CN115988475A - 快携用户的预测方法、设备及存储介质 - Google Patents

Abstract

本申请提供一种快携用户的预测方法、设备及存储介质。该方法包括：采集设定在网时间内办理通信网络变更且保留号码业务的通信号码，并将所述通信号码确定为快携用户；采集所述快携用户的业务侧数据域的数据，并采集所述快携用户的运营侧数据域的数据；对所述快携用户的业务侧数据域的数据和所述运营侧数据域的数据进行数据分析以获取快携用户特征，并根据所述快携用户特征构建用户快携预测模型；将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至所述用户快携预测模型，输出所述待预测用户为快携用户的预测值。本申请的方法根据快携用户具备的特征构建预测模型，使用该模型即可对快携用户进行有效预测。

Description

快携用户的预测方法、设备及存储介质

技术领域

本申请涉及通信技术领域，尤其涉及一种快携用户的预测方法、设备及存储介质。

背景技术

随着通信网络变更且保留号码业务即携号转网业务量的增加，运营商企业的考核力度加大，快携成为其完成任务的有效方法。快携是指用户入网后，在较短的时间内办理通信网络变更且保留号码的业务，是运营商企业在考核压力下的不正当市场竞争行为，不利于携号转网服务的健康发展，因此需要识别新入网用户是否具有快携风险。

现有技术是对用户是否具有正常进行携号转网业务的风险进行识别，无法对用户是否具有快携风险进行有效识别。

发明内容

本申请提供一种快携用户的预测方法、设备及存储介质，用以解决现有技术是对用户是否具有正常进行携号转网业务的风险进行识别，无法对用户是否具有快携风险进行有效识别的问题。

第一方面，本申请提供一种快携用户的预测方法，包括：

采集设定在网时间内办理通信网络变更且保留号码业务的通信号码，并将通信号码确定为快携用户；

采集快携用户的业务侧数据域的数据，并采集快携用户的运营侧数据域的数据；

对快携用户的业务侧数据域的数据和运营侧数据域的数据进行数据分析以获取快携用户特征，并根据快携用户特征构建用户快携预测模型；

将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至用户快携预测模型，输出待预测用户为快携用户的预测值。

第二方面，本申请提供一种快携用户的预测设备，包括：

采集模块，用于采集设定在网时间内办理通信网络变更且保留号码业务的通信号码；

处理模块，用于将通信号码确定为快携用户；

采集模块，还用于采集快携用户的业务侧数据域的数据，并采集快携用户的运营侧数据域的数据；

处理模块，还用于对快携用户的业务侧数据域的数据和运营侧数据域的数据进行数据分析以获取快携用户特征，并根据快携用户特征构建用户快携预测模型；

处理模块，还用于将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至用户快携预测模型，输出待预测用户为快携用户的预测值。

第三方面，本申请提供一种快携用户的预测设备，包括：处理器、存储器，存储器中存储代码，处理器运行存储器中存储的代码，以执行如第一方面中任一项的快携用户的预测方法。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项的快携用户的预测方法。

本申请提供一种快携用户的预测方法、设备及存储介质，采集设定在网时间内办理通信网络变更且保留号码业务的通信号码，将该通信号码确定为快携用户。采集快携用户的业务侧数据域的数据以及运营侧数据域的数据，并对快携用户的业务侧数据域的数据和运营侧数据域的数据进行数据分析以获取快携用户特征，并根据快携用户特征构建用户快携预测模型。将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至用户快携预测模型，即可输出待预测用户为快携用户的预测值。本申请实施例提供的方法根据快携用户具备的特征构建模型，从而实现对快携用户的预测。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种快携用户的预测场景示意图；

图2为本申请实施例提供的一种快携用户的预测方法流程图一；

图3为本申请实施例提供的一种业务属性预测模型构建方法流程图；

图4为本申请实施例提供的一种客户属性预测模型构建方法流程图；

图5为本申请实施例提供的一种办理渠道属性预测模型构建方法流程图；

图6为本申请实施例提供的一种快携用户的预测方法流程图二；

图7为本申请实施例提供的一种快携用户的预测设备示意图一；

图8为本申请实施例提供的一种快携用户的预测设备示意图二。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

携号转网业务是指办理通信网络变更且保留号码的业务，该业务的实施有利于提升用户体验。但是随着携号转网业务量的增加，运营商企业的考核力度加大，快携成为其完成任务的有效方法。但是快携是运营商企业在考核压力下的不正当市场竞争行为，拉低了行业价值，同时浪费了携出运营商企业的号卡资源和服务资源，不利于运营商的正常运营，不利于携号转网服务的健康发展。现有技术是对用户是否具有正常进行携号转网业务的风险进行识别，无法对用户是否具有快携风险进行有效识别。

本申请实施例提供一种快携用户的预测方法，通过对快携用户的业务侧数据域的数据和运营侧数据域的数据进行分析，可知快携用户具有以下特点：

(1)运营商员工或与运营商员工存在一定关联关系的人员到其他运营商企业办理入网业务，不预存话费，然后在较短时间内办理携号转网；

(2)引导办理入网业务的用户先到其他运营商企业办理入网业务，不预存话费，然后办理携号转网业务可享受较低费用的活动。

(3)组织一些团体如学生等，到其他运营商企业办理入网业务，然后在较短时间内办理携号转网。

此外，还存在运营商员工代替用户进行携转或进行申诉等行为。综上，可将运营商员工或与运营商员工存在一定关联关系的人员作为快携用户的客户属性，将不预存话费即预存款、以及其他的合约信息、套餐信息等作为快携用户的业务属性，将团体在某一渠道集体办理携号转网作为快携用户的办理渠道属性。因此可对快携用户的业务侧数据域的数据和运营侧数据域的数据进行数据分析获取快携用户特征，快携用户特征包括但不限于业务属性、客户属性和办理渠道属性。根据快携用户特征可构建用户快携预测模型。当某一用户办理入网业务之前，可将该用户的业务侧数据域的数据和运营侧数据域的数据输入到用户快携预测模型，用户快携预测模型可输出该用户为快携用户的预测值，对用户是否为快携用户进行有效识别。

图1为本申请实施例提供的一种快携用户的预测场景示意图，如图1所示，当某一用户在办理入网业务时，可对该用户是否为快携用户进行预测。将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至业务属性预测模型以输出业务属性预测值；将业务侧数据域的数据及运营侧数据域的数据输入至客户属性预测模型以输出客户属性预测值；将业务侧数据域的数据及运营侧数据域的数据输入至办理渠道属性预测模型以输出办理渠道属性预测值。对业务属性预测值、客户属性预测值和办理渠道属性预测值进行整合可获取该用户为快携用户的预测值，当预测值越高时表明该用户为快携用户的概率越高，以实现对用户是否为快携用户的预测。

下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图2为本申请实施例提供的一种快携用户的预测方法流程图一。本实施例的方法可以由快携用户的预测设备执行，可以通过硬件、软件、或者硬件和软件相结合的方式实现。如图2所示，该方法可以包括：

S201：采集设定在网时间内办理通信网络变更且保留号码业务的通信号码，并将通信号码确定为快携用户。

设定在网时间可根据实际情况确定，在一种实施场景下，可将在网时间为30天内，办理通信网络变更且保留号码的业务称为快携业务，其对应的通信号码确定为快携用户。

在另一种实施场景下，用户在网时间超过30天，比如120天，但是在网期间内通话时长小于通话时长阈值、短信数量小于短信数量阈值、使用流量小于流量使用阈值，也可将上述用户作为快携用户。因此采集设定在网时间内办理通信网络变更且保留号码业务的通信号码时，可采集在网时间为120天内的办理通信网络变更且保留号码业务的通信号码。

S202：采集快携用户的业务侧数据域的数据，并采集快携用户的运营侧数据域的数据。

业务侧数据域(Business Support Systems，B侧)的数据包括但不限于用户基本信息、在网时间信息、订购产品信息即订购套餐信息、预存款信息、不同强度的合约信息、合约接触信息、投诉信息、回访信息等。

运营侧数据域(Operation Support Systems，O侧)的数据包括但不限于用户语音业务常驻小区、数据业务常驻小区、数据感知情况、语音感知情况等数据。

S203：对快携用户的业务侧数据域的数据和运营侧数据域的数据进行数据分析以获取快携用户特征，并根据快携用户特征构建用户快携预测模型。

在一种实施场景下，获取到业务侧数据域的数据及运营侧数据域的数据后，可先对上述数据进行单用户整合及预处理，并将数据存储至数据库中。通过对数据进行单用户整合，可获取单一用户的业务侧数据域的数据及运营侧数据域的数据。同时由于数据中会存在一些异常数据，因此可对数据进行预处理，去除异常数据，从而提高数据分析的准确率。

在一种实施场景下，对业务侧数据域的数据及运营侧数据域的数据进行分析时，可基于用户属性比如订购套餐信息、预存款信息、合约信息、投诉信息等属性，提取对应用户的行为特征信息，并对行为特征信息进行聚类，获取特征分类数据。由于特征分类数据中存在部分数据与快携用户相关性较低，因此可对特征分类数据进行加权处理获取快携用户特征及其对应的数据，进一步提高了快携用户特征及其数据的准确率。对快携用户特征对应的数据进行因子分析及主成分分析，可构建用户快携预测模型。

其中，快携用户特征为快携用户具备的属性特征，包括但不限于业务属性、客户属性及办理渠道属性。在一种实施场景下，每种快携用户特征存在与其对应的一种预测模型，举例而言，用户快携预测模型可包括业务属性预测模型、客户属性预测模型及办理渠道属性预测模型等，其中业务属性对应业务属性预测模型，客户属性对应客户属性预测模型，办理渠道属性对应办理渠道属性预测模型。

S204：将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至用户快携预测模型，输出待预测用户为快携用户的预测值。

在一种实施场景下，由于用户快携预测模型可包含多种快携用户特征对应的预测模型，因此可将待预测用户的业务侧数据域的数据及运营侧数据域的数据分别输入到多个预测模型中，每个预测模型均会输出对应的属性预测值，对多个属性预测值进行整合即可获取该用户为快携用户的预测值。举例而言，业务属性预测模型输出该用户的业务属性预测值为30分，客户属性预测值为0，办理渠道属性预测值为0，因此该用户为快携用户的预测值为30分。

本申请实施例提供一种快携用户的预测方法，采集设定在网时间内办理通信网络变更且保留号码业务的通信号码，并将该通信号码作为快携用户。采集快携用户的业务侧数据域的数据以及运营侧数据域的数据，对快携用户的业务侧数据域的数据及运营侧数据域的数据进行数据分析以获取快携用户特征，并根据快携用户特征构建用户快携预测模型。用户快携预测模型构建完成后，可将待预测用户的业务侧数据域和运营侧数据域的数据输入至用户快携预测模型，即可输出该用户为快携用户的预测值。本申请实施例提供的方法根据快携用户具备的特征构建预测模型，从而实现对快携用户的预测，提高了预测快携用户的准确率。

由上述实施例可知，每种快携用户特征可存在与其对应的一种预测模型。在一种实施场景下，快携用户特征包括：业务属性、客户属性及办理渠道属性；用户快携预测模型包括：业务属性预测模型、客户属性预测模型及办理渠道属性预测模型。可基于快携用户的业务属性构建业务属性预测模型；业务属性包含套餐属性、合约属性及预存款属性；套餐属性包含套餐类别及套餐参数，合约属性包含合约类别及合约参数，预存款属性包含预存款类别及预存款参数；基于快携用户的客户属性构建客户属性预测模型，客户属性包含快携客户及对应的客户参数、非快携客户及对应的客户参数；基于快携用户的办理渠道属性构建办理渠道属性预测模型，办理渠道属性包含快携渠道及对应的渠道参数、非快携渠道及对应的渠道参数。

在上述实施例的基础上，下面提供一个具体的实施例，对基于快携用户的业务属性构建业务属性预测模型的过程进行详细描述。

图3为本申请实施例提供的一种业务属性预测模型构建方法流程图，如图3所示，该方法具体如下：

S301：计算快携用户在各类套餐的用户数占比，根据各类套餐的用户数占比确定具有快携风险的套餐类别及套餐类别与快携风险的单相关系数，并根据套餐类别与快携风险的单相关系数确定套餐参数。

在一种实施场景下，由于不同的本地网对应的套餐类别可能存在一定的差异，因此可计算不同本地网内，快携用户在各类套餐的用户数占比，并按照用户数占比，从高到低对各类套餐进行排序。将从高到低排列的各类套餐的用户数占比之和超过设定阈值的套餐确定为具有快携风险的套餐类别。举例而言，若设定阈值是80％，快携用户涉及到的套餐类别为5种套餐，计算每种套餐类别对应的用户数占比，并根据用户数占比从高到低对上述5种套餐类别进行排序，此时排列在前三个位置的套餐类别的用户数占比之和为90％，大于设定阈值80％，因此可将前三个套餐类别作为具有快携风险的套餐类别。

其中，用户数占比可以为该套餐类别的快携用户占快携用户总量的比值。

套餐类别与快携风险的单相关系数用于表征各类套餐与快携风险的相关程度。一般情况下，套餐类别对应的用户数占比越大，该套餐与快携风险的相关程度越高，单相关系数越大。

在一种实施场景下，可根据各套餐类别与快携风险的单相关系数确定对应的套餐参数。举例而言，在同一个本地网内，快携用户涉及到的套餐类别分别为套餐1、套餐2、套餐3、套餐4及套餐5，确定的具有快携风险的套餐类别分别为套餐1、套餐2及套餐3，其用户数占比依次降低，与快携风险的单相关系数逐渐降低，此时对上述三个套餐类别设置的套餐参数也逐渐降低。具体的，套餐1的套餐参数设置为10分，套餐2的套餐参数设置为8分，套餐3的套餐参数设置为6分，还可以将用户数占比较小的套餐4和套餐5的套餐参数设置为4分，除上述5类套餐，将其他类的套餐类别的套餐参数设置为0分。

S302：计算快携用户在各类合约的用户数占比，根据各类合约的用户数占比确定具有快携风险的合约类别及合约类别与快携风险的单相关系数，并根据合约类别与快携风险的单相关系数确定合约参数。

在一种实施场景下，合约类别可根据合约套餐每月的消费额度进行划分，比如：0-3元、3-15元、15-40元、40元以上等多个合约类别。需要说明的是，合约类别中还包括无合约这一情况。

在一种实施场景下，计算不同本地网内，快携用户在各类合约类别中的用户数占比，并根据用户数占比，从高到低对各类合约类别进行排序。将从高到低排列的用户数占比之和超过设定阈值的合约类别确定为具有快携风险的合约类别，并计算每个合约类别与快携风险的单相关系数。

举例而言，在同一个本地网内，快携用户涉及到的合约类别分别为无合约、合约1、合约2、合约3及合约4，确定的具有快携风险的合约类别分别为无合约、合约1及合约2，其用户数占比依次降低，与快携风险的单相关系数逐渐降低，因此可将无合约的合约参数设置为20分，将合约1的合约参数设置为16分，将合约2的的合约参数设置为12分。将其他用户数占比较小的合约3及合约4的合约参数设置为8分，将其他快携用户未涉及到的合约类别的合约参数设置为0分。

S303：计算快携用户在各类预存款的用户数占比，根据各类预存款的用户数占比确定具有快携风险的预存款类别及预存款类别与快携风险的单相关系数，并根据预存款类别与快携风险的单相关系数确定预存款参数。

在一种实施场景下，预存款类别也可根据预存款额度进行划分，同时包含无预存款这一情况。举例而言，预存款类别可如下所示：无预存款类别、0-3元、3-15元、15-40元、40元以上等多个预存款类别。

在一种实施场景下，计算不同本地网内，快携用户在各类预存款类别中的用户数占比，并根据用户数占比，从高到低对各类预存款类别进行排序。将从高到低排列的用户数占比之和超过设定阈值的预存款类别确定为具有快携风险的预存款类别，并计算每个预存款类别与快携风险的单相关系数。

举例而言，在同一个本地网内，快携用户涉及到的预存款类别分别为无预存款、预存款1、预存款2、预存款3及预存款4，确定的具有快携风险的预存款类别分别为无预存款、预存款1和预存款2，其用户数占比依次降低，与快携风险的单相关系数逐渐降低，因此可将无预存款的预存款参数设置为10分，预存款1的预存款参数设置为8分，预存款2的预存款参数设置为6分，快携用户涉及到的用户数占比较小的预存款3和预存款4的预存款参数设置为4分，将快携用户未涉及到的其他的预存款类别的预存款参数设置为0分。

在一种实施场景下，在确定具有快携风险的预存款类别及预存款类别与快携风险的单相关系数之后，还可以计算套餐属性、合约属性及预存款属性与快携的复相关系数；根据单相关系数及复相关系数对套餐类别、合约类别及预存款类别进行校验。

本申请实施例提供一种业务属性预测模型构建方法，由于业务属性可包括套餐属性、合约属性及预存款属性，因此可分别对每种业务属性进行分析。计算快携用户在各类套餐的用户数占比，根据各类套餐的用户数占比确定具有快携风险的套餐类别及套餐类别与快携风险的单相关系数，并根据套餐类别与快携风险的单相关系数确定套餐参数。计算快携用户在各类合约的用户数占比，根据各类合约的用户数占比确定具有快携风险的合约类别及合约类别与快携风险的单相关系数，并根据合约类别与快携风险的单相关系数确定合约参数。计算快携用户在各类预存款的用户数占比，根据各类预存款的用户数占比确定具有快携风险的预存款类别及预存款类别与快携风险的单相关系数，并根据预存款类别与快携风险的单相关系数确定预存款参数。本申请实施例提供的方法分别对每种业务属性进行分析，构建了包含多种业务属性的业务属性预测模型，能够对待预测用户的业务属性是否具有快携风险进行预测。

在上述实施例的基础上，下面提供一个具体的实施例，对构建客户属性预测模型的过程进行详细描述。

图4为本申请实施例提供的一种客户属性预测模型构建方法流程图，如图4所示，该方法具体如下：

S401：响应于快携用户为运营商人员的通信号码，将快携用户对应的客户确定为快携客户。

若快携用户为运营商人员的通信号码，表明该快携用户对应的客户存在一定的快携风险，因此可将该客户确定为快携用户。

在一种实施场景下，运营商人员的通信号码可通过以下方式进行确定：

(1)同一手机终端查询携号转网相关信息，可将该手机终端包含的通信号码确定为运营商人员的通信号码，需要说明的是，一个手机终端可包含多个通信号码。携号转网即办理通信网络变更且保留号码的业务。

(2)同一手机用户查询携号转网相关信息，可将该手机用户作为运营商人员的通信号码。

(3)运营商营业厅的通信号码及客服人员的通信号码。

(4)运营商的代理商服务网点及其工作人员的通信号码。

(5)在手机终端上安装的社交程序以较高的频率分享电信运营商的营销活动，将该手机终端包含的通信号码确定为运营商人员的通信号码。

在另一种实施场景下，还可以获取快携用户的通信记录，并基于通信记录确定与快携用户存在符合预设条件的通信号码；响应于通信号码中存在运营商人员的通信号码，将通信号码对应的客户确定为快携客户。其中，预设条件可以包括：时间条件、通信次数及地点条件，具体的，时间条件为在特定时间段内进行通信；地点条件是通信双方同时处于营业厅、代理商服务网点所属范围。

与快携用户存在符合预设条件的通信号码包括但不限于：

(1)有家庭套餐关系的通信号码及其联系人号码；

(2)公用同一热点的通信号码；

(3)有使用家庭宽带WiFi上网记录的通信号码；

(4)有共同语音业务常驻小区的通信号码；

(5)有共同数据业务常驻小区的通信号码；

(6)通过短信、彩信进行通信的通信号码；

(7)通过手机终端上安装的社交程序进行通信对应的通信号码。

快携用户的通信记录中存在运营商人员的通信号码，表明该快携用户与运营商人员存在一定的关联关系，比如亲属关系、朋友关系等，因此该快携用户对应的客户也会有一定的快携风险，可将该快携用户对应的客户确定为快携客户。

S402：将第一时间段内办理通信网络变更且保留号码业务的通信号码对应的客户确定为快携客户。

第一时间段可根据实际情况确定，比如30天，将在网时间处于30天内办理通信网络变更且保留号码业务的通信号码对应的客户作为快携客户。

S403：将第二时间段内通话时长小于通话时长阈值、短信数量小于短信数量阈值、使用流量小于流量使用阈值的办理通信网络变更且保留号码业务的通信号码对应的客户确定为快携客户。

第二时间段也可根据实际情况确定，通常情况下，可将第二时间段设置为大于第一时间段的值，比如31天-120天。将在31天-120天办理通信网络变更且保留号码业务的通信号码，且该通信号码在上述时间段内的通话时长小于通话时长阈值、短信数量小于短信数量阈值、使用流量小于流量使用阈值，特殊的，通话时长为0、短信数量为0、使用流量为0，此时可将该快携用户对应的客户确定为快携客户。

S404：确定快携客户的客户参数，并将除快携客户外的客户作为非快携客户，确定非快携客户的客户参数。

在一种实施场景下，可将上述确定的快携客户的客户参数进行统一设置，比如均为30分，非快携客户的客户参数为0分。

在另一种实施场景下，也可根据实际情况分别对根据不同条件确定的快携客户的客户参数进行设置，比如根据运营商人员的通信号码确定的快携客户的客户参数设置为30分，将通信记录中存在运营商人员通信号码确定的快携客户的客户参数设置为20分。

本申请实施例提供一种客户属性预测模型构建方法，若快携用户为运营商人员的通信号码，将快携用户对应的客户确定为快携客户，也可将快携用户通信记录中存在运营商人员通信号码的客户确定为快携客户。将第一时间段内办理通信网络变更且保留业务的通信号码对应的客户确定为快携客户。将第二时间段内通话时长小于通话时长阈值、短信数量小于短信数量阈值、使用流量小于流量阈值的办理通信网络变更且保留号码业务的通信号码对应的客户确定为快携客户。确定快携客户后，可确定快携客户的客户参数，并将除快携客户外的其他客户作为非快携客户，确定非快携客户的客户参数。本申请实施例提供的方法根据快携客户的客户属性构建客户属性预测模型，使上述客户属性预测模型能够对客户是否为快携客户进行预测。

在上述实施例的基础上，下面提供一个具体的实施例，对构建办理渠道属性预测模型的过程进行详细描述。

图5为本申请实施例提供的一种办理渠道属性预测模型构建方法流程图，如图5所示，该方法具体如下：

S501：获取办理渠道在设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量，确定业务数量阈值。

在一种实施场景下，可按天累计办理渠道办理快携业务的业务数量，分别如下：单日携出量、N天携出量、30天携出量。同时获取渠道区域竞争性情报消息以及用户回访信息，其中，渠道区域竞争性情报消息为在某个时间段内大量办理携号转网业务的办理渠道信息。根据渠道区域竞争性情报消息、用户回访信息以及渠道办理快携业务的业务数量等，可确定办理渠道在不同时间内的业务数量阈值，举例而言，单日携出量阈值、N天携出量阈值及30天携出量阈值。

S502：将设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量超过业务数量阈值的办理渠道确定为快携渠道，将设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量未超过业务数量阈值的办理渠道确定为非快携渠道，并确定快携渠道的渠道参数及非快携渠道的渠道参数。

在一种实施场景下，若某一办理渠道的单日携出量超过单日携出量阈值，或N天携出量超过N天携出量阈值，或30天携出量超过30天携出量阈值，则将该办理渠道确定为快携渠道，将快携渠道外的其他办理渠道作为非快携渠道。

在一种实施场景下，可将快携渠道的渠道参数统一设置为30分，非快携渠道的渠道参数设置为0分。

本申请实施例提供一种办理渠道属性预测模型构建方法，获取办理渠道在设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量，从而确定业务数量阈值。将设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量超过业务数量阈值的办理渠道确定为快携渠道，将设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量未超过业务数量阈值的办理渠道确定为非快携渠道，并确定快携渠道的渠道参数及非快携渠道的渠道参数。本申请实施例构建的办理渠道属性预测模型可对待预测用户的办理渠道进行识别，判断办理渠道是否为快携渠道。

需要说明的是，上述实施例将用户的业务属性包含的最高的套餐参数、合约参数及预存款参数分别设置为10分、20分、10分，将快携客户的客户参数设置为了30分，将快携渠道的渠道参数设置为了30分，其总和为100分。也可根据实际情况，对业务属性的套餐参数、合约参数及预存款参数、快携客户的客户参数、快携渠道的渠道参数的参数设置进行调整。

在上述实施例的基础上，下面提供一个实施例，对利用用户快携预测模型对待预测用户进行预测的过程进行详细描述。

图6为本申请实施例提供的一种快携用户的预测方法流程图二，该方法具体如下：

S601：将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至业务属性预测模型，输出业务属性预测值，业务属性预测值为套餐参数、合约参数及预存款参数的和。

在一种实施场景下，该待预测用户可以为新入网用户。一般情况下，可将新入网用户的快携风险初始值设置为0。

可参考上述实施例，举例而言，若待预测用户办理的套餐类别为套餐1，对应的套餐参数为10分；合约类别为无合约，对应的合约参数为20分；预存款类别为无预存款，对应的预存款参数为10分，因此该待预测用户的业务属性预测值为40分。

S602：将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至客户属性预测模型，输出客户属性预测值，客户属性预测值为客户参数。

举例而言，将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至客户属性预测模型后，客户属性预测模型判断该待预测用户为其他运营商人员的通信号码，因此将该待预测用户确定为快携客户，其对应的客户参数为30分，即客户属性预测值为30分。

S603：将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至办理渠道属性预测模型，输出办理渠道属性预测值，办理渠道属性预测值为渠道参数。

举例而言，若该待预测用户在非快携渠道办理入网业务，非快携渠道的渠道参数为0分，因此对应的办理渠道属性预测值为0分。

S604：根据业务属性预测值、客户属性预测值及办理渠道属性预测值，生成并输出待预测用户为快携用户的预测值。

在一种实施场景下，待预测用户为快携用户的预测值可以为业务属性预测值、客户属性预测值与办理渠道属性预测值的和。举例而言，上述待预测用户的业务属性预测值为40分，客户属性预测值为30分，办理渠道属性预测值为0分，此时该待预测用户为快携用户的预测值为70分。

本申请实施例提供一种快携用户的预测方法，将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至业务属性预测模型，输出业务属性预测值。将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至客户属性预测模型，输出客户属性预测值。将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至办理渠道属性预测模型，输出办理渠道属性预测值。根据业务属性预测值、客户属性预测值及办理渠道属性预测值，生成并输出待预测用户为快携用户的预测值。本申请实施例提供的方法能够在用户办理入网业务之前，对用户是否为快携用户进行预测，提高了预测快携用户的准确率。同时相关工作人员可根据该快携用户的预测值对该用户办理的业务确定对应的处理措施。

图7为本申请实施例提供的一种快携用户的预测设备示意图一。如图7所示，本申请实施例提供一种快携用户的预测设备700，可以包括采集模块701和处理模块702。

采集模块701，用于采集设定在网时间内办理通信网络变更且保留号码业务的通信号码；

处理模块702，用于将通信号码确定为快携用户；

采集模块701，还用于采集快携用户的业务侧数据域的数据，并采集快携用户的运营侧数据域的数据；

处理模块702，还用于对快携用户的业务侧数据域的数据和运营侧数据域的数据进行数据分析以获取快携用户特征，并根据快携用户特征构建用户快携预测模型；

处理模块702，还用于将待预测用户的业务侧数据域的数据及运营侧数据域的数据输入至用户快携预测模型，输出待预测用户为快携用户的预测值。

本实施例的设备，可用于执行如图2至图6所示的方法实施例，其实现原理和技术效果类似，此处不再赘述。

图8为本申请实施例提供的一种快携用户的预测设备示意图二。如图8所示，本申请实施例提供一种快携用户的预测设备800包括处理器801和存储器802，其中，处理器801、存储器802通过总线803连接。

在具体实现过程中，存储器802中存储代码，处理器801运行存储器802中存储的代码，以执行上述方法实施例的快携用户的预测方法。

处理器801的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图8所示的实施例中，应理解，处理器801可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器802可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线803可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线803可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线803并不限定仅有一根总线或一种类型的总线。

本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述方法实施例的快携用户的预测方法。

上述的计算机可读存储介质，可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。

本申请实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述本申请实施例中任意实施例提供的快携用户的预测方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (11)

1.一种快携用户的预测方法，其特征在于，包括：

采集设定在网时间内办理通信网络变更且保留号码业务的通信号码，并将所述通信号码确定为快携用户；

采集所述快携用户的业务侧数据域的数据，并采集所述快携用户的运营侧数据域的数据；

对所述快携用户的业务侧数据域的数据和所述运营侧数据域的数据进行数据分析以获取快携用户特征，并根据所述快携用户特征构建用户快携预测模型；

将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至所述用户快携预测模型，输出所述待预测用户为快携用户的预测值。

2.根据权利要求1所述的方法，其特征在于，所述快携用户特征包括：业务属性、客户属性及办理渠道属性；所述用户快携预测模型包括：业务属性预测模型、客户属性预测模型及办理渠道属性预测模型；所述根据所述快携用户特征构建用户快携预测模型，包括：

基于所述快携用户的业务属性构建所述业务属性预测模型；所述业务属性包含套餐属性、合约属性及预存款属性；所述套餐属性包含套餐类别及套餐参数，所述合约属性包含合约类别及合约参数，所述预存款属性包含预存款类别及预存款参数；

基于所述快携用户的客户属性构建所述客户属性预测模型，所述客户属性包含快携客户及对应的客户参数、非快携客户及对应的客户参数；

基于所述快携用户的办理渠道属性构建所述办理渠道属性预测模型，所述办理渠道属性包含快携渠道及对应的渠道参数、非快携渠道及对应的渠道参数。

3.根据权利要求2所述的方法，其特征在于，所述基于所述快携用户的业务属性构建所述业务属性预测模型，包括：

计算所述快携用户在各类套餐的用户数占比，根据所述各类套餐的用户数占比确定具有快携风险的套餐类别及所述套餐类别与快携风险的单相关系数，并根据所述套餐类别与快携风险的单相关系数确定所述套餐参数；

计算所述快携用户在各类合约的用户数占比，根据所述各类合约的用户数占比确定具有快携风险的合约类别及所述合约类别与快携风险的单相关系数，并根据所述合约类别与快携风险的单相关系数确定所述合约参数；

计算所述快携用户在各类预存款的用户数占比，根据所述各类预存款的用户数占比确定具有快携风险的预存款类别及所述预存款类别与快携风险的单相关系数，并根据所述预存款类别与快携风险的单相关系数确定所述预存款参数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述各类预存款的用户数占比确定具有快携风险的预存款类别及所述预存款类别与快携风险的单相关系数之后，还包括：

计算所述套餐属性、所述合约属性及所述预存款属性与快携的复相关系数；

根据所述单相关系数及所述复相关系数对所述套餐类别、所述合约类别及所述预存款类别进行校验。

5.根据权利要求2所述的方法，其特征在于，所述基于所述快携用户的客户属性构建所述客户属性预测模型，包括：

响应于所述快携用户为运营商人员的通信号码，将所述快携用户对应的客户确定为快携客户；

将第一时间段内办理通信网络变更且保留号码业务的通信号码对应的客户确定为快携客户；

将第二时间段内通话时长小于通话时长阈值、短信数量小于短信数量阈值、使用流量小于流量使用阈值的办理通信网络变更且保留号码业务的通信号码对应的客户确定为快携客户；

确定所述快携客户的客户参数，并将除所述快携客户外的客户作为非快携客户，确定所述非快携客户的客户参数。

6.根据权利要求5所述的方法，其特征在于，所述基于所述快携用户的客户属性构建所述客户属性预测模型，还包括：

获取所述快携用户的通信记录，并基于所述通信记录确定与所述快携用户存在符合预设条件的通信号码；

响应于所述通信号码中存在所述运营商人员的通信号码，将所述通信号码对应的客户确定为快携客户。

7.根据权利要求2-6任一项所述的方法，其特征在于，所述基于所述快携用户的办理渠道属性构建所述办理渠道属性预测模型，包括：

获取办理渠道在设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量，确定业务数量阈值；

将设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量超过所述业务数量阈值的办理渠道确定为快携渠道，将设定时间段内办理快携用户进行通信网络变更且保留号码业务的业务数量未超过所述业务数量阈值的办理渠道确定为非快携渠道，并确定所述快携渠道的渠道参数及所述非快携渠道的渠道参数。

8.根据权利要求7所述的方法，其特征在于，所述将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至所述用户快携预测模型，输出所述待预测用户为快携用户的预测值，包括：

将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至所述业务属性预测模型，输出业务属性预测值，所述业务属性预测值为所述套餐参数、所述合约参数及所述预存款参数的和；

将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至客户属性预测模型，输出客户属性预测值，所述客户属性预测值为所述客户参数；

将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至办理渠道属性预测模型，输出办理渠道属性预测值，所述办理渠道属性预测值为所述渠道参数；

根据所述业务属性预测值、所述客户属性预测值及所述办理渠道属性预测值，生成并输出所述待预测用户为快携用户的预测值。

9.一种快携用户的预测设备，其特征在于，包括：

采集模块，用于采集设定在网时间内办理通信网络变更且保留号码业务的通信号码；

处理模块，用于将所述通信号码确定为快携用户；

采集模块，还用于采集所述快携用户的业务侧数据域的数据，并采集所述快携用户的运营侧数据域的数据；

处理模块，还用于对所述快携用户的业务侧数据域的数据和所述运营侧数据域的数据进行数据分析以获取快携用户特征，并根据所述快携用户特征构建用户快携预测模型；

处理模块，还用于将待预测用户的业务侧数据域的数据及所述运营侧数据域的数据输入至所述用户快携预测模型，输出所述待预测用户为快携用户的预测值。

10.一种快携用户的预测设备，包括：处理器、存储器，所述存储器中存储代码，所述处理器运行所述存储器中存储的代码，以执行如权利要求1-8中任一项所述的快携用户的预测方法。

11.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-8任一项所述的快携用户的预测方法。

Images