CN113391988A - 流失用户留存的方法、装置、电子设备及存储介质 - Google Patents
流失用户留存的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113391988A CN113391988A CN202110730889.9A CN202110730889A CN113391988A CN 113391988 A CN113391988 A CN 113391988A CN 202110730889 A CN202110730889 A CN 202110730889A CN 113391988 A CN113391988 A CN 113391988A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- users
- probability
- financial product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
-
- 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
-
- 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
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种流失用户留存的方法,可应用于金融领域、大数据领域或其他领域。该方法包括:获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况;将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率;基于第一概率对用户执行筛选操作,生成潜在流失用户清单;根据用户基本属性信息向潜在流失用户清单中的用户推送有针对性的金融产品信息。本公开还提供了一种流失用户留存的装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及计算机技术领域,具体涉及大数据技术领域,更具体地涉及一种流失用户留存的方法、装置、电子设备、存储介质以及计算机程序产品。
背景技术
随着互联网的发展,企业之间的竞争越来越激烈,用户流失越来越严重。因此,如何通过技术分析的手段,在用户流失前进行准确预测并进行智能化挽留显得非常重要。
发明内容
有鉴于此,本公开提供了一种流失用户留存的方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的一个方面,提供了一种流失用户留存的方法,包括:
获取用户的用户信息,所述用户信息包括用户基本属性信息和用户画像信息,其中,所述用户画像信息用于表征预设时间段内用户的访问情况;
将所述用户的用户信息输入神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率;
基于所述第一概率对所述用户执行筛选操作,生成潜在流失用户清单;
根据所述用户基本属性信息向所述潜在流失用户清单中的用户推送有针对性的金融产品信息。
根据本公开的实施例,所述方法还包括:
使用无监督聚类算法根据所述用户的用户信息对所述用户进行分类,获取潜在流失用户群体;
将所述潜在流失用户群体中用户的用户信息输入所述神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率。
根据本公开的实施例,其中,所述基于所述第一概率对所述用户执行筛选操作,生成潜在流失用户清单,包括:
将所述第一概率与第一预设阈值进行比较,在所述第一概率不小于所述第一预设阈值的情况下,将所述用户添加到所述潜在流失用户清单中。
根据本公开的实施例,所述方法还包括:周期性地向所述潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息。
根据本公开的实施例,所述方法还包括:将所述第一概率与第二预设阈值进行比较,在所述第一概率不小于所述第二预设阈值的情况下,将所述用户添加到已流失用户清单中。
根据本公开的实施例,其中,所述用户画像信息包括以下之中的至少之一:
用户登录移动客户端的次数;
用户进行交易的次数;
用户访问移动客户端的时长;以及
用户防问与所述金融产品相关的内容的次数,其中,所述与金融产品相关的内容包括所述金融产品的产品介绍、所述金融产品的优惠信息以及与所述金融产品关联的其他产品中的至少之一。
根据本公开的实施例,其中,所述用户基本属性信息包括用户年龄、用户性别、教育背景、职业背景、资产信息中的至少之一。
根据本公开的实施例,其中,所述金融产品信息包括优惠信息、金融产品介绍和金融产品的状态信息中的至少之一。
根据本公开的另一方面,提供了一种流失用户留存的装置,包括:
获取模块,用于获取用户的用户信息,所述用户信息包括用户基本属性信息和用户画像信息,其中,所述用户画像信息用于表征预设时间段内用户的访问情况;
筛选模块,用于将所述用户的用户信息输入神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率;
