CN113706202A - 一种基于低稳态用户识别及预警的召回策略生成方法 - Google Patents
一种基于低稳态用户识别及预警的召回策略生成方法 Download PDFInfo
- Publication number
- CN113706202A CN113706202A CN202111009007.6A CN202111009007A CN113706202A CN 113706202 A CN113706202 A CN 113706202A CN 202111009007 A CN202111009007 A CN 202111009007A CN 113706202 A CN113706202 A CN 113706202A
- Authority
- CN
- China
- Prior art keywords
- user
- lost
- users
- loss
- user behavior
- 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 38
- 230000006399 behavior Effects 0.000 claims abstract description 93
- 230000000694 effects Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 208000012661 Dyskinesia Diseases 0.000 abstract 1
- 238000011160 research Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于低稳态用户识别及预警的召回策略生成方法。本申请提供一种获取用户行为特征,所述用户行为特征用于描述用户行为方法。方法包括:获取用户行为特征,所述用户行为特征用于描述用户行为;根据所述用户行为特征标记流失用户,获取所述流失用户数量;判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征;获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。本申请的技术方案能够将在用户发生异动之前,提前发现低稳定的客户,更早地对不稳定客户做好针对性的维系工作,以帮助企业提高用户粘性,提前防范客户流失,提高运营效率的同时,也保有客户价值。
Description
技术领域
本发明属于计算机数据处理领域,具体涉及一种基于低稳态用户识别及预警的召回策略生成方法。
背景技术
对于互联网产品而言,流失用户研究是产品运营过程中较为常见、也是较为重要的工作,特别是在新产品或是发展尚未成熟的产品运营中。运营侧需要通过对流失用户进行调研,了解用户流失的原因,并且制定相应的策略,实现防流失、流失用户召回和现有用户体验优化。
以往的流失用户研究发生的场景大多是产品运营方在运营过程中发现明显的用户流失问题之后才开始做着手流失用户的研究,通过传统的定性深访和定量问卷调研的方以获取流失用户画像,了解流失原因,进而制定挽回策略,后将调研得到的流失人群的特征,在系统数据库中标识出来,再开始采取召回策略或是做产品体验优化。
当然也有较新研究提出可通过技术自动获取流失用户特征数据,即根据预设的流失值公式,计算流失用户特征占总用户特征的比重,并计算各流失用户特征的占比总和,以自动获取用户流失原因,后续再采取召回策略,然而对于这样获取的流失原因更多是用户行为特征值如用户使用时间、使用时长等,对于流失背后的更进一步原因挖掘较为有限,召回的策略也成效较低。
对于现有的操作方式,不管是通过传统的调研方式还是通过较新的自动获取流失原因的方法,都存在弊端,前者存在较明显的滞后效应,不能自动预警流失问题,而后者能够提前预警,但获取的流失原因更多是用户行为特征值如用户使用时间、使用时长等,对于流失背后的更进一步态度原因挖掘较为有限,但往往在实际当中,不同用户的需求差异较大,现有行为数据体现的需求可能仅是他们需求中的冰山一角,由于真实的流失原因方面精准度缺失,制定的召回策略也成效较低。
发明内容
有鉴于此,本申请提供一种基于低稳态用户识别及预警的召回策略生成方法。
第一方面,本申请实施例提供一种基于低稳态用户识别及预警的召回策略生成方法,包括:
获取用户行为特征,所述用户行为特征用于描述用户行为;
根据所述用户行为特征标记流失用户,获取所述流失用户数量;
判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征;
获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。
在一种可能的实施例中,所述根据用户行为特征标记流失用户包括:
定义潜在流失用户行为特征集合,所述集合包括若干用户行为特征;
比对所述用户行为特征和所述集合,获取匹配值;
若所述匹配值>阈值,则标记所述用户行为特征所对应的用户为流失用户。
在一种可能的实施例中,所述潜在流失用户行为特征集合包括账号活跃度、工具使用情况以及资源利用率。
在一种可能的实施例中,判断所述用户行为特征中是否存在关键流失用户行为特征;
若所述关键流失用户行为特征≥1,则标记所述用户行为特征所对应的用户为流失用户。
在一种可能的实施例中,所述判断所述流失用户数量是否超量包括:
