本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種基于用戶問題預(yù)測模型的減小線上客戶流失的方法。

背景技術(shù)：

隨著銀行互聯(lián)網(wǎng)業(yè)務(wù)的發(fā)展，線上客戶的流失率越來越被看中，為實現(xiàn)用戶的留存，需要分析出客戶的流失原因，找到用戶的問題所在才能作出改進(jìn)。通過現(xiàn)狀分析發(fā)現(xiàn)，如果僅根據(jù)人為經(jīng)驗通過頁面文案對客戶進(jìn)行引導(dǎo)，當(dāng)用戶已經(jīng)進(jìn)入到銀行界面后，沒有一套工具能夠根據(jù)用戶行為、用戶信息等數(shù)據(jù)實時預(yù)測出客戶可能在操作過程中所遇見的問題的模型，部分用戶在操作中沒有及時發(fā)現(xiàn)其面臨的問題，用戶離開頁面會直接造成客戶的流失，比如在用戶注冊頁面流失率高達(dá)97％，用戶登錄頁務(wù)失率為94％?？蛻袅魇矢?，且客戶挽回成本高，目前只能線下統(tǒng)計流失客戶，進(jìn)行事后挽回，也只能在客戶提出問題后才能知道客戶的問題，挽回成本巨大且收效甚微，處理起來十分被動。而通過模型計算出客戶在實時操作的過程中可能會遇見的問題，并通過系統(tǒng)實時采集數(shù)據(jù)，并實時進(jìn)行運(yùn)算，實時對前后端發(fā)起對應(yīng)挽回策略，能夠有效的留住客戶，并且提升用戶體驗。

本文需要用到的一些專業(yè)術(shù)語的解釋如下：

cnn卷積神經(jīng)網(wǎng)絡(luò)：cnn是一種多層神經(jīng)網(wǎng)絡(luò)，基于人工神經(jīng)網(wǎng)絡(luò)，在人工神經(jīng)網(wǎng)絡(luò)前，用濾波器進(jìn)行特征抽取，使用卷積核作為特征抽取器，自動訓(xùn)練特征抽取器，就是說卷積核以及閾值參數(shù)這些都需要由網(wǎng)絡(luò)去學(xué)習(xí)。

余弦相似度模型：余弦相似度，又稱為余弦相似性。通過計算兩個向量的夾角余弦值來評估他們的相似度。

問題預(yù)測模型：根據(jù)客戶行為、瀏覽軌跡、歷史數(shù)據(jù)等等多數(shù)據(jù)抽取特征，訓(xùn)練權(quán)重，預(yù)測客戶可能會遇見的問題，后傳給后方進(jìn)行對應(yīng)的措施。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的如下：解決現(xiàn)有的互聯(lián)網(wǎng)銀行沒有一套工具能夠根據(jù)用戶行為、用戶信息數(shù)據(jù)實時預(yù)測出客戶可能在操作過程中所遇見的問題的模型，也沒有根據(jù)此模型的減小線上客戶流失的方法，導(dǎo)致客戶流失且挽回成本大收效甚微，處理起來十分被動的問題。本發(fā)明提供一種基于用戶問題預(yù)測模型的減小線上客戶流失的方法。

本發(fā)明的技術(shù)方案如下：

一種基于用戶問題預(yù)測模型的減小線上客戶流失的方法，包括如下步驟：

s1：用戶進(jìn)入互聯(lián)網(wǎng)銀行頁面；

s2：判斷用戶身上是否帶有強(qiáng)規(guī)則，如命中強(qiáng)規(guī)則，則走強(qiáng)規(guī)則邏輯，再猜測客戶可能遇見的問題topn；如沒有命中強(qiáng)規(guī)則，則進(jìn)入問題預(yù)測模型，猜測客戶可能遇見的問題topn；強(qiáng)規(guī)則是由業(yè)務(wù)人員確定的，比如黑名單客戶、白名單用戶、vip用戶等，規(guī)則如概括性解釋可說：強(qiáng)規(guī)則由業(yè)務(wù)人員確定，在模型之上，屬于必需判斷的強(qiáng)因子。

s3：檢測topn的問題中是否有需要報警的問題，如果有，則對客戶發(fā)起對應(yīng)挽回動作，再進(jìn)行數(shù)據(jù)埋點；若沒有需要報警的問題，則直接進(jìn)行數(shù)據(jù)埋點；埋點數(shù)據(jù)將通過機(jī)器學(xué)習(xí)的方式反饋給問題預(yù)測模型中，進(jìn)行問題預(yù)測模型調(diào)優(yōu)處理；

s4:將判斷失誤的樣本作為負(fù)樣本，判斷正確的樣本作為正樣本，將樣本數(shù)據(jù)通過機(jī)器學(xué)習(xí)的方式反饋只問題預(yù)測模型進(jìn)行調(diào)優(yōu)處理；

s5：結(jié)束。

具體地，所述強(qiáng)規(guī)則模型通過專家模型和人為經(jīng)驗得到。

具體地，s2中，問題預(yù)測模型的步驟為：

s21：樣本數(shù)據(jù)采集；

s22：將樣本數(shù)據(jù)分為正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)，用戶在實際環(huán)境中遇到的問題和銀行匹配的問題一致為正樣本，用戶在實際環(huán)境中遇到的問題和銀行匹配的問題不一致則為負(fù)樣本；

s23：通過cnn卷積神經(jīng)網(wǎng)絡(luò)算法，提取正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)中的有效特征，命中的正樣本分類特征的用戶特征，稱之為有效特征；找出流失用戶樣本數(shù)據(jù)中所攜帶的信息數(shù)據(jù)及行為特征；

s24：權(quán)重訓(xùn)練，找出對應(yīng)有效特征分類權(quán)重；

s25：產(chǎn)出模型文件；根據(jù)權(quán)重訓(xùn)練得出的結(jié)果，再根據(jù)預(yù)測概率進(jìn)行排序，取靠前的用戶問題作為用戶可能遇見問題的預(yù)測結(jié)果topn；在產(chǎn)出模型文件后，模型文件在實際的模型應(yīng)用中又會生產(chǎn)新的正樣本和負(fù)樣本，對新的在正樣本和負(fù)樣本通過機(jī)器學(xué)習(xí)的方式反饋到權(quán)重訓(xùn)練中。

具體地，s24中，權(quán)重訓(xùn)練的方法為svm分類預(yù)測方法，具體步驟如下：

s241：按照用戶瀏覽時間維度、用戶操作維度提取行為、操作歷史數(shù)據(jù)；行為、操作歷史數(shù)據(jù)包括頁面pv、用戶點擊、用戶填寫、用戶信息等歷史數(shù)據(jù)；

s242：清洗行為、操作歷史數(shù)據(jù)，提取轉(zhuǎn)換特征；具體地，將用戶瀏覽時間維度分為多個區(qū)間，每個區(qū)間內(nèi)每一個維度的數(shù)據(jù)劃分為多個區(qū)間；比如pv這個維度在頁面category1下會形成以下特征；

s243：將轉(zhuǎn)換特征向量化；根據(jù)步驟2提取的特征與特征的索引，將每一個用戶用特征向量表示為：f＝(f1，f2，f3，..，fn)

其中fi取值為0或則1，向量的維度表示特征的索引；

具體地，s24中，權(quán)重訓(xùn)練是通過余弦相似度算法實現(xiàn)的，具體步驟為：

s241：提取樣本數(shù)據(jù)，基于統(tǒng)計計算出用戶行為特征，用戶操作特征偏好，計算公式如下：

s242：將用戶每一個特征偏好組合表示為特征偏好向量：

v1＝(p1，p2，p3，...，pn)

s243：將用戶問題特征表示為向量：

v2＝(1，0，1，...，0)

用戶問題的的特征向量維度值取值為0或者1；

s244：計算余弦相似度：

其中simi值越大表示越相似；

s245：執(zhí)行排序；根據(jù)simi值進(jìn)行排序，取最相似的一部分用戶判定用戶的問題，并跟進(jìn)權(quán)重排序。

進(jìn)一步地，s2中，樣本數(shù)據(jù)包括用戶的基本信息、用戶操作行為、用戶服務(wù)歷史軌跡、用戶信用信息、頁面日志數(shù)據(jù)。

采用上述方案后，本發(fā)明的有益效果在于：

(1)通過問題預(yù)測模型計算出客戶在實時操作的過程中可能會遇見的問題，并通過系統(tǒng)實時采集數(shù)據(jù)，并實時進(jìn)行運(yùn)算，從而在客戶還未提出問題時，就能猜測到用戶的真實意圖，達(dá)到挽留客戶的目的，有利于提升用戶體驗。

(2)通過積累的正負(fù)樣本數(shù)據(jù)，及時分析badcase對模型進(jìn)行訓(xùn)練和自學(xué)習(xí)，對不同用戶、不同時段動態(tài)改變每個用戶的有效因子，以及各因子權(quán)重，使之實時適應(yīng)當(dāng)前最新情況。

附圖說明

圖1為本發(fā)明的整體流程圖；

圖2為本問題預(yù)測模型的流程圖；

圖3為現(xiàn)有技術(shù)的流程圖。

具體實施方式

本說明書中公開的所有特征，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。

下面結(jié)合附圖對本發(fā)明作詳細(xì)說明。

一種基于用戶問題預(yù)測模型的減小線上客戶流失的方法，包括如下步驟：

s1：用戶進(jìn)入互聯(lián)網(wǎng)銀行頁面；

s2：判斷用戶身上是否帶有強(qiáng)規(guī)則，如命中強(qiáng)規(guī)則，則走強(qiáng)規(guī)則邏輯，再猜測客戶可能遇見的問題topn；如沒有命中強(qiáng)規(guī)則，則進(jìn)入問題預(yù)測模型，猜測客戶可能遇見的問題topn；如強(qiáng)規(guī)則為：當(dāng)用戶為黑名單用戶時，強(qiáng)規(guī)則觸發(fā)，提示前端展示黑名單用戶界面，并終止挽回策略，此時，如用戶點擊“個人中心-手機(jī)號碼修改“時，可能會出現(xiàn)原手機(jī)號碼接收不到短信、現(xiàn)手機(jī)號碼接收不到短信等問題；所述強(qiáng)規(guī)則模型通過專家模型和人為經(jīng)驗得到。

s3：檢測topn的問題中是否有需要報警的問題，如果有，則對客戶發(fā)起對應(yīng)挽回動作，再進(jìn)行數(shù)據(jù)埋點；若沒有需要報警的問題，則直接進(jìn)行數(shù)據(jù)埋點；埋點數(shù)據(jù)將通過機(jī)器學(xué)習(xí)的方式反饋給問題預(yù)測模型中，進(jìn)行問題預(yù)測模型調(diào)優(yōu)處理；

s4:將判斷失誤的樣本作為負(fù)樣本，判斷正確的樣本作為正樣本，將樣本數(shù)據(jù)通過機(jī)器學(xué)習(xí)的方式反饋只問題預(yù)測模型進(jìn)行調(diào)優(yōu)處理；

s5：結(jié)束。

s2中，問題預(yù)測模型的步驟為：

s21：樣本數(shù)據(jù)采集；

s22：將樣本數(shù)據(jù)分為正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)，用戶在實際環(huán)境中遇到的問題和銀行匹配的問題一致為正樣本，用戶在實際環(huán)境中遇到的問題和銀行匹配的問題不一致則為負(fù)樣本；

s23：通過cnn卷積神經(jīng)網(wǎng)絡(luò)算法，提取正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)中的有效特征，計算詳情如下：

通過計算即可從樣本數(shù)據(jù)中抽取出對應(yīng)有效特征。x隨樣本量的變化會進(jìn)行動態(tài)調(diào)整。找出流失用戶樣本數(shù)據(jù)中所攜帶的信息數(shù)據(jù)及行為特征；

s24：權(quán)重訓(xùn)練，找出對應(yīng)有效特征分類權(quán)重；

s25：產(chǎn)出模型文件；根據(jù)權(quán)重訓(xùn)練得出的結(jié)果，再根據(jù)預(yù)測概率進(jìn)行排序，取靠前的用戶問題作為用戶可能遇見問題的預(yù)測結(jié)果topn。

另一方面，s24中，權(quán)重訓(xùn)練的方法為svm分類預(yù)測方法時，具體步驟如下：

s241：按照用戶瀏覽時間維度、用戶操作維度提取行為、操作歷史數(shù)據(jù)；行為、操作歷史數(shù)據(jù)包括頁面pv、用戶點擊、用戶填寫、用戶信息等歷史數(shù)據(jù)；

s242：清洗行為、操作歷史數(shù)據(jù)，提取轉(zhuǎn)換特征；具體地，將用戶瀏覽時間維度分為多個區(qū)間，每個區(qū)間內(nèi)每一個維度的數(shù)據(jù)劃分為多個區(qū)間；比如pv這個維度在頁面category1下會形成以下特征；

s243：將轉(zhuǎn)換特征向量化；根據(jù)步驟2提取的特征與特征的索引，將每一個用戶用特征向量表示為：f＝(f1，f2，f3，..，fn)

其中fi取值為0或則1，向量的維度表示特征的索引。

5.根據(jù)權(quán)利要求3所述的一種基于用戶問題預(yù)測模型的減小線上客戶流失的方法，其特征在于，s24中，權(quán)重訓(xùn)練是通過余弦相似度算法實現(xiàn)的，具體步驟為：

s241：提取樣本數(shù)據(jù)，基于統(tǒng)計計算出用戶行為特征，用戶操作特征偏好，計算公式如下：

s242：將用戶每一個特征偏好組合表示為特征偏好向量：

v1＝(p1，p2，p3，…pn)

s243：將用戶問題特征表示為向量：

v2＝(1，0，1，…，0)

用戶問題的的特征向量維度值取值為0或者1；

s244：計算余弦相似度：

其中simi值越大表示越相似；

s245：執(zhí)行排序；根據(jù)simi值進(jìn)行排序，取最相似的一部分用戶判定用戶的問題，并跟進(jìn)權(quán)重排序。

s2中，樣本數(shù)據(jù)包括：

用戶的基本信息，例如“用戶地址”、“用戶姓名”、“用戶身份證”、“用戶注冊時間”、“用戶賬戶等級”等。

用戶操作行為，例如“瀏覽界面”、“界面停留時間”、“瀏覽軌跡”、“輸入時間”、“輸入內(nèi)容”、“點擊軌跡”、“點擊行為”等。

用戶服務(wù)歷史軌跡，例如“兩小時內(nèi)來電次數(shù)”、“72小時內(nèi)用戶是否通過自助渠道提問”、“用戶是否求助過客服服務(wù)”等。

用戶信用信息，例如“用戶芝麻信用評分”、“用戶白騎士評分?jǐn)?shù)據(jù)”、“用戶我行信用評分?jǐn)?shù)據(jù)”、“用戶是否黑名單用戶”、“用戶是否白名單用戶”等。

頁面日志數(shù)據(jù)，例如“頁面pv“、”頁面uv“、”頁面報錯次數(shù)“等。

其他數(shù)據(jù)，例如“今天星期幾“、“社會輿情信息“、”今天幾號“等。

現(xiàn)有技術(shù)的流程為：(1)用戶開始進(jìn)入；(2)用戶瀏覽網(wǎng)頁；(3)用戶操作；(4)操作過程中點擊選項決定是否進(jìn)入下一環(huán)節(jié)，若用戶進(jìn)入下一環(huán)節(jié)，則繼續(xù)重復(fù)網(wǎng)頁瀏覽操作，知道業(yè)務(wù)辦理完畢結(jié)束；若用戶不進(jìn)入下一環(huán)節(jié)，則在此環(huán)節(jié)停留一段時間后結(jié)束流程?？梢姡脩暨M(jìn)入到頁面后，銀行沒有對任何的客戶問題可能遇見的問題進(jìn)行識別以及采取相應(yīng)的應(yīng)對的措施，在獲客成本高昂的情況下，用戶進(jìn)入頁面即流失成本消耗極大，部分用戶本可轉(zhuǎn)化而因為沒有采取實時有效措施而流失。