本發(fā)明涉及企業(yè)客戶流失預(yù)測(cè)，具體是指基于大數(shù)據(jù)的企業(yè)客戶流失預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、企業(yè)客戶流失預(yù)測(cè)是通過數(shù)據(jù)分析和建模技術(shù)，預(yù)測(cè)客戶可能會(huì)離開企業(yè)的概率，這種預(yù)測(cè)利用客戶的歷史行為、購(gòu)買模式和互動(dòng)記錄等信息來識(shí)別流失風(fēng)險(xiǎn)；其幫助企業(yè)提前識(shí)別可能流失的客戶，從而采取相應(yīng)的挽留措施，減少收入損失，提高客戶滿意度，進(jìn)而增強(qiáng)企業(yè)競(jìng)爭(zhēng)力。

2、然而，傳統(tǒng)的企業(yè)客戶流失預(yù)測(cè)方法存在依賴于單一的客戶行為數(shù)據(jù)進(jìn)行分析，難以深入挖掘企業(yè)客戶流失的整體特征且易受環(huán)境波動(dòng)影響，導(dǎo)致模型預(yù)測(cè)準(zhǔn)確率低的技術(shù)問題；傳統(tǒng)的企業(yè)客戶流失預(yù)測(cè)方法存在僅考慮個(gè)體客戶的行為數(shù)據(jù)，而忽視企業(yè)客戶之間的關(guān)聯(lián)性，無法全面捕捉客戶關(guān)聯(lián)性帶來的潛在流失風(fēng)險(xiǎn)，降低了模型的精度和可靠性的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了基于大數(shù)據(jù)的企業(yè)客戶流失預(yù)測(cè)方法及系統(tǒng)，針對(duì)傳統(tǒng)的企業(yè)客戶流失預(yù)測(cè)方法存在依賴于單一的客戶行為數(shù)據(jù)進(jìn)行分析，難以深入挖掘企業(yè)客戶流失的整體特征且易受環(huán)境波動(dòng)影響，導(dǎo)致模型預(yù)測(cè)準(zhǔn)確率低的技術(shù)問題，本方案創(chuàng)造性地采用了自組織神經(jīng)網(wǎng)絡(luò)模型進(jìn)行客戶特征聚合方法，將單一的難以準(zhǔn)確反映客戶流失的特征進(jìn)行聚合，得到更具代表性的聚合特征，提高了模型的準(zhǔn)確性；針對(duì)傳統(tǒng)的企業(yè)客戶流失預(yù)測(cè)方法存在僅考慮個(gè)體客戶的行為數(shù)據(jù)，而忽視企業(yè)客戶之間的關(guān)聯(lián)性，無法全面捕捉客戶關(guān)聯(lián)性帶來的潛在流失風(fēng)險(xiǎn)，降低了模型的精度和可靠性的技術(shù)問題，本方案創(chuàng)造性地采用了注意力圖卷積網(wǎng)絡(luò)模型進(jìn)行企業(yè)客戶流失預(yù)測(cè)，通過基于客戶交互記錄構(gòu)造圖結(jié)構(gòu)數(shù)據(jù)并結(jié)合注意力機(jī)制動(dòng)態(tài)調(diào)整權(quán)重，提高了模型的預(yù)測(cè)精度和可靠性。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的基于大數(shù)據(jù)的企業(yè)客戶流失預(yù)測(cè)方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：客戶特征聚合；

6、步驟s4：聚類處理；

7、步驟s5：企業(yè)客戶流失預(yù)測(cè)。

8、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)采集，用于采集企業(yè)客戶流失預(yù)測(cè)所需的客戶行為數(shù)據(jù)，具體為通過采集，得到客戶行為數(shù)據(jù)集，所述客戶行為數(shù)據(jù)集，具體包括基本客戶信息、交易記錄、客戶間交互記錄、客戶產(chǎn)品使用數(shù)據(jù)、客戶反饋數(shù)據(jù)和客戶活躍數(shù)據(jù)。

9、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理，用于對(duì)客戶行為數(shù)據(jù)進(jìn)行預(yù)處理，具體包括以下步驟：

10、步驟s21：數(shù)據(jù)清洗，用于清洗客戶行為數(shù)據(jù)，具體為對(duì)所述客戶行為數(shù)據(jù)集進(jìn)行去除缺失值和重復(fù)值操作，得到初步處理數(shù)據(jù)集；

11、步驟s22：特征編碼，用于對(duì)初步處理數(shù)據(jù)進(jìn)行編碼，具體為采用獨(dú)熱編碼法對(duì)所述初步處理數(shù)據(jù)集進(jìn)行編碼，得到編碼數(shù)據(jù)集；

