CN110070392A - 用户流失预警方法和装置 - Google Patents

用户流失预警方法和装置 Download PDF

Info

Publication number
CN110070392A
CN110070392A CN201910310148.8A CN201910310148A CN110070392A CN 110070392 A CN110070392 A CN 110070392A CN 201910310148 A CN201910310148 A CN 201910310148A CN 110070392 A CN110070392 A CN 110070392A
Authority
CN
China
Prior art keywords
class
user
probability
subscriber
consumption information
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.)
Granted
Application number
CN201910310148.8A
Other languages
English (en)
Other versions
CN110070392B (zh
Inventor
陈实如
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.)
FOUNDER BROADBAND NETWORK SERVICE Co Ltd
Peking University Founder Group Co Ltd
Original Assignee
FOUNDER BROADBAND NETWORK SERVICE Co Ltd
Peking University Founder Group 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 FOUNDER BROADBAND NETWORK SERVICE Co Ltd, Peking University Founder Group Co Ltd filed Critical FOUNDER BROADBAND NETWORK SERVICE Co Ltd
Priority to CN201910310148.8A priority Critical patent/CN110070392B/zh
Publication of CN110070392A publication Critical patent/CN110070392A/zh
Application granted granted Critical
Publication of CN110070392B publication Critical patent/CN110070392B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明提供一种用户流失预警方法和装置，包括：获取用户的消费信息、所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，其中，所述用户类别信息中包括至少一个所述用户类别；根据所述消费信息确定第一流失概率，并从所述消费信息中，提取与每一个所述用户类别相关的消费信息；根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率；根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率。本方案提高了预警的准确性。

