本發(fā)明涉及互聯(lián)網(wǎng)支付技術(shù)領(lǐng)域，具體涉及一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法及系統(tǒng)。

背景技術(shù)：

目前，數(shù)字娛樂、電子商務(wù)迅速興起，網(wǎng)絡(luò)支付技術(shù)也快速發(fā)展。網(wǎng)絡(luò)支付過程中會(huì)產(chǎn)生大量的用戶支付信息，其擁有來自支付用戶最基礎(chǔ)和直接的支付數(shù)據(jù)。

同時(shí)，各個(gè)商家或商戶也需要獲取用戶的需求，甚至展開問卷調(diào)查，以抓取用戶需求，調(diào)整運(yùn)營(yíng)策略。部分商家會(huì)結(jié)合交易數(shù)據(jù)，分析用戶需求或流失率，但是分析結(jié)果準(zhǔn)確度差。

如何最大限度的挖掘與應(yīng)用支付數(shù)據(jù)，有效預(yù)測(cè)用戶消費(fèi)行為，是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法及系統(tǒng)，能夠最大限度的挖掘與應(yīng)用支付數(shù)據(jù)，有效預(yù)測(cè)用戶消費(fèi)行為。

第一方面，本發(fā)明提供一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法，該方法包括：

數(shù)據(jù)獲取步驟：獲取用戶的交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)；

數(shù)據(jù)匯總步驟：匯總交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)，形成特征和該特征對(duì)應(yīng)的特征變量；

標(biāo)準(zhǔn)特征形成步驟：根據(jù)特征對(duì)應(yīng)的業(yè)務(wù)知識(shí)，剔除特征對(duì)應(yīng)的異常特征變量；根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量；采用套索算法篩選特征中符合線性要求的特征，形成標(biāo)準(zhǔn)特征；

預(yù)測(cè)模型確定步驟：根據(jù)設(shè)定比例將預(yù)獲取的樣本集劃分為訓(xùn)練集和測(cè)試集；采用用戶流失預(yù)測(cè)模型，對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)，獲得預(yù)測(cè)結(jié)果；根據(jù)預(yù)測(cè)結(jié)果與訓(xùn)練集的實(shí)際流失標(biāo)簽，獲得訓(xùn)練質(zhì)量指標(biāo)；采用用戶流失預(yù)測(cè)模型，處理測(cè)試集，獲得測(cè)試質(zhì)量指標(biāo)；根據(jù)訓(xùn)練質(zhì)量指標(biāo)和測(cè)試質(zhì)量指標(biāo)，確定符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型；

實(shí)際測(cè)試步驟：根據(jù)標(biāo)準(zhǔn)特征，獲取待測(cè)試用戶的標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量；采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得用戶消費(fèi)行為預(yù)測(cè)結(jié)果。

進(jìn)一步地，根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量，具體包括：

根據(jù)特征變量，構(gòu)造特征變量的平方復(fù)合變量和/或交叉復(fù)合變量，

根據(jù)特征變量和復(fù)合變量的業(yè)務(wù)意義，篩選符合業(yè)務(wù)需求的復(fù)合變量。

基于上述任意用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法實(shí)施例，進(jìn)一步地，在構(gòu)造并篩選復(fù)合變量之后，采用套索算法篩選特征中符合線性要求的特征之前，該方法還包括：根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果和/或特征的業(yè)務(wù)意義，判斷特征是否符合線性要求。

進(jìn)一步地，根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果，判斷特征是否符合線性要求，具體包括：

若特征的方差膨脹因子檢測(cè)結(jié)果小于線性閾值，則判斷特征符合線性要求；若特征的方差膨脹因子檢測(cè)結(jié)果大于等于線性閾值，則判斷特征不符合線性要求，線性閾值為預(yù)先設(shè)定的。

基于上述任意用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法實(shí)施例，進(jìn)一步地，采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得用戶消費(fèi)行為預(yù)測(cè)結(jié)果，具體包括：

采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶一周流失模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得流失概率；

若流失概率大于等于流失閾值，則判定該用戶為將流失用戶；

若流失概率小于流失閾值，則判定該用戶為不流失用戶；

穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型包括穩(wěn)定性符合標(biāo)準(zhǔn)的用戶一周流失模型，用戶消費(fèi)行為預(yù)測(cè)結(jié)果包括將流失用戶和不流失用戶。

第二方面，本發(fā)明提供一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)獲取子系統(tǒng)、數(shù)據(jù)匯總子系統(tǒng)、標(biāo)準(zhǔn)特征形成子系統(tǒng)、預(yù)測(cè)模型確定子系統(tǒng)和實(shí)際測(cè)試子系統(tǒng)。數(shù)據(jù)獲取子系統(tǒng)用于獲取用戶的交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)；數(shù)據(jù)匯總子系統(tǒng)用于匯總交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)，形成特征和該特征對(duì)應(yīng)的特征變量；標(biāo)準(zhǔn)特征形成子系統(tǒng)用于根據(jù)特征對(duì)應(yīng)的業(yè)務(wù)知識(shí)，剔除特征對(duì)應(yīng)的異常特征變量，還用于根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量，以及用于采用套索算法篩選特征中符合線性要求的特征，形成標(biāo)準(zhǔn)特征；預(yù)測(cè)模型確定子系統(tǒng)用于根據(jù)設(shè)定比例將預(yù)獲取的樣本集劃分為訓(xùn)練集和測(cè)試集，采用用戶流失預(yù)測(cè)模型，對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)，獲得預(yù)測(cè)結(jié)果，根據(jù)預(yù)測(cè)結(jié)果與訓(xùn)練集的實(shí)際流失標(biāo)簽，獲得訓(xùn)練質(zhì)量指標(biāo)，采用用戶流失預(yù)測(cè)模型，處理測(cè)試集，獲得測(cè)試質(zhì)量指標(biāo)，以及用于根據(jù)訓(xùn)練質(zhì)量指標(biāo)和測(cè)試質(zhì)量指標(biāo)，確定符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型；實(shí)際測(cè)試子系統(tǒng)用于根據(jù)標(biāo)準(zhǔn)特征，獲取待測(cè)試用戶的標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，還用于采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得用戶消費(fèi)行為預(yù)測(cè)結(jié)果。

進(jìn)一步地，標(biāo)準(zhǔn)特征形成子系統(tǒng)在根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量，具體用于：根據(jù)特征變量，構(gòu)造特征變量的平方復(fù)合變量和/或交叉復(fù)合變量，根據(jù)特征變量和復(fù)合變量的業(yè)務(wù)意義，篩選符合業(yè)務(wù)需求的復(fù)合變量。

基于上述任意用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)實(shí)施例，進(jìn)一步地，該系統(tǒng)還包括共線性判斷子系統(tǒng)，用于根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果和/或特征的業(yè)務(wù)意義，判斷特征是否符合線性要求。

進(jìn)一步地，共線性判斷子系統(tǒng)在根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果，判斷特征是否符合線性要求時(shí)，具體用于：若特征的方差膨脹因子檢測(cè)結(jié)果小于線性閾值，則判斷特征符合線性要求，若特征的方差膨脹因子檢測(cè)結(jié)果大于等于線性閾值，則判斷特征不符合線性要求，線性閾值為預(yù)先設(shè)定的。

基于上述任意用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)實(shí)施例，進(jìn)一步地，實(shí)際測(cè)試子系統(tǒng)具體用于：采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶一周流失模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得流失概率，若流失概率大于等于流失閾值，則判定該用戶為將流失用戶，若流失概率小于流失閾值，則判定該用戶為不流失用戶，穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型包括穩(wěn)定性符合標(biāo)準(zhǔn)的用戶一周流失模型，用戶消費(fèi)行為預(yù)測(cè)結(jié)果包括將流失用戶和不流失用戶。

由上述技術(shù)方案可知，本發(fā)明基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法及系統(tǒng)，能夠結(jié)合傳統(tǒng)的交易數(shù)據(jù)、用戶的行為數(shù)據(jù)和客服反饋數(shù)據(jù)等最底層數(shù)據(jù)，對(duì)用戶的行為進(jìn)行全方位的刻畫，能夠反映用戶最真實(shí)狀況。

同時(shí)，本發(fā)明基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法及系統(tǒng)能夠確定出符合線性要求的標(biāo)準(zhǔn)特征，以及符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，采用該用戶流失預(yù)測(cè)模型處理標(biāo)特征對(duì)應(yīng)的特征變量，能夠?qū)τ脩袅魇У刃袨檫M(jìn)行精準(zhǔn)預(yù)測(cè)，以支撐商戶的運(yùn)營(yíng)和精準(zhǔn)營(yíng)銷等。

因此，本實(shí)施例基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法及系統(tǒng)，能夠最大限度的挖掘與應(yīng)用最底層互聯(lián)網(wǎng)支付信息，有效預(yù)測(cè)用戶消費(fèi)行為，為商戶進(jìn)行精準(zhǔn)營(yíng)銷提供準(zhǔn)確的信息支持。

附圖說明

為了更清楚地說明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹。在所有附圖中，類似的元件或部分一般由類似的附圖標(biāo)記標(biāo)識(shí)。附圖中，各元件或部分并不一定按照實(shí)際的比例繪制。

圖1示出了本發(fā)明所提供的一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法流程圖；

圖2示出了本發(fā)明所提供的一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明技術(shù)方案的實(shí)施例進(jìn)行詳細(xì)的描述。以下實(shí)施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來限制本發(fā)明的保護(hù)范圍。

需要注意的是，除非另有說明，本申請(qǐng)使用的技術(shù)術(shù)語或者科學(xué)術(shù)語應(yīng)當(dāng)為本發(fā)明所屬領(lǐng)域技術(shù)人員所理解的通常意義。

第一方面，本發(fā)明實(shí)施例提供一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法，結(jié)合圖1，該方法包括：

數(shù)據(jù)獲取步驟S1：獲取用戶的交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)；

在實(shí)際應(yīng)用過程中，該方法可以通過客戶端采集用戶在收銀臺(tái)內(nèi)部的行為數(shù)據(jù)、應(yīng)用信息或其他信息，或通過基礎(chǔ)平臺(tái)獲取交易數(shù)據(jù)。其中，行為數(shù)據(jù)主要是展示用戶的操作，如進(jìn)入游戲初始化，調(diào)起收銀臺(tái)，顯示收銀臺(tái)，調(diào)起支付方式，各種支付方式的點(diǎn)擊、調(diào)用和返回，收銀臺(tái)點(diǎn)擊充值，各種支付方式充值、支付和返回，修改支付密碼，登陸，注冊(cè)等等；應(yīng)用信息主要是當(dāng)前應(yīng)用信息，渠道信息，支付接口版本，應(yīng)用版本，應(yīng)用包名，終端系統(tǒng)版本，終端當(dāng)前已安裝的所有應(yīng)用信息；每當(dāng)用戶點(diǎn)開收銀臺(tái)或者進(jìn)行支付時(shí)都可以采集到用戶的支付數(shù)據(jù)，包含但不限于購(gòu)買商品，支付金額，支付時(shí)間，支付方式；每當(dāng)商戶接入愛貝的支付接口，他們的商戶信息和應(yīng)用信息也是分析的要素。另外，愛貝為用戶配備了7*24小時(shí)的客服，從客服那里可以收集用戶的投訴信息，退款信息等等。

數(shù)據(jù)匯總步驟S2：匯總交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)，形成特征和該特征對(duì)應(yīng)的特征變量；

其中，該步驟可以利用大數(shù)據(jù)技術(shù)結(jié)合數(shù)據(jù)倉庫框架對(duì)采集的數(shù)據(jù)進(jìn)行處理和匯總，具體利用hadoop和hive為平臺(tái)，對(duì)數(shù)據(jù)進(jìn)行處理，先加載所有數(shù)據(jù)到數(shù)據(jù)倉庫的數(shù)據(jù)源層，然后結(jié)合商戶信息、應(yīng)用信息和其他信息組建成的寬表層，最后根據(jù)業(yè)務(wù)需要生成業(yè)務(wù)層表。將交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)轉(zhuǎn)化為特征和該特征對(duì)應(yīng)的特征變量，便于后續(xù)數(shù)據(jù)的調(diào)取或處理。

標(biāo)準(zhǔn)特征形成步驟S3：

根據(jù)特征對(duì)應(yīng)的業(yè)務(wù)知識(shí)，剔除特征對(duì)應(yīng)的異常特征變量；

其中，異常特征變量主要指某個(gè)特征的特征變量偏離均值太遠(yuǎn)，它們通常會(huì)使模型產(chǎn)生明顯的偏離，從而影響模型質(zhì)量，需要剔除。一般需要結(jié)合業(yè)務(wù)知識(shí)及統(tǒng)計(jì)數(shù)據(jù)來確定異常的標(biāo)準(zhǔn)，不同特征的異常值標(biāo)準(zhǔn)會(huì)有不同；

根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量；

采用套索算法篩選特征中符合線性要求的特征，形成標(biāo)準(zhǔn)特征；

其中，套索(Lasso)算法能夠解決特征的共線性問題，且能夠自動(dòng)挑選特征。在此，采用套索(Lasso)算法獲得的標(biāo)準(zhǔn)特征如下：

PAY_MONEY_2WEEKS_LOG(近兩周交易總額的對(duì)數(shù))

PAY_MONEY_4WEEKS_LOG(近四周交易總額取對(duì)數(shù))

PAY_MONEY_1WEEK_RATIO(近一周交易總額與上上周交易總額比值)

PAY_MONEY_2WEEKS_RATIO(近兩周交易總額與上上個(gè)兩周交易總額比值)

PAY_TIMES_HISTORY(歷史交易次數(shù))

PAY_TIMES_1WEEK(近一周交易次數(shù))

PAY_TIMES_2WEEKS(近兩周交易次數(shù))

PAY_TIMES_4WEEKS(近4周交易次數(shù))

PAY_TIMES_WORKDAY_RATIO_1WEEK(近一周周末交易天數(shù)與工作日交易天數(shù)比值)

PAY_TIMES_WORKDAY_RATIO_2WEEKS(近兩周周末交易天數(shù)與工作日交易天數(shù)比值)

PAY_TIMES_WORKDAY_RATIO_4WEEKS(近四周周末交易天數(shù)與工作日交易天數(shù)比值)

PAY_DAYS_1WEEK(近一周存在交易的天數(shù))

PAY_DAYS_2WEEKS(近兩周存在交易的天數(shù))

PAY_DAYS_4WEEKS(近四周存在交易的天數(shù))

PAY_DAYS_RATIO_1WEEK(近一周存在交易天數(shù)與上上周存在交易天數(shù)比值)

PAY_SILENCE_1WEEK(沉默天數(shù)是否大于一周)

PAY_FIRSTPAY_IS_NEW(是否首次交易)

PAY_D_ENTROPY(當(dāng)天跟前一天的熵值差)

PAY_D_TIMEDEV_EUCLIDEANDISTANCE(當(dāng)天跟前一天的向量歐式距離)

預(yù)測(cè)模型確定步驟S4：

根據(jù)設(shè)定比例將預(yù)獲取的樣本集劃分為訓(xùn)練集和測(cè)試集；

在此，將樣本集分測(cè)試集、訓(xùn)練集兩部分，通過訓(xùn)練集來建立模型，模型建好后將其用在測(cè)試集上做測(cè)試。合理的模型在訓(xùn)練集和測(cè)試集的表現(xiàn)應(yīng)非常接近，否則就有過度擬合的問題，也即模型對(duì)訓(xùn)練集的預(yù)測(cè)很好，但對(duì)測(cè)試集的預(yù)測(cè)很差。如果存在明顯的過度擬合問題，則模型將失去推廣應(yīng)用的意義。在劃分訓(xùn)練集和測(cè)試集操作中，隨機(jī)抽取80％樣本集做訓(xùn)練集，其余的樣本做測(cè)試集。

采用用戶流失預(yù)測(cè)模型，對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)，獲得預(yù)測(cè)結(jié)果；

用戶流失預(yù)測(cè)模型采用的算法包括邏輯回歸算法，該算法的應(yīng)用條件是各個(gè)特征之間沒有明顯的共線性問題。該算法計(jì)算的復(fù)雜度不高，且易于理解和實(shí)現(xiàn)。

根據(jù)預(yù)測(cè)結(jié)果與訓(xùn)練集的實(shí)際流失標(biāo)簽，獲得訓(xùn)練質(zhì)量指標(biāo)；

其中，評(píng)價(jià)模型質(zhì)量的主要質(zhì)量指標(biāo)包括整體準(zhǔn)確率、召回率、精度、F1-Measure，這四個(gè)質(zhì)量指標(biāo)有內(nèi)在聯(lián)系，單個(gè)質(zhì)量指標(biāo)越接近1，則該模型的預(yù)測(cè)效果越好。在此，該方法可以只給出整體準(zhǔn)確率指標(biāo)的結(jié)果，整體準(zhǔn)確率也即預(yù)測(cè)正確的特征變量總數(shù)占總特橫變量的比例，我們所建立的模型而言訓(xùn)練集的整體準(zhǔn)確率達(dá)到了兩個(gè)星號(hào)，即刻認(rèn)為效果良好。

采用用戶流失預(yù)測(cè)模型，處理測(cè)試集，獲得測(cè)試質(zhì)量指標(biāo)；

根據(jù)訓(xùn)練質(zhì)量指標(biāo)和測(cè)試質(zhì)量指標(biāo)，確定符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型；

在此，該模型在測(cè)試集上的表現(xiàn)來看，對(duì)測(cè)試集做預(yù)測(cè)得到的上述四個(gè)質(zhì)量指標(biāo)和訓(xùn)練集對(duì)應(yīng)的質(zhì)量指標(biāo)非常接近，結(jié)果在訓(xùn)練集和測(cè)試集之間是平衡的，說明該模型具有很好的穩(wěn)定性。

實(shí)際測(cè)試步驟S5：

根據(jù)標(biāo)準(zhǔn)特征，獲取待測(cè)試用戶的標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量；

采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得用戶消費(fèi)行為預(yù)測(cè)結(jié)果。

由上述技術(shù)方案可知，本實(shí)施例基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法，能夠結(jié)合傳統(tǒng)的交易數(shù)據(jù)、用戶的行為數(shù)據(jù)和客服反饋數(shù)據(jù)等最底層數(shù)據(jù)，對(duì)用戶的行為進(jìn)行全方位的刻畫，能夠反映用戶最真實(shí)狀況。

同時(shí)，該方法能夠確定出符合線性要求的標(biāo)準(zhǔn)特征，以及符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，采用該用戶流失預(yù)測(cè)模型處理標(biāo)特征對(duì)應(yīng)的特征變量，能夠?qū)τ脩袅魇У刃袨檫M(jìn)行精準(zhǔn)預(yù)測(cè)，以支撐商戶的運(yùn)營(yíng)和精準(zhǔn)營(yíng)銷等。在此，可采用網(wǎng)頁多維度展示分析處理后的預(yù)測(cè)結(jié)果，包含但不限于銷售排行、付費(fèi)習(xí)慣、付費(fèi)滲透率、游戲習(xí)慣等。

因此，本實(shí)施例基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析方法，能夠最大限度的挖掘與應(yīng)用最底層互聯(lián)網(wǎng)支付信息，有效預(yù)測(cè)用戶消費(fèi)行為，為商戶進(jìn)行精準(zhǔn)營(yíng)銷提供準(zhǔn)確的信息支持。

具體地，在標(biāo)準(zhǔn)特征形成過程中，為了對(duì)上述數(shù)據(jù)進(jìn)一步進(jìn)行組合，以挖掘更多的信息，從而提高后續(xù)建模的質(zhì)量，根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量，具體包括：根據(jù)特征變量，構(gòu)造特征變量的平方復(fù)合變量和/或交叉復(fù)合變量，根據(jù)特征變量和復(fù)合變量的業(yè)務(wù)意義，篩選符合業(yè)務(wù)需求的復(fù)合變量。該方法能夠?qū)⑻卣髯兞窟M(jìn)行自身相乘，或與其他的特征變量進(jìn)行交叉相乘，獲得大量的復(fù)合變量，再根據(jù)特征變量自身的重要等級(jí)，以及復(fù)合變量的業(yè)務(wù)意義，篩選出符合業(yè)務(wù)需求的復(fù)合變量。

在構(gòu)造并篩選復(fù)合變量之后，采用套索算法篩選特征中符合線性要求的特征之前，該方法還包括：根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果和/或特征的業(yè)務(wù)意義，判斷特征是否符合線性要求。若特征的方差膨脹因子檢測(cè)結(jié)果小于線性閾值，則判斷特征符合線性要求；若特征的方差膨脹因子檢測(cè)結(jié)果大于等于線性閾值，則判斷特征不符合線性要求，線性閾值為預(yù)先設(shè)定的。采用方差膨脹因子(Variance Inflation Factor，VIF)來檢查特征的共線性問題。通常認(rèn)為VIF>10就存在共線性的問題，有時(shí)也要根據(jù)業(yè)務(wù)邏輯來判斷。以VIF>10為標(biāo)準(zhǔn)，經(jīng)計(jì)算后發(fā)現(xiàn)特征的共線性問題比較明顯。根據(jù)方差膨脹因子或特征的業(yè)務(wù)意義，判斷特征是否具有共線性問題，再進(jìn)一步采用套索算法篩選出符合線性要求的特征，以提高數(shù)據(jù)處理效率和準(zhǔn)確性。

具體地，在實(shí)際測(cè)試過程中，對(duì)于某類應(yīng)用而言，先確定需要做預(yù)測(cè)的用戶ID，并獲取對(duì)應(yīng)的30個(gè)特征變量，如歷史交易金額數(shù)據(jù)、歷史交易頻次數(shù)據(jù)、交易沉默天數(shù)數(shù)據(jù)、交易金額行為模式變量、交易時(shí)間行為模式變量、用戶交易時(shí)間段內(nèi)時(shí)間差行為模式變量，這些特征變量對(duì)應(yīng)的特征，也就是上述19個(gè)標(biāo)準(zhǔn)特征。對(duì)于用戶未來一周流失預(yù)測(cè)，將上述特征變量輸入用戶一周流失模型，該模型會(huì)輸出對(duì)應(yīng)的流失概率p，概率大于0.5的歸為將流失用戶，小于或等于0.5的歸為不流失用戶；同樣，對(duì)于用戶未來兩周流失預(yù)測(cè)，將上述特征變量輸入用戶兩周流失模型，并按同樣的標(biāo)準(zhǔn)將用戶歸為流失或不會(huì)流失。

第二方面，本發(fā)明實(shí)施例提供一種基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)，結(jié)合圖2，該系統(tǒng)包括數(shù)據(jù)獲取子系統(tǒng)1、數(shù)據(jù)匯總子系統(tǒng)2、標(biāo)準(zhǔn)特征形成子系統(tǒng)3、預(yù)測(cè)模型確定子系統(tǒng)4和實(shí)際測(cè)試子系統(tǒng)5。數(shù)據(jù)獲取子系統(tǒng)1用于獲取用戶的交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)。數(shù)據(jù)匯總子系統(tǒng)2用于匯總交易數(shù)據(jù)、行為數(shù)據(jù)和客服反饋數(shù)據(jù)，形成特征和該特征對(duì)應(yīng)的特征變量。標(biāo)準(zhǔn)特征形成子系統(tǒng)3用于根據(jù)特征對(duì)應(yīng)的業(yè)務(wù)知識(shí)，剔除特征對(duì)應(yīng)的異常特征變量，還用于根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量，以及用于采用套索算法篩選特征中符合線性要求的特征，形成標(biāo)準(zhǔn)特征。預(yù)測(cè)模型確定子系統(tǒng)4用于根據(jù)設(shè)定比例將預(yù)獲取的樣本集劃分為訓(xùn)練集和測(cè)試集，采用用戶流失預(yù)測(cè)模型，對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)，獲得預(yù)測(cè)結(jié)果，根據(jù)預(yù)測(cè)結(jié)果與訓(xùn)練集的實(shí)際流失標(biāo)簽，獲得訓(xùn)練質(zhì)量指標(biāo)，采用用戶流失預(yù)測(cè)模型，處理測(cè)試集，獲得測(cè)試質(zhì)量指標(biāo)，以及用于根據(jù)訓(xùn)練質(zhì)量指標(biāo)和測(cè)試質(zhì)量指標(biāo)，確定符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型。實(shí)際測(cè)試子系統(tǒng)5，用于根據(jù)標(biāo)準(zhǔn)特征，獲取待測(cè)試用戶的標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，還用于采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得用戶消費(fèi)行為預(yù)測(cè)結(jié)果。

由上述技術(shù)方案可知，本實(shí)施例基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)，能夠結(jié)合傳統(tǒng)的交易數(shù)據(jù)、用戶的行為數(shù)據(jù)和客服反饋數(shù)據(jù)等最底層數(shù)據(jù)，對(duì)用戶的行為進(jìn)行全方位的刻畫，能夠反映用戶最真實(shí)狀況。

同時(shí)，該系統(tǒng)能夠確定出符合線性要求的標(biāo)準(zhǔn)特征，以及符合穩(wěn)定性標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型，采用該用戶流失預(yù)測(cè)模型處理標(biāo)特征對(duì)應(yīng)的特征變量，能夠?qū)τ脩袅魇У刃袨檫M(jìn)行精準(zhǔn)預(yù)測(cè)，以支撐商戶的運(yùn)營(yíng)和精準(zhǔn)營(yíng)銷等。在此，可采用網(wǎng)頁多維度展示分析處理后的預(yù)測(cè)結(jié)果，包含但不限于銷售排行、付費(fèi)習(xí)慣、付費(fèi)滲透率、游戲習(xí)慣等。

因此，本實(shí)施例基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)，能夠最大限度的挖掘與應(yīng)用最底層互聯(lián)網(wǎng)支付信息，有效預(yù)測(cè)用戶消費(fèi)行為，為商戶進(jìn)行精準(zhǔn)營(yíng)銷提供準(zhǔn)確的信息支持。

為了對(duì)上述數(shù)據(jù)進(jìn)一步進(jìn)行組合，以挖掘更多的信息，從而提高后續(xù)建模的質(zhì)量，標(biāo)準(zhǔn)特征形成子系統(tǒng)3在根據(jù)特征變量，構(gòu)造并篩選復(fù)合變量，具體用于：根據(jù)特征變量，構(gòu)造特征變量的平方復(fù)合變量和/或交叉復(fù)合變量，根據(jù)特征變量和復(fù)合變量的業(yè)務(wù)意義，篩選符合業(yè)務(wù)需求的復(fù)合變量。該標(biāo)準(zhǔn)特征形成子系統(tǒng)3能夠?qū)⑻卣髯兞窟M(jìn)行自身相乘，或與其他的特征變量進(jìn)行交叉相乘，獲得大量的復(fù)合變量，再根據(jù)特征變量自身的重要等級(jí)，以及復(fù)合變量的業(yè)務(wù)意義，篩選出符合業(yè)務(wù)需求的復(fù)合變量。

同時(shí)，本實(shí)施例基于用戶支付信息的用戶消費(fèi)行為預(yù)測(cè)分析系統(tǒng)還包括共線性判斷子系統(tǒng)，其用于根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果和/或特征的業(yè)務(wù)意義，判斷特征是否符合線性要求。共線性判斷子系統(tǒng)在根據(jù)特征的方差膨脹因子檢測(cè)結(jié)果，判斷特征是否符合線性要求時(shí)，具體用于：若特征的方差膨脹因子檢測(cè)結(jié)果小于線性閾值，則判斷特征符合線性要求，若特征的方差膨脹因子檢測(cè)結(jié)果大于等于線性閾值，則判斷特征不符合線性要求，線性閾值為預(yù)先設(shè)定的。共線性判斷子系統(tǒng)根據(jù)方差膨脹因子或特征的業(yè)務(wù)意義，判斷特征是否具有共線性問題，再進(jìn)一步采用套索算法篩選出符合線性要求的特征，以提高數(shù)據(jù)處理效率和準(zhǔn)確性。

在實(shí)際測(cè)試過程中，若欲獲取用戶在未來一周的流失預(yù)測(cè)結(jié)果時(shí)，實(shí)際測(cè)試子系統(tǒng)5具體用于：采用穩(wěn)定性符合標(biāo)準(zhǔn)的用戶一周流失模型，處理標(biāo)準(zhǔn)特征對(duì)應(yīng)的特征變量，獲得流失概率，若流失概率大于等于流失閾值，則判定該用戶為將流失用戶，若流失概率小于流失閾值，則判定該用戶為不流失用戶，穩(wěn)定性符合標(biāo)準(zhǔn)的用戶流失預(yù)測(cè)模型包括穩(wěn)定性符合標(biāo)準(zhǔn)的用戶一周流失模型，用戶消費(fèi)行為預(yù)測(cè)結(jié)果包括將流失用戶和不流失用戶。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說明書的范圍當(dāng)中。