CN111724185A - 用户维护方法和装置 - Google Patents

用户维护方法和装置 Download PDF

Info

Publication number
CN111724185A
CN111724185A CN201910217415.7A CN201910217415A CN111724185A CN 111724185 A CN111724185 A CN 111724185A CN 201910217415 A CN201910217415 A CN 201910217415A CN 111724185 A CN111724185 A CN 111724185A
Authority
CN
China
Prior art keywords
user
identified
category
category information
training
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
Application number
CN201910217415.7A
Other languages
English (en)
Inventor
茹英英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201910217415.7A priority Critical patent/CN111724185A/zh
Publication of CN111724185A publication Critical patent/CN111724185A/zh
Pending legal-status Critical Current

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

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用户维护方法和装置，涉及计算机技术领域。其中，该方法包括：在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据；将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息；其中，所述用户类别检测器是通过对机器学习模型进行训练得到的；所述类别信息用于表明用户具有流失倾向或者不具有流失倾向；将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。通过以上方法，能够更加精准、高效地识别具有流失倾向的用户，进而有助于提高用户维护工作的效率，降低企业进行用户维护所需的人力、物力成本。

Description

用户维护方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种用户维护方法和装置。
背景技术
用户维护工作对于企业至关重要。在用户维护工作中，需要识别潜在流失用户和非潜在流失用户，以便有针对性地开展用户维系、挽留工作。以电商行业为例，企业招商团队每年招引大量商家入驻电商平台，在合约到期后可能有很多商家不再续签，即出现商家流失。为了缓解商家流失问题，电商企业需要及时识别潜在流失商家并进行有针对性地维护工作。
在现有技术中，主要依赖企业运营人员对商家的了解程度，人为识别潜在流失用户和非潜在流失用户。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：第一、企业运营人员对潜在流失用户进行人为识别的主观性太强，无法全面考虑影响用户流失的各方面因素，导致识别结果不准确，进而无法有效开展用户维系工作；第二、在实际情况中，由于用户数量巨大，企业运营人员仅能针对极少数的重要用户是否会流失进行人为识别，远远无法满足企业对潜在流失用户进行识别的需求，而且人为识别耗费了大量人力、物力成本，识别效率低。第三、面对大量企业对潜在流失用户进行识别、以及进行用户维护的需求，现有技术中并不存在任何能够满足该需求的计算机应用服务。
发明内容
有鉴于此，本发明提供一种用户维护方法和装置，能够更加精准、高效地识别具有流失倾向的用户，进而有助于提高用户维护工作的效率，降低企业进行用户维护所需的人力、物力成本。
为实现上述目的，根据本发明的一个方面，提供了一种用户维护方法。
本发明的用户维护方法包括：在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据；其中，所述待识别用户的特征数据包括多个特征指标；将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息；其中，所述用户类别检测器是通过对机器学习模型进行训练得到的；所述类别信息用于表明用户具有流失倾向或者不具有流失倾向；将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
可选地，所述方法还包括：在执行所述获取待识别用户的特征数据的步骤之前，根据待识别用户的标识查询数据库，并确认所述数据库不存在与所述待识别用户的标识匹配的类别信息；以及，在执行所述将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息的步骤之后，将所述待识别用户的类别信息保存至所述数据库。
可选地，所述方法还包括：根据如下方式对机器学习模型进行训练以得到所述用户类别检测器：获取训练所需的用户基础数据；其中，所述用户基础数据包括多个候选特征指标；基于相关性分析法从所述用户基础数据中筛选出多个特征指标，并根据所述多个特征指标构建训练样本集；基于所述训练样本集对机器学习模型进行训练，以得到所述用户类别检测器。