第一添加模块,用于基于所述第一概率对所述用户执行筛选操作,生成潜在流失用户清单;
推送模块,用于根据所述用户基本属性信息向所述潜在流失用户清单中的用户推送有针对性的金融产品信息。
根据本公开的实施例,所述装置还包括:
分类模块,用于使用无监督聚类算法根据所述用户的用户信息对所述用户进行分类,获取潜在流失用户群体;
所述筛选模块还用于将所述潜在流失用户群体中用户的用户信息输入所述神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率。
根据本公开的实施例,其中,所述第一添加模块还用于:
将所述第一概率与第一预设阈值进行比较,在所述第一概率不小于所述第一预设阈值的情况下,将所述用户添加到所述潜在流失用户清单中。
根据本公开的实施例,所述装置还包括:
更新模块,用于周期性地向所述潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息。
根据本公开的实施例,所述装置还包括:
第二添加模块,用于将所述第一概率与第二预设阈值进行比较,在所述第一概率不小于所述第二预设阈值的情况下,将所述用户添加到已流失用户清单中。
根据本公开的实施例,其中,所述用户画像信息包括以下之中的至少之一:
用户登录移动客户端的次数;
用户进行交易的次数;
用户访问移动客户端的时长;以及
用户访问与所述金融产品相关的内容的次数,其中,所述与金融产品相关的内容包括所述金融产品的产品介绍、所述金融产品的优惠信息以及与所述金融产品关联的其他产品中的至少之一。
根据本公开的实施例,其中,所述用户基本属性信息包括用户年龄、用户性别、教育背景、职业背景、资产信息中的至少之一。
根据本公开的实施例,其中,所述金融产品信息包括优惠信息、金融产品介绍和金融产品的状态信息中的至少之一。
根据本公开的另一方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行实现如上所述的方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行实现如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的流失用户留存的方法、装置、设备、存储介质和计算机程序产品的应用场景;
图2示意性示出了根据本公开实施例的流失用户留存的方法的流程图;
图3示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图;
图4示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图;
图5示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图;
图6示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图;
图7示意性示出了根据本公开实施例的流失用户留存的装置的框图;
图8示意性示出了根据本公开另一实施例的流失用户留存的装置的框图;
图9示意性示出了根据本公开另一实施例的流失用户留存的装置的框图;
图10示意性示出了根据本公开另一实施例的流失用户留存的装置的框图;以及
图11示意性示出了根据本公开实施例的适用于实现流失用户留存的方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种流失用户留存的方法、装置、电子设备、存储介质以及计算机程序产品,可用于金融领域、大数据领域或其他领域,在此不做限定。上述方法包括:获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况;将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率;基于第一概率对用户执行筛选操作,生成潜在流失用户清单;根据用户基本属性信息向潜在流失用户清单中的用户推送有针对性的金融产品信息。采用上述方法可以以简单、高效的方式对潜在流失用户进行准确预测,并进行智能化留存。
图1示意性示出了根据本公开实施例的流失用户留存的方法、装置、设备、存储介质和计算机程序产品的应用场景图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104、服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103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105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的流失用户留存的方法一般可以由服务器105执行。相应地,本公开实施例所提供的流失用户留存的装置一般可以设置于服务器105中。本公开实施例所提供的流失用户留存的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的流失用户留存的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1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。
