[发明专利]一种用户投诉行为预测方法、系统、设备及介质

说明书

本发明公开了一种用户投诉行为预测方法、系统、设备及介质，所述方法包括以下步骤：获取网上国网用户在建模时间窗口的用户基本信息数据、用户行为数据、用户缴费信息数据，并对以上数据进行预处理；然后基于信息增益理论基础，筛选符合标准的变量，剔除贡献度较低的指标；构建GBDT树模型，将特征变量输入到模型中，将每个叶节点输出的特征变量构成一个新的组合特征；将GBDT模型训练得到的组合特征输入到Logistic模型，进行训练、优化模型，预测用户投诉的概率。本发明构建模型对网上国网用户进行预测，精度较高、适应性较强，能够有效实现对潜在投诉客户发出预警。

技术领域

本发明涉及电力行业的数据分析技术，特别是一种用户投诉行为预测方法、系统、设备及介质。

背景技术

网上国网数据库中存储着大量的用户信息，其中包括用户基本信息、用户行为日志信息、积分信息、缴费行为日志、用户支付行为信息等等。如果可以有效地激活、挖掘、组织这些处于“休眠期”的客户数据，将对网上国网APP提升核心竞争力、加快市场拓展、赢得长远利益的目标具有重大意义。而本文仅仅就网上国网APP用户投诉预警分析的角度，从网上国网大数据库中提取出相关数据进行研究。实际上，在对用户投诉行为做出预测分析以后，网上国网必然会采取相应的策略，预防潜在投诉客户发生投诉行为，提高用户满意度，并积极延长客户的生命周期。

用户行为预测模型中常用的方法是Logistic模型，GBDT由于其树状特性，数据敏感度较高，部分数据的调整会引发整体类别的变化，可处理数据量有限，需要一个相对比较钝化的模型。LR模型被发觉出来，LR模型的并行能力很强，能够处理较大的数据集，同时只能处理一维的特征，学习能力有限，需要大量的特征工程。

发明内容

发明目的：本发明的目的是提供一种精度较高、适应性较强的用户投诉行为预测方法、系统、设备及介质，从而有效延长客户的使用生命周期。

技术方案：本发明所述的一种用户投诉行为预测方法，包括以下步骤：

S1、确定建模时间窗口，获取网上国网用户在建模时间窗口的原始数据，并对以上数据进行预处理，得到处理后的用户数据；

S2、对步骤S1中的用户数据特征变量进行特征提取，主要先对数据进行卡方分箱，然后通过woe和iv值衡量变量预测能力，值越大特征变量预测能力越强，依据此来剔除贡献度差的指标，保留区分度高的指标；

S3、构建GBDT模型，设置参数，即每颗决策树最大叶子节点数目和决策树数目，将步骤S2中特征变量数据输入到模型中，每个叶节点经过算法迭代后得到的输出项就是新的特征变量，将原始特征与训练后得到的新特征构造成组合特征；

S4、构建Logistic回归模型，将步骤S3训练得到的组合特征输入模型中，通过模型训练后，得到预测结果。

步骤S1中所述的原始数据包括用户基本信息、用户行为日志、用户缴费数据。

步骤S1中所述的预处理包括以下步骤：

S1.1、对缺失值数据进行数据剔除、数据插补工作；

S1.2、对异常值进行部分直接剔除、部分平均值修补的工作；

S1.3、对噪声数据进行平滑处理工作。

步骤S3中所述的构建GBDT模型包括以下步骤：

S3.1、设置每颗决策树最大叶子节点数目α和决策树数目β，通过GBDT模型来构建特征组合；

S3.2、将训练样本输入到步骤S1训练得到的GBDT模型，每个叶子节点的输出项构建成组合特征。

一种用户投诉行为预测系统，包括以下模块：