若流失用户数量/全站用户数*100>X(阈值),则判定所述流失用户数量超量,并触发流失用户预警。
在一种可能的实施例中,当所述流失用户数量超量时,所述方法还包括:
推送调研问卷至流失用户端,获取回馈结果;
根据所述回馈结果获取第一流失原因;
根据所述流失用户特征生成第二流失原因;
结合所述第一流失原因和所述第二流失原因匹配并触发对应的召回策略。
在一种可能的实施例中,还包括:
实时监测所述流失用户画像,用于了解流失用户群体在实施召回策略后的变化情况,所述变化情况包括增多、减少以及不变;
若所述变化情况为增多或不变,则变更所述召回策略。
第二方面,本申请实施例提供一种基于低稳态用户识别及预警的召回策略生成装置,包括:
第一获取单元,用于获取用户行为特征,所述用户行为特征用于描述用户行为;
第二获取单元,用于根据所述用户行为特征标记流失用户,获取所述流失用户数量;
判断单元,用于判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征;
召回单元,用于获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。
第三方面,本申请实施例还提供一种电子设备,包括:至少一个处理器;与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于低稳态用户识别及预警的召回策略生成方法。
第四方面,本申请实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行前述第一方面或第一方面的任一实现方式中的基于低稳态用户识别及预警的召回策略生成方法。
相较于现有技术,本申请提供的技术方案能够将在用户发生异动之前,提前发现低稳定的客户,更早地对不稳定客户做好针对性的维系工作,以帮助企业提高用户粘性,提前防范客户流失,提高运营效率的同时,也保有客户价值。
附图说明
图1是本申请实施例提供的一种基于低稳态用户识别及预警的召回策略生成流程图;
图2是本申请实施例提供的一种基于低稳态用户识别及预警的召回策略生成另一流程图;
图3是本申请实施例中调查问卷的模板示意图;
图4是本申请实施例提供的系统架构示意图。
具体实施方式
以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为本实施例提供的本实施例一种基于低稳态用户识别及预警的召回策略生成方法的流程图。本实施例可适用于进行基于低稳态用户识别及预警的召回策略生成的情况,该方法可以由基于低稳态用户识别及预警的召回策略生成装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置于电子设备,例如,终端设备或服务器中。如图1和图2所示,该基于低稳态用户识别及预警的召回策略生成方法包括:
步骤S1、获取用户行为特征,所述用户行为特征用于描述用户行为。
具体的,行为特征包括用户登录时常、用户上次登录时间、用户账号活跃度、用户使用工具情况以及用户资源利用度。
实时监测全站用户的上述行为特征。
获取用户行为特征可以采用多种方式:
在一个可能的实施方式中,在用户注册账户时,通过设置相关问题的问卷,用户通过对问卷输入对应的答案,从而获取用户的行为特征。
在另一个可能的实施方式中,通过获取用户ID,匹配用户信息数据库中的对应账号,获取该账号的预设时间内的上述行为特征,例如用户在一个月内的登录次数、用户在一个月的平均每日登录时常、用户一个月内使用次数最多的工具。
步骤S2、根据所述用户行为特征标记流失用户,获取所述流失用户数量。
具体的,初步对站内用户的使用行为进行标签化,即对用户上一次访问工具行为时间进行定义:
活跃用户定义:最近一次访问工具行为在30天的用户为工具活跃用户。
沉默用户定义:最近一次访问工具行为在30-90天内的用户为工具线潜在流失用户。
流失用户定义:最近一次访问工具行为发生在90天以上的用户为工具线流失用户。
通过对于用户的使用行为界定不同的用户类型后,与其用户身份进行绑定,在用户信息系统内对建立“用户活跃/流失标签”,把用户基于活跃/潜在流失/流失的定义后的标签打上。
进一步的,根据用户的其他行为特征,对用户是否为流失用户,做进一步判断。
具体的,其他行为特征包括用户的使用范围、使用深度、使用时长、使用频率和最终成果。
进一步的,所述根据用户行为特征标记流失用户包括:
定义潜在流失用户行为特征集合,所述集合包括若干用户行为特征;
比对所述用户行为特征和所述集合,获取匹配值;
若所述匹配值>阈值,则标记所述用户行为特征所对应的用户为流失用户。
具体的,潜在流失用户行为特征集合包括账号活跃度、设计工具使用情况、资源利用度几个方面进行定义,参考如下:
1、近M天账号登录次数<X(账号活跃度)。
2、近M天全景图渲染量<X(设计工具有效使用频次)。
3、近M天单次平均使用时长<X(设计工具使用深度)(可以判断出用户操作是否为误触行为)。
4、近M天单次平均素材使用量<X(资源利用率)。
获取用户行为特征中对应的数据,判断用户满足潜在流失用户行为特征集合中的行为特征数量,获取其比值,即匹配值;
若匹配值>阈值,阈值可以为50%,也可以为60%,在此不做限定;
若匹配值>阈值,则对该用户进行标记,定义该用户为流失用户。
进一步的,判断所述用户行为特征中是否存在关键流失用户行为特征;
若所述关键流失用户行为特征≥1,则标记所述用户行为特征所对应的用户为流失用户。
