[发明专利]基于用户数据的资费套餐贬损用户预测方法

说明书

本发明涉及一种基于用户数据的资费套餐贬损用户预测方法，具体包括以下步骤：S1数据采集：从用户数据中，提取出与用户个体行为特征相关的指标；S2数据清洗与样本划分；S3贬损用户预测模型的训练与测试：使用测试集样本数据验证该贬损用户预测模型的效果，同时保存特征筛选后的结果；S4贬损用户归因分析模型训练：S5预测全量用户：将全量用户数据输入贬损用户预测模型，得到潜在的贬损用户。从海量数据中分析用户个体消费行为特征，通过用户的多维度特征高效且低成本的挖掘出潜在的贬损用户，从而针对性的改善用户感知，提升运营商的品牌形象。

技术领域

本发明涉及通信数据处理技术领域，尤其涉及一种基于用户数据的资费套餐贬损用户预测方法。

背景技术

随着我国通信市场个人用户趋于饱和，三大运营商均面临着用户难以增长的问题，竞争便从增量市场转到了存量市场，如4G用户向5G转化，语音用户向宽带用户转化等。

在如此激烈的竞争背景下，保证存量用户使用体验、减少用户流失，成为电信运营商保持用户和收入增长的重要手段。因此就需要电信运营商加强对贬损用户的维护与挽留，改善贬损用户的质差体验，从而提升品牌形象，保证收入增长。

“贬损用户”指对品牌、产品或服务不满意的人，且此类用户不愿意向别人推荐该公司的产品或服务，从而使企业的销售额和利润下降、品牌形象受损、让竞争对手获利。由此可见，及时发现贬损用户对企业至关重要。

在中国专利文献CN111311338A，公开了一种用户价值的预测方法以及用户价值预测模型的训练方法，一种用户价值的预测方法以及用户价值预测模型的训练方法，预测方法包括：获取待预测用户在新增期的行为特征数据；将行为特征数据作为多类预测模型的输入，获得多类预测模型的价值预测结果；将多类预测模型的价值预测结果作为分类模型的输入，获得分类模型输出的待预测用户的未来价值。在用户成为高价值用户之前可以及时挖掘出潜在的高价值用户，提高了用户价值预测的准确性和及时性。

但是上述技术方案的对于运营商在资费服务方面的贬损用户，没有提供具体的方案进行高效寻找出来，有必要在这方面提供一个新的方案。

发明内容

本发明要解决的技术问题是，提供一种基于用户数据的资费套餐贬损用户预测方法，能够通过大数据建模，高效寻找出运营商在资费服务方面的贬损用户。

为了解决上述技术问题，本发明采用的技术方案是：该基于用户数据的资费套餐贬损用户预测方法，具体包括以下步骤：

S1数据采集：从用户数据中，提取出与用户个体行为特征相关的指标；

S2数据清洗与样本划分：对所述步骤S1中采集的用户数据进行清洗，将清洗后的样本数据划分为贬损用户预测模型的训练集与测试集；

S3贬损用户预测模型的训练与测试：采用所述步骤S2中得到的训练集样本数据训练一个贬损用户预测模型，并使用所述步骤S2中得到的测试集样本数据验证该贬损用户预测模型的效果，同时保存特征筛选后的结果；

S4贬损用户归因分析模型训练：将所述步骤S3中保存的特征筛选后的结果作为归因因子，使用逻辑回归算法训练一个分类模型，并从提取出的逻辑回归模型系数中寻找每个潜在贬损用户的贬损原因；

以往对贬损用户的处理手段是以被动解决投诉用户的诉求为主，辅助手段也仅仅是通过人工经验对个别指标进行潜在贬损用户的判断，上述步骤变被动为主动，使用机器学习算法寻找贬损原因，并进行预测全量用户的潜在贬损概率；此处的逻辑回归算法属于现有的，逻辑回归算法logistic起源于对人口数量增长情况的研究，最重要的工作是PierreVerhulst在1838年提出了对人口增长的公式描述。在1958年David Cox在The regression analysis of binary sequences中提出了logistic regression，既逻辑回归；