CN114897557A - 一种预测用户是否流失的方法、装置、设备及介质 - Google Patents
一种预测用户是否流失的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114897557A CN114897557A CN202210481559.5A CN202210481559A CN114897557A CN 114897557 A CN114897557 A CN 114897557A CN 202210481559 A CN202210481559 A CN 202210481559A CN 114897557 A CN114897557 A CN 114897557A
- Authority
- CN
- China
- Prior art keywords
- user
- days
- users
- model
- loss
- 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
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 230000003203 everyday effect Effects 0.000 claims abstract description 7
- 238000009434 installation Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000001994 activation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013486 operation strategy Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Abstract
本申请公开了一种预测用户是否流失的方法、装置、设备及介质，所述方法包括：用户活跃天数大于n、且连续m日不活跃，则启动流失预测，如连续j天不活跃就视为该用户流失，标签为流失用户；获取最近k天每天符合预测定义的用户和标签，用户和设备基本属性，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据，用户前k天行为各典型事件使用统计，用户首次活跃距今时间；采用信息熵的方式获取TOP N埋点事件；采用GBDT模型分类模型学习上一步中数据特征和是否会流失的关系，输出模型；针对最近k天活跃的用户，预测之后j天内用户是否会流失，输出流失概率。本申请可实现用户流失概率的准确预测，识别用户的流失风险。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种预测用户是否流失的方法、装置、设备及介质。
背景技术
当前获取一个新用户的成本会远远高于留住一个老用户，用户的流失意味着收益的减少，一般流失用户很可能已经卸载了App，当用户流失后才进行召回，效果一般不好。
能够在一个用户成为流失用户之前，就根据他的自身属性及历史行为等特征识别出用户的流失风险，及时采取措施进行用户挽留，这就是用户的流失预测。
目前的用户流失预测算法主要是在提取数据并进行预处理后，采用某一种数据预测算法(如决策树、神经网络等)，对所提取的数据进行数据挖掘，并最终输出流失率预测结果，但是其准确率却差强人意。
因此，如何通过对用户流失概率进行预测，针对不同流失概率和用户价值对用户进行分层，针对不同层用户，进行不同的运营策略，包括变现，激活，激励引导等，是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种预测用户是否流失的方法、装置、设备及介质，以解决上述技术背景中提出的问题。
为实现上述目的，本发明采用以下技术方案：
本申请第一个方面公开了一种预测用户是否流失的方法，包括：
S1，定义流失用户：用户活跃天数大于n，且连续m日不活跃，则启动流失预测，如果连续j天不活跃就视为该用户流失，标签为流失用户；
S2，数据获取：获取最近k天每天符合预测定义的用户和标签，用户和设备基本属性，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据，用户前k天行为各典型事件使用统计，以及用户首次活跃距今时间；
S3，确定统计典型关键事件：获取TOP N埋点事件，并针对同类型的埋点事件进行去重处理；
S4，建模及模型训练：建立分类模型，分类模型学习上一步中数据特征和是否会流失的关系，输出模型；
S5，模型预测：模型针对最近k天活跃的用户，预测之后的j天内用户是否会流失，输出流失概率；
其中，n、m、j和k为可调的参数。
优选地，n为2，m为7，k为7，j为30。
优选地，步骤S1中，所述标签包括未流失标签和流失标签，其中，所述未流失标签用于表征对应的样本用户不具有流失倾向，所述流失标签用于表征对应的样本用户具有流失倾向。
优选地，步骤S2中，所述设备基本属性包括：品牌、地域、分辨率和运营商中的至少一个或多个组合。
优选地，步骤S2中，所述用户最后一天行为各典型事件使用统计数据包括：每天使用时长、每天启动次数、点击次数和分发次数中的至少一个或多个组合。
优选地，步骤S2中，所述用户前k天行为各典型事件使用统计包括：活跃时长、点击次数和分发次数中的至少一个或多个组合。
优选地，步骤S3中，采用信息熵的方式获取TOP N埋点事件。
优选地，步骤S4中，所述分类模型为GBDT模型。
本申请第二个方面公开了一种预测用户是否流失的装置，包括：
流失用户定义模块，用于对流失用户进行定义，当用户活跃天数大于n，且连续m日不活跃，则启动流失预测，如果连续j天不活跃就视为该用户流失，标签为流失用户；
数据获取模块，用于获取最近k天每天符合预测定义的用户和标签，用户和设备基本属性，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据，用户前k天行为各典型事件使用统计，以及用户首次活跃距今时间；
典型关键事件确定统计模块，用于获取TOP N埋点事件，并针对同类型的埋点事件进行去重处理；
建模及模型训练模块：用于建立分类模型，分类模型学习典型关键事件确定统计模块中的数据特征和是否会流失的关系，并输出模型；
模型预测模块：用于利用所述输出模型针对最近k天活跃的用户进行预测，预测之后的j天内用户是否会流失，并输出流失概率；
其中，n、m、j和k为可调的参数。
优选地，n为2，m为7，k为7，j为30。
优选地，所述设备基本属性包括：品牌、地域、分辨率和运营商中的至少一个或多个组合。