具体的,先定义关键流失用户行为特征,该关键流失用户行为特征具体基于不同的业务目标进行拟定;
在获取用户行为特征时,对其所有用户行为特征进行遍历,判断其是否存在关键流失用户行为特征,若数量≥1,则标记所述用户行为特征所对应的用户为流失用户。
标记的具体方式可以为,将关键流失用户行为特征与用户的唯一标识(用户ID)进行绑定,当触发纪律≥1时,则对该用户进行标记。
步骤S3、判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征。
具体的,根据步骤S1和步骤S2中判断是否为流失用户,进而对流失用户数量进行统计,并判断其是否超量。
判断是否超量的实施方式可以为,若流失用户数量/全站用户数*100>X(阈值),则判定流失用户数量超量,并触发流失用户预警。
用户预警的具体实施方式可以为,设定流失用户的关键指标,如数据达到此指标的条件,则自动触发召回机制。
如流失用户占总用户的比例达到阈值,则自动触发召回机制。其中流失用户分为设计师和商家用户,商家用户又区分不同行业,根据不同的流失用户类别,更为精准的匹配相对应的召回机制。
具体环节及所涉及的技术方案如下:
a)区分人群、行业,汇总流失用户数量;
b)设定流失用户超量临界值(各业务线根据业务情况自行判定);
c)提取用户关键身份及行为标签,创建构建流失用户画像;
d)当流失用户数量超出临界值,即刻将流失预警消息及流失用户画像推送给指定负责人。
进一步的,流失用户画像的目标是辅助判断策略方向,流失用户画像特征将与后续召回策略的制定强相关,相关特征举例如下:
用户类型(个人/商家/业主);
用户行业(定制/硬装/装企/软装);
用户生命周期(新用户/成长期用户/老用户);
有效方案数(判断是否深度使用);
方案产出物类型(效果图/施工图/定制柜体图...);
最常使用工具类型;
最常使用功能;
关注品牌;
高频搜索关键词。
步骤S4、获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。
具体的,根据流失用户特征,例如如流失用户特征为:最常使用工具类型为XX,则判断流失用户对该类型工具的使用体验差,我们可以对该类型工具进行优化,以提高用户体验度。例如流失用户特征为:用户类型为个人,则判断个人的用户群体对工具使用需求降低,则可通过调查,针对性地做出调整。
具体的,当自动触发流失用户召回时,将根据当时线上、线下的最新活动和奖励进行召回,召回系统绑定运营云台,根据不同的流失群体与活动群体的交集进行自动召回,无活动的则根据常规运营手段进行召回。
具体环节及所涉及的技术方案如下:
a)编制调研问卷或邮件(采用第三方问卷创建系统)
b)以短信或邮件等形式定向投放问卷
c)制定可自动触发的召回策略,比如激励发放、优惠刺激等。
进一步的,当所述流失用户数量超量时,所述方法还包括:
推送调研问卷至流失用户端,获取回馈结果;
根据所述回馈结果获取第一流失原因;
根据所述流失用户特征生成第二流失原因;
结合所述第一流失原因和所述第二流失原因匹配并触发对应的召回策略。
具体的,流失用户的流失原因将会进行针对性的持续监测。召回系统自动通过其注册的邮箱向其发送网络调研问卷,进行流失原因的调研,以便根据回收的信息进行产品/运营的针对性调整。
参考图3,调研问卷设计:主要题目包括流失原因、产品体验等问题。
流失用户进行填写后,获取回馈结果,根据回馈结果中的流失原因,从而生成第一流失原因。
根据生成的用户画像中,获取其流失用户特征,生成第二流失原因。
根据第一流失原因和第二流失原因进一步对召回策略进行匹配,匹配方式可以为既以第一流失原因对应的召回策略进行召回,同时以第二流失原因对应的召回策略进行召回。
也可以为根据第一流失原因和第二流失原因结合匹配相应的召回策略。
举例性的说,例如用户流失原因为体验流失,体验流失原因为工具操作复杂/不会使用,行为标签为“用户成长周期”=新用户/成长期/老用户;“最常使用工具”=定制/硬装/施工图,召回策略则为推送对应阶段+对应功能模块的教学课程;
若体验流失原因为工具功能无法满足需求,行为标签为“最常使用工具类型”、“最常使用功能”,召回策略则为推送对应工具+模块的功能迭代信息,以邀请用户重新体验;
若用户流失原因为刚性流失,根据用户的行为标签为“最常使用工具类型”,则匹配的对应召回策略为推送核心功能价值点包装+营销玩法+激励体系(渲染券、活动券、课程券等);
若用户流失原因为柔性流失,用户的行为标签为“用户行业”,则匹配的对应召回策略为推送平台对应行业工具营销内容,包括核心产品、核心能力、行业优势等;拓展用户对平台的综合能力认知/营销创新能力,提升用户粘性;
若用户流失原因为自然流失,用户的行为标签为“流失前渲染方案数”>X,则匹配的召回策略为推送研学活动、平台比赛等设计师活动信息;该类流失非产品原因,可通过活动保持其对工具的粘性和活跃度。
进一步的,实时监测所述流失用户画像,用于了解流失用户群体在实施召回策略后的变化情况,所述变化情况包括增多、减少以及不变;
若所述变化情况为增多或不变,则变更所述召回策略。
具体的,根据数据库中的用户不同标签,汇总流失用户数量和各类特征数据;
可以在数据产品中建立流失用户的画像,以便公司内部同事更好地监测指标,了解流失用户群体是否发生了改变,如数量是否增多、人群特征是否发生改变,通过基础的用户画像来探寻背后的原因,从而减少流失用户,增加活跃用户。
若变化情况为增多或不变,则变更召回策略,以使其他方式对用户进行召回。
流失用户画像的数据维度:流失用户总数、注册时间(分段)、方案总数(分段)、渲染全景图总数(分段)、使用时长、行业工具使用数、培训/课程时长、最常使用的工具模块、最后停留的工具模块……
通过使用上述方法:
可以减少因发现不及时而造成的用户流失,同时借助调研和行为特征数据全面获取用户流失的原因,并针对不同用户采取差异化的召回策略,以提升运营的效率和有效性。
1.流失用户早期预警:建立流失用户行为判别模型和流失用户画像看板,动态监测数据库中流失用户比例,明确不同时期的用户状态,提前发现风险;
2.流失原因挖掘:针对流失用户自动发送流失调研问卷并结合用户平台/工具的行为特征数据,全面洞察不同用户流失背后的行为和态度原因;
3.精准召回策略:针对不同类型流失用户背后的行为和态度原因,制定差异化的召回或是应对策略,提前规避因会员流失造成的损失的风险。
本实施例还提供了一种基于低稳态用户识别及预警的召回策略生成装置,包括:
第一获取单元,用于获取用户行为特征,所述用户行为特征用于描述用户行为;
第二获取单元,用于根据所述用户行为特征标记流失用户,获取所述流失用户数量;
判断单元,用于判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征;
召回单元,用于获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。
本申请实施例还提供一种电子设备,包括:至少一个处理器;与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一基于低稳态用户识别及预警的召回策略生成方法。
本申请实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行前述任一基于低稳态用户识别及预警的召回策略生成方法。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述任一基于低稳态用户识别及预警的召回策略生成方法。
如图3所示,本实施例提供的基于低稳态用户识别及预警的召回策略生成方法可通过系统架构100实现,在典型的实施方式中,系统架构100可以包括终端设备101、102、103,网络104和服务器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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、便携计算机和台式计算机等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于低稳态用户识别及预警的召回策略生成方法一般由服务器/终端设备执行,相应地,基于低稳态用户识别及预警的召回策略生成装置一般设置于服务器/终端设备中。
应该理解,图4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。
值得说明的是,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于低稳态用户识别及预警的召回策略生成方法,其特在于,所述方法包括:
获取用户行为特征,所述用户行为特征用于描述用户行为;
根据所述用户行为特征标记流失用户,获取所述流失用户数量;
判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征;
获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。
2.根据权利要求1所述的方法,其特征在于:
所述根据用户行为特征标记流失用户包括:
定义潜在流失用户行为特征集合,所述集合包括若干用户行为特征;
比对所述用户行为特征和所述集合,获取匹配值;
若所述匹配值>阈值,则标记所述用户行为特征所对应的用户为流失用户。
3.根据权利要求2所述的方法,其特征在于:
所述潜在流失用户行为特征集合包括账号活跃度、工具使用情况以及资源利用率。
4.根据权利要求2所述的方法,其特征在于:
判断所述用户行为特征中是否存在关键流失用户行为特征;
若所述关键流失用户行为特征≥1,则标记所述用户行为特征所对应的用户为流失用户。
5.根据权利要求1所述的方法,其特征在于:
所述判断所述流失用户数量是否超量包括:
若流失用户数量/全站用户数*100>X(阈值),则判定所述流失用户数量超量,并触发流失用户预警。
6.根据权利要求5所述的方法,其特征在于:
当所述流失用户数量超量时,所述方法还包括:
推送调研问卷至流失用户端,获取回馈结果;
根据所述回馈结果获取第一流失原因;
根据所述流失用户特征生成第二流失原因;
结合所述第一流失原因和所述第二流失原因匹配并触发对应的召回策略。
7.根据权利要求1所述的方法,其特征在于:
还包括:
实时监测所述流失用户画像,用于了解流失用户群体在实施召回策略后的变化情况,所述变化情况包括增多、减少以及不变;
若所述变化情况为增多或不变,则变更所述召回策略。
8.一种基于低稳态用户识别及预警的召回策略生成装置,包括:
第一获取单元,用于获取用户行为特征,所述用户行为特征用于描述用户行为;
第二获取单元,用于根据所述用户行为特征标记流失用户,获取所述流失用户数量;
判断单元,用于判断所述流失用户数量是否超量,若超量,则生成流失用户画像,所述流失用户画像用于表述流失用户群体的流失用户特征;
召回单元,用于获取所述流失用户特征,根据所述流失用户特征匹配并触发对应的召回策略。
9.一种电子设备,包括:至少一个处理器;与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7任一项所述的基于低稳态用户识别及预警的召回策略生成方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行如权利要求1-7任一项所述的基于低稳态用户识别及预警的召回策略生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009007.6A CN113706202A (zh) | 2021-08-31 | 2021-08-31 | 一种基于低稳态用户识别及预警的召回策略生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009007.6A CN113706202A (zh) | 2021-08-31 | 2021-08-31 | 一种基于低稳态用户识别及预警的召回策略生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706202A true CN113706202A (zh) | 2021-11-26 |
Family
ID=78657567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009007.6A Pending CN113706202A (zh) | 2021-08-31 | 2021-08-31 | 一种基于低稳态用户识别及预警的召回策略生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706202A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187048A (zh) * | 2021-12-14 | 2022-03-15 | 南京佰宏卓越科技有限公司 | 一种用于客户数据分析管理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN106919995A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种判断用户群体流失倾向的方法及装置 |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109636443A (zh) * | 2018-11-17 | 2019-04-16 | 南京中数媒介研究有限公司 | 客户流失预测的深度学习方法及装置 |
CN110111156A (zh) * | 2019-05-14 | 2019-08-09 | 重庆天蓬网络有限公司 | 一种客户流失预警方法、系统、介质和电子设备 |
CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
CN112561598A (zh) * | 2020-12-23 | 2021-03-26 | 中国农业银行股份有限公司重庆市分行 | 基于客户画像的客户流失预测及挽回方法和系统 |
CN112767045A (zh) * | 2021-01-27 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 流失用户的挽回方法、装置和电子设备 |
-
2021
- 2021-08-31 CN CN202111009007.6A patent/CN113706202A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919995A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种判断用户群体流失倾向的方法及装置 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109636443A (zh) * | 2018-11-17 | 2019-04-16 | 南京中数媒介研究有限公司 | 客户流失预测的深度学习方法及装置 |
CN110111156A (zh) * | 2019-05-14 | 2019-08-09 | 重庆天蓬网络有限公司 | 一种客户流失预警方法、系统、介质和电子设备 |
CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
CN112561598A (zh) * | 2020-12-23 | 2021-03-26 | 中国农业银行股份有限公司重庆市分行 | 基于客户画像的客户流失预测及挽回方法和系统 |
CN112767045A (zh) * | 2021-01-27 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 流失用户的挽回方法、装置和电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187048A (zh) * | 2021-12-14 | 2022-03-15 | 南京佰宏卓越科技有限公司 | 一种用于客户数据分析管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10861029B2 (en) | Qualifying comments with poll responses on online systems | |
US7594189B1 (en) | Systems and methods for statistically selecting content items to be used in a dynamically-generated display | |
US10891592B2 (en) | Electronic job posting marketplace | |
US11630552B1 (en) | Highlighting comments on online systems | |
US20110275047A1 (en) | Seeking Answers to Questions | |
US20160307131A1 (en) | Method, apparatus, and system for controlling delivery task in social networking platform | |
US20120005204A1 (en) | System for determining and optimizing for relevance in match-making systems | |
US20080147452A1 (en) | Enterprise resource tracking of knowledge | |
US20170364931A1 (en) | Distributed model optimizer for content consumption | |
US20130159096A1 (en) | Ranked user graph for social advertisement targeting | |
EP2290602A1 (en) | Web site trigger optimization system driving cross-channel operations | |
US20190069030A1 (en) | Determining effects of presenting a content item to various users on actions performed by the users based on actions performed by users to whom the content item was and was not presented | |
JP6591024B1 (ja) | Faq作成支援方法およびfaq作成支援システム | |
US20230410144A1 (en) | Methods and systems for automatic call routing with no caller intervention using anonymous online user behavior | |
CN112269918B (zh) | 信息推荐方法、装置、设备及存储介质 | |
US10687105B1 (en) | Weighted expansion of a custom audience by an online system | |
US10387516B2 (en) | Selecting content with an external link for presentation based on user interaction with external content | |
CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
WO2010018473A2 (en) | Method to send a short message service (sms) campaign to a related object by selecting the base object | |
CN113706202A (zh) | 一种基于低稳态用户识别及预警的召回策略生成方法 | |
US20210209307A1 (en) | Interactive visual dashboard for implementing sentiment analysis based on social media data | |
CN108549722B (zh) | 多平台数据发布方法、系统及介质 | |
CN111506718A (zh) | 会话消息确定方法、装置、计算机设备和存储介质 | |
US11017438B2 (en) | Method and systems for automatic management of sponsorship of a user's contact information | |
Markovets et al. | Model of Informational Support for Social Network Administrators' Content Creation. |
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 |