Description

用户流失预警方法和装置
技术领域
本发明涉及网络技术领域，尤其涉及一种用户流失预警方法和装置。
背景技术
随着网络技术的发展，宽带业务得到了广泛的发展和应用，目前，各大运营商均推出有自己的宽带业务，用户可通过办理任意宽带业务进行上网等操作。不过，由于宽带业务的竞争比较激烈，导致用户流失问题日益严重。因此，需要对用户的流失情况进行分析，以对用户流失进行预警处理。
现有技术中，在对用户的流失情况进行分析时，需要人工对用户的信息进行分析，其中，信息包括了缴费信息等等，进而，确定出用户的流失情况，以对该用户做出流失预警。
然而现有技术中，采用人工方式进行用户流失分析和预警的方式，因为会受到人为主观因素的影响，从而得到的分析结果不准确，进一步的，导致预警的准确性较低。
发明内容
本发明提供一种用户流失预警方法和装置，提高了预警的准确性。
第一方面，本发明提供一种用户流失预警方法，包括：
获取用户的消费信息、所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，其中，所述用户类别信息中包括至少一个所述用户类别；
根据所述消费信息确定第一流失概率，并从所述消费信息中，提取与每一个所述用户类别相关的消费信息；
根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率；
根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率。
进一步地，所述获取所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，包括：
根据所述消费信息，确定所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率。
进一步地，根据所述消费信息，确定所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率，包括：
采用预设的分类模型对所述消费信息进行处理，得到所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率，其中，所述分类模型是根据预设第一时间段内的多个其他用户的消费信息和每一个所述其他用户所对应的至少一个用户类别为训练样本而得到的。
进一步地，所述流失预警概率为
其中，p1为所述第一流失概率，ri为所述用户在第i个用户类别下的分类概率，qi为与第i个用户类别对应的第二流失概率，w1为预设的第一权值，w2为预设的第二权值，i、n为大于等于1的正整数。
进一步地，根据所述消费信息确定第一流失概率，包括：
采用预设的第一流失预警模型对所述消费信息进行处理，得到第一流失概率。
进一步地，所述第一流失预警模型是根据预设第二时间段内的多个其他用户的消费信息和每一个其他用户所对应的标识为训练样本而得到的，其中，所述标识包括流失标识或非流失标识。
进一步地，所述根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率，包括：
采用预设的与每一个所述用户类别对应的第二流失预警模型，对每一个所述用户类别所对应的消费信息进行处理，得到与每一个所述用户类别对应的第二流失概率。
进一步地，所述方法，还包括：
获取预设的第三时间段内的多个其他用户的消费信息，以及每一个其他用户所对应的至少一个用户类别和标识；针对不同的用户类别，从每一个用户类别所对应的各个用户的消费信息中，提取与每一个用户类别相关的消费信息；对每一个用户类别所对应的消费信息以及每一个用户类别所对应的各个用户所对应的标识进行训练，得到不同的用户类别所对应的第二流失预警模型，其中，所述标识包括流失标识或非流失标识。
进一步地，在根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率之后，还包括：
在确定所述流失预警概率在预设概率范围之内时，向终端设备发送提示信息。
第二方面，本发明提供了一种用户流失预警装置，包括：
获取单元，用于获取用户的消费信息、所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，其中，所述用户类别信息中包括至少一个所述用户类别；
第一确定单元，用于根据所述消费信息确定第一流失概率；
提取单元，用于从所述消费信息中，提取与每一个所述用户类别相关的消费信息；
第二确定单元，用于根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率；
第三确定单元，用于根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率。
进一步地，所述获取单元，用于根据所述消费信息，确定所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率。
