CN113298353A - 一种基于用户生存模型的资源调整方法、装置和系统 - Google Patents
一种基于用户生存模型的资源调整方法、装置和系统 Download PDFInfo
- Publication number
- CN113298353A CN113298353A CN202110468752.0A CN202110468752A CN113298353A CN 113298353 A CN113298353 A CN 113298353A CN 202110468752 A CN202110468752 A CN 202110468752A CN 113298353 A CN113298353 A CN 113298353A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior data
- resource adjustment
- model
- index
- 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
- 230000004083 survival effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 18
- 230000015654 memory Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户生存模型的资源调整方法、装置和系统，其中方法包括：获取用户行为数据，用户行为数据包括金融行为数据，人事行为数据以及营收行为数据；构建用户风险判断模型以及用户流失判断模型，根据用户行为数据计算用户风险指标和用户流失指标；以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据用户风险指标和用户流失指标确定用户在坐标系中位置；划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。采用该技术方案，能够对用户行为和生存状况作预判，能够根据用户的风险指标和流失指标，选取相应的资源调整方案，能够在用户流失前进行干预。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于用户生存模型的资源调整方法、装置和系统。
背景技术
随着互联网技术和金融的融合发展，互联网金融的用户越来越多。随着用户数量的增多，用户的种类也变的多种多样。
目前常用的资源调整方式主要有两种方案，一种是触发式资源调整，即用户发生某些特定的行为时，触发资源调整流程，对用户进行评估，是否给予资源调整；另一种是阶段性资源调整，在固定的时间点对客户进行评估，是否给予资源调整。这两种方案都没有对客户行为和生存状况作预判，不能在客户流失前进行干预。
发明内容
本发明旨在解决现有资源调整方案不能对客户行为和生存状况作预判，不能在客户流失前进行干预的问题。
为了解决上述技术问题，本发明第一方面提出一种基于用户生存模型的资源调整方法，方法包括：
获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据；
构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标；
以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置；
划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
根据本发明的一种优选实施方式，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第一象限时，停止向用户发放资源。
根据本发明的一种优选实施方式，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第二象限时，大幅提高向用户发放的资源。
根据本发明的一种优选实施方式，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第三象限时，缩短用户资源调整周期，小幅提高向用户发放资源。
根据本发明的一种优选实施方式，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第四象限是，降低向用户发放的资源。
根据本发明的一种优选实施方式，所述用户风险判断模型为基于深度学习的RNN-LSTM神经网络模型。
根据本发明的一种优选实施方式，所述用户流失判断模型为基于深度学习的RNN-LSTM神经网络模型。
本发明第二方面提出一种基于用户生存模型的资源调整装置，装置包括：
获取模块，用于获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据；
计算模块，用于构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标；
绘制模块，用于以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置；
策略执行模块，用于划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
本发明第三方面提出一种基于用户生存模型的资源调整系统包括：
存储单元，用于存储计算机可执行程序；
处理单元，用于读取所述存储单元中的计算机可执行程序，以执行基于用户生存模型的资源调整方法。
本发明第四方面提出一种计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行基于用户生存模型的资源调整方法。
采用该技术方案，能够对用户行为和生存状况作预判，能够根据用户的风险指标和流失指标，选取相应的资源调整方案，能够在用户流失前进行干预。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明实施例中基于用户生存模型的资源调整方法的流程示意图；
图2是本发明实施例中象限分布的示意图；
图3是本发明实施例中具体实施例流程示意图；
图4是本发明实施例中基于机器学习的数字资源处理装置的结构示意图；
图5是本发明实施例中基于机器学习的数字资源处理系统的结构框架示意图；
图6是本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
图1是本发明一种基于用户生存模型的资源调整方法的流程示意图，如图1所示。本发明正式为了解决这个问题，本发明提供一种基于用户生存模型的资源调整方法，包括：
S1、获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据。
在本实施方式中，金融行为数据包括用户账户开通时间，用户账户使用时间，用户借贷情况，用户还款情况，用户固定资产情况，地域情况中的一种或多种。人事行为数据包括员工人数，员工平均工资，员工月离职率，月员工新进率，老员工留存率中的一种或多种。营收行为数据包括用户的收入情况，用户的支出情况，用户的利润率，用户的经营领域中的一种或多种。
通过用户的金融行为数据，人事行为数据以及营收行为数据可以对用户的运营情况作出判断，进而判断出对用户的资源调整策略。
在本实施方式中，资源包括但不限于金融资源，网络资源，信息资源等等数字资源或实体资源。比如平台给用户提供的广告流量。
S2、构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标。
在本实施方式中，根据用户的行为数据，通过用户风险判断模型和用户流失判断模型计算计算用户的风险指标和流失指标。用户的风险指标主要是指用户的信用风险指标，用户的流失指标是指用户继续使用产品或服务的概率。用户的风险指标和流失指标的取值范围0至1，数值越大代表用户的风险越高，用户不再使用产品或服务的概率越高。
在上述技术方案的基础上，进一步地，所述用户风险判断模型为基于深度学习的RNN-LSTM神经网络模型。
在上述技术方案的基础上，进一步地，所述用户流失判断模型为基于深度学习的RNN-LSTM神经网络模型。
循环神经网络RNN指的是一个序列当前的输出与之前的输出也有关。循环神经网路RNN在工作时一个重要的优点在于，其能够在输入和输出序列之间的映射过程中利用上下文相关信息。然而不幸的是，标准的循环神经网络RNN能够存取的上下文信息范围很有限。这个问题就使得隐含层的输入对于网络输出的影响随着网络环路的不断递归而衰退。
为了解决这个问题，引入长短时记忆网络LSTM。在LSTM内部有较为复杂的结构。能通过门控状态来选择调整传输的信息，记住需要长时记忆的信息，忘记不重要的信息。在本方案中，各个相邻节点之间存在一定联系，因此基于深度学习的RNN-LSTM神经网络模型能够很好地结合各个节点之间的关系进行计算。
在本实施方式中风险判断模型和用户流失判断模型均包括输入层、编码层以及输出层，其中，所述编码层采用双向长短记忆网络LSTM编码器，所述输出层采用序列化标注算法CRF。
在本实施方式中，CRF层可以加入一些约束来保证最终预测结果是有效的。这些约束可以在训练数据时被CRF层自动学习得到，有了这些有用的约束，错误的预测序列将会大大减少，提高了输出层的准确性。
在本实施方式中，用户风险判断模型和用户流失判断模型都是由数据库中存储的历史用户行为数据训练获得，通过人工标引的方式对历史用户行为数据进行标引，将人工标引后的训练数据均分为两组，一组为训练样本，一组为校验样本。依次使用训练样本对用户风险判断模型进行训练，直至用户风险判断模型收敛。然后再依次使用校验样本分别对用户风险判断模型进行校验，判断是否通过校验，如果通过则说明用户风险判断模型训练完成，否则重新对用户风险判断模型进行训练。有时是由于标引标准的问题导致用户风险判断模型没有通过校验，所以需要重新调整标引标准，然后重新对用户风险判断模型进行训练。
用户流失判断模型的训练过程与用户风险判断模型训练过程一样。
S3、以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置。
S4、划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
在本实施方式中，象限分布如图2所示。用户风险指标为X轴，用户流失指标为Y轴，选取中间象限划分的阈值分别为X1和Y1。由于用户风险指标和用户流失指标取值范围在0至1之间，因此在本实施方式中X1，Y1均为0.5。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第一象限时，停止向用户发放资源。
在本实施方式中，当用户处于第一象限时，说明用户的风险指标和用户的流失指标都高，所以用户已经处于经营价值不大的阶段，很可能会放弃经营，因此再给该用户分配资源存在较高的风险，并意义不大，停止向其发放资源。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第二象限时，大幅提高向用户发放的资源。
在本实施方式中，当用户处于第二象限时，说明用户风险指标很低，用户流失指标很高，这种用户属于非常有价值的用户，处于运营的上升期，对该类用户应当及时进行挽留，因此大幅提高向用户发放的资源，并配合资源使用期限、资源额度可协商等权益的调整，争取用户留存，带来更多收益。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第三象限时，缩短用户资源调整周期，小幅提高向用户发放资源。
在本实施方式中，当用户处于第三象限时，说明用户的风险指标很低，但用户的流失指标也低，这种用户属于发展中阶段，可以通过小幅提高发放给用户的资源，但提高发放频率的方式引起用户的关注。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第四象限是，降低向用户发放的资源。
在本实施方式中，当用户处于第四象限时，说明用户的风险指标很高，但用户的流失率很低，这种用户处于运营的衰退阶段，用户的风险很高，因此降低向其发放的资源额度，用较低的成本去验证其最终的风险品质。
通过计算和绘制用户的位置确定用户所处的生存模型的阶段，能够预测客户的生命周期，根据客户可能流失的概率，结合客户风险水平选取合适的资源调整防范。
下面通过一个具体的实施例来对发明进行详细的解释，流程图如图3所示，包括步骤：
S301、获取用户的行为数据，行为数据包括金融行为数据，人事行为数据以及营收行为数据；
S302、将用户的行为数据输入用户风险判断模型，判断用户风险指标是否高于0.5，如果是则执行S303，否则执行S304；
S303、将用户的行为数据输入用户流失判断模型，判断用户流失指标是否高于0.5，如果是则执行S305，否则执行S306；
S304、将用户的行为数据输入用户流失判断模型，判断用户流失指标是否高于0.5，如果是则执行S307，否则执行S308；
S305、用户处于第一象限，停止向用户发放资源；
S306、用户处于第四象限，降低向用户发放的资源；
S307、用户处于第二象限，大幅提高向用户发放的资源；
S308、用户处于第三象限，缩短用户资源调整周期，小幅提高向用户发放资源；
S309、结束。
图4是本发明实施例中基于用户生存模型的资源调整装置的结构示意图，如图4所示，本发明提供一种基于用户生存模型的资源调整装置400，包括：
获取模块401，用于获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据。
在本实施方式中，金融行为数据包括用户账户开通时间，用户账户使用时间，用户借贷情况，用户还款情况，用户固定资产情况，地域情况中的一种或多种。人事行为数据包括员工人数，员工平均工资，员工月离职率，月员工新进率，老员工留存率中的一种或多种。营收行为数据包括用户的收入情况，用户的支出情况，用户的利润率，用户的经营领域中的一种或多种。
通过用户的金融行为数据，人事行为数据以及营收行为数据可以对用户的运营情况作出判断，进而判断出对用户的资源调整策略。
在本实施方式中，资源包括但不限于金融资源，网络资源，信息资源等等数字资源或实体资源。比如平台给用户提供的广告流量。
计算模块402，用于构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标。
在本实施方式中，根据用户的行为数据，通过用户风险判断模型和用户流失判断模型计算计算用户的风险指标和流失指标。用户的风险指标主要是指用户的信用风险指标，用户的流失指标是指用户继续使用产品或服务的概率。用户的风险指标和流失指标的取值范围0至1，数值越大代表用户的风险越高，用户不再使用产品或服务的概率越高。
在上述技术方案的基础上，进一步地，所述用户风险判断模型为基于深度学习的RNN-LSTM神经网络模型。
在上述技术方案的基础上，进一步地，所述用户流失判断模型为基于深度学习的RNN-LSTM神经网络模型。
循环神经网络RNN指的是一个序列当前的输出与之前的输出也有关。循环神经网路RNN在工作时一个重要的优点在于，其能够在输入和输出序列之间的映射过程中利用上下文相关信息。然而不幸的是，标准的循环神经网络RNN能够存取的上下文信息范围很有限。这个问题就使得隐含层的输入对于网络输出的影响随着网络环路的不断递归而衰退。
为了解决这个问题，引入长短时记忆网络LSTM。在LSTM内部有较为复杂的结构。能通过门控状态来选择调整传输的信息，记住需要长时记忆的信息，忘记不重要的信息。在本方案中，各个相邻节点之间存在一定联系，因此基于深度学习的RNN-LSTM神经网络模型能够很好地结合各个节点之间的关系进行计算。
在本实施方式中风险判断模型和用户流失判断模型均包括输入层、编码层以及输出层，其中，所述编码层采用双向长短记忆网络LSTM编码器，所述输出层采用序列化标注算法CRF。
在本实施方式中，CRF层可以加入一些约束来保证最终预测结果是有效的。这些约束可以在训练数据时被CRF层自动学习得到，有了这些有用的约束，错误的预测序列将会大大减少，提高了输出层的准确性。
在本实施方式中，用户风险判断模型和用户流失判断模型都是由数据库中存储的历史用户行为数据训练获得，通过人工标引的方式对历史用户行为数据进行标引，将人工标引后的训练数据均分为两组，一组为训练样本，一组为校验样本。依次使用训练样本对用户风险判断模型进行训练，直至用户风险判断模型收敛。然后再依次使用校验样本分别对用户风险判断模型进行校验，判断是否通过校验，如果通过则说明用户风险判断模型训练完成，否则重新对用户风险判断模型进行训练。有时是由于标引标准的问题导致用户风险判断模型没有通过校验，所以需要重新调整标引标准，然后重新对用户风险判断模型进行训练。
用户流失判断模型的训练过程与用户风险判断模型训练过程一样。
绘制模块403，用于以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置。
策略执行模块404，用于划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
在本实施方式中，象限分布如图2所示。用户风险指标为X轴，用户流失指标为Y轴，选取中间象限划分的阈值分别为X1和Y1。由于用户风险指标和用户流失指标取值范围在0至1之间，因此在本实施方式中X1，Y1均为0.5。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第一象限时，停止向用户发放资源。
在本实施方式中，当用户处于第一象限时，说明用户的风险指标和用户的流失指标都高，所以用户已经处于经营价值不大的阶段，很可能会放弃经营，因此再给该用户分配资源存在较高的风险，并意义不大，停止向其发放资源。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第二象限时，大幅提高向用户发放的资源。
在本实施方式中，当用户处于第二象限时，说明用户风险指标很低，用户流失指标很高，这种用户属于非常有价值的用户，处于运营的上升期，对该类用户应当及时进行挽留，因此大幅提高向用户发放的资源，并配合资源使用期限、资源额度可协商等权益的调整，争取用户留存，带来更多收益。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第三象限时，缩短用户资源调整周期，小幅提高向用户发放资源。
在本实施方式中，当用户处于第三象限时，说明用户的风险指标很低，但用户的流失指标也低，这种用户属于发展中阶段，可以通过小幅提高发放给用户的资源，但提高发放频率的方式引起用户的关注。
在上述技术方案的基础上，进一步地，根据用户所属的象限执行对应的资源调整策略具体为：当用户处于第四象限是，降低向用户发放的资源。
在本实施方式中，当用户处于第四象限时，说明用户的风险指标很高，但用户的流失率很低，这种用户处于运营的衰退阶段，用户的风险很高，因此降低向其发放的资源额度，用较低的成本去验证其最终的风险品质。
通过计算和绘制用户的位置确定用户所处的生存模型的阶段，能够预测客户的生命周期，根据客户可能流失的概率，结合客户风险水平选取合适的资源调整防范。
如图5所示，本发明的一个实施例中还公开一种基于用户生存模型的资源调整系统，图5显示的基于机器学习的数字资源处理系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
基于用户生存模型的资源调整系统500，包括存储单元520，用于存储计算机可执行程序；处理单元510，用于读取所述存储单元中的计算机可执行程序，以执行本发明各种实施方式的步骤。
在本实施方式中基于用户生存模型的资源调整系统500还包括，连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中，所述存储单元520存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元510执行，使得所述处理单元510执行本发明各种实施方式的步骤。例如，所述处理单元510可以执行如图1所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
基于用户生存模型的资源调整系统500也可以与一个或多个外部设备570(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备570通过输入/输出(I/O)接口550进行与处理单元510进行交互，还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器560可以通过总线530与基于用户生存模型的资源调整系统500的其它模块通信。应当明白，尽管图中未示出，基于用户生存模型的资源调整系统500中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
图6是本发明的一个计算机可读介质实施例的示意图。如图6所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储单元(RAM)、只读存储单元(ROM)、可擦式可编程只读存储单元(EPROM或闪存)、光纤、便携式紧凑盘只读存储单元(CD-ROM)、光存储单元件、磁存储单元件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：
S1、获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据；
S2、构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标；
S3、以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置；
S4、划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理单元或者数字信号处理单元(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户生存模型的资源调整方法，其特征在于，方法包括：
获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据；
构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标；
以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置；
划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
2.如权利要求1所述的基于用户生存模型的资源调整方法，其特征在于，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第一象限时，停止向用户发放资源。
3.如权利要求1所述的基于用户生存模型的资源调整方法，其特征在于，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第二象限时，大幅提高向用户发放的资源。
4.如权利要求1所述的基于用户生存模型的资源调整方法，其特征在于，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第三象限时，缩短用户资源调整周期，小幅提高向用户发放资源。
5.如权利要求1所述的基于用户生存模型的资源调整方法，其特征在于，根据用户所属的象限执行对应的资源调整策略具体为：
当用户处于第四象限是，降低向用户发放的资源。
6.如权利要求1至5任意一项所述基于用户生存模型的资源调整方法，其特征在于，所述用户风险判断模型为基于深度学习的RNN-LSTM神经网络模型。
7.如权利要求1至5任意一项所述基于用户生存模型的资源调整方法，其特征在于，所述用户流失判断模型为基于深度学习的RNN-LSTM神经网络模型。
8.一种基于用户生存模型的资源调整装置，其特征在于，装置包括：
获取模块，用于获取用户行为数据，所述用户行为数据包括金融行为数据，人事行为数据以及营收行为数据；
计算模块，用于构建用户风险判断模型以及用户流失判断模型，将所述用户行为数据输入用户风险判断模型，输出用户风险指标，将所述用户行为数据输入用户流失判断模型，输出用户流失指标；
绘制模块，用于以风险指标为横坐标，流失指标为纵坐标建立坐标系，根据所述用户风险指标和所述用户流失指标确定所述用户在坐标系中位置；
策略执行模块，用于划分象限，为不同的象限设置不同的资源调整策略，根据用户所属的象限执行对应的资源调整策略。
9.一种基于用户生存模型的资源调整系统，其特征在于，包括：
存储单元，用于存储计算机可执行程序；
处理单元，用于读取所述存储单元中的计算机可执行程序，以执行权利要求1至7中任一项所述的基于用户生存模型的资源调整方法。
10.一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行权利要求1至7中任一项所述的基于用户生存模型的资源调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110468752.0A CN113298353A (zh) | 2021-04-28 | 2021-04-28 | 一种基于用户生存模型的资源调整方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110468752.0A CN113298353A (zh) | 2021-04-28 | 2021-04-28 | 一种基于用户生存模型的资源调整方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298353A true CN113298353A (zh) | 2021-08-24 |
Family
ID=77320345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110468752.0A Pending CN113298353A (zh) | 2021-04-28 | 2021-04-28 | 一种基于用户生存模型的资源调整方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298353A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879984A (zh) * | 2023-03-03 | 2023-03-31 | 北京一凌宸飞科技有限公司 | 一种基于大数据分析的网络营销方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800858A (zh) * | 2018-12-21 | 2019-05-24 | 东软集团股份有限公司 | 数据异常检测方法、装置、可读存储介质及电子设备 |
| CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| CN110349005A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 用户经营策略生成方法、装置及电子设备 |
| CN110348727A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 |
| CN112700286A (zh) * | 2020-12-23 | 2021-04-23 | 罗科仕管理顾问有限公司 | 用于客户分类和多实体匹配的客户生命周期价值的深度学习模型 |
-
2021
- 2021-04-28 CN CN202110468752.0A patent/CN113298353A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800858A (zh) * | 2018-12-21 | 2019-05-24 | 东软集团股份有限公司 | 数据异常检测方法、装置、可读存储介质及电子设备 |
| CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| CN110349005A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 用户经营策略生成方法、装置及电子设备 |
| CN110348727A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 |
| CN112700286A (zh) * | 2020-12-23 | 2021-04-23 | 罗科仕管理顾问有限公司 | 用于客户分类和多实体匹配的客户生命周期价值的深度学习模型 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879984A (zh) * | 2023-03-03 | 2023-03-31 | 北京一凌宸飞科技有限公司 | 一种基于大数据分析的网络营销方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349009B (zh) | 一种多头借贷违约预测方法、装置和电子设备 | |
| US7904366B2 (en) | Method and system to determine resident qualifications | |
| CN111340616B (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| WO2021257395A1 (en) | Systems and methods for machine learning model interpretation | |
| US20110153536A1 (en) | Computer-Implemented Systems And Methods For Dynamic Model Switching Simulation Of Risk Factors | |
| CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
| CN113538154B (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
| CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| JP2001125962A (ja) | 企業診断及び経営意思決定支援システム | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
| CN111582908A (zh) | 一种基于利率敏感度曲线的定价方法、装置及电子设备 | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| CN113298353A (zh) | 一种基于用户生存模型的资源调整方法、装置和系统 | |
| CN117726426A (zh) | 信用评估方法、装置、电子设备及存储介质 | |
| CN112419025A (zh) | 用户数据处理方法和装置、存储介质、电子设备 | |
| CN112102062A (zh) | 一种基于弱监督学习的风险评估方法、装置及电子设备 | |
| CN109063073B (zh) | 一种因果关系问题的分析系统和分析方法 | |
| CN111679959A (zh) | 计算机性能数据确定方法、装置、计算机设备及存储介质 | |
| CN113780675B (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
| CN111950829A (zh) | 风险对象定位方法、装置、计算机存储介质和电子设备 | |
| CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
| CN113962817B (zh) | 异常人员识别方法及装置、电子设备和存储介质 | |
| CN110019172A (zh) | 数据处理方法、装置、存储介质及电子设备 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |