[发明专利]一种基于大数据的欠费风险预测模型构建方法

说明书

技术领域

本发明涉及一种基于大数据的欠费风险预测模型构建方法，运用数理统计和数据挖掘中的算法，对预付费用户的不同欠费行为特征归纳及分类，找出高额欠费风险用户的消费特征，建立欠费风险预测模型，实现用户精细化管理。

背景技术

随着移动通信技术的发展，移动用户的数量也急剧增加。当大量的通信用户出现欠费离网行为时，通信用户的欠费离网率将呈上升趋势，并且产生大量坏账，对通信运营商的经济效益产生较大影响。对此，通信运营商需要采用技术手段，加强对欠费用户的管理。

通信产品作为一种特殊的商品，具有不可存储性，其使用与费用产生同时在瞬间完成，而对费用的收取往往滞后于业务使用。这决定了通信产品的销售以“先使用，后付费”的准实时计费方式为主。如何采用科学的管理方法和高效技术手段来解决目前存在的问题，有效降低通信运营商的经营风险，保护企业合法利益，已成为运营商们亟待解决的问题。

发明内容

本发明提供一种基于大数据的欠费风险预测模型构建方法，通过该模型从海量数据中挖掘出具有高额欠费风险，并且欠费不缴可能性高的用户，提升实时计费欠费风险控制能力，有效防止恶意欠费导致的收入流失。

为了实现上述目的，本发明采用的技术方案如下：

基于大数据的欠费风险预测模型建立方法，包括以下步骤：

（1）选取目标用户，确定建模参考点，且用户在参考点处于正常状态；

（2）确定欠费超过多少天的用户为BAD用户；

（3）确定模型构建需针对的特征用户群体；

（4）确定高单价欠费用户；

（5）欠费风险预测和金额预测相结合，确定需进行监控的用户。

与现有技术相比，本发明具有以下有益效果：

（1）基于系统容量的考虑，只需找到全体正常预付费用户中最大欠费概率、且最高预测欠费金额的用户，进行系统监控应用，即可有效控制欠费(金额)风险。

附图说明：

图1为本发明的流程图。

具体实施方式：

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例:

图1为本发明的流程图，选取状态正常的预付费用户，实施流程如下：

1、选取目标用户，确定建模参考点，且用户在参考点处于正常状态。参考点之前的时间为观察窗口，通过该窗口对用户特征进行观察；参考点之后的时间为表现窗口，根据该窗口对预测目标进行构建。

2、确定欠费超过多少天的用户为BAD用户。通过欠费停开机日志的探索分析，发现不同欠费时长用户未来复机的概率分布为：欠费(停机)5天以后复机的用户比例为49%，欠费(停机)30天以后复机的用户比例为19%，欠费(停机)60天以后再复机的用户比例为8%，最终确定欠费超过30天的用户为BAD用户。

3、确定模型构建需针对的特征用户群体。对全体预付费用户行为数据进行决策树分析，发现在可用余额大于15的情况下，当用户在网时长>9个月时，BAD用户占比为0.92%，当在网时长<9个月时，BAD用户占比为4%；可用余额<15时，当在网时长>12个月时，BAD用户占比为4.7%，当在网时长<12个月时，BAD用户占比为7.6%。

4、确定高单价欠费用户。若全量的BAD用户进行监控，对系统载荷要求较高，若取一定比例的BAD用户进行监控，则可能会遗漏一部分高额欠费用户，按概率高低取全量用户的前30%，即可获取所有BAD用户的80%,而金额预测模型的前10%用户基本包含了欠费金额最高的用户群体。

5、欠费风险预测和金额预测相结合，确定需进行监控的用户。将所有预付费用户中取出100%正常用户，依据欠费风险预测模型，按概率高低取正常用户的前30%，依据欠费金额预测模型，取金额预测模型的前10%用户，进行系统监控应用，即可有效控制欠费金额风险。

按照上述实施例，便可很好地实现本发明。