CN115293790A - 一种用户流失预测方法及装置 - Google Patents
一种用户流失预测方法及装置 Download PDFInfo
- Publication number
- CN115293790A CN115293790A CN202211205997.5A CN202211205997A CN115293790A CN 115293790 A CN115293790 A CN 115293790A CN 202211205997 A CN202211205997 A CN 202211205997A CN 115293790 A CN115293790 A CN 115293790A
- Authority
- CN
- China
- Prior art keywords
- user
- predicted
- information
- prediction result
- target service
- 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 61
- 238000011156 evaluation Methods 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 20
- 238000007477 logistic regression Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/01—Customer relationship services
-
- 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
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种用户流失预测方法及装置,涉及数据处理技术领域,上述方法包括:获取第一信息和第二信息,基于第一信息,获得第一预测结果,基于第二信息,获得第二预测结果,基于第一预测结果和第二预测结果,预测待预测用户是否将继续获取目标服务方提供的服务。应用本发明实施例能够预测即将流失的用户。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种用户流失预测方法及装置。
背景技术
现在由于服务方之间对发展用户的竞争越来越激烈,进而导致服务方在发展新用户的同时,该服务方的老用户却在流失。如果服务方的老用户在流失,即使该服务方一直在发展新用户,依然导致上述服务方发展的用户总数量几乎没有变化。另外,服务方发展新用户所消耗的成本远远高于维护老用户所消耗的成本,因此,维护老用户对服务方的发展十分重要。
鉴于上述情况,需要提供一种用户流失预测方法,使得能够预测即将流失的用户。
发明内容
本发明实施例的目的在于提供一种用户流失预测方法及装置,使得能够预测即将流失的用户。具体技术方案如下:
第一方面,本发明实施例提供了一种用户流失预测方法,上述方法包括:
获取第一信息和第二信息,其中,所述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、所述目标服务方的目标服务方信息,所述第二信息表示:待预测用户对所述目标服务方所提供的服务的评价情况;
基于所述第一信息,获得第一预测结果,其中,所述第一预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
基于所述第二信息,获得第二预测结果,其中,所述第二预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
基于所述第一预测结果和第二预测结果,预测待预测用户是否将继续获取所述目标服务方提供的服务。
第二方面,本发明实施例提供了一种用户流失预测装置,上述装置包括
信息获取模块,用于获取第一信息和第二信息,其中,所述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、所述目标服务方的目标服务方信息,所述第二信息表示:待预测用户对所述目标服务方所提供的服务的评价情况;
第一预测结果获取模块,用于基于所述第一信息,获得第一预测结果,其中,所述第一预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
第二预测结果获取模块,用于基于所述第二信息,获得第二预测结果,其中,所述第二预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
预测模块,用于基于所述第一预测结果和第二预测结果,预测待预测用户是否将继续获取所述目标服务方提供的服务。
第三方面,一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面的任一方法步骤。
第四方面,一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时,实现上述第一方面的任一方法步骤。
本发明实施例有益效果:
本发明实施例提供了一种用户流失预测方法,获取第一信息和第二信息,其中,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,上述第二信息表示:待预测用户对上述目标服务方所提供的服务的评价情况;基于上述第一信息,获得第一预测结果,其中,上述第一预测结果:表示上述待预测用户是否将继续获取上述服务方提供的服务;基于上述第二信息,获得第二预测结果,其中,上述第二预测结果:表示上述待预测用户是否将继续获取上述服务方提供的服务;基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述服务方提供的服务。
由以上可见,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息有较大的关系,也与上述目标服务方的目标服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以同时基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息、待预测用户对所述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的第一种用户流失预测方法的流程示意图;
图2为本发明实施例提供的第二种用户流失预测方法的流程示意图;
图3为本发明实施例提供的第三种用户流失预测方法的流程示意图;
图4A为本发明实施例提供的一种神经网络的示意图;
图4B为本发明实施例提供的一种第一预测模型的示意图;
图5为本发明实施例提供的第四种用户流失预测方法的流程示意图;
图6为本发明实施例提供的一种Sigmoid函数图像的示意图;
图7为本发明实施例提供的第一种用户流失预测方法的结构示意图;
图8为本发明实施例提供的第二种用户流失预测方法的结构示意图;
图9为本发明实施例提供的第一种用户流失预测装置的结构示意图;
图10为本发明实施例提供的第二种用户流失预测装置的结构示意图;
图11为发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
为了能够预测即将流失的用户,本发明实施例提供了一种用户流失预测方法及装置。
本发明实施例提供了一种用户流失预测方法,上述方法包括:
