CN112686448A - 基于属性数据的流失预警方法及系统 - Google Patents
基于属性数据的流失预警方法及系统 Download PDFInfo
- Publication number
- CN112686448A CN112686448A CN202011624943.3A CN202011624943A CN112686448A CN 112686448 A CN112686448 A CN 112686448A CN 202011624943 A CN202011624943 A CN 202011624943A CN 112686448 A CN112686448 A CN 112686448A
- Authority
- CN
- China
- Prior art keywords
- loss
- information
- marketing
- module
- time node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 16
- 230000014759 maintenance of location Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 37
- 230000000694 effects Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，具体公开了基于属性数据的流失预警系统，以及应用系统的方法，包括样本提取模块用于从存储模块中选取第一时间节点未流失的客户信息，并根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集；模型训练模块用于采用机器学习算法对训练样本集进行模型训练得到流失预测模型；流失预测模块用于选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果。采用本发明的技术方案能够早地对可能流失的客户采取营销措施进行挽留，降低客户流失率。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及基于属性数据的流失预警方法及系统。
背景技术
民营银行的竞争激烈，可供客户选择理财产品和存储钱的银行的种类逐渐增加，而在银行行业，获取新客户的成本远远大于老客户的维护，因此，为了实现客户的留存，需要对客户未来的流失概率进行预测，以便及早对可能流失的客户采取措施，降低客户的流失率。
发明内容
为解决如何对客户未来的流失率进行预测，以便及早对可能流失的客户采取措施，降低客户的流失率的技术问题，本发明提供基于属性数据的流失预警方法及系统。
本发明基础方案如下：
基于属性数据的流失预警系统，包括存储模块、样本提取模块、模型训练模块和流失预测模块，其中：
存储模块用于存储客户信息，客户信息包括共性属性特征，共性属性特征包括购买情况；
样本提取模块用于根据预设筛选规则从存储模块中选取第一时间节点未流失的客户信息，并根据预设时间周期选取第一时间节点对应的第二时间节点，然后根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集；
模型训练模块用于采用机器学习算法对训练样本集进行模型训练得到流失预测模型；
流失预测模块用于根据预设筛选规则选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果，流失预测结果为预测在第二时间节点未流失的客户在第三时间节点时的流失情况，第三时间节点为根据预设时间周期选取第二时间节点对应的第二时间节点。
基础方案的有益效果为：银行产品的变化特别快，数据应当快速更新，因此采用相邻的数据训练流失预测模型更为合适，由此，本技术方案中的第一时间节点、第二时间节点和第三时间节点之间的时间周期均相同，采用第一时间节点和第二时间节点的数据(客户信息和流失结果)作为训练样本进行流失预测模型的训练，用于预测第二时间节点的未流失客户在第三时间节点的流失结果，便于在第三时间节点还未到时，可以流失预测结果及早的对预测在第三时间节点会流失的客户采取相应的营销措施进行挽留，减少客户的流失率。
进一步，共性属性特征还包括过夜金钱金额占比；
预设筛选规则包括过滤掉重复购买次数低于重复购买次数阈值和过夜金钱金额占比超过过夜钱占比阈值的客户信息。
有益效果：过夜金钱是指客户当天买入，当天买去的金额，银行支付利息却无法利用资金。而重复购买次数低于重复购买次数阈值的客户，客户信息比较少，如只购买了一次，对于这类客户更应该做的是产品推荐，而不是流失预警。本技术方案中通过过滤掉这类客户信息，一来减少这类客户信息影响所构建流失预测模型的精准度，二来，减少模型构建的无用样本，提高模型预测效率。
进一步，流失预测模型包括连续型流失预测模型；客户信息还包括留存概率和相邻预设时间周期的留存概率变化；
预设筛选规则还包括：过滤掉留存概率低于留存概率阈值的客户信息。
有益效果：留存概率低的客户即为当前很有可能流失的客户，需要立即采取挽留的营销措施，再将这类客户信息进行预测是没有必要的，将其筛选出来，可以避免这类客户的客户信息对流失预测模型的准确度的影响，也提高流失预测模型的预测效率。
进一步，还包括周期调节模块，周期调节模块用于调节预设时间周期。
有益效果：可以根据实际业务需求自行调整预测时间周期。
进一步，还包括措施分析模块，客户信息还包括营销措施；
模型训练模块还用于根据采取营销措施时的原始客户信息、采取营销措施后经过预设时间周期的对应的流失挽回概率和所采取的营销手段作为措施推荐训练样本的时间通过机器学习构建营销措施分析模型，流失挽回概率为根据采取措施前后的流失结果的变化量；