可选地，所述基于相关性分析法从所述用户基础数据筛选出多个特征指标的步骤包括：计算多个候选特征指标中任意两个的相关系数；在两个候选特征指标的相关系数大于第一阈值的情况下，对所述两个候选特征指标进行择一剔除；将剔除处理后剩余的候选特征指标作为构建训练样本集所需的特征指标。
可选地，所述相关系数包括：Pearson相关系数、Spearman相关系数或Kendall相关系数。
可选地，所述机器学习模型包括：逻辑回归模型或随机森林模型。
可选地，所述待识别用户包括：电商平台上的入驻商家；所述用户基础数据包括入驻商家的以下至少两类候选特征指标：销量指标、流量指标、消费者数量指标、广告指标、活动指标、库存指标、店铺装修指标。
为实现上述目的，根据本发明的另一方面，提供了一种用户维护装置。
本发明的用户维护装置包括：获取模块，用于在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据；其中，所述待识别用户的特征数据包括多个特征指标；检测模块，用于将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息；其中，所述用户类别检测器是通过对机器学习模型进行训练得到的；所述类别信息用于表明用户具有流失倾向或者不具有流失倾向；发送模块，用于将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
可选地，所述装置还包括：查询模块，用于在所述获取模块执行所述获取待识别用户的特征数据的操作之前，根据待识别用户的标识查询数据库，并确认所述数据库不存在与所述待识别用户的标识匹配的类别信息；以及，保存模块，用于在所述检测模块执行所述将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息的操作之后，将所述待识别用户的类别信息保存至所述数据库。
可选地，所述装置还包括：训练模块，用于根据如下方式对机器学习模型进行训练以得到所述用户类别检测器：获取训练所需的用户基础数据；其中，所述用户基础数据包括多个候选特征指标；基于相关性分析法从所述用户基础数据中筛选出多个特征指标，并根据所述多个特征指标构建训练样本集；基于所述训练样本集对机器学习模型进行训练，以得到所述用户类别检测器。
为实现上述目的，根据本发明的再一个方面，提供了一种电子设备。
本发明的电子设备，包括：一个或多个处理器；以及，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的用户维护方法。
为实现上述目的，根据本发明的又一个方面，提供了一种计算机可读介质。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明的用户维护方法。
上述发明中的一个实施例具有如下优点或有益效果：通过在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据，将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息，将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护这些步骤，能够更加精准、高效地识别具有流失倾向的用户，进而有助于提高用户维护工作的效率，降低企业进行用户维护所需的人力、物力成本。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例的用户维护方法的主要流程示意图；
图2是根据本发明另一实施例的用户维护方法的主要流程示意图；
图3是根据本发明实施例的稳定度指数分布示意图；
图4是根据本发明一个实施例的用户维护装置的主要模块示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明一个实施例的用户维护方法的主要流程示意图。本发明实施例的方法可由用户维护装置执行。其中，用户维护装置可以为计算机等电子设备。如图1所示，本发明实施例的用户维护方法包括：
步骤S101、在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据。
示例性地，所述服务使用方可以为企业(比如电商企业)人员，所述用户可以为与该企业有合作关系的人员(比如入驻电商平台的商家)，也可以为该企业所服务的消费者。
在一个可选实施方式中，所述用户类别识别请求可包括：待识别用户的标识。在该可选实施方式中，用户维护装置可通过解析用户类别识别请求得到待识别用户的标识，然后根据所述待识别用户的标识查询数据库，以得到所述待识别用户的特征数据。其中，所述待识别用户的特征数据可包括多个特征指标。
在另一个可选实施方式中，所述用户类别识别请求可包括：服务使用方标识。在该可选实施方式中，用户维护装置可通过解析用户类别识别请求得到服务使用方标识，然后根据所述服务使用方标识查询数据库，以得到该服务使用方负责维护的所有待识别用户的特征数据。
步骤S102、将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息。
其中，所述用户类别检测器是通过对机器学习模型进行训练得到的。示例性地，所述机器学习模型可包括：逻辑回归模型或随机森林模型。所述用户的类别信息用于表明用户具有流失倾向或者不具有流失倾向。
步骤S103、将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
在本发明实施例中，通过以上步骤实现了用户类别的自动识别。与人工识别用户类别相比，本发明通过接收用户类别识别请求、获取用户特征数据、将用户特征数据输入训练得到的用户类别检测器等步骤，能够更加精准、高效地识别出具有流失倾向的用户，进而有助于服务使用方根据用户类别信息开展用户维护工作，提高用户维护工作的效率，降低服务使用方进行用户维护所需的人力、物力成本。
图2是根据本发明另一实施例的用户维护方法的主要流程示意图。如图2所示，本发明实施例的用户维护方法包括：
步骤S201、获取训练所需的用户基础数据。其中，所述用户基础数据可包括多个候选特征指标。
示例性地，所述用户可以为应用平台(比如电商平台)上的商家。在该步骤中，可从数据源(例如数据库)获取应用平台上一定数量的商家的基础数据。其中，所述商家的基础数据可包括以下至少两类候选特征指标：销量指标、流量指标、消费者数量指标、广告指标、活动指标、库存指标、店铺装修指标等。例如，商家基础数据可包括如表1所示的候选特征指标。
表1
Figure BDA0002002539190000071
下面对表1涉及的部分候选特征指标进行说明。在表1中，有效订单量是指消费者下单操作形成的订单量，财务订单量是指下单且付款并剔除退换货情况的订单量，有效金额是指有效订单产生的金额，财务金额是指财务订单产生的金额，成交金额是指下单且付款的订单产生的金额，PV是指商家店铺商品详情页的页面浏览量，UV是指商家店铺网页的独立访客数，SPU上新率是指商家店铺每月上新商品占店铺总商品的比值。
进一步，在获取用户基础数据后，还可对用户基础数据所包括的候选特征指标进行加工。例如，可计算表1所示部分候选特征指标(比如销量、流量、消费者数量等指标)在一定时间段内的变化，从而得到新的候选特征指标。以表1中的候选特征指标“成交金额”为例，可计算得到新的候选特征指标“商家在六个月内成交金额的变化”，其计算公式如下：
Figure BDA0002002539190000081
Figure BDA0002002539190000082
Figure BDA0002002539190000083
其中，deal_gmv_change为六个月内成交金额的变化，i的取值为1、2、3、4、5，Ri为商家成交金额环比，Ti为商家所在行业同时期成交金额环比，deal_gmvi+1为商家在第i+1月内的成交金额，deal_gmvi为商家在第i月内的成交金额，Total_gmvi+1为商家所在行业在第i+1月内的成交金额，Total_gmvi为商家所在行业在第i月内的成交金额。
步骤S202、基于相关性分析法从所述用户基础数据中筛选出多个特征指标，并根据所述多个特征指标构建训练样本集。
其中，相关性分析法，是指对两个或多个具备相关性的候选特征指标进行分析，从而衡量两个候选特征指标的相关密切程度。在本发明实施例中，通过先从多个候选特征指标中筛选出多个特征指标，再根据所述多个特征指标构建训练样本集，不仅有助于减少机器学习模型训练过程中的数据量，提高训练效率，而且有助于提高训练得到的用户类别检测器的检测效果。
进一步，在步骤S202中，所述基于相关性分析法从所述用户基础数据筛选出多个特征指标可包括：步骤a至步骤c。
步骤a、计算多个候选特征指标中任意两个的相关系数。
其中，所述相关系数可以为Pearson相关系数(皮尔逊相关系数)、Spearman相关系数(斯皮尔曼相关系数)或Kendall相关系数(肯德尔相关系数)。
进一步，在选取的相关系数为Pearson相关系数时，可根据如下公式进行计算：
Figure BDA0002002539190000091
其中，r为两个候选特征指标间的Pearson相关系数，n为样本量(可理解为待识别的用户量)，Xi、Yi为两个候选特征指标间的第i个样本值，
Figure BDA0002002539190000092
为两个候选特征指标间的样本均值。
步骤b、在两个候选特征指标的相关系数大于第一阈值的情况下，对所述两个候选特征指标进行择一剔除。
其中，第一阈值可根据实际需求进行设置。例如，第一阈值可设为0.7。假设成交订单量和财务订单量这两个候选特征指标的相关系数为1，相关系数大于0.7，表明这两个候选特征指标有很强的相关性，则可将这两个候选特征指标中的一个剔除；假设PV和UV这两个候选特征指标的相关系数为0.4，相关系数小于0.7，表明这两个候选特征指标的相关性很弱，则可将这两个候选特征指标都保留下来。
步骤c、将剔除处理后剩余的候选特征指标作为构建训练样本集所需的特征指标。
例如，通过对表1所示的候选特征指标进行指标加工、以及相关性分析等处理后，可得到如表2所示的特征指标。
表2
Figure BDA0002002539190000101
在筛选出如表2所示的特征指标之后，可基于这些特征指标的统计数据构建训练样本集。例如，某个训练样本集包括100个已知流失与否的商家的样本数据，每个商家的样本数据由表2所示特征指标的统计数据组成。
在本发明实施例中，通过基于相关性分析对候选特征指标进行筛选，能够有效剔除冗余的高相关指标，避免后续训练过程中存在冗余数据，有助于提高训练得到的用户类别检测器的识别效果。
步骤S203、基于所述训练样本集对机器学习模型进行训练，以得到用户类别检测器。
示例性地，所述机器学习模型可包括逻辑回归模型。在该示例中，步骤S203具体包括：基于训练样本集对逻辑回归模型进行训练，以确定各个特征指标的权重；基于各个特征指标的权重、各个特征指标计算训练样本集中每个用户的稳定度指数；通过分析训练样本集中每个用户的稳定度指数与流失率的关系，确定第二阈值。其中，第二阈值用于在后续识别过程中判定具有流失倾向的用户和不具有流失倾向的用户。具体来说，在后续识别过程中，将稳定度指数大于或等于第二阈值的用户识别为不具有流失倾向的用户，将稳定度指数大于第二阈值的用户识别为具有流失倾向的用户。
