CN112016790B - 用户策略分配方法、装置及电子设备 - Google Patents
用户策略分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112016790B CN112016790B CN202010682560.5A CN202010682560A CN112016790B CN 112016790 B CN112016790 B CN 112016790B CN 202010682560 A CN202010682560 A CN 202010682560A CN 112016790 B CN112016790 B CN 112016790B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- data
- target
- policy
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010801 machine learning Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 239000012633 leachable Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种用户策略分配方法、装置、电子设备及计算机可读介质。该方法包括:获取多个目标用户的多个基础数据;将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;基于所述用户策略标签为目标用户分配用户策略。本公开涉及的用户策略分配方法、装置、电子设备及计算机可读介质,能够识别出具有挽留价值的用户,还能够进一步确定针对可挽留的用户的具体用户策略,从而达到在限制资源使用的情况下尽可能挽留用户的目的。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种用户策略分配方法、装置、电子设备及计算机可读介质。
背景技术
客户是企业利润的来源,客户的流失会带来企业利润的下降,甚至会影响到企业的正常经营。制定能够挽留客户的用户策略,有助于企业防患于未然,有效的稳定企业的客户群,从而良性发展。挽留客户的用户策略也称作客户挽留(Customer Maintenance)策略,是指运用科学的方法对将要流失的有价值的客户采取措施,争取将其留下的营销活动。它将有效地延长客户生命周期,保持市场份额和运营效益。因此,客户挽留是客户关系管理实现的关键功能之一。
在互联网金融企业中,随着注册用户的增多和各个平台之间对用户的激烈竞争,平台中新用户的获客流量也在下降或者趋于平稳阶段,对已注册用户进行客户挽留,是维持互联网金融企业良性运营一个重要手段。但是对于互联网金融行业而言,用户有其自身的特点,而使得目前常见的基于客户维系的客户挽留手段并没有起到良好的效果。
因此,需要一种新的用户策略分配方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种用户策略分配方法、装置、电子设备及计算机可读介质,能够识别出具有挽留价值的用户,还能够进一步确定针对可挽留的用户的具体用户策略,从而达到在限制资源使用的情况下尽可能挽留用户的目的。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种用户策略分配方法,该方法包括:获取多个目标用户的多个基础数据;将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;基于所述用户策略标签为目标用户分配用户策略。
可选地,还包括:通过多个历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型;通过满足所述预设策略的多个历史用户的基础数据对第二机器学习模型进行训练以生成所述用户策略模型。
可选地,通过多个历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型,包括:获取所述多个历史用户的基础数据;通过所述基础数据剔除在账月份小于阈值的历史用户;通过所述基础数中的行为数据为所述多个历史用户分配标签;通过带有标签的所述历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型。
可选地,通过满足所述预设策略的多个历史用户的基础数据对第二机器学习模型进行训练以生成所述用户策略模型,包括:将所述多个历史用户的数据输入所述用户流失模型中,生成多个历史用户流失数据;将所述历史用户流失数据和所述预设策略进行比较,通过满足所述预设策略的多个历史用户生成观测用户集合;对所述观测用户集合中的观测用户进行跟踪观测,基于观测结果对所述第二机器学习模型进行训练以生成所述用户策略模型。
可选地,基于所述观测结果对所述第二机器学习模型进行训练以生成所述用户策略模型,包括:基于所述观测结果为所述观测用户集合中的多个观测用户指定标签,所述标签包括第一标签和第二标签;通过带有标签的多个观测用户对所述第二机器学习模型进行训练以生成所述用户策略模型。
可选地,获取多个目标用户的多个基础数据,包括:获取处于预设状态的多个用户的基础数据;将所述基础数据中的在账月份和阈值进行比较,大于所述阈值的在账月份对应的用户作为目标用户。
可选地,将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,包括:在用户流失数据中的流失风险小于风险阈值,且用户价值大于价值阈值的多个目标用户输入所述用户策略模型。
可选地,所述用户策略标签包括第一标签和第二标签,基于所述用户策略标签为目标用户分配用户策略,包括:为具有所述第一标签的目标用户分配第一用户策略;为具有所述第二标签的目标用户分配第二用户策略。
