客户终身价值分析方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及一种客户终身价值分析方法及装置。需要说明的是，本发明客户终身价值分析方法及装置可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本发明客户终身价值分析方法及装置的应用领域不做限定。

背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.客户终身价值(customer life-cycle value,简称clv)一般是指客户的生命周期总价值，企业可以通过客户终身价值发现对企业最有价值的客户，从而有针对性地制定客户获取策略，提升客户满意度。
4.目前现有技术中分析客户终生价值的方法是，首先计算客户的历史平均购买金额，然后将该数字乘以平均购买次数来确定客户价值；然后，将客户价值乘以平均客户生命周期来确定客户终身价值。可以看出，现有的客户终生价值分析方法仅利用了客户的历史平均购买金额和平均购买次数，使用的计算数据比较简单，从而输出的客户终身价值可靠性较差。

技术实现要素：

5.本发明实施例提供一种客户终身价值分析方法，用以预测客户终身价值，输出准确、可靠的客户终身价值，该方法包括：
6.获取客户数据；所述客户数据包括客户信息、客户交易行为数据；
7.将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；
8.根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到；
9.将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；
10.根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。
11.本发明实施例还提供一种客户终身价值分析装置，用以预测客户终身价值，输出准确、可靠的客户终身价值，该装置包括：
12.数据获取模块，用于获取客户数据；所述客户数据包括客户信息、客户交易行为数据；
13.客户所属客户体计算模块，用于将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；
14.预测月留存率计算模块，用于根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到；
15.预测购买金额计算模块，用于将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；
16.客户终身价值预测模块，用于根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。
17.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述客户终身价值分析方法。
18.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述客户终身价值分析方法。
19.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述客户终身价值分析方法。
20.本发明实施例中对客户划分不同的客户体，充分利用了客户体信息，即客户所属客户体的客户平均使用月数和预测月留存率，在分析客户终身价值时考虑了客户留存率这一参数，利用客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值；其中，预测月留存率对于不同时间的客户预测交易起到了权重的作用，避免了单纯使用客户预测交易的平均值分析客户终身价值，使得客户终身价值预测结果更加准确、可靠。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
22.图1为本发明实施例中客户终身价值分析方法的流程示意图；
23.图2为本发明实施例中客户终身价值分析方法的一具体实施例；
24.图3为本发明实施例中客户终身价值分析方法的一具体实施例；
25.图4为本发明实施例中客户终身价值分析装置的示意图；
26.图5为本发明实施例中客户终身价值分析装置的一具体实施例。
具体实施方式
27.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并
不作为对本发明的限定。
28.首先对本发明涉及的技术名词进行解释。
29.客户终生价值：指示企业在整个业务关系中可以从单个客户帐户中合理预期的总收入的指标。该指标考虑客户的收入价值，并将该指标与公司预测的客户使用产品的寿命进行比较。企业使用客户终生价值来确定对公司最有价值的客户。客户从公司购买和继续购买的时间越长，他们的终生价值就越大。
30.留存率：在统计的周期内，在定义了起始事件、定义了事件转化周期的受众体在一段时间后的相同转化周期，发生了留存事件体数量的相同统计周期的用户占起始事件的受众体的占比。
31.发明人发现，现有的客户终生价值分析方法仅利用了客户的历史平均购买金额和平均购买次数，使用的计算数据比较简单，从而输出的客户终身价值可靠性较差。为此发明人提出了一种客户终身价值分析方法。
32.图1为本发明实施例中客户终身价值分析方法的流程示意图，如图1所示，该方法包括：
33.步骤101、获取客户数据；所述客户数据包括客户信息、客户交易行为数据；
34.步骤102、将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；
35.步骤103、根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到；
36.步骤104、将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；
37.步骤105、根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。
38.从图1所示流程可以看出，本发明实施例中对客户划分不同的客户体，充分利用了客户体信息，即客户所属客户体的客户平均使用月数和预测月留存率，在分析客户终身价值时考虑了客户留存率这一参数，利用客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值；其中，预测月留存率对于不同时间的客户预测交易起到了权重的作用，避免了单纯使用客户预测交易的平均值分析客户终身价值，使得客户终身价值预测结果更加准确、可靠。
39.下面对本技术技术方案进行详细解释。
40.需要说明是，本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
41.步骤101中，获取客户数据；所述客户数据包括客户信息、客户交易行为数据。
42.首先，获取目标客户的数据，例如性别、年龄、职业、资产等客户信息，购物类别、购买金额、购买日期、购买发生地、点击行为数据、加入购物车行为数据等客户交易行为数据。客户数据不仅限于以上内容，在此仅做示例。
43.步骤102中，将客户信息、客户交易行为数据输入客户体分类模型，输出客户所
属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到。
44.实施时，提前收集大量的客户数据作为基础数据集，构建训练集和测试集，搭建机器学习模型，在一个实施例中利用k均值聚类算法(k-means clustering algorithm)搭建机器学习模型，利用训练集对机器学习模型进行训练，直至模型收敛，得到客户体分类模型，再利用测试集对客户体分类模型进行测试。
45.同时，不断更新客户数据，即更新基础数据集，并使用客户体分类模型进行分类，将分类结果存储，用于后续的操作中使用。
46.当分析目标客户的终身价值时，首先利用客户信息、客户交易行为数据，经预处理后，输入客户体分类模型，输出客户所属客户体。
47.当获取客户所属客户体之后，在步骤103中，根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；客户所属客户体的客户平均使用月数可以理解客户所属客户体的客户平均使用产品的寿命，产品可为实体产品或应用程序，客户所属客户体的预测月留存率可以理解为预测的客户所属客户体的未来设定时长的每月月留存率，例如客户所属客户体的未来一年的每月的预测留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到。
48.其中，客户所属客户体可以为任一已经在系统提前根据客户体分类模型划分并存储的客户体，如按资产大小划分的客户体，按职业划分的体，个体户、普通职员、无固定收入者等。
49.图2为本发明实施例中客户终身价值分析方法的一具体实施例，如图2所示，所述客户所属客户体的预测月留存率按如下方式计算得到：
50.步骤201、当待预测月份为未来的第一个月份时，将待预测月份之前的预设月数的实际月留存率的平均值，作为客户所属客户体的预测月留存率；
51.步骤202、当待预测月份为未来的第二及以后的月份时，将待预测月份之前的预设月数的实际月留存率和预测月留存率的平均值，作为客户所属客户体的预测月留存率。
52.如上所述，预测月留存率需要依靠实际月留存率，将待预测月份之前的预设月数的实际月留存率和预测月留存率的平均值，作为待预测月份的预测月留存率，其中，尽可能使用实际月留存率计算预测月留存率，但是当待预测月份为未来的第二及以后的月份，即待预测月份之前的至少一个月未到来，即不存在实际月留存率，此时只能使用待预测月份之前的预测月留存率参与计算。
53.实施时，为了预测客户所属客户体的未来的月留存率，需要先计算客户所属客户体在待预测月份以前的实际月留存率。
54.图3为本发明实施例中客户终身价值分析方法的一具体实施例，如图3所示，实际月留存率按如下方式计算得到：
55.步骤301、设置基期和待计算日期；所述基期为实际月留存率计算的起始日期，所述待计算日期为待计算实际月留存率月份的第一天；
56.步骤302、获取基期当天的客户所属客户体人数；
57.步骤303、获取待计算日期的上述客户所属客户体人数中的留存人数；
58.步骤304、将待计算日期的上述客户所属客户体人数中的留存人数与基期当天的客户所属客户体人数的比值作为实际日留存率；
59.步骤305、将基期和待计算日期依次向后推一天，依次类推，计算待计算实际月留存率月份的每天的实际日留存率；
60.步骤306、将待计算实际月留存率月份的每天的实际日留存率的平均值作为待计算实际月留存率月份的实际月留存率。
61.例如，预测月留存率的当月为2021年11月，为了预测未来的2021年11月至2022年10月的月留存率，首先需要计算2021年11月之前的预设月数，例如12个月份的实际月留存率，即2020年11月至2021年10月的实际月留存率。
62.实际月留存率按如下方式计算得到：
63.1、首先设置基期为2017年11月1日，基期为实际月留存率计算的起始日期，获取2017年11月1日注册登录产品或使用产品的客户所属客户体人数；
64.2、获取2020年11月1日的上述客户所属客户体人数中的留存人数；例如，某位客户2017年11月1日注册了产品，在2020年11月1日当天仍然登录并使用了产品，则该客户为留存用户，相应的留存人数加一；
65.3、将2020年11月1日的上述客户所属客户体人数中的留存人数与2017年11月1日注册登录产品或使用产品的客户所属客户体人数的比值，作为2020年11月1日的实际日留存率；
66.4、滑动基期至2017年11月2日，获取2017年11月2日注册登录产品或使用产品的客户所属客户体人数；获取2020年11月2日的上述客户所属客户体人数中的留存人数；
67.5、将2020年11月2日的上述客户所属客户体人数中的留存人数与2017年11月2日注册登录产品或使用产品的客户所属客户体人数的比值，作为2020年11月2日的实际日留存率；
68.6、依次类推，计算2020年11月每天的实际日留存率，然后，将2020年11月每天的实际日留存率的平均值作为2020年11月实际月留存率；
69.7、依次类推，得到2020年11月至2021年10月的实际月留存率。
70.然后，根据2020年11月至2021年10月的实际月留存率计算2021年11月至2022年10月的预测月留存率，具体如下：
71.1、待预测月份2021年11月的预测留存率＝(2020年11月实际月留存率+2020年12月实际月留存率+2021年1月实际月留存率+
……
+2021年10月实际月留存率)/12；
72.2、待预测月份2021年12月的预测留存率＝(2020年12月实际月留存率+2021年1月实际月留存率+
……
+2021年10月实际月留存率+2021年11月预测月留存率)/12；
73.3、待预测月份2022年1月的预测留存率＝(2021年1月实际月留存率+2021年2月实际月留存率
……
+2021年10月实际月留存率+2021年11月预测月留存率+2021年12月预测月留存率)/12；
74.4、以此类推，得到2021年11月至2022年10月的预测月留存率。
75.在一个实施例中，为了使留存人数计算的更加准确，将在待预测日期完成预设行为的客户人数作为留存人数。例如，设定既完成登录行为，又完成预设的特业务参与行为的客户为留存人数。
76.另外还需要根据客户所属客户体的客户平均使用月数作为目标客户的预测的使用月数。具体的可以获取客户所属客户体的每位客户的实际使用月数，将客户所属客户体的实际使用月数的平均值作为目标客户的预测的使用月数。
77.客户终身价值的预测，除了上述的客户平均使用月数、预测月留存率，还包括预测的客户月购买金额。在步骤104中，将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到。
78.实施时，提前获取历史客户交易行为数据和历史客户月购买金额等样本数据，构建训练集和测试集，搭建机器学习模型，利用训练集对其测试，得到回归模型，利用测试集测试回归模型。
79.例如将客户在过去三年间每月购买的产品、金额等客户交易行为数据输入回归模型，输出预测的客户月购买金额。
80.最后，在步骤105中，根据新客户所属客户体的客户平均使用月数、预测月留存率和预测的新客户月购买金额，分析输出新客户终身价值。
81.在一个实施例中，按如下公式计算输出客户终身价值：
[0082][0083]
其中，n表示客户所属客户体的客户平均使用月数，i表示从1到n的整数。
[0084]
可以看出，客户终身价值的计算考虑了客户的预测月留存率，将客户的预测月留存率作为客户在不同时间的购买金额的权重，不再是简单的使用购买金额平均值，使得客户终身价值的计算结果更加准确。从而，可以通过客户终身价值标记每个客户，针对不同客户采取不同的营销策略，降低企业客户流失率和获客成本。
[0085]
在一个实施例中，当客户为新客户时，本例中可以利用客户体数据预测新客户的终身价值，将新客户的客户信息输入客户体分类模型，输出新客户所属客户体；
[0086]
根据新客户所属客户体，获取新客户所属客户体的客户平均使用月数、预测月留存率和平均历史月购买金额；
[0087]
将平均历史月购买金额输入回归模型，输出预测的新客户月购买金额；
[0088]
根据新客户所属客户体的客户平均使用月数、预测月留存率和预测的新客户月购买金额，分析输出新客户终身价值。
[0089]
本发明实施例中还提供了一种客户终身价值分析装置，如下面的实施例所述。由于该装置解决问题的原理与客户终身价值分析方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
[0090]
图4为本发明实施例中客户终身价值分析装置的示意图，如图4所示，该装置包括：
[0091]
数据获取模块401，用于获取客户数据；所述客户数据包括客户信息、客户交易行为数据；
[0092]
客户所属客户体计算模块402，用于将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；
[0093]
预测月留存率计算模块403，用于根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率
根据属于相同客户体中的多个客户的客户交易行为数据计算得到；
[0094]
预测购买金额计算模块404，用于将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；
[0095]
客户终身价值预测模块405，用于根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。
[0096]
在一个实施例中，所述客户信息包括客户性别和/或年龄。
[0097]
在一个实施例中，所述客户交易行为数据包括如下之一或任意组合：
[0098]
客户购买金额；
[0099]
客户购物类别；
[0100]
客户点击行为数据；
[0101]
客户加入购物车行为数据。
[0102]
在一个实施例中，所述客户体分类模型依据利用k均值聚类算法搭建的机器学习模型训练得到。
[0103]
在一个实施例中，所述客户所属客户体的预测月留存率按如下方式计算得到：
[0104]
当待预测月份为未到来的第一个月份时，将待预测月份之前的预设月数的实际月留存率的平均值，作为客户所属客户体的预测月留存率；
[0105]
当待预测月份为未到来的第二及以后的月份时，将待预测月份之前的预设月数的实际月留存率和预测月留存率的平均值，作为客户所属客户体的预测月留存率。
[0106]
在一个实施例中，所述实际月留存率按如下方式计算得到：
[0107]
设置基期和待计算日期；所述基期为实际月留存率计算的起始日期，所述待计算日期为待计算实际月留存率月份的第一天；
[0108]
获取基期当天的客户所属客户体人数；
[0109]
获取待计算日期的上述客户所属客户体人数中的留存人数；
[0110]
将待计算日期的上述客户所属客户体人数中的留存人数与基期当天的客户所属客户体人数的比值作为实际日留存率；
[0111]
将基期和待计算日期依次向后推一天，依次类推，计算待计算实际月留存率月份的每天的实际日留存率；
[0112]
将待计算实际月留存率月份的每天的实际日留存率的平均值作为待计算实际月留存率月份的实际月留存率。
[0113]
在一个实施例中，将在待预测日期完成预设行为的客户人数作为留存人数。
[0114]
图5为本发明实施例中客户终身价值分析装置的一具体实施例，如图5所示，该装置还包括：
[0115]
新客户数据准备模块501，用于当客户为新客户时，将新客户的客户信息输入客户体分类模型，输出新客户所属客户体；根据新客户所属客户体，获取新客户所属客户体的客户平均使用月数、预测月留存率和平均历史月购买金额；将平均历史月购买金额输入回归模型，输出预测的新客户月购买金额；
[0116]
新客户终身价值预测模块502，用于根据新客户所属客户体的客户平均使用月数、预测月留存率和预测的新客户月购买金额，分析输出新客户终身价值。
[0117]
在一个实施例中，客户终身价值预测模块405，具体用于：
[0118][0119]
其中，n表示客户所属客户体的客户平均使用月数，i表示从1到n的整数。
[0120]
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述客户终身价值分析方法。
[0121]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述客户终身价值分析方法。
[0122]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述客户终身价值分析方法。
[0123]
本发明实施例中，获取客户数据；所述客户数据包括客户信息、客户交易行为数据；将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到；将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。本发明实施例中对客户划分不同的客户体，充分利用了客户体信息，即客户所属客户体的客户平均使用月数和预测月留存率，在分析客户终身价值时考虑了客户留存率这一参数，利用客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值；其中，预测月留存率对于不同时间的客户预测交易起到了权重的作用，避免了单纯使用客户预测交易的平均值分析客户终身价值，使得客户终身价值预测结果更加准确、可靠。
[0124]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0125]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种客户终身价值分析方法，其特征在于，包括：获取客户数据；所述客户数据包括客户信息、客户交易行为数据；将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到；将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。2.如权利要求1所述的方法，其特征在于，所述客户信息包括客户性别和/或年龄。3.如权利要求1所述的方法，其特征在于，所述客户交易行为数据包括如下之一或任意组合：客户购买金额；客户购物类别；客户点击行为数据；客户加入购物车行为数据。4.如权利要求1所述的方法，其特征在于，所述客户体分类模型依据利用k均值聚类算法搭建的机器学习模型训练得到。5.如权利要求1所述的方法，其特征在于，所述客户所属客户体的预测月留存率按如下方式计算得到：当待预测月份为未来的第一个月份时，将待预测月份之前的预设月数的实际月留存率的平均值，作为客户所属客户体的预测月留存率；当待预测月份为未来的第二及以后的月份时，将待预测月份之前的预设月数的实际月留存率和预测月留存率的平均值，作为客户所属客户体的预测月留存率。6.如权利要求5所述的方法，其特征在于，所述实际月留存率按如下方式计算得到：设置基期和待计算日期；所述基期为实际月留存率计算的起始日期，所述待计算日期为待计算实际月留存率月份的第一天；获取基期当天的客户所属客户体人数；获取待计算日期的上述客户所属客户体人数中的留存人数；将待计算日期的上述客户所属客户体人数中的留存人数与基期当天的客户所属客户体人数的比值作为实际日留存率；将基期和待计算日期依次向后推一天，依次类推，计算待计算实际月留存率月份的每天的实际日留存率；将待计算实际月留存率月份的每天的实际日留存率的平均值作为待计算实际月留存率月份的实际月留存率。7.如权利要求6所述的方法，其特征在于，将在待预测日期完成预设行为的客户人数作
为留存人数。8.如权利要求6所述的方法，其特征在于，还包括：当客户为新客户时，将新客户的客户信息输入客户体分类模型，输出新客户所属客户体；根据新客户所属客户体，获取新客户所属客户体的客户平均使用月数、预测月留存率和平均历史月购买金额；将平均历史月购买金额输入回归模型，输出预测的新客户月购买金额；根据新客户所属客户体的客户平均使用月数、预测月留存率和预测的新客户月购买金额，分析输出新客户终身价值。9.如权利要求1所述的方法，其特征在于，根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，按如下公式计算输出客户终身价值：其中，n表示客户所属客户体的客户平均使用月数，i表示从1到n的整数。10.一种客户终身价值分析装置，其特征在于，包括：数据获取模块，用于获取客户数据；所述客户数据包括客户信息、客户交易行为数据；客户所属客户体计算模块，用于将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；所述客户体分类模型根据历史客户信息、历史客户交易行为数据和历史客户所属客户体对机器学习模型训练得到；预测月留存率计算模块，用于根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；所述客户体的客户平均使用月数和预测月留存率根据属于相同客户体中的多个客户的客户交易行为数据计算得到；预测购买金额计算模块，用于将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；客户终身价值预测模块，用于根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。11.如权利要求10所述的装置，其特征在于，所述客户信息包括客户性别和/或年龄。12.如权利要求10所述的装置，其特征在于，所述客户交易行为数据包括如下之一或任意组合：客户购买金额；客户购物类别；客户点击行为数据；客户加入购物车行为数据。13.如权利要求10所述的装置，其特征在于，所述客户体分类模型依据利用k均值聚类算法搭建的机器学习模型训练得到。14.如权利要求10所述的装置，其特征在于，所述客户所属客户体的预测月留存率按如下方式计算得到：当待预测月份为未到来的第一个月份时，将待预测月份之前的预设月数的实际月留存率的平均值，作为客户所属客户体的预测月留存率；
当待预测月份为未到来的第二及以后的月份时，将待预测月份之前的预设月数的实际月留存率和预测月留存率的平均值，作为客户所属客户体的预测月留存率。15.如权利要求14所述的装置，其特征在于，所述实际月留存率按如下方式计算得到：设置基期和待计算日期；所述基期为实际月留存率计算的起始日期，所述待计算日期为待计算实际月留存率月份的第一天；获取基期当天的客户所属客户体人数；获取待计算日期的上述客户所属客户体人数中的留存人数；将待计算日期的上述客户所属客户体人数中的留存人数与基期当天的客户所属客户体人数的比值作为实际日留存率；将基期和待计算日期依次向后推一天，依次类推，计算待计算实际月留存率月份的每天的实际日留存率；将待计算实际月留存率月份的每天的实际日留存率的平均值作为待计算实际月留存率月份的实际月留存率。16.如权利要求15所述的装置，其特征在于，将在待预测日期完成预设行为的客户人数作为留存人数。17.如权利要求15所述的装置，其特征在于，还包括：新客户数据准备模块，用于当客户为新客户时，将新客户的客户信息输入客户体分类模型，输出新客户所属客户体；根据新客户所属客户体，获取新客户所属客户体的客户平均使用月数、预测月留存率和平均历史月购买金额；将平均历史月购买金额输入回归模型，输出预测的新客户月购买金额；新客户终身价值预测模块，用于根据新客户所属客户体的客户平均使用月数、预测月留存率和预测的新客户月购买金额，分析输出新客户终身价值。18.如权利要求10所述的装置，其特征在于，客户终身价值预测模块，具体用于：其中，n表示客户所属客户体的客户平均使用月数，i表示从1到n的整数。19.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述方法。20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。21.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。

技术总结

本发明公开了一种客户终身价值分析方法及装置，涉及人工智能技术领域，其中该方法包括：获取客户数据；将客户信息、客户交易行为数据输入客户体分类模型，输出客户所属客户体；根据客户所属客户体，获取客户所属客户体的客户平均使用月数和预测月留存率；将客户交易行为数据输入回归模型，输出预测的客户月购买金额；所述回归模型根据历史客户交易行为数据和历史客户月购买金额训练得到；根据客户所属客户体的客户平均使用月数、预测月留存率和预测的客户月购买金额，分析输出客户终身价值。本发明可以预测客户终身价值，输出准确、可靠的客户终身价值。可靠的客户终身价值。可靠的客户终身价值。