12、步驟s23：數(shù)據(jù)歸一化，用于歸一化編碼數(shù)據(jù)，具體為采用最小-最大歸一化法對(duì)所述編碼數(shù)據(jù)集進(jìn)行歸一化，得到客戶特征集；

13、步驟s24：預(yù)處理，具體為通過所述數(shù)據(jù)清洗、所述特征編碼和所述數(shù)據(jù)歸一化，對(duì)所述客戶行為數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，得到客戶特征集。

14、進(jìn)一步地，在步驟s3中，所述客戶特征聚合，用于聚合客戶特征，具體為采用自組織神經(jīng)網(wǎng)絡(luò)模型處理所述客戶特征集，得到聚合客戶流失特征集；

15、所述客戶行為特征聚合，具體包括以下步驟：

16、步驟s31：初始化權(quán)重，用于隨機(jī)初始化自組織神經(jīng)網(wǎng)絡(luò)權(quán)重向量，表示如下：

17、；

18、式中，表示第i個(gè)節(jié)點(diǎn)的權(quán)重向量，表示從均勻分布[0,1]中隨機(jī)初始化第i個(gè)節(jié)點(diǎn)的權(quán)重向量；

19、步驟s32：尋找最優(yōu)節(jié)點(diǎn)，所述最優(yōu)節(jié)點(diǎn)，具體為與輸入特征歐氏距離最小的點(diǎn)，計(jì)算歐氏距離所用公式如下：

20、；

21、式中，表示歐氏距離函數(shù)，表示客戶的第j個(gè)特征，表示歐氏距離；

22、步驟s33：更新最優(yōu)節(jié)點(diǎn)權(quán)重，所用公式如下：

23、；

24、式中，表示客戶的第j個(gè)特征對(duì)應(yīng)最優(yōu)節(jié)點(diǎn)與第l個(gè)節(jié)點(diǎn)的鄰域函數(shù)，表示客戶的第j個(gè)特征對(duì)應(yīng)最優(yōu)節(jié)點(diǎn)的位置向量，表示第l個(gè)節(jié)點(diǎn)的位置向量，表示初始鄰域?qū)挾?，表示用于控制領(lǐng)域?qū)挾葴p小速率的常數(shù)，t表示時(shí)間步，表示第t+1個(gè)時(shí)間步客戶的第j個(gè)特征對(duì)應(yīng)最優(yōu)節(jié)點(diǎn)的權(quán)重向量，表示第t個(gè)時(shí)間步客戶的第j個(gè)特征對(duì)應(yīng)最優(yōu)節(jié)點(diǎn)的權(quán)重向量，表示學(xué)習(xí)率函數(shù)；

25、步驟s34：構(gòu)造聚合客戶流失特征，步驟包括：

26、步驟s341：計(jì)算最小量化誤差，所用公式如下：

27、；

28、式中，表示客戶的第i個(gè)特征的最小量化誤差，表示客戶的第i個(gè)特征，表示客戶的第i個(gè)特征對(duì)應(yīng)最優(yōu)節(jié)點(diǎn)的權(quán)重向量；

29、步驟s342：局部加權(quán)回歸去噪，所用公式如下：

30、；

31、式中，表示客戶的第j個(gè)特征的最小量化誤差對(duì)客戶的第i個(gè)特征的最小量化誤差的影響權(quán)重，表示高斯核函數(shù)，表示客戶的第j個(gè)特征的最小量化誤差，表示客戶的第i個(gè)特征的最小量化誤差的窗口寬度，表示去噪后的客戶的第i個(gè)特征的最小量化誤差，表示客戶的特征總數(shù)；

32、步驟s343：聚合客戶流失特征構(gòu)造，具體為將去噪后的客戶的特征的最小量化誤差作為向量元素，構(gòu)造聚合客戶流失特征，得到聚合客戶流失特征集。

33、進(jìn)一步地，在步驟s4中，所述聚類處理，用于對(duì)目前客戶流失進(jìn)行分類，具體為構(gòu)建k均值聚類模型對(duì)所述聚合客戶流失特征集進(jìn)行初步分類，得到目前流失風(fēng)險(xiǎn)數(shù)據(jù)集，所述初步分類，具體為基于目前客戶流失風(fēng)險(xiǎn)分為五類，包括一級(jí)流失風(fēng)險(xiǎn)、二級(jí)流失風(fēng)險(xiǎn)、三級(jí)流失風(fēng)險(xiǎn)、四級(jí)流失風(fēng)險(xiǎn)和五級(jí)流失風(fēng)險(xiǎn)，并作為數(shù)據(jù)標(biāo)簽，級(jí)別越高，客戶流失的可能性越大；

