[发明专利]药店会员流失预警和智能干预系统及方法

权利要求书

1.一种药店会员流失预警及智能干预系统，其特征在于，包含流失会员筛选模块、流失会员价值分组模块、流失会员干预挽回模块；

所述流失会员筛选模块，利用Logistic回归模型对会员的消费属性、会员属性和健康属性进行分析，对流失概率大于50%的会员进行流失预警；

所述流失会员价值分组模块，对被标记的流失预警会员，计算会员价值进行分组，对不同价值的会员采用不同的干预挽回措施；

所述流失会员干预挽回模块，对所述流失会员价值分组模块分组的不同价值的会员采用不同的干预挽回措施。

2.如权利要求1所述的系统，其特征在于，所述流失会员筛选模块采用数据清洗、特征提取、模型建立和流失分类四个步骤；

所述数据清洗包括删除错误数据、重复数据和异常数据；

所述特征提取从消费属性、会员属性和健康属性三个维度进行特征提取；所述消费属性是最重要的维度，取最近未消费时间、累计消费次数和累计消费金额三个变量；所述会员属性和所述健康属性分别根据系统中已有的统计维度进行累计打分后作为流失预警模型的一个变量；

所述模型建立采用Logistic回归模型：

P为某顾客的流失概率，是截距，分别表示最近未消费时间、累计消费次数、累计消费金额、会员属性和健康属性的回归系数；

所述流失分类，定义当顾客的流失概率P大于50%时系统进行流失预警，即的值大于0，即当顾客的各因素加权处理值大于0时即进行流失预警，该会员为流失预警会员；如流失概率小于等于0时，则该会员分类为非流失预警会员。

3.如权利要求2所述的系统，其特征在于，所述回归系数利用药店已有的会员数据采用最大似然估计得到各回归系数的估计值，截距为0。

4. 如权利要求1所述的系统，其特征在于，所述流失会员价值分组模块采用基于健康水平H、消费近度R、消费频度F 和消费额度M的K均值K-means 聚类方法进行聚类，并计算每个聚类会员的加权平均HRFM得分用来确定它们的会员终身价值CLV大小顺序，以实现会员分类；所述流失会员价值分组模块具体包括如下步骤：

第一步，数据清洗：针对购药记录的特点，以天为单位整合每个会员的购药信息，把同一天购药信息整合并作为单次购药信息，删除干扰信息；

第二步，特征提取：提取会员的健康水平H、消费近度R、消费频度F 和消费额度M特征；所述消费近度R是会员最近一次购药时间距当前研究时间的天数或该研究时间段内的持续购药天数；所述消费频度F 是会员在研究时间段内总的购药次数；所述消费额度M是会员在研究时间段的购药单价或购药总费用；

第三步，加权处理：初步确定HRFM四者权重的初步比例关系；对特征进行两两比较得到相应的评价矩阵，并进行相应的调整以使其通过一致性检验；利用层次分析法求得HRFM四个特征的权重；

第四步，聚类分析：利用K-means聚类算法对加权后的HRFM作聚类分析；

第五步，类型定义：对每类会员标准化后的HRFM取平均，将平均值加权求和，得到相应的加权后的会员终身价值CLV得分，并在此基础上进行每类会员的终身价值大小排序，确定预警会员的分组。

5.如权利要求1所述的系统，其特征在于，所述流失会员价值分组模块将所有流失预警会员分成重要挽留会员，一般挽留会员和无价值会员三类；

所述重要挽留会员，这类会员属于活跃和较为活跃会员，他们的消费频次和客单价高于平均水平，最近消费时间也不算太长，会员实际贡献价值比较高，是药店利润的重要来源；

所述一般挽留会员，这类会员的客单价接近平均水平，但来店频率比较低或已经有一段时间没有到店消费了，他们具有一定的潜力成为较高价值的会员，也能固定的成为药店利润来源；

所述无价值会员，这类会员消费频率和客单价都偏低，给药店带来的利润也很低。

6.如权利要求5所述的系统，其特征在于，所述流失会员干预挽回模块，对所述重要挽留会员进行一对一电话召回，对所述一般挽留会员进行短信召回，对所述无价值会员不采取干预挽回措施。