优选地，所述用户最后一天行为各典型事件使用统计数据包括：每天使用时长、每天启动次数、点击次数和分发次数中的至少一个或多个组合。
优选地，所述用户前k天行为各典型事件使用统计包括：活跃时长、点击次数和分发次数中的至少一个或多个组合。
优选地，所述分类模型为GBDT模型。
本申请第三个方面公开了一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的预测用户是否流失的方法。
本申请第四个方面公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时，可以实现上述的预测用户是否流失的方法。
与现有技术相比，本发明的技术方案具有以下有益效果：
本申请基于用户的历史数据，根据用户的自身属性及历史行为等特征对用户流失概率进行预测，识别出用户的流失风险，可以为电商平台的运营提供有效的数据性的指导，可以针对不同流失概率和用户价值对用户进行分层，针对不同层用户，进行不同的运营策略。
附图说明
构成本申请的一部分附图用来提供对本申请的进一步理解，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是本发明实施例的一种预测用户是否流失的方法的流程图；
图2是本发明实施例的一种预测用户是否流失的装置的结构框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的数据在适当情况下可以互换。此外，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，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例：
图1示出了根据本说明书实施例的预测用户是否流失的方法的一示例的流程图。
如图1所示，一种预测用户是否流失的方法，具体包括如下步骤：
步骤S1，定义流失用户。
用户活跃天数大于2，且连续7日不活跃，则启动流失预测，如果连续30天不活跃就视为该用户流失。
对用户建立标签，所述标签包括未流失标签和流失标签，其中，所述未流失标签用于表征对应的样本用户不具有流失倾向，所述流失标签用于表征对应的样本用户具有流失倾向。
步骤S2，数据获取。
获取用户的历史数据，这些历史数据可以来源于用户在应用程序中的数据。所述应用程序是指运行在客户端或移动端的APP，如商城APP、金融APP以及视频APP等。
具体地，获取最近一周每天符合预测定义的用户和标签(即未流失标签和流失标签)，用户和设备基本属性(品牌、地域、分辨率、运营商)，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据(每天使用时长、每天启动次数、点击次数、分发次数)，用户前一周行为各典型事件使用统计(活跃时长、点击次数、分发次数)，以及用户首次活跃距今时间。
步骤S3，确定统计典型关键事件。
将在App中的任意一个页面或者任意一个按钮中埋下一个记录器称之为一个埋点。埋点是指App中的页面或按钮的统计工具，每当用户点击某个按钮或停留在某个页面上时，该按钮或该页面对应的埋点被触发，被触发的埋点会自动上报埋点数据。计算机设备可以获取一段时间内不同用户的多个埋点数据，并将同一个用户的多个埋点数据进行拼接得到埋点数据序列。
埋点事件和系统事件繁多，然而并不是所有的都有重要意义，如何提取有意义的埋点事件进行统计对预测精度很关键。
本申请中，采用信息熵的方式获取TOP N埋点事件，并针对同类型的埋点事件进行去重处理。
步骤S4，建模及模型训练。
GBDT，即Gradient Boosting Decision Tree，也被称为梯度提升迭代决策树。GBDT模型通过迭代多棵弱的决策树(回归树)来共同决策进行提升，把多颗决策树的结果累加起来作为最终的预测输出，能够在训练精度和泛化能力两个方面都能达到较好的效果。例如，GBDT模型可以利用xgboost来实现，xgboost是一个大规模、分布式的通用GradientBoosting(GBDT)库，它在Gradient Boosting框架下实现了GBDT和一些广义的线性机器学习算法，并具有速度快、效果好、能处理大规模数据、支持自定义损失函数等优点。与当下同类的基于深度学习实现算法相比，GBDT模型具有硬件资源占用少，训练速度快，预测效果近似的优势，比较适合在低廉硬件设备上部署。
流失预测的目的是找到将要流失的用户以及其流失的原因。本申请中，鉴于GBDT模型的拟合能力和可解释性都较好，故采用GBDT模型作为用户流失的预测模型，分类模型学习上一步中数据特征和是否会流失的关系，输出模型。
GBDT通过学习预测结果的残差，并不断进行训练，得到最优预测模型，这种预测模型能够将刻画在历史数据中的数据特征和是否会流失的关系反映出来，将其他参数输入最优预测模型后，能够得到用户流失预测。
步骤S5，模型预测。
模型针对最近七天活跃的用户，预测之后的30天内用户是否会流失，输出流失概率。
图2示出了根据本说明书实施例的预测用户是否流失的装置的一示例的结构框图。
如图2所示，一种预测用户是否流失的装置，包括：流失用户定义模块100、数据获取模块200、典型关键事件确定统计模块300、建模及模型训练模块400和模型预测模块500。
所述流失用户定义模块100，用于对流失用户进行定义，当用户活跃天数大于2，且连续7日不活跃，则启动流失预测，如果连续30天不活跃就视为该用户流失，标签为流失用户。
所述数据获取模块200，用于获取最近一周每天符合预测定义的用户和标签，用户和设备基本属性，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据，用户前一周行为各典型事件使用统计，以及用户首次活跃距今时间。
所述典型关键事件确定统计模块300，用于采用信息熵的方式获取TOP N埋点事件，并针对同类型的埋点事件进行去重处理。
所述建模及模型训练模块400，用于采用GBDT模型，分类模型学习所述典型关键事件确定统计模块300中的数据特征和是否会流失的关系，并输出模型。
所述模型预测模块500，用于利用所述输出模型针对最近七天活跃的用户进行预测，预测之后的30天内用户是否会流失，并输出流失概率。
其中，所述设备基本属性包括：品牌、地域、分辨率和运营商中的至少一个或多个组合。所述用户最后一天行为各典型事件使用统计数据包括：每天使用时长、每天启动次数、点击次数和分发次数中的至少一个或多个组合。所述用户前一周行为各典型事件使用统计包括：活跃时长、点击次数和分发次数中的至少一个或多个组合。
另一方面，本申请还公开了一种电子设备。本申请公开的电子设备可以包括处理器以及存储器。存储器，用于存储计算机程序；其中，处理器执行存储器中的计算机程序，以实现如上所述方法实施例所提供的方法。具体实现过程可参见上文中的相关描述，在此不再赘述。
在一优选实施例中，电子设备可以包括、但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行程序指令，以实现上文的本申请的各个实施例中的方法以及/或者其他期望的功能。
此外，本发明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中存储有计算机程序，该计算机程序被处理器执行时用于实现如上所述各方法实施例所提供的方法。
实际应用中，本实施例中的计算机程序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申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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。
实际应用中，计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的实施例的装置和方法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，所述模块、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，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续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，框图和/或流程图中的每个方框、以及框图和/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。
综上所述，本发明实施例提供的预测用户流失的方法、装置及电子设备通过获取目标产品对应的用户历史活跃记录，并基于用户历史活跃记录提取有意义的埋点事件进行统计，采用GBDT模型作为用户流失的预测模型，分类模型学习数据特征和是否会流失的关系，以及基于待预测用户的特征数据和流失概率预估模型，获得针对待预测用户的用户流失预测结果。此后，便可以基于待预测用户的特征数据和流失概率预估模型，直接获得针对待预测用户的用户流失预测结果，整个过程高效快捷，且预测效果较佳，可以实现针对不同流失概率和用户价值对用户进行分层，针对不同层用户，进行后续不同的运营策略，包括变现，激活，激励引导等。
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围内。
Claims (10)
1.一种预测用户是否流失的方法，其特征在于，包括：
S1，定义流失用户：用户活跃天数大于n，且连续m日不活跃，则启动流失预测，如果连续j天不活跃就视为该用户流失，标签为流失用户；
S2，数据获取：获取最近k天每天符合预测定义的用户和标签，用户和设备基本属性，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据，用户前k天行为各典型事件使用统计，以及用户首次活跃距今时间；
S3，确定统计典型关键事件：获取TOP N埋点事件，并针对同类型的埋点事件进行去重处理；
S4，建模及模型训练：建立分类模型，分类模型学习上一步中数据特征和是否会流失的关系，输出模型；
S5，模型预测：模型针对最近k天活跃的用户，预测之后的j天内用户是否会流失，输出流失概率；
其中，n、m、j和k为可调的参数。
2.根据权利要求1所述的一种预测用户是否流失的方法，其特征在于，n为2，m为7，k为7，j为30。
3.根据权利要求1所述的一种预测用户是否流失的方法，其特征在于，步骤S2中，所述设备基本属性包括：品牌、地域、分辨率和运营商中的至少一个或多个组合。
4.根据权利要求1所述的一种预测用户是否流失的方法，其特征在于，步骤S2中，所述用户最后一天行为各典型事件使用统计数据包括：每天使用时长、每天启动次数、点击次数和分发次数中的至少一个或多个组合。
5.根据权利要求1所述的一种预测用户是否流失的方法，其特征在于，步骤S2中，所述用户前k天行为各典型事件使用统计包括：活跃时长、点击次数和分发次数中的至少一个或多个组合。
6.根据权利要求1所述的一种预测用户是否流失的方法，其特征在于，步骤S3中，采用信息熵的方式获取TOP N埋点事件。
7.根据权利要求1所述的一种预测用户是否流失的方法，其特征在于，步骤S4中，所述分类模型为GBDT模型。
8.一种预测用户是否流失的装置，其特征在于，包括：
流失用户定义模块，用于对流失用户进行定义，当用户活跃天数大于n，且连续m日不活跃，则启动流失预测，如果连续j天不活跃就视为该用户流失，标签为流失用户；
数据获取模块，用于获取最近k天每天符合预测定义的用户和标签，用户和设备基本属性，用户当前安装列表及使用情况，用户最后一天行为各典型事件使用统计数据，用户前k天行为各典型事件使用统计，以及用户首次活跃距今时间；
典型关键事件确定统计模块，用于获取TOP N埋点事件，并针对同类型的埋点事件进行去重处理；
建模及模型训练模块：用于建立分类模型，分类模型学习典型关键事件确定统计模块中的数据特征和是否会流失的关系，并输出模型；
模型预测模块：用于利用所述输出模型针对最近k天活跃的用户进行预测，预测之后的j天内用户是否会流失，并输出流失概率；
其中，n、m、j和k为可调的参数。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1-7任一项所述的一种预测用户是否流失的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时，可实现如权利要求1-7任一项所述的一种预测用户是否流失的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210481559.5A CN114897557A (zh) | 2022-05-05 | 2022-05-05 | 一种预测用户是否流失的方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210481559.5A CN114897557A (zh) | 2022-05-05 | 2022-05-05 | 一种预测用户是否流失的方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114897557A true CN114897557A (zh) | 2022-08-12 |
Family
ID=82719870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210481559.5A Pending CN114897557A (zh) | 2022-05-05 | 2022-05-05 | 一种预测用户是否流失的方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897557A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160055496A1 (en) * | 2014-08-25 | 2016-02-25 | International Business Machines Corporation | Churn prediction based on existing event data |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| CN113827978A (zh) * | 2021-08-17 | 2021-12-24 | 杭州电魂网络科技股份有限公司 | 一种流失用户预测方法、装置及计算机可读存储介质 |
| CN113962160A (zh) * | 2021-11-04 | 2022-01-21 | 中南大学 | 基于用户画像的互联网卡用户流失预测方法及系统 |
-
2022
- 2022-05-05 CN CN202210481559.5A patent/CN114897557A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160055496A1 (en) * | 2014-08-25 | 2016-02-25 | International Business Machines Corporation | Churn prediction based on existing event data |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| CN113827978A (zh) * | 2021-08-17 | 2021-12-24 | 杭州电魂网络科技股份有限公司 | 一种流失用户预测方法、装置及计算机可读存储介质 |
| CN113962160A (zh) * | 2021-11-04 | 2022-01-21 | 中南大学 | 基于用户画像的互联网卡用户流失预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
| US11176015B2 (en) | Log message analysis and machine-learning based systems and methods for predicting computer software process failures | |
| JP6949878B2 (ja) | 出現した関係におけるスタックセグメント強度の相関 | |
| US10467533B2 (en) | System and method for predicting response time of an enterprise system | |
| US11204935B2 (en) | Similarity analyses in analytics workflows | |
| US11620474B2 (en) | Model reselection for accommodating unsatisfactory training data | |
| JP2018113018A (ja) | データプリプロセッシングのためのシステム及び方法 | |
| US20110153557A1 (en) | Migration of versioned data between configuration management systems | |
| CN111258593B (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
| CN110990445A (zh) | 一种数据处理方法、装置、设备和介质 | |
| US20170061208A1 (en) | Determining Severity of a Geomagnetic Disturbance on a Power Grid Using Similarity Measures | |
| CN111078500A (zh) | 运行配置参数的调整方法、装置、计算机设备和存储介质 | |
| CN110688846B (zh) | 周期词挖掘方法、系统、电子设备及可读存储介质 | |
| CN113918437A (zh) | 用户行为数据分析方法、装置、计算机设备和存储介质 | |
| CN113419950A (zh) | Ui自动化脚本的生成方法、装置、计算机设备及存储介质 | |
| CN116827950A (zh) | 云资源的处理方法、装置、设备及存储介质 | |
| CN114897557A (zh) | 一种预测用户是否流失的方法、装置、设备及介质 | |
| CN114520773B (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
| WO2022022059A1 (en) | Context aware anomaly detection | |
| CN114418207A (zh) | 一种时间序列趋势预测方法和装置 | |
| CN112765170A (zh) | 一种嵌入式时间序列数据管理方法及设备 | |
| CN112528625A (zh) | 事件抽取的方法、装置、计算机设备以及可读存储介质 | |
| US20230033354A1 (en) | Context-based saving of data | |
| US20230169345A1 (en) | Multiscale dimensional reduction of data | |
| US11783225B2 (en) | Label-based information deficiency processing |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220812 |
|
| RJ01 | Rejection of invention patent application after publication |