[发明专利]用户流失预测方法和装置

说明书

技术领域

本发明涉及数据处理领域，尤其涉及一种用户流失预测方法和装置。

背景技术

当前，企业在注重吸引和发展新用户的同时，更要重视现有的用户。而留住现有用户的前提是了解现有用户，预测用户流失的可能性，在用户体现出流失征兆之前采取相应的挽留措施，可以预防用户流失，提高企业的经营效益。

在现有的用户流失预测模型建模的过程中，采用随机抽取的样本数据进行建模。然而，由于样本的随机性使预测模型的准确性较低，进而降低了预测用户是否流失的准确率。

发明内容

本发明实施例所要解决的一个技术问题是：如何提高用户流失预测的准确性。

根据本发明实施例的第一个方面，提供了一种用户流失预测方法，包括：对用户数据进行分类，用户数据被标记为已流失用户和未流失用户；从用户数据的各个类别中分别抽取部分用户数据；根据抽取的用户数据的特征训练分类模型，获得分类器；采用分类器预测待测用户是否会流失。

在一个实施例中，对用户数据进行分类包括：根据用户数据中与用户流失相关的特征，采用聚类的方法对用户数据进行分类。

在一个实施例中，从用户数据的各个类别中抽取部分用户数据包括：从用户数据的各个类别中分别抽取预设比例的用户数据。

在一个实施例中，根据抽取的用户数据的特征训练分类模型，获得分类器包括：从抽取的用户数据中随机选择若干组用户数据；采用选择的若干组用户数据分别训练决策树模型；将采用选择的若干组用户数据训练得到的若干决策树共同作为分类器。

在一个实施例中，根据抽取的用户数据的特征训练分类模型包括：统计抽取的用户数据中各个特征的所有取值的种类；如果特征的所有取值的种类大于预设值，将特征的每个取值分别作为抽取的用户数据的新的特征，并且删除所有取值的种类大于预设值的特征；根据处理后的抽取的用户数据的特征训练分类模型。

在一个实施例中，根据抽取的用户数据的特征训练分类模型包括：从抽取的用户数据中，采用套索算法选择特征；根据抽取的用户数据的选择的特征训练分类模型。

在一个实施例中，采用以下方法获得标记的用户数据：获取第一时间单元中的具有若干特征的用户数据；根据第一时间单元中的用户数据在第二时间单元是否流失的状态，标记第一时间单元中的用户数据；其中，第一时间单元为第二时间单元的相邻在先时间单元。

根据本发明实施例的第二个方面，提供一种用户流失预测装置，包括：用户数据分类模块，用于对用户数据进行分类，用户数据被标记为已流失用户和未流失用户；用户数据抽取模块，用于从用户数据的各个类别中分别抽取部分用户数据；模型训练模块，用于根据抽取的用户数据的特征训练分类模型，获得分类器；用户流失预测模块，用于采用分类器预测待测用户是否会流失。

在一个实施例中，用户数据分类模块进一步用于根据用户数据中与用户流失相关的特征，采用聚类的方法对用户数据进行分类。

在一个实施例中，用户数据抽取模块进一步用于从用户数据的各个类别中分别抽取预设比例的用户数据。

在一个实施例中，模型训练模块包括：分组数据抽取单元，用于从抽取的用户数据中随机选择若干组用户数据；决策树训练单元，用于采用选择的若干组用户数据分别训练决策树模型；分类器形成单元，用于将采用选择的若干组用户数据训练得到的若干决策树共同作为分类器。

在一个实施例中，模型训练模块包括：特征取值种类统计单元，用于统计抽取的用户数据中各个特征的所有取值的种类；特征转换单元，用于当特征的所有取值的种类大于预设值时，将特征的每个取值分别作为抽取的用户数据的新的特征，并且删除所有取值的种类大于预设值的特征；第一模型训练单元，用于根据处理后的抽取的用户数据的特征训练分类模型。

在一个实施例中，模型训练模块包括：特征选择单元，用于从抽取的用户数据中，采用套索算法选择特征；第二模型训练单元，用于根据抽取的用户数据的选择的特征训练分类模型。

在一个实施例中，还包括用户数据获取模块，用户数据获取模块包括：用户数据获取单元，用于获取第一时间单元中的具有若干特征的用户数据；用户数据标记单元，用于根据第一时间单元中的用户数据在第二时间单元是否流失的状态，标记第一时间单元中的用户数据；其中，第一时间单元为第二时间单元的相邻在先时间单元。

本发明通过采用对用户数据分类，再从各个类别中分别抽取部分数据，以训练用于预测用户是否会流失的分类模型，可以使用于训练分类模型的数据能够充分体现原始用户数据的特点，从而能够更准确地预测用户是否会流失。