获取第一信息和第二信息,其中,所述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、所述目标服务方的目标服务方信息,所述第二信息表示:待预测用户对所述目标服务方所提供的服务的评价情况;
基于所述第一信息,获得第一预测结果,其中,所述第一预测结果:表示所述待预测用户是否将继续获取所述服务方提供的服务;
基于所述第二信息,获得第二预测结果,其中,所述第二预测结果:表示所述待预测用户是否将继续获取所述服务方提供的服务;
基于所述第一预测结果和第二预测结果,预测所述待预测用户是否将继续获取所述目标服务方提供的服务。
由以上可见,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息有较大的关系,也与上述目标服务方的目标服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以同时基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息、待预测用户对所述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
图1为本发明实施例提供的第一种用户流失预测方法的流程示意图,如图1所示,可以包括以下步骤:S101-S104。
步骤S101:获取第一信息和第二信息。
其中,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息。
首先,可以将获取上述第一信息和上述第二信通过表格、文本或者其他等方式表示。
具体的,上述待预测用户的基本信息可以表示用户的基本情况。
本发明的一个实施例中,若上述目标服务方是一种证券公司,上述待预测用户为上述证券公司的客户,则客户基本信息和客户信用信息可以作为上述待预测用户的基本信息,参见表1,表1为本发明实施例提供的一种表示待预测用户的基本信息的信息表。
表1
待预测用户的基本信息 |
年龄(按青年,中年,老年分类) |
性别 |
职业 |
学历 |
待预测用户收入来源 |
待预测用户投资经验 |
待预测用户投资目标 |
待预测用户风险偏好 |
待预测用户风险承受能力 |
待预测用户风险等级 |
待预测用户资产量(按长尾客户,VIP客户分类) |
开户年限(按1年内、3年内、10年内、10年以上分类) |
待预测用户信用 |
从表1可知,因为上述待预测用户是上述证券公司的客户,因此上述待预测用户的年龄、性别、职业、学历、收入来源、投资经验、投资目标、风险偏好、风险承受能力、风险等级、资产量、开户年限、用户信用等可以作为上述待预测用户的基本信息。
具体的,上述目标服务方的目标服务方信息可以表示上述目标服务方的基本情况。
本发明的一个实施例中,若上述目标服务方是一种证券公司,则上述目标服务方信息可以是证券公司综合信息,参见表2,表2为本发明实施例提供的一种表示目标服务方的目标服务方信息的信息表。
表2
目标服务方的目标服务方信息 |
业务类型(多,适中,少) |
产品种类(多,适中,少) |
新业务上线速度(快,适中,慢) |
交易通道速度(快,适中,慢) |
行情展示速度(快,适中,慢) |
业务办理渠道(多,适中,少) |
业务办理窗口时间(7*24小时,5*8小时) |
是否支持异地业务办理(是,否) |
人工客服渠道(多,适中,少) |
人工客服电话接通率(高,适中,低) |
人工客服窗口时间(7*24小时,5*8小时) |
可转债中签是否有通知(是,否) |
投资者解盘活动(多,适中,少) |
投资者互动活动(多,适中,少) |
所属营业部近期是否搬迁(是,否) |
所属营业部基础环境(好,一般,差) |
所属营业部近期是否有负面新闻(是,否) |
是否泄露客户敏感信息(是,否) |
是否有客户经理(是、否) |
所属营业部是否未履约降佣(是,否) |
新股中签是否有通知(是、否) |
在表2中,因为上述目标服务方是一种证券公司,因此表2中记录的每一行数据都可以表示上述证券公司的基本信息,另外,在上述每行记录的每行信息中,括号内的信息表示:该行记录的信息的表示方式。
具体的,上述行为信息表示待预测用户获取目标服务方所提供的服务。比如:待预测用户购买目标服务方提供的产品、待预测用户参见目标服务方提供的活动、待预测用户与目标服务方进行交易等都属于待预测用户获取目标服务方所提供的服务。
本发明的一个实施例中,若上述目标服务方是一种证券公司,上述待预测用户为上述证券公司的用户,则可以将客户交易信息、购买产品信息和参与活动信息作为上述行为信息,参见表3,表3为本发明实施例提供的一种表示行为信息的信息表。
表3
行为信息 |
用户登录APP频率(按每天、每周、每月、每季度、每年分类) |
交易频率(按每天、每周、每月、每季度、每年分类) |
经常交易的品种(按品种分类) |
常用的用户方式(按交易方式分类) |
是否常参加公司活动(是,否) |
是否和客户经理经常互动(是、否) |
是否拨打公司客服热线(是、否) |
是否到营业部现场办理业务(是,否) |
股票佣金率(高,适中、低) |
基金手续费率(高,适中、低) |
两融费用率(高,适中、低) |
用户盈亏情况(盈、亏) |
是否签约投顾服务(是、否) |
在表3中,因为上述目标服务方是一种证券公司,待预测用户是上述证券公司的用户,因此表3中记录的每一行数据都可以表示用户获取上述证券公司的服务行为信息。另外,在上述每行记录的每行信息中,括号内的信息表示:该行记录的信息的表示方式。
本发明的另一个实施例中,因为上述第一信息中包含:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,因此可以将上述基本信息、行为信息、目标服务方信息记录在同一表格或文本中。
另外,上述第二信息表示:待预测用户对上述目标服务方所提供的服务的评价情况。
本发明的一个实施例中,若上述目标服务方是一种证券公司,上述待预测用户为上述证券公司的用户,则可以将客户服务信息、客户投诉信息、营销沟通信息和客户评价信息作为上述第二信息,参见表4,表4为本发明实施例提供的一种表示评价情况的信息表。
表4
评价情况 |
是否使用文字客服(是、否) |
是否使用呼叫中心(是、否) |
业务办理效率(快、慢) |
业务办理准确度(准确、差错) |
客户经理服务态度(好、差) |
是否有客户经理服务(有,无) |
是否长时间未联系(是、否) |
服务响应速度(快、慢) |
服务是否有反馈结果(有、无) |
业务解答是否专业(是、否) |
营业部服务是否过度(是、否) |
投顾服务水平(高、低) |
是否更换了客户经理(是、否) |
在表4中,因为上述目标服务方是一种证券公司,待预测用户是上述证券公司的用户,因此表4中记录的每一行数据都可以表示用户对上述证券公司的评价情况。另外,在上述每行记录的信息中,括号内的信息表示:该行记录的信息的表示方式。
步骤S102:基于上述第一信息,获得第一预测结果。
其中,上述第一预测结果:表示待预测用户是否将继续获取上述目标服务方提供的服务。
具体的,因为上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息。而在一般情况下,用户是否继续获取上述目标服务方提供的服务和上述待预测用户的基本信息有较大的关系,也与与上述目标服务方的目标服务方信息有较大的关系,比如:若上述目标服务方为软件公司,待预测用户为上述软件公司的用户,那么该用户的年龄、学历等和该转件公司的产品种类、业务类型等都会影响到该用户是否继续获取该证软件公司提供的服务。