进一步地，所述获取单元，具体用于采用预设的分类模型对所述消费信息进行处理，得到所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率，其中，所述分类模型是根据预设第一时间段内的多个其他用户的消费信息和每一个所述其他用户所对应的至少一个用户类别为训练样本而得到的。
进一步地，所述流失预警概率为
其中，p1为所述第一流失概率，ri为所述用户在第i个用户类别下的分类概率，qi为与第i个用户类别对应的第二流失概率，w1为预设的第一权值，w2为预设的第二权值，i、n为大于等于1的正整数。
进一步地，所述第一确定单元，具体用于采用预设的第一流失预警模型对所述消费信息进行处理，得到第一流失概率。
进一步地，所述第一流失预警模型是根据预设第二时间段内的多个其他用户的消费信息和每一个其他用户所对应的标识为训练样本而得到的，其中，所述标识包括流失标识或非流失标识。
进一步地，所述第二确定单元，具体用于采用预设的与每一个所述用户类别对应的第二流失预警模型，对每一个所述用户类别所对应的消费信息进行处理，得到与每一个所述用户类别对应的第二流失概率。
进一步地，所述装置还包括：模型训练单元；
所述模型训练单元，用于获取预设的第三时间段内的多个其他用户的消费信息，以及每一个其他用户所对应的至少一个用户类别和标识；针对不同的用户类别，从每一个用户类别所对应的各个用户的消费信息中，提取与每一个用户类别相关的消费信息；对每一个用户类别所对应的消费信息以及每一个用户类别所对应的各个用户所对应的标识进行训练，得到不同的用户类别所对应的第二流失预警模型，其中，所述标识包括流失标识或非流失标识。
进一步地，所述装置还包括：提示单元；
所述提示单元，用于在根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率之后，在确定所述流失预警概率在预设概率范围之内时，向终端设备发送提示信息。
第三方面，本发明提供一种用户流失预警设备，包括：存储器和处理器；
所述存储器，用于存储计算机程序；
其中，所述处理器执行所述存储器中的计算机程序，以实现如第一方面中任一实施例的方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面中任一实施例的方法。
本发明提供了一种用户流失预警方法和装置，通过用户的消费信息确定第一流失概率，以及通过消费信息中与用户所对应的每一个用户类别相关的消费信息，确定每一个用户类别所对应的第二流失概率，从而基于第一流失概率、各个第二流失概率和用户在每一个用户分类下的分类概率，确定出该用户的流失预警概率。本方案通过对用户进行用户类别划分，并确定出每一个用户类别所对应的第二流失概率，以及结合总的消费信息所确定出的第一流失概率来自动确定出用户的流失预警概率，避免了人工方式进行用户流失分析时会受到人为主观因素影响的弊端，提高了预警的准确性。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实施例一提供的一种用户流失预警方法的流程图；
图2为本发明实施例二提供的一种用户流失预警方法的流程图；
图3为本发明实施例三提供的一种用户流失预警装置的结构示意图；
图4为本发明实施例四提供的一种用户流失预警装置的结构示意图；
图5为本发明实施例五提供的一种用户流失预警设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一提供的一种用户流失预警方法的流程图，如图1所示，以该实施例提供的方法应用于用户流失预警装置来进行示例说明，该方法包括：
步骤101：获取用户的消费信息、用户的用户类别信息、用户在每一个用户类别下的分类概率，其中，用户类别信息中包括至少一个用户类别。
实际应用中，本实施例的执行主体可以为用户流失预警装置，该用户流失预警装置可以为程序软件，也可以为存储有相关计算机程序的介质，例如，U盘等；或者，该用户流失预警装置还可以为集成或安装有相关计算机程序的实体设备，例如，芯片、智能终端、电脑、服务器等。
其中，消费信息可包括以下中的任一项或多项：用户基本信息、社区基本信息、账户信息、续费缴费信息、上网行为信息、上网体验信息，运营商营销信息、社区客服服务质量信息、社区客服服务效率信息、社区网络质量信息、竞争对手营销信息。
实际应用中，可从运营商所运营的各大***中获取消费信息，例如，业务运营支撑***(Business Operation Support System，简称BOSS)、业务支撑网运营管理***(Business Operation Management Center，简称BOMC)、BOMS***(Business OperationMarketing System)。
