[发明专利]一种客户属性分析方法

说明书

本发明提供一种客户属性分析方法，通过预测模型，获取客户数据的损失函数值、复杂度和属性维度。进而根据属性维度获取客户数据中不同的特征数据子集，为每个特征数据子集添加对应的模型解释标签，最终，根据损失函数值、复杂度和模型解释标签获得客户数据的满意评价结果。通过客户数据的满意评价结果可以有效地识别出流失客户和非流失客户，从而提高数据的解释性，防止客户的流失。

技术领域

本发明涉及客户流失预测领域，具体涉及一种客户属性分析方法。

背景技术

随着电商、服务商技术的不断优化，与客户流失相关的数据呈现规模逐步增大、数据属性维数多、非线性、非正态性、时间序列特征等诸多特点。而现有的工智能仿真技术虽然具有一定的学习和泛化能力，但其建立模型结构不易确定，理论上也很难保证模型的预测能力。

而对于客户流失分析的技术领域来说，需将客户属性分为流失客户和非流失客户。而如果在分析过程中对两者的识别发生错误，则将会造成分析结论的严重错误。其中，对于企业而言，分析模型将流失客户错误地识别为了费流失客户是会造成非常严重的经济损失。

因此，在客户流失分析过程中，如何准确地识别客户属性，成为了亟待解决的问题。

发明内容

本发明提供一种客户属性分析方法，用于准确识别客户属性。

本发明第一个方面提供一种客户属性分析方法，其特征在于，包括：

通过预测模型，获取客户数据的损失函数值、复杂度和属性维度；

根据所述属性维度获取所述客户数据中不同的特征数据子集，为每个所述特征数据子集添加对应的模型解释标签；

根据所述损失函数值、所述复杂度和所述模型解释标签获得所述客户数据的满意评价结果。

可选地，获取所述客户数据的损失函数值，满足如下公式：

s_m＝(E_max-E)/(E_max-E_min)；

E＝P₁*L₁*T₁+P₂*L₂*T₂；

其中，所述P₁为所述客户数据中正类占比，所述P₂为所述客户数据中负类占比，所述L₁为将一个正类客户数据错分为负类所造成的损失，所述L₂为将一个负类客户数据错分为正类所造成的损失，所述T₁为第一类错误率，所述T₂为第二类错误率，所述第一类错误为将流失客户判别为非流失客户；所述第二类错误为将非流失客户判别为流失客户。

可选地，获取所述客户数据的复杂度，满足如下公式：

s_c＝g(c)＝(C_max-C)/(C_max-C_min),s_c∈[0,1]

其中，当C＝C_max时，则s_c＝1；g(c)为复杂度函数，所述C_min为复杂度的最小值，所述C_max为复杂度的最大值。

可选地，获取所述客户数据的属性维度，满足如下公式：

s_d＝f(d)＝(d_max-d)/(d_max-d_min),s_d∈[0,1]