另外上述第一信息中还包括:表示待预测用户获取目标服务方所提供的服务的行为信息,一般情况下,若待预测用户频繁的获取目标服务方所提供的服务,说明该待预测用户将会继续获取目标服务方所提供的服务,也就是说待预测用户将来可能不会流失,若待预测用户偶尔的获取目标服务方所提供的服务,说明该待预测用户将不会继续获取目标服务方所提供的服务,也就是说待预测用户将来可能会流失,因此可以将上述行为信息作为判断待预测用户是否将继续获取所述目标服务方提供的服务的依据。因此可以将上述基本信息、行为信息和目标服务方信息结合作为上述第一信息,基于上述第一信息,获得第一预测结果。
本发明的一个实施例中,上述第一预测结果可以为表示待预测用户将继续获取上述服务方提供的服务的可能值,上述第一预测结果的取值范围为0-1。比如:基于上述第一信息,得到的第一预测结果的取值为0.8,说明待预测用户有较高的可能性将继续获取上述目标服务方提供的服务,那么可以预测待预测用户将继续获取上述目标服务方提供的服务;若得到的第一预测结果为0.3,说明待预测用户有较低的可能性将继续获取上述目标服务方提供的服务,那么预测为待预测用户不会将继续获取上述目标服务方提供的服务。
本发明的另一个实施例中,上述步骤S102可以通过图3中的步骤S102A实现。
步骤S103:基于上述第二信息,获得第二预测结果。
其中,上述第二预测结果:表示待预测用户是否将继续获取上述目标服务方提供的服务。
具体的,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,而上述第二信息表示:待预测用户对上述目标服务方所提供的服务的评价情况,因此可以通过上述第二信息,获得第二预测结果。
另外,若预测待预测用户将不会继续获取上述目标服务方提供的服务,说明该待预测用户即将流失,因此可以针对即将流失的待预测用户,发布流失预警,以使得工作人员在看到流失预警后,针对即将流失的待预测用户,制定关怀方案,争取目标服务方能够留住上述待预测用户。
本发明的一个实施例中,上述第二预测结果可以为表示待预测用户将继续获取上述服务方提供的服务的可能值,上述第二预测结果的取值范围为0-1。比如:基于上述第二信息,得到的第二预测结果的取值为0.9,说明待预测用户有较高的可能性将继续获取上述目标服务方提供的服务,那么可以预测待预测用户将继续获取上述目标服务方提供的服务;若得到的第二预测结果为0.4,说明待预测用户有较低的可能性将继续获取上述目标服务方提供的服务,那么预测为待预测用户不会将继续获取上述目标服务方提供的服务。
本发明的另一个实施例中,上述步骤S103可以通过图5中的步骤S103A实现。
步骤S104:基于上述第一预测结果和第二预测结果,预测待预测用户是否将继续获取上述目标服务方提供的服务。
具体的,虽然上述第一预测结果和第二预测结果都能够表示待预测用户是否将继续获取上述目标服务方提供的服务,但是上述第一预测结果是根据上述第一信息得到的,上述第二预测结果是根据上述第二信息得到的,而上述第一信息和上述第二信息表示的是不同方面的信息,上述第一信息主要表示待预测用户的基本信息、目标服务方的目标服务方信息和待预测用户从目标服务方中获取到的服务,上述第二信息主要表示待预测用户对目标服务方所提供的服务的评价,进而上述第一预测结果和上述第一预测结果也是基于不同方面的信息到的,因此若同时基于上述第一预测结果和上述第二预测结果,能够较准确预测待预测用户是否将继续获取上述目标服务方提供的服务。
本发明的一个实施例中,只有在上述第一预测结果表示待预测用户将继续获取上述目标服务方提供的服务且第二预测结果表示待预测用户将继续获取上述目标服务方提供的服务的情况下,可以预测待预测用户将继续获取上述目标服务方提供的服务,否则预测待预测用户将不会继续获取上述目标服务方提供的服务。
本发明的另一个实施例中,上述步骤S104可以通过图2中的步骤S104A-步骤S104B实现,这里暂不详述。
由以上可见,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息与上述目标服务方的服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息、待预测用户对上述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
图2为本发明实施例提供的第二种用户流失预测方法的流程示意图,如图2所示,与图1所示的实施例相比,上述步骤S104可以包括以下步骤:S104A-S104B。
步骤S104A:基于上述第一预测结果、第二预测结果,预测待预测用户不再继续获取上述目标服务方提供的服务的第一概率。
具体的,因为上述第一预测结果和第二预测结果都表示待预测用户是否将继续获取上述目标服务方提供的服务,因此可以基于上述第一预测结果、第二预测结果,预测待预测用户不再继续获取上述目标服务方提供的服务的第一概率。
本发明的一个实施例中,上述第一预测结果和第二预测结果可以为表示待预测用户将继续获取上述服务方提供的服务的可能值,且上述第一预测结果和上述第二预测结果的取值范围为0-1。然后可以计算上述第一预测结果与上述第二预测结果之积,并将1与上述第一预测结果与上述第二预测结果之积的差作为上述第一概率,比如:上述第一预测结果的取值为0.7,上述第二预测结果的取值为0.6,则上述第一预测结果与上述第二预测结果之积为0.42,然后用1减去0.42得到0.58,即上述第一概率的值为0.58。因为上述第一预测结果和第二预测结果可以为表示待预测用户将继续获取上述服务方提供的服务的可能值,所以上述第一预测结果与上述第二预测结果之积也表示待预测用户将继续获取上述服务方提供的服务的可能值,因此用1减去上述第一预测结果与上述第二预测结果之积,得到的结果可以表示待预测用户将不再继续获取上述服务方提供的服务的可能值,即上述第一概率。
本发明的另一个实施例中,上述步骤S104A可以通过以下步骤A实现,这里暂不详述。
步骤S104B:基于上述第一概率,预测待预测用户是否将继续获取上述目标服务方提供的服务。
具体的,因为上述第一概率表示待预测用户不再继续获取上述目标服务方提供的服务的可能性,因此可以基于上述第一概率预测待预测用户是否将继续获取上述服务方提供的服务。
比如:若得到的第一概率的值大于0.5,则可以预测待预测用户将不再继续获取上述服务方提供的服务,若得到的第一概率的值小于0.5,则可以预测待预测用户将继续获取上述服务方提供的服务。
本发明的另一个实施例中,上述步骤S104B可以通过以下步骤B-步骤C实现,这里暂不详述。
由以上可见,因为上述第一预测结果和第二预测结果都表示待预测用户是否将继续获取上述目标服务方提供的服务,因此可以基于上述第一预测结果、第二预测结果,预测上述第一概率,而上述第一概率表示待预测用户不再继续获取上述目标服务方提供的服务的可能性,因此可以上述第一概率预测待预测用户是否将继续获取上述服务方提供的服务。
本发明的一个实施例中,可以通过以下步骤A实现上述步骤S104A。
步骤A:基于上述第一预测结果、第二预测结果以及第三信息,预测上述待预测用户不再继续获取上述目标服务方提供的服务的第一概率。
其中,上述第三信息为:在历史场景中用户不再继续获取上述服务方提供的服务的第二概率。
具体的,因为上述第一预测结果和第二预测结果都表示待预测用户是否将继续获取上述目标服务方提供的服务,而上述第三信息为经验数据,因此可以基于上述第一预测结果、第二预测结果以及第三信息,预测上述待预测用户不再继续获取上述服务方提供的服务的第一概率。
本发明的一个实施例中,可以根据朴素贝叶斯公式预测上述第一概率。
具体的,根据贝叶斯公式,假设以下公式成立:
其中,C表示第三预测结果,C有两种取值,一种是待预测用户将继续获取上述目标服务方提供的服务,另一种是待预测用户将不会继续获取上述目标服务方提供的服务。
然后将获取到的待预测用户的第一信息用X表示,待预测用户的第二信息用Y表示,在根据贝叶斯定理,可以得到以下公式:
其中,表示:上述第三信息,表示:第三预测结果为C的情况下,待预测用户的第一信息为X且第二信息为Y的可能性,表示:待预测用户的第一信息为X且第二信息为Y的可能性,表示:在待预测用户的第一信息为X且第二信息为Y的情况下,第三预测结果为C的可能性,也就是上述第一概率。
由此可见,可以通过计算得到上述第一概率,因为上述与成正比,可以通过计算、、确定上述,而上述表示第一预测结果,上述表示第二预测结果,上述表示上述第三信息,因此可以基于第一预测结果、第二预测结果以及第三信息,预测上述第一概率。
由以上可见,因为上述第一预测结果和第二预测结果都表示待预测用户是否将继续获取上述目标服务方提供的服务,而上述第三信息为经验数据,因此可以基于上述第一预测结果、第二预测结果以及第三信息,预测上述待预测用户不再继续获取上述服务方提供的服务的第一概率。另外,上述上述第一预测结果和第二预测结果是基于第一信息和第二信息计算获取到的,上述第三信息为经验数据,通过经验数据与计算数据相结合的方式,可以更加准确的,预测上述待预测用户不再继续获取上述目标服务方提供的服务的第一概率。
本发明的另一个实施例中,可以通过以下步骤B-步骤C实现上述步骤S104B。
步骤B:对各个待预测用户的第一概率进行大小排序。
具体的,在存在多个待预测用户的情况下,针对每一待预测用户,可以预测该待测用户的第一概率,然后可以将预测的各个待预测用户的第一概率进行大小排序。
本发明的一个实施例中,可以对各个待预测用户的第一概率进行升序排序,也可以对各个待预测用户的第一概率进行降序排序。
步骤C:针对每一待预测用户,基于大小排序后该待预测用户的第一概率的次序,预测该待预测用户是否将继续获取上述目标服务方提供的服务。
具体的,因为上述第一概率表示待预测用户不再继续获取上述目标服务方提供的服务的可能性,而上述第一概率的取值越大,说明待预测用户不再继续获取上述目标服务方提供的服务的可能性越高,上述第一概率的取值越小,说明待预测用户不再继续获取上述目标服务方提供的服务的可能性越低,因此可以在对各个待预测用户的第一概率进行大小排序后,针对每一待预测用户,基于大小排序后该待预测用户的第一概率的次序,预测该待预测用户是否将继续获取上述目标服务方提供的服务。
本发明的一个实施例中,若在上述步骤B中对各个待预测用户的第一概率进行升序排序,然后可以确定上述第一概率的值排在前百分之十的待预测用户,将上述待预测用户预测为不再继续获取上述目标服务方提供的服务;若在上述步骤B中对各个待预测用户的第一概率进行降序排序,然后可以确定上述第一概率的值排在后百分之十的待预测用户,将上述待预测用户预测为不再继续获取上述目标服务方提供的服务。
由以上可见,在存在多个待预测用户的情况下,可以对各个待预测用户的第一概率进行大小排序,因为上述第一概率的取值表示待预测用户不再继续获取上述目标服务方提供的服务的可能性,因此可以针对每一待预测用户,基于大小排序后该待预测用户的第一概率的次序,预测该待预测用户是否将继续获取上述服务方提供的服务。
图3为本发明实施例提供的第三种用户流失预测方法的流程示意图,如图3所示,与图1所示的实施例相比,上述步骤S102可以包括以下步骤:S102A。
步骤S102A:将上述第一信息输入到预先训练的第一预测模型中,获得输出结果,作为第一预测结果。
其中,上述第一预测模型用于:预测用户是否将继续获取服务方提供的服务,上述第一预测模型为神经网络模型。
具体的,因为上述第一预测模型用于:预测用户是否将继续获取服务方提供的服务,所以可以将上述第一信息输入到上述第一预测模型中,并将获得的输出结果作为第一预测结果。
另外,上述第一预测模型为神经网络模型,因为上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,而神经网络模型基于上述基本信息、上述行为信息、上述目标服务方信息获取第一预测结果可以更加准确。
首先,神经网络模型为现有技术,上述神经网络模型通常由输入层、隐含层、输出层构成,上述输入层可以有第一预设数量个节点,上述隐含层可以有第二预设数量个节点,上述输出层可以有第三预设数量个节点。具体的,参见图4A,图4A为本发明实施例提供的一种神经网络的示意图,如图4A所示,图4A中表示的神经网络模型由输入层、隐含层、输出层构成,输入层中的每一节点与隐含层中的每一节点进行全连接,隐含层中的每一节点与输出层中的每一节点进行全连接。其中,上述神经网络模型的输入层有q个节点,输出层有m个节点,为输出到输入层中第1个节点的数据,为输出到输入层中第2个节点的数据,为输出到输入层中第q个节点的数据,为输出层中第1个节点输出的数据,为输出层中第2个节点输出的数据,为输出层中第m个节点输出的数据,表示输入层中第i个节点与隐含层中第j个节点的权重,表示隐含层中第j个节点与输出层中第k个节点的权重。
本发明的一个实施例中,参见图4B,图4B为本发明实施例提供的一种第一预测模型的示意图,上述第一预测模型由输入层、隐含层和输出层构成,输入层中的每一节点与隐含层中的每一节点进行全连接,隐含层中的每一节点与输出层中的每一节点进行全连接。
上述第一预测模型的输入层的节点数量与上述第一信息中包含的各个信息数量相同,上述第一信息中的每一信息对应输出层中的一个节点,且该信息可以作为与该信息对应的节点的输入,比如:在上述目标服务方为证券公司,待预测用户为上述证券公司的用户的情况下,上述第一信息可以由上文中表1、表2和表3中记录的各个信息构成,因为上述第一信息中包含的各个信息数量为48个,因此可以将上述第一预测模型的输入层的节点数量设置为48个。
上述第一预测模型的输出层的节点数量可以设置为2个,上述第一预测模型的输出层中第2个节点输出的信息待预测用户将继续获取上述目标服务方提供的服务,上述第一预测模型的输出层中第2个节点输出的信息待预测用户将不会继续获取上述目标服务方提供的服务。
上述第一预测模型的隐含层的节点数量可以基于经验公式确定,其中,l表示:上述第一预测模型的隐含层的节点数量,n表示:上述第一预测模型的输入层的节点数量,m表示:上述第一预测模型的输出层的节点数量,a为1-10之间的常数。比如:若n的值为13,m的值为2,则l的取范围可以为6-15之间,也就是说第一预测模型的隐含层的节点数量范围为6-15之间。
在构建上述第一预测模型之后,可以将Sigmoid(S型函数)函数作为上述第一预测模型的激活函数,Sigmoid函数的导数为:
其中,表示:Sigmoid函数,表示:Sigmoid函数的导数,e表示:自然常数。由此可见,Sigmoid函数和Sigmoid函数的导数都是连续的函数,因此将Sigmoid函数作为上述第一预测模型的激活函数在计算上很方便。
在对上述第一预测模型进行训练的过程中,当训练时的误差小于预设误差时,即可以认为上述第一预测模型训练完成,上述预设误差一般可以设置为,其中e为科学计数法符号。在上述第一预测模型训练完成之后,可以将上述第一信息进行数值化后,输入到第一预测模型中,获得输出结果,作为第一预测结果,比如:上述第一信息中可能会包含待预测用户的性别、学历等,将上述第一信息进行数值化后,若待预测用户的性别为男,该待预测用户的性别信息可以用0表示,若待预测用户的性别为女,该待预测用户的性别信息可以用1表示,若待预测用户的学历为中专,该待预测用户的学历信息可以用0表示,若待预测用户的学历为本科,该待预测用户的学历信息可以用1表示,若待预测用户的学历为硕士,该待预测用户的学历信息可以用2表示等等。
另外,上述第一信息中包含多个信息,在将上述第一信息中的每一信息数值化后,不同信息的单位可能不同,因此,若不统一单位,直接将上述第一信息中的各个信息作为上述第一预测模型的输入,可能会有较大的误差,因此在将上述第一信息输入到上述第一预测模型中之前,可以将上述第一信息中的各个信息做归一化处理,使得上述第一信息中的各个信息的单位都相同,进而可以提高预测的准确度。
由以上可见,因为上述第一预测模型用于:预测用户是否将继续获取服务方提供的服务,所以可以将上述第一信息输入到上述第一预测模型中,进而可以获得上述第一预测结果。另外,因为上述第一预测模型为神经网络模型,又因为上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,而神经网络模型基于上述基本信息、上述行为信息、上述目标服务方信息获取第一预测结果可以更加准确,因此本发明实施例提供的方案可以更准确的获得第一预测结果。
图5为本发明实施例提供的第四种用户流失预测方法的流程示意图,如图5所示,与图1所示的实施例相比,上述步骤S103可以包括以下步骤:S103A。
步骤S103A:将上述第二信息输入到预先训练的第二预测模型中,获得输出结果,作为第二预测结果。
其中,上述第二预测模型用于:预测用户是否将继续获取服务方提供的服务,上述第二预测模型为逻辑回归模型。
具体的,因为上述第二预测模型用于:预测用户是否将继续获取服务方提供的服务,所以可以将上述第二信息输入到上述第二预测模型中,并将获得的输出结果作为第二预测结果。
另外,上述第二预测模型为逻辑回归模型,因为上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,而逻辑回归模型基于上述第二信息获取第二预测结果可以更加准确。
首先,上述逻辑回归模型为现有技术,上述逻辑回归模型可以由线性函数和Sigmoid函数构成,即上述逻辑回归模型是基于以下公式进行预测:
因此,上述表达式可以展开为:
具体的,上式P(X)的图像可以参见图6,图6为本发明实施例提供的一种Sigmoid函数图像的示意图。在图6中,图6中的横轴表示未知数x的取值,图6中的纵轴表示Sigmoid函数P(X)的取值,因为Sigmoid函数P(X)的值可以表示概率值,因此Sigmoid函数P(X)的取值范围在0-1之间。
然后,可以基于梯度下降法进行逻辑回归模型的训练,逻辑回归模型的目标函数可以通过下式表示:
本发明的一个实施例中,可以通过以下方式对上述第二预测模型中进行训练。
首先可以将上述待训练信息输入到第二预测模型中,上述可以第二预测模型的表达式可以为:
进而可以确定上述第二预测模型的损失函数,然后基于梯度下降法训练上述第二预测模型:
具体的,上述第二预测模型完成训练后,即可以将上述第二信息输入到第二预测模型中,获得输出结果,作为第二预测结果。
本发明的一个实施例中,在将上述第二信息输入到第二预测模型中之前,可以将上述第二信息数值化,因为上述第二信息中可以包含多个信息,比如:参见上述表4,上述第二信息中可以包含22项信息。因此可以将上述第二信息转换成向量的形式,,其中,X表示上述第二信息,表示上述第二信息中包含的信息。
另外,上述第二信息中包含多个信息,在将上述第二信息中的每二信息数值化后,不同信息的单位可能不同,因此,若不统一单位,直接将上述第二信息中的各个信息作为上述第二预测模型的输入,可能会有较大的误差,因此在将上述第二信息输入到上述第二预测模型中之前,可以将上述第二信息中的各个信息做归一化处理,使得上述第二信息中的各个信息的单位都相同,进而可以提高预测的准确度。
此外,上述第二信息表示预测用户对所述目标服务方所提供的服务的评价情况,因此获取的第二信息中可能包含语音信息和视频信息,而语音信息和视频信息不适合作为上述第二预测模型的输入,所以可以先将上述语音信息和视频信息转换为文本信息,在将上述文本信息进行数值化处理,然后将数值化处理的信息作为上述第二预测模型的输入,其中,将语音信息和视频信息转换为文本信息的具体实现方式为现有技术,这里不再赘述。
由以上可见,因为上述第二预测模型用于:预测用户是否将继续获取服务方提供的服务,所以可以将上述第二信息输入到上述第二预测模型中,进而可以获得上述第二预测结果。另外,因为上述第二预测模型为逻辑回归模型,又因为上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,而逻辑回归模型基于上述评价情况获取第二预测结果可以更加准确,因此本发明实施例提供的方案可以更准确的获得第二预测结果。
下面将依据具体的例子对上文中描述的内容进行说明。
例如:上述目标服务方为证券公司,上述待预测用户为上述证券公司的客户,参见图7,图7为本发明实施例提供的第一种用户流失预测方法的结构示意图。
在图7中,可以包括数据采集层、数据挖掘建模层、知识层和应用层。数据采集层用于从多个数据源中获取第一信息和第二信息,其中,上述多个数据源可以分成第一数据源和第二数据源,上述第一数据源包括:证券交易系统、OTC(Over-the-counter,场外交易市场)系统、期货交易系统、CRM(Customer Relationship Management,客户关系管理)系统、贵金属交易系统,上述第二数据源包括:文字客服系统、呼叫中心系统、视频客服系统,上述第一信息可以包括:客户基本信息、客户信用交易信息,客户交易信息,购买产品信息,参与活动信息和公司综合信息,上述第二信息可以包括:客户服务信息,客户投诉信息,营销沟通信息,客户评价信息。
上述数据挖掘建模层中包括:数据层和模型层,其中数据层用于将上述第一信息输入到神经网络模型中,将上述第二信息输入到逻辑回归模型中,模型层上述模型层包含:子模型层和嵌套模型层,子模型层用于训练神经网络模型和逻辑回归模型,并可以基于待预测用户的第一信息和第二信息,得到第一预测结果和第二预测结果,上述嵌套模型层是基于朴素贝叶斯模型,将上述第一预测结果和第二预测结果进行融合,进而预测待预测用户是否将继续获取上述目标服务方提供的服务。
上述知识层用于基于嵌套模型层预测的结果,确定导致上述待预测用户将不再继续获取上述目标服务方提供的服务的原因,上述原因可以包括:流失影响要素、流失客户特征、流失原因、流失客户期望。
上述应用层用于基于预测的结果,确定并展示导致上述待预测用户将不再继续获取上述目标服务方提供的服务的原因,然后工作人员可以根据上述原因,为上述待预测用户制定关怀方案,以使得上述待预测用户将继续获取上述目标服务方提供的服务,另外,上述应用层可以包括:流失预警发布、关怀方案指定、关怀方案改进、改进方案评估、流失召回策略。
参见图8,图8为本发明实施例提供的第二种用户流失预测方法的结构示意图。
在图8中,包括:数据采集模块,数据清洗模块,特征提取模块,子模型训练和建立模块,嵌套模型建立模块,数据分析模块,数据应用模块。
上述数据采集模块用于获取待预测用户的第一信息和第二信息,数据清理模块用于对获取到的第一信息和第二信息进行数据预处理,使得上述第一信息和第二信息变为较为规整的信息,特征提取模块用于提取上述第一信息和第二信息中的特征,子模型训练和建立模块用于构建和训练神经网络模型和逻辑回归模型,嵌套模型建立模块用于基于训练神经网络模型和神经网络模型得到的第一预测结果和第二预测结果,以及朴素贝叶斯算法预测待预测用户是否将继续获取上述目标服务方提供的服务,上述数据分析模块用于基于嵌套模型层预测的结果,确定导致上述待预测用户将不再继续获取上述目标服务方提供的服务的原因,上述数据应用模块用于展示导致上述待预测用户将不再继续获取上述目标服务方提供的服务的原因,然后工作人员可以根据上述原因,为上述待预测用户制定关怀方案,以使得上述待预测用户将继续获取上述目标服务方提供的服务。
图9为本发明实施例提供的第一种用户流失预测装置的结构示意图,如图9所示,上述装置可以包括:901-904。
信息获取模块901:用于获取第一信息和第二信息,其中,所述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、所述目标服务方的目标服务方信息,所述第二信息表示:待预测用户对所述目标服务方所提供的服务的评价情况;
第一预测结果获取模块902:用于基于所述第一信息,获得第一预测结果,其中,所述第一预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
第二预测结果获取模块903:用于基于所述第二信息,获得第二预测结果,其中,所述第二预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
预测模块904:用于基于所述第一预测结果和第二预测结果,预测待预测用户是否将继续获取所述目标服务方提供的服务。
由以上可见,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息与上述目标服务方的服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息、待预测用户对所述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
本发明的一个实施例中,上述第一预测结果获取模块902,具体用于:
将所述第一信息输入到预先训练的第一预测模型中,获得输出结果,作为第一预测结果,其中,所述第一预测模型用于:预测用户是否将继续获取服务方提供的服务,所述第一预测模型为神经网络模型。
由以上可见,因为上述第一预测模型用于:预测用户是否将继续获取服务方提供的服务,所以可以将上述第一信息输入到上述第一预测模型中,进而可以获得上述第一预测结果。另外,因为上述第一预测模型为神经网络模型,又因为上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的目标服务方信息,而神经网络模型基于上述基本信息、上述行为信息、上述目标服务方信息获取第一预测结果可以更加准确,因此本发明实施例提供的方案可以更准确的获得第一预测结果。
本发明的另一个实施例中,上述第二预测结果获取模块903,具体用于:
将所述第二信息输入到预先训练的第二预测模型中,获得输出结果,作为第二预测结果,其中,所述第二预测模型用于:预测用户是否将继续获取服务方提供的服务,所述第二预测模型为逻辑回归模型。
由以上可见,因为上述第二预测模型用于:预测用户是否将继续获取服务方提供的服务,所以可以将上述第二信息输入到上述第二预测模型中,进而可以获得上述第二预测结果。另外,因为上述第二预测模型为逻辑回归模型,又因为上述第二信息待预测用户对所述目标服务方所提供的服务的评价情况,而逻辑回归模型基于上述评价情况获取第二预测结果可以更加准确,因此本发明实施例提供的方案可以更准确的获得第二预测结果。
图10为本发明实施例提供的第二种用户流失预测装置的结构示意图,如图10所示,与图9所示的实施例相比,上述预测模块904包括:904A-904B。
第一预测子模块904A:用于基于所述第一预测结果、第二预测结果,预测待预测用户不再继续获取所述目标服务方提供的服务的第一概率;
第二预测子模块904B:用于基于所述第一概率,预测待预测用户是否将继续获取所述目标服务方提供的服务。
由以上可见,因为上述第一预测结果和第二预测结果都表示待预测用户是否将继续获取所述目标服务方提供的服务,因此可以基于上述第一预测结果、第二预测结果,预测上述第一概率,而上述第一概率表示待预测用户不再继续获取所述目标服务方提供的服务的可能性,因此可以上述第一概率预测待预测用户是否将继续获取所述服务方提供的服务。
本发明的一个实施例中,上述第一预测子模块904A,具体用于:
基于所述第一预测结果、第二预测结果以及第三信息,预测所述待预测用户不再继续获取所述目标服务方提供的服务的第一概率,其中,所述第三信息为:在历史场景中用户不再继续获取所述目标服务方提供的服务的第二概率。
由以上可见,因为上述第一预测结果和第二预测结果都表示待预测用户是否将继续获取所述目标服务方提供的服务,而上述第三信息为经验数据,因此可以基于上述第一预测结果、第二预测结果以及第三信息,预测上述待预测用户不再继续获取上述服务方提供的服务的第一概率。另外,上述上述第一预测结果和第二预测结果是基于第一信息和第二信息计算获取到的,上述第三信息为经验数据,通过经验数据与计算数据相结合的方式,可以更加准确的,预测上述待预测用户不再继续获取上述服务方提供的服务的第一概率。
发明的另一个实施例中,上述第二预测子模块904B,具体用于:
对各个待预测用户的第一概率进行大小排序;
针对每一待预测用户,基于大小排序后该待预测用户的第一概率的次序,预测该待预测用户是否将继续获取所述目标服务方提供的服务。
由以上可见,在存在多个待预测用户的情况下,可以对各个待预测用户的第一概率进行大小排序,因为上述第一概率的取值表示待预测用户不再继续获取所述目标服务方提供的服务的可能性,因此可以针对每一待预测用户,基于大小排序后该待预测用户的第一概率的次序,预测该待预测用户是否将继续获取所述服务方提供的服务。
本发明实施例还提供了一种电子设备,如图11所示,包括处理器1101、通信接口1102、存储器1103和通信总线1104,其中,处理器1101,通信接口1102,存储器1103通过通信总线1104完成相互间的通信,
存储器1103,用于存放计算机程序;
处理器1101,用于执行存储器1103上所存放的程序时,实现上述方法实施例中任一用户流失预测方法的步骤。
应用本发明实施例提供的电子设备进行用户流失预测时,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息与上述目标服务方的服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息、待预测用户对所述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
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。
在本发明提供的又一实施例中,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内存储有计算机程序,所述计算机程序被处理器执行时实现上述方法实施例中任一用户流失预测方法的步骤。
应用本发明实施例提供的计算机可读存储介质进行用户流失预测时,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息与上述目标服务方的服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息、待预测用户对所述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例中任一用户流失预测方法的步骤。
应用本发明实施例提供的计算机程序产品进行用户流失预测时,首先获取第一信息和第二信息,上述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息,一般情况下,用户是否继续获取上述目标服务方提供的服务与上述待预测用户的基本信息与上述目标服务方的服务方信息有较大的关系,并且也可以根据上述待预测用户获取目标服务方所提供的服务判断上述待预测用户是否继续获取上述目标服务方提供的服务,因此可以通过上述第一信息得到上述第一预测结果。而上述第二信息待预测用户对上述目标服务方所提供的服务的评价情况,一般情况,若用户对目标服务方所提供的服务的评价较好,上述待预测用户可能会继续获取目标服务方提供的服务,若用户对目标服务方所提供的服务的评价较差,上述待预测用户可能不会继续获取目标服务方提供的服务,因此可以通过上述第二信息得到上述第二预测结果,进而可以基于上述第一预测结果和第二预测结果,预测上述待预测用户是否将继续获取上述目标服务方提供的服务,即能够预测即将流失的用户。
另外,本发明实施例基于上述第一信息和上述第二信息,获取到第一预测结果和第二预测结果,然后基于上述第一预测结果和第二预测结果预测上述待预测用户是否将继续获取上述目标服务方提供的服务,也就是说,本发明实施例是同时根据待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、上述目标服务方的服务方信息、待预测用户对所述目标服务方所提供的服务的评价情况预测上述待预测用户是否将继续获取上述目标服务方提供的服务,与现有技术提供的只基于上述某一项信息预测待预测用户是否将继续获取上述目标服务方提供的服务的方法相比,本发明实施例能够更准确的预测上述待预测用户是否将继续获取上述目标服务方提供的服务。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种用户流失预测方法,其特征在于,所述方法包括:
获取第一信息和第二信息,其中,所述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、所述目标服务方的目标服务方信息,所述第二信息表示:待预测用户对所述目标服务方所提供的服务的评价情况;
基于所述第一信息,获得第一预测结果,其中,所述第一预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
基于所述第二信息,获得第二预测结果,其中,所述第二预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
基于所述第一预测结果和第二预测结果,预测待预测用户是否将继续获取所述目标服务方提供的服务。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一预测结果和第二预测结果,预测待预测用户是否将继续获取所述目标服务方提供的服务,包括:
基于所述第一预测结果、第二预测结果,预测待预测用户不再继续获取所述目标服务方提供的服务的第一概率;
基于所述第一概率,预测待预测用户是否将继续获取所述目标服务方提供的服务。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一预测结果、第二预测结果,预测待预测用户不再继续获取所述目标服务方提供的服务的第一概率,包括:
基于所述第一预测结果、第二预测结果以及第三信息,预测所述待预测用户不再继续获取所述目标服务方提供的服务的第一概率,其中,所述第三信息为:在历史场景中用户不再继续获取所述目标服务方提供的服务的第二概率。
4.根据权利要求2所述的方法,其特征在于,在存在多个待预测用户的情况下,所述基于所述第一概率,预测待预测用户是否将继续获取所述目标服务方提供的服务,包括:
对各个待预测用户的第一概率进行大小排序;
针对每一待预测用户,基于大小排序后该待预测用户的第一概率的次序,预测该待预测用户是否将继续获取所述目标服务方提供的服务。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述基于所述第一信息,获得第一预测结果,包括:
将所述第一信息输入到预先训练的第一预测模型中,获得输出结果,作为第一预测结果,其中,所述第一预测模型用于:预测用户是否将继续获取服务方提供的服务,所述第一预测模型为神经网络模型。
6.根据权利要求1-4中任一项所述的方法,其特征在于,所述基于所述第二信息,获得第二预测结果,包括:
将所述第二信息输入到预先训练的第二预测模型中,获得输出结果,作为第二预测结果,其中,所述第二预测模型用于:预测用户是否将继续获取服务方提供的服务,所述第二预测模型为逻辑回归模型。
7.一种用户流失预测装置,其特征在于,所述装置包括:
信息获取模块,用于获取第一信息和第二信息,其中,所述第一信息包括:待预测用户的基本信息、表示待预测用户获取目标服务方所提供的服务的行为信息、所述目标服务方的目标服务方信息,所述第二信息表示:待预测用户对所述目标服务方所提供的服务的评价情况;
第一预测结果获取模块,用于基于所述第一信息,获得第一预测结果,其中,所述第一预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
第二预测结果获取模块,用于基于所述第二信息,获得第二预测结果,其中,所述第二预测结果:表示待预测用户是否将继续获取所述目标服务方提供的服务;
预测模块,用于基于所述第一预测结果和第二预测结果,预测待预测用户是否将继续获取所述目标服务方提供的服务。
8.根据权利要求7所述的装置,其特征在于,所述预测模块包括:
第一预测子模块,用于基于所述第一预测结果、第二预测结果,预测待预测用户不再继续获取所述目标服务方提供的服务的第一概率;
第二预测子模块,用于基于所述第一概率,预测待预测用户是否将继续获取所述目标服务方提供的服务。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205997.5A CN115293790A (zh) | 2022-09-30 | 2022-09-30 | 一种用户流失预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205997.5A CN115293790A (zh) | 2022-09-30 | 2022-09-30 | 一种用户流失预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293790A true CN115293790A (zh) | 2022-11-04 |
Family
ID=83833270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205997.5A Pending CN115293790A (zh) | 2022-09-30 | 2022-09-30 | 一种用户流失预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293790A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738775A (zh) * | 2020-07-03 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种用户支付意愿预测模型的训练方法及系统 |
CN111858922A (zh) * | 2019-09-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 服务方信息查询方法、装置、电子设备以及存储介质 |
CN112784155A (zh) * | 2020-12-31 | 2021-05-11 | 北京橙色云科技有限公司 | 匹配服务方的方法、装置以及存储介质 |
CN112837094A (zh) * | 2021-02-01 | 2021-05-25 | 长沙市到家悠享家政服务有限公司 | 基于区域的服务匹配方法、服务端设备及计算机可读介质 |
-
2022
- 2022-09-30 CN CN202211205997.5A patent/CN115293790A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858922A (zh) * | 2019-09-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 服务方信息查询方法、装置、电子设备以及存储介质 |
CN111738775A (zh) * | 2020-07-03 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种用户支付意愿预测模型的训练方法及系统 |
CN112784155A (zh) * | 2020-12-31 | 2021-05-11 | 北京橙色云科技有限公司 | 匹配服务方的方法、装置以及存储介质 |
CN112837094A (zh) * | 2021-02-01 | 2021-05-25 | 长沙市到家悠享家政服务有限公司 | 基于区域的服务匹配方法、服务端设备及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034915B (zh) | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 | |
US20170330058A1 (en) | Detecting and reducing bias (including discrimination) in an automated decision making process | |
Jamshidi et al. | Islamic credit card adoption understanding: when innovation diffusion theory meets satisfaction and social influence | |
US11055772B1 (en) | Instant lending decisions | |
JP6515251B2 (ja) | データ市場において価格発見メカニズムを割り振るための方法およびシステム | |
US11037236B1 (en) | Algorithm and models for creditworthiness based on user entered data within financial management application | |
JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
JP6679648B2 (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
JP6709775B2 (ja) | 算出装置、算出方法及び算出プログラム | |
Akgül | A SEM-neural network approach for predicting antecedents of factors influencing Consumers' intent to install Mobile applications | |
CN112241920A (zh) | 基于图神经网络的投融资机构评估方法、系统及设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
WO2020087828A1 (zh) | 预售风险评估方法、系统、计算机装置及可读存储介质 | |
Norng | Factors influencing mobile banking adoption in Cambodia: The structuring of TAM, DIT, and trust with TPB | |
JP6267812B1 (ja) | 算出装置、算出方法及び算出プログラム | |
JP2003114977A (ja) | 顧客生涯価値算出方法およびシステム | |
Wu et al. | Predicting long-term returns of individual stocks with online reviews | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
Visser et al. | Customer comfort limit utilisation: Management tool informing credit limit-setting strategy decisions to improve profitability | |
JP7053077B1 (ja) | シングルユーザアクションによる意思決定を支援するための方法及びシステム | |
CN115293790A (zh) | 一种用户流失预测方法及装置 | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
Bartkowiak et al. | The Relationship Between Consumer Innovativeness and Customer Engagement | |
Gunay et al. | Do major health shocks affect the interconnectedness of E-commerce and electronic payment markets? a regional analysis | |
Juisin et al. | Receptiveness of gold accumulation program in Malaysia: An empirical investigation |
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: 20221104 |
|
RJ01 | Rejection of invention patent application after publication |