CN114358854A - 客户流失预警方法、装置、设备及存储介质 - Google Patents
客户流失预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114358854A CN114358854A CN202210032543.6A CN202210032543A CN114358854A CN 114358854 A CN114358854 A CN 114358854A CN 202210032543 A CN202210032543 A CN 202210032543A CN 114358854 A CN114358854 A CN 114358854A
- Authority
- CN
- China
- Prior art keywords
- user information
- customer
- data
- loss
- early warning
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于用户信息及行为的客户流失预警方法,包括:将用户信息数据集及行为数据集编码为用户信息数值型特征集及行为数据数值型特征集;提取与客户流失数据关联的用户信息关联特征集及行为数据关联特征集;利用交叉验证算法构建训练集及测试集,对预构建的客户流失预警模型进行训练,得到训练完成的客户流失预警模型;利用客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到待分析客户的流失意向得分。此外,本发明还涉及区块链技术,用户信息数据集可存储于区块链的节点。本发明还提出一种基于用户信息及行为的客户流失预警装置、电子设备以及存储介质。本发明可以提高客户流失预警的准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于用户信息及行为的客户流失预警方法、装置、设备及存储介质。
背景技术
客户流失指客户在企业中的所有业务终止并注销账号。研究表明,企业获得新客户的成本是维护现有客户成本的三倍甚至更多,显然老客户的留存对于企业至关重要,建立有效的客户流失预警机制来防止客户流失极为重要。
目前的客户流失预警机制,通常采取决策树、随机森林等算法,仅根据交易数据进行客户流失的预测,忽略了大量的行为数据,并且使用此算法分类的精度不高,使得当前客户流失预警的准确度不高。
发明内容
本发明提供一种基于用户信息及行为的客户流失预警方法、装置及计算机可读存储介质,其主要目的在于解决客户流失预警的准确度不高的问题。
为实现上述目的,本发明提供的一种基于用户信息及行为的客户流失预警方法,包括:
获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;
基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
可选地,所述对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集,包括:
提取清洗后的所述用户信息数据集及所述行为数据集中的日期数据,并将所述日期数据统一为标准的日期格式数据;
利用统一字符编码规则,将清洗后的所述用户信息数据集及所述行为数据集中标准的日期格式数据以及非日期数据编码为用户信息数值型特征集及行为数据数值型特征集。
可选地,所述利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集,包括:
利用皮尔逊相关系数算法计算所述客户流失数据集与所述用户信息数值型特征集及所述行为数据数值型特征集中各个特征之间的相关系数;
从所述用户信息数值型特征集及所述行为数据数值型特征集中过滤掉所述相关系数小于预设的系数阈值的特征,得到用户信息关联特征集及行为数据关联特征集。
可选地,所述基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集,包括:
将所述用户信息关联特征集均分为K个用户信息关联特征子集,及将行为数据关联特征集均分为K个行为数据关联特征子集;
不重复地选取其中一个用户信息关联特征子集及其中一个行为数据关联特征子集,并将选取的所述用户信息关联特征子集及行为数据关联特征子集合并为参考样本集,得到K个参考样本集;
依次将每个所述参考样本集作为测试集,将剩余的K-1个参考样本集作为训练集。
可选地,所述基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,包括:
组合所述各组训练集中的用户信息关联特征集及所述行为数据关联特征集,得到特征属性集合;
从所述客户流失数据集中获取客户流失类别集合;
统计所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及所述特征属性集合中特征在客户流失类别下的条件概率;
利用朴素贝叶斯定理,根据所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及条件概率,计算各个所述客户流失类别在所述特征属性集合下的后验概率;
归一化所述后验概率,得到历史用户流失意向得分,并利用预设的得分阈值及所述历史用户流失意向得分,判断所述客户流失风险;
利用利用损失函数计算所述客户流失风险与所述客户流失数据之间的损失值,根据所述损失值对所述客户流失预警模型进行参数调整,直至所述损失值小于预设的损失阈值,得到初步训练完成的客户流失预警模型。
可选地,所述利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分之后,所述方法还包括:
利用预设的得分阈值及所述待分析客户的流失意向得分判断所述待分析客户流失风险;
当所述待分析客户的流失意向得分小于所述得分阈值时,所述待分析客户无流失风险;
当所述待分析客户的流失意向得分大于或等于所述得分阈值时,所述待分析客户存在流失风险,提取所述待分析客户对应的用户信息数据、行为数据;
基于所述待分析客户对应的用户信息数据、行为数据,对所述待分析客户进行分类,并基于分类结果制定对应的客户挽留策略。
可选地,所述清洗所述用户信息数据集及所述行为数据集,包括:
利用预设的规则识别所述用户信息数据集及所述行为数据集中的脏数据;
删除所述用户信息数据集及所述行为数据集中的脏数据。
为了解决上述问题,本发明还提供一种基于用户信息及行为的客户流失预警装置,所述装置包括:
数据获取模块,用于获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
数据编码模块,用于清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
关联特征提取模块,用于利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
模型训练模块,用于基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
流失意向分析模块,用于利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序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上述所述的基于用户信息及行为的客户流失预警方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于用户信息及行为的客户流失预警方法。
本发明实施例通过对所述用户信息数据集及所述行为数据集进行清洗,并对所述清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集,有利于提升客户流失预警模型的鲁棒性;利用皮尔逊相关系数算法提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集,剔除不相关因素,保留了跟客户流失强相关的用户信息关联特征集及行为数据关联特征集,有利于提升客户流失预警的准确度;利用K折交叉验证算法构建训练集及测试集对所述客户流失预警模型进行训练,有利于提升所述客户流失预警模型的精确度,进而提升了客户流失预警的准确度。因此本发明提出的基于用户信息及行为的客户流失预警方法、装置、电子设备及计算机可读存储介质,可以解决进行客户流失预警时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于用户信息及行为的客户流失预警方法的流程示意图;
图2为图1所示基于用户信息及行为的客户流失预警方法中其中一个步骤的详细实施流程示意图;
图3为图1所示基于用户信息及行为的客户流失预警方法中其中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的基于用户信息及行为的客户流失预警装置的功能模块图;
图5为本发明一实施例提供的实现所述基于用户信息及行为的客户流失预警方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于用户信息及行为的客户流失预警方法。所述基于用户信息及行为的客户流失预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于用户信息及行为的客户流失预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于用户信息及行为的客户流失预警方法的流程示意图。在本实施例中,所述基于用户信息及行为的客户流失预警方法包括:
S1、获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集。
本发明实施例中,所述用户信息数据集主要包含用户的性别、职业、教育、配偶、居住地、户口、国籍、时间戳、可用余额、预估收入、还款情况、信用卡额度、购买数量、购买产品类型、回购率等不同维度的静态数据;所述行为数据集主要包含网站浏览行为、APP停留时间、用户活跃度、APP反馈情况、咨询行为等不同维度的动态数据;以及所述客户流失数据集中主要包含历史客户是否流失的数据。
本发明实施例中,可以采用爬虫技术从企业对应的网站或APP的数据库中获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集。其中,所述预设历史时间段可以根据实际需求设置,如三年、五年或者十年等。
S2、清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集。
详细地,本发明实施例利用预设的规则识别所述用户信息数据集及所述行为数据集中的脏数据,并删除所述用户信息数据集及所述行为数据集中的脏数据,以实现清洗所述用户信息数据集及所述行为数据集。
其中,所述脏数据(Dirty Read)包括不在给定的范围内或对于实际业务毫无意义、数据格式非法,以及在存在不规范的编码和含糊的业务逻辑等的数据。例如:用户性别不明确、可用余额字段非数字、国籍字段不在对应的枚举列表中,时间戳字段窜访非日期等异常,均可以判断为脏数据。
本发明其中一个实施例中,所述预设的规则的可采用正则表达式。
进一步地,所述统一编码是指将文本信息统一转换为字符集,便于进行后续的模型训练。
详细地,所述对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集,包括:
提取清洗后的所述用户信息数据集及所述行为数据集中的日期数据,并将所述日期数据统一为标准的日期格式数据;
利用统一字符编码规则,将清洗后的所述用户信息数据集及所述行为数据集中标准的日期格式数据以及非日期数据编码为用户信息数值型特征集及行为数据数值型特征集。
例如,本发明其中一个实施例中,所述用户信息日期数据的类型可能是String或者%Y-%m-%d、%d-%m-%Y等等不一致的日期格式,可利用pandas数据分析包将所述日期数据解析为datetime,并将所述datetime中不一致的日期格式解析为标准的日期格式数据,例如"%m/%d/%y"格式。
进一步地,本发明实施例中,所述统一字符编码(Character Encoding)规则是把字符集中的字符编码为指定集合中某一对象,以便文本在计算机中存储和通过通信网络传递。例如:将文本“hi”编译为字符串0110100001101001。本发明实施例中可采用UTF-8(8-bit Unicode Transformation Format)字符编码规则将清洗后的所述用户信息数据集及所述行为数据集中标准的日期格式数据以及非日期数据编码为用户信息数值型特征集及行为数据数值型特征集。
由于所述用户信息数据集及所述行为数据集中的数据同时存在离散数值特征、连续数值特征及纯文本的文本特征等,会导致模型的训练结果存在过拟合的情况,本发明实施例中,把所述用户信息数据集及所述行为数据集中的数据转换为数值型特征,以增加模型的鲁棒性。
S3、利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集。
本发明实施例中,所述皮尔逊相关系数(Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlation coefficient,简称PPMCC或PCCs),是用于度量两个变量X和Y之间的相关性(线性相关),其值介于-1与1之间,绝对值越大表明相关性越强。
详细地,所述S3,包括:
利用皮尔逊相关系数算法计算所述客户流失数据集与所述用户信息数值型特征集及所述行为数据数值型特征集中各个特征之间的相关系数;
从所述用户信息数值型特征集及所述行为数据数值型特征集中过滤掉所述相关系数小于预设的系数阈值的特征,得到用户信息关联特征集及行为数据关联特征集。
本发明实施例中,所述用户信息数值型特征集中的户口、国籍、教育、配偶、现金额度等维度的数据可能与客户流失数据集的相关性小于预设的系数阈值,直接过滤掉,保留与客户流失数据集相关性大于或等于预设的系数阈值的其他特征作为用户信息关联特征集及行为数据关联特征集。
本发明实施例,利用皮尔逊相关系数算法提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集,剔除不相关因素,保留了跟客户流失强相关的用户信息关联特征集及行为数据关联特征集,有利于提升客户流失预警的准确度。
S4、基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集。
本发明实施例中,所述K折交叉验证(K-fold cross-validation)是一种统计学上将数据样本切割成较小子集的方法,用于将初始采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练。
详细地,参阅图2所示,所述S4,包括:
S41、将所述用户信息关联特征集均分为K个用户信息关联特征子集,及将行为数据关联特征集均分为K个行为数据关联特征子集;
S42、不重复地选取其中一个用户信息关联特征子集及其中一个行为数据关联特征子集,并将选取的所述用户信息关联特征子集及行为数据关联特征子集合并为参考样本集,得到K个参考样本集;
S43、依次将每个所述参考样本集作为测试集,将剩余的K-1个参考样本集作为训练集。
优选地,本发明其中一个实施例中可以采用五折交叉验证算法,即K值取5,将所述用户信息关联特征集及所述行为数据关联特征集分别平均划分为5份,并根据用户一一配对合并,得到5个参考样本集,在每次交叉验证的过程中,选取其中4个所述参考样本集合并形成训练集,并将剩余的1个所述参考样本集作为测试集检验预警效果。
S5、基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型执行测试处理。
本发明实施例中,可以利用朴素贝叶斯分类器预构建所述客户流失预警模型。其中,所述朴素贝叶斯分类器由贝叶斯分类器改进得来,默认输入至所述朴素贝叶斯分类器中的各个属性为相互独立的,其中,所述贝叶斯分类器是通过某些属性的先验概率,利用贝叶斯公式计算出其后验概率的方法,是在给定条件的情况下平均风险最小的分类器。其中,所述先验概率及条件概率为指根据历史经验或大数据分析得到的概率,所述后验概率指某件事已经发生,想要计算这件事发生的原因是由某个因素引起的概率。
其中,所述贝叶斯公式为:
其中,所述P(Y|X)为在属性集合X下,事件类别Y发生的后验概率,所述P(Y)为事件类别Y独立发生的先验概率,同理P(X)为条件集合X的先验概率,P(X|Y)为属性集合在条件集合下的条件概率,所述P(X|Y)/P(X)为可能性函数,是一个调整因子,可以使经过贝叶斯调整后事件类别Y发生的概率更真实可靠。
详细地,参阅图3所示,S5中所述基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,包括:
S51、组合所述各组训练集中的用户信息关联特征集及所述行为数据关联特征集,得到特征属性集合;
S52、从所述客户流失数据集中获取客户流失类别集合;
S53、统计所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及所述特征属性集合中特征在客户流失类别下的条件概率;
S54、利用朴素贝叶斯定理,根据所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及条件概率,计算各个所述客户流失类别在所述特征属性集合下的后验概率;
S55、归一化所述后验概率,得到历史用户流失意向得分,并利用预设的得分阈值及所述历史用户流失意向得分,判断所述客户流失风险;
S56、利用利用损失函数计算所述客户流失风险与所述客户流失数据之间的损失值,根据所述损失值对所述客户流失预警模型进行参数调整,直至所述损失值小于预设的损失阈值,得到初步训练完成的客户流失预警模型。
具体的,本发明实施例将所述用户信息关联特征集及所述行为数据关联特征集组合为特征属性集合X,其中,所述特征属性集合中各个属性为xi,所述i小于等于所述特征属性集合中各个属性的总个数n;从所述客户流失数据集中获取客户流失类别集合Y,其中,所述客户流失类别集合中各个类别为Yj,所述j小于等于所述客户流失类别集合中各个类别的总个数d;统计所述特征属性集合的先验概率P(xi)、所述客户流失类别集合的先验概率P(cj)及所述特征属性集合中特征在客户流失类别下的条件概率P(xi|Yj)。
根据贝叶斯定理,计算所述客户流失类别Yj在所述特征属性集合X下的后验概率,展开上述贝叶斯公式进行得到:
进一步地,通过将所述后验概率进行归一化至预设的[0,100]的区间范围内,得到所述预设类别Yj在所述产品属性集合X下的历史用户流失意向得分。
本发明实施例利用K折交叉验证算法构建K组训练集及测试集对所述客户流失预警模型进行交叉验证,有利于提升所述客户流失预警模型的精确度,进而提升了客户流失预警的准确度。
S6、判断所述测试是否通过。
当所述测试未通过时,返回上述的步骤S4,以再次训练所述客户流失预警模型,直至所述测试通过时,执行S7、输出训练完成的客户流失预警模型。
S8、利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
本发明实施例,可以利用爬虫技术爬取待分析客户的用户信息数据、行为数据,对所述待分析客户的用户信息数据、行为数据进行数据清洗,并对清洗后的所述待分析客户的用户信息数据、行为数据进行统一编码得到待分析客户的用户信息数值型特征集及行为数据数值型特征集,保留与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集相同维度的特征,作为待分析客户的用户信息关联数值型特征集及行为数据关联数值型特征集,将所述待分析客户的用户信息关联数值型特征集及行为数据关联数值型特征集输入到所述训练完成的客户流失预警模型,得到所述待分析客户的流失意向得分。
进一步地,所述利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分之后,所述方法还包括:
利用预设的得分阈值及所述待分析客户的流失意向得分判断所述待分析客户流失风险;
当所述待分析客户的流失意向得分小于所述得分阈值时,所述待分析客户无流失风险;
当所述待分析客户的流失意向得分大于或等于所述得分阈值时,所述待分析客户存在流失风险,提取所述待分析客户对应的用户信息数据、行为数据;
基于所述待分析客户对应的用户信息数据、行为数据,对所述待分析客户进行分类,并基于分类结果制定对应的客户挽留策略。
本发明其中一个实施例中,可以采用决策树分类法对所述待分析客户进行分类,并根据不同类别的客户制定不同的客户挽留策略。
本发明实施例通过对所述用户信息数据集及所述行为数据集进行清洗,并对所述清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集,有利于提升客户流失预警模型的鲁棒性;利用皮尔逊相关系数算法提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集,剔除不相关因素,保留了跟客户流失强相关的用户信息关联特征集及行为数据关联特征集,有利于提升客户流失预警的准确度;利用K折交叉验证算法构建训练集及测试集对所述客户流失预警模型进行训练,有利于提升所述客户流失预警模型的精确度,进而提升了客户流失预警的准确度。因此本发明提出的基于用户信息及行为的客户流失预警方法、装置、电子设备及计算机可读存储介质,可以解决进行客户流失预警时的准确度较低的问题。
如图4所示,是本发明一实施例提供的基于用户信息及行为的客户流失预警装置的功能模块图。
本发明所述基于用户信息及行为的客户流失预警装置100可以安装于电子设备中。根据实现的功能,所述基于用户信息及行为的客户流失预警装置100可以包括数据获取模块101、数据编码模块102、关联特征提取模块103、模型训练模块104及流失意向分析模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101,用于获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
所述数据编码模块102,用于清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
所述关联特征提取模块103,用于利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
所述模型训练模块104,用于基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
所述流失意向分析模块105,用于利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
详细地,本发明实施例中所述基于用户信息及行为的客户流失预警装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于用户信息及行为的客户流失预警方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于用户信息及行为的客户流失预警方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于用户信息及行为的客户流失预警程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于用户信息及行为的客户流失预警程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于用户信息及行为的客户流失预警程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于用户信息及行为的客户流失预警程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;
基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;
基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于用户信息及行为的客户流失预警方法,其特征在于,所述方法包括:
获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;
基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
2.如权利要求1所述的基于用户信息及行为的客户流失预警方法,其特征在于,所述对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集,包括:
提取清洗后的所述用户信息数据集及所述行为数据集中的日期数据,并将所述日期数据统一为标准的日期格式数据;
利用统一字符编码规则,将清洗后的所述用户信息数据集及所述行为数据集中标准的日期格式数据以及非日期数据编码为用户信息数值型特征集及行为数据数值型特征集。
3.如权利要求2所述的基于用户信息及行为的客户流失预警方法,其特征在于,所述利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集,包括:
利用皮尔逊相关系数算法计算所述客户流失数据集与所述用户信息数值型特征集及所述行为数据数值型特征集中各个特征之间的相关系数;
从所述用户信息数值型特征集及所述行为数据数值型特征集中过滤掉所述相关系数小于预设的系数阈值的特征,得到用户信息关联特征集及行为数据关联特征集。
4.如权利要求3中任一项所述的基于用户信息及行为的客户流失预警方法,其特征在于,所述基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集,包括:
将所述用户信息关联特征集均分为K个用户信息关联特征子集,及将行为数据关联特征集均分为K个行为数据关联特征子集;
不重复地选取其中一个用户信息关联特征子集及其中一个行为数据关联特征子集,并将选取的所述用户信息关联特征子集及行为数据关联特征子集合并为参考样本集,得到K个参考样本集;
依次将每个所述参考样本集作为测试集,将剩余的K-1个参考样本集作为训练集。
5.如权利要求4所述的基于用户信息及行为的客户流失预警方法,其特征在于,所述基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,包括:
组合所述各组训练集中的用户信息关联特征集及所述行为数据关联特征集,得到特征属性集合;
从所述客户流失数据集中获取客户流失类别集合;
统计所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及所述特征属性集合中特征在客户流失类别下的条件概率;
利用朴素贝叶斯定理,根据所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及条件概率,计算各个所述客户流失类别在所述特征属性集合下的后验概率;
归一化所述后验概率,得到历史用户流失意向得分,并利用预设的得分阈值及所述历史用户流失意向得分,判断所述客户流失风险;
利用利用损失函数计算所述客户流失风险与所述客户流失数据之间的损失值,根据所述损失值对所述客户流失预警模型进行参数调整,直至所述损失值小于预设的损失阈值,得到初步训练完成的客户流失预警模型。
6.如权利要求1-5中任意一项所述的基于用户信息及行为的客户流失预警方法,其特征在于,所述利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分之后,所述方法还包括:
利用预设的得分阈值及所述待分析客户的流失意向得分判断所述待分析客户流失风险;
当所述待分析客户的流失意向得分小于所述得分阈值时,所述待分析客户无流失风险;
当所述待分析客户的流失意向得分大于或等于所述得分阈值时,所述待分析客户存在流失风险,提取所述待分析客户对应的用户信息数据、行为数据;
基于所述待分析客户对应的用户信息数据、行为数据,对所述待分析客户进行分类,并基于分类结果制定对应的客户挽留策略。
7.如权利要求1所述的基于用户信息及行为的客户流失预警方法,其特征在于,所述清洗所述用户信息数据集及所述行为数据集,包括:
利用预设的规则识别所述用户信息数据集及所述行为数据集中的脏数据;
删除所述用户信息数据集及所述行为数据集中的脏数据。
8.一种基于用户信息及行为的客户流失预警装置,其特征在于,所述装置包括:
数据获取模块,用于获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集;
数据编码模块,用于清洗所述用户信息数据集及所述行为数据集,并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码,得到用户信息数值型特征集及行为数据数值型特征集;
关联特征提取模块,用于利用皮尔逊相关系数算法,从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集;
模型训练模块,用于基于所述用户信息关联特征集及所述行为数据关联特征集,利用K折交叉验证算法构建训练集及测试集;基于所述训练集及所述客户流失数据集,对预构建的客户流失预警模型进行训练,得到初步训练完成的客户流失预警模型,并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试,当所述测试未通过时,再次训练所述客户流失预警模型,直至测试通过,得到训练完成的客户流失预警模型;
流失意向分析模块,用于利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析,得到所述待分析客户的流失意向得分。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序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至7中任意一项所述的基于用户信息及行为的客户流失预警方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于用户信息及行为的客户流失预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032543.6A CN114358854A (zh) | 2022-01-12 | 2022-01-12 | 客户流失预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032543.6A CN114358854A (zh) | 2022-01-12 | 2022-01-12 | 客户流失预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358854A true CN114358854A (zh) | 2022-04-15 |
Family
ID=81109132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210032543.6A Pending CN114358854A (zh) | 2022-01-12 | 2022-01-12 | 客户流失预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358854A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018562A (zh) * | 2022-07-06 | 2022-09-06 | 湖南草花互动科技股份公司 | 用户预流失预测方法、装置及系统 |
CN116664184A (zh) * | 2023-07-31 | 2023-08-29 | 广东南方电信规划咨询设计院有限公司 | 基于联邦学习的客户流失预测方法及装置 |
CN116757750A (zh) * | 2023-06-05 | 2023-09-15 | 广州盈风网络科技有限公司 | 一种基于流失率预测的运营推送方法、装置、设备及介质 |
-
2022
- 2022-01-12 CN CN202210032543.6A patent/CN114358854A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018562A (zh) * | 2022-07-06 | 2022-09-06 | 湖南草花互动科技股份公司 | 用户预流失预测方法、装置及系统 |
CN116757750A (zh) * | 2023-06-05 | 2023-09-15 | 广州盈风网络科技有限公司 | 一种基于流失率预测的运营推送方法、装置、设备及介质 |
CN116664184A (zh) * | 2023-07-31 | 2023-08-29 | 广东南方电信规划咨询设计院有限公司 | 基于联邦学习的客户流失预测方法及装置 |
CN116664184B (zh) * | 2023-07-31 | 2024-01-12 | 广东南方电信规划咨询设计院有限公司 | 基于联邦学习的客户流失预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284372B (zh) | 用户操作行为分析方法、电子装置及计算机可读存储介质 | |
CN114358854A (zh) | 客户流失预警方法、装置、设备及存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112560465B (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN114969484A (zh) | 业务数据搜索方法、装置、设备及存储介质 | |
CN113706172A (zh) | 基于客户行为的投诉解决方法、装置、设备及存储介质 | |
CN115081447A (zh) | 软件开发的需求文档构建方法、装置、设备及存储介质 | |
CN114219544A (zh) | 消费倾向分析方法、装置、设备及存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN115099339A (zh) | 欺诈行为识别方法、装置、电子设备及存储介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN115357666A (zh) | 异常业务行为识别方法、装置、电子设备及存储介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN114548825B (zh) | 投诉工单失真检测方法、装置、设备及存储介质 | |
CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
CN116775852A (zh) | 基于标签的数据推荐方法、装置、设备及存储介质 | |
CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 |
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 |