[发明专利]客户流失预测方法、装置及存储介质

说明书

本申请公开了一种客户流失预测方法、装置及计算机设备，在获取客户流失预测模型过程中，本申请是按照预设业务的虚拟资源余额对客户进行分类，得到更加细化且体现客户在该预设业务中个人喜好的多个客户群，之后，针对每一个客户群，将通过对相应客户在预设历史时间段内的多个维度的原始特征数据，及据此得到多个维度的衍生特征数据进行预处理，得到该客户群的模型训练样本，极大丰富了模型训练样本的种类，这样，利用机器学习算法，对这些模型训练样本进行训练，大大提高了训练得到的客户流失模型的预测准确性，进而使得业务人员能够据此准确且及时预先得知可能会流失的客户名单，采取合适的政策对这些客户进行挽留，降低客户流失量。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种客户流失预测方法、装置、系统及存储介质。

背景技术

在如今激烈的市场竞争环境中，企业想要发展新客户往往需要花费较大的精力，据统计，发展一位新客户要比维系一位旧客户要多花费近6倍的时间，同时，企业向旧客户推荐产品或服务的成功率在50％左右，而向新客户推荐产品或服务的成功率仅15％。可见，维系好企业的现存客户关系，避免客户流失，对企业而言具有非常重要的意义。

对此，现有技术提出了对客户流失情况进行预测，以使企业能够提前制定相应的策略，留住可能会流失的旧客户，然而，目前训练出的客户流失预测模型的预测结果(即客户流失概率)准确性较低，并不能可靠帮助业务人员挽留真正流失的客户。

发明内容

有鉴于此，本申请提供了一种客户流失预测方法、装置及计算机设备，提高训练得到的客户流失预测模型的预测准确性，据此能够可靠帮助业务人员提前挽留可能要流失的客户。

为实现上述目的，本申请提供了一种客户流失预测方法，所述方法包括：

按照预设业务的虚拟资源余额对客户进行分类，得到多个客户群；

针对每一个所述客户群，获取属于所述客户群的客户在预设历史时间段内的特征数据，其中，所述特征数据包括原始特征数据，及基于所述原始特征数据得到的衍生特征数据，且所述原始特征数据和所述衍生特征数据均包含多个维度的特征；

对所述特征数据进行预处理，得到所述客户群的模型训练样本；

利用机器学习网络，对所述模型训练样本进行训练，得到所述客户群的客户流失预测模型。

可选的，所述获取属于所述客户群的客户在预设历史时间段内的特征数据，包括：

按照行业标准，获取属于所述客户群的客户在预设历史时间段内的第一数量个原始特征数据；

通过预设的至少一个特征衍生方式，对相应的原始特征数据进行处理，得到第二数量个衍生特征数据。

可选的，所述对所述特征数据进行预处理，得到所述客户群的模型训练样本，包括：

按照预设特征处理方式，对所述特征数据进行预处理，得到所述客户群的初始训练样本，其中，所述预设特征处理方式包括缺失值填充方式、盖帽处理方式、群体稳定性指标验证方式及连续型特征分箱方式中的一个或多个组合；

利用多个机器学习网络对所述初始训练样本进行训练，得到相应的模型训练结果；

依据所述模型训练结果，对所述初始训练样本进行排序；

依据排序结果，针对每一类所述初始训练样本，选择第三数量个特征数据确定为待入模训练样本；

对确定出的待入模训练样本进行聚类处理，从得到的每一类待入模训练样本中选择相关性较高的第四数量个待入模训练样本；

由选择出的不同类型的待入模训练样本构成所述客户群的模型训练样本。

可选的，针对每一个所述客户群，所述方法还包括：