措施推荐模块用于根据流失预测结果，将预测在第三时间节点会流失的第二时间节点的未流失的客户信息和所有的营销措施通过营销措施分析模块进行营销措施选择分析，得到营销措施选择分析报告，营销措施选择分析报告包括各种营销措施对客户所起到的流失挽回概率。
有益效果：根据历史对各类客户信息所采用各类营销措施所达到的客户挽留情况构建营销措施分析模型，从而可为当前预测会流失的客户选取更为有效的营销措施，提高对预测流失客户的挽留成功率。
进一步，还包括营销追踪模块和提醒模块；
存储模块还用于存储营销措施对应的话术信息；
营销追踪模块用于根据营销措施选择分析报告，将客户信息按照推荐的营销手段是否相同进行分类，并对划分为同一类客户信息的位置信息进行追踪，当划分为同一类客户信息的位置信息间距小于位置间距阈值时，生成话术提醒信息并发送给提醒模块，话术提醒信息包括位置信息间距小于位置间距阈值的客户的客户信息和该类客户信息对应的营销措施；
提醒模块用于根据话术提醒信息中的营销措施从存储模块中获取对应的话术信息，并根据话术提醒信息中的客户信息将获取到的话术信息发送至对应的客户终端。
有益效果：营销措施包括产品推荐、活动优惠、资讯推送等。对于采用相同营销措施的客户，在监测到有采用相同营销措施的客户之间的间距小于位置间距阈值内时，同时向这类客户发送营销措施对应的话术信息，从而使他们因为同时接收到话术信息，且还是相同话术信息而引发讨论，尤其对于推荐的产品和优惠活动，在情况类似的客户相互交流过程中，可起到相互促进的作用，便于推荐产品和优惠活动被客户所认可，从而提高营销措施对预测流失客户的挽回成功率。
应用于上述系统的基于属性数据的流失预警方法，包括以下步骤：
样本提取步骤，根据预设筛选规则从存储模块中选取第一时间节点未流失的客户信息，并根据预设时间周期选取第一时间节点对应的第二时间节点，然后根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集；
模型训练步骤，采用机器学习算法对训练样本集进行模型训练得到流失预测模型；
流失预测步骤，根据预设筛选规则选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果。
有益效果：相邻时间周期的客户的流失特性(产品购买行为、客户个人特征等)与对应的流失结果存在相似的情况，从而使用历史上预设时间周期内关联的客户信息和对应的流失结果进行模型训练得到的流失预测模型可以预测相邻的未来时间周期的客户流失情况，便于提早对可能流失的客户采取营销措施，进行挽留，减少客户的流失。
进一步，样本提取步骤前还包括周期调节步骤，调节预设时间周期。
有益效果：通过这种方法，可根据业务情况预测未来不同长短的时间周期内的客户流失情况。
进一步，还包括以下步骤：
模型训练步骤还包括：根据采集营销措施时的原始客户信息、采取营销措施后经过预设时间周期的对应的流失结果和所采取的营销手段作为措施推荐训练样本的时间通过机器学习构建营销措施分析模型；
措施推荐步骤，根据流失预测结果，将预测在第三时间节点会流失的第二时间节点的未流失的客户信息和所有的营销措施通过营销措施分析模型进行营销措施选择分析，得到营销措施选择分析报告。
有益效果：通过这种方法，可根据历史对不同类型客户采用不同营销手段所产生的流失情况建模，从而构建出的营销措施分析模型可根据客户信息模拟出采用各种营销措施所取得的挽留效果，从而便于选择最有效的营销措施对客户进行挽留，提高客户挽留的成功率。
进一步，措施推荐步骤后还包括以下步骤：
营销追踪步骤，根据营销措施选择分析报告，将客户信息按照推荐的营销手段是否相同进行分类，并对划分为同一类客户信息的位置信息进行追踪，当划分为一类客户信息的位置信息间距小于位置间距阈值时，生成话术提醒信息并发送给提醒模块，话术信息包括位置信息间距小于位置间距阈值的客户的客户信息和该类客户信息对应的营销措施；
提醒步骤，根据话术提醒信息中的营销措施从存储模块中获取对应的话术信息，并根据话术提醒信息中的客户信息将获取到的话术信息发送至对应的客户终端。
有益效果：通过这种方式，对采用相同营销措施的客户，在检测到有采取相同营销措施的客户之间的间距小于位置间距阈值内时，同时向他们发送营销措施对应的话术信息，使他们会因为接收信息的时间相同，内容相同的巧合而引发讨论，从而相互促进，便于营销措施被客户认可，从而提高营销措施对预测流失客户的挽回成功率。
附图说明
图1为基于属性数据的流失预警方法及系统实施例一的逻辑框图；
图2为基于属性数据的流失预警方法及系统实施例二的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
基于属性数据的流失预警系统，如图1所示，包括存储模块、周期调节模块、样本提取模块、模型训练模块和流失预测模块，其中：
存储模块用于存储客户信息，客户信息包括个人特征、共性属性特征、留存概率和相邻预设时间周期的留存概率变化，共性属性特征包括购买情况和过夜金钱金额占比，购买情况包括购买产品类型占比、重复购买产品次数、最后一次产品购买距离首次购买产品的时间、日距首次购买产品的时间，个人特征包括性别、年龄和地区等。
周期调节模块用于调节预设时间周期，本实施例中的预设时间周期为一个月。
样本提取模块用于根据预设筛选规则从存储模块中选取第一时间节点未流失的客户信息，并根据预设时间周期选取第一时间节点对应的第二时间节点，然后根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集。本实施例中，预设筛选规则包括过滤掉重复购买次数低于重复购买次数阈值和过夜金钱金额占比超过过夜钱占比阈值的客户信息，以及过滤掉留存概率低于留存概率阈值的客户信息。
模型训练模块用于采用机器学习算法对训练样本集进行模型训练得到流失预测模型。本实施例中流失预测模型包括连续型流失预测模型和离散型流失预测模型，其中，连续型流失性预测模型的训练样本集中的流失结果为留存概率，离散型流失预测模型的训练样本集中流失结果包括流失和未流失。本实施例中连续型流失预测模型的构建还包括线性回归算法和GBDT算法，离散型流失预测模型的构建还用到XGBoost算法。