其中，用户类别可包括以下中的任一项：虚假用户、租房用户、搬家用户、价值高用户、价值中等用户、价值低用户、忠诚度高用户、忠诚度中等用户、忠诚度低用户、满意度高用户、满意度中等用户、满意度低用户、活跃度高用户、活跃度中等用户、活跃度低用户、视频类用户、股票基金类用户、社交类用户、高故障用户。
具体的，可根据用户的消费信息，确定该用户所对应的至少一个用户类别、以及该用户在每一个用户类别下的分类概率。在本实施例中，不同用户所对应的用户类别可能不完全相同，不同用户在同一用户类别下的分类概率可能也不相同。
步骤102：根据消费信息确定第一流失概率。
在本实施例中，可将用户的消费信息输入到预设的第一流失预警模型中，通过第一流失预警模型输出第一流失概率，其中，第一流失预警模型是根据预设第二时间段内的多个其他用户的消费信息和每一个其他用户所对应的标识为训练样本得到的，其中，标识包括流失标识或非流失标识。实际应用中，可采用不同算法训练得到第一流失预警模型，例如，随机森林算法或者神经网络BP算法等等。
步骤103：从消费信息中，提取与每一个用户类别相关的消费信息。
在本实施例中，可预先设定不同用户类别对应的信息标识，然后在预警时，便可按照预设的信息标识从用户的消费信息中提取与用户类别对应的消费信息。举例来说，针对虚假用户所设定的信息标识有用户基本信息和社区基本信息和上网记录基本信息，那么在确定用户所对应的用户类别包括有虚假用户时，便可从用户的消费信息中，提取用户基本信息、社区基本信息和上网记录基本信息，以作为虚假用户的消费信息。
步骤104：根据与每一个用户类别相关的消费信息，确定与每一个用户类别对应的第二流失概率。
在本实施例中，可采用预设的与每一个用户类别对应的第二流失预警模型，对每一个用户类别所对应的消费信息进行处理，得到与每一个用户类别对应的第二流失概率。其中，每一个用户类别对应的第二流失预警模型可采用不同算法训练得到，例如，随机森林算法或者神经网络BP算法等等。
步骤105：根据第一流失概率、各个第二流失概率和各个分类概率，确定用户的流失预警概率。
在本实施例中，流失预警概率为其中，p1为第一流失概率，ri为用户在第i个用户类别下的分类概率，qi为与第i个用户类别对应的第二流失概率，w1为预设的第一权值，w2为预设的第二权值，i、n为大于等于1的正整数。
本发明实施例提供了一种用户流失预警方法，通过用户的消费信息确定第一流失概率，以及通过消费信息中与用户所对应的每一个用户类别相关的消费信息，确定每一个用户类别所对应的第二流失概率，从而基于第一流失概率、各个第二流失概率和用户在每一个用户分类下的分类概率，确定出该用户的流失预警概率。本方案通过对用户进行用户类别划分，并确定出每一个用户类别所对应的第二流失概率，以及结合总的消费信息所确定出的第一流失概率来自动确定出用户的流失预警概率，避免了人工方式进行用户流失分析时会受到人为主观因素影响的弊端，提高了预警的准确性。
图2为本发明实施例二提供的一种用户流失预警方法的流程图，如图2所示，该方法可以包括：
步骤201：获取用户的消费信息。
在本实施例中，消费信息可包括用户基本信息、缴费续费信息、上网行为信息等多项信息，而每一项信息下又可包括多项子信息。
其中，用户基本信息可包括以下中的任一项或多项：用户标识、年龄、职业、住房类别、网络状态，其中，住房类别又可包括以下中的任一项：自有住房，自有出租房和租房。
社区基本信息可包括以下中的任一项或多项：社区入住年限，社区等级、管辖客服中心、社区接入率、竞争对手数量。
账户信息可包括以下中的任一项或多项：入网月时间段、本期合同时长、本期优惠系数、累计合同时长、本期使用带宽、平均使用带宽、缴费1年以上次数、单次缴费1000元以上次数。
续费缴费信息可包括以下中的任一项或多项：缴费次数、本期缴费金额、累计缴费金额、续费带宽变化趋势、续费时长变化趋势、续费金额变化趋势。
上网行为信息包括以下中的任一项或多项：上网终端数、月平均上网次数、最近一段时间上网次数变化趋势、月平均访问租房类网站次数、最近一段时间访问租房类网站次数变化趋势、访问视频类网站时长月平均值，访问股票基金类网站时长月平均值，访问游戏类网站时长月平均值、主要上网时段。
上网体验信息可包括以下中的任一项或多项：合同期故障次数、合同期投诉次数、累计故障次数、累计投诉次数、最近一段时间故障次数、最近一段时间投诉次数，最近一段时间路由器重拨次数变化趋势、最近1次故障距今时长。
运营商营销信息可包括以下中的任一项或多项：当期营销产品ARPU值、当期营销产品有效期。
社区客服服务质量信息包括以下中的任一项或多项：本区域最近一段时间故障变化趋势、本区域最近一段时间投诉变化趋势、本区域最近一段时间新装和维护客户满意度变化趋势、本区域最近一段时间人均有效户数变化趋势。
社区客服服务效率信息包括以下中的任一项或多项：本区域最近一段时间月工单完成时长变化趋势，本区域最近一段时间本区域工单催单率变化趋势。
社区网络质量信息包括以下中的任一项或多项：小区宽带接入方式、社区ONU设备负载、社区链路最近一段时间流量时延均值。
竞争对手营销信息包括以下中的任一项或多项；当期营销产品ARPU值、当期营销产品有效期。
步骤202：根据消费信息，确定用户所对应的至少一个用户类别、以及用户在每一个用户类别下的分类概率。
在本实施例中，具体可采用预设的分类模型对消费信息进行处理，得到用户所对应的至少一个用户类别、以及用户在每一个用户类别下的分类概率，其中，分类模型是根据预设第一时间段内的多个其他用户的消费信息和每一个其他用户所对应的至少一个用户类别为训练样本而得到的。其中，可采用随机森林算法训练得到该分类模型。
举例来说，当前为8月份，现需要对9-12月份的到期用户进行预警，那么可根据6-7月份宽带用户的消费信息、以及6-7月份每一个宽带用户所对应的至少一个用户类别为训练样本，并采用随机森林算法学习训练得到分类模型，假设该分类模型中包括200颗决策树。接下来在对9-12月份中的用户A进行预警时，可将用户A的消费信息输入到该分类模型中，通过该分类模型输出用户A所对应的至少一个用户类别，如虚假用户，假设150颗决策树将用户A分到虚假用户，则用户A在虚假用户下的分类概率为150/200＝0.75。
步骤203：采用预设的第一流失预警模型对消费信息进行处理，得到第一流失概率。
在本实施例中，将用户的消费信息输入预设的第一流失预警模型中，得到第一流失预警模型输出的第一流失概率。
以上述步骤202中的例子来说，可以6-7月份每一个宽带用户的消费信息和每一个到期用户的标识为训练样本得到第一流失预警模型。得到第一流失预警模型的一种实时方式可为：采用随机森林算法，对6月份各宽带用户的消费信息和每一个宽带用户对应的标识进行学习，得到初始的第一流失预警模型，然后利用7月份各宽带用户的消费信息和每一个宽带用户对应的标识对初始的第一流失预警模型进行验证和调优，以得到收敛的第一流失预警模型。
步骤204：从消费信息中，提取与每一个用户类别相关的消费信息。
在本实施例中，参见上述步骤201，消费信息中包括多项信息，每一项信息中又包括多项子信息，不同子信息反映不同的用户类别。
步骤205：采用预设的与每一个用户类别对应的第二流失预警模型，对每一个用户类别所对应的消费信息进行处理，得到与每一个用户类别对应的第二流失概率。
在本实施例中，针对用户所对应的每一个用户类别，将用户类别所对应的消费信息输入到与该用户类别对应的第二流失预警模型中，得到该第二流失预警模型输出的与该用户类别对应的第二流失概率。
为了得到不同用户类别所对应的第二流失预警模型，还可包括如下步骤：
第一步骤，获取预设的第三时间段内的多个其他用户的消费信息，以及每一个其他用户所对应的至少一个用户类别和标识；
第二步骤，针对不同的用户类别，从每一个用户类别所对应的各个用户的消费信息中，提取与每一个用户类别相关的消费信息；
第三步骤，对每一个用户类别所对应的消费信息以及每一个用户类别所对应的各个用户所对应的标识进行训练，得到不同的用户类别所对应的第二流失预警模型，其中，标识包括流失标识或非流失标识。
在本实施例中，可人为设定多个用户类别，然后通过第一-第三步骤得到所设定的不同用户类别对应的第二流失预警模型。
同样以上述步骤202中的例子来说，可基于6-7月份的宽带用户确定不同用户类别对应的第二流失预警。值得说明的是，若6-7月份的宽带用户不满足所设定的所有用户类别，则还需补充其它月份中的宽带用户的消费信息、其它月份中的每一个宽带用户所对应的用户类别和标识，以得到所有用户类别对应的第二流失预警模型。
步骤206：根据第一流失概率、各个第二流失概率和各个分类概率，确定用户的流失预警概率。
在本实施例中，将执行第一流失预警模型的过程看作链路1，将执行各个第二流失预警模型的过程看作链路2，基于现有技术，如逻辑回归算法、最小二乘算法或神经网络BP算法，可学习得到链路1链路2的权值系数，其中，链路1的权值系数为第一权值，链路2的权值系数为第二权值。
步骤207：在确定流失预警概率在预设概率范围之内时，向终端设备发送提示信息。
在本实施例中，根据实际需求可预先设置不同的概率范围，以及不同概率范围对应的不同提示信息，以在确定用户存在流失的风险时，通过不同的提示信息挽留用户。
举例来说，流失预警概率在预设概率范围0.1-0.3之内时，可采用短信提示续费；流失预警概率在预设概率范围0.4-0.6时，可采用电话提示续费，并推荐高性价比续费套餐；流失预警概率在预设概率范围0.7-1时，可采用电话方式提示续费，并推荐高性价比续费套餐以及赠送限时优惠券等等。
本发明实施例通过建立第一流失预警模型和不同用户类别所对应的第二流失预警模型，并根据第一流失预警模型和相应的至少一个第二流失预警模型共同确定用户的流失预警概率，防止了小样本在大样本学习过程中被过滤掉的情况发生，进一步提高了预警的准确性，而且，也大大提高了预警的效率，从而针对可能流失的用户，可及时作出挽留措施。
图3为本发明实施例三提供的一种用户流失预警装置的结构示意图，包括：
