本申请涉及人工智能,具体涉及一种确定客户生命周期价值的方法及装置、终端设备。
背景技术:
1、随着体验经济时代的到来,企业与客户间的联系不再会因为一次交易而结束。当企业能够服务好客户,真正为客户实现价值,客户便会愿意不断进行复购和增购。在这种情况之下,相较于单次购买金额,企业更应该重视客户的生命周期价值。客户生命周期价值(clv或ltv,customer lifetime value),又称客户终身价值,指一家公司预期能从一个客户那里得到的收入总和。确定客户生命周期价值可以比较获客成本和客户价值,优化资源投入,分析提升收入的路径,帮助企业进行客户分级。
2、现有技术中,客户生命周期价值通常是计算客户单位时间内的平均付费金额与平均生命周期长度的乘积获得,其中,以年度为例,客户平均每年的付费金额可以通过企业的年度总收入除以年度客户总数获得或客户平均每次的付费金额乘以年度付费次数获得。由于客户生命周期价值是企业基于过往数据、经验等,对客户价值的进行的判断和预测,而企业的实际业务场景有所不同,因此上述方式并不一定适用于所有类型的企业。并且同一企业在不同地区客户具有相同业务时,客户数据具有相同的特征,而目前系统仅仅对不同地区客户的消费信息进行保存管理,并未对数据进行二次分析,不能对不同地区的客户进行更精准的营销和服务。
技术实现思路
1、本申请旨在提出一种确定客户生命周期价值的方法及装置、终端设备,针对不同地区客户使用统一的全局模型预测客户生命周期价值,以提高客户生命周期价值预测的准确性以及为不同地区的客户进行更精准的营销和服务。
2、本申请解决上述技术问题所采用的技术方案是:
3、第一方面,本申请提供一种确定客户生命周期价值的方法,所述方法包括:
4、对各地区的客户数据进行聚类分析确定多个客户群体,客户群体中的客户具有形同业务特征;
5、构建横向联邦学习框架,所述横向联邦学习框架至少包括参与方和协调方,分别将每个客户群体与一个参与方进行对应;
6、各参与方根据对应客户群体的业务目标和数据特点选择对应的机器学习模型,根据对应客户群体的客户数据对选择的机器学习模型进行训练,并将对应的模型参数发送给协调方;
7、协调方对各参与方发送的模型参数进行聚合,根据聚合结果构建全局模型,并分别将所述全局模型发送给各参与方,同时要求各参与方对全局模型进行验证;
8、各参与方根据客户群体对应的客户数据对所述全局模型进行验证,将验证结果反馈给协调方,并基于所述全局模型预测客户生命周期价值;
9、协调方根据验证结果判断是否重复上述步骤。
10、进一步地,各参与方根据对应客户群体的客户数据中的消费特征数据和消费状态对选择的机器学习模型进行训练,所述消费特征数据包括消费金额、消费次数以及累计消费金额的占比,所述消费状态包括新用户、活跃、回流、流失和不活跃。
11、进一步地,各参与方根据对应客户群体的客户数据对所述全局模型进行验证,具体包括:
12、参与方将对应客户群体的客户数据输入至全局模型中获得预测价值结果,根据对应客户群体的客户数据中的历史实际价值与所述预测价值结果计算模型指标,获得验证结果,所述模型指标至少包括准确率、召回率和f1分数。
13、进一步地,协调方根据验证结果判断是否重复上述步骤,具体包括:
14、协调方根据验证结果判断所有参与方对应的全局模型是否达到预设准确率和预设损失函数值,若是,则流程结束,否则,重复上述步骤。
15、进一步地,所述客户生命周期价值包括历史价值、当前价值和潜在价值,所述历史价值表示到目前为止已经实现了的顾客价值,所述当前价值表示在顾客当前行为模式不发生改变的情况下将来会带来的顾客价值,所述潜在价值表示可能增加的顾客价值。
16、进一步地,所述聚类分析方法为k-means算法。
17、进一步地,所述机器学习模型为线性回归模型。
18、第二方面,本申请提供一种基于横向联邦学习确定客户价值的装置,所述装置用于实现如第一方面所述的确定客户生命周期价值的方法。
19、第三方面,本申请提供一种确定客户生命周期价值的装置,所述装置包括:
20、分析单元,对各地区的客户数据进行聚类分析确定多个客户群体,客户群体中的客户具有形同业务特征;
21、构建单元,用于构建横向联邦学习框架,所述横向联邦学习框架至少包括参与方和协调方,分别将每个客户群体与一个参与方进行对应;
22、所述参与方用于根据对应客户群体的业务目标和数据特点选择对应的机器学习模型,根据对应客户群体的客户数据对选择的机器学习模型进行训练,并将对应的模型参数发送给协调方;以及根据客户群体对应的客户数据对所述全局模型进行验证,将验证结果反馈给协调方,并基于所述全局模型预测客户生命周期价值;
23、所述协调方用于对各参与方发送的模型参数进行聚合,根据聚合结果构建全局模型,并分别将所述全局模型发送给各参与方,同时要求各参与方对全局模型进行验证;以及据验证结果判断是否重复上述步骤。
24、第四方面,本申请提供一种终端设备,所述终端设备包括处理器、存储器和通信总线;
25、所述通信总线用于实现处理器和存储器之间的连接通信;
26、所述处理器用于执行存储器中的一个或者多个程序,以实现如第一方面所述的确定客户生命周期价值的方法的步骤。
27、本申请的有益效果是:本申请提供的确定客户生命周期价值的方法及装置、终端设备,基于横向联邦学习对不同地区的客户数据进行横向切分,横向联邦学习框架中,各参与方的客户数据具有形同的业务特征,采用横向联邦学习对不同地区的客户消费数据和客户消费行为进行分析,最终形成统一的全局模型进行客户生命周期的预测,进而提高了客户生命周期预测的准确性,企业可以根据预测的客户声明中求比较获客成本和客户价值,优化资源投入,分析提升收入的路径,进行客户分级,以便为不同地区的客户进行更精准的营销和服务。
1.一种确定客户生命周期价值的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的确定客户生命周期价值的方法,其特征在于,各参与方根据对应客户群体的客户数据中的消费特征数据和消费状态对选择的机器学习模型进行训练,所述消费特征数据包括消费金额、消费次数以及累计消费金额的占比,所述消费状态包括新用户、活跃、回流、流失和不活跃。
3.根据权利要求1所述的确定客户生命周期价值的方法,其特征在于,各参与方根据对应客户群体的客户数据对所述全局模型进行验证,具体包括:
4.根据权利要求3所述的确定客户生命周期价值的方法,其特征在于,协调方根据验证结果判断是否重复上述步骤,具体包括:
5.根据权利要求1所述的确定客户生命周期价值的方法,其特征在于,所述客户生命周期价值包括历史价值、当前价值和潜在价值,所述历史价值表示到目前为止已经实现了的顾客价值,所述当前价值表示在顾客当前行为模式不发生改变的情况下将来会带来的顾客价值,所述潜在价值表示可能增加的顾客价值。
6.根据权利要求1所述的确定客户生命周期价值的方法,其特征在于,所述聚类分析方法为k-means算法。
7.根据权利要求1所述的确定客户生命周期价值的方法,其特征在于,所述机器学习模型为线性回归模型。
8.一种基于横向联邦学习确定客户价值的装置,其特征在于,所述装置用于实现如权利要求1至7任一项所述的确定客户生命周期价值的方法。
9.一种确定客户生命周期价值的装置,其特征在于,所述装置包括:
10.一种终端设备,其特征在于,所述终端设备包括处理器、存储器和通信总线;