[發明專利]用戶流失預警的方法和裝置

在審

• 申請號: 202011340761.3
• 申請日: 2020-11-25
• 公開（公告）號: CN112465544A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 詹秋泉
• 申請（專利權）人: 北京深演智能科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 董文倩

本發明公開了一種用戶流失預警的方法和裝置。其中，該方法包括：獲取歷史用戶數據；依據歷史用戶數據生成數據集；依據數據集中的訓練集和測試集進行模型訓練，得到用戶流失預警模型；依據用戶流失預警模型對用戶數據進行分析，得到對用戶分類的預警結果。本發明解決了由于現有技術中依據傳統的統計學方式獲取用戶群體分析，導致的缺乏預警機制的技術問題。

技術領域

本發明涉及互聯網技術領域，具體而言，涉及一種用戶流失預警的方法和裝置。

背景技術

早些年美國互聯網創業圈就提出了“增長黑客”的概念，旨在尋找一種精準的、低成本、高效率的營銷方式。借助移動互聯網紅利帶來用戶的快速增長，但是，隨著移動互聯網流量紅利的逐漸消失，獲客成本的增加，越來越多的企業和品牌開始更加重視用戶增長，思考如何通過精細化運營來驅動用戶增長。其中，隨著大數據越來越被廣泛應用及認可，大數據在用戶精細化運營上也開始顯現出重要作用。比如現在大數據已經廣泛應用到用戶拉新、內容智能推薦、智能營銷、用戶流失預警等方向，可以實現低成本、高效率的精細化運營。

在用戶流失預警領域，傳統的做法是借助統計學手段，基于用戶屬性分析、關鍵事件分析、負向體驗的用戶分析、業務粘性分析、活躍度分析等角度，孤立片面地對用戶群體進行分析。通過這一手段，往往能夠找到流失用戶群體，但是卻為時已晚。

現有的用戶流失技術，多數是基于統計學手段進行分析。基于用戶屬性、關鍵事件、負向體驗的用戶、業務粘性、活躍度等角度，了解用戶的基本屬性，間接地能夠區分出活躍用戶、非活躍用戶的屬性差異。借助單一角度或者多個孤立的角度能夠間接地判斷出流失用戶群體，但是卻為時已晚。用戶一旦流失了就很難被召回，因此沒有起到提前預警的功能。在具體的用戶精細化運營過程中，不能夠起到力挽狂瀾，挽回流失用戶的事實。

現有技術的最大缺點是，不能夠提前對流失用戶的預警，進而避免用戶的流失。現有技術的分析手段較為簡易，面對用戶的流失無動于衷，僅僅起到分析用戶流失的結果，卻沒有找到用戶流失的原因，不能夠避免用戶流失帶來的損失。

針對上述由于現有技術中依據傳統的統計學方式獲取用戶群體分析，導致的缺乏預警機制的問題，目前尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種用戶流失預警的方法和裝置，以至少解決由于現有技術中依據傳統的統計學方式獲取用戶群體分析，導致的缺乏預警機制的技術問題。

根據本發明實施例的一個方面，提供了一種用戶流失預警的方法，包括：獲取歷史用戶數據；依據歷史用戶數據生成數據集；依據數據集中的訓練集和測試集進行模型訓練，得到用戶流失預警模型；依據用戶流失預警模型對用戶數據進行分析，得到對用戶分類的預警結果。

可選的，獲取歷史用戶數據包括：在歷史用戶數據包括預設時間范圍內用戶的行為數據、到店數據和用戶屬性數據的情況下，依據歷史用戶數據中的預設時間范圍內用戶的行為數據、到店數據和用戶屬性數據，將每個用戶的每次間隔到店數據視為第一樣本，多次到店的用戶將被劃分為第二樣本，未曾到店的用戶將被視為第三樣本。

進一步地，可選的，依據歷史用戶數據生成數據集包括：依據第一樣本提取歷史間隔時段的用戶屬性和行為屬性作為樣本的特征；將歷史間隔時長處理為第一樣本的回歸值；依據第一樣本、第一樣本的特征和回歸值進行數據清洗和處理，得到數據集。

可選的，依據數據集中的訓練集和測試集進行模型訓練，得到用戶流失預警模型包括：將數據集劃分為訓練集合測試集；依據訓練集和測試集通過回歸模型進行訓練，得到用戶流失預警模型。