具体来说，在上述示例的训练过程中，可基于梯度下降法对逻辑回归模型进行训练，以得到各个特征指标的权重，之后可基于各个特征指标的权重以及各个特征指标构建如下稳定度指数计算公式，以计算训练样本集中每个用户的稳定度指数：
Figure BDA0002002539190000111
其中，Stab_score为用户的稳定度指数，Wi为第i个特征指标的权重，Ii为第i个特征指标，M为特征指标的总个数，WiIi为第i个特征指标的得分值。
在另一个可选实施方式中，在基于上述公式确定用户的稳定度指数之后，还可对用户的稳定度指数进行标准化处理，以将稳定度指数转换为0至100内的数值，然后，通过分析标准化处理后用户的稳定度指数与流失率的关系，确定第二阈值。示例性地，所述标准化处理可采用如下公式：
Figure BDA0002002539190000112
其中，Stab_score'为标准化处理后用户的稳定度指数，Stab_score为标准化处理前用户的稳定度指数。
步骤S204、在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据。
示例性地，所述服务使用方可以为企业(比如电商企业)人员，所述用户可以为与该企业有合作关系的人员(比如入驻电商平台的商家)，也可以为该企业所服务的消费者。
在一个可选实施方式中，所述用户类别识别请求可包括：待识别用户的标识。在该可选实施方式中，用户维护装置可通过解析用户类别识别请求得到待识别用户的标识，然后根据所述待识别用户的标识查询数据库，以得到所述待识别用户的特征数据。其中，所述待识别用户的特征数据可包括多个特征指标。
在另一个可选实施方式中，所述用户类别识别请求可包括：服务使用方标识。在该可选实施方式中，用户维护装置可通过解析用户类别识别请求得到服务使用方标识，然后根据所述服务使用方标识查询数据库，以得到该服务使用方负责维护的所有待识别用户的特征数据。
可选地，本发明实施例的方法还可包括以下步骤：在执行所述获取待识别用户的特征数据的步骤之前，根据待识别用户的标识查询数据库，并确认所述数据库不存在与所述待识别用户的标识匹配的类别信息；以及，在执行所述将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息的步骤之后，将所述待识别用户的类别信息保存至所述数据库。进一步，本发明实施例的方法还包括：在数据库存在与待识别用户的标识匹配的类别信息的情况下，从所述数据库获取待识别用户的类别信息，然后执行步骤S206。在本发明实施例中，通过以上步骤，能够尽量避免用户类别检测器的重复调用，缓解用户类别检测器的压力，提高系统性能。
步骤S205、将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息。其中，所述类别信息用于表明用户具有流失倾向或者不具有流失倾向。
示例性地，所述用户类别检测器可以通过对逻辑回归模型进行训练得到。在该示例中，可将所述待识别用户的特征数据代入步骤S203已构建的稳定度指数计算公式，以得到待识别用户的稳定度指数，然后将待识别用户的稳定度指数与第二阈值进行比较，并根据比较结果确定待识别用户的类别信息。具体来说，在该步骤中，可将所述稳定度指数小于第二阈值的用户确定为具有流失倾向的用户，将所述稳定度指数大于或等于第二阈值的用户确定为不具有流失倾向的用户。例如，假设将第二阈值设为30，若某用户的稳定度指数小于30，则可将该用户判定为具有流失倾向的用户；若某用户的稳定度指数大于或等于30，则可将该用户判定为不具有流失倾向的用户。
在一个可选实施方式中，在基于稳定度指数计算公式得到待识别用户的稳定度指数之后，还可对得到的稳定度指数进行标准化处理，然后再将标准化处理后的稳定度指数与第二阈值进行比较。
步骤S206、将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
可选地，本发明实施例的方法还可包括以下步骤：在确定待识别用户的类别信息之后，记录具有流失倾向的用户中每个特征指标的得分值。通过这一步骤，便于运营人员针对具有流失倾向的用户中得分极低的特征指标进行分析，便于深入了解商家流失原因，从而有助于商家维系、挽留工作的有效开展。
在本发明实施例中，通过以上步骤不仅能够精准、高效地识别具有流失倾向的用户，而且能够有效解决企业运营由于人员精力有限而无法对大量用户进行预测的问题，既减少了企业运营的人工成本，又提高了企业运营效率。
图3是根据本发明实施例的稳定度指数分布示意图。如图3所示，可通过分析用户的稳定度指数(又可称为“稳定度得分”，即图3中的横坐标)与流失率(图3中纵坐标)的关系，确定第二阈值。如图3所示，可将第二阈值设为30。若用户的稳定度指数小于30分，则可将该用户判定为具有流失倾向的客户；若用户的稳定度指数大于或等于30分，则可将该用户判定为不具有流失倾向的用户。
进一步，在图3中，还可将不具有流失倾向的用户划分为高稳定度用户、中稳定度用户，具体为：若用户的稳定度指数大于70分，则可将该用户判定为高稳定度用户；若用户的稳定度指数大于等于30、且小于等于70，则可将该用户判定为中稳定度用户。
图4是根据本发明一个实施例的用户维护装置的主要模块示意图。如图4所示，本发明实施例的用户维护装置400包括：获取模块401、检测模块402、发送模块403。
获取模块401，用于在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据。其中，所述待识别用户的特征数据包括多个特征指标。
示例性地，所述服务使用方可以为企业(比如电商企业)人员，所述用户可以为与该企业有合作关系的人员(比如入驻电商平台的商家)，也可以为该企业所服务的消费者。
在一个可选实施方式中，所述用户类别识别请求可包括：待识别用户的标识。在该可选实施方式中，获取模块401可通过解析用户类别识别请求得到待识别用户的标识，然后根据所述待识别用户的标识查询数据库，以得到所述待识别用户的特征数据。其中，所述待识别用户的特征数据可包括多个特征指标。
在另一个可选实施方式中，所述用户类别识别请求可包括：服务使用方标识。在该可选实施方式中，获取模块401可通过解析用户类别识别请求得到服务使用方标识，然后根据所述服务使用方标识查询数据库，以得到该服务使用方负责维护的所有待识别用户的特征数据。
检测模块402，用于将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息。其中，所述用户类别检测器是通过对机器学习模型进行训练得到的。示例性地，所述机器学习模型可包括：逻辑回归模型或随机森林模型。所述用户的类别信息用于表明用户具有流失倾向或者不具有流失倾向。
发送模块403，用于将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
进一步，本发明实施例的用户维护装置还可包括：查询模块和保存模块。查询模块，用于在获取模块401执行所述获取待识别用户的特征数据的操作之前，根据待识别用户的标识查询数据库，并确认所述数据库不存在与所述待识别用户的标识匹配的类别信息；查询模块，还用于在所述数据库存在与所述待识别用户的标识匹配的类别信息的情况下，从所述数据库获取待识别用户的类别信息，然后通过发送模块403将所述待识别用户的类别信息返回至所述终端设备。保存模块，用于在检测模块402执行所述将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息的操作之后，将所述待识别用户的类别信息保存至所述数据库。在本发明实施例中，通过设置查询模块和保存模块，能够尽量避免用户类别检测器的重复调用，缓解用户类别检测器的压力，提高系统性能。
进一步，本发明实施例的用户维护装置还可包括：训练模块。训练模块，用于根据如下方式对机器学习模型进行训练以得到所述用户类别检测器：训练模块获取训练所需的用户基础数据；训练模块基于相关性分析法从所述用户基础数据中筛选出多个特征指标，并根据所述多个特征指标构建训练样本集；训练模块基于所述训练样本集对机器学习模型进行训练，以得到所述用户类别检测器。
其中，所述用户基础数据包括多个候选特征指标。例如，所述商家的基础数据可包括以下至少两类候选特征指标：销量指标、流量指标、消费者数量指标、广告指标、活动指标、库存指标、店铺装修指标等。
其中，相关性分析法，是指对两个或多个具备相关性的候选特征指标进行分析，从而衡量两个候选特征指标的相关密切程度。在一可选实施方式中，所述训练模块基于相关性分析法从所述用户基础数据筛选出多个特征指标可包括：操作1至操作3。
操作1、训练模块计算多个候选特征指标中任意两个的相关系数。其中，所述相关系数可以为Pearson相关系数(皮尔逊相关系数)、Spearman相关系数(斯皮尔曼相关系数)或Kendall相关系数(肯德尔相关系数)。进一步，在选取的相关系数为Pearson相关系数时，可根据如下公式进行计算：
Figure BDA0002002539190000151
其中，r为两个候选特征指标间的Pearson相关系数，n为样本量(可理解为待识别的用户量)，Xi、Yi为两个候选特征指标间的第i个样本值，
Figure BDA0002002539190000161
为两个候选特征指标间的样本均值。
操作2、在两个候选特征指标的相关系数大于第一阈值的情况下，训练模块对所述两个候选特征指标进行择一剔除。
其中，第一阈值可根据实际需求进行设置。例如，第一阈值可设为0.7。假设成交订单量和财务订单量这两个候选特征指标的相关系数为1，相关系数大于0.7，表明这两个候选特征指标有很强的相关性，则可将这两个候选特征指标中的一个剔除；假设PV和UV这两个候选特征指标的相关系数为0.4，相关系数小于0.7，表明这两个候选特征指标的相关性很弱，则可将这两个候选特征指标都保留下来。
操作3、训练模块将剔除处理后剩余的候选特征指标作为构建训练样本集所需的特征指标。
在本发明实施例中，通过先从多个候选特征指标中筛选出多个特征指标，再根据所述多个特征指标构建训练样本集，不仅有助于减少机器学习模型训练过程中的数据量，提高训练效率，而且有助于提高训练得到的用户类别检测器的检测效果。
其中，所述机器学习模型包括逻辑回归模型。在一可选实施方式中，所述训练模块基于所述训练样本集对机器学习模型进行训练，以得到用户类别检测器包括：基于训练样本集对逻辑回归模型进行训练，以确定各个特征指标的权重；基于各个特征指标的权重、各个特征指标计算训练样本集中每个用户的稳定度指数；通过分析训练样本集中每个用户的稳定度指数与流失率的关系，确定第二阈值。其中，第二阈值用于在后续识别过程中判定具有流失倾向的用户和不具有流失倾向的用户。具体来说，在后续识别过程中，检测模块302将稳定度指数大于或等于第二阈值的用户识别为不具有流失倾向的用户，将稳定度指数大于第二阈值的用户识别为具有流失倾向的用户。
进一步，在上述可选实施方式中，训练模块可基于梯度下降法对逻辑回归模型进行训练，以得到各个特征指标的权重，之后可基于各个特征指标的权重以及各个特征指标构建如下稳定度指数计算公式，以计算训练样本集中每个用户的稳定度指数：
Figure BDA0002002539190000171
其中，Stab_score为用户的稳定度指数，Wi为第i个特征指标的权重，Ii为第i个特征指标，M为特征指标的总个数，WiIi为第i个特征指标的得分值。其中，所述稳定度指数用于表示用户的稳定性大小。通常，用户的稳定度指数越大表示用户的稳定性越好，用户的稳定度指数越小表示用户的稳定性越差。
在另一个可选实施方式中，训练模块在基于上述稳定度指数计算公式确定用户的稳定度指数之后，还可对用户的稳定度指数进行标准化处理，以将稳定度指数转换为0至100内的数值，然后训练模块通过分析标准化处理后用户的稳定度指数与流失率的关系，确定第二阈值。示例性地，所述标准化处理可采用如下公式：
Figure BDA0002002539190000172
其中，Stab_score'为标准化处理后用户的稳定度指数，Stab_score为标准化处理前用户的稳定度指数。
在本发明实施例中，通过以上装置不仅能够精准、高效地识别具有流失倾向的客户，进而有助于提高用户维护工作的效率，降低企业进行用户维护所需的人力、物力成本。
图5示出了可以应用本发明实施例的用户维护方法或用户维护装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
服务使用者可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所发出的用户类别识别请求提供支持的后台管理服务器。后台管理服务器可以对接收到的用户类别识别请求等数据进行分析等处理，并将处理结果(例如待识别用户的类别信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的用户维护方法一般由服务器505执行，相应地，确用户维护装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，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，本发明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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示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。在本发明中，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。而在本发明中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、检测模块和发送模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“将所述待识别用户的类别信息返回至所述终端设备的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行以下流程：在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据；将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息；其中，所述用户类别检测器是通过对机器学习模型进行训练得到的；所述类别信息用于表明用户具有流失倾向或者不具有流失倾向；将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种用户维护方法，其特征在于，所述方法包括：
在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据；其中，所述待识别用户的特征数据包括多个特征指标；
将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息；其中，所述用户类别检测器是通过对机器学习模型进行训练得到的；所述类别信息用于表明用户具有流失倾向或者不具有流失倾向；
将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在执行所述获取待识别用户的特征数据的步骤之前，根据待识别用户的标识查询数据库，并确认所述数据库不存在与所述待识别用户的标识匹配的类别信息；以及，
在执行所述将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息的步骤之后，将所述待识别用户的类别信息保存至所述数据库。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据如下方式对机器学习模型进行训练以得到所述用户类别检测器：获取训练所需的用户基础数据；其中，所述用户基础数据包括多个候选特征指标；基于相关性分析法从所述用户基础数据中筛选出多个特征指标，并根据所述多个特征指标构建训练样本集；基于所述训练样本集对机器学习模型进行训练，以得到所述用户类别检测器。
4.根据权利要求3所述的方法，其特征在于，所述基于相关性分析法从所述用户基础数据筛选出多个特征指标的步骤包括：
计算多个候选特征指标中任意两个的相关系数；在两个候选特征指标的相关系数大于第一阈值的情况下，对所述两个候选特征指标进行择一剔除；将剔除处理后剩余的候选特征指标作为构建训练样本集所需的特征指标。
5.根据权利要求4所述的方法，其特征在于，所述相关系数包括：Pearson相关系数、Spearman相关系数或Kendall相关系数。
6.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括：逻辑回归模型或随机森林模型。
