CN117893256A - 一种基于大数据的app用户智能管理*** - Google Patents
一种基于大数据的app用户智能管理*** Download PDFInfo
- Publication number
- CN117893256A CN117893256A CN202410290084.0A CN202410290084A CN117893256A CN 117893256 A CN117893256 A CN 117893256A CN 202410290084 A CN202410290084 A CN 202410290084A CN 117893256 A CN117893256 A CN 117893256A
- Authority
- CN
- China
- Prior art keywords
- user
- loss
- access
- accumulated
- users
- 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
Links
- 230000007774 longterm Effects 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims description 40
- 238000002372 labelling Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于用户管理技术领域,具体公开提供的一种基于大数据的app用户智能管理***。该***包括:用户信息导入模块、用户分类标记模块、用户流失验证模块、流失预警分析模块和流失分析反馈终端。本发明通过根据注册日期与访问日期的年限对比,分别进行短期用户和长期用户的使用活跃度分析,并根据已流失用户的软件相关数据进行流失验证,有效解决了当前用户流失风险预测考虑要素不足的问题,规避了仅从短时期内进行应用关注情况分析的误差,实现了短时期和长时期的综合规律性评定,有效拓展了用户流失风险预测的考虑要素,减少了用户流失风险预测结果的偏差,进而确保了用户流失风险预测结果的精准性和参考性。
Description
技术领域
本发明属于用户管理技术领域,涉及一种基于大数据的app用户智能管理***。
背景技术
移动应用软件在运营过程中产生大量的用户行为数据,包括但不限于用户登录次数、浏览页面、点击行为、购买记录等。通过对这些数据进行分析可以了解用户的偏好、习惯以及潜在的流失迹象,进而进行用户管理,以提升用户与应用之间的粘性。
目前app用户管理涉及用户画像建模、行为路径分析、用户需求预测以及用户流失风险预测等多个方面,在用户流失风险预测方面还存在以下几个方面的不足和欠缺:1、考虑要素不足,当前主要从用户短时期内对应用的关注情况作为考虑要素,未对其进行长期规律性分析,即未将其长期变化特征作为考虑要素,导致用户流失风险预测结果存在一定的偏差,增加了用户流失风险预测结果的误差性。
2、缺乏同类性验证,当前主要从用户自身的特征数据进行流失风险预测,未结合其他特征雷同用户的特征数据进行流失风险预测验证,导致用户流失风险预测结果的代表性和可靠性不足。
3、风险预测较为片面,当前仅从用户流失判断层面进行流失风险预测,未对流失用户进行综合性分析,使得app用户流失阻断效果不明显,进而无法提高用户的管理效果。
发明内容
鉴于此,为解决上述背景技术中所提出的问题,现提出一种基于大数据的app用户智能管理***。
本发明的目的可以通过以下技术方案实现:本发明提供一种基于大数据的app用户智能管理***,该***包括:用户信息导入模块,用于导入目标应用软件上累计的注册用户数目、各注册用户的软件相关数据,包括ID账号、注册日期、访问次数以及各次访问的访问日期、累计访问时长和访问跟踪路径。
用户分类标记模块,用于分析各注册用户的使用活跃度,将使用活跃度大于0的注册用户记为活跃用户,反之记为流失预警用户,由此将各注册用户划分为各活跃用户和各流失预警用户。
用户流失验证模块,用于从目标应用软件后台提取各累计流失用户的软件相关数据,据此进行流失验证,得到各确认流失用户。
流失预警分析模块,用于根据各累计流失用户和各确认流失用户注册日期,分析目标应用软件的流失预警趋向指数。
流失分析反馈终端,用于提取各确认流失用户的ID账号,将各确认流失用户的ID账号和目标应用软件的流失预警趋向指数反馈至目标应用软件的运营管理人员。
优选地,所述分析各注册用户的使用活跃度,包括:将累计访问时长大于或者等于设定有效访问时长的访问记为目标访问。
判断各注册用户的注册日期与其各次目标访问的访问日期是否均处于同一年限。
若某注册用户的判断结果为是,将该用户记为短期用户,启动短期活跃评估模型评估得到短期用户的使用活跃度,记为。
若某注册用户的判断结果为否,则将该注册用户记为长期用户,将各次目标访问的访问日期按照年限的不同进行归类,得到各年限内的目标访问次数和各次目标访问的访问日期,并确认各年限内的访问粘性月份数目。
将各年限内各月份的目标访问次数与各月份的天数进行作比,将比值记为访问比,通过均值计算得到各年限的平均月均访问比。
将与注册日期所属年限相同的年限记为起始年限,将其他年限作为各对照年限,并统计长期用户的使用活跃度,记为,以此得到各注册用户的使用活跃度,记为/>,/>取值为/>或者/>。
优选地,所述短期活跃评估模型的评估过程为:将各次目标访问的访问日期在电子日历上进行标注,从中提取出各月份内各周的标注次数,并与各周的天数进行作比,得到各月份内各周的标注比。
从电子日历中提取各月份的标注次数,并与各月份的天数进行作比,得到各月份的标注比。
以周为横坐标,以标注比为纵坐标,构建各月份内的周度标注变化曲线,并将其按照月份先后顺序进行拼接,得到短期用户的综合周度标注变化曲线,并从中提取斜率值和幅值/>。
以月份为横坐标,以标注比为纵坐标,构建月度标注变化曲线,将月度标注变化曲线的长度、斜率值和幅值分别记为、/>和/>,并从中截选出位于设定参照月均标注比上方的曲线段总长/>。
将各月份内各周的标注比进行均值计算,得到各月份的平均单周标注比,并从中提取最大值和最小值,将最大值和最小值的差记为。
将、/>、/>、/>、/>、/>和/>作为短期活跃评估模型的输入,将使用活跃度作为短期活跃评估模型的输出,短期活跃评估模型具体表示公式如下:
,分别为设定参照的周度标注变化率、月度标注变化率、/>分别为设定参照的周度标注比差、月度标注比差,/>为设定的短期使用补偿评估活跃度。
优选地,所述统计长期用户的使用活跃度,包括:将起始年限的访问次数、粘性月份数目和平均月均访问比分别记为、/>和/>。
将各对照年限的访问次数、粘性月份数目和平均月均访问比分别进行均值计算,将计算结果分别记为、/>和/>。
统计长期用户的使用活跃度,/>,/>为设定参照的平均月均访问比差,/>为设定的长期使用补偿评估活跃度。
优选地,所述长期使用补偿评估活跃度的设定过程如下:以年限为横坐标,以粘性月份数目为纵坐标,构建粘性月份数变化曲线,从中进行斜率值和幅值/>提取。
按照粘性月份数变化曲线的构建方式同理构建平均月均访问比变化曲线,并将其斜率值和幅值分别记为和/>。
统计长期使用补偿评估活跃度,
,分别为设定的参照粘性月份数目差、月均访问比差,/>为设定的单位长期访问偏差因子对应参照的长期使用补偿评估活跃度,/>表示且命题符号。
优选地,所述进行流失验证,包括:统计各流失预警用户与各累计流失用户的使用趋势相似度。
若某流失预警用户的与某累计流失用户的使用趋势相似度大于0.8,则将该累计流失用户作为该流失预警用户的参照用户,以此筛选出各流失预警用户的各参照用户。
将注册日期和标记流失日期的间隔天数作为累计注册天数,据此对各流失预警用户的各参照用户进行再次筛选,得到各流失预警用户的确认参照用户数目。
统计累计流失用户数目,将确认参照用户数目和累计流失用户数目的比值记为流失参照比。
将流失参照比大于设定参照有效流失参照比的流失预警用户记为确认流失用户,以此筛选出各确认流失用户。
优选地,所述统计各流失预警用户与各累计流失用户的使用趋势相似度,包括:以访问次序为横坐标,以累计访问时长为纵坐标,构建各累计流失用户和各流失预警用户的访问时长变化曲线,两者对比分析得到各流失预警用户与各累计流失用户的访问时间变化吻合度,/>表示流失预警用户编号,/>,/>表示累计流失用户的编号,。
根据所述访问次数,分别统计各累计流失用户和各流失预警用户的访问频率,分别记为和/>。
将各流失预警用户与各累计流失用户在各次访问的访问跟踪路径进行重合对比,确认各流失预警用户与各累计流失用户的相似路径访问次数,记为,将各流失预警用户的访问次数记为/>。
统计各流失预警用户与各累计流失用户的使用趋势相似度,
,为设定参照访问时间变化吻合度,/>为设定参照访问频率差。
优选地,所述各流失预警用户与各累计流失用户的访问时间变化吻合度的具体分析过程如下:从各累计流失用户以及各流失预警用户的访问时长变化曲线中分别提取斜率、谷值点数目和峰值点数目,分别记为、/>和/>以及/>、/>和/>。
将各累计流失用户与各流失预警用户的访问时长变化曲线分别进行重合对比,得到各累计流失用户与各流失预警用户对应访问时长变化曲线的重合长度。
统计各流失预警用户与各累计流失用户的访问时间变化吻合度,
,分别为设定许可的斜率差、谷值点数目差、峰值点数目差,/>为第/>个流失预警用户对应访问时长变化曲线的长度。
优选地,所述对各流失预警用户的各参照用户进行再次筛选,包括:根据各流失预警用户的注册日期,得到流失预警用户当前累计的注册天数,并与其各参照用户的累计注册天数进行作差,将差值记为注册天数差。
若某流失预警用户与其某参照注册用户的注册天数差在设定参照注册天数差区间内,则将该注册参照用户作为该流失预警用户的确认参照用户,以此统计各流失预警用户的确认参照用户数目。
优选地,所述分析目标应用软件的流失预警趋向指数,包括:将当前所处日期作为各确认流失用户的标记流失日期。
将各确认流失用户的标记流失日期与各累计流失用户的标记流失日期进行整合,得到各综合标记流失日期,并据此设定各流失日期区间,同时统计位于各流失日期区间内的流失用户数目,/>表示流失日期区间的编号,/>。
统计注册日期位于各流失日期区间内的注册用户数目,作为新增用户数目,记为。
将各确认流失用户与各累计流失用户进行整合,统计综合流失用户数目,并与累计的注册用户数目进行作比,得到用户流失比。
统计目标应用软件的流失预警趋向指数,
,为设定补偿注册用户数目,/>表示设定的流失日期区间数目,/>为设定的参照用户流失比,/>为向下取整符号。
相较于现有技术,本发明的有益效果如下:(1)本发明通过根据注册日期与访问日期的年限对比,分别进行短期用户和长期用户的使用活跃度分析,并根据已流失用户的软件相关数据进行流失验证,有效解决了当前用户流失风险预测考虑要素不足的问题,规避了仅从短时期内进行应用关注情况分析的误差,实现了短时期和长时期的综合规律性评定,有效拓展了用户流失风险预测的考虑要素,减少了用户流失风险预测结果的偏差,进而确保了用户流失风险预测结果的精准性和参考性。
(2)本发明通过根据已流失用户的软件相关数据进行流失验证,弥补了当前在同类性验证层面的欠缺,打破了当前从用户自身的特征数据进行流失风险预测的局限性,充分结合了其他特征雷同用户的特征数据,进而大幅度提升了户流失风险预测结果的代表性、合理性以及可靠性。
(3)本发明通过设定短期使用补偿评估活跃度和长期使用补偿评估活跃度,充分考虑了短期使用评估模式和长期使用评估模式中的数据波动和偏差情况,尽可能的缩减了短期用户和长期用户对应使用活跃度分析结果的误差,进而提高了短期用户和长期用户对应使用活跃度分析的准确性,并且还提升了后续用户分类的参照性。
(4)本发明通过对各确认流失用户和各累计流失用户进行整合分析,据此统计目标应用软件的流失预警趋向指数,打破了当前用户流失风险预测的片面性,实现了流失用户的综合性分析,直观地展示了目标应用软件的用户流失情况,进而提升了目标应用软件的用户流失的阻断效果以及目标应用软件用户的管理效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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,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为本发明***各模块连接示意图。
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。
请参阅图1所示,本发明提供了一种基于大数据的app用户智能管理***,该***包括:用户信息导入模块、用户分类标记模块、用户流失验证模块、流失预警分析模块和流失分析反馈终端。
上述中,用户信息导入模块分别与用户分类标记模块、用户流失验证模块、流失预警分析模块和流失分析反馈终端连接,用户流失验证模块还分别与用户分类标记模块和流失预警分析模块连接,流失预警分析模块还与流失分析反馈终端连接。
所述用户信息导入模块,用于导入目标应用软件上累计的注册用户数目、各注册用户的软件相关数据,包括ID账号、注册日期、访问次数以及各次访问的访问日期、累计访问时长和访问跟踪路径。
所述用户分类标记模块,用于分析各注册用户的使用活跃度,将使用活跃度大于0的注册用户记为活跃用户,反之记为流失预警用户,由此将各注册用户划分为各活跃用户和各流失预警用户。
示例性地,分析各注册用户的使用活跃度,包括:S1、将累计访问时长大于或者等于设定有效访问时长的访问记为目标访问。
S2、判断各注册用户的注册日期与其各次目标访问的访问日期是否均处于同一年限。
S3、若某注册用户的判断结果为是,将该用户记为短期用户,启动短期活跃评估模型评估得到短期用户的使用活跃度,记为。
S4、若某注册用户的判断结果为否,则将该注册用户记为长期用户,将各次目标访问的访问日期按照年限的不同进行归类,得到各年限内的目标访问次数和各次目标访问的访问日期,并确认各年限内的访问粘性月份数目。
需要补充的是,各年限内的访问粘性月份数目的确认方式为:基于各年限内各次目标访问的访问日期,统计各年限内各月份的目标访问次数,将目标访问次数大于3次的月份记为粘性月份,据此统计各年限内的粘性月份数目。
S5、将各年限内各月份的目标访问次数与各月份的天数进行作比,将比值记为访问比,通过均值计算得到各年限的平均月均访问比。
S6、将与注册日期所属年限相同的年限记为起始年限,将其他年限作为各对照年限,并统计长期用户的使用活跃度,记为,以此得到各注册用户的使用活跃度,记为/>,取值为/>或者/>。
进一步地,S3步骤中短期活跃评估模型的评估过程为:S31、将各次目标访问的访问日期在电子日历上进行标注,从中提取出各月份内各周的标注次数,并与各周的天数进行作比,得到各月份内各周的标注比。
S32、从电子日历中提取各月份的标注次数,并与各月份的天数进行作比,得到各月份的标注比。
S33、以周为横坐标,以标注比为纵坐标,构建各月份内的周度标注变化曲线,并将其按照月份先后顺序进行拼接,得到短期用户的综合周度标注变化曲线,并从中提取斜率值和幅值/>。
需要补充的是,所述曲线的斜率指曲线对应回归线的斜率,后续总涉及到的曲线斜率同理,固不重复叙述。
S34、以月份为横坐标,以标注比为纵坐标,构建月度标注变化曲线,将月度标注变化曲线的长度、斜率值和幅值分别记为、/>和/>,并从中截选出位于设定参照月均标注比上方的曲线段总长/>。
S35、将各月份内各周的标注比进行均值计算,得到各月份的平均单周标注比,并从中提取最大值和最小值,将最大值和最小值的差记为。
S36、将、/>、/>、/>、/>、/>和/>作为短期活跃评估模型的输入,将使用活跃度作为短期活跃评估模型的输出,短期活跃评估模型具体表示公式如下:
,分别为设定参照的周度标注变化率、月度标注变化率、/>分别为设定参照的周度标注比差、月度标注比差,/>为设定的短期使用补偿评估活跃度。
需要补充的是,短期使用补充评估活跃度与后续长期使用补偿评估活跃度的设定原理雷同,其中,短期使用补充评估活跃度的具体评估过程如下:N1、从短期用户的综合周度标注变化曲线和月度标注变化曲线中分别进行波动点数目和各波动点之间的标注比差提取。
在一个具体实施例中,波动点指曲线中左右增长趋势相反的点,若左侧上升右侧下降或者左侧下降右侧上升的点。
N2、将综合周度标注变化曲线和月度标注变化曲线的波动点数目分别记为和。
N3、从各波动点之间的标注比差中提取最小值,并作为参照波动标注比差,将综合周度标注变化曲线和月度标注变化曲线的参照波动标注比差,分别记为和/>。
N4、统计短期使用补充评估活跃度,
,、/>分别为设定参照的周度波动次数、月度波动次数,/>分别为设定的周度标注比极值差、月度标注比极值差,/>为设定的单位短期访问偏差因子对应参照短期期使用补偿评估活跃度,/>为短期访问偏差因子。
在一个具体实施例中,是依据总的标注周数设定而来,从各次分析访问的访问日期中提取起始访问日期和截止访问日期,将起始访问日期和截止访问日期进行对比,得到起始访问日期和截止访问日期之间的天数,进而将/>作为/>的具体取值,/>是依据总的标注月份数设定而来,即将作为/>的具体取值。
更进一步地,S6步骤中统计长期用户的使用活跃度,包括:S61、将起始年限的访问次数、粘性月份数目和平均月均访问比分别记为、/>和/>。
S62、将各对照年限的访问次数、粘性月份数目和平均月均访问比分别进行均值计算,将计算结果分别记为、/>和/>。
S63、统计长期用户的使用活跃度,/>,/>为设定参照的平均月均访问比差,/>为设定的长期使用补偿评估活跃度。
可理解地,长期使用补偿评估活跃度的设定过程如下:以年限为横坐标,以粘性月份数目为纵坐标,构建粘性月份数变化曲线,从中进行斜率值和幅值/>提取。
按照粘性月份数变化曲线的构建方式同理构建平均月均访问比变化曲线,并将其斜率值和幅值分别记为和/>。
统计长期使用补偿评估活跃度,
,分别为设定的参照粘性月份数目差、月均访问比差,/>为设定的单位长期访问偏差因子对应参照的长期使用补偿评估活跃度,/>表示且命题符号。
需要解释的是,、/>、、/>分别表示为/>、、/>、/>这四种条件下的长期访问偏差因子。
本发明实施例通过设定短期使用补偿评估活跃度和长期使用补偿评估活跃度,充分考虑了短期使用评估模式和长期使用评估模式中的数据波动和偏差情况,尽可能的缩减了短期用户和长期用户对应使用活跃度分析结果的误差,进而提高了短期用户和长期用户对应使用活跃度分析的准确性,并且还提升了后续用户分类的参照性。
所述用户流失验证模块,用于从目标应用软件后台提取各累计流失用户的软件相关数据,据此进行流失验证,得到各确认流失用户。
示例性地,进行流失验证,包括:V1、统计各流失预警用户与各累计流失用户的使用趋势相似度。
V2、若某流失预警用户的与某累计流失用户的使用趋势相似度大于0.8,则将该累计流失用户作为该流失预警用户的参照用户,以此筛选出各流失预警用户的各参照用户。
V3、将注册日期和标记流失日期的间隔天数作为累计注册天数,据此对各流失预警用户的各参照用户进行再次筛选,得到各流失预警用户的确认参照用户数目。
V4、统计累计流失用户数目,将确认参照用户数目和累计流失用户数目的比值记为流失参照比。
V5、将流失参照比大于设定参照有效流失参照比的流失预警用户记为确认流失用户,以此筛选出各确认流失用户。
本发明实施例通过根据已流失用户的软件相关数据进行流失验证,弥补了当前在同类性验证层面的欠缺,打破了当前从用户自身的特征数据进行流失风险预测的局限性,充分结合了其他特征雷同用户的特征数据,进而大幅度提升了户流失风险预测结果的代表性、合理性以及可靠性。
进一步地,V1步骤的具体执行过程为:统计各流失预警用户与各累计流失用户的使用趋势相似度,包括:V11、以访问次序为横坐标,以累计访问时长为纵坐标,构建各累计流失用户和各流失预警用户的访问时长变化曲线,两者对比分析得到各流失预警用户与各累计流失用户的访问时间变化吻合度,/>表示流失预警用户编号,/>,/>表示累计流失用户的编号,/>。
在一个具体实施例中,为取值大于1的正整数。
V12、根据所述访问次数,分别统计各累计流失用户和各流失预警用户的访问频率,分别记为和/>。
需要补充的是,累计流失用户的访问频率的统计公式为:
。
流失预警用户的访问频率的统计公式为
。
V13、将各流失预警用户与各累计流失用户在各次访问的访问跟踪路径进行重合对比,确认各流失预警用户与各累计流失用户的相似路径访问次数,记为,将各流失预警用户的访问次数记为/>。
需要补充的是,相似路径访问次数的确认依据如下:若某流失预警用户与某累计流失用户在某次访问时的对应访问跟踪路径的重合长度达到该流失预警用户在该次访问时对应访问跟踪路径的百分之八十,将该次访问作为该流失预警用户与该累计流失用户的相似路径访问,以此统计得到各流失预警用户与各累计流失用户的相似路径访问次数。
V14、统计各流失预警用户与各累计流失用户的使用趋势相似度,
,为设定参照访问时间变化吻合度,/>为设定参照访问频率差。
更进一步地,V11步骤中各流失预警用户与各累计流失用户的访问时间变化吻合度的具体分析过程如下:J1、从各累计流失用户以及各流失预警用户的访问时长变化曲线中分别提取斜率、谷值点数目和峰值点数目,分别记为、/>和/>以及/>、/>和/>。
J2、将各累计流失用户与各流失预警用户的访问时长变化曲线分别进行重合对比,得到各累计流失用户与各流失预警用户对应访问时长变化曲线的重合长度。
J3、统计各流失预警用户与各累计流失用户的访问时间变化吻合度,
,分别为设定许可的斜率差、谷值点数目差、峰值点数目差,/>为第/>个流失预警用户对应访问时长变化曲线的长度。
还需要补充的是,对各流失预警用户的各参照用户进行再次筛选,包括:根据各流失预警用户的注册日期,得到流失预警用户当前累计的注册天数,并与其各参照用户的累计注册天数进行作差,将差值记为注册天数差。
若某流失预警用户与其某参照注册用户的注册天数差在设定参照注册天数差区间内,则将该注册参照用户作为该流失预警用户的确认参照用户,以此统计各流失预警用户的确认参照用户数目。
本发明实施例通过根据注册日期与访问日期的年限对比,分别进行短期用户和长期用户的使用活跃度分析,并根据已流失用户的软件相关数据进行流失验证,有效解决了当前用户流失风险预测考虑要素不足的问题,规避了仅从短时期内进行应用关注情况分析的误差,实现了短时期和长时期的综合规律性评定,有效拓展了用户流失风险预测的考虑要素,减少了用户流失风险预测结果的偏差,进而确保了用户流失风险预测结果的精准性和参考性。
所述流失预警分析模块,用于根据各累计流失用户和各确认流失用户注册日期,分析目标应用软件的流失预警趋向指数。
示例性地,所述分析目标应用软件的流失预警趋向指数,包括:L1、将当前所处日期作为各确认流失用户的标记流失日期。
L2、将各确认流失用户的标记流失日期与各累计流失用户的标记流失日期进行整合,得到各综合标记流失日期,并据此设定各流失日期区间,同时统计位于各流失日期区间内的流失用户数目,/>表示流失日期区间的编号,/>。
在一个具体实施例中,流失日期区间的编号是依据流失日期区间的排序进行编号而来,即编号可反应流失日期区间的排序,末位标号即代表了流失日期区间的总数,且取值为大于1的正整数。
L3、统计注册日期位于各流失日期区间内的注册用户数目,作为新增用户数目,记为。
L4、将各确认流失用户与各累计流失用户进行整合,统计综合流失用户数目,并与累计的注册用户数目进行作比,得到用户流失比。
L5、统计目标应用软件的流失预警趋向指数,
,为设定补偿注册用户数目,/>表示设定的流失日期区间数目,/>为设定的参照用户流失比,/>为向下取整符号。
进一步地,L2步骤中各流失日期区间的设定过程为:将各综合标记流失日期按照时间先后进行排序,将排序第一位的综合标记流失日期和排序最后一位的综合标记日期分别作为起始划分流失日期和截止划分流失日期,进而根据设定间隔周期构建各流失日期区间。
在一个具体实施例中,如起始流失日期为3月1日,截止流失日期为10月9日,设定间隔周期为一个月,则将3月1日至3月31日、4月1日至4月30日、5月1日至5月31日、6月至6月30日,7月至7月31日、8月至8月31日,9月1日至9月30日、10月1日至10月9日作为各流失日期区间。
需要补充的是,当截止流失日期与其上一流失日期区间的上限日期间隔天数在3天以内,则将截止流失日期变更为其上一流失日期区间的上限日期,如当截止流失日期为10月2日,其上一流失日期区间为9月1日至9月30日,9月30日与10月2日的间隔天数为2天,则进行流失日期区间变更,变更后的流失日期区间表示为9月1日至10月2日。
本发明实施例通过对各确认流失用户和各累计流失用户进行整合分析,据此统计目标应用软件的流失预警趋向指数,打破了当前用户流失风险预测的片面性,实现了流失用户的综合性分析,直观地展示了目标应用软件的用户流失情况,进而提升了目标应用软件的用户流失的阻断效果以及目标应用软件用户的管理效果。
所述流失分析反馈终端,用于提取各确认流失用户的ID账号,将各确认流失用户的ID账号和目标应用软件的流失预警趋向指数反馈至目标应用软件的运营管理人员。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于大数据的app用户智能管理***,其特征在于:该***包括:
用户信息导入模块,用于导入目标应用软件上累计的注册用户数目、各注册用户的软件相关数据,包括ID账号、注册日期、访问次数以及各次访问的访问日期、累计访问时长和访问跟踪路径;
用户分类标记模块,用于分析各注册用户的使用活跃度,将使用活跃度大于0的注册用户记为活跃用户,反之记为流失预警用户,由此将各注册用户划分为各活跃用户和各流失预警用户;
用户流失验证模块,用于从目标应用软件后台提取各累计流失用户的软件相关数据,据此进行流失验证,得到各确认流失用户;
流失预警分析模块,用于根据各累计流失用户和各确认流失用户注册日期,分析目标应用软件的流失预警趋向指数;
流失分析反馈终端,用于提取各确认流失用户的ID账号,将各确认流失用户的ID账号和目标应用软件的流失预警趋向指数反馈至目标应用软件的运营管理人员。
2.如权利要求1所述的一种基于大数据的app用户智能管理***,其特征在于:所述分析各注册用户的使用活跃度,包括:
将累计访问时长大于或者等于设定有效访问时长的访问记为目标访问;
判断各注册用户的注册日期与其各次目标访问的访问日期是否均处于同一年限;
若某注册用户的判断结果为是,将该用户记为短期用户,启动短期活跃评估模型评估得到短期用户的使用活跃度,记为;
若某注册用户的判断结果为否,则将该注册用户记为长期用户,将各次目标访问的访问日期按照年限的不同进行归类,得到各年限内的目标访问次数和各次目标访问的访问日期,并确认各年限内的访问粘性月份数目;
将各年限内各月份的目标访问次数与各月份的天数进行作比,将比值记为访问比,通过均值计算得到各年限的平均月均访问比;
将与注册日期所属年限相同的年限记为起始年限,将其他年限作为各对照年限,并统计长期用户的使用活跃度,记为,以此得到各注册用户的使用活跃度,记为/>,/>取值为或者/>。
3.如权利要求2所述的一种基于大数据的app用户智能管理***,其特征在于:所述短期活跃评估模型的评估过程为:
将各次目标访问的访问日期在电子日历上进行标注,从中提取出各月份内各周的标注次数,并与各周的天数进行作比,得到各月份内各周的标注比;
从电子日历中提取各月份的标注次数,并与各月份的天数进行作比,得到各月份的标注比;
以周为横坐标,以标注比为纵坐标,构建各月份内的周度标注变化曲线,并将其按照月份先后顺序进行拼接,得到短期用户的综合周度标注变化曲线,并从中提取斜率值和幅值/>;
以月份为横坐标,以标注比为纵坐标,构建月度标注变化曲线,将月度标注变化曲线的长度、斜率值和幅值分别记为、/>和/>,并从中截选出位于设定参照月均标注比上方的曲线段总长/>;
将各月份内各周的标注比进行均值计算,得到各月份的平均单周标注比,并从中提取最大值和最小值,将最大值和最小值的差记为;
将、/>、/>、/>、/>、/>和/>作为短期活跃评估模型的输入,将使用活跃度作为短期活跃评估模型的输出,短期活跃评估模型具体表示公式如下:
,分别为设定参照的周度标注变化率、月度标注变化率、/>分别为设定参照的周度标注比差、月度标注比差,/>为设定的短期使用补偿评估活跃度。
4.如权利要求3所述的一种基于大数据的app用户智能管理***,其特征在于:所述统计长期用户的使用活跃度,包括:
将起始年限的访问次数、粘性月份数目和平均月均访问比分别记为、/>和/>;
将各对照年限的访问次数、粘性月份数目和平均月均访问比分别进行均值计算,将计算结果分别记为、/>和/>;
统计长期用户的使用活跃度,/>,/>为设定参照的平均月均访问比差,/>为设定的长期使用补偿评估活跃度。
5.如权利要求4所述的一种基于大数据的app用户智能管理***,其特征在于:所述长期使用补偿评估活跃度的设定过程如下:
以年限为横坐标,以粘性月份数目为纵坐标,构建粘性月份数变化曲线,从中进行斜率值和幅值/>提取;
按照粘性月份数变化曲线的构建方式同理构建平均月均访问比变化曲线,并将其斜率值和幅值分别记为和/>;
统计长期使用补偿评估活跃度,
,分别为设定的参照粘性月份数目差、月均访问比差,/>为设定的单位长期访问偏差因子对应参照的长期使用补偿评估活跃度,/>表示且命题符号。
6.如权利要求1所述的一种基于大数据的app用户智能管理***,其特征在于:所述进行流失验证,包括:
统计各流失预警用户与各累计流失用户的使用趋势相似度;
若某流失预警用户的与某累计流失用户的使用趋势相似度大于0.8,则将该累计流失用户作为该流失预警用户的参照用户,以此筛选出各流失预警用户的各参照用户;
将注册日期和标记流失日期的间隔天数作为累计注册天数,据此对各流失预警用户的各参照用户进行再次筛选,得到各流失预警用户的确认参照用户数目;
统计累计流失用户数目,将确认参照用户数目和累计流失用户数目的比值记为流失参照比;
将流失参照比大于设定参照有效流失参照比的流失预警用户记为确认流失用户,以此筛选出各确认流失用户。
7.如权利要求6所述的一种基于大数据的app用户智能管理***,其特征在于:所述统计各流失预警用户与各累计流失用户的使用趋势相似度,包括:
以访问次序为横坐标,以累计访问时长为纵坐标,构建各累计流失用户和各流失预警用户的访问时长变化曲线,两者对比分析得到各流失预警用户与各累计流失用户的访问时间变化吻合度,/>表示流失预警用户编号,/>,/>表示累计流失用户的编号,;
根据所述访问次数,分别统计各累计流失用户和各流失预警用户的访问频率,分别记为和/>;
将各流失预警用户与各累计流失用户在各次访问的访问跟踪路径进行重合对比,确认各流失预警用户与各累计流失用户的相似路径访问次数,记为,将各流失预警用户的访问次数记为/>;
统计各流失预警用户与各累计流失用户的使用趋势相似度,
,为设定参照访问时间变化吻合度,/>为设定参照访问频率差。
8.如权利要求7所述的一种基于大数据的app用户智能管理***,其特征在于:所述各流失预警用户与各累计流失用户的访问时间变化吻合度的具体分析过程如下:
从各累计流失用户以及各流失预警用户的访问时长变化曲线中分别提取斜率、谷值点数目和峰值点数目,分别记为、/>和/>以及/>、/>和/>;
将各累计流失用户与各流失预警用户的访问时长变化曲线分别进行重合对比,得到各累计流失用户与各流失预警用户对应访问时长变化曲线的重合长度;
统计各流失预警用户与各累计流失用户的访问时间变化吻合度,
,分别为设定许可的斜率差、谷值点数目差、峰值点数目差,/>为第/>个流失预警用户对应访问时长变化曲线的长度。
9.如权利要求6所述的一种基于大数据的app用户智能管理***,其特征在于:所述对各流失预警用户的各参照用户进行再次筛选,包括:
根据各流失预警用户的注册日期,得到流失预警用户当前累计的注册天数,并与其各参照用户的累计注册天数进行作差,将差值记为注册天数差;
若某流失预警用户与其某参照注册用户的注册天数差在设定参照注册天数差区间内,则将该注册参照用户作为该流失预警用户的确认参照用户,以此统计各流失预警用户的确认参照用户数目。
10.如权利要求6所述的一种基于大数据的app用户智能管理***,其特征在于:所述分析目标应用软件的流失预警趋向指数,包括:
将当前所处日期作为各确认流失用户的标记流失日期;
将各确认流失用户的标记流失日期与各累计流失用户的标记流失日期进行整合,得到各综合标记流失日期,并据此设定各流失日期区间,同时统计位于各流失日期区间内的流失用户数目,/>表示流失日期区间的编号,/>;
统计注册日期位于各流失日期区间内的注册用户数目,作为新增用户数目,记为;
将各确认流失用户与各累计流失用户进行整合,统计综合流失用户数目,并与累计的注册用户数目进行作比,得到用户流失比;
统计目标应用软件的流失预警趋向指数,/>,/>为设定补偿注册用户数目,/>表示设定的流失日期区间数目,/>为设定的参照用户流失比,为向下取整符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410290084.0A CN117893256B (zh) | 2024-03-14 | 2024-03-14 | 一种基于大数据的app用户智能管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410290084.0A CN117893256B (zh) | 2024-03-14 | 2024-03-14 | 一种基于大数据的app用户智能管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893256A true CN117893256A (zh) | 2024-04-16 |
CN117893256B CN117893256B (zh) | 2024-05-31 |
Family
ID=90649266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410290084.0A Active CN117893256B (zh) | 2024-03-14 | 2024-03-14 | 一种基于大数据的app用户智能管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893256B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180018684A1 (en) * | 2016-07-13 | 2018-01-18 | Urban Airship, Inc. | Churn prediction with machine learning |
CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
CN109829592A (zh) * | 2019-03-07 | 2019-05-31 | 深圳市丰巢科技有限公司 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
US20200242640A1 (en) * | 2015-02-24 | 2020-07-30 | Thinkcx Technologies, Inc. | System and method of analyzing social media to predict the churn propensity of an individual or community of customers |
CN116342161A (zh) * | 2023-03-22 | 2023-06-27 | 深圳兔展智能科技有限公司 | 针对客户流失的数据处理方法、装置、设备及存储介质 |
CN116594974A (zh) * | 2023-05-09 | 2023-08-15 | 浪潮软件科技有限公司 | 一种基于会员行为日志的智慧工会app活跃度分析方法 |
-
2024
- 2024-03-14 CN CN202410290084.0A patent/CN117893256B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200242640A1 (en) * | 2015-02-24 | 2020-07-30 | Thinkcx Technologies, Inc. | System and method of analyzing social media to predict the churn propensity of an individual or community of customers |
US20180018684A1 (en) * | 2016-07-13 | 2018-01-18 | Urban Airship, Inc. | Churn prediction with machine learning |
CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
CN109829592A (zh) * | 2019-03-07 | 2019-05-31 | 深圳市丰巢科技有限公司 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
CN116342161A (zh) * | 2023-03-22 | 2023-06-27 | 深圳兔展智能科技有限公司 | 针对客户流失的数据处理方法、装置、设备及存储介质 |
CN116594974A (zh) * | 2023-05-09 | 2023-08-15 | 浪潮软件科技有限公司 | 一种基于会员行为日志的智慧工会app活跃度分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117893256B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170371757A1 (en) | System monitoring method and apparatus | |
CN106960359B (zh) | 一种基于流式计算的全自动竞价优化方法及*** | |
Bloomfield | Strategic dependence and inherent risk assessments | |
CN111127105A (zh) | 用户分层模型构建方法及***、运营分析方法及*** | |
CN106204127A (zh) | 针对应用的用户评价方法及装置 | |
CN103309894A (zh) | 基于用户属性的搜索实现方法及*** | |
CN105701135A (zh) | 一种应用推荐的方法和装置 | |
CN107957988A (zh) | 用于确定数据异常原因的方法、装置及电子设备 | |
CN112990715A (zh) | 政策信息的推送方法和装置 | |
CN113467314B (zh) | 一种基于大数据和边缘计算的信息安全风险评估***及方法 | |
CN117893256B (zh) | 一种基于大数据的app用户智能管理*** | |
CN106933971B (zh) | 一种基于科技服务的数据分析统计*** | |
CN110457332B (zh) | 一种信息处理方法及相关设备 | |
CN116452242A (zh) | 一种基于拟合回归的游戏利润预测方法、装置及设备 | |
CN111222757A (zh) | 一种充电桩使用情况的统计方法及装置 | |
CN115002199A (zh) | 用户标签推送方法及相关装置 | |
CN113822464A (zh) | 用户信息的处理方法及装置、电子设备、存储介质 | |
CN107748711A (zh) | 自动优化Storm并行度的方法、终端设备及存储介质 | |
CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
CN113010795A (zh) | 用户动态画像生成方法、***、存储介质及电子设备 | |
CN110889431A (zh) | 基于K-Means算法改进的高频职业技能生命曲线聚类方法 | |
CN113268477B (zh) | 数据表清理方法、装置及服务器 | |
CN117742975B (zh) | 资源数据处理方法、装置、存储介质及电子设备 | |
CN111667309B (zh) | 一种生活必需品中长期预测方法 | |
CN114219501B (zh) | 样本标注资源分配方法、装置及应用 |
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 |