客户流失预测方法以及装置的制造方法
【技术领域】
[0001]本发明涉及人工智能领域，尤其涉及一种客户流失预测方法以及装置。
【背景技术】
[0002]随着网络游戏行业的迅速发展，各个游戏研发商和发行商竞争激烈，游戏玩家容易流失，带来游戏研发商和发行商经济上的损失，挫伤游戏研发商和发行商的开发网络游戏的积极性，长此以往，会造成文化产业的损失。所以，游戏玩家流失的预警对于游戏研发商和发行商来说十分重要。
[0003]但是，在现有技术下，只能通过人工筛选的方法来寻找可能会流失的游戏玩家。人工筛选的一个缺点是效率低，由于人工筛选的效率低，所以经常在错失预警的最佳时间后才寻找到准备流失的游戏玩家(下面简称准流失玩家)，此时，对准流失玩家的挽留工作难度会急剧变大。甚至，最严重的是，在游戏玩家彻底流失而不再登录游戏平台后，才寻找到已经流失的游戏玩家，此时，已无法再联系游戏玩家进行挽留工作，导致损失无法挽回。人工筛选的另一个缺点是准确性差，由于人工筛选时只能通过单一的筛选规则进行筛选，所以经常会出现误判。例如，人工筛选规则通常定义为最近一周内的充值次数小于2次且充值金额小于1000元的游戏玩家被预测为准流失玩家，但是，对于上升期的玩家，尽管充值次数不多，金额也小于1000元，却不应该被认为为准流失玩家，对于高级游戏玩家，尽管充值次数大于两次或者充值金额大于1000元，也极有可能是准流失玩家等等。对非准流失玩家的误判而实施挽留工作会造成资源的浪费，而对事实为准流失玩家的误判而没有实施挽留工作会导致损失无法挽回。
【发明内容】
[0004]本发明实施例所要解决的技术问题在于，提供一种客户流失预测方法以及装置，能够快速、准确地预测具有流失倾向的客户。
[0005]本发明提供了一种客户流失预测方法，包括如下步骤:根据采集到的客户的历史数据对所述客户进行分组以获得多个对应预测模型的客户类型；建立多个预测模型，其中，不同的客户类型对应不同的预测模型；通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得训练样本，其中，不同的客户类型对应不同的流失规则；使用所述训练样本对对应的预测模型进行训练；根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。
[0006]可选地，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。
[0007]可选地，所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。
[0008]可选地，根据采集到的客户的历史数据对所述客户进行分类以获得多个客户类型具体为:根据采集到的客户的历史数据并通过聚类算法对所述客户进行分类以获得多个客户类型。
[0009]可选地，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。
[0010]可选地，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。
[0011]可选地，根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向之后还包括:对需求文本进行中文分词，并对中文分词后的单词进行统计以获得高频词以获得客户的需求类别，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。
[0012]可选地，根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向之后还包括:对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。
[0013]本发明还提供了一种客户流失预测装置，包括:分组模块，用于根据采集到的客户的历史数据对所述客户进行分组以获得多个客户类型；建模模块，用于建立多个预测模型，其中，不同的客户类型对应不同的预测模型；识别模块，用于通过流失规则从同一客户类型的客户中识别出流失客户和未知客户以获得对应预测模型的训练样本，其中，不同的客户类型对应不同的流失规则；训练模块，用于使用所述训练样本对对应的预测模型进行训练；预测模块，用于根据所述未知客户的现时数据以及对应的预测模型预测所述未知客户是否有流失倾向。
[0014]可选地，所述客户的历史数据包括所述客户的基础信息以及所述客户的行为信息，所述客户的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合，所述客户的行为信息包括登陆信息、充值信息、消费信息、事件信息中的任意一种或者多种的组合。
[0015]可选地，所述登陆信息包括统计日前i天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值信息包括统计日前i天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费信息包括统计日前i天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件信息包括统计日前i天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，i为大于零的正整数。
[0016]可选地，所述分组模块还用于根据采集到的客户的数据并通过聚类算法对所述客户进行分类以获得多个客户类型。
[0017]可选地，所述聚类算法为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN聚类算法中的任意一种。
[0018]可选地，所述预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。
[0019]可选地，所述装置还包括:分词模块、统计模块以及匹配模块，所述分词模块用于对需求文本进行中文分词，其中，所述需求文本为客服人员对预测为有流失倾向的未知客户进行采访记录得到的反馈文本；所述统计模块用于对中文分词后的单词进行统计得到高频词以获得客户的需求类别；所述匹配模块用于根据所述需求类别的关键词对所述需求文本进行匹配，以获得所述需求类别对应的所述需求文本的数量，其中，所述关键词为所述需求类别对应的高频词或者高频词的同义词。
[0020]可选地，所述装置还包括跟踪模块，所述跟踪模块用于对预测为有流失倾向的未知客户的登陆信息、充值信息、消费信息中的任意一种或者多种的组合进行跟踪。
[0021]通过实施本发明实施例，能够通过计算机来完成采集客户的数据、建立预测模块、对预测模型进行训练以及根据预测模型进行预测等工作，比人工逐个进行筛选的速度快，效率高。而且，本发明对不同的客户进行了分组，针对每种客户类型的客户建立属于自己的预测模型进行预测，比起人工对所有的客户采用单一的规则进行预测来说，提高了预测的准确性。
【附图说明】
[0022]为了更