获取单元301，用于获取用户的消费信息、所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，其中，所述用户类别信息中包括至少一个所述用户类别；
第一确定单元302，用于根据所述消费信息确定第一流失概率；
提取单元303，用于从所述消费信息中，提取与每一个所述用户类别相关的消费信息；
第二确定单元304，用于根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率；
第三确定单元305，用于根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率。
在本实施例中，本实施例的用户流失预警装置可执行本发明实施例一提供的用户流失预警方法，其实现原理相类似，此处不再赘述。
本发明实施例通过用户的消费信息确定第一流失概率，以及通过消费信息中与用户所对应的每一个用户类别相关的消费信息，确定每一个用户类别所对应的第二流失概率，从而基于第一流失概率、各个第二流失概率和用户在每一个用户分类下的分类概率，确定出该用户的流失预警概率。本方案通过对用户进行用户类别划分，并确定出每一个用户类别所对应的第二流失概率，以及结合总的消费信息所确定出的第一流失概率来自动确定出用户的流失预警概率，避免了人工方式进行用户流失分析时会受到人为主观因素影响的弊端，提高了预警的准确性。
图4为本发明实施例四提供的用户流失预警装置的结构示意图，在实施例三的基础上，如图4所示，
所述获取单元301，用于根据所述消费信息，确定所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率。
进一步地，所述获取单元301，具体用于采用预设的分类模型对所述消费信息进行处理，得到所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率，其中，所述分类模型是根据预设第一时间段内的多个其他用户的消费信息和每一个所述其他用户所对应的至少一个用户类别为训练样本而得到的。
进一步地，所述流失预警概率为
其中，p1为所述第一流失概率，ri为所述用户在第i个用户类别下的分类概率，qi为与第i个用户类别对应的第二流失概率，w1为预设的第一权值，w2为预设的第二权值，i、n为大于等于1的正整数。
进一步地，所述第一确定单元302，具体用于采用预设的第一流失预警模型对所述消费信息进行处理，得到第一流失概率。
进一步地，所述第一流失预警模型是根据预设第二时间段内的多个其他用户的消费信息和每一个其他用户所对应的标识为训练样本而得到的，其中，所述标识包括流失标识或非流失标识。
进一步地，所述第二确定单元304，具体用于采用预设的与每一个所述用户类别对应的第二流失预警模型，对每一个所述用户类别所对应的消费信息进行处理，得到与每一个所述用户类别对应的第二流失概率。
进一步地，所述装置还包括：模型训练单元401；
所述模型训练单元，用于获取预设的第三时间段内的多个其他用户的消费信息，以及每一个其他用户所对应的至少一个用户类别和标识；针对不同的用户类别，从每一个用户类别所对应的各个用户的消费信息中，提取与每一个用户类别相关的消费信息；对每一个用户类别所对应的消费信息以及每一个用户类别所对应的各个用户所对应的标识进行训练，得到不同的用户类别所对应的第二流失预警模型，其中，所述标识包括流失标识或非流失标识。
进一步地，所述装置还包括：提示单元402；
所述提示单元，用于在根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率之后，在确定所述流失预警概率在预设概率范围之内时，向终端设备发送提示信息。
在本实施例中，本实施例的用户流失预警装置可执行本发明实施例二提供的用户流失预警方法，其实现原理相类似，此处不再赘述。
本发明实施例通过建立第一流失预警模型和不同用户类别所对应的第二流失预警模型，并根据第一流失预警模型和相应的至少一个第二流失预警模型共同确定用户的流失预警概率，防止了小样本在大样本学习过程中被过滤掉的情况发生，进一步提高了预警的准确性，而且，也大大提高了预警的效率，从而针对可能流失的用户，可及时作出挽留措施。
图5为本发明实施例五提供的一种用户流失预警设备，包括：存储器501和处理器502；
所述存储器501，用于存储计算机程序；
其中，所述处理器502执行所述存储器501中的计算机程序，以实现上述任一实施例所述的方法。
本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述任一实施例所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开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，本公开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。本公开的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种用户流失预警方法，其特征在于，包括：
获取用户的消费信息、所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，其中，所述用户类别信息中包括至少一个所述用户类别；
根据所述消费信息确定第一流失概率，并从所述消费信息中，提取与每一个所述用户类别相关的消费信息；
根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率；
根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率。
2.根据权利要求1所述的方法，其特征在于，所述获取所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，包括：
根据所述消费信息，确定所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率。
3.根据权利要求2所述的方法，其特征在于，根据所述消费信息，确定所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率，包括：
采用预设的分类模型对所述消费信息进行处理，得到所述用户所对应的至少一个用户类别、以及所述用户在每一个用户类别下的分类概率，其中，所述分类模型是根据预设第一时间段内的多个其他用户的消费信息和每一个所述其他用户所对应的至少一个用户类别为训练样本而得到的。
4.根据权利要求1所述的方法，其特征在于，所述流失预警概率为
其中，p1为所述第一流失概率，ri为所述用户在第i个用户类别下的分类概率，qi为与第i个用户类别对应的第二流失概率，w1为预设的第一权值，w2为预设的第二权值，i、n为大于等于1的正整数。
5.根据权利要求1-4任一项所述的方法，其特征在于，根据所述消费信息确定第一流失概率，包括：
采用预设的第一流失预警模型对所述消费信息进行处理，得到第一流失概率。
6.根据权利要求5所述的方法，其特征在于，所述第一流失预警模型是根据预设第二时间段内的多个其他用户的消费信息和每一个其他用户所对应的标识为训练样本而得到的，其中，所述标识包括流失标识或非流失标识。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率，包括：
采用预设的与每一个所述用户类别对应的第二流失预警模型，对每一个所述用户类别所对应的消费信息进行处理，得到与每一个所述用户类别对应的第二流失概率。
8.根据权利要求7所述的方法，其特征在于，所述方法，还包括：
获取预设的第三时间段内的多个其他用户的消费信息，以及每一个其他用户所对应的至少一个用户类别和标识；
针对不同的用户类别，从每一个用户类别所对应的各个用户的消费信息中，提取与每一个用户类别相关的消费信息；
对每一个用户类别所对应的消费信息以及每一个用户类别所对应的各个用户所对应的标识进行训练，得到不同的用户类别所对应的第二流失预警模型，其中，所述标识包括流失标识或非流失标识。
9.根据权利要求1-4任一项所述的方法，其特征在于，在根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率之后，还包括：
在确定所述流失预警概率在预设概率范围之内时，向终端设备发送提示信息。
10.一种用户流失预警装置，其特征在于，包括：
获取单元，用于获取用户的消费信息、所述用户的用户类别信息、所述用户在每一个用户类别下的分类概率，其中，所述用户类别信息中包括至少一个所述用户类别；
第一确定单元，用于根据所述消费信息确定第一流失概率；
提取单元，用于从所述消费信息中，提取与每一个所述用户类别相关的消费信息；
第二确定单元，用于根据与每一个所述用户类别相关的消费信息，确定与每一个所述用户类别对应的第二流失概率；
第三确定单元，用于根据所述第一流失概率、各个所述第二流失概率和各个所述分类概率，确定所述用户的流失预警概率。
CN201910310148.8A 2019-04-17 2019-04-17 用户流失预警方法和装置 Expired - Fee Related CN110070392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910310148.8A CN110070392B (zh) 2019-04-17 2019-04-17 用户流失预警方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910310148.8A CN110070392B (zh) 2019-04-17 2019-04-17 用户流失预警方法和装置

