本發(fā)明涉及通信，尤其涉及一種潛在移網(wǎng)流失用戶的預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、目前，各大運(yùn)營(yíng)商移網(wǎng)流失用戶越來(lái)越多，而用戶離網(wǎng)對(duì)運(yùn)營(yíng)商的影響也越來(lái)越大。

2、現(xiàn)有針對(duì)移網(wǎng)流失的用戶，數(shù)據(jù)分析的技術(shù)方案重點(diǎn)在于事后分析，對(duì)已流失的用戶進(jìn)行根因分析，包括網(wǎng)絡(luò)分析，用戶投訴分析，以便找出流失原因進(jìn)行補(bǔ)救措施。

3、對(duì)于有流失用戶事前分析的技術(shù)方案雖然覆蓋流失用戶范圍更廣泛，但是針對(duì)移網(wǎng)流失用戶其準(zhǔn)確率卻差強(qiáng)人意，也不能準(zhǔn)確預(yù)測(cè)出潛在移網(wǎng)流失用戶，而預(yù)測(cè)的準(zhǔn)確性直接影響運(yùn)營(yíng)商在后期挽留移網(wǎng)流失用戶的投入。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的上述不足，提出一種潛在移網(wǎng)流失用戶的預(yù)測(cè)方法及裝置，該方法能夠準(zhǔn)確預(yù)測(cè)出潛在移網(wǎng)流失用戶，為挽留措施提供精準(zhǔn)識(shí)別，從而能夠有效挽留潛在移網(wǎng)流失用戶。

2、第一方面，本發(fā)明提供一種潛在移網(wǎng)流失用戶的預(yù)測(cè)方法，所述方法包括如下步驟：

3、步驟s1：獲取第一時(shí)間周期內(nèi)的目標(biāo)用戶特征數(shù)據(jù)；

4、步驟s2：將目標(biāo)用戶特征數(shù)據(jù)輸入到潛在移網(wǎng)流失用戶預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，得到目標(biāo)用戶的流失概率預(yù)測(cè)值；

5、其中，所述潛在移網(wǎng)流失用戶預(yù)測(cè)模型是基于第二時(shí)間周期內(nèi)的歷史用戶特征數(shù)據(jù)，并采用交叉驗(yàn)證堆疊分類器進(jìn)行訓(xùn)練及算法參數(shù)調(diào)優(yōu)得到的；所述第二時(shí)間周期大于所述第一時(shí)間周期；

6、步驟s3：根據(jù)目標(biāo)用戶的流失概率預(yù)測(cè)值，判斷目標(biāo)用戶是否為潛在移網(wǎng)流失用戶；

7、其中，當(dāng)目標(biāo)用戶的流失概率預(yù)測(cè)值大于流失概率預(yù)設(shè)值時(shí)，判定出目標(biāo)用戶為潛在移網(wǎng)流失用戶；當(dāng)目標(biāo)用戶的流失概率預(yù)測(cè)值小于或等于流失概率預(yù)設(shè)值時(shí)，判定出目標(biāo)用戶標(biāo)記為非潛在移網(wǎng)流失用戶。

8、進(jìn)一步地，所述步驟s1，具體包括如下步驟：

9、步驟s11：獲取第一時(shí)間周期內(nèi)的原始通信記錄信息表；

10、步驟s12：將原始通信記錄信息表進(jìn)行數(shù)據(jù)聚合和數(shù)據(jù)篩選，得到第一時(shí)間周期內(nèi)的目標(biāo)用戶特征數(shù)據(jù)。

11、進(jìn)一步地，所述步驟s12，具體包括如下步驟：

12、步驟a1：根據(jù)原始通信記錄信息表的用戶維度進(jìn)行類別聚合，提取到聚合特征數(shù)據(jù)；

13、其中，所述根據(jù)原始通信記錄信息表的用戶維度進(jìn)行類別聚合包括按照用戶畫像維度進(jìn)行類別聚合、按照用戶套餐維度進(jìn)行類別聚合、按照用戶使用記錄維度進(jìn)行類別聚合、及按照用戶投訴維度進(jìn)行類別聚合；

14、步驟a2：對(duì)聚合特征數(shù)據(jù)進(jìn)行特征選擇，得到保留特征數(shù)據(jù)；

15、所述特征選擇包括：

16、刪除缺失值比例值大于缺失預(yù)設(shè)值的聚合特征數(shù)據(jù)；和/或，

17、刪除類別比例值大于類別比預(yù)設(shè)值的聚合特征數(shù)據(jù)；和/或，

18、刪除特征重要性值小于特征重要預(yù)設(shè)值的聚合特征數(shù)據(jù)；

19、步驟a3：將保留特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理后的特征數(shù)據(jù)；

20、所述數(shù)據(jù)預(yù)處理包括：

21、判斷出保留特征數(shù)據(jù)為類別特征數(shù)據(jù)后，對(duì)保留特征數(shù)據(jù)進(jìn)行中位數(shù)填充后，進(jìn)行標(biāo)簽編碼；和/或，

22、判斷出保留特征數(shù)據(jù)為數(shù)值特征數(shù)據(jù)后，對(duì)保留特征數(shù)據(jù)進(jìn)行線性插值后，進(jìn)行歸一化處理；和/或，

23、判斷出保留特征數(shù)據(jù)為非類別特征數(shù)據(jù)或非數(shù)值特征數(shù)據(jù)后，對(duì)保留特征數(shù)據(jù)進(jìn)行分段離散化處理；

24、步驟a4：對(duì)預(yù)處理后的特征數(shù)據(jù)進(jìn)行特征生成，以得到第一時(shí)間周期內(nèi)的目標(biāo)用戶特征數(shù)據(jù)；

25、其中，所述特征生成包括時(shí)間特征生成、比例特征生成及頻率特征生成；

26、所述時(shí)間特征生成包括：

27、根據(jù)用戶入網(wǎng)時(shí)間生成用戶入網(wǎng)年特征和用戶入網(wǎng)月特征，以及根據(jù)修改時(shí)間生成修改年特征和修改月特征；

28、所述比例特征生成包括：

29、根據(jù)用戶入網(wǎng)時(shí)長(zhǎng)生成用戶入網(wǎng)時(shí)長(zhǎng)比例特征，以及根據(jù)月租費(fèi)用特征生成月租費(fèi)用比例特征；

30、所述頻率特征生成包括：根據(jù)標(biāo)簽類特征生成頻率特征。

31、進(jìn)一步地，所述步驟a2中，刪除特征重要性小于特征重要預(yù)設(shè)值的聚合特征數(shù)據(jù)，具體包括如下步驟：

32、步驟a21：計(jì)算聚合特征數(shù)據(jù)的總體gini系數(shù)；

33、

34、其中，gini總體表示總體gini系數(shù)，pi表示第i聚合類的聚合特征數(shù)據(jù)在總體中的占比；n表示類別總數(shù)；

35、步驟a22：計(jì)算出每個(gè)聚合特征的子集gini系數(shù)；

36、

37、其中，gini子集表示子集gini系數(shù)，pj表示第j個(gè)數(shù)據(jù)特征數(shù)據(jù)在子集中的占比；m表示子集的數(shù)據(jù)組成；

38、步驟a23：計(jì)算聚合特征數(shù)據(jù)的加權(quán)平均gini系數(shù)；

39、加權(quán)平均gini系數(shù)的計(jì)算過(guò)程是將每個(gè)聚合特征的子集gini系數(shù)乘以每個(gè)子集對(duì)應(yīng)的占比，然后求和得到的；

40、步驟a24：計(jì)算出特征重要性值；

41、所述特征重要性值是用總體gini系數(shù)減去加權(quán)平均gini系數(shù)得到的；

42、v重要性＝gini總體-gini加權(quán)平均

43、其中，

44、v重要性表示特征重要性值，gini加權(quán)平均表示加權(quán)平均gini系數(shù)；

45、步驟a25：比較特征重要性值與特征重要預(yù)設(shè)值，并刪除特征重要性小于特征重要預(yù)設(shè)值的聚合特征數(shù)據(jù)。

46、進(jìn)一步地，所述步驟s3之后，還包括步驟s4，

47、步驟s4：對(duì)潛在移網(wǎng)流失用戶進(jìn)行根因分析及補(bǔ)救措施；

48、所述步驟s4，具體包括如下步驟：

49、步驟s41：判定出目標(biāo)用戶為潛在移網(wǎng)流失用戶后，分析潛在移網(wǎng)流失用戶的流失原因，形成潛在移網(wǎng)流失用戶清單及潛在流失原因清單；

50、步驟s42：對(duì)潛在移網(wǎng)流失用戶的流失原因采取預(yù)計(jì)措施進(jìn)行補(bǔ)救，形成補(bǔ)救措施清單；

51、步驟s43：將潛在移網(wǎng)流失用戶清單、潛在流失原因清單及補(bǔ)救措施清單提交至營(yíng)銷人員，以使?fàn)I銷人員根據(jù)潛在移網(wǎng)流失用戶清單和潛在流失原因清單落實(shí)補(bǔ)救措施。

52、進(jìn)一步地，所述步驟s1之前，還包括步驟s0；

53、步驟s0：構(gòu)建潛在移網(wǎng)流失用戶預(yù)測(cè)模型；

54、所述步驟s0，具體包括如下步驟：

55、步驟s01：獲取第二時(shí)間周期內(nèi)的數(shù)據(jù)集；所述第二時(shí)間周期內(nèi)的數(shù)據(jù)集包括歷史用戶特征和對(duì)應(yīng)的歷史變量；所述歷史變量包括移網(wǎng)流失用戶和非移網(wǎng)流失用戶；

56、步驟s02：將第二時(shí)間周期內(nèi)的數(shù)據(jù)集分成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

57、步驟s03：使用堆疊分類器將一階段分類器和二階段分類器組合在一起，以及在所述訓(xùn)練數(shù)據(jù)集上執(zhí)行交叉驗(yàn)證來(lái)評(píng)估不同參數(shù)組合的性能，以得到預(yù)測(cè)初步模型；所述一階段分類器為lightgbm、xgboost和catboost，所述二階段分類器為邏輯回歸分類器；

58、步驟s04：通過(guò)所述測(cè)試數(shù)據(jù)集，對(duì)預(yù)測(cè)初步模型性能進(jìn)行調(diào)優(yōu)，得到潛在移網(wǎng)流失用戶預(yù)測(cè)模型。

59、第二方面，本發(fā)明提供一種潛在移網(wǎng)流失用戶的預(yù)測(cè)裝置，所述裝置包括：

60、獲取單元，用于采集第一時(shí)間周期內(nèi)的目標(biāo)用戶特征數(shù)據(jù)；

61、預(yù)測(cè)單元，與所述獲取單元連接，用于將目標(biāo)用戶特征數(shù)據(jù)輸入到潛在移網(wǎng)流失用戶預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，得到目標(biāo)用戶的流失概率預(yù)測(cè)值；

62、其中，所述潛在移網(wǎng)流失用戶預(yù)測(cè)模型是基于第二時(shí)間周期內(nèi)的歷史用戶特征數(shù)據(jù)，并采用交叉驗(yàn)證堆疊分類器進(jìn)行訓(xùn)練及算法參數(shù)調(diào)優(yōu)得到的；所述第二時(shí)間周期大于所述第一時(shí)間周期；

63、判定單元，與所述預(yù)測(cè)單元連接，用于根據(jù)目標(biāo)用戶的流失概率預(yù)測(cè)值，判斷目標(biāo)用戶是否為潛在移網(wǎng)流失用戶；

64、其中，當(dāng)目標(biāo)用戶的流失概率預(yù)測(cè)值大于流失概率預(yù)設(shè)值時(shí)，判定出目標(biāo)用戶為潛在移網(wǎng)流失用戶；當(dāng)目標(biāo)用戶的流失概率預(yù)測(cè)值小于或等于流失概率預(yù)設(shè)值時(shí)，判定出目標(biāo)用戶標(biāo)記為非潛在移網(wǎng)流失用戶。

65、進(jìn)一步地，所述獲取單元包括：

66、第一獲取模塊，用于獲取第一時(shí)間周期內(nèi)的原始通信記錄信息表；

67、聚合篩選模塊，與所述獲取模塊連接，用于將原始通信記錄信息表進(jìn)行數(shù)據(jù)聚合和數(shù)據(jù)篩選，得到第一時(shí)間周期內(nèi)的目標(biāo)用戶特征數(shù)據(jù)。

68、進(jìn)一步地，所述聚合篩選模塊包括：

69、聚合子模塊，用于根據(jù)原始通信記錄信息表的用戶維度進(jìn)行類別聚合，提取到聚合特征數(shù)據(jù)；

70、其中，所述根據(jù)原始通信記錄信息表的用戶維度進(jìn)行類別聚合包括按照用戶畫像維度進(jìn)行類別聚合、按照用戶套餐維度進(jìn)行類別聚合、按照用戶使用記錄維度進(jìn)行類別聚合、及按照用戶投訴維度進(jìn)行類別聚合；

71、第一篩選子模塊，與所述聚合子模塊連接，用于對(duì)聚合特征數(shù)據(jù)進(jìn)行特征選擇，得到保留特征數(shù)據(jù)；

72、所述特征選擇包括：

73、刪除缺失值比例值大于缺失預(yù)設(shè)值的聚合特征數(shù)據(jù)；和/或，

74、刪除類別比例值大于類別比預(yù)設(shè)值的聚合特征數(shù)據(jù)；和/或，

75、刪除特征重要性值小于特征重要預(yù)設(shè)值的聚合特征數(shù)據(jù)；

76、第二篩選子模塊，與所述第一篩選子模塊連接，用于將保留特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理后的特征數(shù)據(jù)；

77、所述數(shù)據(jù)預(yù)處理包括：

78、判斷出保留特征數(shù)據(jù)為類別特征數(shù)據(jù)后，對(duì)保留特征數(shù)據(jù)進(jìn)行中位數(shù)填充后，進(jìn)行標(biāo)簽編碼；和/或，

79、判斷出保留特征數(shù)據(jù)為數(shù)值特征數(shù)據(jù)后，對(duì)保留特征數(shù)據(jù)進(jìn)行線性插值后，進(jìn)行歸一化處理；和/或，

80、判斷出保留特征數(shù)據(jù)為非類別特征數(shù)據(jù)或非數(shù)值特征數(shù)據(jù)后，對(duì)保留特征數(shù)據(jù)進(jìn)行分段離散化處理；

81、生成子模塊，與所述第二篩選子模塊連接，用于對(duì)預(yù)處理后的特征數(shù)據(jù)進(jìn)行特征生成，以得到第一時(shí)間周期內(nèi)的目標(biāo)用戶特征數(shù)據(jù)；

82、其中，所述特征生成包括時(shí)間特征生成、比例特征生成及頻率特征生成；

83、所述時(shí)間特征生成包括：

84、根據(jù)用戶入網(wǎng)時(shí)間生成用戶入網(wǎng)年特征和用戶入網(wǎng)月特征，以及根據(jù)修改時(shí)間生成修改年特征和修改月特征；

85、所述比例特征生成包括：

86、根據(jù)用戶入網(wǎng)時(shí)長(zhǎng)生成用戶入網(wǎng)時(shí)長(zhǎng)比例特征，以及根據(jù)月租費(fèi)用特征生成月租費(fèi)用比例特征；

87、所述頻率特征生成包括：根據(jù)標(biāo)簽類特征生成頻率特征。

88、進(jìn)一步地，所述裝置還包括構(gòu)建單元，所述構(gòu)建單元與所述預(yù)測(cè)單元連接，用于構(gòu)建潛在移網(wǎng)流失用戶預(yù)測(cè)模型，以使所述預(yù)測(cè)單元將目標(biāo)用戶特征數(shù)據(jù)輸入到潛在移網(wǎng)流失用戶預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)；

89、所述構(gòu)建單元包括：

90、第二獲取模塊，用于獲取第二時(shí)間周期內(nèi)的數(shù)據(jù)集；所述第二時(shí)間周期內(nèi)的數(shù)據(jù)集包括歷史用戶特征和對(duì)應(yīng)的歷史變量；所述歷史變量包括移網(wǎng)流失用戶和非移網(wǎng)流失用戶；

91、劃分模塊，與所述第二獲取模塊連接，用于將第二時(shí)間周期內(nèi)的數(shù)據(jù)集分成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

92、組合驗(yàn)證模塊，與所述劃分模塊連接，用于使用堆疊分類器將一階段分類器和二階段分類器組合在一起，以及在所述訓(xùn)練數(shù)據(jù)集上執(zhí)行交叉驗(yàn)證來(lái)評(píng)估不同參數(shù)組合的性能，以得到預(yù)測(cè)初步模型；所述一階段分類器為lightgbm、xgboost和catboost，所述二階段分類器為邏輯回歸分類器；

93、調(diào)優(yōu)模塊，分別與所述劃分模塊和所述組合驗(yàn)證模塊連接，用于通過(guò)所述測(cè)試數(shù)據(jù)集，對(duì)預(yù)測(cè)初步模型性能進(jìn)行調(diào)優(yōu)，得到潛在移網(wǎng)流失用戶預(yù)測(cè)模型。

94、本發(fā)明的有益效果：

95、1.本發(fā)明能夠準(zhǔn)確預(yù)測(cè)出潛在移網(wǎng)流失用戶：通過(guò)潛在移網(wǎng)流失用戶預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到目標(biāo)用戶的流失概率預(yù)測(cè)值，進(jìn)而根據(jù)流失概率預(yù)測(cè)值準(zhǔn)群判斷出潛在移網(wǎng)流失用戶，從而為挽留措施提供精準(zhǔn)識(shí)別，進(jìn)而能夠有效挽留潛在移網(wǎng)流失用戶。

96、2.本發(fā)明能夠降低移網(wǎng)流失率：通過(guò)預(yù)測(cè)潛在移網(wǎng)流失用戶，運(yùn)營(yíng)商可以采取針對(duì)性的措施，例如提供個(gè)性化的優(yōu)惠、改善服務(wù)質(zhì)量等，以降低流失率，保留更多的用戶。

97、3.本發(fā)明能夠提高用戶滿意度：通過(guò)預(yù)測(cè)潛在流失用戶，運(yùn)營(yíng)商可以及時(shí)發(fā)現(xiàn)用戶的問(wèn)題和需求，針對(duì)性地改進(jìn)服務(wù)，提高用戶滿意度，增強(qiáng)用戶黏性。

98、4.本發(fā)明能夠提高運(yùn)營(yíng)效率：預(yù)測(cè)潛在移網(wǎng)流失用戶可以幫助運(yùn)營(yíng)商優(yōu)化資源配置，提高運(yùn)營(yíng)效率，減少不必要的營(yíng)銷成本和客戶服務(wù)成本。

99、5.本發(fā)明能夠促進(jìn)精細(xì)化營(yíng)銷：針對(duì)潛在流失用戶進(jìn)行預(yù)測(cè)分析，可以幫助運(yùn)營(yíng)商實(shí)施精準(zhǔn)營(yíng)銷策略，提高營(yíng)銷效果，降低營(yíng)銷成本。

100、6.本發(fā)明能夠提高運(yùn)營(yíng)商競(jìng)爭(zhēng)力：通過(guò)預(yù)測(cè)潛在移網(wǎng)流失用戶并采取有效的挽留措施，運(yùn)營(yíng)商可以提高市場(chǎng)占有率，增強(qiáng)競(jìng)爭(zhēng)力，從而實(shí)現(xiàn)可持續(xù)發(fā)展。