[發明專利]一種企業情報流失預測方法

在審

• 申請號: 202010011876.1
• 申請日: 2020-01-07
• 公開（公告）號: CN111242449A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 楊冬豪;陳海峰
• 申請（專利權）人: 杭州策知通科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06K9/62
• 代理公司: 杭州快知知識產權代理事務所(特殊普通合伙) 33293
• 代理人: 楊冬玲

本發明公開了一種企業情報流失預測方法，包括系統獲取數據集，將數據集劃分為訓練集和測試集，之后利用CatBoost、GBDT算法和加權投票算法，將所述訓練集進行雙層訓練，輸出分類預測模型的評價指標。使用雙層融合的方法以及相適應的算法，提高企業情報流失預測模型的準確率和精確率，進一步的完善企業情報流失預測模型。

技術領域

本發明涉及數據處理領域，尤其涉及一種企業情報流失預測方法。

背景技術

時至今日，各類市場日益飽和且競爭激烈，屬于行業巨頭的市場份額越來越大，各行業企業家們以往關注的重點在于推出新穎的定制服務來吸引新客戶，并將已經擁有的客戶轉換成忠誠客戶。而研究表明發展一個新客戶的成本遠高于維護一個老客戶的成本，所以預防老客戶的流失是各企業家們必須重視的問題。

因此，客戶流失預測技術對于企業挽留老客戶和推出各種定制服務來說是十分重要的。比如電信企業，一個流失的客戶如果不再使用運營商提供的服務，那么他就再也無法產生任何利潤，這對于擁有千萬級別數量客戶的運營商而言，如果能降低百分之一的客戶流失率，那將會帶來可觀的利潤增長。及時并準確識別潛在的流失客戶漸漸成為了各大行業巨頭企業家們研究的重點。

在客戶流失預測領域，機器學習的算法如強化學習算法的應用大幅提高了模型的準確率，但是單個算法在預測準確率上的提升還很有限，所以提升準確率和精確率是客戶流失預測模型急需提高的地方。本發明采用雙層融合結構以及相適用的算法，提高客戶流失預測模型的準確率和精確率，進一步的完善客戶流失預測模型。

發明內容

本發明提供的一種企業情報流失預測方法，旨在解決現有技術中存在準確率和精確率低的問題。

為實現上述目的，本發明采用以下技術方案：

本發明的一種企業情報流失預測方法，包括以下步驟：

獲取數據集，將數據集劃分為訓練集和測試集；

利用CatBoost、GBDT算法和加權投票算法，將所述訓練集進行雙層訓練，輸出分類預測模型的評價指標。

獲取數據集，將數據集劃分為訓練集和測試集，之后利用CatBoost、GBDT算法和加權投票算法，將所述訓練集進行雙層訓練，輸出分類預測模型的評價指標。使用雙層融合的方法以及相適應的算法，提高客戶流失預測模型的準確率和精確率，進一步的完善客戶流失預測模型。

作為優選，所述利用CatBoost、GBDT算法和加權投票算法，將所述訓練集進行雙層訓練，輸出分類預測模型的評價指標，包括：

搭建分類預測模型雙層結構，第一層通過相應算法對訓練集進行訓練，得到第一層數據集；

第二層通過相應算法對第一層數據集進行訓練，得到分類預測模型的評價指標,其中GBDT算法是基學習器采用的Decision Tree的Gradient Boosting方法，GradientBoosting模型與Adaboost的形式一致，采用M個基學習器的線性組合得到最終模型：

其中m是模型迭代的步數，θm為固定參數。

作為優選，所述獲取數據集，將數據集劃分為訓練集和測試集，經過訓練、驗證和測試方法，輸出相對應的評估集和測試集。

一種企業情報流失預測裝置，包括：

獲取模塊，獲取數據集，將數據集劃分為訓練集和測試集；

計算模塊，利用CatBoost、GBDT算法和加權投票算法，將所述訓練集進行雙層訓練，輸出分類預測模型的評價指標；

分析模塊，將所述分類預測模型的評價指標與對比對象進行結果分析比較。