本发明涉及数据处理,特别是涉及一种客户流失类型预测方法、装置、电子设备及存储介质。
背景技术:
1、人们在券商交易平台进行注册,成为券商交易平台的客户后,能够在券商交易平台上进行交易,客户对券商交易平台具有价值,为券商交易平台带来收益,因此,一旦客户流失,会对券商交易平台带来重大损失。鉴于此,需要关注客户是否存在流失的可能性,一旦发现客户存在流失的可能提前进行预警,以挽留客户。
2、又由于针对不同流失类型的客户需要采用的挽留方式可能会有所不同,因此,需要提供一种预测客户流失类型的方案,以精准的确定客户的流失类型。
技术实现思路
1、本发明实施例的目的在于提供一种客户流失类型预测方法、装置、电子设备及存储介质,以预测客户的流失类型。具体技术方案如下:
2、根据本发明实施例的一方面,提供了一种客户流失类型预测方法,所述方法包括:
3、获得客户的属性特征、在券商交易平台外部的资产特征、在所述券商交易平台所开通业务的业务特征、在所述券商交易平台的交易时序特征、在所述券商交易平台的资产盈亏特征以及在所述券商交易平台的操作行为特征;
4、基于所获得的特征,进行客户流失类型预测,其中,所述客户流失类型为:显性流失类型、针对资产的隐性流失类型、针对操作行为的隐性流失类型和无流失类型中的一种。
5、本发明的一个实施例中,所述基于所获得的特征,进行客户流失类型预测,包括:
6、基于所获得的特征预测所述客户是否将出现以下行为中的一种,若存在,则预测所述客户的客户流失类型为显性流失类型:
7、在所述券商交易平台注销账号;
8、转换托管的交易所;
9、撤销指定的交易所。
10、本发明的一个实施例中,所述方法还包括:
11、若预测所述客户的客户流失类型不为显性流失类型,则基于所获得的特征,判断所述客户在所述券商交易平台的资产当前预测周期相对于上一预测周期是否降级;
12、若降级,则预测所述客户的客户流失类型为针对资产的隐性流失类型。
13、本发明的一个实施例中,所述方法还包括:
14、若预测所述客户的客户流失类型不为针对资产的隐性流失类型,则基于所获得的特征,判断所述客户是否处于休眠状态;
15、若为是,则预测所述客户的客户流失类型为针对操作行为的隐性流失类型。
16、本发明的一个实施例中,所述基于所获得的特征,进行客户流失类型预测,包括:
17、将所获得的特征输入预先训练的客户流失类型预测模型进行客户流失类型预测,获得所述客户流失类型输出的客户流失类型。
18、本发明的一个实施例中,按照以下方式训练得到所述客户流失类型预测模型:
19、获得样本客户在出现客户流失前第一预设时长的样本特征,其中,所述样本客户包括:客户流失类型为显性流失类型的客户、客户流失类型为针对资产的隐性流失类型的客户和客户流失类型为针对操作行为的隐性流失类型的客户,所述样本特征中包括:样本客户的属性特征、在券商交易平台外部的资产特征、在所述券商交易平台所开通业务的业务特征、在所述券商交易平台的交易时序特征、在所述券商交易平台的资产盈亏特征以及在所述券商交易平台的操作行为特征;
20、获得客户流失类型为无流失类型的样本客户的样本特征;
21、将所获得样本特征输入预设的原始网络模型进行客户流失类型预测,获得所述原始网络模型输出的预测客户流失类型;
22、基于所述样本客户的客户流失类型和所述预测客户流失类型,对所述原始网络模型进行参数调整,得到所述客户流失类型预测模型。
23、本发明的一个实施例中,若所述样本客户的客户流失类型为显性流失类型,则所述出现客户流失前第一预设时长为:所述样本客户在所述券商交易平台注销账号前第一预设时长、所述样本客户转换托管的交易所前第一预设时长或者所述样本客户撤销指定的交易所前第一预设时长;
24、若所述样本客户的客户流失类型为针对资产的隐性流失类型,则所述出现客户流失前第一预设时长为:所述样本客户出现大于第二预设时长的资产回流时长时前第一预设时长;
25、若所述样本客户的客户流失类型为针对操作行为的隐性流失类型,则所述出现客户流失前第一预设时长为:所述样本客户出现大于第三预设时长的交易回流时长时前第一预设时长,和/或所述样本客户出现大于第四预设时长未操作所述券商交易平台时前第一预设时长。
26、根据本发明实施例的另一方面,提供了一种客户流失类型预测装置,所述装置包括:
27、特征获得模块,用于获得客户的属性特征、在券商交易平台外部的资产特征、在所述券商交易平台所开通业务的业务特征、在所述券商交易平台的交易时序特征、在所述券商交易平台的资产盈亏特征以及在所述券商交易平台的操作行为特征;
28、类型预测模块,用于基于所获得的特征,进行客户流失类型预测,其中,所述客户流失类型为:显性流失类型、针对资产的隐性流失类型、针对操作行为的隐性流失类型和无流失类型中的一种。
29、本发明的一个实施例中,所述类型预测模块,具体用于:基于所获得的特征预测所述客户是否将出现以下行为中的一种,若存在,则预测所述客户的客户流失类型为显性流失类型:在所述券商交易平台注销账号;转换托管的交易所;撤销指定的交易所。
30、本发明的一个实施例中,所述装置还包括:
31、降级预测模块,用于在预测所述客户的客户流失类型不为显性流失类型的情况下,则基于所获得的特征,判断所述客户在所述券商交易平台的资产当前预测周期相对于上一预测周期是否降级;在降级的情况下,则预测所述客户的客户流失类型为针对资产的隐性流失类型。
32、本发明的一个实施例中,所述装置还包括:
33、休眠状态预测模块,用于在预测所述客户的客户流失类型不为针对资产的隐性流失类型的情况下,则基于所获得的特征,判断所述客户是否处于休眠状态;若为是,则预测所述客户的客户流失类型为针对操作行为的隐性流失类型。
34、本发明的一个实施例中,所述类型预测模块,具体用于:将所获得的特征输入预先训练的客户流失类型预测模型进行客户流失类型预测,获得所述客户流失类型输出的客户流失类型。
35、本发明的一个实施例中,按照以下方式训练得到所述客户流失类型预测模型:
36、获得样本客户在出现客户流失前第一预设时长的样本特征,其中,所述样本客户包括:客户流失类型为显性流失类型的客户、客户流失类型为针对资产的隐性流失类型的客户和客户流失类型为针对操作行为的隐性流失类型的客户,所述样本特征中包括:样本客户的属性特征、在券商交易平台外部的资产特征、在所述券商交易平台所开通业务的业务特征、在所述券商交易平台的交易时序特征、在所述券商交易平台的资产盈亏特征以及在所述券商交易平台的操作行为特征;
37、获得客户流失类型为无流失类型的样本客户的样本特征;
38、将所获得样本特征输入预设的原始网络模型进行客户流失类型预测,获得所述原始网络模型输出的预测客户流失类型;
39、基于所述样本客户的客户流失类型和所述预测客户流失类型,对所述原始网络模型进行参数调整,得到所述客户流失类型预测模型。
40、本发明的一个实施例中,若所述样本客户的客户流失类型为显性流失类型,则所述出现客户流失前第一预设时长为:所述样本客户在所述券商交易平台注销账号前第一预设时长、所述样本客户转换托管的交易所前第一预设时长或者所述样本客户撤销指定的交易所前第一预设时长;
41、若所述样本客户的客户流失类型为针对资产的隐性流失类型,则所述出现客户流失前第一预设时长为:所述样本客户出现大于第二预设时长的资产回流时长时前第一预设时长;
42、若所述样本客户的客户流失类型为针对操作行为的隐性流失类型,则所述出现客户流失前第一预设时长为:所述样本客户出现大于第三预设时长的交易回流时长时前第一预设时长,和/或所述样本客户出现大于第四预设时长未操作所述券商交易平台时前第一预设时长。
43、根据本发明实施例的再一方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
44、存储器,用于存放计算机程序;
45、处理器,用于执行存储器上所存放的程序时,实现上述任一客户流失类型预测方法。
46、根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一客户流失类型预测方法。
47、根据本发明实施例的又一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一客户流失类型预测方法。
48、本发明实施例有益效果:
49、由以上可见,本技术实施例提供的方案中,客户流失类型可以为显性流失类型、针对资产的隐性流失类型、针对操作行为的隐性流失类型和无流失类型中的至少一种。因此,可以基于获得的客户的多种特征,针对不同的客户流失类型进行客户流失类型预测,不单单可以预测出客户是否会流失,可以精准的确定客户流失类型。
50、当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。