34、所述聚類處理，具體包括以下步驟：

35、步驟s41：初始化簇中心，具體為隨機(jī)選擇k個(gè)數(shù)據(jù)點(diǎn)作為初始簇中心，k表示分類種類數(shù)：

36、步驟s42：分配簇，步驟包括：

37、步驟s421：計(jì)算數(shù)據(jù)點(diǎn)到簇中心的距離，所用公式如下：

38、；

39、式中，表示第h個(gè)數(shù)據(jù)點(diǎn)到第k個(gè)簇中心的距離，表示第h個(gè)數(shù)據(jù)點(diǎn)，表示第k個(gè)簇中心；

40、步驟s422，分配數(shù)據(jù)點(diǎn)到簇，所用公式如下：

41、；

42、式中，表示第h個(gè)數(shù)據(jù)點(diǎn)的簇標(biāo)簽，表示使第h個(gè)數(shù)據(jù)點(diǎn)到第k個(gè)簇中心的距離最小的k的值；

43、步驟s43：更新簇中心，所用公式如下：

44、；

45、式中，表示更新后的簇中心，表示第k個(gè)簇中所有數(shù)據(jù)點(diǎn)組成的集合；

46、步驟s44：迭代更新，具體為不斷迭代更新k均值聚類模型直至簇中心的變化量小于閾值或達(dá)到最大迭代次數(shù)；

47、步驟s45：初步分類，具體為通過所述初始化簇中心、所述分配簇、所述更新簇中心和所述迭代更新，構(gòu)建所述k均值聚類模型，并對(duì)所述聚合客戶流失特征集進(jìn)行初步分類，得到目前流失風(fēng)險(xiǎn)數(shù)據(jù)集。

48、進(jìn)一步地，在步驟s5中，所述企業(yè)客戶流失預(yù)測(cè)，具體為構(gòu)建注意力圖卷積網(wǎng)絡(luò)模型，基于所述目前流失風(fēng)險(xiǎn)數(shù)據(jù)集進(jìn)行企業(yè)客戶流失預(yù)測(cè)，得到客戶流失預(yù)測(cè)參考數(shù)據(jù)，并基于所述客戶流失預(yù)測(cè)參考數(shù)據(jù)考量客戶流失風(fēng)險(xiǎn)；

49、所述企業(yè)客戶流失預(yù)測(cè)，具體包括以下步驟：

50、步驟s51：構(gòu)造圖結(jié)構(gòu)數(shù)據(jù)，具體為構(gòu)造圖節(jié)點(diǎn)和邊，所述圖節(jié)點(diǎn)表示客戶，每個(gè)圖節(jié)點(diǎn)的特征為所述k均值聚類模型簇標(biāo)簽，連接具有相同k均值聚類模型簇標(biāo)簽和具有客戶交互記錄的圖節(jié)點(diǎn)，得到圖結(jié)構(gòu)數(shù)據(jù)；

51、步驟s52：構(gòu)造圖卷積層，所用公式如下：

52、；

53、式中，表示第v+1層圖卷積層的節(jié)點(diǎn)特征矩陣，表示第v層圖卷積層的節(jié)點(diǎn)特征矩陣，表示relu激活函數(shù)，表示歸一化鄰接矩陣，表示第v+1層圖卷積層的權(quán)重矩陣；

54、步驟s53：構(gòu)造圖注意力層，步驟包括：

55、步驟s531：計(jì)算注意力系數(shù)，所用公式如下：

56、；

57、式中，表示節(jié)點(diǎn)對(duì)節(jié)點(diǎn)的注意力系數(shù)，表示帶泄露的relu激活函數(shù)，av表示注意力向量，t表示轉(zhuǎn)置操作，am表示注意力權(quán)重，表示節(jié)點(diǎn)的特征向量，表示節(jié)點(diǎn)的特征向量；

58、步驟s532：歸一化注意力系數(shù)，所用公式如下：

59、；

60、式中，表示節(jié)點(diǎn)對(duì)節(jié)點(diǎn)的歸一化注意力系數(shù)，ni表示節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合，表示節(jié)點(diǎn)對(duì)節(jié)點(diǎn)的注意力系數(shù)；

61、步驟s533：更新節(jié)點(diǎn)特征，所用公式如下：

62、；

63、式中，表示節(jié)點(diǎn)更新后的特征向量，

64、步驟s54：計(jì)算模型輸出，所用公式如下：

65、；

66、式中，y表示模型輸出的客戶流失預(yù)測(cè)參考數(shù)據(jù)，表示softmax函數(shù)，表示輸出權(quán)重矩陣，表示輸出層的輸入特征，表示輸出偏置項(xiàng)；

67、步驟s55：設(shè)計(jì)損失函數(shù)，所用公式如下：

68、；

69、式中，loss表示損失函數(shù)值，n表示樣本總數(shù)，m表示類別總數(shù)，表示樣本n屬于類別m的真實(shí)標(biāo)簽，表示模型對(duì)樣本n屬于類別m的預(yù)測(cè)概率；

70、步驟s56：預(yù)測(cè)客戶流失，具體為通過所述構(gòu)造圖結(jié)構(gòu)數(shù)據(jù)、所述構(gòu)造圖卷積層、所述構(gòu)造圖注意力層、所述計(jì)算模型輸出和所述設(shè)計(jì)損失函數(shù)，進(jìn)行所述注意力圖卷積網(wǎng)絡(luò)模型的構(gòu)建，并基于所述目前流失風(fēng)險(xiǎn)數(shù)據(jù)集進(jìn)行企業(yè)客戶流失預(yù)測(cè)，得到客戶流失預(yù)測(cè)參考數(shù)據(jù)以綜合考量客戶流失風(fēng)險(xiǎn)。

71、本發(fā)明提供的基于大數(shù)據(jù)的企業(yè)客戶流失預(yù)測(cè)系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、客戶特征聚合模塊、聚類處理模塊和企業(yè)客戶流失預(yù)測(cè)模塊；

72、所述數(shù)據(jù)采集模塊，用于數(shù)據(jù)采集，通過數(shù)據(jù)采集，得到客戶行為數(shù)據(jù)集，并將所述客戶行為數(shù)據(jù)集發(fā)送至數(shù)據(jù)預(yù)處理模塊；

73、所述數(shù)據(jù)預(yù)處理模塊，用于數(shù)據(jù)預(yù)處理，通過數(shù)據(jù)預(yù)處理，得到客戶特征集，并將所述客戶特征集發(fā)送至客戶特征聚合模塊；

74、所述客戶特征聚合模塊，用于客戶特征聚合，通過采用自組織神經(jīng)網(wǎng)絡(luò)模型進(jìn)行客戶特征聚合，得到聚合客戶流失特征集，并將所述聚合客戶流失特征集發(fā)送至聚類處理模塊；

75、所述聚類處理模塊，用于進(jìn)行聚類處理，通過采用k均值聚類模型進(jìn)行初步分類，得到目前流失風(fēng)險(xiǎn)數(shù)據(jù)集，并將目前流失風(fēng)險(xiǎn)數(shù)據(jù)集發(fā)送至企業(yè)客戶流失預(yù)測(cè)模塊；

76、所述企業(yè)客戶流失預(yù)測(cè)模塊，用于企業(yè)客戶流失預(yù)測(cè)，通過采用注意力圖卷積網(wǎng)絡(luò)模型進(jìn)行企業(yè)客戶流失預(yù)測(cè)，得到客戶流失預(yù)測(cè)參考數(shù)據(jù)。

77、采用上述方案本發(fā)明取得的有益效果如下：

78、（1）針對(duì)傳統(tǒng)的企業(yè)客戶流失預(yù)測(cè)方法存在依賴于單一的客戶行為數(shù)據(jù)進(jìn)行分析，難以深入挖掘企業(yè)客戶流失的整體特征且易受環(huán)境波動(dòng)影響，導(dǎo)致模型預(yù)測(cè)準(zhǔn)確率低的技術(shù)問題，本方案創(chuàng)造性地采用了自組織神經(jīng)網(wǎng)絡(luò)模型進(jìn)行客戶特征聚合方法，將單一的難以準(zhǔn)確反映客戶流失的特征進(jìn)行聚合，得到更具代表性的聚合特征，提高了模型的準(zhǔn)確性。

79、（2）針對(duì)傳統(tǒng)的企業(yè)客戶流失預(yù)測(cè)方法存在僅考慮個(gè)體客戶的行為數(shù)據(jù)，而忽視企業(yè)客戶之間的關(guān)聯(lián)性，無法全面捕捉客戶關(guān)聯(lián)性帶來的潛在流失風(fēng)險(xiǎn)，降低了模型的精度和可靠性的技術(shù)問題，本方案創(chuàng)造性地采用了注意力圖卷積網(wǎng)絡(luò)模型進(jìn)行企業(yè)客戶流失預(yù)測(cè)，通過基于客戶交互記錄構(gòu)造圖結(jié)構(gòu)數(shù)據(jù)并結(jié)合注意力機(jī)制動(dòng)態(tài)調(diào)整權(quán)重，提高了模型的預(yù)測(cè)精度和可靠性。