以下将基于图1描述的场景,通过图2~图6对本公开实施例的流失用户留存的方法进行详细描述。
图2示意性示出了根据本公开实施例的流失用户留存的方法的流程图。
如图2所示,流失用户留存的方法具体包括操作S210~S240。
在操作S210,获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况。
这里所谓的用户基本属性信息包括但不限于用户年龄、用户性别、教育背景、职业背景、资产信息等信息。用户画像信息包括但不限于用户登录移动客户端的次数、用户进行交易的次数、用户访问移动客户端的时长以及用户访问与金融产品相关的内容的次数。其中,与金融产品相关的内容例如可以是金融产品的产品介绍、金融产品的优惠信息(例如优惠券等)以及与金融产品关联的其他产品等,在此不做限定。
在本操作S210中,获取用户的用户信息例如可以获取一个用户的用户信息,或者是多个用户的用户信息,在此不做限定。
在操作S220,将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
这里所谓的神经网络模型是指预先利用用户信息训练好的神经网络模型。其中用户信息包括用户基本属性信息和用户画像信息,而用户画像信息用于表征预设时间段内用户的访问情况。该神经网络模型的训练过程简单描述如下:
步骤一、获取多个用户的用户信息,其中该用户信息包括用户基本属性信息和用户画像信息。并对多个用户的用户信息进行处理,得到训练数据。
具体地,利用专家规则给上述数据打上标签,例如以“0”表示流失,“1”表示非流失(以下简称标签信息)。另外,将用户信息中的字段转换为字段值,即以具体的数值表示用户信息中字段的具体含义,例如,用户基本属性信息中用户年龄例如以“30”表示(即表示用户年龄为30岁),用户资产信息例如以“5”表示(即表示用户资产为5万元)。对于用户画像信息的转换方式与用户基本属性信息的转换方式类似,例如用户登录移动客户端的次数为3次,则以“3”表示用户登录移动客户端的次数。然后按照标签信息+用户基本属性信息+用户画像信息的顺序,将标签信息、用户基本属性信息、用户画像信息依次连接,从而组成训练数据。其中,训练数据中的每个数据可以理解为一个特征,基于上述特征对神经网络进行训练。
步骤二、对数据特征进行筛选,删除冗余的特征。
具体地,可以根据实际需要,删除冗余的特征。例如可以使用随机森林算法对上述数据特征进行筛选,然后删除冗余的或者不需要的特征,进而获取更贴合实际应用的训练数据,进而提高神经网络模型的预测准确性。
步骤三、根据训练数据训练神经网络模型,得到经训练的神经网络模型。
在此步骤中,将上述经过筛选的训练数据输入神经网络中,进行神经网络模型训练,该训练方式与现有技术中的方法相同或类似,在此不再赘述。
在本操作S220,将用户的用户信息输入上述经训练的神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
例如,将一个或多个用户的用户信息输入上述经训练的神经网络模型,可以对应获得一个或多个表示用户流失程度的第一概率。在本实施例中,第一概率的值越大,则表示该用户流失的可能性越大,需要重点给予关注。反之,第一概率的值越小,则表示该用户流失的可能性越小,对于该用户的关注度可以较小或者不对其进行关注。
在操作S230,基于第一概率对用户执行筛选操作,生成潜在流失用户清单。
在本公开实施例中,可以基于第一概率对用户进行筛选,并将满足预设条件的用户添加到潜在流失用户清单中,采用上述方式,即可获得潜在流失用户,后续可以针对潜在流失用户清单中的用户进行针对性留存,这样可以提高潜在流失用户留存的效果。
在本公开的一些实施例中,可以根据概率值的大小将用户进行分类,例如,可以将神经网络输出的概率值划分为高概率、中概率、低概率三个等级,例如高概率表示用户流失的可能性最高,中概率表示用户流失的可能性居中,低概率表示用户流失的可能性最小。其中,高概率例如可以是概率值≥60%,中概率例如可以是概率值在60%~30%,低概率例如可以是概率值≤30%。本领域技术人员可以理解,上述“高”、“中”、“低”的表述以及具体数值仅为便于理解本方案所做出的举例,本申请不限制概率的具体数值以及等级的划分。
上述预设条件例如可以是第一概率满足高概率、中概率、低概率三个等级,这样可以将潜在流失用户划分为多个不同的等级,进而可以对不同等级的潜在流失用户施以不同的关注度,例如,当第一概率满足高概率时,表示用户流失的可能性最高,需要给予特别关注;当第一概率满足中概率时,表示用户流失的可能性居中,需要给予重点关注;当第一概率满足低概率时,表示用户流失的可能性较小,可以给予较低的关注或者不关注。采用这样的处理方式更具有针对性,能够进一步提高潜在流失用户留存的效果。
在操作S240,根据用户基本属性信息向潜在流失用户清单中的用户推送有针对性的金融产品信息。
在本操作S240中,根据用户基本属性信息(例如用户年龄、用户性别、用户教育背景、职业背景等)向潜在流失用户清单中的用户推送可能感兴趣的金融产品信息,进而达到潜在流失用户留存的目的。
