客户流失预测的深度学习方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109636443A(43)申请公布日2019.04.16(21)申请号201811370186.4(22)申请日2018.11.17(71)申请人南京中数媒介研究有限公司地址210012江苏省南京市雨花台区花神大道21层东区(72)发明人宋晶科王华林峰孔令浚王玉婷宦琦曾钧鹏许萍朱亦丹(74)专利代理机构南京理工大学专利中心32203代理人王玮(51)Int.Cl.G06Q30/02(2012.01)权利要求书7页说明书11页附图5页(54)发明名称客户流失预测的深度学习方法及装置(57)摘要本发明公开了一种客户流失预测的深度学习方法及装置。根据设定的规则对采集的存量数据标注流失和续费标签，并把已经做完流失续费标签的客户按照比例分为训练样本和测试样本，利用预测模型对训练样本中的流失和续费两种不同类型的客户学习所选取的客户的特征得到训练模型，把训练模型代入到测试样本中，根据训练模型预测结果与测试样本中的流失续费标记作比较，评估训练模型的预测准确率，选取准确率较高的模型作为实际应用中的模型。使用本发明的方法能够准确判断客户流失的概率，提高流失判断精度，降低人工盲目回访成本。CN109636443ACN109636443A权利要求书1/7页1.一种客户流失预测的深度学习方法，其特征在于，包括如下步骤：采集客户的存量数据进行存储，并对存量数据进行指标筛选，对筛选后的存量数据进行检查清洗，对清洗后的数据进行关联，得到有效数据；根据设定的规则对经过预处理的客户存量数据标注流失和续费标签；将已标注过流失和续费标签的客户按照比例划分为训练样本集和测试样本集；对训练样本集建立多个预测模型，利用预测模型对训练样本集中的流失客户和续费客户进行学习，得到训练模型；将测试样本集代入到训练模型中，训练模型预测结果与测试样本集中的流失续费标记作比较，评估训练模型的预测准确率，选取准确率高的模型作为实际应用中的模型；使用该模型预测未来的未知客户流失续费情况。2.根据权利要求1所述的深度学习方法，其特征在于，所述客户的存量数据包括：客户信息表，包含字段为客户标识、客户证号、老客户编号、老客户证号、客户名称、客户名简拼、客户密码、客户类型、客户级别、客户状态、状态变化日期、客户证件类型、客户证件号、客户证件地址、证件生效日期、证件失效日期、客户职业、单位名称、单位地址、境内外标识、地市代码、归属组织、营销组织、归属分公司、建档工号、建档组织、建档日期、生效日期、失效日期、受理日期、受理编号、受理操作员、受理组织、备注、县区代码、客户属性、客户订单id、片区id、片区名称、片区经理id、片区经理名称、片区经理电话、数据来源系统编码、ETL处理周期；用户日全量表，包含字段为产品规格实例id、基本套餐实例id、基本策划编号、基本套餐品牌、产品规格id、客户编号、账户编号、付费方式、用户类别id、计费号、次计费号、主用户id、计费开始时间、用户名、用户属性、收视属性、VIP标识、VIP属性、境内外标识、低保标识、低保属性、用户身份、首次使用时间、用户状态、用户状态时间、操作状态、停开机状态、住宅地址id、安装地址id、安装地址名称、联系人标识、邮寄方式、邮寄地址、接入方式、宽带登录名、电视号、地市代购、营销人员、营销组织、担保客户、生效日期、失效日期、创建日期、创建人编码、创建组织、受理日期、受理编号、受理操作员、受理组织、受理分公司、标准归属分公司、标准归属地区、模拟基本业务标识、数字基本业务标识、付费节目业务标识、互动基本业务标识、互动点播业务标识、宽带接入业务标识、语音业务标识、AMSP业务标识、扩展业务1标识、扩展业务2标识、云媒体标识、云媒体类型、用户类型、高清业务标识、在线标识、模拟基本业务在线标识、数字基本业务在线标识、付费节目业务在线标识、互动基本业务在线标识、互动点播业务在线标识、宽带接入业务在线标识、语音业务在线标识、AMSP业务在线标识、扩展业务1在线标识、扩展业务2在线标识、高清业务在线标识、主机标识、副机标识、自管网用户标识、直管网用户标识、整转标识、有效用户标识、有效用户标识(数字基本业务(1002)欠费停机在1年内)、有效用户标识(数字基本业务(1002)账单最早欠费月份2年内)、是否有10内到期产品、暂停用户标识、互动活跃客户标识、欠费停机用户标识、免费用户标识、缴费用户标识、新增用户标识、在线新增用户标识、流失用户标识、在线流失用户标识、电视支付状态、是否资料、是否置换、分区标识、数据来源系统编码、是否存量数据、ETL处理周期；设备信息表，包含字段为资源ID、资源型号、资源状态、生效时间、失效时间、入库日期、设备序列号、MAC地址、CMMAC、PIN、保修周期