7.根据权利要求1至6任一所述的方法，其特征在于，所述待识别用户包括：电商平台上的入驻商家；所述用户基础数据包括入驻商家的以下至少两类候选特征指标：销量指标、流量指标、消费者数量指标、广告指标、活动指标、库存指标、店铺装修指标。
8.一种用户维护装置，其特征在于，所述装置包括：
获取模块，用于在接收到服务使用方通过终端设备发送的用户类别识别请求后，获取待识别用户的特征数据；其中，所述待识别用户的特征数据包括多个特征指标；
检测模块，用于将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息；其中，所述用户类别检测器是通过对机器学习模型进行训练得到的；所述类别信息用于表明用户具有流失倾向或者不具有流失倾向；
发送模块，用于将所述待识别用户的类别信息返回至所述终端设备，以使所述服务使用方根据返回的类别信息进行用户维护。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
查询模块，用于在所述获取模块执行所述获取待识别用户的特征数据的操作之前，根据待识别用户的标识查询数据库，并确认所述数据库不存在与所述待识别用户的标识匹配的类别信息；以及，
保存模块，用于在所述检测模块执行所述将所述待识别用户的特征数据输入用户类别检测器，以得到待识别用户的类别信息的操作之后，将所述待识别用户的类别信息保存至所述数据库。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
训练模块，用于根据如下方式对机器学习模型进行训练以得到所述用户类别检测器：获取训练所需的用户基础数据；其中，所述用户基础数据包括多个候选特征指标；基于相关性分析法从所述用户基础数据中筛选出多个特征指标，并根据所述多个特征指标构建训练样本集；基于所述训练样本集对机器学习模型进行训练，以得到所述用户类别检测器。
11.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
12.一种计算机可读介质，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中任一所述的方法。
CN201910217415.7A 2019-03-21 2019-03-21 用户维护方法和装置 Pending CN111724185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910217415.7A CN111724185A (zh) 2019-03-21 2019-03-21 用户维护方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910217415.7A CN111724185A (zh) 2019-03-21 2019-03-21 用户维护方法和装置

Publications (1)

Publication Number Publication Date
CN111724185A true CN111724185A (zh) 2020-09-29

Family

ID=72563093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910217415.7A Pending CN111724185A (zh) 2019-03-21 2019-03-21 用户维护方法和装置

Country Status (1)

Country Link
CN (1) CN111724185A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016939A (zh) * 2020-10-19 2020-12-01 耀方信息技术(上海)有限公司 一种自动维护用户系统
CN113052404A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 一种客户流失率预测方法、装置、电子设备及存储介质
CN113591018A (zh) * 2021-07-30 2021-11-02 中国联合网络通信集团有限公司 通信客户分类管理方法、系统、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104616167A (zh) * 2014-12-19 2015-05-13 百度在线网络技术（北京）有限公司 在用户设备及网络设备处用于提供直达服务的方法及装置
CN104834983A (zh) * 2014-12-25 2015-08-12 平安科技（深圳）有限公司 业务数据处理方法及装置
US20160267498A1 (en) * 2015-03-10 2016-09-15 Wipro Limited Systems and methods for identifying new users using trend analysis
CN106203679A (zh) * 2016-06-27 2016-12-07 武汉斗鱼网络科技有限公司 一种用户流失预测方法及系统
CN106529714A (zh) * 2016-11-03 2017-03-22 大唐融合通信股份有限公司 一种用户流失的预测方法及系统
CN106529727A (zh) * 2016-11-18 2017-03-22 腾讯科技（深圳）有限公司 一种用户流失预测模型生成方法及相关装置
CN107507036A (zh) * 2017-08-28 2017-12-22 深圳市诚壹科技有限公司 一种数据预测的方法及终端
CN108510096A (zh) * 2017-02-24 2018-09-07 百度在线网络技术（北京）有限公司 商户流失预测方法、装置、设备及存储介质
CN109034861A (zh) * 2018-06-04 2018-12-18 挖财网络技术有限公司 基于移动端日志行为数据的用户流失预测方法及装置
CN109389143A (zh) * 2018-06-19 2019-02-26 北京九章云极科技有限公司 一种数据分析处理系统及自动建模方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104616167A (zh) * 2014-12-19 2015-05-13 百度在线网络技术（北京）有限公司 在用户设备及网络设备处用于提供直达服务的方法及装置
CN104834983A (zh) * 2014-12-25 2015-08-12 平安科技（深圳）有限公司 业务数据处理方法及装置
US20160267498A1 (en) * 2015-03-10 2016-09-15 Wipro Limited Systems and methods for identifying new users using trend analysis
CN106203679A (zh) * 2016-06-27 2016-12-07 武汉斗鱼网络科技有限公司 一种用户流失预测方法及系统
CN106529714A (zh) * 2016-11-03 2017-03-22 大唐融合通信股份有限公司 一种用户流失的预测方法及系统
CN106529727A (zh) * 2016-11-18 2017-03-22 腾讯科技（深圳）有限公司 一种用户流失预测模型生成方法及相关装置
CN108510096A (zh) * 2017-02-24 2018-09-07 百度在线网络技术（北京）有限公司 商户流失预测方法、装置、设备及存储介质
CN107507036A (zh) * 2017-08-28 2017-12-22 深圳市诚壹科技有限公司 一种数据预测的方法及终端
CN109034861A (zh) * 2018-06-04 2018-12-18 挖财网络技术有限公司 基于移动端日志行为数据的用户流失预测方法及装置
CN109389143A (zh) * 2018-06-19 2019-02-26 北京九章云极科技有限公司 一种数据分析处理系统及自动建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林明辉: "基于BP网络的通讯行业客户流失预警模型研究", 《陕西学前师范学院学报》, vol. 32, no. 3, pages 146 - 149 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016939A (zh) * 2020-10-19 2020-12-01 耀方信息技术(上海)有限公司 一种自动维护用户系统
CN113052404A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 一种客户流失率预测方法、装置、电子设备及存储介质
CN113591018A (zh) * 2021-07-30 2021-11-02 中国联合网络通信集团有限公司 通信客户分类管理方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111724185A (zh) 用户维护方法和装置
CN114219545B (zh) 一种数据处理的方法和装置
CN114663015A (zh) 补货方法和装置
CN112950359A (zh) 一种用户识别方法和装置
CN113505990A (zh) 企业风险评估的方法、装置、电子设备和存储介质
CN107357847B (zh) 数据处理方法及其装置
CN110930238A (zh) 提高审核任务效率的方法、装置、设备和计算机可读介质
CN110163701B (zh) 推送信息的方法和装置
CN116228384A (zh) 一种数据处理方法、装置、电子设备及计算机可读介质
CN110930103A (zh) 服务单审核方法及系统、介质和计算机系统
CN110766431A (zh) 判断用户对优惠券是否敏感的方法和装置
CN114817347A (zh) 业务审批方法、装置、电子设备和存储介质
CN114493851A (zh) 一种风险处理方法及装置
CN115062687A (zh) 企业信用监控方法、装置、设备及存储介质
CN112434083A (zh) 一种基于大数据的事件处理方法和装置
CN113434754A (zh) 确定推荐api服务的方法、装置、电子设备和存储介质
CN113762675A (zh) 信息生成方法、装置、服务器、系统和存储介质
CN111832319A (zh) 一种预警语音播报的方法和装置
CN111833085A (zh) 一种计算物品价格的方法和装置
CN112906723A (zh) 一种特征选择的方法和装置
CN113379433A (zh) 一种广告投放方法和装置
CN111401935A (zh) 资源分配方法、装置及存储介质
CN111127077A (zh) 一种基于流计算的推荐方法和装置
CN111582952B (zh) 评分方法、信息推送方法、评分系统
CN116934415A (zh) 一种订单处理方法和装置

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