
具体实施中,上述处理器51执行的处理中,在获取用户集合中每个用户的历史特征信息之前,还包括:
确定用户集合中每个用户的服务时长大于预设时长阈值。
具体实施中,上述处理器51执行的处理中,获取用户集合中每个用户的历史特征信息,包括:
获取用户集合中每个用户在最近的第一时间段内的历史特征信息;
具体实施中,上述处理器51执行的处理中,基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率,包括:
根据每个用户在所述第一时间段内每个设定的单位时间段内的历史特征信息,确定每个用户的历史特征变化信息;
将每个用户在所述第一时间段内的所述历史特征信息、以及所述历史特征变化信息输入至所述流失概率预测模型中进行处理,得到每个用户的流失概率。
具体实施中,上述处理器51执行的处理中,根据以下步骤训练所述流失概率预测模型:
获取所述流失概率预测模型的训练样本集合和验证样本集合;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型;
基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率;
若预测出的流失概率的准确率小于预设值,则继续训练所述流失概率预测模型,直至确定所述流失概率预测模型预测出的流失概率的准确率大于或等于所述预设值。
其中,所述训练样本集合中包括所述用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息;
具体的,上述处理器51执行的处理中,基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型,包括:
基于所述连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值;
针对每个用户,通过对比该用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定流失概率的预测误差;
判断确定出的所述预测误差是否小于设定的误差阈值;若不小于,则调整所述流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的所述预测误差小于所述误差阈值;若小于,则确定所述流失概率预测模型训练完成;
其中,N为大于1的整数,i取1至N-1中的任意整数。
其中,所述验证样本集合中包括所述用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息;
具体的,上述处理器51执行的处理中,所述基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率,包括:
基于所述连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值;
通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定所述流失概率预测模型预测出的流失概率的准确率;
其中,M为大于1的整数,j取遍1至M-1中的任意整数。
其中,所述历史特征信息包括以下信息中的至少一种:
用户的总业务处理量、用户的工作时长、用户在设定的单位时间段内的平均收入、用户在设定的单位时间段内的平均业务处理量、用户对应的净收益值、用户的业务评价分数、以及用于标识用户的业务标签。
本申请实施例中,上述处理器51的具体处理过程,可参见上述方法实施例的记载,在此不再赘述。
本申请提供的上述电子设备,可以基于每个用户的历史特征信息以及预先训练的流失概率预测模型,预测出每个用户的流失概率,从而能够及时推测出哪些用户可能存在流失的风险。进一步地,还可以根据每个用户的流失概率和每个用户的历史特征信息,确定出需要实施服务干预策略的目标用户,并针对性地确定每个目标用户的服务干预策略。通过结合用户的流失概率以及用户的历史特征信息来确定目标用户以及对应的服务干预策略,从而使得确定出的服务干预策略更符合目标用户的实际需求,并且,也可以在尽可能降低流失率的情况下,避免服务资源的浪费。
实施例五
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行流失概率的预测处理方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述流失概率的预测处理方法,从而解决现有方式中获知用户的流失情况的及时性较差、且制定的服务干预策略导致服务资源浪费的问题。
本申请实施例提供的流失概率的预测处理方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (26)
1.一种流失概率的预测处理方法,其特征在于,包括:
获取用户集合中每个用户的历史特征信息;
基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率;
根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
2.如权利要求1所述的方法,其特征在于,根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息,包括:
根据每个用户的历史特征信息,计算每个用户的服务能力评估值;
基于每个用户的流失概率以及每个用户的服务能力评估值,从所述用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。
3.如权利要求2所述的方法,其特征在于,所述根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略,包括:
根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中;
确定每个目标用户集合中的每个目标用户的服务干预策略。
4.如权利要求3所述的方法,其特征在于,所述根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中,包括:
确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围;
将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
5.如权利要求4所述的方法,其特征在于,所述确定每个目标用户集合中的每个目标用户的服务干预策略,包括:
针对第k个目标用户集合,k为正整数,根据所述第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定所述第k个目标用户集合的服务干预策略;
其中,所述第k个目标用户集合中每个目标用户共用所述第k个目标用户集合的服务干预策略。
6.如权利要求1至5任一所述的方法,其特征在于,所述服务干预策略包括为目标用户分配的服务资源。
7.如权利要求1所述的方法,其特征在于,在获取用户集合中每个用户的历史特征信息之前,还包括:
确定用户集合中每个用户的服务时长大于预设时长阈值。
8.如权利要求1所述的方法,其特征在于,获取用户集合中每个用户的历史特征信息,包括:
获取用户集合中每个用户在最近的第一时间段内的历史特征信息;
所述基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率,包括:
根据每个用户在所述第一时间段内每个设定的单位时间段内的历史特征信息,确定每个用户的历史特征变化信息;
将每个用户在所述第一时间段内的所述历史特征信息、以及所述历史特征变化信息输入至所述流失概率预测模型中进行处理,得到每个用户的流失概率。
9.如权利要求1所述的方法,其特征在于,根据以下步骤训练所述流失概率预测模型:
获取所述流失概率预测模型的训练样本集合和验证样本集合;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型;
基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率;
若预测出的流失概率的准确率小于预设值,则继续训练所述流失概率预测模型,直至确定所述流失概率预测模型预测出的流失概率的准确率大于或等于所述预设值。
10.如权利要求9所述的方法,其特征在于,所述训练样本集合中包括所述用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型,包括:
基于所述连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值;
通过对比每个用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定每个用户的流失概率的预测误差;
判断确定出的所述预测误差是否小于设定的误差阈值;若不小于,则调整所述流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的所述预测误差小于所述误差阈值;若小于,则确定所述流失概率预测模型训练完成;
其中,N为大于1的整数,i取1至N-1中的任意整数。
11.如权利要求9所述的方法,其特征在于,所述验证样本集合中包括所述用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息;
所述基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率,包括:
基于所述连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值;
通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定所述流失概率预测模型预测出的流失概率的准确率;
其中,M为大于1的整数,j取遍1至M-1中的任意整数。
12.如权利要求1至5、7至11任一所述的方法,其特征在于,所述历史特征信息包括以下信息中的至少一种:
用户的总服务处理量、用户的服务时长、用户在设定的单位时间段内的平均服务效率、用户在设定的单位时间段内的平均服务处理量、用户的总服务效率、用户的服务评价分数、以及用于标识用户的用户标签。
13.一种流失概率的预测处理装置,其特征在于,包括:
获取模块,用于获取用户集合中每个用户的历史特征信息;
第一确定模块,用于基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率;
第二确定模块,用于根据所述每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息以及对应的服务干预策略。
14.如权利要求13所述的装置,其特征在于,所述第二确定模块,在根据每个用户的流失概率和每个用户的历史特征信息,确定实施服务干预策略的目标用户信息时,具体用于:
根据每个用户的历史特征信息,计算每个用户的服务能力评估值;
基于每个用户的流失概率以及每个用户的服务能力评估值,从所述用户集合中筛选出流失概率高于第一设定值、且服务能力评估值高于第二设定值的用户,并将筛选出的用户确定为实施服务干预策略的目标用户,并确定每个目标用户对应的目标用户信息。
15.如权利要求14所述的装置,其特征在于,所述第二确定模块,在根据每个用户的流失概率和每个用户的历史特征信息,确定每个目标用户的服务干预策略时,具体用于:
根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中;
确定每个目标用户集合中的每个目标用户的服务干预策略。
16.如权利要求15所述的装置,其特征在于,所述第二确定模块,在根据每个目标用户的流失概率以及每个目标用户的服务能力评估值,将不同的目标用户划分至不同的目标用户集合中时,具体用于:
确定每个目标用户的流失概率处于的流失概率范围、以及每个目标用户的服务能力评估值处于的服务能力评估值范围;
将流失概率处于相同的流失概率范围、且服务能力评估值处于相同的服务能力评估值范围的目标用户划分至同一目标用户集合中。
17.如权利要求16所述的装置,其特征在于,所述第二确定模块,在确定每个目标用户集合中的每个目标用户的服务干预策略时,具体用于:
针对第k个目标用户集合,k为正整数,根据所述第k个目标用户集合对应的流失概率范围、以及服务能力评估值范围,确定所述第k个目标用户集合的服务干预策略;
其中,所述第k个目标用户集合中每个目标用户共用所述第k个目标用户集合的服务干预策略。
18.如权利要求13至17任一所述的装置,其特征在于,所述服务干预策略包括为目标用户分配的服务资源。
19.如权利要求13所述的装置,其特征在于,所述装置还包括:
第三确定模块,用于在所述获取模块获取用户集合中每个用户的历史特征信息之前,确定用户集合中每个用户的服务时长大于预设时长阈值。
20.如权利要求13所述的装置,其特征在于,所述获取模块,在获取用户集合中每个用户的历史特征信息时,具体用于:
获取用户集合中每个用户在最近的第一时间段内的历史特征信息;
所述第一确定模块,在基于所述每个用户的历史特征信息,以及预先训练的流失概率预测模型,确定每个用户的流失概率时,具体用于:
根据每个用户在所述第一时间段内每个设定的单位时间段内的历史特征信息,确定每个用户的历史特征变化信息;
将每个用户在所述第一时间段内的所述历史特征信息、以及所述历史特征变化信息输入至所述流失概率预测模型中进行处理,得到每个用户的流失概率。
21.如权利要求13所述的装置,其特征在于,所述装置还包括模型训练模块;
所述模型训练模块,用于获取所述流失概率预测模型的训练样本集合和验证样本集合;
基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型;
基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率;
若预测出的流失概率的准确率小于预设值,则继续训练所述流失概率预测模型,直至确定所述流失概率预测模型预测出的流失概率的准确率大于或等于所述预设值。
22.如权利要求21所述的装置,其特征在于,所述训练样本集合中包括所述用户集合中每个用户在最近的第一时间段之前的连续N个时间段内的历史特征信息;
所述模型训练模块,在基于所述训练样本集合中每个用户的历史特征信息,训练得到流失概率预测模型时,具体用于:
基于所述连续N个时间段中的第i个时间段内每个用户的历史特征信息、以及待训练的流失概率预测模型,得到每个用户在第i+1个时间段内的流失概率的预测值;
通过对比每个用户在第i+1个时间段内的流失概率的预测值与流失概率的真实值,确定每个用户的流失概率的预测误差;
判断确定出的所述预测误差是否小于设定的误差阈值;若不小于,则调整所述流失概率预测模型的模型参数,并执行下一轮确定流失概率的预测误差的步骤,直至确定出的所述预测误差小于所述误差阈值;若小于,则确定所述流失概率预测模型训练完成;
其中,N为大于1的整数,i取1至N-1中的任意整数。
23.如权利要求21所述的装置,其特征在于,所述验证样本集合中包括所述用户集合中每个用户在最近的第一时间段之前连续M个时间段内的历史特征信息;
所述模型训练模块,在基于所述验证样本集合中每个用户的历史特征信息,和训练得到的流失概率预测模型,确定所述流失概率预测模型预测出的流失概率的准确率时,具体用于:
基于所述连续M个时间段中的第j个时间段内每个用户的历史特征信息、以及训练得到的流失概率预测模型,确定每个用户在第j+1个时间段内的流失概率的预测值;
通过对比每一个用户在第j+1个时间段内的流失概率的预测值与流失概率的真实值,确定所述流失概率预测模型预测出的流失概率的准确率;
其中,M为大于1的整数,j取遍1至M-1中的任意整数。
24.如权利要求13至17、19至23任一所述的装置,其特征在于,所述历史特征信息包括以下信息中的至少一种:
用户的总服务处理量、用户的服务时长、用户在设定的单位时间段内的平均服务效率、用户在设定的单位时间段内的平均服务处理量、用户的总服务效率、用户的服务评价分数、以及用于标识用户的用户标签。
25.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至12任一所述的流失概率的预测处理方法的步骤。
26.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至12任一所述的流失概率的预测处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457670.0A CN111260382A (zh) | 2018-11-30 | 2018-11-30 | 一种流失概率的预测处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457670.0A CN111260382A (zh) | 2018-11-30 | 2018-11-30 | 一种流失概率的预测处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111260382A true CN111260382A (zh) | 2020-06-09 |
Family
ID=70951876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811457670.0A Pending CN111260382A (zh) | 2018-11-30 | 2018-11-30 | 一种流失概率的预测处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260382A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116405A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 数据处理方法、装置、电子设备及介质 |
CN112685674A (zh) * | 2020-12-30 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种影响用户留存的特征评估方法及装置 |
CN112862527A (zh) * | 2021-02-04 | 2021-05-28 | 北京嘀嘀无限科技发展有限公司 | 用户类型确定方法、装置、设备及存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN113240173A (zh) * | 2021-05-11 | 2021-08-10 | 中国联合网络通信集团有限公司 | 用户流失预测方法及装置 |
CN114430489A (zh) * | 2020-10-29 | 2022-05-03 | 武汉斗鱼网络科技有限公司 | 一种虚拟道具的补偿方法以及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130054306A1 (en) * | 2011-08-31 | 2013-02-28 | Anuj Bhalla | Churn analysis system |
CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
CN104504460A (zh) * | 2014-12-09 | 2015-04-08 | 北京嘀嘀无限科技发展有限公司 | 预测叫车平台的用户流失的方法和装置 |
CN107563816A (zh) * | 2017-09-08 | 2018-01-09 | 携程计算机技术(上海)有限公司 | 电子商务网站的用户流失的预测方法及系统 |