流失预测模块用于根据预设筛选规则选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果，流失预测结果为预测在第二时间节点未流失的客户在第三时间节点时的流失情况，第三时间节点为根据预设时间周期选取第二时间节点对应的第二时间节点。
应用于系统的基于属性数据的流失预警方法，包括以下步骤：
周期调节步骤，调节预设时间周期。
样本提取步骤，根据预设筛选规则从存储模块中选取第一时间节点未流失的客户信息，并根据预设时间周期选取第一时间节点对应的第二时间节点，然后根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集；
模型训练步骤，采用机器学习算法对训练样本集进行模型训练得到流失预测模型；
流失预测步骤，根据预设筛选规则选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果。
实施例二
与实施例一的区别之处在于：如图2所示，还包括措施分析模块、营销追踪模块和提醒模块，客户信息还包括营销措施，营销措施包括产品推荐、活动优惠、资讯推送等。
存储模块还用于存储营销措施对应的话术信息。
模型训练模块还用于根据采取营销措施时的原始客户信息、采取营销措施后经过预设时间周期的对应的流失挽回概率和所采取的营销手段作为措施推荐训练样本的时间通过机器学习构建营销措施分析模型，流失挽回概率为根据采取措施前后的流失结果的变化量。
措施推荐模块用于根据流失预测结果，将预测在第三时间节点会流失的第二时间节点的未流失的客户信息和所有的营销措施通过营销措施分析模块进行营销措施选择分析，得到营销措施选择分析报告，营销措施选择分析报告包括各种营销措施对客户所起到的流失挽回概率。
营销追踪模块用于根据营销措施选择分析报告，将客户信息按照推荐的营销手段是否相同进行分类，并对划分为同一类客户信息的位置信息进行追踪，当划分为同一类客户信息的位置信息间距小于位置间距阈值时，生成话术提醒信息并发送给提醒模块，话术信息包括位置信息间距小于位置间距阈值的客户的客户信息和该类客户信息对应的营销措施。
提醒模块用于根据话术提醒信息中的营销措施从存储模块中获取对应的话术信息，并根据话术提醒信息中的客户信息将获取到的话术信息发送至对应的客户终端。
应用于上述系统的方法，还包括以下步骤：
模型训练步骤还包括：根据采集营销措施时的原始客户信息、采取营销措施后经过预设时间周期的对应的流失结果和所采取的营销手段作为措施推荐训练样本的时间通过机器学习构建营销措施分析模型；
措施推荐步骤，根据流失预测结果，将预测在第三时间节点会流失的第二时间节点的未流失的客户信息和所有的营销措施通过营销措施分析模型进行营销措施选择分析，得到营销措施选择分析报告。
营销追踪步骤，根据营销措施选择分析报告，将客户信息按照推荐的营销手段是否相同进行分类，并对划分为同一类客户信息的位置信息进行追踪，当划分为一类客户信息的位置信息间距小于位置间距阈值时，生成话术提醒信息并发送给提醒模块，话术信息包括位置信息间距小于位置间距阈值的客户的客户信息和该类客户信息对应的营销措施；
提醒步骤，根据话术提醒信息中的营销措施从存储模块中获取对应的话术信息，并根据话术提醒信息中的客户信息将获取到的话术信息发送至对应的客户终端。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于属性数据的流失预警系统，其特征在于，包括存储模块、样本提取模块、模型训练模块和流失预测模块，其中：
存储模块用于存储客户信息，客户信息包括共性属性特征，共性属性特征包括购买情况；
样本提取模块用于根据预设筛选规则从存储模块中选取第一时间节点未流失的客户信息，并根据预设时间周期选取第一时间节点对应的第二时间节点，然后根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集；
模型训练模块用于采用机器学习算法对训练样本集进行模型训练得到流失预测模型；
流失预测模块用于根据预设筛选规则选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果，流失预测结果为预测在第二时间节点未流失的客户在第三时间节点时的流失情况，第三时间节点为根据预设时间周期选取第二时间节点对应的第二时间节点。
2.根据权利要求1所述的基于属性数据的流失预警系统，其特征在于：共性属性特征还包括过夜金钱金额占比；
预设筛选规则包括过滤掉重复购买次数低于重复购买次数阈值和过夜金钱金额占比超过过夜钱占比阈值的客户信息。
3.根据权利要求2所述的基于属性数据的流失预警系统，其特征在于：流失预测模型包括连续型流失预测模型；客户信息还包括留存概率和相邻预设时间周期的留存概率变化；
预设筛选规则还包括：过滤掉留存概率低于留存概率阈值的客户信息。
4.根据权利要求2所述的基于属性数据的流失预警系统，其特征在于：还包括周期调节模块，周期调节模块用于调节预设时间周期。
5.根据权利要求1所述的基于属性数据的流失预警系统，其特征在于：还包括措施分析模块，客户信息还包括营销措施；
模型训练模块还用于根据采取营销措施时的原始客户信息、采取营销措施后经过预设时间周期的对应的流失挽回概率和所采取的营销手段作为措施推荐训练样本的时间通过机器学习构建营销措施分析模型，流失挽回概率为根据采取措施前后的流失结果的变化量；
措施推荐模块用于根据流失预测结果，将预测在第三时间节点会流失的第二时间节点的未流失的客户信息和所有的营销措施通过营销措施分析模块进行营销措施选择分析，得到营销措施选择分析报告，营销措施选择分析报告包括各种营销措施对客户所起到的流失挽回概率。