可选地,为具有所述第一标签的目标用户分配第一用户策略,包括:获取具有所述第一标签的目标用户的当前资源额度;基于所述当前资源额度生成更新资源额度;基于所述更新资源额度生成提额信息并发送至所述目标用户。
可选地,为具有所述第二标签的目标用户分配第二用户策略,包括:获取具有所述第二标签的目标用户的当前息费数值;基于所述当前息费数值生成更新息费数值;基于所述更新息费数值生成降息信息并发送至所述目标用户。
根据本公开的一方面,提出一种用户策略分配装置,该装置包括:数据模块,用于获取多个目标用户的多个基础数据;流失模块,用于将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;标签模块,用于将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;分配模块,用于基于所述用户策略标签为目标用户分配用户策略。
可选地,还包括:流失模型模块,用于通过多个历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型;策略模型模块,用于通过满足所述预设策略的多个历史用户的基础数据对第二机器学习模型进行训练以生成所述用户策略模型。
可选地,所述流失模型模块,包括:历史单元,用于获取所述多个历史用户的基础数据;剔除单元,用于通过所述基础数据剔除在账月份小于阈值的历史用户;标签单元,用于通过所述基础数中的行为数据为所述多个历史用户分配标签;模型单元,用于通过带有标签的所述历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型。
可选地,所述策略模型模块,包括:计算单元,用于将所述多个历史用户的数据输入所述用户流失模型中,生成多个历史用户流失数据;
比较单元,用于将所述历史用户流失数据和所述预设策略进行比较,通过满足所述预设策略的多个历史用户生成观测用户集合;观测单元,用于对所述观测用户集合中的观测用户进行跟踪观测,基于观测结果对所述第二机器学习模型进行训练以生成所述用户策略模型。
可选地,所述观测单元,还用于基于所述观测结果为所述观测用户集合中的多个观测用户指定标签,所述标签包括第一标签和第二标签;通过带有标签的多个观测用户对所述第二机器学习模型进行训练以生成所述用户策略模型。
可选地,所述数据模块,包括:状态单元,用于获取处于预设状态的多个用户的基础数据;目标单元,用于将所述基础数据中的在账月份和阈值进行比较,大于所述阈值的在账月份对应的用户作为目标用户。
可选地,所述流失模块,还用于在用户流失数据中的流失风险小于风险阈值,且用户价值大于价值阈值的多个目标用户输入所述用户策略模型。
可选地,所述用户策略标签包括第一标签和第二标签,所述分配模块,包括:第一策略单元,用于为具有所述第一标签的目标用户分配第一用户策略;第二策略单元,用于为具有所述第二标签的目标用户分配第二用户策略。
可选地,所述第一策略单元,还用于获取具有所述第一标签的目标用户的当前资源额度;基于所述当前资源额度生成更新资源额度;基于所述更新资源额度生成提额信息并发送至所述目标用户。
可选地,所述第二策略单元,还用于获取具有所述第二标签的目标用户的当前息费数值;基于所述当前息费数值生成更新息费数值;基于所述更新息费数值生成降息信息并发送至所述目标用户。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的用户策略分配方法、装置、电子设备及计算机可读介质,获取多个目标用户的多个基础数据;将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;基于所述用户策略标签为目标用户分配用户策略的方式,能够识别出具有挽留价值的用户,还能够进一步确定针对可挽留的用户的具体用户策略,从而达到在限制资源使用的情况下尽可能挽留用户的目的。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户策略分配方法及装置的***框图。
图2是根据一示例性实施例示出的一种用户策略分配方法的流程图。
图3是根据另一示例性实施例示出的一种用户策略分配方法的流程图。
图4是根据另一示例性实施例示出的一种用户策略分配方法的流程图。
图5是根据另一示例性实施例示出的一种用户策略分配方法的流程图。
图6是根据一示例性实施例示出的一种用户策略分配装置的框图。
图7是根据另一示例性实施例示出的一种用户策略分配装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
本发明中,资源是指任何可被利用的物质、信息、时间,信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此,从本质上来说,本发明可以应用于各类资源的分配,包括实体的货物、水、电,以及有意义的资料等。但是,为了方便起见,本发明中以金融数据资源为例进行说明资源分配的实施,但本领域技术人员应当理解,本发明亦可以用于其他资源的分配。
本公开的发明人发现,在传统的贷中客户经营理念中,如何去挽留客户往往会被忽视。其中,MOB(month on book在账月份)15以上的客户在动支意愿上会明显降低。而当贷前获客流量下降或者趋于平稳的阶段,贷中对客户的留存将对公司显得至关重要。而且一旦客户流失后,促进动支的成功率会下降显著。因此,需要对还未曾流失的价值客户进行提前识别且挽留。更具体的,客户可分成:高风险-可挽留,高风险-不可挽留,低风险-可挽留,低风险-不可挽留,四个维度。如何让低风险且可挽留客户进行再次动支是本公开的核心目标。
图1是根据一示例性实施例示出的一种用户策略分配方法及装置的***框图。
