手机银行用户流失预警方法及系统与流程

1.本技术涉及数据分析领域，可应用于金融领域和其他领域，尤指一种手机银行用户流失预警方法及系统。

背景技术：

2.随机信息技术的发展，越来越多的人们选择使用手机银行办理业务以替代传统的柜台办理，银行等金融机构服务用户角度也变得更加多元化；传统的统计用户在柜台办理业务时长及满意度的方式已不能满足当前业务需求。
3.手机银行办理业务具有较高的便利性和实时性，随着手机银行用户的大量增长，流失度也明显增加；在用户选择手机银行的同时，银行等金融机构并不能掌控服务质量，不同用户对其需求和着重点并不相同，由此导致，用户流失的原因难以被银行机构所获知，也无法确定对应的改进手段以解决用户使用过程中面对的难以接受的问题。
4.对此，业内亟需一种解决方案以克服上述问题。

技术实现要素：

5.本技术目的在于提供一种手机银行用户流失预警方法及系统，利用用户行为特征确定用户流失情况，其后根据行为相似性筛选类似用户的喜好，以确定推送内容推送至流失用户，从而提高流失用户在使用手机银行的友好性和便利性。
6.为达上述目的，本技术所提供的手机银行用户流失预警方法，具体包含：获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；通过所述用户分析模型分析待测用户数据获得流失用户数据；根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。
7.在上述手机银行用户流失预警方法中，可选的，所述特征信息包含手机银行的使用年限、使用频率和使用时长、网点办理业务的频率、预设周期内账户资金的变动频率和变动比例、持有产品数量及时间。
8.在上述手机银行用户流失预警方法中，可选的，获取用户的特征信息包含：通过bootstrap方法在预设数据库中随机抽取预设数量的用户信息；根据所述用户信息中数据类别将所述用户信息转换为多个特征数据；根据所述特征数据获得用户的特征信息。
9.在上述手机银行用户流失预警方法中，可选的，根据所述特征信息通过随机森林算法获得用户分析模型包含：根据所述特征信息中特征数量构建对应数量的分类回归树；通过信息增益的方式处理所述分类回归树生成多个决策树模型；根据多个决策树模型通过随机森林算法组建用户分析模型。
10.在上述手机银行用户流失预警方法中，可选的，通过信息增益的方式处理所述分类回归树生成多个决策树模型包含：于所述分类回归树中每个节点处随机抽取多个特征，并通过计算信息增益的方式筛选所述特征进行节点分裂获得决策树模型。
11.在上述手机银行用户流失预警方法中，可选的，所述信息增益的计算公式如下：
[0012][0013]
在上式中，d为总的样本，a为属性，v为在属性a中的v类样本，ent()表示信息熵。
[0014]
在上述手机银行用户流失预警方法中，可选的，根据所述用户信息通过相似性比较匹配未流失用户包含：根据所述用户信息生成特征向量数据；通过余弦相似性算法计算流失用户和未流失用户的特征向量数据之间的相似性；根据所述相似性匹配获得与流失用户最接近的一个或多个未流失用户。
[0015]
本技术还提供一种手机银行用户流失预警系统，所述系统包含生成模块、分析模块、匹配模块和推送模块；所述生成模块用于获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；所述分析模块用于通过所述用户分析模型分析待测用户数据获得流失用户数据；所述匹配模块用于根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；所述推送模块用于根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。
[0016]
在上述手机银行用户流失预警方法中，可选的，所述生成模块包含采集单元，所述采集单元用于通过bootstrap方法在预设数据库中随机抽取预设数量的用户信息；根据所述用户信息中数据类别将所述用户信息转换为多个特征数据；根据所述特征数据获得用户的特征信息。
[0017]
在上述手机银行用户流失预警方法中，可选的，所述生成模块包含构造单元，所述构造单元用于根据所述特征信息中特征数量构建对应数量的分类回归树；通过信息增益的方式处理所述分类回归树生成多个决策树模型；根据多个决策树模型通过随机森林算法组建用户分析模型。
[0018]
在上述手机银行用户流失预警方法中，可选的，所述构造单元还包含：于所述分类回归树中每个节点处随机抽取多个特征，并通过计算信息增益的方式筛选所述特征进行节点分裂获得决策树模型。
[0019]
在上述手机银行用户流失预警方法中，可选的，所述匹配模块包含筛选单元，所述筛选单元用于根据所述用户信息生成特征向量数据；通过余弦相似性算法计算流失用户和未流失用户的特征向量数据之间的相似性；根据所述相似性匹配获得与流失用户最接近的一个或多个未流失用户。
[0020]
本技术还提供一种电子设备，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方法。
[0021]
本技术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执行上述方法的计算机程序。
[0022]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
[0023]
本技术的有益技术效果在于：针对海量的用户数据能够准确分析确定流失用户，并根据相似性及时为流失用户推送喜好内容，节约了传统工作人员分析的时间成本，也明显增加了流失用户推送数据的精准度，大大提高流失用户在使用手机银行的友好性和便利
性。
附图说明
[0024]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，并不构成对本技术的限定。在附图中：
[0025]
图1为本技术一实施例所提供的手机银行用户流失预警方法的流程示意图；
[0026]
图2为本技术一实施例所提供的特性信息获取流程示意图；
[0027]
图3为本技术一实施例所提供的用户分析模型构建流程示意图；
[0028]
图4为本技术一实施例所提供的相似性比较流程示意图；
[0029]
图5为本技术一实施例所提供的手机银行用户流失预警系统的结构示意图；
[0030]
图6为本技术一实施例所提供的电子设备的结构示意图。
具体实施方式
[0031]
需要说明的是，本技术公开的客户信息挖掘方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本技术公开的客户信息挖掘方法及装置的应用领域不做限定。
[0032]
以下将结合附图及实施例来详细说明本技术的实施方式，借此对本技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本技术中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本技术的保护范围之内。
[0033]
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0034]
本技术中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。
[0035]
请参考图1所示，本技术所提供的手机银行用户流失预警方法，具体包含：
[0036]
s101获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；
[0037]
s102通过所述用户分析模型分析待测用户数据获得流失用户数据；
[0038]
s103根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；
[0039]
s104根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。
[0040]
其中，所述特征信息可包含手机银行的使用年限、使用频率和使用时长、网点办理业务的频率、预设周期内账户资金的变动频率和变动比例、持有产品数量及时间。由此，本技术通过上述实施例可针对海量的用户数据能够准确分析确定流失用户，并根据相似性及时为流失用户推送喜好内容，节约了传统工作人员分析的时间成本，也明显增加了流失用户推送数据的精准度，大大提高流失用户在使用手机银行的友好性和便利性。
[0041]
请参考图2所示，在本技术一实施例中，获取用户的特征信息包含：
[0042]
s201通过bootstrap方法在预设数据库中随机抽取预设数量的用户信息；
[0043]
s202根据所述用户信息中数据类别将所述用户信息转换为多个特征数据；
[0044]
s203根据所述特征数据获得用户的特征信息。
[0045]
进一步的，请参考图3所示，在本技术另一实施例中，根据所述特征信息通过随机森林算法获得用户分析模型可包含：
[0046]
s301根据所述特征信息中特征数量构建对应数量的分类回归树；
[0047]
s302通过信息增益的方式处理所述分类回归树生成多个决策树模型；
[0048]
s303根据多个决策树模型通过随机森林算法组建用户分析模型。
[0049]
其中，通过信息增益的方式处理所述分类回归树生成多个决策树模型包含：于所述分类回归树中每个节点处随机抽取多个特征，并通过计算信息增益的方式筛选所述特征进行节点分裂获得决策树模型。
[0050]
具体的，在实际工作中，可于历史数据库中，采用bootstrap方法有放回的随机抽取m个新的自助样本集，并根据所述自助样本集构造m棵分类回归树，每次未被抽到的样本组成m个袋外数据，将特征信息p的个数定义为n个，在每棵树的每个节点处随机抽取m个特征，m《＝n,通过计算信息增益的方式在m个特征中选择最具分类能力的特征进行节点分裂，每棵树最大限制的生长，不进行剪枝操作，将生成的k棵树组成随机森林，并生成随机森林模型。其中，该些自助样本集中正负样本即流失和未流失用户的定义可采用传统的人工定义也可采用其他方式定义，利于个别特征均高于阈值等方式标定，本技术在此并不做进一步限定。
[0051]
在上述实施例中，所述信息增益的计算公式如下：
[0052][0053]
在上式中，d为总的样本，a为属性，v为在属性a中的v类样本，信息增益越大，表明该属性对分类的相关性越大。ent()表示信息熵(entropy)。
[0054]
具体的，所述信息熵计算公式如下：
[0055][0056]
k表示在样本d中的第k类样本，p表示第k类样本所占样本总体的概率。类比于现实中的熵，可以理解为信息熵越小，表明纯度越高。
[0057]
然后在可继续分类的那个子节点下重复分裂过程(此时可以不用计算上面刚确定的那个属性的增益率)，一直到不可再分为止，即全部为叶结点为止，此时决策树模型就完成了，基于完成的决策树模型即可获得随机森林模型即所述用户分析模型；在使用时，可查看每一颗树的叶子节点的结果进行投票，根据投票结果确定该用户为流失用户或未流失用户。
[0058]
请参考图4所示，在本技术一实施例中，根据所述用户信息通过相似性比较匹配未流失用户包含：
[0059]
s401根据所述用户信息生成特征向量数据；
[0060]
s402通过余弦相似性算法计算流失用户和未流失用户的特征向量数据之间的相
似性；
[0061]
s403根据所述相似性匹配获得与流失用户最接近的一个或多个未流失用户。
[0062]
具体的，在实际工作中，对于已经流失客户，根据用户基本信息，根据后台未流失客户的喜好，判断已流失客户的喜好，判断用户喜好方式根据用户在手机银行常用的功能，或者经常点击的功能，然后将用户年龄，职业，以及常点击功能进行向量化，获取特征向量(1,1,0，0,1,)，然后通过相似性查已流失客户和未流失客户最相近的用户前三，根据未流失客户喜好判断已流失客户喜好，并根据喜好来为用户推送相应的数据内容。该过程中，不同喜好对应何种推送内容可通过现有技术实现，本技术在此并不做进一步说明。
[0063]
在上述实施例中，余弦相似性公式为：
[0064][0065]
其中ui，uj指的是未流失的用户i和已流失的用户j，其中上述公式里x
ik
指的是未流失用户的第k个值，x
jk
指的是已流失客户的第j个特征值；将综合的相似度按照高低进行排名，选择相似度最高的前三名用户的功能交集，然后推荐给已流失客户。
[0066]
请参考图5所示，本技术还提供一种手机银行用户流失预警系统，所述系统包含生成模块、分析模块、匹配模块和推送模块；所述生成模块用于获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；所述分析模块用于通过所述用户分析模型分析待测用户数据获得流失用户数据；所述匹配模块用于根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；所述推送模块用于根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。
[0067]
在上述实施例中，所述生成模块可包含采集单元和构造单元，所述采集单元用于通过bootstrap方法在预设数据库中随机抽取预设数量的用户信息；根据所述用户信息中数据类别将所述用户信息转换为多个特征数据；根据所述特征数据获得用户的特征信息。所述构造单元用于根据所述特征信息中特征数量构建对应数量的分类回归树；通过信息增益的方式处理所述分类回归树生成多个决策树模型；根据多个决策树模型通过随机森林算法组建用户分析模型。其中，所述构造单元还包含：于所述分类回归树中每个节点处随机抽取多个特征，并通过计算信息增益的方式筛选所述特征进行节点分裂获得决策树模型。
[0068]
在本技术一实施例中，所述匹配模块包含筛选单元，所述筛选单元用于根据所述用户信息生成特征向量数据；通过余弦相似性算法计算流失用户和未流失用户的特征向量数据之间的相似性；根据所述相似性匹配获得与流失用户最接近的一个或多个未流失用户。具体原理及逻辑已在前述实施例中详细说明，在此就不再一一详述。
[0069]
本技术的有益技术效果在于：针对海量的用户数据能够准确分析确定流失用户，并根据相似性及时为流失用户推送喜好内容，节约了传统工作人员分析的时间成本，也明显增加了流失用户推送数据的精准度，大大提高流失用户在使用手机银行的友好性和便利性。
[0070]
本技术实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获
取、存储、使用、处理等经过客户授权同意的。
[0071]
本技术还提供一种电子设备，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方法。
[0072]
本技术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执行上述方法的计算机程序。
[0073]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
[0074]
如图6所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。
[0075]
如图6所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
[0076]
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
[0077]
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0078]
该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
[0079]
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0080]
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0081]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
[0082]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0083]
本技术是参照根据本技术实施例的方法、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。
[0084]
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。
[0085]
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。
[0086]
以上所述的具体实施例，对本技术的目的、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，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：

1.一种手机银行用户流失预警方法，其特征在于，所述方法包含：获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；通过所述用户分析模型分析待测用户数据获得流失用户数据；根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。2.根据权利要求1所述的手机银行用户流失预警方法，其特征在于，所述特征信息包含手机银行的使用年限、使用频率和使用时长、网点办理业务的频率、预设周期内账户资金的变动频率和变动比例、持有产品数量及时间。3.根据权利要求1所述的手机银行用户流失预警方法，其特征在于，获取用户的特征信息包含：通过bootstrap方法在预设数据库中随机抽取预设数量的用户信息；根据所述用户信息中数据类别将所述用户信息转换为多个特征数据；根据所述特征数据获得用户的特征信息。4.根据权利要求1所述的手机银行用户流失预警方法，其特征在于，根据所述特征信息通过随机森林算法获得用户分析模型包含：根据所述特征信息中特征数量构建对应数量的分类回归树；通过信息增益的方式处理所述分类回归树生成多个决策树模型；根据多个决策树模型通过随机森林算法组建用户分析模型。5.根据权利要求4所述的手机银行用户流失预警方法，其特征在于，通过信息增益的方式处理所述分类回归树生成多个决策树模型包含：于所述分类回归树中每个节点处随机抽取多个特征，并通过计算信息增益的方式筛选所述特征进行节点分裂获得决策树模型。6.根据权利要求5所述的手机银行用户流失预警方法，其特征在于，所述信息增益的计算公式如下：在上式中，d为总的样本，a为属性，v为在属性a中的v类样本，ent()表示信息熵。7.根据权利要求1所述的手机银行用户流失预警方法，其特征在于，根据所述用户信息通过相似性比较匹配未流失用户包含：根据所述用户信息生成特征向量数据；通过余弦相似性算法计算流失用户和未流失用户的特征向量数据之间的相似性；根据所述相似性匹配获得与流失用户最接近的一个或多个未流失用户。8.一种手机银行用户流失预警系统，其特征在于，所述系统包含生成模块、分析模块、匹配模块和推送模块；所述生成模块用于获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；
所述分析模块用于通过所述用户分析模型分析待测用户数据获得流失用户数据；所述匹配模块用于根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；所述推送模块用于根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。9.根据权利要求8所述的手机银行用户流失预警系统，其特征在于，所述生成模块包含采集单元，所述采集单元用于通过bootstrap方法在预设数据库中随机抽取预设数量的用户信息；根据所述用户信息中数据类别将所述用户信息转换为多个特征数据；根据所述特征数据获得用户的特征信息。10.根据权利要求8所述的手机银行用户流失预警系统，其特征在于，所述生成模块包含构造单元，所述构造单元用于根据所述特征信息中特征数量构建对应数量的分类回归树；通过信息增益的方式处理所述分类回归树生成多个决策树模型；根据多个决策树模型通过随机森林算法组建用户分析模型。11.根据权利要求10所述的手机银行用户流失预警系统，其特征在于，所述构造单元还包含：于所述分类回归树中每个节点处随机抽取多个特征，并通过计算信息增益的方式筛选所述特征进行节点分裂获得决策树模型。12.根据权利要求8所述的手机银行用户流失预警系统，其特征在于，所述匹配模块包含筛选单元，所述筛选单元用于根据所述用户信息生成特征向量数据；通过余弦相似性算法计算流失用户和未流失用户的特征向量数据之间的相似性；根据所述相似性匹配获得与流失用户最接近的一个或多个未流失用户。13.一种电子设备，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7任一所述方法。14.一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由计算机执行权利要求1至7任一所述方法的计算机程序。15.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7任一所述方法的步骤。

技术总结

本申请提供了一种手机银行用户流失预警方法及系统，涉及数据分析领域，可应用于金融领域和其他领域，所述方法包含：获取用户的特征信息，根据所述特征信息通过随机森林算法获得用户分析模型；通过所述用户分析模型分析待测用户数据获得流失用户数据；根据所述流失用户数据获得对应的流失用户的用户信息，根据所述用户信息通过相似性比较匹配未流失用户；根据所述未流失用户的用户信息获得用户喜好数据，根据所述用户喜好数据获得推送内容并推送至所述流失用户。至所述流失用户。至所述流失用户。