用户流失预测方法、装置、电子设备及存储介质与流程

    技术2025-06-12  34


    本申请涉及信息处理,尤其涉及一种用户流失预测方法、装置、电子设备及存储介质。


    背景技术:

    1、随着云计算的兴起,越来越多的用户选择算力上云,然而目前云运营商之间竞争激烈,因此如何高效精准地进行用户流失预测,以保障既有用户不流失是云运营商关心的重要问题。

    2、现有技术中对云用户流失判断,主要依靠人工判断,分析用户前后出账对比,发现即流失,起不到预警作用,且准确性差,无法精准及时地确定潜在的可能流失用户。


    技术实现思路

    1、本申请提供一种用户流失预测方法、装置、电子设备及存储介质,用以解决现有技术中依靠人工判断云用户流失,无法精准及时地确定潜在的可能流失用户的问题。

    2、第一方面,本申请实施例提供一种用户流失预测方法,包括:

    3、获取目标用户对应的客户特征数据;所述客户特征数据是所述目标用户对云平台使用所产生的特征数据;

    4、根据所述客户特征数据,获取所述目标用户对应的流失关联特征;所述流失关联特征包括云产品使用特征、用户设备运行状态特征、云业务运行状态特征、用户业务异常中断特征和云业务异常响应特征;

    5、将所述流失关联特征输入至预测模型,得到所述预测模型输出的所述目标用户的流失预测结果;

    6、其中,所述预测模型是基于样本用户对应的流失关联特征,以及所述样本用户对应的流失标签,对神经网络模型进行有监督训练得到的。

    7、在一个实施例中,所述客户特征数据包括用户在网时长、云产品订购种类、云产品订购次数、云产品退订次数、云主机性能异常次数、云网络异常次数、云主机性能评估值、云网络环境评估值、网络攻击次数、暴力破解次数、云主机故障次数、云网络故障次数、云安全故障次数、关联云产品故障次数、用户业务中断次数、用户业务中断时长、云平台报警响应时长和云平台故障处理时长。

    8、在一个实施例中,所述根据所述客户特征数据,获取所述目标用户对应的流失关联特征,包括:

    9、对所述客户特征数据进行分类;

    10、根据分类结果,获取所述目标用户对应的流失关联特征。

    11、在一个实施例中,所述预测模型是基于如下步骤训练得到的:

    12、根据所述样本用户对应的流失关联特征,以及所述样本用户对应的流失标签,构建样本数据集;

    13、将所述样本数据集划分为训练数据集和验证数据集;

    14、基于所述训练数据集,对所述神经网络模型进行分批次训练,直到满足预设终止条件;所述预设终止条件包括迭代次数达到最大迭代次数,和/或模型收敛;

    15、基于所述验证数据集对训练后的神经网络模型进行验证,在确定所述训练后的神经网络模型未通过验证的情况下,对所述训练数据集进行更新,以及对所述训练后的神经网络模型的网络结构和/或模型参数进行调整;

    16、根据更新后的训练数据集,对调整后的神经网络模型继续进行分批次训练,直到获取到通过验证的训练后的神经网络模型;

    17、根据所述通过验证的训练后的神经网络模型,确定所述预测模型。

    18、在一个实施例中,所述基于所述训练数据集,对所述神经网络模型进行分批次训练,包括:

    19、将所述训练数据集分批次输入至所述神经网络模型,得到各批次下的所述样本用户的流失预测结果;

    20、基于目标损失函数,以及各批次下的所述样本用户的流失预测结果和所述流失标签,计算各批次对应的损失函数值;所述目标损失函数包括交叉熵代价函数;

    21、基于各批次对应的损失函数值对所述神经网络模型进行分批次训练。

    22、在一个实施例中,在所述将所述流失关联特征输入至预测模型,得到所述预测模型输出的所述目标用户的流失预测结果之后,所述方法还包括:

    23、在根据所述流失预测结果,确定所述目标用户为潜在流失用户的情况下,确定所述目标用户对应的服务优化策略;

    24、根据所述服务优化策略,对所述目标用户进行云产品服务优化;

    25、其中,所述服务优化策略包括发送脱敏短信的优化策略、电话外呼的优化策略、定期推送云服务信息的优化策略和定期访问的优化策略中的至少一项。

    26、在一个实施例中,所述预测模型包括特征提取层和预测层;

    27、所述特征提取层包括多层堆叠的第一全连接层;

    28、所述预测层包括至少一层第二全连接层;

    29、所述特征提取层用于对所述目标用户对应的流失关联特征进行特征向量提取;

    30、所述全连接层用于根据所述特征向量,对所述目标用户进行流失风险程度预测,得到所述流失预测结果。

    31、第二方面,本申请实施例提供一种用户流失预测装置,包括:

    32、第一获取单元,用于获取目标用户对应的客户特征数据;所述客户特征数据是所述目标用户对云平台使用所产生的特征数据;

    33、第二获取单元,用于根据所述客户特征数据,获取所述目标用户对应的流失关联特征;所述流失关联特征包括云产品使用特征、用户设备运行状态特征、云业务运行状态特征、用户业务异常中断特征和云业务异常响应特征;

    34、预测单元,用于将所述流失关联特征输入至预测模型,得到所述预测模型输出的所述目标用户的流失预测结果;

    35、其中,所述预测模型是基于样本用户对应的流失关联特征,以及所述样本用户对应的流失标签,对神经网络模型进行有监督训练得到的。

    36、第三方面,本申请实施例提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一项所述用户流失预测方法。

    37、第四方面,本申请实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述用户流失预测方法。

    38、第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述用户流失预测方法。

    39、本申请提供的用户流失预测方法、装置、电子设备及存储介质,通过获取目标用户在对云平台使用所产生的多维度客户特征数据,基于多维度客户特征数据,获取目标用户对应的云产品使用特征、用户设备运行状态特征、云业务运行状态特征、用户业务异常中断特征和云业务异常响应特征,以精准表征与目标用户是否继续使用该云平台的流失关联特征,并基于流失关联特征自动预测目标用户是否为潜在流失用户,以实现精准及时地确定潜在的可能流失用户。



    技术特征:

    1.一种用户流失预测方法,其特征在于,包括:

    2.根据权利要求1所述的用户流失预测方法,其特征在于,所述客户特征数据包括用户在网时长、云产品订购种类、云产品订购次数、云产品退订次数、云主机性能异常次数、云网络异常次数、云主机性能评估值、云网络环境评估值、网络攻击次数、暴力破解次数、云主机故障次数、云网络故障次数、云安全故障次数、关联云产品故障次数、用户业务中断次数、用户业务中断时长、云平台报警响应时长和云平台故障处理时长。

    3.根据权利要求1所述的用户流失预测方法,其特征在于,所述根据所述客户特征数据,获取所述目标用户对应的流失关联特征,包括:

    4.根据权利要求1-3任一项所述的用户流失预测方法,其特征在于,所述预测模型是基于如下步骤训练得到的:

    5.根据权利要求4所述的用户流失预测方法,其特征在于,所述基于所述训练数据集,对所述神经网络模型进行分批次训练,包括:

    6.根据权利要求1-3任一项所述的用户流失预测方法,其特征在于,在所述将所述流失关联特征输入至预测模型,得到所述预测模型输出的所述目标用户的流失预测结果之后,所述方法还包括:

    7.根据权利要求1-3任一项所述的用户流失预测方法,其特征在于,所述预测模型包括特征提取层和预测层;

    8.一种用户流失预测装置,其特征在于,包括:

    9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述用户流失预测方法。

    10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述用户流失预测方法。


    技术总结
    本申请涉及信息处理领域,提供一种用户流失预测方法、装置、电子设备及存储介质。该方法包括:获取目标用户对应的客户特征数据;客户特征数据是目标用户对云平台使用所产生的特征数据;根据客户特征数据,获取目标用户对应的流失关联特征;流失关联特征包括云产品使用特征、用户设备运行状态特征、云业务运行状态特征、用户业务异常中断特征和云业务异常响应特征;将流失关联特征输入至预测模型,得到预测模型输出的目标用户的流失预测结果;其中,预测模型是基于样本用户对应的流失关联特征,以及样本用户对应的流失标签,对神经网络模型进行有监督训练得到的。本申请提供的用户流失预测可以实现精准及时地确定潜在的可能流失用户。

    技术研发人员:费云,沈敏儿,白雪峰
    受保护的技术使用者:中国移动通信集团浙江有限公司
    技术研发日:
    技术公布日:2024/10/24
    转载请注明原文地址:https://symbian.8miu.com/read-32303.html

    最新回复(0)