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。
[0104]本实施方式的客户流失预测装置600与图3所述的方法一一对应，具体请参阅图3以及相关描述，此处不再重复赘述。
[0105]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory, RAM)等。
[0106]以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
【主权项】
1.一种客户流失预测方法，其特征在于，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； 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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求2所述的方法，其特征在于， 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。4.根据权利要求1至3任一权利要求所述的方法，其特征在于，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。5.根据权利要求4所述的方法，其特征在于，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。6.根据权利要求1或2或3或5所述的方法，其特征在于，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。7.根据权利要求1所述的方法，其特征在于，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。8.根据权利要求1或7所述的方法，其特征在于，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。9.一种客户流失预测装置，其特征在于，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。10.根据权利要求9所述的装置，其特征在于，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。11.根据权利要求10所述的装置，其特征在于， 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。12.根据权利要求9至11任一权利要求所述的装置，其特征在于，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。13.根据权利要求12所述的装置，其特征在于，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。14.根据权利要求9或10或11或13所述的装置，其特征在于，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。15.根据权利要求9所述的装置，其特征在于，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。16.根据权利要求9或15所述的装置，其特征在于，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。
【专利摘要】本发明公开了一种客户流失预测方法以及装置。所述方法包括如下步骤：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；使用训练样本对对应的预测模型进行训练；根据未知客户的现时数据以及对应的预测模型预测未知客户是否有流失倾向。上述方法能够快速、准确地预测具有流失倾向的客户。
【IPC分类】G06Q10/04
【公开号】CN105069534
【申请号】CN201510510702
【发明人】余建兴
【申请人】广州华多网络科技有限公司
【公开日】2015年11月18日
【申请日】2015年8月18日