CN114022194A - 平台用户流失的预测方法 - Google Patents
平台用户流失的预测方法 Download PDFInfo
- Publication number
- CN114022194A CN114022194A CN202111225170.6A CN202111225170A CN114022194A CN 114022194 A CN114022194 A CN 114022194A CN 202111225170 A CN202111225170 A CN 202111225170A CN 114022194 A CN114022194 A CN 114022194A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- loss
- model
- prediction
- 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 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013486 operation strategy Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种平台用户流失的预测方法，属于计算机技术领域，用于解决平台用户流失预测不准确的问题，包括，获取原始数据并对所述原始数据预处理；基于RFM模型提取用户流失预测特征变量，将用户行为数据转换为体现用户价值的所述用户流失预测特征变量；基于随机森林算法对所述用户流失预测特征变量进行分析，得到用户流失预警模型；依据用户流失预警模型对平台用户分析，计算各用户流失概率，对用户进行分类。方便了电商平台从数据化和技术层面的角度对用户进行分类，为电商平台的运营提供数据性的指导，可以针对不同的用户提供个性化的运营策略；同时本发明提高了电商平台运营效率，实现了平台数字化、差异化的运营。
Description
技术领域
本发明涉及数据分析技术领域，更具体地说，涉及一种基于工业电商平台用户流失的预测方法。
背景技术
随着互联网从消费领域向工业领域不断拓展，企业数字化转型势在必行，以B2B为主要特征，以供应链管理为核心的工业电子商务迎来巨大机遇，成为各方关注焦点，发展工业电子商务是推动工业互联网平台落地的重要抓手，对制造业数字化转型具有重要的先导作用和引领作用。工业电商平台的核心还是用户，面对不同行为特征的用户群体，科学识别流失用户并精准细分，从而制定差异化的营销策略进行流失预警，是企业做好忠诚度维护的关键。
目前用户流失预警的方法主要有RFM模型、K-means聚类、逻辑回归等。RFM模型根据R、F、M三个指标的值将用户划分为8类，导致用户分类存在模糊不清的问题。经典的聚类算法K-means聚类，常与RFM模型结合使用，以提高分类的精确度，但因k需要人工确定，存在聚类不精确；CN112465544A公开了一种用户流失预警的方法和装置，根据历史用户数据生成数据集；依据数据集中的训练集和测试集进行回归模型训练，得到用户流失预警模型，但这种回归方式不够灵活，无法自然地捕捉到更复杂的关系，而且比较耗时，不能准确的对用户分类进行预警。
发明内容
有鉴于以上预测平台用户流失耗时、不准确等问题，有必要提出一种平台用户流失的预测方法，所述预测方法可以准确的预测用户流失、并对流失的用户进行分类，为平台营销提供数据，以提高用户的忠诚度，实现平台利益的最大化。
一种平台用户流失的预测方法，包括，
S01，获取原始数据并对所述原始数据预处理；
S02，基于RFM模型提取用户流失预测特征变量，将用户行为数据转换为体现用户价值的所述用户流失预测特征变量；
S03，基于随机森林算法对所述用户流失预测特征变量进行分析，得到用户流失预警模型；
S04，依据用户流失预警模型对平台用户分析，计算各用户流失概率，对用户进行分类。
本发明帮助电商平台管理者根据用户状态实现用户流失预测，有助于平台运营人员区分重要价值客户，跟踪监控用户行为，及时对用户流失情况进行预警，降低平台运营成本，实现平台数字化运营。
进一步地，在所述获取原始数据并对所述原始数据预处理的步骤中，获取的原始数据包括用户基础信息数据和用户交易记录数据。
更进一步地，所述预处理是剔除有缺失和有异常的所述用户基础信息数据和用户交易记录数据，以保证获取的原始数据的完整性，以使后续分析更准确。
更近一步地，将预处理后的所述用户基础信息数据和所述用户交易记录数据形成以用户ID为主键的数据群组，所述数据群组包含第一样本和第二样本；样本的划分标准是，确定预测日期并进行第一次数据划分，在某一段时间内购买行为、但最近无购买行为的用户视为第一样本；在某一段时间内有购买行为、最近也有购买的用户视为第二样本。
进一步地，在所述基于RFM模型提取用户流失预测特征变量的步骤中，所述RFM模型是一个经典的用户分类以增强客户关系管理的模型，通过通用交易环节中最核心的三个指标Recency-最近一次消费、Frequency-消费次数和Monetary-消费金额来衡量用户价值，从而实现用户的细分。为了使所述RFM模型能够精准的预测用户流失，在所述RFM模型中引入首次购买与最后一次购买的时间间隔D和二次回购的时间间隔T，形成了RFMDT模型，所述RFMDT模型对电商平台用户的消费行为和用户价值进行了更细致的诠释。所述RFMDT模型的值优秀则表示用户价值高、所述RFMDT模型的值一般则表示用户价值中、所述RFMDT模型的值差则表示用户价值小。
更进一步地，所述时间间隔D的计算方法是用最后一次购买的日期减去首次购买的日期，单位为天，所述时间间隔D用以表示用户与企业关系的生命周期的长度。
更进一步地，所述时间间隔T的计算方法是用第二次购买的日期减去第一次购买的日期，单位为天，所述时间间隔T用以反应企业各个用户群的复购率的高低。
进一步地，根据所述RFMDT模型，执行S03，所述基于随机森林算法对所述用户流失预测特征变量进行分析，包括如下内容：
S11，获取所述用户流失预测特征变量；
S12，将所述用户流失预测特征变量以ID主键按照8:2的比例随机分为两组，将随机分出的80％的所述用户流失预测特征变量组成的数据形成模型训练数据组，用以模型的训练；将随机分出的20％的所述用户流失预测特征变量的数据形成模型测试数据组，用以预测平台用户的流失；
S13，为防止模型出现过拟合现象，采用K折交叉验证法对所述模型训练数据组和模型测试数据组进行验证；具体地，1)将所述模型训练数据组划分为K小组，随机轮流使用所述K-1小组数据组成用以训练的数据进行模型训练，每次训练即可形成一个训练后的模型数据组；2)采用所述K小组数据中未参与训练的数据组对所述训练后的模型数据组进行预测，得到K个测试结果；3)对K个所述测试结果加和求平均，得到预测训练数据组；4)同理，采用K折交叉验证法对所述模型测试数据组进行训练和预测，得到预测测试数据组；
S14，在S13的基础上，建立完整的随机森林算法，对所述预测训练数据组进行可放回的随机抽样，形成N组预测训练子数据组，在每个所述预测训练子数据组中随机抽取n个所述用户流失预测特征变量，N组所述用户流失预测特征变量形成最优学习模型y＝F(x)；在所述最优学习模型y＝F(x)中输入或者导入所述预测测试数据组的数据，以验证所述最优学习模型y＝F(x)的正确性和准确性，将获得的K个所述预测测试数据组的最优模型的值加和求平均值即可获得用户的流失概率值。所述最优学习模型y＝F(x)即为用户流失预警模型。
进一步地，所述步骤S04的执行过程如下：
S21，输入未标签的数据，通过所述用户流失预警模型判断当前用户是否会出现流失；
S22，计算出每个用户流失的概率，根据用户价值与流失概率两个维度，构建用户价值-流失概率矩阵图；
S23，通过所述用户价值-流失概率矩阵图将平台用户分为9类，针对不同类别的用户，可有针对性的制定运营策略。
更进一步地，所述未标签的数据是不包含在所述数据群组中的用户的数据。
本发明技术方案的有益效果：使得可以根据用户的行为对用户进行预测，且本发明所述的用户流失预警模型能够方便电商平台从数据化和技术层面的角度对用户进行分类，可以根据用户的历史数据对用户行为进行预测，为电商平台的运营提供数据性的指导，可以针对不同的用户提供个性化的运营策略；同时本发明提高了电商平台运营效率，实现了平台数字化、差异化的运营。
附图说明
图1是一种平台用户流失出预测方法的流程示意图；
图2是获取研究数据的流程示意图；
图3是建立用户流失预警模型的流程示意图
图4是用户价值-流失概率矩阵图。
具体实施方式
为了更清楚地说明本发明的技术方案，结合附图对发明内容的技术方案进行详细说明，显而易见地，以下描述是本发明的一些典型实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些实施例获得其他的解决方案。
如图1所示，一种平台用户流失的预测方法，包括，
S01、获取原始数据并对所述原始数据预处理；
S02、基于RFM模型提取用户流失预测特征变量，将用户行为数据转换为体现用户价值的特征变量；
S03、基于随机森林算法对所述用户流失预测特征变量进行分析，得到用户流失预警模型；
S04、依据用户流失预警模型对平台用户分析，计算各用户流失概率，对用户进行分类。
为了使本发明的技术方案更具有实施性，先结合图2、图3和图4详细阐述平台用户流失的预测方法，具体预测方法如下：
第一步，获取原始数据并对所述原始数据预处理，具体如下：
1)所述获取原始数据，也即获取进入或者登录电商平台的用户基础信息数据和用户交易记录数据这两类原始数据，再将所述用户基础信息数据和所述用户交易记录数据导入MySQL数据库中；
例如，所述用户基础信息数据包括买家昵称、姓名、手机号、客户全站等级、买家信用等级、买家收货地址等；
例如，所述用户交易记录数据包括买家昵称、商品id、商品名称、商品品类、商品均摊价格、吊牌价、购买数量等；
2)建立数据群组，对所述用户基础信息数据和所述用户交易记录数据进行剔除有缺失的数据组，形成以用户ID为主键的数据群组，所述数据群组还包括第一样本和第二样本；样本的建立方法是，确定预测日期并进行第一次数据划分，在某一段时间内购买行为、但最近无购买行为的用户视为第一样本；在某一段时间内有购买行为、最近也有购买的用户视为第二样本。
第二步，基于RFM模型提取用户流失预测特征变量，具体如下：
1)将所述数据群组导入所述MySQL数据库后，对所述数据群组进行清洗、转换和补全，以用户ID作为主键形成一张数据表，也即所述数据表的一行代表或者包含一个用户的所有信息，从而方便后续数据的调取和使用；
2)将所述第一样本视为流失用户、将第二样本视为未流失用户；
3)搭建RFMDT模型，其中，Recency-最近一次消费、Frequency-消费次数和Monetary-消费金额、时间间隔D和时间间隔T为搭建用户流失预警模型的特征变量。
第三步，基于随机森林算法对所述用户流失预测特征变量进行分析，得到用户流失预警模型，具体如下：
S11，获取所述用户流失预测特征变量；
S12，将所述用户流失预测特征变量以ID主键按照8:2的比例随机分为两组，将随机分出的80％的所述用户流失预测特征变量组成的数据形成模型训练数据组，用以模型的训练；将随机分出的20％的所述用户流失预测特征变量的数据形成模型测试数据组，用以预测平台用户的流失；
S13，为防止模型出现过拟合现象，采用十折交叉验证法对所述模型训练数据组和模型测试数据组进行验证；具体地，1)将所述模型训练数据组划分为十小组，随机抽出九小组数据组成用以训练的数据进行模型训练，每次训练即可形成一个训练后的模型数据组，也即共形成九组训练后的模型数据组；2)采用所述十小组数据中未参与训练的数据组对九组所述训练后的模型数据组进行预测，得到十个测试结果；3)对十个所述测试结果加和求平均，得到预测训练数据组；4)同理，采用十折交叉验证法对所述模型测试数据组进行训练和预测，得到预测测试数据组；
S14，在S13的基础上，建立完整的随机森林算法，对所述预测训练数据组进行可放回的随机抽样，形成3组预测训练子数据组，在每个所述预测训练子数据组中随机抽取3组所述RFMDT模型的所述特征变量，3组所述特征变量形成最优学习模型y＝F(x)；在所述最优学习模型y＝F(x)中输入或者导入所述预测测试数据组的数据，以验证或者评估所述最优学习模型y＝F(x)的正确性和准确性，将获得的K个所述预测测试数据组的最优模型的值加和求平均值即可获得用户的流失概率值；存储所述最优学习模型y＝F(x)，也即所述最优学习模型y＝F(x)即为用户流失预警模型。
第四步，依据用户流失预警模型对平台用户分析，计算各用户流失概率，对用户进行分类，具体如下：
1)输入未选入所述数据群组的用户数据，采用所述用户流失预警模型判断该用户是否会出现流失，并计算所述未选入所述数据群组的用户的流失概率；
2)根据用户价值与流失概率两个维度构建用户价值-流失概率矩阵，如图4所示，将用户分为九类，针对不同类别的用户，即可有针对性的制定运营策略，以最大限度的留住用户，达到平台运营的效果。
为了能够更好的管理平台用户，在知道了用户流失概率后，可以制定挽回策略，具体可以包括：
1)以用户流失概率的大小将用户流失分为流失概率大、流失概率中和流失概率小三个区段；流失概率越大的用户，平台需要付出的维护成越本高；
2)制定流失用户或者预流失用户的挽回策略；
3)针对不同流失概率区段的用户进行挽回策略实施并评估实施效果；
4)根据所述实施效果得出哪个流失概率区段的用户更容易被挽回；
5)有针对性的实施所述挽回策略，并将所述挽回策略常规化。
以上实施例仅是对本发明技术方案的一种典型应用的描述，在合理的、不需要付出创造性劳动的基础上，还可以进行合理的拓展。
Claims (10)
1.一种平台用户流失的预测方法，其特征在于，
获取原始数据并对所述原始数据预处理；
基于RFM模型提取用户流失预测特征变量，将用户行为数据转换为体现用户价值的所述用户流失预测特征变量；
基于随机森林算法对所述用户流失预测特征变量进行分析，得到用户流失预警模型；
依据用户流失预警模型对平台用户分析，计算各用户流失概率，对用户进行分类。
2.如权利要求1所述的平台用户流失的预测方法，其特征在于，所述获取原始数据并对所述原始数据预处理的步骤中，获取的原始数据包括用户基础信息数据和用户交易记录数据。
3.如权利要求2所述的平台用户流失的预测方法，其特征在于，所述预处理是剔除有缺失和有异常的所述用户基础信息数据和用户交易记录数据，以保证获取的原始数据的完整性。
4.如权利要求3所述的平台用户流失的预测方法，其特征在于，将预处理后的所述用户基础信息数据和所述用户交易记录数据形成以用户ID为主键的数据群组，所述数据群组包含第一样本和第二样本；样本的划分标准是，确定预测日期并进行第一次数据划分，在某一段时间内购买行为、但最近无购买行为的用户视为第一样本；在某一段时间内有购买行为、最近也有购买的用户视为第二样本。
5.如权利要求4所述的平台用户流失的预测方法，其特征在于，所述基于RFM模型提取用户流失预测特征变量，包括：
将所述数据群组导入所述MySQL数据库后，对所述数据群组进行清洗、转换和补全，以用户ID作为主键形成一张数据表，也即所述数据表的一行包含一个用户的所有信息，从而方便后续数据的调取和使用；
将所述第一样本视为流失用户、将第二样本视为未流失用户；
搭建RFMDT模型，所述RFMDT模型包括用户流失预测特征变量Recency-最近一次消费、Frequency-消费次数、Monetary-消费金额、时间间隔D和时间间隔T。
6.如权利要求5所述的平台用户流失的预测方法，其特征在于，所述时间间隔D的计算方法是用最后一次购买的日期减去首次购买的日期。
7.如权利要求5所述的平台用户流失的预测方法，其特征在于，所述时间间隔T的计算方法是用第二次购买的日期减去第一次购买的日期。
8.如权利要求5所述的平台用户流失的预测方法，其特征在于，所述基于随机森林算法对所述用户流失预测特征变量进行分析，包括：
获取所述用户流失预测特征变量；
将所述用户流失预测特征变量以ID主键按照8:2的比例随机分为两组，将随机分出的80％的所述用户流失预测特征变量组成的数据形成模型训练数据组，用以模型的训练；将随机分出的20％的所述用户流失预测特征变量的数据形成模型测试数据组，用以预测平台用户的流失；
为防止模型出现过拟合现象，采用K折交叉验证法对所述模型训练数据组和模型测试数据组进行验证；具体地，1)将所述模型训练数据组划分为K小组，随机轮流使用所述K-1小组数据组成用以训练的数据进行模型训练，每次训练即可形成一个训练后的模型数据组；2)采用所述K小组数据中未参与训练的数据组对所述训练后的模型数据组进行预测，得到K个测试结果；3)对K个所述测试结果加和求平均，得到预测训练数据组；4)同理，采用K折交叉验证法对所述模型测试数据组进行训练和预测，得到预测测试数据组；
在所述预测训练数据组和所述预测测试数据组的基础上，建立完整的随机森林算法，对所述预测训练数据组进行可放回的随机抽样，形成N组预测训练子数据组，在每个所述预测训练子数据组中随机抽取n个所述用户流失预测特征变量，N组所述用户流失预测特征变量形成最优学习模型y＝F(x)；在所述最优学习模型y＝F(x)中输入或者导入所述预测测试数据组的数据，以验证所述最优学习模型y＝F(x)的正确性和准确性，将获得的K个所述预测测试数据组的最优模型的值加和求平均值即可获得用户的流失概率值。
9.如权利要求5所述的平台用户流失的预测方法，其特征在于，所述依据用户流失预警模型对平台用户分析步骤的执行过程包括：
输入未标签的数据，通过所述用户流失预警模型判断当前用户是否会出现流失；
计算出每个用户流失的概率，根据用户价值与流失概率两个维度，构建用户价值-流失概率矩阵图；
通过所述用户价值-流失概率矩阵图将平台用户分为九类，针对不同类别的用户，可有针对性的制定运营策略。
10.如权利要求9所述的平台用户流失的预测方法，其特征在于，所述计算出每个用户流失的概率后，可制定挽回策略，具体包括：
以用户流失概率的大小将用户流失分为流失概率大、流失概率中和流失概率小三个区段；流失概率越大的用户，平台需要付出的维护成越本高；
制定流失用户或者预流失用户的挽回策略；
针对不同流失概率区段的用户进行挽回策略实施并评估实施效果；
根据所述实施效果得出哪个流失概率区段的用户更容易被挽回；
有针对性的实施所述挽回策略，并将所述挽回策略常规化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225170.6A CN114022194A (zh) | 2021-10-26 | 2021-10-26 | 平台用户流失的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225170.6A CN114022194A (zh) | 2021-10-26 | 2021-10-26 | 平台用户流失的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114022194A true CN114022194A (zh) | 2022-02-08 |
Family
ID=80056850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225170.6A Pending CN114022194A (zh) | 2021-10-26 | 2021-10-26 | 平台用户流失的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022194A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160247173A1 (en) * | 2015-02-23 | 2016-08-25 | Tata Consultancy Services Limited | Predicting customer lifetime value |
| CN107609708A (zh) * | 2017-09-25 | 2018-01-19 | 广州赫炎大数据科技有限公司 | 一种基于手机游戏商店的用户流失预测方法及系统 |
| CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
| 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 |
| KR20190109631A (ko) * | 2018-02-28 | 2019-09-26 | 세종대학교산학협력단 | 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템 |
| CN111091282A (zh) * | 2019-12-10 | 2020-05-01 | 焦点科技股份有限公司 | 一种基于用户行为数据的客户忠诚度细分方法 |
| CN112232930A (zh) * | 2020-11-05 | 2021-01-15 | 西安邮电大学 | 一种基于加权rfm模型的电商平台客户细分方法 |
-
2021
- 2021-10-26 CN CN202111225170.6A patent/CN114022194A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160247173A1 (en) * | 2015-02-23 | 2016-08-25 | Tata Consultancy Services Limited | Predicting customer lifetime value |
| CN107609708A (zh) * | 2017-09-25 | 2018-01-19 | 广州赫炎大数据科技有限公司 | 一种基于手机游戏商店的用户流失预测方法及系统 |
| KR20190109631A (ko) * | 2018-02-28 | 2019-09-26 | 세종대학교산학협력단 | 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템 |
| CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
| 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 |
| CN111091282A (zh) * | 2019-12-10 | 2020-05-01 | 焦点科技股份有限公司 | 一种基于用户行为数据的客户忠诚度细分方法 |
| CN112232930A (zh) * | 2020-11-05 | 2021-01-15 | 西安邮电大学 | 一种基于加权rfm模型的电商平台客户细分方法 |
Non-Patent Citations (1)
| Title |
|---|
| 冀慧杰等: "基于灰色关联度和K-Means++的电子商务客户价值分类", 计算机系统, vol. 29, no. 9, 4 September 2020 (2020-09-04), pages 249 - 250 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yiğit et al. | An approach for predicting employee churn by using data mining | |
| CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
| KR102286415B1 (ko) | 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템 | |
| CN102667775B (zh) | 训练和使用具有关联规则模型的分类模型的方法 | |
| Cabena et al. | Intelligent miner for data applications guide | |
| CN111275503B (zh) | 一种获取流失用户召回成功率的数据处理方法及装置 | |
| CN109740624B (zh) | 一种基于大数据的物流供应链需求预测方法 | |
| CN112232833A (zh) | 流失会员客群数据预测方法、模型训练方法及装置 | |
| CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| Wagh et al. | Customer churn prediction in telecom sector using machine learning techniques | |
| Chashmi et al. | Predicting customer turnover using recursive neural networks | |
| Leventhal | Predictive Analytics for Marketers: Using Data Mining for Business Advantage | |
| CN114022194A (zh) | 平台用户流失的预测方法 | |
| Verdhan et al. | Introduction to supervised learning | |
| Weng et al. | The study and verification of mathematical modeling for customer purchasing behavior | |
| Ramasami et al. | Analysis of Bigmart Outlets sales using Big Data Analytics Method | |
| Wikamulia et al. | Predictive business intelligence dashboard for food and beverage business | |
| Ines et al. | Customer Success Analysis and Modeling in Digital Marketing | |
| Farjoo et al. | Design of a recommender system for online shopping using decision tree and Apriori algorithm | |
| Son et al. | AN APPROACH ON RFM TOWARD CLV: THE CASE OF B2B GARMENT SUPPLIERS | |
| Sehgal et al. | Analogous Examination of Various Machine Learning Algorithm Applied to Big Data | |
| Dwitya et al. | Consumer Segmentation of Emina Cosmetics Optimal and Relevant Approach of RFM+ Lifetime Analysis | |
| Polam | Sales and Logistics Analysis in E-Commerce using Machine Learning Models: UK | |
| Bellotti et al. | Improved Multi-index Customer Segmentation Model Research |
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 |