如图1所示,***架构10可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理,并将处理结果(例如用户策略)反馈给金融服务网站的管理员和/或终端设备101、102、103。
服务器105可例如获取多个目标用户的多个基础数据;服务器105可例如将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;服务器105可例如将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;服务器105可例如基于所述用户策略标签为目标用户分配用户策略。
服务器105还可例如通过多个历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型;服务器105还可例如通过满足所述预设策略的多个历史用户的基础数据对第二机器学习模型进行训练以生成所述用户策略模型。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的用户策略分配方法可以由服务器105执行,相应地,用户策略分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种用户策略分配方法的流程图。用户策略分配方法20至少包括步骤S202至S208。
如图2所示,在S202中,获取多个目标用户的多个基础数据。包括:获取处于预设状态的多个用户的基础数据;将所述基础数据中的在账月份和阈值进行比较,大于所述阈值的在账月份对应的用户作为目标用户。更具体的,可将MOB15个月以上的用户作为目标用户。
在S204中,将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值。用户流失模型的建立过程将在图3对应的实施例中进行说明。用户流失模型可对用户的流失风险和用户本身的价值进行评估,用户流失风险值越高的用户其流失的可能性越大,同时其本身可挽留的成功度就越小,而用户本身的价值越高的用户,其挽留的价值就越大。
在S206中,将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签。包括:在用户流失数据中的流失风险小于风险阈值,且用户价值大于价值阈值的多个目标用户输入所述用户策略模型。可通过预设策略筛选出低风险且挽留成功的可能性大的目标用户,将这类目标用户输入用户策略模型。更具体的,可将流失风险小于风险阈值,且用户价值大于价值阈值的客户作为目标用户,进行进一步的计算。
在有些实施例中,可通过风险阈值和价值阈值的数值控制目标用户的数量,风险阈值自身的数值越低,筛选后留下的目标用户则越少,价值阈值越高,筛选后留下的目标用户则越少。在实际应用中还可根据目标用户的目标数据来调整风险阈值和价值阈值的数值,以进行筛选。
在S208中,基于所述用户策略标签为目标用户分配用户策略。其中,用户标签可包括第一标签和第二标签,第一标签可为“关注资源配额的用户”,第二标签可为“关注息费价格的用户”。根据预先生成的第一策略和第二策略,为具有所述第一标签的目标用户分配第一用户策略;为具有所述第二标签的目标用户分配第二用户策略。
在一个实施例中,用户策略标签还可包括第三标签或第四标签甚至更多,不同的标签反映了用户自身不同的特征,在为用户分配用户策略时,可通过标签为用户确定具体的激励措施,有助于用户再次进行动支申请。
根据本公开的用户策略分配方法,获取多个目标用户的多个基础数据;将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;基于所述用户策略标签为目标用户分配用户策略的方式,能够识别出具有挽留价值的用户,还能够进一步确定针对可挽留的用户的具体用户策略,从而达到在限制资源使用的情况下尽可能挽留用户的目的。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种用户策略分配方法的流程图。图3所示的流程30是对图2中S208“基于所述用户策略标签为目标用户分配用户策略”的详细描述。
如图3所示,在S302中,基于所述用户策略标签为目标用户分配用户策略。
在S304中,获取具有所述第一标签的目标用户的当前资源额度。如上文所述,第一标签可为“关注资源配额的用户”,首先获取这类用户当前***分配的资源额度。
在S306中,基于所述当前资源额度生成更新资源额度。还可例如,根据上文计算出来的用户价值确定提额的百分比,可例如,用户价值较高的用户,可为其提额20%,而用户价值非常高的用户,可为其提额50%甚至更多,本公开不以此为限。
在S308中,基于所述更新资源额度生成提额信息并发送至所述目标用户。可将提额信息发送至目标用户,以促进该用户进行动支申请。还可为该用户同时分配特享资源信息,或者其他优惠信息等。
在S310中,获取具有所述第二标签的目标用户的当前息费数值。如上文所述,第二标签可为“关注息费价格的用户”,首先获取这类用户当前***分配的息费价格。
在S312中,基于所述当前息费数值生成更新息费数值。还可例如,根据上文计算出来的用户价值确定息费降低百分比,可例如,用户价值较高的用户,可将其息费降低20%,而用户价值非常高的用户,可为其降低息费50%甚至更多,本公开不以此为限。
在S314中,基于所述更新息费数值生成降息信息并发送至所述目标用户。可将降息信息发送至目标用户,以促进该用户进行动支申请。还可为该用户同时分配特享资源信息,或者其他优惠信息等。
图4是根据另一示例性实施例示出的一种用户策略分配方法的流程图。图4所示的流程40是对“通过多个历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型”的详细描述。
如图4所示,在S402中,获取所述多个历史用户的基础数据。基础数据可包括用户的性别,年龄,籍贯,职业,行为数据等等。
在S404中,通过所述基础数据剔除在账月份小于阈值的历史用户。可剔除MOB大于15个月的历史用户。
在S406中,通过所述基础数中的行为数据为所述多个历史用户分配标签。其中,行为数据中记录了用户在金融网络平台上的交易数据,可包括用户资源占有的时间,资源归还的时间,是否有违约记录等等。
可将在MOB大于15个月之后动支超过5次,且按时进行资源归还,没有违约记录的用户作为正向标签用户,将其他用户作为负向标签的用户。
在S408中,通过带有标签的所述历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型。其中,第一机器学习模型可为决策树模型,梯度提升决策树,或者支持向量机模型等等,本公开不以此为限。在第一机器学习模型的训练过程中,目标函数满足预设条件时,即可生成所述用户流失模型。
图5是根据另一示例性实施例示出的一种用户策略分配方法的流程图。图5所示的流程50是“通过满足所述预设策略的多个历史用户的基础数据对第二机器学习模型进行训练以生成所述用户策略模型”的详细描述。
如图5所示,在S502中,将所述多个历史用户的数据输入所述用户流失模型中,生成多个历史用户流失数据。
在S504中,将所述历史用户流失数据和所述预设策略进行比较,通过满足所述预设策略的多个历史用户生成观测用户集合。如上文所述,可将历史用户中低风险高价值的用户作为观测用户。
在S506中,对所述观测用户集合中的观测用户进行跟踪观测,基于观测结果对所述第二机器学习模型进行训练以生成所述用户策略模型。
在一个实施例中,可包括:基于所述观测结果为所述观测用户集合中的多个观测用户指定标签,所述标签包括第一标签和第二标签;通过带有标签的多个观测用户对所述第二机器学习模型进行训练以生成所述用户策略模型。
可随机为观测用户分配第一用户策略和第二用户策略,即为随机选择观测用户为其进行额度提升或者息费降低,然后观测这些用户对用户策略的反馈。根据观测结果,为额度挽留成功和息费挽留成功的用户分别分配第一标签和第二标签,进而根据带有标签的观测用户再次进行模型训练得到用户策略模型。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图6是根据一示例性实施例示出的一种用户策略分配装置的框图。如图6所示,用户策略分配装置60包括:数据模块602,流失模块604,标签模块606,分配模块608。
数据模块602用于获取多个目标用户的多个基础数据;所述数据模块602包括:状态单元,用于获取处于预设状态的多个用户的基础数据;目标单元,用于将所述基础数据中的在账月份和阈值进行比较,大于所述阈值的在账月份对应的用户作为目标用户。
流失模块604用于将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;所述流失模块604还用于在用户流失数据中的流失风险小于风险阈值,且用户价值大于价值阈值的多个目标用户输入所述用户策略模型。
标签模块606用于将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;
分配模块608用于基于所述用户策略标签为目标用户分配用户策略。所述分配模块608包括:第一策略单元,用于为具有所述第一标签的目标用户分配第一用户策略;所述第一策略单元,还用于获取具有所述第一标签的目标用户的当前资源额度;基于所述当前资源额度生成更新资源额度;基于所述更新资源额度生成提额信息并发送至所述目标用户。第二策略单元,用于为具有所述第二标签的目标用户分配第二用户策略。所述第二策略单元,还用于获取具有所述第二标签的目标用户的当前息费数值;基于所述当前息费数值生成更新息费数值;基于所述更新息费数值生成降息信息并发送至所述目标用户。
图7是根据另一示例性实施例示出的一种用户策略分配装置的框图。如图7所示,用户策略分配装置70包括:流失模型模块702,策略模型模块704。
流失模型模块702用于通过多个历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型;所述流失模型模块702包括:历史单元,用于获取所述多个历史用户的基础数据;剔除单元,用于通过所述基础数据剔除在账月份小于阈值的历史用户;标签单元,用于通过所述基础数中的行为数据为所述多个历史用户分配标签;模型单元,用于通过带有标签的所述历史用户的基础数据对第一机器学习模型进行训练以生成所述用户流失模型。
策略模型模块704用于通过满足所述预设策略的多个历史用户的基础数据对第二机器学习模型进行训练以生成所述用户策略模型。所述策略模型模块704包括:计算单元,用于将所述多个历史用户的数据输入所述用户流失模型中,生成多个历史用户流失数据;比较单元,用于将所述历史用户流失数据和所述预设策略进行比较,通过满足所述预设策略的多个历史用户生成观测用户集合;观测单元,用于对所述观测用户集合中的观测用户进行跟踪观测,基于观测结果对所述第二机器学习模型进行训练以生成所述用户策略模型。所述观测单元,还用于
基于所述观测结果为所述观测用户集合中的多个观测用户指定标签,所述标签包括第一标签和第二标签;通过带有标签的多个观测用户对所述第二机器学习模型进行训练以生成所述用户策略模型。
根据本公开的用户策略分配装置,获取多个目标用户的多个基础数据;将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;基于所述用户策略标签为目标用户分配用户策略的方式,能够识别出具有挽留价值的用户,还能够进一步确定针对可挽留的用户的具体用户策略,从而达到在限制资源使用的情况下尽可能挽留用户的目的。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:至少一个处理单元810、至少一个存储单元820、连接不同***组件(包括存储单元820和处理单元810)的总线830、显示单元840等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图2,图3,图4,图5中所示的步骤。
所述存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
所述存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备800’(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图9所示,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取多个目标用户的多个基础数据;将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;基于所述用户策略标签为目标用户分配用户策略。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (14)
1.一种用户策略分配方法,其特征在于,包括:
获取多个历史用户的基础数据;
通过基础数据剔除在账月份小于阈值的历史用户;
通过基础数据中的行为数据为所述多个历史用户分配标签;
通过带有标签的所述历史用户的基础数据对第一机器学习模型进行训练以生成用户流失模型;
将所述多个历史用户的数据输入所述用户流失模型中,生成多个历史用户流失数据;
将所述历史用户流失数据和预设策略进行比较,通过满足所述预设策略的多个历史用户生成观测用户集合;
对所述观测用户集合中的观测用户进行跟踪观测,基于所述观测结果为所述观测用户集合中的多个观测用户指定标签,所述标签包括第一标签和第二标签;
通过带有标签的多个观测用户对第二机器学习模型进行训练以生成用户策略模型;
获取多个目标用户的多个基础数据;
将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;
将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;
基于所述用户策略标签为目标用户分配用户策略。
2.如权利要求1所述的方法,其特征在于,获取多个目标用户的多个基础数据,包括:
获取处于预设状态的多个用户的基础数据;
将所述基础数据中的在账月份和阈值进行比较,大于所述阈值的在账月份对应的用户作为目标用户。
3.如权利要求1所述的方法,其特征在于,将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,包括:
将用户流失数据中的流失风险小于风险阈值,且用户价值大于价值阈值的多个目标用户输入所述用户策略模型。
4.如权利要求1所述的方法,其特征在于,所述用户策略标签包括第一标签和第二标签,
基于所述用户策略标签为目标用户分配用户策略,包括:
为具有所述第一标签的目标用户分配第一用户策略;
为具有所述第二标签的目标用户分配第二用户策略。
5.如权利要求4所述的方法,其特征在于,为具有所述第一标签的目标用户分配第一用户策略,包括:
获取具有所述第一标签的目标用户的当前资源额度;
基于所述当前资源额度生成更新资源额度;
基于所述更新资源额度生成提额信息并发送至所述目标用户。
6.如权利要求4所述的方法,其特征在于,为具有所述第二标签的目标用户分配第二用户策略,包括:
获取具有所述第二标签的目标用户的当前息费数值;
基于所述当前息费数值生成更新息费数值;
基于所述更新息费数值生成降息信息并发送至所述目标用户。
7.一种用户策略分配装置,其特征在于,包括:
流失模型模块,用于获取多个历史用户的基础数据;通过基础数据剔除在账月份小于阈值的历史用户;通过基础数据中的行为数据为所述多个历史用户分配标签;通过带有标签的所述历史用户的基础数据对第一机器学习模型进行训练以生成用户流失模型;
策略模型模块,用于将所述多个历史用户的数据输入所述用户流失模型中,生成多个历史用户流失数据;将所述历史用户流失数据和预设策略进行比较,通过满足所述预设策略的多个历史用户生成观测用户集合;对所述观测用户集合中的观测用户进行跟踪观测,基于所述观测结果为所述观测用户集合中的多个观测用户指定标签,所述标签包括第一标签和第二标签;通过带有标签的多个观测用户对第二机器学习模型进行训练以生成用户策略模型;
数据模块,用于获取多个目标用户的多个基础数据;
流失模块,用于将所述多个基础数据输入用户流失模型,生成多个用户流失数据,所述用户流失数据包括流失风险和用户价值;
标签模块,用于将满足预设策略的用户流失数据对应的多个目标用户输入用户策略模型,生成多个用户策略标签;
分配模块,用于基于所述用户策略标签为目标用户分配用户策略。
8.如权利要求7所述的装置,其特征在于,所述数据模块,包括:
状态单元,用于获取处于预设状态的多个用户的基础数据;
目标单元,用于将所述基础数据中的在账月份和阈值进行比较,大于所述阈值的在账月份对应的用户作为目标用户。
9.如权利要求7所述的装置,其特征在于,所述流失模块,还用于将用户流失数据中的流失风险小于风险阈值,且用户价值大于价值阈值的多个目标用户输入所述用户策略模型。
10.如权利要求7所述的装置,其特征在于,所述用户策略标签包括第一标签和第二标签,
所述分配模块,包括:
第一策略单元,用于为具有所述第一标签的目标用户分配第一用户策略;
第二策略单元,用于为具有所述第二标签的目标用户分配第二用户策略。
11.如权利要求10所述的装置,其特征在于,所述第一策略单元,还用于
获取具有所述第一标签的目标用户的当前资源额度;基于所述当前资源额度生成更新资源额度;基于所述更新资源额度生成提额信息并发送至所述目标用户。
12.如权利要求10所述的装置,其特征在于,所述第二策略单元,还用于
获取具有所述第二标签的目标用户的当前息费数值;基于所述当前息费数值生成更新息费数值;基于所述更新息费数值生成降息信息并发送至所述目标用户。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010682560.5A CN112016790B (zh) | 2020-07-15 | 2020-07-15 | 用户策略分配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010682560.5A CN112016790B (zh) | 2020-07-15 | 2020-07-15 | 用户策略分配方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016790A CN112016790A (zh) | 2020-12-01 |
CN112016790B true CN112016790B (zh) | 2024-04-26 |
Family
ID=73498677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010682560.5A Active CN112016790B (zh) | 2020-07-15 | 2020-07-15 | 用户策略分配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016790B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508698B (zh) * | 2021-02-07 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略触发方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012203873A1 (en) * | 2012-06-29 | 2014-01-16 | Gooden, Matthew Mr | Talent Tracker |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的***预测方法、装置和计算机设备 |
CN109461023A (zh) * | 2018-10-12 | 2019-03-12 | 中国平安人寿保险股份有限公司 | 流失用户挽回方法及装置、电子设备、存储介质 |
CN110222975A (zh) * | 2019-05-31 | 2019-09-10 | 北京奇艺世纪科技有限公司 | 一种流失用户分析方法、装置、电子设备及存储介质 |
CN110349005A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 用户经营策略生成方法、装置及电子设备 |
CN110363655A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 基于时间特征的目标用户识别方法、装置及电子设备 |
US10496815B1 (en) * | 2015-12-18 | 2019-12-03 | Exabeam, Inc. | System, method, and computer program for classifying monitored assets based on user labels and for detecting potential misuse of monitored assets based on the classifications |
CN110675183A (zh) * | 2019-08-30 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 一种营销对象的确定方法、营销推广方法及相关装置 |
US20200134648A1 (en) * | 2017-07-24 | 2020-04-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for preventing user churn |
CN111339163A (zh) * | 2020-02-27 | 2020-06-26 | 世纪龙信息网络有限责任公司 | 获取用户流失状态的方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165270B2 (en) * | 2000-12-20 | 2015-10-20 | International Business Machines Corporation | Predicting likelihood of customer attrition and retention measures |
US20190295011A1 (en) * | 2018-03-20 | 2019-09-26 | Xingjian Duan | Distributed computer framework for data analysis, risk management, and automated compliance |
TWI710922B (zh) * | 2018-10-29 | 2020-11-21 | 安碁資訊股份有限公司 | 行為標記模型訓練系統及方法 |
-
2020
- 2020-07-15 CN CN202010682560.5A patent/CN112016790B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012203873A1 (en) * | 2012-06-29 | 2014-01-16 | Gooden, Matthew Mr | Talent Tracker |