Publications (2)

Publication Number Publication Date
CN110070392A true CN110070392A (zh) 2019-07-30
CN110070392B CN110070392B (zh) 2022-02-22

Family

ID=67367946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910310148.8A Expired - Fee Related CN110070392B (zh) 2019-04-17 2019-04-17 用户流失预警方法和装置

Country Status (1)

Country Link
CN (1) CN110070392B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717537A (zh) * 2019-10-08 2020-01-21 支付宝(杭州)信息技术有限公司 训练用户分类模型、执行用户分类预测的方法及装置
CN111105060A (zh) * 2018-10-26 2020-05-05 北大方正集团有限公司 用户搬家行为的识别方法、装置、终端及计算机存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088783A1 (en) * 2009-02-11 2015-03-26 Johnathan Mun System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
CN104679969A (zh) * 2013-11-29 2015-06-03 腾讯科技（深圳）有限公司 防止用户流失的方法及装置
CN105069534A (zh) * 2015-08-18 2015-11-18 广州华多网络科技有限公司 客户流失预测方法以及装置
CN106250403A (zh) * 2016-07-19 2016-12-21 北京奇艺世纪科技有限公司 用户流失预测方法及装置
CN107818376A (zh) * 2016-09-13 2018-03-20 中国电信股份有限公司 用户流失预测方法和装置
CN109492891A (zh) * 2018-10-26 2019-03-19 阿里巴巴集团控股有限公司 用户流失预测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088783A1 (en) * 2009-02-11 2015-03-26 Johnathan Mun System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
CN104679969A (zh) * 2013-11-29 2015-06-03 腾讯科技（深圳）有限公司 防止用户流失的方法及装置
CN105069534A (zh) * 2015-08-18 2015-11-18 广州华多网络科技有限公司 客户流失预测方法以及装置
CN106250403A (zh) * 2016-07-19 2016-12-21 北京奇艺世纪科技有限公司 用户流失预测方法及装置
CN107818376A (zh) * 2016-09-13 2018-03-20 中国电信股份有限公司 用户流失预测方法和装置
CN109492891A (zh) * 2018-10-26 2019-03-19 阿里巴巴集团控股有限公司 用户流失预测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105060A (zh) * 2018-10-26 2020-05-05 北大方正集团有限公司 用户搬家行为的识别方法、装置、终端及计算机存储介质
CN110717537A (zh) * 2019-10-08 2020-01-21 支付宝(杭州)信息技术有限公司 训练用户分类模型、执行用户分类预测的方法及装置
CN110717537B (zh) * 2019-10-08 2022-04-12 支付宝(杭州)信息技术有限公司 训练用户分类模型、执行用户分类预测的方法及装置

Also Published As

Publication number Publication date
CN110070392B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
US10798242B2 (en) Call volume reduction based upon a propensity to call in connection with a reason code
AU2013305922B2 (en) Hierarchical based sequencing machine learning model
CN106228386B (zh) 一种信息推送方法及装置
CN104866484B (zh) 一种数据处理方法和装置
US8788439B2 (en) Instance weighted learning machine learning model
AU2013305924B2 (en) Multiple output relaxation machine learning model
CN108874823A (zh) 智能客服的实现方法和装置
CN107093038A (zh) 配送方式选择方法和装置
CN105306472B (zh) 座席匹配装置及方法
CN108550048A (zh) 为用户确定商品实际价格的方法、装置及电子和存储设备
CN108734550A (zh) 推送数据的方法、装置、设备及存储介质
CN110070392A (zh) 用户流失预警方法和装置
CN110020099A (zh) 一种视频交友的用户推荐方法和装置
CN111090810A (zh) 一种应用消息的推送方法、装置及电子设备
CN114626939A (zh) 授信处理方法、装置、电子设备及存储介质
CN107977825A (zh) 一种分发服务事件的方法及装置
CN105681287A (zh) 基于筛选规则的用户服务分配筛选方法
US7987123B1 (en) Method and system for providing market analysis for wireless data markets
CN107562846A (zh) 一种推荐应用的方法和装置
CN111008871A (zh) 一种房地产复购客户跟进数量计算方法、装置及存储介质
CN111478779A (zh) 不限量套餐的确定方法、装置及计算设备
CN110490411A (zh) 一种客户管理方法、***和存储介质
CN112966968B (zh) 一种基于人工智能的名单分配方法及相关设备
CN110210884A (zh) 确定用户特征数据的方法、装置、计算机设备及存储介质
CN108109042A (zh) 业务优惠信息推送方法及装置

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220222

CF01 Termination of patent right due to non-payment of annual fee