6.根据权利要求5所述的基于属性数据的流失预警系统，其特征在于：还包括营销追踪模块和提醒模块；
存储模块还用于存储营销措施对应的话术信息；
营销追踪模块用于根据营销措施选择分析报告，将客户信息按照推荐的营销手段是否相同进行分类，并对划分为同一类客户信息的位置信息进行追踪，当划分为同一类客户信息的位置信息间距小于位置间距阈值时，生成话术提醒信息并发送给提醒模块，话术提醒信息包括位置信息间距小于位置间距阈值的客户的客户信息和对应的营销措施；
提醒模块用于根据话术提醒信息中的营销措施从存储模块中获取对应的话术信息，并根据话术提醒信息中的客户信息将获取到的话术信息发送至对应的客户终端。
7.基于属性数据的流失预警方法，其特征在于，包括以下步骤：
样本提取步骤，根据预设筛选规则从存储模块中选取第一时间节点未流失的客户信息，并根据预设时间周期选取第一时间节点对应的第二时间节点，然后根据选取到的未流失的客户信息获取在第二时间节点对应的流失结果，将选取到的未流失的客户信息和对应的流失结果形成样本，得到训练样本集；
模型训练步骤，采用机器学习算法对训练样本集进行模型训练得到流失预测模型；
流失预测步骤，根据预设筛选规则选取第二时间节点的未流失的客户信息，并将选取的第二时间节点的未流失的客户信息通过流失预测模型进行流失预测，得到流失预测结果。
8.根据权利要求7所述的基于属性数据的流失预警方法，其特征在于：样本提取步骤前还包括周期调节步骤，调节预设时间周期。
9.根据权利要求7所述的基于属性数据的流失预警方法，其特征在于：还包括以下步骤：
模型训练步骤还包括：根据采集营销措施时的原始客户信息、采取营销措施后经过预设时间周期的对应的流失结果和所采取的营销手段作为措施推荐训练样本的时间通过机器学习构建营销措施分析模型；
措施推荐步骤，根据流失预测结果，将预测在第三时间节点会流失的第二时间节点的未流失的客户信息和所有的营销措施通过营销措施分析模型进行营销措施选择分析，得到营销措施选择分析报告。
10.根据权利要求9所述的基于属性数据的流失预警方法，其特征在于：措施推荐步骤后还包括以下步骤：
营销追踪步骤，根据营销措施选择分析报告，将客户信息按照推荐的营销手段是否相同进行分类，并对划分为同一类客户信息的位置信息进行追踪，当划分为一类客户信息的位置信息间距小于位置间距阈值时，生成话术提醒信息并发送给提醒模块，话术提醒信息包括位置信息间距小于位置间距阈值的客户的客户信息和该类客户信息对应的营销措施；
提醒步骤，根据话术提醒信息中的营销措施从存储模块中获取对应的话术信息，并根据话术提醒信息中的客户信息将获取到的话术信息发送至对应的客户终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011624943.3A CN112686448B (zh) | 2020-12-31 | 2020-12-31 | 基于属性数据的流失预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011624943.3A CN112686448B (zh) | 2020-12-31 | 2020-12-31 | 基于属性数据的流失预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686448A true CN112686448A (zh) | 2021-04-20 |
| CN112686448B CN112686448B (zh) | 2024-02-13 |
Family
ID=75454047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011624943.3A Active CN112686448B (zh) | 2020-12-31 | 2020-12-31 | 基于属性数据的流失预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686448B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688326A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103377432A (zh) * | 2012-04-16 | 2013-10-30 | 殷程 | 智能客服营销分析系统 |
| US20150088652A1 (en) * | 2013-09-26 | 2015-03-26 | Ncr Corporation | Systems and methods for facilitating location-relevant communication |
| 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 |
| CN108038711A (zh) * | 2017-11-09 | 2018-05-15 | 广州虎牙信息科技有限公司 | 用户流失预测方法、装置以及计算机设备 |
| CN108596671A (zh) * | 2018-04-27 | 2018-09-28 | 厦门南讯软件科技有限公司 | 一种策略式营销流程方法 |
| CN108764988A (zh) * | 2018-05-21 | 2018-11-06 | 中国联合网络通信有限公司重庆市分公司 | 一种营销策略投放方法及系统 |
| CN109034877A (zh) * | 2018-07-05 | 2018-12-18 | 南京鸿美信息技术有限公司 | 一种信用卡营销活动管理系统 |
| CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