US10496815B1 (en) * | 2015-12-18 | 2019-12-03 | Exabeam, Inc. | System, method, and computer program for classifying monitored assets based on user labels and for detecting potential misuse of monitored assets based on the classifications |
US20200134648A1 (en) * | 2017-07-24 | 2020-04-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for preventing user churn |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的***预测方法、装置和计算机设备 |
CN109461023A (zh) * | 2018-10-12 | 2019-03-12 | 中国平安人寿保险股份有限公司 | 流失用户挽回方法及装置、电子设备、存储介质 |
CN110222975A (zh) * | 2019-05-31 | 2019-09-10 | 北京奇艺世纪科技有限公司 | 一种流失用户分析方法、装置、电子设备及存储介质 |
CN110349005A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 用户经营策略生成方法、装置及电子设备 |
CN110363655A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 基于时间特征的目标用户识别方法、装置及电子设备 |
CN110675183A (zh) * | 2019-08-30 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 一种营销对象的确定方法、营销推广方法及相关装置 |
CN111339163A (zh) * | 2020-02-27 | 2020-06-26 | 世纪龙信息网络有限责任公司 | 获取用户流失状态的方法、装置、计算机设备和存储介质 |
Non-Patent Citations (7)
Title |
---|
关于中国电信股份有限公司汕头潮南区分公司客户保留策略的研究;刘桦;;科技信息(第08期);全文 * |
内部评级体系定量验证模型及在中国银行业的应用;李红侠;;金融论坛;20090405(第04期);全文 * |
商业银行零售管理及目标客户流失概率预测研究;陈建成;马文扬;;金融论坛(第12期);全文 * |
基于动态用户画像的学术虚拟社区粘性驱动机制研究;王美月等;现代情报;20191231;第39卷(第7期);全文 * |
基于数据挖掘技术的通信业客户挽留***研究;董佩佩;黄卫东;;现代电信科技(第11期);全文 * |
基于数据挖掘的通信业客户挽留***研究;董佩佩;;广东通信技术(第11期);全文 * |
电信客户流失预测模型研究;路美秀等;电脑与电信;第6节"模型发布与应用"部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN112016790A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200250732A1 (en) | Method and apparatus for use in determining tags of interest to user | |
CN110324414B (zh) | 资源位流量分配的方法、装置及电子设备 | |
CN112017060B (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
CN110348894B (zh) | 资源位广告展示的方法、装置及电子设备 | |
CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN111612512A (zh) | 一种资源分配方法、装置和电子设备 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN111210255A (zh) | 广告推送方法、装置及电子设备 | |
CN111191894A (zh) | 基于用户分类进行资源需求处理的方法、装置和电子设备 | |
CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
CN112346625A (zh) | 一种资源管理方法、装置和电子设备 | |
CN112348460A (zh) | 协作任务的资源额度调整方法、装置及电子设备 | |
CN112016793A (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN112016790B (zh) | 用户策略分配方法、装置及电子设备 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
CN112347344A (zh) | 一种多期附加资源凭证的管理方法、装置和电子设备 | |
CN111612508A (zh) | 金融资源分配请求处理方法、装置及电子设备 | |
CN111199454A (zh) | 实时用户转化评估方法、装置及电子设备 | |
CN113298555B (zh) | 推广策略生成方法、装置及电子设备 | |
CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |