一种客户异常预警方法、装置和设备与流程

本发明涉及物流及快递领域，具体为一种客户异常预警方法、装置和设备。

背景技术：

随着物流及快递行业的发展，各种物流及快递公司大量涌现，企业客户的业务量难免会出现波动。

企业客户业务量(寄件量)出现下滑可能是自身经营问题，或由于某些原因改用其他物流服务商，如果是后一种原因则判断客户异常。

销售人员难以做到定期拜访全部客户,这就需要提前对客户异常进行预警，如果物流或快递公司若能及早发现可能发生异常的客户并制作异常名单，一线销售人员就可以根据该异常客户名单，采取措施挽回业务，然而，由于人工制作异常客户名单的成本高、效率低，很难做到提前识别客户异常，即使制作出异常客户名单，也不能实时适应市场变化。

综上，急需一种相对现有技术能够提早预测出客户异常风险，并将异常风险名单推送给销售人员的方法及系统。

技术实现要素：

为了解决上述技术问题，本发明的目的在于提供一种客户异常预警方法、装置和设备。

根据本发明的一个方面，提供一种客户异常预警方法，包括以下步骤：

接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势；

计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常。

进一步的，根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，包括：

提取历史订单信息内含的特征信息并进行数据处理后形成数据输入，提取的特征信息作为预设算法生成训练器所需的数据；

将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存；

使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

进一步的，所述特征信息包括以下至少一种：订单金额、订单种类、折扣率、订单时效种类、是否为节假日。

进一步的，计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值，判断客户是否异常，包括：

预存储若干订单量变化趋势，若所述订单减少量超过预设范围则标记为异常；

计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配；

若其匹配的为异常的订单量变化趋势，则判断客户异常。

进一步的，所述被标记为是否异常的订单量变化趋势，通过机器学习的方式计算得出，所述机器学习的方式采用基于dtw距离的聚类算法或者基于kmeans的聚类算法。

进一步的，所述预设算法包括但不限于rnn-lstm学习算法、基于gru网络的预测算法。

根据本发明的另一个方面，提供一种客户异常预警装置，包括：

信息接受模块，配置用于接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

订单量获取模块，配置用于将所述订单信息分别与对应的客户相关联，获取客户的历史订单量；

预测模块，配置用于根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势；

判断模块,配置用于计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常。

进一步的，所述预测模块，包括

数据预处理单元，配置用于提取历史订单信息内含的特征信息并进行数据处理后形成数据输入，提取的特征信息作为预设算法生成训练器所需的数据；

模型训练单元，配置用于将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存；

预测单元，配置用于使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

进一步的，所述判断模块，包括：

预存储单元，配置用于预存储若干订单量变化趋势，若所述订单减少量超过预设范围则标记为异常；

相似度计算单元，配置用于计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

匹配单元，配置用于识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配；

若其匹配的为异常的订单量变化趋势，则判断客户异常。

根据本发明的另一个方面，提供一种设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。

根据本发明的另一个方面，提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上所述的方法。

与现有技术相比，本发明具有以下有益效果：

1、本申请所述的方法基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常，使用本申请所述方法的预测结果准确率可达到50％以上，相比现有技术能够提早预测出客户的异常风险，尤其是发现异常的订单量下滑现象，对比随机拜访客户能够更加准确发现移动客户，为销售人员查看客户信息时提供参考，提高销售决策效率。

2、通过本申请提供的客户异常预警装置，预测模块根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，然后计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,进而预测出判断客户是否异常，为销售人员查看客户信息时提供参考，提高销售决策效率。销售人员根据异常客户名单选择拜访对象和时间，有利于对异常客户进行挽留并结合销售经验提早做出相应举措，同时降低了人力成本、提高了销售决策效率。

3、本申请提供的设备及存储介质，相比现有技术能够提早预测出客户的异常风险，销售人员根据异常名单选择拜访对象和时间，对客户进行挽留并结合销售经验提早做出相应举措，从而降低公司业务损失，减少销售拜访成本，提高销售决策效率。

附图说明

图1为本发明客户异常预警方法流程图。

图2为本发明的计算机系统的结构示意图。

具体实施方式

为了更好地了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。

实施例1：

本实施例提供了一种客户异常预警方法，包括以下步骤：

s1：接收预设时长的历史订单信息，为能够获取足够的历史订单预测客户订单量，预设时长一般不小于两年，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

s2：根据预设周期及客户历史订单量，为了能够第一时间识别异常客户，周期可以选择周、半月、月或季度，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，具体包括：

s2-1：提取历史订单信息内含的特征信息并进行数据处理后形成数据输入，提取的特征信息作为预设算法生成训练器所需的数据，所述特征信息包括以下至少一种：订单金额、订单种类、折扣率、订单时效种类、是否为节假日，数据处理时特征信息中：寄件量、寄件金额、折扣率是连续的为定量指标,对数据进行归一化,形成数据输入；而订单时效种类、是否为节假日是离散的、无序的为定性指标，需要进行one-hot编码,使特征数字化,最后拼接数据特征,对数据进行归一化,形成数据输入，消除量纲的影响；

s2-2：将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存，所述预设算法包括但不限于rnn-lstm学习算法、基于gru网络的预测算法；

s2-3：使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

s3：计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常，具体包括：

s3-1：：预存储若干订单量变化趋势，若订单量变化趋势的订单减少量超过预设范围则标记为异常，预设范围可在15％-35％中选取，各订单量变化趋势的订单减少量可以直接计算后输入系统也可以在预存储的同时由关联系统中读取。其中，预存储的订单量变化趋势的获取方式：将历史订单信息采用机器学习基于dtw距离的聚类算法或者基于kmeans的聚类算法进行自动归类，预存储的订单量变化趋势数量由归类后的结果确定，设定聚类标准可以采用当订单量变化趋势的欧式距离或明可夫斯基距离小于0.2时归为一类，每一类代表一种订单量变化趋势，可以对所有订单量变化的情况进行归类；

s3-2：计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

s3-3：识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配，若其匹配的为异常的订单量变化趋势，则判断客户异常，根据判断出的异常客户制作异常名单，销售人员根据异常名单选择拜访对象和时间，对客户进行挽留并结合销售经验提早做出相应举措，对于匹配至非异常的客户，针对其订单量变化趋势相应的销售策略，有针对的提升销售额，从而降低公司业务损失，减少销售拜访成本，提高销售决策效率。

本实施例客户异常预警方法基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常，相比现有技术能够提早预测出客户的异常风险，尤其是发现异常的订单量下滑现象，目前使用本申请所述方法的预测结果准确率可达到50％以上，对比随机拜访客户能够更加准确发现移动客户，为销售人员查看客户信息时提供参考，提高销售决策效率，

本实施例的客户异常预警方法对应的预警装置，包括：

信息接受模块，配置用于接收预设时长的历史订单信息，所述历史订单信息包含历史订单量；

订单量获取模块，配置用于将所述订单信息分别与对应的客户相关联，获取客户的历史订单量；

预测模块，配置用于根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，具体包括：

数据预处理单元，配置用于根据历史订单信息内含的特征信息提取模型特征,形成数据输入，所述特征信息包括以下至少一种：订单金额、订单种类、折扣率、订单时效种类、是否为节假日。

模型训练单元，配置用于将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存；

预测单元，配置用于使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

判断模块,配置用于计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常，具体包括：

预存储单元，配置用于预存储若干已被标记为是否异常的订单量变化趋势；

相似度计算单元，配置用于计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

匹配单元，配置用于识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配；

若其匹配的为异常的订单量变化趋势，则判断客户异常，根据异常客户制作异常名单，销售人员根据异常名单选择拜访对象和时间，对客户进行挽留并结合销售经验提早做出相应举措，对于匹配至非异常的客户，针对其订单量变化趋势相应的销售策略，有针对的提升销售额，从而降低公司业务损失，减少销售拜访成本，提高销售决策效率。

本实施例客户异常预警装置，预测模块根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，然后计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,进而预测出判断客户是否异常，为销售人员查看客户信息时提供参考，提高销售决策效率。销售人员根据异常客户名单选择拜访对象和时间，有利于对异常客户进行挽留并结合销售经验提早做出相应举措，同时降低了人力成本、提高了销售决策效率。

本发明中示例的设备，通过处理器执行上述客户异常预警方法，预测结果准确率可达到50％以上，相比现有技术能够提早预测出客户的异常风险，对比随机拜访客户能够更加准确发现移动客户，为销售人员查看客户信息时提供参考，提高销售决策效率。

本发明中示例的可读存储介质，储存有被处理器执行时实现的所述客户异常预警方法，便于客户异常预警装置的使用及推广，进一步介绍如下：

本发明中示例的可读存储介质，储存有被处理器执行时实现的客户异常预警方法，便于客户异常预警装置的使用及推广。进一步介绍如下：计算机系统包括中央处理单元(cpu)101，其可以根据存储在只读存储器(rom)102中的程序或者从存储部分加载到随机访问存储器(ram)103中的程序而执行各种适当的动作和处理。在ram103中，还存储有系统操作所需的各种程序和数据。cpu101、rom102以及ram103通过总线104彼此相连。输入/输出(i/o)接口105也连接至总线104。

以下部件连接至i/o接口105：包括键盘、鼠标等的输入部分106；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分；包括硬盘等的存储部分108；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分109。通信部分109经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至i/o接口105。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分108。

特别地，根据本发明的实施例，上文参考流程图2描述的过程可以被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(cpu)101执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例1的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

实施例2：

下面结合具体实例对客户异常预警方法进一步解释(具体以客户寄件为例)：

第1步：预存储若干不同类型并配有预警周期的寄件订单量变化趋势，本实施例，以周即7日为预设周期，采用机器学习采用基于dtw距离的聚类算法或者基于kmeans的聚类算法，找出常见的50种以7天为周期的寄件量变化趋势的寄件订单量变化趋势并预存储，比如，对日均件量很少的用户，聚类后得到以寄件间隔为主要特征的寄件订单量变化趋势记为寄件订单量变化趋势1，对日均件量较大的用户，聚类后得到以寄件订单量主要特征的寄件订单量变化趋势记为寄件订单量变化趋势2……..记为寄件订单量变化趋势50，如果寄件订单量变化趋势在7日内的订单量下滑比例超过17％，则标记为异常，作为优选方案根据各寄件订单量变化趋势标记处其属于平缓趋势、下滑趋势、先上升后下滑趋势、先下滑后上升趋势等类型，对各寄件订单量变化趋势进行预存储；

第2步：获取客户的寄件订单信息，对历史两年(2015年12月～2017年12月)客户的寄件订单信息进行统计汇总，根据寄件订单内含的特征信息，特征信息包括寄件量，寄件金额,寄件订单种类,折扣率,寄件订单时效种类,是否为节假日等特征，如果寄件订单信息，则将各特征信息制备数据表，如客户寄件量表，客户寄件金额表,客户寄件订单种类表,存储至关联数据库作为相关表，统计汇总时直接关联相关表获取特征信息，为后续的客户异常预测模型的提供模型特征信息，根据特征信息基于预设算法，本实施例采用rnn-lstm学习算法，建模生成训练器，具体如下：

特征提取：主要是以天为粒度依次提取其前n天消费总金额,n＝[0,1,2,3,4,5,6,…,700],n＝0时为当天,下同,前n天寄件件量,前n天内寄件金额,前n天的寄件订单种类,前n天折扣率,前n天的产品类型,前n天的产品时效种类,前n天是否节假日等指标。

数据预处理:特征信息中，寄件量、寄件金额、折扣率是连续的为定量指标,而订单时效种类、是否为节假日是离散的、无序的为定性指标，需要进行one-hot编码,使特征数字化,最后拼接数据特征,对数据进行归一化,形成数据输入，消除量纲的影响。

模型训练:将预处理得到的训练数据读取到python环境下使用基于rnn-lstm深度学习算法模型对数据进行建模生成训练器并保存。

第3步：模型预测:利于第2不中的训练器对客户的历史订单量进行预测得出客户订单量未来7天的订单量期望变化趋势，具体的，得到的训练器clf后,使用clf.predict()以及clf.predict_proba()函数对验证集数据进行预测,得到客户未来7天的件量，转化为订单量期望变化趋势。

设定阈值为0.8，计算出订单量期望变化趋势相对于50种寄件订单量变化趋势的相似度，识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配，相似度大于阈值则匹配成功，作为优选方案，可以在匹配完成后，通过混淆矩阵、roc曲线评价模型的效果,目前测试集roc可达0.8以上,说明分类匹配的效果较好。

第4步：若其匹配的为异常的订单量变化趋势，则判断客户异常，根据异常客户制作异常名单，销售人员根据异常名单选择拜访对象和时间，对客户进行挽留并结合销售经验提早做出相应举措，对于匹配至非异常的客户，针对其订单量变化趋势相应的销售策略，有针对的提升销售额，从而降低公司业务损失，减少销售拜访成本，提高销售决策效率。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。