CN113657635A - 一种预测通信用户流失的方法及电子设备 - Google Patents
一种预测通信用户流失的方法及电子设备 Download PDFInfo
- Publication number
- CN113657635A CN113657635A CN202010398481.1A CN202010398481A CN113657635A CN 113657635 A CN113657635 A CN 113657635A CN 202010398481 A CN202010398481 A CN 202010398481A CN 113657635 A CN113657635 A CN 113657635A
- Authority
- CN
- China
- Prior art keywords
- family
- target
- users
- communication user
- dimension
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012417 linear regression Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development 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
- 230000004622 sleep time Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例公开一种预测通信用户流失的方法及电子设备，用于解决现有预测通信用户流失的方法预测结果不精准的问题，该方法包括：获取目标通信用户的用户特征因子，用户特征因子包括目标通信用户的预设账期数据；将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值；获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子，所述家庭特征因子包括目标家庭的预设账期数据；将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值；根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
Description
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种预测通信用户流失的方法及电子设备。
背景技术
目前，随着通信行业的不断发展，通信行业中的各大运营商之间的竞争越来越激烈，用户流失问题一直受到通信运营商的密切关注。
由于目前市面上通信套餐种类繁多、评价标准单一、用户历史数据不完整等特性，用户流失预测对算法的要求很高，如现有的用户流失预测方法通过市场因素(如供求关系)和统计学来分析用户流失，随着数据挖掘与大数据的蓬勃发展，用户流失预测方法通过根据用户特征数据，建立用户流失预警机制，分析用户流失的因素，建立预测模型，从而得到用户流失预测概率。
但是，这些用户流失预测方法均是针对单个用户的消费特征进行分析，导致预测结果准确性不高。
发明内容
本发明实施例提供一种预测通信用户流失的方法及电子设备，用于解决现有的预测通信用户流失的方法预测结果不精准的问题。
本发明实施例采用下述技术方案：
第一方面，提供了一种预测通信用户流失的方法，所述方法包括：
获取目标通信用户的用户特征因子，所述用户特征因子包括目标通信用户的预设账期数据；
将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值；
获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子，所述家庭特征因子包括目标家庭的预设账期数据；
将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值；
根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
第二方面，提供了一种电子设备，所述电子设备包括：
第一获取模块，用于获取目标通信用户的用户特征因子，所述用户特征因子包括目标通信用户的预设账期数据；
第一输出模块，用于将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值；
第二获取模块，用于获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子，所述家庭特征因子包括目标家庭的预设账期数据；
第二输出模块，用于将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值；
确定模块，用于根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
第三方面，提供了一种电子设备，包括：存储器，存储有计算机程序指令；
处理器，当所述计算机程序被所述处理器执行时实现如上述所述的预测通信用户流失的方法。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如上述所述的预测通信用户流失的方法。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果：
本发明实施例提供的预测通信用户流失的方法，通过获取目标通信用户的流失率预测值和目标通信用户关联的目标家庭中成员的流失率值，根据目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定目标通信用户的流失率值。因此，本发明结合目标通信用户的流失率预测值和目标通信用户关联的目标家庭中成员的流失率值，来全方位预测目标通信用户的流失率值，提升目标通信用户的流失率值的预测准确性，使得预测结果更精准。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书的一个实施例提供的预测通信用户流失的方法流程示意图；
图2为本说明书的一个实施例提供的电子设备结构示意图之一；
图3为本说明书一个实施例提供的电子设备结构示意图之二。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。根据本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供一种预测通信用户流失的方法及电子设备，以解决现有的预测通信用户流失的方法预测结果不精准的问题。本发明实施例提供一种预测通信用户流失的方法，该方法的执行主体，可以但不限于应用程序、电子设备或能够被配置为执行本发明实施例提供的该方法的装置或系统。
为便于描述，下文以该方法的执行主体为能够执行该方法的电子设备为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为电子设备只是一种示例性的说明，并不应理解为对该方法的限定。
图1为本发明实施例提供的预测通信用户流失的方法的流程图，图1的方法可以由电子设备执行，如图1所示，该方法可以包括：
步骤110、获取目标通信用户的用户特征因子。
其中，所述用户特征因子包括目标通信用户的预设账期数据，该目标通信用户的预设账期数据为设定账期的基本数据，如，该基本数据可以包括：基础属性、消费属性、通信特征、交往圈特征、数据业务、互联网属性。
该预设账期可以为最新一个月，也可以为最近半年，还可以为设定的一段时间内，如2019年5月至2020年1月。
步骤120、将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值。
在执行本步骤之前，本发明实施例提供的预测通信用户流失的方法还可以包括：
提取全量通信用户的用户特征因子，并按照预设提取规则提取多个样本通信用户，所述通信用户的用户特征因子包括通信用户的预设账期数据；
该全量通信用户的用户特征因子可以包括全量用户的基础属性、消费属性、通信特征、交往圈特征、数据业务、互联网属性等，可表示为O＝(O1,…,Om)，其中，m表示预设账期的用户个数，Oi表示第i个自由人的特征属性集合。
该预设提取规则可以为通信用户在连续个月观察中出现语音沉默且流量沉默的次数与阈值的关系。
示例性的，如果第i用户在连续x2个月观察中出现x1次以上(含x1次)语音沉默且流量沉默，则该用户标识为正样本通信用户；否则该用户则标识为负样本通信用户，其中x1一般取1，x2一般取3～6个月。
根据所述多个样本通信用户的预设账期数据，及所述样本通信用户流失率值，训练所述第一预测模型，所述预测模型用于预测通信用户的流失率值。
沿用上述示例，提取的正样本通信用户和负样本通信用户按照一定的比例配置建立随机森林模型，该随机森林模型为所述第一预测模型。
则根据步骤120预测目标通信用户的流失率预测值
步骤130、获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子。
其中，所述家庭特征因子包括目标家庭的预设账期数据。
本步骤中，获取目标通信用户所归属的目标家庭，具体可实现为：利用通信用户工作日在夜间常驻基站及交往圈信息，获取每个通信用户所归属的家庭，所有通信用户归属的家庭信息用F表示，F＝(F1,F2,…,Fi,…,Fn)，其中Fi表示识别的第i家庭，n表示预设时间段共识别的家庭数。
本步骤中，获取目标通信用户所归属的目标家庭，具体可实现为：
根据所述目标通信用户的语音详单，挖掘预设时间段内目标通信用户的通话行为特征。
该预设时间段内可以为工作日或节假日的细化时间段。如，工作日中临近下班时间段，睡眠时间段，娱乐时间段，就餐时间段。
示例性的，通信用户A在五天工作日中的就餐时间段均与通信用户B和通信用户C有通话行为，通信用户A在五天工作日中的临近下班时间段与通信用户C有通话行为，通信用户A偶尔在工作日中的睡眠时间段与通信用户B有通话行为。
采用逻辑回归预测算法，根据所述通话行为特征，确定交往圈中与所述目标通信用户构成血缘家庭圈关系的用户。
沿用上述示例，采用逻辑回归预测算法，可以得到通信用户A与通信用户B可能为同事关系，与通信用户C为血缘家庭圈关系。
本步骤中，获取目标家庭关联的家庭特征因子，具体可实现为：根据目标家庭关联的粘性业务，选取所述粘性业务的业务特征因子作为家庭特征因子，记为Fij，表示第i个家庭第j个特征因子值，家庭相关的粘性业务维度包括合约捆绑维度、家庭捆绑维度等。
步骤120、将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值。
在执行本步骤之前，本发明实施例提供的预测通信用户流失的方法还可以包括：
根据多个样本家庭关联的粘性业务及所述粘性业务的业务特征因子，构建多元线性回归模型。
在根据多个样本家庭关联的粘性业务及所述粘性业务的业务特征因子，构建多元线性回归模型之前，还包括：
获取多个样本家庭关联的粘性业务；根据所述多个样本家庭关联的粘性业务，选取所述粘性业务的业务特征因子。
所述粘性业务包括：合约捆绑维度、家庭捆绑维度、集团捆绑维度、数信捆绑维度、服务捆绑维度、家庭成员维度。
其中，所述粘性业务的业务特征因子包括：所述合约捆绑维度的子业务维度，所述家庭捆绑维度的子业务维度，所述集团捆绑维度的子业务维度，所述数信捆绑维度的子业务维度，所述服务捆绑维度的子业务维度，所述家庭成员维度的子业务维度。
其中，所述合约捆绑维度选取的子业务维度包括：家庭中话费合约用户数、家庭中终端合约用户数、家庭中托收代扣用户数、是否主号码统付。
其中，所述家庭捆绑维度选取的子业务维度包括：是否家庭宽带家庭、是否互联网电视家庭、是否亲情网家庭、是否融合套餐家庭。
其中，所述集团捆绑维度选取的子业务维度包括：家庭中集团统付用户数、家庭中集团V网用户数、家庭中集团其他业务用户数。
其中，所述数信捆绑维度选取的子业务维度包括：家庭中某邮箱(如139邮箱)活跃用户数、家庭中视频类活跃用户数、家庭中阅读类活跃用户数、家庭中音乐类活跃用户数。
其中，所述服务捆绑维度选取的子业务维度包括：家庭中预设时长(如近2月)使用自有渠道用户数、家庭中预设时长有客服主动关怀用户数、家庭中星级客户用户数、家庭客户预设时长投诉次数。
其中，所述家庭成员维度选取的子业务维度包括：家庭成员数、家庭是否办理疑似友商宽带、家庭成员间通话次数、家庭成员间通话时长、家庭成员间短信次数、家庭异网成员占比、家庭arpu值、家庭通话时长、家庭使用流量数、家庭成员平均在网时长。
示例性的，表达式为：
多元线性回归模型的系数的偏回归系数。
应理解为，根据最小二乘法计算多元线性回归模型的系数β0，...，βk的偏回归系数
将所述偏回归系数代替所述多元线性回归模型的系数，构建所述第二预测模型。
应理解为，将偏回归系数
代替多元线性回归模型的系数β0，...，βk，构建多元线性回归预测模型作为第二预测模型。
则步骤120利用多元线性回归预测模型预测第i家庭中成员的流失率值
步骤150、根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
结合上述，目标通信用户的流失率值的表达式可以为：
其中，α、β可以根据实际的情况进行确定。
本发明实施例提供的预测通信用户流失的方法，通过获取目标通信用户的流失率预测值和目标通信用户关联的目标家庭中成员的流失率值，根据目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定目标通信用户的流失率值。因此，本发明结合目标通信用户的流失率预测值和目标通信用户关联的目标家庭中成员的流失率值，来全方位预测目标通信用户的流失率值，提升目标通信用户的流失率值的预测准确性，使得预测结果更精准。
以上，结合图1详细说明了本说明书实施例的预测通信用户流失的方法，下面，结合图2，详细说明本说明书实施例的电子设备。
图2示出了本说明书实施例提供的电子设备的结构示意图，如图2所示，该电子设备200可以包括：
第一获取模块211，用于获取目标通信用户的用户特征因子，所述用户特征因子包括目标通信用户的预设账期数据；
第一输出模块212，用于将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值；
第二获取模块213，用于获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子，所述家庭特征因子包括目标家庭的预设账期数据；
第二输出模块214，用于将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值；
确定模块215，用于根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
在一实施例中，所述电子设备200可以包括：
提取模块216，用于提取全量通信用户的用户特征因子，并按照预设提取规则提取多个样本通信用户，所述通信用户的用户特征因子包括通信用户的预设账期数据；
训练模块217，用于根据所述多个样本通信用户的预设账期数据，及所述样本通信用户流失率值，训练所述第一预测模型，所述预测模型用于预测通信用户的流失率值。
在一实施例中，所述电子设备200可以包括：
第一构建模块218，用于根据多个样本家庭关联的粘性业务及所述粘性业务的业务特征因子，构建多元线性回归模型；
计算模块219，用于根据最小二乘法计算多元线性回归模型的系数的偏回归系数；
第二构建模块220，用于将所述偏回归系数代替所述多元线性回归模型的系数，构建所述第二预测模型。
在一实施例中，所述电子设备200可以包括：
第三获取模块221，用于获取多个样本家庭关联的粘性业务；
选取模块222，用于根据所述多个样本家庭关联的粘性业务，选取所述粘性业务的业务特征因子。
在一实施例中，所述粘性业务包括：合约捆绑维度、家庭捆绑维度、集团捆绑维度、数信捆绑维度、服务捆绑维度、家庭成员维度；
所述粘性业务的业务特征因子包括：所述合约捆绑维度的子业务维度，所述家庭捆绑维度的子业务维度，所述集团捆绑维度的子业务维度，所述数信捆绑维度的子业务维度，所述服务捆绑维度的子业务维度，所述家庭成员维度的子业务维度。
在一实施例中，所述合约捆绑维度选取的子业务维度包括：家庭中话费合约用户数、家庭中终端合约用户数、家庭中托收代扣用户数、是否主号码统付；
所述家庭捆绑维度选取的子业务维度包括：是否家庭宽带家庭、是否互联网电视家庭、是否亲情网家庭、是否融合套餐家庭；
所述集团捆绑维度选取的子业务维度包括：家庭中集团统付用户数、家庭中集团V网用户数、家庭中集团其他业务用户数；
所述数信捆绑维度选取的子业务维度包括：家庭中某邮箱活跃用户数、家庭中视频类活跃用户数、家庭中阅读类活跃用户数、家庭中音乐类活跃用户数；
所述服务捆绑维度选取的子业务维度包括：家庭中预设时长使用自有渠道用户数、家庭中预设时长有客服主动关怀用户数、家庭中星级客户用户数、家庭客户预设时长投诉次数；
所述家庭成员维度选取的子业务维度包括：家庭成员数、家庭是否办理疑似友商宽带、家庭成员间通话次数、家庭成员间通话时长、家庭成员间短信次数、家庭异网成员占比、家庭arpu值、家庭通话时长、家庭使用流量数、家庭成员平均在网时长。
在一实施例中，第二获取模块213可以包括：
挖掘单元，用于根据所述目标通信用户的语音详单，挖掘预设时间段内目标通信用户的通话行为特征；
确定单元，用于采用逻辑回归预测算法，根据所述通话行为特征，确定交往圈中与所述目标通信用户构成血缘家庭圈关系的用户。
本发明实施例，通过获取目标通信用户的流失率预测值和目标通信用户关联的目标家庭中成员的流失率值，根据目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定目标通信用户的流失率值。因此，本发明结合目标通信用户的流失率预测值和目标通信用户关联的目标家庭中成员的流失率值，来全方位预测目标通信用户的流失率值，提升目标通信用户的流失率值的预测准确性，使得预测结果更精准。
下面将结合图3详细描述根据本发明实施例的电子设备。参考图3，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，如图3所示，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括实现其他目标业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成资源增值对象与资源对象的关联装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书前文所述的方法实施例的操作。
上述图1至图2所示实施例揭示的方法、电子设备执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
图3所示的电子设备还可执行图1的方法，实现预测通信用户流失的方法在图1所示实施例的功能，本发明实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种预测通信用户流失的方法，其特征在于，包括：
获取目标通信用户的用户特征因子，所述用户特征因子包括目标通信用户的预设账期数据；
将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值；
获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子，所述家庭特征因子包括目标家庭的预设账期数据；
将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值；
根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
2.根据权利要求1所述的方法，其特征在于，在将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值之前，包括：
提取全量通信用户的用户特征因子，并按照预设提取规则提取多个样本通信用户，所述通信用户的用户特征因子包括通信用户的预设账期数据；
根据所述多个样本通信用户的预设账期数据，及所述样本通信用户流失率值，训练所述第一预测模型，所述预测模型用于预测通信用户的流失率值。
3.根据权利要求1所述的方法，其特征在于，在将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值之前，包括：
根据多个样本家庭关联的粘性业务及所述粘性业务的业务特征因子，构建多元线性回归模型；
根据最小二乘法计算多元线性回归模型的系数的偏回归系数；
将所述偏回归系数代替所述多元线性回归模型的系数，构建所述第二预测模型。
4.根据权利要求3所述的方法，其特征在于，在根据多个样本家庭关联的粘性业务及所述粘性业务的业务特征因子，构建多元线性回归模型之前，包括：
获取多个样本家庭关联的粘性业务；
根据所述多个样本家庭关联的粘性业务，选取所述粘性业务的业务特征因子。
5.根据权利要求3或2所述的方法，其特征在于，
所述粘性业务包括：合约捆绑维度、家庭捆绑维度、集团捆绑维度、数信捆绑维度、服务捆绑维度、家庭成员维度；
所述粘性业务的业务特征因子包括：所述合约捆绑维度的子业务维度，所述家庭捆绑维度的子业务维度，所述集团捆绑维度的子业务维度，所述数信捆绑维度的子业务维度，所述服务捆绑维度的子业务维度，所述家庭成员维度的子业务维度。
6.根据权利要求5所述的方法，其特征在于，
所述合约捆绑维度选取的子业务维度包括：家庭中话费合约用户数、家庭中终端合约用户数、家庭中托收代扣用户数、是否主号码统付；
所述家庭捆绑维度选取的子业务维度包括：是否家庭宽带家庭、是否互联网电视家庭、是否亲情网家庭、是否融合套餐家庭；
所述集团捆绑维度选取的子业务维度包括：家庭中集团统付用户数、家庭中集团V网用户数、家庭中集团其他业务用户数；
所述数信捆绑维度选取的子业务维度包括：家庭中某邮箱活跃用户数、家庭中视频类活跃用户数、家庭中阅读类活跃用户数、家庭中音乐类活跃用户数；
所述服务捆绑维度选取的子业务维度包括：家庭中预设时长使用自有渠道用户数、家庭中预设时长有客服主动关怀用户数、家庭中星级客户用户数、家庭客户预设时长投诉次数；
