[发明专利]客户流失预警方法、装置、设备及存储介质

权利要求书

1.一种基于用户信息及行为的客户流失预警方法，其特征在于，所述方法包括：

获取预设历史时间段内的用户信息数据集、行为数据集及客户流失数据集；

清洗所述用户信息数据集及所述行为数据集，并对清洗后的所述用户信息数据集及所述行为数据集进行统一编码，得到用户信息数值型特征集及行为数据数值型特征集；

利用皮尔逊相关系数算法，从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集；

基于所述用户信息关联特征集及所述行为数据关联特征集，利用K折交叉验证算法构建训练集及测试集；

基于所述训练集及所述客户流失数据集，对预构建的客户流失预警模型进行训练，得到初步训练完成的客户流失预警模型，并利用对应的测试集对所述初步训练完成的客户流失预警模型进行测试，当所述测试未通过时，再次训练所述客户流失预警模型，直至测试通过，得到训练完成的客户流失预警模型；

利用所述训练完成的客户流失预警模型对待分析客户的用户信息数据、行为数据进行分析，得到所述待分析客户的流失意向得分。

2.如权利要求1所述的基于用户信息及行为的客户流失预警方法，其特征在于，所述对清洗后的所述用户信息数据集及所述行为数据集进行统一编码，得到用户信息数值型特征集及行为数据数值型特征集，包括：

提取清洗后的所述用户信息数据集及所述行为数据集中的日期数据，并将所述日期数据统一为标准的日期格式数据；

利用统一字符编码规则，将清洗后的所述用户信息数据集及所述行为数据集中标准的日期格式数据以及非日期数据编码为用户信息数值型特征集及行为数据数值型特征集。

3.如权利要求2所述的基于用户信息及行为的客户流失预警方法，其特征在于，所述利用皮尔逊相关系数算法，从所述用户信息数值型特征集及所述行为数据数值型特征集中提取与所述客户流失数据集关联的用户信息关联特征集及行为数据关联特征集，包括：

利用皮尔逊相关系数算法计算所述客户流失数据集与所述用户信息数值型特征集及所述行为数据数值型特征集中各个特征之间的相关系数；

从所述用户信息数值型特征集及所述行为数据数值型特征集中过滤掉所述相关系数小于预设的系数阈值的特征，得到用户信息关联特征集及行为数据关联特征集。

4.如权利要求3中任一项所述的基于用户信息及行为的客户流失预警方法，其特征在于，所述基于所述用户信息关联特征集及所述行为数据关联特征集，利用K折交叉验证算法构建训练集及测试集，包括：

将所述用户信息关联特征集均分为K个用户信息关联特征子集，及将行为数据关联特征集均分为K个行为数据关联特征子集；

不重复地选取其中一个用户信息关联特征子集及其中一个行为数据关联特征子集，并将选取的所述用户信息关联特征子集及行为数据关联特征子集合并为参考样本集，得到K个参考样本集；

依次将每个所述参考样本集作为测试集，将剩余的K-1个参考样本集作为训练集。

5.如权利要求4所述的基于用户信息及行为的客户流失预警方法，其特征在于，所述基于所述训练集及所述客户流失数据集，对预构建的客户流失预警模型进行训练，得到初步训练完成的客户流失预警模型，包括：

组合所述各组训练集中的用户信息关联特征集及所述行为数据关联特征集，得到特征属性集合；

从所述客户流失数据集中获取客户流失类别集合；

统计所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及所述特征属性集合中特征在客户流失类别下的条件概率；

利用朴素贝叶斯定理，根据所述特征属性集合的先验概率、所述客户流失类别集合的先验概率及条件概率，计算各个所述客户流失类别在所述特征属性集合下的后验概率；

归一化所述后验概率，得到历史用户流失意向得分，并利用预设的得分阈值及所述历史用户流失意向得分，判断所述客户流失风险；

利用利用损失函数计算所述客户流失风险与所述客户流失数据之间的损失值，根据所述损失值对所述客户流失预警模型进行参数调整，直至所述损失值小于预设的损失阈值，得到初步训练完成的客户流失预警模型。