[发明专利]流失会员客群数据预测方法、模型训练方法及装置

权利要求书

1.一种流失会员客群数据预测模型训练方法，其特征在于，所述方法包括：

统计分析会员流失数据，获取预定义的会员流失样本数据；

对所述会员流失样本数据进行包括数据预处理和变量筛选在内的特征构建操作，得到特征变量数据；

将所述特征变量数据输入预设机器学习分类模型进行训练，得到训练好的机器学习分类模型，所述机器学习分类模型用于预测流失会员客群。

2.根据权利要求1所述的方法，其特征在于，统计分析会员流失数据，获取预定义的会员流失样本数据，包括：

监测获取预定周期内的会员流失数据；

对所述会员流失数据进行分析计算，获取会员流失的建模数据时间窗参数与预测变量时间窗参数；

根据所述建模数据时间窗参数与所述预测变量时间窗参数，确定会员流失样本数据的会员样本分类条件；

根据所述会员样本分类条件标注正样本会员和负样本会员，根据获取到的所述正样本会员的特征数据以及所述负样本会员的特征数据，确定自变量建立特征宽表，得到所述会员流失样本数据。

3.根据权利要求2所述的方法，其特征在于，所述会员流失数据包括流失用户数、流失率、留存率、持续沉默环比、回访用户数、回访率，所述特征数据包括会员基础属性、基础日期、会员价值属性、会员交易行为、会员浏览行为。

4.根据权利要求3所述的方法，其特征在于，所述会员基础属性包括用户年龄、用户学历、月收入水平，所述基础日期包括实名认证时间、首次快捷绑卡时间、首次订单时间，所述会员价值属性包括APP活跃度、客户价值等级、首购产品类型，所述会员交易行为包括预定时间内的成功支付订单数、预定时间内的线上购买订单数、预定时间内的使用信用卡支付的金额，所述会员浏览行为包括预定时间内的浏览金融页面的访问次数、会员访问深度_跳出率、会员访问深度_页面数。

5.根据权利要求1所述的方法，其特征在于，所述数据预处理包括：

数据清洗、数据衍生、缺失值处理、重复异常值处理、数据规整。

6.根据权利要求5所述的方法，其特征在于，

所述缺失值处理包括：删除缺失值为90％的变量，根据预设业务意义规则填充缺失值；

所述重复异常值处理包括：删除重复值、异常值和为1的唯一值；

所述数据规整包括：对数据进行归一化、离散化、采样。

7.根据权利要求1所述的方法，其特征在于，所述变量筛选包括：

进行相关性变量筛选，并根据利用随机森林+交叉验证计算的变量重要性指标进行变量筛选。

8.根据权利要求1至7任一项所述的方法，其特征在于，将所述特征变量数据输入预设机器学习分类模型进行训练，得到训练好的机器学习分类模型包括：

按照预设比例条件设置模型训练样本和模型测试样本；

将所述模型训练样本输入随机森林模型、迭代+决策树组合模型进行训练，获得模型训练结果；

根据所述模型训练结果调整决策树算法数的深度和学习器的迭代次数，并通过ROC及KS曲线进行模型检验，从而获得训练好的机器学习分类模型。

9.一种流失会员客群数据预测方法，其特征在于，包括：将待测会员流失数据输入根据权利要求1至8任一项所述的训练好的机器学习分类模型，计算得到流失会员客群数据预测结果。

10.一种流失会员客群数据预测模型训练装置，其特征在于，所述装置包括：

数据获取模块，用于：统计分析会员流失数据，获取预定义的会员流失样本数据；

特征构建模块，用于：对所述会员流失样本数据进行包括数据预处理和变量筛选在内的特征构建操作，得到特征变量数据；

模型计算模块，用于：将所述特征变量数据输入预设机器学习分类模型进行训练，得到训练好的机器学习分类模型，所述机器学习分类模型用于预测流失会员客群。