CN107679686A (zh) * | 2017-08-28 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 一种业务执行方法及装置 |
-
2018
- 2018-11-30 CN CN201811457670.0A patent/CN111260382A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130054306A1 (en) * | 2011-08-31 | 2013-02-28 | Anuj Bhalla | Churn analysis system |
CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
CN104504460A (zh) * | 2014-12-09 | 2015-04-08 | 北京嘀嘀无限科技发展有限公司 | 预测叫车平台的用户流失的方法和装置 |
CN107679686A (zh) * | 2017-08-28 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 一种业务执行方法及装置 |
CN107563816A (zh) * | 2017-09-08 | 2018-01-09 | 携程计算机技术(上海)有限公司 | 电子商务网站的用户流失的预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
尤春燕: "数据挖掘在电信客户流失管控中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03 * |
肖仲东: "数据挖掘在预测电信客户流失中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, pages 4 - 5 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116405A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 数据处理方法、装置、电子设备及介质 |
CN112116405B (zh) * | 2020-09-29 | 2024-02-02 | 中国银行股份有限公司 | 数据处理方法、装置、电子设备及介质 |
CN114430489A (zh) * | 2020-10-29 | 2022-05-03 | 武汉斗鱼网络科技有限公司 | 一种虚拟道具的补偿方法以及相关设备 |
CN112685674A (zh) * | 2020-12-30 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种影响用户留存的特征评估方法及装置 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN112862527A (zh) * | 2021-02-04 | 2021-05-28 | 北京嘀嘀无限科技发展有限公司 | 用户类型确定方法、装置、设备及存储介质 |
CN113240173A (zh) * | 2021-05-11 | 2021-08-10 | 中国联合网络通信集团有限公司 | 用户流失预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260382A (zh) | 一种流失概率的预测处理方法及装置 | |
US11272059B2 (en) | Exclusive agent pool allocation method, electronic device, and computer readable storage medium | |
CN110766269A (zh) | 一种任务分配方法、装置、可读存储介质及终端设备 | |
CN111913649B (zh) | 一种固态硬盘的数据处理方法及装置 | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
WO2019062000A1 (zh) | 业务员呼入分配方法、电子装置及计算机可读存储介质 | |
CN111930523A (zh) | 一种用于服务集群的负载均衡方法和系统 | |
CN111897706A (zh) | 服务器性能预测方法、装置、计算机系统和介质 | |
US20210349707A1 (en) | Upgrade determinations of devices based on telemetry data | |
CN112200444B (zh) | 业务分配方法、装置、设备及存储介质 | |
CN112494935B (zh) | 一种云游戏平台池化方法、电子设备及存储介质 | |
CN113776610A (zh) | 一种车辆油耗的确定方法及装置 | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
CN111598632B (zh) | 权益份额、权益份额序列的确定方法及装置 | |
CN110956297A (zh) | 一种流失概率的预测处理方法及装置 | |
CN111327661A (zh) | 推送方法、推送装置、服务器和计算机可读存储介质 | |
CN115827232A (zh) | 一种为业务模型确定配置的方法、装置、系统及设备 | |
CN112669091B (zh) | 数据处理方法、装置及存储介质 | |
CN110348916B (zh) | 用户留存度计算方法及装置 | |
CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN112819507A (zh) | 一种服务推送方法、装置、电子设备以及可读存储介质 | |
CN112836971A (zh) | 配额资源的确定方法和装置、电子设备和存储介质 | |
CN116319567B (zh) | 资源分配方法、资源分配设备和可读存储介质 | |
CN113139826A (zh) | 广告位的分配权限确定方法、装置、计算机设备 | |
CN109345283A (zh) | 礼品分配方法及系统、终端和计算机可读存储介质 |
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 |