这里的金融产品信息包括但不限于金融产品的优惠信息、金融产品介绍和金融产品的状态信息。金融产品的状态信息可以指示金融产品的优惠信息、金融产品介绍是否有更新,例如如果金融产品的优惠信息(例如折扣券、满减券、返现券、现金券等等)、金融产品介绍在先前预设时间段内曾经发生过改变,则状态信息指示该金融产品信息是更新后的金融产品信息。状态信息还可以指示金融产品信息是否有效。例如,在金融产品信息为优惠券的情况下,状态信息可以指示该优惠券是否有效。
需要说明的是,上述对于推送金融产品信息的表述仅为便于理解本方案所做出的举例,本申请不限制向潜在流失用户推送的内容。
本公开实施例的流失用户留存的方法将用户基本属性信息和用户画像信息输入神经网络进行用户流失预测,从而以简单、高效的方式对潜在流失用户进行准确预测,并进行智能化留存。
图3示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图。
如图3所示,流失用户留存的方法具体包括操作S310~S350。其中,操作S310、S340~S350可以分别与操作S210、S230~S240以相同的方式实现,重复的部分将不再详细赘述。
在操作S310,获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况。
在操作S320,使用无监督聚类算法根据用户的用户信息对用户进行分类,获取潜在流失用户群体。
在将步骤S310中所获取的用户信息输入神经网络模型之前,可以使用无监督聚类算法根据用户的用户信息(例如以上描述的用户基本属性信息和用户画像信息)对用户进行分类,以获取潜在流失用户群体。采用上述方式可以从海量数据中将可能流失的用户群体筛选出来用于后续操作,例如使用神经网络模型对筛选出的潜在流失用户群体进行预测,从而减少了输入神经网络模型的数据量,提高了数据处理效率。
在操作S330,将潜在流失用户群体中用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
在本操作S330中,神经网络模型的训练可以利用步骤S320筛选出的潜在流失用户群体中用户的用户信息(例如以上描述的用户基本属性信息和用户画像信息)进行,这样可以提高神经网络模型预测的准确度。具体地,神经网络模型的训练过程与以上描述的过程类似,在此不再赘述。
将潜在流失用户群体中用户的用户信息输入上述经训练的神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
在操作S340,基于第一概率对用户执行筛选操作,生成潜在流失用户清单。
在操作S350,根据用户基本属性信息向潜在流失用户清单中的用户推送有针对性的金融产品信息。
图4示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图。
如图4所示,流失用户留存的方法具体包括操作S410~S460。其中,操作S410~S420、S450可以分别与操作S210~S220、S240以相同的方式实现,重复的部分将不再详细赘述。
在操作S410,获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况。
在操作S420,将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
在操作S430~S440,将第一概率与第一预设阈值进行比较,在第一概率不小于第一预设阈值的情况下,将用户添加到潜在流失用户清单中;否则执行操作S460。
在本公开实施例中,第一预设阈值例如可以是一个预设值,也可以是一个预设范围,具体可以根据实际情况设定,在此不做限定。
当只需要关注某一阈值范围内的用户的流失情况时,可以设定预设条件为第一概率不小于第一预设阈值,具体地,将第一概率与第一预设阈值进行比较,当第一概率不小于第一预设阈值时,将用户添加到潜在流失用户清单中。采用上述方式可以筛选出符合需要的潜在流失用户,进而将上述潜在流失用户添加到潜在流失用户清单中,后续针对性对这些用户进行关注。
在操作S450,根据用户基本属性信息向潜在流失用户清单中的用户推送有针对性的金融产品信息。
在操作S460,结束。
在一些实施例中,可以针对这些列入潜在流失用户清单中的用户进行周期性地推送其感兴趣的金融产品信息,以达到留存的目的,下面将参考图5对此进行详细说明。
图5示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图。
如图5所示,流失用户留存的方法具体包括操作S510~S540。其中,操作S510~S530可以分别与操作S210~S230以相同的方式实现,重复的部分将不再详细赘述。
在操作S510,获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况。
在操作S520,将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
在操作S530,基于第一概率对用户执行筛选操作,生成潜在流失用户清单。
在操作S540,周期性地向潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息。
对于添加到潜在流失用户清单中的至少一个用户,可以周期性地发送针对这些用户感兴趣的金融产品信息,例如关于金融产品的优惠信息等。周期性的发送例如可以设定每天一次、每周一次、每月一次或者是相隔一定时间等,具体可以根据这些用户的访问历史来设置,在此不做限制。
采用上述方法,可以针对潜在流失用户清单中的用户进行周期性关注,从而在减少了需要关注的潜在流失用户的数据量的同时,还能够确保及时对潜在流失用户清单中的用户进行留存,提高了潜在流失用户的留存效果。
需要说明的是,在操作S540中,对于周期性地向潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息可以独立于操作S240,也即,周期性地向潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息可以不以操作S240为前提条件,而直接根据潜在流失用户清单来执行操作S540。
以上虽然以特定的顺序描述了方法的各个步骤,然而本公开的实施例不限于此,上述步骤可以根据需要以其他顺序执行。例如在一些实施例中,步骤S540可以在步骤S450之前执行,或者与步骤S450同时执行。在一些实施例中,操作S540也可以与操作S240同时执行,或者在操作S240之后执行,本公开对此不作限制。
本公开的实施例通过对潜在流失用户清单中的用户进行周期性推送其感兴趣的金融产品信息,可以从海量用户数据中确定需要重点关注的潜在流失用户来用于后续操作,例如可以针对这些用户进行分级关注和留存;而对于不在潜在流失用户清单中的用户可以不进行信息推送或者降低推送的频率。
图6示意性示出了根据本公开另一实施例的流失用户留存的方法的流程图。
如图6所示,流失用户留存的方法具体包括操作S610~S630。其中,操作S610~S620可以分别与操作S210~S220以相同的方式实现,重复的部分将不再详细赘述。
在操作S610,获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况。
在操作S620,将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
在操作S630,将第一概率与第二预设阈值进行比较,在第一概率不小于第二预设阈值的情况下,将用户添加到已流失用户清单中。
在本公开实施例中,第二预设阈值例如可以是一个预设值,也可以是一个预设范围,具体可以根据实际情况设定,在此不做限定。其中,第二预设阈值与第一预设阈值不同。
当神经网络模型输出的第一概率超过某一预设范围或预设值时,此时可以认定该用户有较大的可能已经流失,针对这类用户可以将其添加到已流失用户清单中,后续将不再对这些用户进行关注和留存。
在本公开实施例中,当获取到第一概率后,将第一概率与第二预设阈值进行比较,在第一概率不小于第二预设阈值的情况下,将用户添加到已流失用户清单中。例如,当第一概率不小于85%时(即第二预设阈值为85%),或者第一概率不小于80%~90%这一范围时,将用户添加到已流失用户清单中,后续将不再关注这些用户。
需要说明的是,在操作S630中,对于已流失用户的判断可以独立于操作S240,也即,对于已流失用户的判断可以不以操作S240为前提条件,而直接根据第一概率来执行操作S630。
以上虽然以特定的顺序描述了方法的各个步骤,然而本公开的实施例不限于此,上述步骤可以根据需要以其他顺序执行。例如在一些实施例中,步骤S630可以在步骤S450之前执行,或者与步骤S450同时执行。在一些实施例中,操作S630也可以与操作S240同时执行,或者在操作S240之后执行,本公开对此不作限制。
本公开实施例的流失用户留存的方法将用户基本属性信息和用户画像信息输入神经网络进行用户流失预测,从而以简单、高效的方式对潜在流失用户进行准确预测,并进行智能化留存。本公开的实施例通过周期性地向潜在流失用户清单中的至少一个用户发送针对这些用户感兴趣的金融产品信息,从而在减少了需要关注的潜在流失用户的数据量的同时,还能够确保及时对潜在流失用户清单中的用户进行留存,提高了潜在流失用户的留存效果。
基于上述流失用户留存的方法,本公开还提供了一种流失用户留存的装置。以下将结合图7~图10对该装置进行详细描述。
图7示意性示出了根据本公开实施例的流失用户留存的装置的结构框图。
如图7所示,流失用户留存的装置700包括获取模块710、筛选模块720、第一添加模块730以及推送模块740。
获取模块710用于获取用户的用户信息,用户信息包括用户基本属性信息和用户画像信息,其中,用户画像信息用于表征预设时间段内用户的访问情况。
筛选模块720用于将用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
第一添加模块730用于基于第一概率对用户执行筛选操作,生成潜在流失用户清单。
推送模块740用于根据用户基本属性信息向潜在流失用户清单中的用户推送有针对性的金融产品信息。
在本公开的一些实施例中,第一添加模块730还用于将第一概率与第一预设阈值进行比较,在第一概率不小于第一预设阈值的情况下,将用户添加到潜在流失用户清单中。
在本公开的一些实施例中,用户画像信息包括但不限于用户登录移动客户端的次数、用户进行交易的次数、用户访问移动客户端的时长以及用户访问与金融产品相关的内容的次数,其中,与金融产品相关的内容包括金融产品的产品介绍、金融产品的优惠信息以及与金融产品关联的其他产品中的至少之一。
