息等，本實(shí)施例不對用戶數(shù)據(jù)的具體內(nèi)容進(jìn)行限定。
[0051] 具體地，用戶的屬性信息包括但不限于年齡、性別等，用戶行為指標(biāo)信息包括但不 限于歷史行為指標(biāo)信息、最近行為指標(biāo)信息等，用戶活躍指標(biāo)信息包括但不限于連續(xù)活躍 天數(shù)、活躍次數(shù)比例、活躍時(shí)長比例等，本實(shí)施例不對用戶屬性信息、用戶行為指標(biāo)信息和 用戶活躍指標(biāo)信息作具體的限定。其中，歷史行為指標(biāo)可以是安裝時(shí)間、安裝天數(shù)、歷史付 款金額、付款渠道等，本實(shí)施例不對歷史行為指標(biāo)作具體的限定。最近行為指標(biāo)可以是用戶 在最近7天、14天、30天活躍的天數(shù)，也可以是用戶在最近7天、14天、30天不活躍的天數(shù) 等，本實(shí)施例同樣不對最近行為指標(biāo)進(jìn)行限定。
[0052] 關(guān)于預(yù)先構(gòu)建不同用戶數(shù)據(jù)對應(yīng)的類型模型，包括但不限于采用如下幾步：
[0053] 第一步，從目標(biāo)應(yīng)用程序下選取預(yù)設(shè)數(shù)量的用戶作為建模用戶，并收集預(yù)設(shè)數(shù)量 的建模用戶的用戶數(shù)據(jù)；
[0054] 針對第一步，目標(biāo)應(yīng)用程序可以是一款游戲應(yīng)用程序，也可以是一種即時(shí)通訊應(yīng) 用程序，本實(shí)施例不對目標(biāo)應(yīng)用程序作具體的限定。預(yù)設(shè)數(shù)量為1〇〇萬、200萬、300萬等， 本實(shí)施例同樣不對預(yù)設(shè)數(shù)量進(jìn)行限定。關(guān)于從目標(biāo)應(yīng)用程序下選取預(yù)設(shè)數(shù)量的用戶作為建 模用戶的選取方式，本實(shí)施例不作具體的限定，包括但不限于采用隨機(jī)選取的方式從目標(biāo) 應(yīng)用程序下選取預(yù)設(shè)數(shù)量的用戶作為建模用戶。
[0055] 進(jìn)一步地，關(guān)于收集預(yù)設(shè)數(shù)量的建模用戶的用戶數(shù)據(jù)的方式，包括但不限于采用 如下方式：
[0056] 收集預(yù)設(shè)數(shù)量的建模用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)，考察期及預(yù)測期為不 同的時(shí)間段。
[0057] 其中，考察期可以為3個(gè)月、4個(gè)月，當(dāng)然也可以為其他值，本實(shí)施例不對考察期作 具體的限定。預(yù)測期為1個(gè)月、2個(gè)月等，本實(shí)施例同樣不對預(yù)測期作具體的限定。為了 使收集到的預(yù)設(shè)數(shù)量的建模用戶的數(shù)據(jù)更有參考性，本實(shí)施例中選取的考察期比預(yù)測期要 長，且將考察期和預(yù)測期選取為連續(xù)的不同的時(shí)間段。例如，若以預(yù)設(shè)數(shù)量為1〇〇萬。在收 集1〇〇萬建模用戶時(shí)，可將1至3月選取為考察期，將4月選取為預(yù)測期，也可將1至4月 選取為考察期，將5月選取為預(yù)測期。
[0058] 進(jìn)一步地，由于收集到的預(yù)設(shè)數(shù)量的建模用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)， 為后續(xù)構(gòu)建不同用戶數(shù)據(jù)對應(yīng)的類型模型的基礎(chǔ)，因此，本實(shí)施例提供的方法在收集到預(yù) 設(shè)數(shù)量的建模用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)后，還執(zhí)行將收集到的預(yù)設(shè)數(shù)量的建模 用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)進(jìn)行存儲的步驟。關(guān)于存儲收集到的預(yù)設(shè)數(shù)量的建模 用戶在考察期和預(yù)測期內(nèi)的用戶數(shù)據(jù)的方式，本實(shí)施例不作具體的限定，包括但不限于將 收集到的預(yù)設(shè)數(shù)量的建模用戶在考察期及預(yù)測期內(nèi)用戶數(shù)據(jù)以表格、矩陣等形式存儲到對 應(yīng)的存儲介質(zhì)中。
[0059] 下面以目標(biāo)應(yīng)用程序?yàn)橐豢罴磿r(shí)通訊應(yīng)用程序?yàn)槔?，將收集到的預(yù)設(shè)數(shù)量的建 模用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)存儲在表1中。
[0060]表1
【主權(quán)項(xiàng)】
1. 一種防止用戶流失的方法，其特征在于，所述方法包括： 收集目標(biāo)應(yīng)用程序下的至少一個(gè)目標(biāo)用戶對應(yīng)的用戶數(shù)據(jù)，所述用戶數(shù)據(jù)至少包括用 戶基本屬性信息、用戶行為指標(biāo)信息和用戶活躍指標(biāo)信息； 根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)確定所述目標(biāo)用戶的用戶類型，所述用戶類型至少包括 正?；钴S用戶、瀬臨沉默用戶和沉默用戶； 如果所述目標(biāo)用戶的用戶類型為瀬臨沉默用戶，則在所述目標(biāo)應(yīng)用程序下向所述目標(biāo) 用戶推送用于提升活躍度的相關(guān)數(shù)據(jù)。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)確定 所述目標(biāo)用戶的用戶類型之前，還包括： 預(yù)先構(gòu)建不同用戶數(shù)據(jù)對應(yīng)的類型模型； 所述根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)確定所述目標(biāo)用戶的用戶類型，包括： 根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)及所述預(yù)先構(gòu)建的類型模型確定所述目標(biāo)用戶的用戶 類型。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預(yù)先構(gòu)建不同用戶數(shù)據(jù)對應(yīng)的類型 模型，包括： 從所述目標(biāo)應(yīng)用程序下選取預(yù)設(shè)數(shù)量的用戶作為建模用戶，并收集所述預(yù)設(shè)數(shù)量的建 模用戶的用戶數(shù)據(jù)； 根據(jù)所述建模用戶的用戶數(shù)據(jù)將所述預(yù)設(shè)數(shù)量的建模用戶進(jìn)行分類，并確定每類建模 用戶的流失概率； 根據(jù)每類建模用戶的流失概率確定每類建模用戶的用戶類型，并根據(jù)每種用戶類型對 應(yīng)的建模用戶的用戶數(shù)據(jù)得到對應(yīng)的類型模型。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述收集所述預(yù)設(shè)數(shù)量的建模用戶的用 戶數(shù)據(jù)，包括： 收集所述預(yù)設(shè)數(shù)量的建模用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)，所述考察期及所述預(yù) 測期為不同的時(shí)間段； 所述確定每類建模用戶的流失概率，包括： 根據(jù)考察期結(jié)束時(shí)收集到用戶數(shù)據(jù)的建模用戶數(shù)量與預(yù)測期內(nèi)收集到用戶數(shù)據(jù)的建 模用戶數(shù)量，確定每類建模用戶的流失概率。
5. 根據(jù)權(quán)利要求3或4所述的方法，其特征在于，所述根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)及 所述預(yù)先構(gòu)建的類型模型確定所述目標(biāo)用戶的用戶類型，包括： 將所述目標(biāo)用戶的用戶數(shù)據(jù)與所述預(yù)先構(gòu)建的類型模型所對應(yīng)的建模用戶的用戶數(shù) 據(jù)進(jìn)行匹配，得到匹配的建模用戶的用戶數(shù)據(jù)，并將所述匹配的建模用戶的用戶數(shù)據(jù)所對 應(yīng)的用戶類型確定為所述目標(biāo)用戶的用戶類型。
6. -種防止用戶流失的裝置，其特征在于，所述裝置包括： 收集模塊，用于收集目標(biāo)應(yīng)用程序下的至少一個(gè)目標(biāo)用戶對應(yīng)的用戶數(shù)據(jù)，所述用戶 數(shù)據(jù)至少包括用戶基本屬性信息、用戶行為指標(biāo)信息和用戶活躍指標(biāo)信息； 確定模塊，用于根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)確定所述目標(biāo)用戶的用戶類型，所述用 戶類型至少包括正常活躍用戶、瀬臨沉默用戶和沉默用戶； 推送模塊，用于當(dāng)所述目標(biāo)用戶的用戶類型為瀬臨沉默用戶時(shí)在所述目標(biāo)應(yīng)用程序下 向所述目標(biāo)用戶推送用于提升活躍度的相關(guān)數(shù)據(jù)。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置，還包括： 構(gòu)建模塊，用于預(yù)先構(gòu)建不同用戶數(shù)據(jù)對應(yīng)的類型模型； 所述確定模塊，用于根據(jù)所述目標(biāo)用戶的用戶數(shù)據(jù)及所述預(yù)先構(gòu)建的類型模型確定所 述目標(biāo)用戶的用戶類型。
8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述構(gòu)建模塊，包括： 選取單元，用于從所述目標(biāo)應(yīng)用程序下選取預(yù)設(shè)數(shù)量的用戶作為建模用戶； 收集單元，用于收集所述預(yù)設(shè)數(shù)量的建模用戶的用戶數(shù)據(jù)； 分類單元，用于根據(jù)所述建模用戶的用戶數(shù)據(jù)將所述預(yù)設(shè)數(shù)量的建模用戶進(jìn)行分類； 第一確定單元，用于確定每類建模用戶的流失概率； 第二確定單元，用于根據(jù)每類建模用戶的流失概率確定每類建模用戶的用戶類型； 獲取單元，用于根據(jù)每種用戶類型對應(yīng)的建模用戶的用戶數(shù)據(jù)得到對應(yīng)的類型模型。
9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述收集單元，用于收集所述預(yù)設(shè)數(shù)量的 建模用戶在考察期及預(yù)測期內(nèi)的用戶數(shù)據(jù)，所述考察期及所述預(yù)測期為不同的時(shí)間段； 所述第一確定單元，用于根據(jù)考察期結(jié)束時(shí)收集到用戶數(shù)據(jù)的建模用戶數(shù)量與預(yù)測期 內(nèi)收集到用戶數(shù)據(jù)的建模用戶數(shù)量，確定每類建模用戶的流失概率。
10. 根據(jù)權(quán)利要求8或9所述的裝置，其特征在于，所述確定模塊，用于將所述目標(biāo)用戶 的用戶數(shù)據(jù)與所述預(yù)先構(gòu)建的類型模型所對應(yīng)的建模用戶的用戶數(shù)據(jù)進(jìn)行匹配，得到匹配 的建模用戶的用戶數(shù)據(jù)，并將所述匹配的建模用戶的用戶數(shù)據(jù)所對應(yīng)的用戶類型確定為所 述目標(biāo)用戶的用戶類型。
【專利摘要】本發(fā)明公開了一種防止用戶流失的方法及裝置，屬于網(wǎng)絡(luò)技術(shù)應(yīng)用領(lǐng)域。所述方法包括：收集目標(biāo)應(yīng)用程序下的至少一個(gè)目標(biāo)用戶對應(yīng)的用戶數(shù)據(jù)，用戶數(shù)據(jù)至少包括用戶的基本屬性信息、用戶行為指標(biāo)信息和用戶活躍指標(biāo)信息；根據(jù)目標(biāo)用戶的用戶數(shù)據(jù)確定目標(biāo)用戶的用戶類型，用戶類型至少包括正常活躍用戶、瀕臨沉默用戶和沉默用戶；如果目標(biāo)用戶的用戶類型為瀕臨沉默用戶，則在目標(biāo)應(yīng)用程序下向目標(biāo)用戶推送用于提升活躍度的相關(guān)數(shù)據(jù)。本發(fā)明通過確定目標(biāo)應(yīng)用程序下的目標(biāo)用戶的用戶類型，進(jìn)而對用戶類型為瀕臨沉默用戶推送提升活躍度的相關(guān)數(shù)據(jù)，與在用戶出現(xiàn)流失特征后采取措施防止用戶流失相比，本發(fā)明提供的方法效果更佳。
【IPC分類】G06F19-00
【公開號】CN104679969
【申請?zhí)枴緾N201310629398
【發(fā)明人】朱靜濤, 胡熙, 徐欣, 張孝龍, 倪虎, 許多斌, 劉黎春, 范成濤, 艾志兵, 楊向勇
【申請人】騰訊科技（深圳）有限公司
【公開日】2015年6月3日
【申請日】2013年11月29日
【公告號】WO2015078395A1