本公开涉及数据处理,尤其涉及一种用户留存的预测方法及装置、电子设备和存储介质。
背景技术:
1、对于公有云服务商而言,由于竞争愈发激烈,获客成本也越来越高,如何将更多的存量客户留存下来是客户运营环节的重中之重。
2、目前,现有的公有云客户留存分析预测,往往基于客户的活跃度以及发生故障时间后的客户的反馈进行分析,但是一般来说,公有云客户的留存是由多个因素综合影响的,例如客户对于云资源的使用率、云资源的可靠程度等,导致该种预测方法的预测精度较差。
技术实现思路
1、本公开提供了一种用户留存的预测方法、装置、电子设备和存储介质。其主要目的在于解决公有云客户留存分析预测方法的预测精度差的问题。
2、根据本公开的第一方面,提供了一种用户留存的预测方法,其中,包括:
3、获取订阅目标产品的现网客户的产品资源信息;其中,所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种;
4、将所述产品资源信息输入预训练神经网络模型,得到所述预训练神经网络模型输出的所述现网客户的留存概率;
5、根据所述留存概率与所述目标产品的留存阈值之间的大小关系,确定所述留存概率对应的现网客户是否存在流失风险。
6、可选的,所述根据所述留存概率与所述目标产品的留存阈值之间的大小关系,确定所述留存概率对应的现网客户是否存在流失风险包括:
7、若确定所述留存概率小于或等于所述留存阈值,则确定所述留存概率对应的现网客户的存在流失风险,则对所述存在流失风险的现网客户执行挽留举措;
8、若确定所述留存概率大于所述留存阈值,则确定所述留存概率对应的现网客户不存在流失风险。
9、可选的,在根据所述留存概率与所述目标产品的留存阈值之间的大小关系,确定所述留存概率对应的现网客户是否存在流失风险之前,所述方法还包括:
10、根据各产品的历史总客户数与离网客户数计算客户流失率;其中,所述历史总客户数为所述离网客户数与现网客户数之和;
11、根据所述客户流失率与现网客户数计算所述留存阈值;其中,不同产品对应不同留存阈值。
12、可选的,在将所述产品资源信息输入预训练神经网络模型,得到所述预训练神经网络模型输出的所述现网客户的留存概率之前,所述方法还包括:
13、获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息;其中,所述训练用客户清单中的客户信息中包含真实客户标签,所述真实客户标签包含现网客户标签及离网客户标签;
14、根据各所述客户对应的训练用产品资源信息,对预训练神经网络模型进行训练,得到所述预训练神经网络模型对各训练用产品资源信息的留存概率;
15、根据所述留存概率及对应产品的留存阈值,确定各客户的训练用客户标签;
16、根据所述训练用客户标签及真实客户标签,计算所述预训练神经网络模型的误差信号;
17、根据所述误差信号对所述预训练神经网络模型的参数权重进行调整;
18、重复上述预训练神经网络模型的训练步骤,直至满足预设训练条件后,完成对所述预训练神经网络模型的训练。
19、可选的,在完成对所述预训练神经网络模型的训练之后,所述方法还包括:
20、按照预设时间周期,重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息,重新对所述预训练神经网络模型进行训练。
21、可选的,所述方法还包括:
22、对同一客户的所有产品的留存概率进行统计,并确定同一客户存在流失风险的产品;
23、确定同一客户存在流失风险的产品,设计挽留举措;其中,所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
24、根据本公开的第二方面,提供了一种用户留存的预测装置,包括:
25、第一获取单元,用于获取订阅目标产品的现网客户的产品资源信息;其中,所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种;
26、输入单元,用于将所述产品资源信息输入预训练神经网络模型,得到所述预训练神经网络模型输出的所述现网客户的留存概率;
27、第一确定单元,用于根据所述留存概率与所述目标产品的留存阈值之间的大小关系,确定所述留存概率对应的现网客户是否存在流失风险。
28、可选的,所述第一确定单元还用于:
29、当确定所述留存概率小于或等于所述留存阈值时,确定所述留存概率对应的现网客户的存在流失风险,则对所述存在流失风险的现网客户执行挽留举措;
30、当确定所述留存概率大于所述留存阈值时,确定所述留存概率对应的现网客户不存在流失风险。
31、可选的,所述装置还包括:
32、第一计算单元,用于在第一确定单元根据所述留存概率与所述目标产品的留存阈值之间的大小关系,确定所述留存概率对应的现网客户是否存在流失风险之前,根据各产品的历史总客户数与离网客户数计算客户流失率;其中,所述历史总客户数为所述离网客户数与现网客户数之和;
33、第二计算单元,用于根据所述客户流失率与现网客户数计算所述留存阈值;其中,不同产品对应不同留存阈值。
34、可选的,所述装置还包括:
35、第二获取单元,用于在输入单元将所述产品资源信息输入预训练神经网络模型,得到所述预训练神经网络模型输出的所述现网客户的留存概率之前,获取各产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息;其中,所述训练用客户清单中的客户信息中包含真实客户标签,所述真实客户标签包含现网客户标签及离网客户标签;
36、第一训练单元,用于根据各所述客户对应的训练用产品资源信息,对预训练神经网络模型进行训练,得到所述预训练神经网络模型对各训练用产品资源信息的留存概率;
37、第二确定单元,用于根据所述留存概率及对应产品的留存阈值,确定各客户的训练用客户标签;
38、第三计算单元,用于根据所述训练用客户标签及真实客户标签,计算所述预训练神经网络模型的误差信号;
39、调整单元,用于根据所述误差信号对所述预训练神经网络模型的参数权重进行调整;
40、第二训练单元,用于重复上述预训练神经网络模型的训练步骤,直至满足预设训练条件后,完成对所述预训练神经网络模型的训练。
41、可选的,所述装置还包括:
42、第三训练单元,用于在第二训练单元完成对所述预训练神经网络模型的训练之后,按照预设时间周期,重新获取各所述产品的训练用客户清单及所述训练用客户清单中包含的各客户对应的训练用产品资源信息,重新对所述预训练神经网络模型进行训练。
43、可选的,所述装置还包括:
44、统计单元,用于对同一客户的所有产品的留存概率进行统计,并确定同一客户存在流失风险的产品;
45、设计单元,用于确定同一客户存在流失风险的产品,设计挽留举措;其中,所述挽留举措中至少包括电话回访、线下回访、派发优惠中的至少一种。
46、根据本公开的第三方面,提供了一种电子设备,包括:
47、至少一个处理器;以及
48、与所述至少一个处理器通信连接的存储器;其中,
49、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的方法。
50、根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
51、根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
52、本公开提供的用户留存的预测方法、装置、电子设备和存储介质,主要技术方案包括:首先,获取订阅目标产品的现网客户的产品资源信息;其中,所述产品资源信息至少包含平均使用率数据、产品折扣率、该客户累计故障次数、故障平均响应时长、故障平均恢复时长及月平均回访频率数据中的至少一种;其次,将所述产品资源信息输入预训练神经网络模型,得到所述预训练神经网络模型输出的所述现网客户的留存概率;最后,根据所述留存概率与所述目标产品的留存阈值之间的大小关系,确定所述留存概率对应的现网客户是否存在流失风险。与相关技术相比,本技术实施例通过将能够对公有云客户留存产生影响的多方面的产品资源信息作为参数指标,并使用训练好的神经网络模型根据这些参数指标计算客户的留存概率,进而可根据客户的留存概率确定客户是否存在流失风险,通过多方面因素的综合考量,在影响因素分析方面更加完善,提升了预测精度,进而可实现对存在流失风险的客户进行精准预警。
53、应当理解,本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征,也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。