[发明专利]一种去除周期性因素流失用户的预测方法及系统

说明书

本发明公开了一种去除周期性因素流失用户的预测方法及系统，其特征在于，包括整理用户所有关键行为表数据；对用户访问间隔及末次访问时间进行计算，对用户所有关键行为表数据中的访问时间进行排序，将用户所有关键行为表数据中的访问时间选取出来，并将访问时间排序；分析用户的周期性，找出用户具有周期性非主观不使用产品的时间段；使用拐点法计算流失期限；判断并标识流失用户；将用户的具体信息推送给运营人员；该方法和系统能够更准确的找到流失用户，从而帮助企业分析及挽回流失用户。

技术领域

本发明涉及数据库技术领域，特别是涉及一种去除周期性因素流失用户的预测方法及系统。

背景技术

随着智能化校园，智能化企业，智能化家居的迅速发展，许多新型的互联网产品不断涌现，对于一款互联网产品来说，往往不可避免的会面临用户流失的问题。一定范围内的用户流失率是可以被接受的，因为通过各种渠道接触到产品的用户并不一定都是我们的目标用户。但当流失率高于我们的预期值，我们就需要分析用户离开的原因，制定相应的措施挽回已经流失的用户。因此如何准确的预测流失用户就显得极其重要。

预测流失用户的关键在于确定合适的流失期限，传统通常采用经验法，经验性的制定一个流失期限，或者根据访问行为后台数据找出流失期限与回访率的相关曲线拐点，但是未考虑到一些产品的访问包含一定的周期性。例如饿了么、美团外卖等互联网产品需要考虑到学生这类用户具有寒暑假，在假期期间，用户几乎没有访问行为即用户非主观不使用软件，这部分数据将会影响最终流失期限的计算。

因此需要一种方法和系统，能结合每个用户的周期性因素，判断用户访问间隔(本次访问及下次访问之间的时间间隔)是否包含周期因素，计算用户实际访问间隔，确定流失期限，最终将流失用户标识出来并发给运营人员。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种去除周期性因素流失用户的预测方法及系统。

为解决上述技术问题，本发明提供一种去除周期性因素流失用户的预测方法，其特征在于，包括如下步骤：

步骤一：整理用户所有关键行为表数据；所述关键行为表数据包括日期维表DIM_C和用户维表DIM_USER，所述日期维表DIM_C包含从产品发布日期至今的所有日期；所述用户维表DIM_USER包含从产品发布日期至今的所有用户的添加时间、年龄、性别、地址、联系方式等数据信息；

步骤二：对用户访问间隔及末次访问时间(cal_last_visit)进行计算，对用户所有关键行为表数据中的访问时间进行排序，将用户所有关键行为表数据中的访问时间选取出来，并将访问时间排序，增加一个排序标签ro，以用户id(user_id)，访问时间(cal_visit)，ro字段存储在表1，表1与自身按user_id＝user_id和ro+1＝ro关联，找出每次访问后的下次访问时间及访问时间间隔，以用户id(user_id)，访问时间(cal_number)，下次访问时间(cal_number_next)，访问间隔(return_visit_days)字段存入一张新表A；表A与自身按user_id＝user_id关联，限制第一张表A的访问间隔(return_visit_days)不为空，第二张访问间隔(return_visit_days)为空，取出第二张表的访问时间(cal_number)即用户的末次访问时间(cal_last_visit)，最后以用户id(user_id)，访问时间(cal_number)，下次访问时间(cal_number_next)，访问间隔(return_visit_days)，末次访问时间(cal_last_visit)存入表B；