所述家庭成员维度选取的子业务维度包括：家庭成员数、家庭是否办理疑似友商宽带、家庭成员间通话次数、家庭成员间通话时长、家庭成员间短信次数、家庭异网成员占比、家庭arpu值、家庭通话时长、家庭使用流量数、家庭成员平均在网时长。
7.根据权利要求1所述的方法，其特征在于，包括：获取目标通信用户所归属的目标家庭，包括：
根据所述目标通信用户的语音详单，挖掘预设时间段内目标通信用户的通话行为特征；
采用逻辑回归预测算法，根据所述通话行为特征，确定交往圈中与所述目标通信用户构成血缘家庭圈关系的用户。
8.一种电子设备，其特征在于，包括：
第一获取模块，用于获取目标通信用户的用户特征因子，所述用户特征因子包括目标通信用户的预设账期数据；
第一输出模块，用于将所述目标通信用户的预设账期数据作为第一预测模型的输入，输出所述目标通信用户的流失率预测值；
第二获取模块，用于获取目标通信用户所归属的目标家庭，及所述目标家庭关联的家庭特征因子，所述家庭特征因子包括目标家庭的预设账期数据；
第二输出模块，用于将所述目标家庭的预设账期数据作为第二预测模型的输入，输出所述目标家庭中成员的流失率值；
确定模块，用于根据所述目标通信用户的流失率预测值及其权重，及目标家庭中成员的流失率值及其权重，确定所述目标通信用户的流失率值。
9.一种电子设备，其特征在于，包括：
存储器，存储有计算机程序指令；
处理器，当所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的预测通信用户流失的方法。
10.一种计算机可读存储介质，其特征在于，
所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如权利要求1至7任一项所述的预测通信用户流失的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010398481.1A CN113657635B (zh) | 2020-05-12 | 2020-05-12 | 一种预测通信用户流失的方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010398481.1A CN113657635B (zh) | 2020-05-12 | 2020-05-12 | 一种预测通信用户流失的方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657635A true CN113657635A (zh) | 2021-11-16 |
| CN113657635B CN113657635B (zh) | 2023-10-27 |
Family
ID=78476946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010398481.1A Active CN113657635B (zh) | 2020-05-12 | 2020-05-12 | 一种预测通信用户流失的方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657635B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114389962A (zh) * | 2021-12-27 | 2022-04-22 | 中国电信股份有限公司 | 宽带流失用户确定方法、装置、电子设备和存储介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037376A1 (en) * | 2000-10-27 | 2002-05-10 | Manugistics, Inc. | Supply chain demand forecasting and planning |
| US20040128112A1 (en) * | 2002-12-13 | 2004-07-01 | Mikytuck Howard W. | System and method for holistic management of risk and return |
| US20070156673A1 (en) * | 2005-12-30 | 2007-07-05 | Accenture S.P.A. | Churn prediction and management system |
| US20070185867A1 (en) * | 2006-02-03 | 2007-08-09 | Matteo Maga | Statistical modeling methods for determining customer distribution by churn probability within a customer population |
| CN103150697A (zh) * | 2011-12-07 | 2013-06-12 | 北京四达时代软件技术股份有限公司 | 确定客户流失的方法及装置 |
| CN105005909A (zh) * | 2015-06-17 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 预测流失用户的方法及装置 |
| CN106658564A (zh) * | 2016-11-17 | 2017-05-10 | 广州杰赛科技股份有限公司 | 一种家庭用户的识别方法及装置 |
| CN107194715A (zh) * | 2017-04-07 | 2017-09-22 | 广东精点数据科技股份有限公司 | 社会行为数据模型的构建方法 |
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN108121795A (zh) * | 2017-12-20 | 2018-06-05 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
| CN108537587A (zh) * | 2018-04-03 | 2018-09-14 | 广州优视网络科技有限公司 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
| CN108650614A (zh) * | 2018-03-19 | 2018-10-12 | 复旦大学 | 一种自动推断社会关系的移动用户位置预测方法与装置 |
| CN109376237A (zh) * | 2018-09-04 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 客户稳定性的预测方法、装置、计算机设备和存储介质 |
| CN109508329A (zh) * | 2018-12-07 | 2019-03-22 | 广州市诚毅科技软件开发有限公司 | 基于广电大数据的用户流失预警方法、系统及存储介质 |
| CN109544197A (zh) * | 2017-09-22 | 2019-03-29 | 中兴通讯股份有限公司 | 一种用户流失预测方法和装置 |
| CN109962795A (zh) * | 2017-12-22 | 2019-07-02 | 中国移动通信集团广东有限公司 | 一种基于多维组合变量的4g用户流失预警方法和系统 |
| CN110413878A (zh) * | 2019-07-04 | 2019-11-05 | 四川金赞科技有限公司 | 基于自适应弹性网络的用户-商品偏好的预测装置和方法 |
| CN110807547A (zh) * | 2019-10-22 | 2020-02-18 | 恒大智慧科技有限公司 | 家庭人口结构的预测方法及系统 |
| CN110880075A (zh) * | 2019-11-21 | 2020-03-13 | 上海观安信息技术股份有限公司 | 一种员工离职倾向检测方法 |
-
2020
- 2020-05-12 CN CN202010398481.1A patent/CN113657635B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037376A1 (en) * | 2000-10-27 | 2002-05-10 | Manugistics, Inc. | Supply chain demand forecasting and planning |
| US20040128112A1 (en) * | 2002-12-13 | 2004-07-01 | Mikytuck Howard W. | System and method for holistic management of risk and return |
| US20070156673A1 (en) * | 2005-12-30 | 2007-07-05 | Accenture S.P.A. | Churn prediction and management system |
| US20070185867A1 (en) * | 2006-02-03 | 2007-08-09 | Matteo Maga | Statistical modeling methods for determining customer distribution by churn probability within a customer population |
| CN103150697A (zh) * | 2011-12-07 | 2013-06-12 | 北京四达时代软件技术股份有限公司 | 确定客户流失的方法及装置 |
| CN105005909A (zh) * | 2015-06-17 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 预测流失用户的方法及装置 |
| CN106658564A (zh) * | 2016-11-17 | 2017-05-10 | 广州杰赛科技股份有限公司 | 一种家庭用户的识别方法及装置 |
| CN107194715A (zh) * | 2017-04-07 | 2017-09-22 | 广东精点数据科技股份有限公司 | 社会行为数据模型的构建方法 |
| CN109544197A (zh) * | 2017-09-22 | 2019-03-29 | 中兴通讯股份有限公司 | 一种用户流失预测方法和装置 |
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN108121795A (zh) * | 2017-12-20 | 2018-06-05 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