| CN109299961A (zh) * | 2017-07-24 | 2019-02-01 | 北京嘀嘀无限科技发展有限公司 | 防止用户流失的方法及装置、设备和存储介质 |
| CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技（深圳）有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
| CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| JP2019082865A (ja) * | 2017-10-31 | 2019-05-30 | 株式会社日立製作所 | 販売促進装置、販売促進方法及び販売促進プログラム |
| CN110248316A (zh) * | 2019-07-04 | 2019-09-17 | 中国工商银行股份有限公司 | 基于室内定位的线上营销方法及装置 |
| CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
| CN110503494A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 一种用于电商营销平台的推荐系统 |
| CN110610705A (zh) * | 2019-09-20 | 2019-12-24 | 上海数鸣人工智能科技有限公司 | 一种基于人工智能的语音交互提示器 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN110956296A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 一种用户流失概率预测方法及装置 |
| CN111784411A (zh) * | 2020-07-14 | 2020-10-16 | 中国工商银行股份有限公司 | 一种客户预测方法、装置、电子设备及存储介质 |
| CN111783818A (zh) * | 2020-04-10 | 2020-10-16 | 南通大学 | 一种基于Xgboost和DBSCAN的精准营销方法 |
| CN111861732A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 一种风险评估系统及方法 |
-
2020
- 2020-12-31 CN CN202011624943.3A patent/CN112686448B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103377432A (zh) * | 2012-04-16 | 2013-10-30 | 殷程 | 智能客服营销分析系统 |
| US20150088652A1 (en) * | 2013-09-26 | 2015-03-26 | Ncr Corporation | Systems and methods for facilitating location-relevant communication |
| CN109299961A (zh) * | 2017-07-24 | 2019-02-01 | 北京嘀嘀无限科技发展有限公司 | 防止用户流失的方法及装置、设备和存储介质 |
| 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 |
| JP2019082865A (ja) * | 2017-10-31 | 2019-05-30 | 株式会社日立製作所 | 販売促進装置、販売促進方法及び販売促進プログラム |
| CN108038711A (zh) * | 2017-11-09 | 2018-05-15 | 广州虎牙信息科技有限公司 | 用户流失预测方法、装置以及计算机设备 |
| CN108596671A (zh) * | 2018-04-27 | 2018-09-28 | 厦门南讯软件科技有限公司 | 一种策略式营销流程方法 |
| CN110503494A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 一种用于电商营销平台的推荐系统 |
| CN108764988A (zh) * | 2018-05-21 | 2018-11-06 | 中国联合网络通信有限公司重庆市分公司 | 一种营销策略投放方法及系统 |
| CN109034877A (zh) * | 2018-07-05 | 2018-12-18 | 南京鸿美信息技术有限公司 | 一种信用卡营销活动管理系统 |
| CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
| CN110956296A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 一种用户流失概率预测方法及装置 |
| CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技（深圳）有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
| CN110248316A (zh) * | 2019-07-04 | 2019-09-17 | 中国工商银行股份有限公司 | 基于室内定位的线上营销方法及装置 |
| CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
| CN110610705A (zh) * | 2019-09-20 | 2019-12-24 | 上海数鸣人工智能科技有限公司 | 一种基于人工智能的语音交互提示器 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN111783818A (zh) * | 2020-04-10 | 2020-10-16 | 南通大学 | 一种基于Xgboost和DBSCAN的精准营销方法 |
| CN111784411A (zh) * | 2020-07-14 | 2020-10-16 | 中国工商银行股份有限公司 | 一种客户预测方法、装置、电子设备及存储介质 |
| CN111861732A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 一种风险评估系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688326A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN113688326B (zh) * | 2021-10-26 | 2022-02-08 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686448B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Coussement et al. | Integrating the voice of customers through call center emails into a decision support system for churn prediction | |
| CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
| US10324705B2 (en) | System and method for run-time update of predictive analytics system | |
| US20150332284A1 (en) | System and method for determining service intervals based on transaction data | |
| CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及系统 | |
| KR20160071990A (ko) | 고객 데이터 분석·검증 시스템 | |
| Gattermann-Itschert et al. | How training on multiple time slices improves performance in churn prediction | |
| US11810147B2 (en) | Automated attribution modeling and measurement | |
| US20020165755A1 (en) | Method of predicting behavior of a customer at a future date and a data processing system readable medium | |
| WO2020024718A1 (zh) | 外汇交易量预测方法和装置 | |
| US20170154268A1 (en) | An automatic statistical processing tool | |
| KR101435096B1 (ko) | 소셜 네트워크 서비스 데이터에 기반한 상품 수요 예측 장치 및 방법 | |
| CN108241984A (zh) | 一种访客分类方法及装置 | |
| CN110880127A (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
| CN112686448B (zh) | 基于属性数据的流失预警方法及系统 | |
| KR102594089B1 (ko) | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 | |
| CN116304374A (zh) | 一种基于包装数据的客户匹配方法及系统 | |
| CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控系统 | |
| WO2013055257A1 (ru) | Способ прогноза целевого показателя событий по неограниченному количеству характеристик | |
| CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
| CN114693325A (zh) | 基于神经网络的用户口碑智能保障方法及装置 | |
| CN113011596A (zh) | 一种模型自动更新方法、装置、系统及电子设备 | |
| CN110634044A (zh) | 园区用户行为分析方法、装置、计算机设备以及存储介质 | |
| CN111047438A (zh) | 数据处理方法、装置和计算机可读存储介质 | |
| Ghareeb et al. | A comparative Time Series analysis of the different categories of items based on holidays and other events |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |