CN117575679A - 用户留存的预测方法及装置、电子设备和存储介质 - Google Patents

用户留存的预测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117575679A
CN117575679A CN202311596524.7A CN202311596524A CN117575679A CN 117575679 A CN117575679 A CN 117575679A CN 202311596524 A CN202311596524 A CN 202311596524A CN 117575679 A CN117575679 A CN 117575679A
Authority
CN
China
Prior art keywords
client
training
retention
product
neural network
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
Application number
CN202311596524.7A
Other languages
English (en)
Inventor
钱立祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Suzhou Software Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202311596524.7A priority Critical patent/CN117575679A/zh
Publication of CN117575679A publication Critical patent/CN117575679A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了用户留存的预测方法及装置、电子设备和存储介质，涉及数据处理技术领域，获取订阅目标产品的现网客户的产品资源信息；将产品资源信息输入预训练神经网络模型，得到预训练神经网络模型输出的现网客户的留存概率；根据留存概率与目标产品的留存阈值之间的大小关系，确定留存概率对应的现网客户是否存在流失风险。通过将能够对公有云客户留存产生影响的多方面的产品资源信息作为参数指标，并使用训练好的神经网络模型根据这些参数指标计算客户的留存概率，进而可根据客户的留存概率确定客户是否存在流失风险，通过多方面因素的综合考量，在影响因素分析方面更加完善，提升了预测精度，进而可实现对存在流失风险的客户进行精准预警。

Description

用户留存的预测方法及装置、电子设备和存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种用户留存的预测方法及装置、电子设备和存储介质。
背景技术
对于公有云服务商而言，由于竞争愈发激烈，获客成本也越来越高，如何将更多的存量客户留存下来是客户运营环节的重中之重。
目前，现有的公有云客户留存分析预测，往往基于客户的活跃度以及发生故障时间后的客户的反馈进行分析，但是一般来说，公有云客户的留存是由多个因素综合影响的，例如客户对于云资源的使用率、云资源的可靠程度等，导致该种预测方法的预测精度较差。
发明内容
本公开提供了一种用户留存的预测方法、装置、电子设备和存储介质。其主要目的在于解决公有云客户留存分析预测方法的预测精度差的问题。
根据本公开的第一方面，提供了一种用户留存的预测方法，其中，包括：
获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；
将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；
根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。
可选的，所述根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险包括：
若确定所述留存概率小于或等于所述留存阈值，则确定所述留存概率对应的现网客户的存在流失风险，则对所述存在流失风险的现网客户执行挽留举措；
若确定所述留存概率大于所述留存阈值，则确定所述留存概率对应的现网客户不存在流失风险。
可选的，在根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险之前，所述方法还包括：
根据各产品的历史总客户数与离网客户数计算客户流失率；其中，所述历史总客户数为所述离网客户数与现网客户数之和；
根据所述客户流失率与现网客户数计算所述留存阈值；其中，不同产品对应不同留存阈值。
可选的，在将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率之前，所述方法还包括：
获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息；其中，所述训练用客户清单中的客户信息中包含真实客户标签，所述真实客户标签包含现网客户标签及离网客户标签；
根据各所述客户对应的训练用产品资源信息，对预训练神经网络模型进行训练，得到所述预训练神经网络模型对各训练用产品资源信息的留存概率；
根据所述留存概率及对应产品的留存阈值，确定各客户的训练用客户标签；
根据所述训练用客户标签及真实客户标签，计算所述预训练神经网络模型的误差信号；
根据所述误差信号对所述预训练神经网络模型的参数权重进行调整；
重复上述预训练神经网络模型的训练步骤，直至满足预设训练条件后，完成对所述预训练神经网络模型的训练。
可选的，在完成对所述预训练神经网络模型的训练之后，所述方法还包括：
按照预设时间周期，重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息，重新对所述预训练神经网络模型进行训练。
可选的，所述方法还包括：
对同一客户的所有产品的留存概率进行统计，并确定同一客户存在流失风险的产品；
确定同一客户存在流失风险的产品，设计挽留举措；其中，所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
根据本公开的第二方面，提供了一种用户留存的预测装置，包括：
第一获取单元，用于获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；
输入单元，用于将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；
第一确定单元，用于根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。
可选的，所述第一确定单元还用于：
当确定所述留存概率小于或等于所述留存阈值时，确定所述留存概率对应的现网客户的存在流失风险，则对所述存在流失风险的现网客户执行挽留举措；
当确定所述留存概率大于所述留存阈值时，确定所述留存概率对应的现网客户不存在流失风险。
可选的，所述装置还包括：
第一计算单元，用于在第一确定单元根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险之前，根据各产品的历史总客户数与离网客户数计算客户流失率；其中，所述历史总客户数为所述离网客户数与现网客户数之和；
第二计算单元，用于根据所述客户流失率与现网客户数计算所述留存阈值；其中，不同产品对应不同留存阈值。
可选的，所述装置还包括：
第二获取单元，用于在输入单元将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率之前，获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息；其中，所述训练用客户清单中的客户信息中包含真实客户标签，所述真实客户标签包含现网客户标签及离网客户标签；
第一训练单元，用于根据各所述客户对应的训练用产品资源信息，对预训练神经网络模型进行训练，得到所述预训练神经网络模型对各训练用产品资源信息的留存概率；
第二确定单元，用于根据所述留存概率及对应产品的留存阈值，确定各客户的训练用客户标签；
第三计算单元，用于根据所述训练用客户标签及真实客户标签，计算所述预训练神经网络模型的误差信号；
调整单元，用于根据所述误差信号对所述预训练神经网络模型的参数权重进行调整；
第二训练单元，用于重复上述预训练神经网络模型的训练步骤，直至满足预设训练条件后，完成对所述预训练神经网络模型的训练。
可选的，所述装置还包括：
第三训练单元，用于在第二训练单元完成对所述预训练神经网络模型的训练之后，按照预设时间周期，重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息，重新对所述预训练神经网络模型进行训练。
可选的，所述装置还包括：
统计单元，用于对同一客户的所有产品的留存概率进行统计，并确定同一客户存在流失风险的产品；
设计单元，用于确定同一客户存在流失风险的产品，设计挽留举措；其中，所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
根据本公开的第三方面，提供了一种电子设备，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指令，所述指令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前述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供的用户留存的预测方法、装置、电子设备和存储介质，主要技术方案包括：首先，获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；其次，将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；最后，根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。与相关技术相比，本申请实施例通过将能够对公有云客户留存产生影响的多方面的产品资源信息作为参数指标，并使用训练好的神经网络模型根据这些参数指标计算客户的留存概率，进而可根据客户的留存概率确定客户是否存在流失风险，通过多方面因素的综合考量，在影响因素分析方面更加完善，提升了预测精度，进而可实现对存在流失风险的客户进行精准预警。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例所提供的一种用户留存的预测方法的流程示意图；
图2为本公开实施例所提供的一种用户留存的预测方法的流程示意图；
图3为本公开实施例提供的一种用户留存的预测装置的结构示意图；
图4为本公开实施例提供的一种用户留存的预测装置的结构示意图；
图5为本公开实施例提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的用户留存的预测方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种用户留存的预测方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种。
在本申请实施例的一种可实现方式中，现网客户即为目前仍在订阅、购买目标产品的客户，相对应的，以前订阅过，在执行本申请时停止订阅的用户即为离网客户。
在本申请实施例的一种可实现方式中，获取现网客户的产品资源信息时，为了使数据更加具有说明性，可将时间跨度设置为一个月或两个月，本申请实施例以获取客户的前一个月内的产品资源信息为例进行说明，但是，需要说明的是，该种叙述方式并非为对具体时间跨度的具体限制，本申请实施例对此不进行限定。
步骤102，将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率。
在本申请实施例的一种可实现方式汇总，预训练神经网络模型为提前根据客户的相关产品资源信息训练好的，可用于根据客户的产品资源信息计算客户的留存概率。留存概率为一0-1之间的数值，数值越高说明客户的继续订阅、购买可能性越高，数值越低说明客户继续订阅、购买的可能性越低；在实际应用中，根据预训练神经网络模型的参数不同，其输出的留存概率计量单位也可能不同，可能为1-10分值或0-100等，具体的，本申请实施例对此不进行限定。
步骤103，根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。
在本申请实施例的一种可实现方式中，留存概率为通过提前计算得到的，例如可根据全部订阅客户数量与离网客户数进行计算等，具体的，本申请实施例对此不进行限定。
需要说明的是，不同产品对应不同的留存概率，即产品与留存概率之间一一对应。
在确定现网客户存在流失风险后，可涉及挽留操作，如电话关怀、发放优惠等等，具体的，本申请实施例对此不进行限定。
本公开提供的用户留存的预测方法，主要技术方案包括：首先，获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；其次，将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；最后，根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。与相关技术相比，本申请实施例通过将能够对公有云客户留存产生影响的多方面的产品资源信息作为参数指标，并使用训练好的神经网络模型根据这些参数指标计算客户的留存概率，进而可根据客户的留存概率确定客户是否存在流失风险，通过多方面因素的综合考量，在影响因素分析方面更加完善，提升了预测精度，进而可实现对存在流失风险的客户进行精准预警。
在本申请实施例的一种可实现方式中，在步骤103根据留存阈值与留存概率比较好，会产生两种结果，第一种，若确定所述留存概率小于或等于所述留存阈值，则确定所述留存概率对应的现网客户的存在流失风险，则对所述存在流失风险的现网客户执行挽留举措；
在本申请实施例的一种可实现方式中，挽留举措可包括如客服电话回访、客户经理线下回访、派发优惠券等方式，进行客户挽留，降低客户流失率。
若确定所述留存概率大于所述留存阈值，则确定所述留存概率对应的现网客户不存在流失风险。
对于不存在流失风险的客户，可不执行挽留举措，节省人力物力，实现对存在流失风险客户的精准预警。
在本申请实施例的一种可实现方式中，在步骤103根据留存阈值对客户是否存在流失风险进行判断之前，需计算留存阈值，具体的计算步骤可参考以下：
根据各产品的历史总客户数与离网客户数计算客户流失率；其中，所述历史总客户数为所述离网客户数与现网客户数之和；
根据所述客户流失率与现网客户数计算所述留存阈值；其中，不同产品对应不同留存阈值。
从公有云服务商运营管理平台获取该产品的历史总客户数和历史流失客户数，计算得出该产品的客户流失率θ＝历史流失客户数/历史总客户数。假设目前A产品所有客户数为NA，将所有客户留存概率进行升序排序，选取第NA*θ(向上取整)位的数据可记为该产品的留存阈值，记为λA，即为留存阈值。对于任一A产品客户，y≤λA时，表示该客户使用该产品有较大流失风险。
在本申请实施例的一种可实现方式汇总，在步骤102根据预训练神经网络模型计算客户的留存概率之前，需根据历史数据对预训练神经网络模型进行训练；请参阅图2，图2为本公开实施例所提供的一种用户留存的预测方法的流程示意图，包括：
步骤201，获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息；其中，所述训练用客户清单中的客户信息中包含真实客户标签，所述真实客户标签包含现网客户标签及离网客户标签。
公有云云服务商运营管理平台获取历史存量和流失客户的详细清单，如果客户是存量在网客户，获取该客户目前使用的云服务产品清单，如果客户是已离网客户，获取该客户曾经使用过的云服务产品清单；
以产品进行分类，获得不同产品的客户清单，每个客户状态定义为一个值t(即为真实客户标签)，其中仍留存的客户t值定为1(现网客户)，已经退网的客户t值定为0(离网客户)。
对于上述每个产品的客户清单，分别获取每个客户的产品资源过去一个月(或离网前一个月)的平均使用率数据(可以是多个参数，如云硬盘的平均硬盘空间使用率、读写次数等)、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长，月平均回访频率数据，分别以x1、x2、x3……xn表示,表示总共有n个影响客户留存可能性的因素。
步骤202，根据各所述客户对应的训练用产品资源信息，对预训练神经网络模型进行训练，得到所述预训练神经网络模型对各训练用产品资源信息的留存概率。
步骤203，根据所述留存概率及对应产品的留存阈值，确定各客户的训练用客户标签。
步骤204，根据所述训练用客户标签及真实客户标签，计算所述预训练神经网络模型的误差信号。
步骤205，根据所述误差信号对所述预训练神经网络模型的参数权重进行调整。
步骤206，重复上述预训练神经网络模型的训练步骤，直至满足预设训练条件后，完成对所述预训练神经网络模型的训练。
常见的神经网络包括前馈神经网络、循环神经网络和对称链接网络前馈神经网络，由于前馈神经网络可以通过非线性处理单元的复合映射，获得复杂的非线性处理能力，十分契合公有云常见客户留存问题分析，故本方案采用前馈神经网络中应用最广的BP神经网络算法为例进行说明，但是需要说明的是，该种叙述方式并非是对具体神经网络算法的具体限定，本申请实施例对此不进行限定。
将搜集的所有训练用产品资源信息，输入上述模型进行样本学习，随着样本的不断学习，模型中的权重偏置不断修正，以最终修正的权重偏置，作为最终的神经网络模型。
对BP神经网络算法训练的详细步骤，请参阅现有技术中的任一实现方式，本申请实施例对此不进行限定。
在本申请实施例的一种可实现方式中，在完成对预训练神经网络模型的训练后，按照预设时间周期，重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息，重新对所述预训练神经网络模型进行训练。
随着云服务商的客户规模不断变化，可定期如一个季度或半年，对已经完成的神经网络模型重新进行训练，将该时间段内变化的数据增加到训练数据中，从而持续保持神经网络模型的准确性。
在本申请实施例的一种可实现方式中，在对全部产品的全部客户的留存概率计算完成后，可通过统计的方法，对计算结果进行统计，具体步骤包括：
对同一客户的所有产品的留存概率进行统计，并确定同一客户存在流失风险的产品；
确定同一客户存在流失风险的产品，设计挽留举措；其中，所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
计算公有云服务商下每个客户的所有产品的留存概率，记为概率集Y＝(yA,yB,yC,yD,yE…)(A、B、C、D、E…分别代表该客户正在使用的不同产品)，如其中任一产品的y值小于等于该产品的留存阈值，即yi≤λi，即标明该客户i产品有较大的流失风险，即触发告警，对于告警客户，云服务商可采取预先设计的流失挽留举措，如客服电话回访、客户经理线下回访、派发优惠券等方式，进行客户挽留，降低客户流失率。
在设计挽留举措时，针对同一个客户，针对留存率较高的产品与留存概率较低的产品涉及捆绑销售优惠，提升客户对于留存概率较低的产品的订阅率。也可针对不同用户的情况涉及其他挽留库错，具体的，本申请实施例对此不进行限定。
需要说明的是，本公开的实施例中可以包括多个步骤，为了便于描述，这些步骤被进行了编号，但是这些标号并非是对步骤之间执行时隙、执行顺序的限定；这些步骤可以以任意的顺序被实施，本公开实施例并不对此作出限定。
与上述的用户留存的预测方法相对应，本发明还提出一种用户留存的预测装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图3为本公开实施例提供的一种用户留存的预测装置的结构示意图，如图3所示，包括：
第一获取单元31，用于获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；
输入单元32，用于将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；
第一确定单元33，用于根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。
本公开提供的用户留存的预测装置，主要技术方案包括：首先，获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；其次，将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；最后，根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。与相关技术相比，本申请实施例通过将能够对公有云客户留存产生影响的多方面的产品资源信息作为参数指标，并使用训练好的神经网络模型根据这些参数指标计算客户的留存概率，进而可根据客户的留存概率确定客户是否存在流失风险，通过多方面因素的综合考量，在影响因素分析方面更加完善，提升了预测精度，进而可实现对存在流失风险的客户进行精准预警。
进一步地，在本实施例一种可能的实现方式中，如图4所示，所述第一确定单元33还用于：
当确定所述留存概率小于或等于所述留存阈值时，确定所述留存概率对应的现网客户的存在流失风险，则对所述存在流失风险的现网客户执行挽留举措；
当确定所述留存概率大于所述留存阈值时，确定所述留存概率对应的现网客户不存在流失风险。
进一步地，在本实施例一种可能的实现方式中，如图4所示，所述装置还包括：
第一计算单元34，用于在第一确定单元33根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险之前，根据各产品的历史总客户数与离网客户数计算客户流失率；其中，所述历史总客户数为所述离网客户数与现网客户数之和；
第二计算单元35，用于根据所述客户流失率与现网客户数计算所述留存阈值；其中，不同产品对应不同留存阈值。
进一步地，在本实施例一种可能的实现方式中，如图4所示，所述装置还包括：
第二获取单元36，用于在输入单元32将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率之前，获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息；其中，所述训练用客户清单中的客户信息中包含真实客户标签，所述真实客户标签包含现网客户标签及离网客户标签；
第一训练单元37，用于根据各所述客户对应的训练用产品资源信息，对预训练神经网络模型进行训练，得到所述预训练神经网络模型对各训练用产品资源信息的留存概率；
第二确定单元38，用于根据所述留存概率及对应产品的留存阈值，确定各客户的训练用客户标签；
第三计算单元39，用于根据所述训练用客户标签及真实客户标签，计算所述预训练神经网络模型的误差信号；
调整单元310，用于根据所述误差信号对所述预训练神经网络模型的参数权重进行调整；
第二训练单元311，用于重复上述预训练神经网络模型的训练步骤，直至满足预设训练条件后，完成对所述预训练神经网络模型的训练。
进一步地，在本实施例一种可能的实现方式中，如图4所示，所述装置还包括：
第三训练单元312，用于在第二训练单元311完成对所述预训练神经网络模型的训练之后，按照预设时间周期，重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息，重新对所述预训练神经网络模型进行训练。
进一步地，在本实施例一种可能的实现方式中，如图4所示，所述装置还包括：
统计单元313，用于对同一客户的所有产品的留存概率进行统计，并确定同一客户存在流失风险的产品；
设计单元314，用于确定同一客户存在流失风险的产品，设计挽留举措；其中，所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备400包括计算单元401，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory，随机访问/存取存储器)403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。I/O(Input/Output，输入/输出)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如用户留存的预测方法。例如，在一些实施例中，用户留存的预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述用户留存的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Appl ication SpecificStandard Product，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(Complex Programmable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Di sc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本公开实施例的范围，也表示先后顺序。
本公开中的至少一个还可以描述为一个或多个，多个可以是两个、三个、四个或者更多个，本公开不做限制。在本公开实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种用户留存的预测方法，其特征在于，包括：
获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；
将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；
根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。
2.根据权利要求1所述的方法，其特征在于，所述根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险包括：
若确定所述留存概率小于或等于所述留存阈值，则确定所述留存概率对应的现网客户的存在流失风险，则对所述存在流失风险的现网客户执行挽留举措；
若确定所述留存概率大于所述留存阈值，则确定所述留存概率对应的现网客户不存在流失风险。
3.根据权利要求1所述的方法，其特征在于，在根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险之前，所述方法还包括：
根据各产品的历史总客户数与离网客户数计算客户流失率；其中，所述历史总客户数为所述离网客户数与现网客户数之和；
根据所述客户流失率与现网客户数计算所述留存阈值；其中，不同产品对应不同留存阈值。
4.根据权利要求3所述的方法，其特征在于，在将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率之前，所述方法还包括：
获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息；其中，所述训练用客户清单中的客户信息中包含真实客户标签，所述真实客户标签包含现网客户标签及离网客户标签；
根据各所述客户对应的训练用产品资源信息，对预训练神经网络模型进行训练，得到所述预训练神经网络模型对各训练用产品资源信息的留存概率；
根据所述留存概率及对应产品的留存阈值，确定各客户的训练用客户标签；
根据所述训练用客户标签及真实客户标签，计算所述预训练神经网络模型的误差信号；
根据所述误差信号对所述预训练神经网络模型的参数权重进行调整；
重复上述预训练神经网络模型的训练步骤，直至满足预设训练条件后，完成对所述预训练神经网络模型的训练。
5.根据权利要求4所述的方法，其特征在于，在完成对所述预训练神经网络模型的训练之后，所述方法还包括：
按照预设时间周期，重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息，重新对所述预训练神经网络模型进行训练。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：
对同一客户的所有产品的留存概率进行统计，并确定同一客户存在流失风险的产品；
确定同一客户存在流失风险的产品，设计挽留举措；其中，所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
7.一种用户留存的预测装置，其特征在于，包括：
第一获取单元，用于获取订阅目标产品的现网客户的产品资源信息；其中，所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种；
输入单元，用于将所述产品资源信息输入预训练神经网络模型，得到所述预训练神经网络模型输出的所述现网客户的留存概率；
第一确定单元，用于根据所述留存概率与所述目标产品的留存阈值之间的大小关系，确定所述留存概率对应的现网客户是否存在流失风险。
8.一种电子设备，其特征在于，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指令，所述指令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权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202311596524.7A 2023-11-27 2023-11-27 用户留存的预测方法及装置、电子设备和存储介质 Pending CN117575679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311596524.7A CN117575679A (zh) 2023-11-27 2023-11-27 用户留存的预测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311596524.7A CN117575679A (zh) 2023-11-27 2023-11-27 用户留存的预测方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN117575679A true CN117575679A (zh) 2024-02-20

Family

ID=89884146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311596524.7A Pending CN117575679A (zh) 2023-11-27 2023-11-27 用户留存的预测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117575679A (zh)

Similar Documents

Publication Publication Date Title
US20220114343A1 (en) Method of training model, device, and storage medium
CN113722493A (zh) 文本分类的数据处理方法、设备、存储介质及程序产品
EP4040421B1 (en) Method and apparatus for predicting traffic data and electronic device
CN115545481A (zh) 一种风险等级确定方法、装置、电子设备及存储介质
CN114818913A (zh) 决策生成方法和装置
EP4258193A1 (en) Method and apparatus for predicting risk, electronic device, computer readable storage medium
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN117132315A (zh) 活跃用户预测方法、装置、设备及存储介质
CN114490965B (zh) 问题处理方法、装置、电子设备和存储介质
CN117575679A (zh) 用户留存的预测方法及装置、电子设备和存储介质
CN113112311B (zh) 训练因果推断模型的方法、信息提示方法以装置
CN115601042A (zh) 信息识别方法、装置、电子设备及存储介质
CN115034511A (zh) 企业生命周期确定方法、装置、电子设备及介质
CN113807391A (zh) 任务模型的训练方法、装置、电子设备及存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN114708117A (zh) 融合先验知识的用电安全检查评级方法、装置及设备
CN114141236A (zh) 语言模型更新方法、装置、电子设备及存储介质
CN111815442A (zh) 一种链接预测的方法、装置和电子设备
US12038989B2 (en) Methods for community search, method for training community search model, and electronic device
CN113742158B (zh) 系统容量规划的方法和装置
CN113553407B (zh) 事件追溯方法、装置、电子设备及存储介质
CN116433284A (zh) 一种信息推送方法、装置、电子设备和存储介质
CN117651167A (zh) 资源推荐方法、装置、设备以及存储介质
CN117035846A (zh) 信息预测方法、装置及相关设备
CN115034322A (zh) 数据处理方法、装置及电子设备

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