| CN109962795A (zh) * | 2017-12-22 | 2019-07-02 | 中国移动通信集团广东有限公司 | 一种基于多维组合变量的4g用户流失预警方法和系统 |
| CN108650614A (zh) * | 2018-03-19 | 2018-10-12 | 复旦大学 | 一种自动推断社会关系的移动用户位置预测方法与装置 |
| CN108537587A (zh) * | 2018-04-03 | 2018-09-14 | 广州优视网络科技有限公司 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
| CN109376237A (zh) * | 2018-09-04 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 客户稳定性的预测方法、装置、计算机设备和存储介质 |
| CN109508329A (zh) * | 2018-12-07 | 2019-03-22 | 广州市诚毅科技软件开发有限公司 | 基于广电大数据的用户流失预警方法、系统及存储介质 |
| CN110413878A (zh) * | 2019-07-04 | 2019-11-05 | 四川金赞科技有限公司 | 基于自适应弹性网络的用户-商品偏好的预测装置和方法 |
| CN110807547A (zh) * | 2019-10-22 | 2020-02-18 | 恒大智慧科技有限公司 | 家庭人口结构的预测方法及系统 |
| CN110880075A (zh) * | 2019-11-21 | 2020-03-13 | 上海观安信息技术股份有限公司 | 一种员工离职倾向检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 侯晶晶: "基于经营分析系统的客户流失分析", 《中国优秀博硕士学位论文全文数据库 (硕士)经济与管理科学辑》, no. 08, pages 155 - 32 * |
| 徐建华等: "基于家庭用户的流失预警模型构建", 《信息通信》, no. 10, pages 213 - 215 * |
| 徐树华: "基于社会网络的电信客户采纳新业务与流失行为研究", 《中国博士学位论文全文数据库经济与管理科学辑》, no. 01, pages 145 - 22 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114389962A (zh) * | 2021-12-27 | 2022-04-22 | 中国电信股份有限公司 | 宽带流失用户确定方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657635B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563757B (zh) | 数据风险识别的方法及装置 | |
| CN108416616A (zh) | 投诉举报类别的排序方法和装置 | |
| CN111309614A (zh) | A/b测试方法、装置及电子设备 | |
| CN108920183B (zh) | 一种业务决策方法、装置及设备 | |
| CN111626754B (zh) | 养卡用户识别方法及装置 | |
| CN111835536B (zh) | 一种流量预测方法和装置 | |
| CN111582872A (zh) | 异常账号检测模型训练、异常账号检测方法、装置及设备 | |
| CN113657635A (zh) | 一种预测通信用户流失的方法及电子设备 | |
| CN110490595B (zh) | 一种风险控制方法和装置 | |
| CN116614407A (zh) | 一种风险控制方法及装置 | |
| CN110163470B (zh) | 事件评估方法及装置 | |
| CN115456801B (zh) | 个人信用的人工智能大数据风控系统、方法和存储介质 | |
| CN115130577A (zh) | 一种欺诈号码识别方法、装置及电子设备 | |
| CN113284027B (zh) | 团伙识别模型的训练方法、异常团伙识别方法及装置 | |
| CN108154377B (zh) | 广告作弊预测方法及装置 | |
| CN113076451B (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 | |
| CN113129091A (zh) | 一种资费套餐的推荐方法及装置 | |
| CN115988475B (zh) | 快携用户的预测方法、设备及存储介质 | |
| CN111489163A (zh) | 一种业务处理方法、装置及电子设备 | |
| CN110728588A (zh) | 表计抄表的方法、远程管理平台及业务系统 | |
| CN113132149B (zh) | 网络数据分级方法、装置及网管服务器、存储介质 | |
| CN112165456B (zh) | 一种劫持流量识别方法、装置及电子设备 | |
| CN110955760A (zh) | 判决结果的评价方法和相关装置 | |
| CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
| CN117495391A (zh) | 访问行为数据处理方法、系统及相关设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |