[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

说明书

本发明公开了一种流失会员客群数据预测方法、模型训练方法及装置，属于机器学习和人工智能技术领域。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。本发明通过结合大数据挖掘、特征数据构建及机器学习，实现了对流失用户数据的智能预测，预测精度较高，且学习、泛化能力强，为用户流失预警提供了强有力的数据支撑。

技术领域

本发明涉及机器学习和人工智能技术领域，特别涉及一种流失会员客群数据预测方法、模型训练方法及装置。

背景技术

在互联网高速发展的时代，相对于传统的实体店营销模式，线上平台营销的优势愈发明显。而会员制营销是线上战略营销的一个重要组成部分，目的是留住用户，与用户保持系统、持续、周期性的沟通，同时打通买卖双方的信息通道，开展全民综合的营销活动。但线上平台的竞争激烈，让广大用户面临更多的对比和选择，因此在资源有限的情况下，在提升产品和服务质量的同时扩展市场，增加会员数量，锁定目标客群成为重中之重。会员中老客户相对新客户更加成熟，更加了解商家的产品与服务，更加易于开展营销活动，同时吸引新的用户比维持老用户花费的成本更高，因此防止会员老用户流失，建立流失预警模型在会员整个生命周期的管理上都至关重要。

以往的会员流失预测多是基于行业领域的相关信息进行分析对比，但是随着互联网的发展，传统的统计学方法在面对海量数据时，缺少细致规范的处理，导致预测精度不高，不能满足学习、泛化能力和智能需求。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种流失会员客群数据预测方法、模型训练方法及装置，结合大数据挖掘、特征数据构建及机器学习，实现了对流失用户数据的智能预测，预测精度较高，且学习、泛化能力强，为用户流失预警提供了强有力的数据支撑。所述技术方案如下：

一方面，提供了一种流失会员客群数据预测模型训练方法，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。

优选地，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。

优选地，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。

优选地，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。