在本公开的一些实施例中,用户基本属性信息包括用户年龄、用户性别、教育背景、职业背景、资产信息中的至少之一。
在本公开的一些实施例中,金融产品信息包括优惠信息、金融产品介绍和金融产品的状态信息中的至少之一。
图8示意性示出了根据本公开另一实施例的流失用户留存的装置的结构框图。
如图8所示,流失用户留存的装置800包括获取模块810、分类模块820、筛选模块830、第一添加模块840以及推送模块850。其中,获取模块810、筛选模块830、第一添加模块840以及推送模块850分别具有与获取模块710、筛选模块720、第一添加模块730以及推送模块740对应相似或相同的功能,重复的部分不再赘述。
在本公开实施例中,分类模块820用于使用无监督聚类算法根据用户的用户信息对用户进行分类,获取潜在流失用户群体。
筛选模块830还用于将潜在流失用户群体中用户的用户信息输入神经网络模型,获得神经网络模型输出的用于表示用户流失程度的第一概率。
图9示意性示出了根据本公开另一实施例的流失用户留存的装置的结构框图。
如图9所示,流失用户留存的装置900包括获取模块910、筛选模块920、第一添加模块930、推送模块940以及更新模块950。其中,获取模块910、筛选模块920、第一添加模块930以及推送模块940分别具有与获取模块710、筛选模块720、第一添加模块730以及推送模块740对应相同的功能,重复的部分不再赘述。
在本公开实施例中,更新模块950用于周期性地向潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息。
图10示意性示出了根据本公开另一实施例的流失用户留存的装置的结构框图。
如图10所示,流失用户留存的装置1000包括获取模块1010、筛选模块1020、第一添加模块1030、推送模块1040以及第二添加模块1050。其中,获取模块1010、筛选模块1020、第一添加模块1030、推送模块1040分别具有与获取模块710、筛选模块720、第一添加模块730以及推送模块740对应相同的功能,重复的部分不再赘述。
在本公开实施例中,第二添加模块1050用于将第一概率与第二预设阈值进行比较,在第一概率不小于第二预设阈值的情况下,将用户添加到已流失用户清单中。
本公开实施例的流失用户留存的方法将用户基本属性信息和用户画像信息输入神经网络进行用户流失预测,从而以简单、高效的方式对潜在流失用户进行准确预测,并进行智能化留存。
需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
根据本公开的实施例,获取模块710、筛选模块720、第一添加模块730以及推送模块740中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块710、筛选模块720、第一添加模块730以及推送模块740中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块710、筛选模块720、第一添加模块730以及推送模块740中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律的规定,且不违背公序良俗。
图11示意性示出了根据本公开实施例的适于实现流失用户留存的方法的电子设备的方框图。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;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1107;包括硬盘等的存储部分1108;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1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,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1110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1108。
本公开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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。在本公开中,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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,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。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,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公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (19)
1.一种流失用户留存的方法,包括:
获取用户的用户信息,所述用户信息包括用户基本属性信息和用户画像信息,其中,所述用户画像信息用于表征预设时间段内用户的访问情况;
将所述用户的用户信息输入神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率;
基于所述第一概率对所述用户执行筛选操作,生成潜在流失用户清单;
根据所述用户基本属性信息向所述潜在流失用户清单中的用户推送有针对性的金融产品信息。
2.根据权利要求1所述的流失用户留存的方法,还包括:
使用无监督聚类算法根据所述用户的用户信息对所述用户进行分类,获取潜在流失用户群体;
将所述潜在流失用户群体中用户的用户信息输入所述神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率。
3.根据权利要求1所述的流失用户留存的方法,其中,所述基于所述第一概率对所述用户执行筛选操作,生成潜在流失用户清单,包括:
将所述第一概率与第一预设阈值进行比较,在所述第一概率不小于所述第一预设阈值的情况下,将所述用户添加到所述潜在流失用户清单中。
4.根据权利要求1所述的流失用户留存的方法,还包括:
周期性地向所述潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息。
5.根据权利要求1所述的流失用户留存的方法,还包括:
将所述第一概率与第二预设阈值进行比较,在所述第一概率不小于所述第二预设阈值的情况下,将所述用户添加到已流失用户清单中。
6.根据权利要求1至5中任一项所述的流失用户留存的方法,其中,所述用户画像信息包括以下之中的至少之一:
用户登录移动客户端的次数;
用户进行交易的次数;
用户访问移动客户端的时长;以及
用户访问与所述金融产品相关的内容的次数,其中,所述与金融产品相关的内容包括所述金融产品的产品介绍、所述金融产品的优惠信息以及与所述金融产品关联的其他产品中的至少之一。
7.根据权利要求1至5中任一项所述的流失用户留存的方法,其中,所述用户基本属性信息包括用户年龄、用户性别、教育背景、职业背景、资产信息中的至少之一。
8.根据权利要求1至5中任一项所述的流失用户留存的方法,其中,所述金融产品信息包括优惠信息、金融产品介绍和金融产品的状态信息中的至少之一。
9.一种流失用户留存的装置,包括:
获取模块,用于获取用户的用户信息,所述用户信息包括用户基本属性信息和用户画像信息,其中,所述用户画像信息用于表征预设时间段内用户的访问情况;
筛选模块,用于将所述用户的用户信息输入神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率;
第一添加模块,用于基于所述第一概率对所述用户执行筛选操作,生成潜在流失用户清单;
推送模块,用于根据所述用户基本属性信息向所述潜在流失用户清单中的用户推送有针对性的金融产品信息。
10.根据权利要求9所述的流失用户留存的装置,还包括:
分类模块,用于使用无监督聚类算法根据所述用户的用户信息对所述用户进行分类,获取潜在流失用户群体;
所述筛选模块还用于将所述潜在流失用户群体中用户的用户信息输入所述神经网络模型,获得所述神经网络模型输出的用于表示用户流失程度的第一概率。
11.根据权利要求9所述的流失用户留存的装置,其中,所述第一添加模块还用于:
将所述第一概率与第一预设阈值进行比较,在所述第一概率不小于所述第一预设阈值的情况下,将所述用户添加到所述潜在流失用户清单中。
12.根据权利要求9所述的流失用户留存的装置,还包括:
更新模块,用于周期性地向所述潜在流失用户清单中的至少一个用户发送有针对性的金融产品信息。
13.根据权利要求9所述的流失用户留存的装置,还包括:
第二添加模块,用于将所述第一概率与第二预设阈值进行比较,在所述第一概率不小于所述第二预设阈值的情况下,将所述用户添加到已流失用户清单中。
14.根据权利要求9至13中任一项所述的流失用户留存的装置,其中,所述用户画像信息包括以下之中的至少之一:
用户登录移动客户端的次数;
用户进行交易的次数;
用户访问移动客户端的时长;以及
用户访问与所述金融产品相关的内容的次数,其中,所述与金融产品相关的内容包括所述金融产品的产品介绍、所述金融产品的优惠信息以及与所述金融产品关联的其他产品中的至少之一。
15.根据权利要求9至13中任一项所述的流失用户留存的装置,其中,所述用户基本属性信息包括用户年龄、用户性别、教育背景、职业背景、资产信息中的至少之一。
16.根据权利要求9至13中任一项所述的流失用户留存的装置,其中,所述金融产品信息包括优惠信息、金融产品介绍和金融产品的状态信息中的至少之一。
17.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
18.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730889.9A CN113391988A (zh) | 2021-06-29 | 2021-06-29 | 流失用户留存的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730889.9A CN113391988A (zh) | 2021-06-29 | 2021-06-29 | 流失用户留存的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113391988A true CN113391988A (zh) | 2021-09-14 |
Family
ID=77624763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110730889.9A Pending CN113391988A (zh) | 2021-06-29 | 2021-06-29 | 流失用户留存的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391988A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004654A (zh) * | 2021-11-04 | 2022-02-01 | 中南大学 | 基于大数据分析的互联网卡用户画像构建方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884515A (zh) * | 2021-02-22 | 2021-06-01 | 上海汽车集团股份有限公司 | 用户流失的预测方法、装置及计算机存储介质 |
CN112948695A (zh) * | 2021-03-31 | 2021-06-11 | 中国工商银行股份有限公司 | 基于用户画像的普惠金融快贷产品推荐方法和装置 |
-
2021
- 2021-06-29 CN CN202110730889.9A patent/CN113391988A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884515A (zh) * | 2021-02-22 | 2021-06-01 | 上海汽车集团股份有限公司 | 用户流失的预测方法、装置及计算机存储介质 |
CN112948695A (zh) * | 2021-03-31 | 2021-06-11 | 中国工商银行股份有限公司 | 基于用户画像的普惠金融快贷产品推荐方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004654A (zh) * | 2021-11-04 | 2022-02-01 | 中南大学 | 基于大数据分析的互联网卡用户画像构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522483B (zh) | 用于推送信息的方法和装置 | |
CN113507419B (zh) | 流量分发模型的训练方法、流量分发方法及装置 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN113393299A (zh) | 推荐模型训练方法、装置、电子设备和存储介质 | |
CN113159934A (zh) | 一种网点客流量的预测方法、系统、电子设备及存储介质 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN114238993A (zh) | 风险检测方法、装置、设备及介质 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN114218283A (zh) | 异常检测方法、装置、设备、介质 | |
CN118035876A (zh) | 推荐信息生成方法、装置、设备及介质 | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN113391988A (zh) | 流失用户留存的方法、装置、电子设备及存储介质 | |
CN116109374A (zh) | 资源位展示方法、装置、电子设备和计算机可读介质 | |
CN113159877B (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN110888583B (zh) | 页面显示方法、系统、装置和电子设备 | |
CN114219601A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113449800A (zh) | 训练模型的方法、位置确定方法、装置、电子设备及介质 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN113449886A (zh) | 数据处理方法、处理装置、设备及存储介质 | |
CN112348594A (zh) | 物品需求的处理方法、装置、计算设备和介质 | |
CN114897569B (zh) | 基于营销服务平台的订单生成方法、装置、设备及介质 | |
CN114692970A (zh) | 用户意向预测模型训练方法、用户意向预测方法及装置 |
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 |