一种针对B2B平台用户的会员流失预警方法和系统技术方案

本发明专利技术涉及一种针对B2B平台用户的会员流失预警方法和系统，包括接收B2B平台的原始数据并进行数据清洗和预处理；在原始数据中对部分数据进行流失用户和非流失用户的标注，得到训练样本；并通过非监督机器学习模型进行自动化数据标注，扩充训练样本；根据原始数据构建特征，采用保留数据原始属性的特征筛选方法，从业务完整度和数据质量层面进行特征筛选；基于召回率评价指标从多个经典机器学习方法中进行模型筛选；根据筛选出的特征和模型，基于训练样本进行模型迭代优化；根据训练好的模型进行流失概率计算，根据计算出的流失概率发出预警提示。与现有技术相比，本发明专利技术具有可以实现会员流失概率的精准量化，数据处理效率高、预测结果准确等优点。预测结果准确等优点。预测结果准确等优点。

【技术实现步骤摘要】
一种针对B2B平台用户的会员流失预警方法和系统


[0001]本专利技术涉及数据处理
，尤其是涉及一种针对B2B平台用户的会员流失预警方法和系统。

技术介绍

[0002]随着平台业务的持续拓展与服务质量的持续提升，注册会员数量也日益增长，为使平台交易规模与会员规模长期稳定发展，需做好会员管理及运营工作，除不断获客外，还需提升已注册会员粘性、降低该群体流失量。
[0003]在企业当前的用户管理及业务运营过程中，仅能通过会员成交与行为等统计数据、结合业务经验人工判断会员是否流失，例如将“近6个月未登录”、“近6个月未交易”用户定义为流失等。此方法较为滞后且所需的人工投入较高，因此在进行会员挽回或激励时往往错失最佳时机，存在时效性不足的问题，缺乏前瞻性、综合性会员流失预警方法。
[0004]现有用户流失模型多为C端用户流失概率预测模型。相较于C端用户，B端用户的流失表现特征、原因不同，因此现有针对C端用户的流失模型很难直接适用于B端用户。B端业务场景具有决策链长、流程复杂的特性，在唤醒流失用户时往往成本更高、转化周期更长，采用的用户唤醒方式也有所不同，因此不仅要求模型输出准确的流失概率、更需要对潜在的流失原因进行捕捉。结合企业现状，为达到维护现有用户、及时挽回潜在流失用户，构建一种针对B2B平台会员生命周期管理构建的会员流失预警模型至关重要。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种可以实现会员流失概率的精准量化，数据处理效率高、预测结果准确的针对B2B平台用户的会员流失预警方法和系统。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种针对B2B平台用户的会员流失预警方法，包括以下步骤：
[0008]大数据提取和清洗步骤：接收B2B平台的原始数据并进行数据清洗和预处理，所述B2B平台的原始数据包括会员基础信息、交易数据、行为数据、违约数据和用户负面体验数据；
[0009]数据标注步骤：在所述原始数据中对部分数据进行流失用户和非流失用户的标注，得到训练样本；并通过非监督机器学习模型进行自动化数据标注，扩充所述训练样本；
[0010]特征筛选步骤：根据所述原始数据构建特征，采用保留数据原始属性的特征筛选方法，从业务完整度和数据质量层面进行特征筛选；
[0011]模型选择步骤：基于召回率评价指标从多个经典机器学习方法中进行模型筛选；
[0012]主模型构建步骤：根据筛选出的特征和模型，基于训练样本进行模型迭代优化；
[0013]流失预警步骤：根据训练好的模型对各个会员的B2B平台数据进行流失概率计算，根据计算出的流失概率发出预警提示。
[0014]进一步地，所述数据清洗和预处理过程包括对原始数据进行缺失值处理、异常数据处理、标准化、归一化、信息量分析、数据分布和类别特征编码处理。
[0015]进一步地，所述保留数据原始属性的特征筛选方法包括方差分析、相关系数法、卡方检验法、信息熵、基尼系数、过滤法和嵌入法。
[0016]进一步地，从业务完整度层面进行特征筛选具体为：筛选预先设定的重要特征；
[0017]从数据质量层面进行特征筛选具体为：在特征筛选过程中，结合方差、标准差、数据缺失程度、特征相关性及通过集成算法训练筛选相结合的方式进行。
[0018]进一步地，所述重要特征包括：账户信息、采购数据、负面信息、采购偏好、行为数据、违约数据、工商财经数据、时长行情数据和天气季节数据。
[0019]进一步地，根据原始数据构建的特征包括：会员用户的交易数据、卖家的挂货数据、平台的功能数据、金融服务、后期的售后、物流、仓储、票据、大盘数据、天气数据以及工商信息。
[0020]进一步地，筛选出的模型为XGboost算法模型。
[0021]本专利技术还提供一种针对B2B平台用户的会员流失预警系统，包括：
[0022]大数据提取和清洗模块，被配置为：接收B2B平台的原始数据并进行数据清洗和预处理，所述B2B平台的原始数据包括会员基础信息、交易数据、行为数据、违约数据和用户负面体验数据；
[0023]数据标注模块，被配置为：在所述原始数据中对部分数据进行流失用户和非流失用户的标注，得到训练样本；并通过非监督机器学习模型进行自动化数据标注，扩充所述训练样本；
[0024]特征筛选模块，被配置为：根据所述原始数据构建特征，采用保留数据原始属性的特征筛选方法，从业务完整度和数据质量层面进行特征筛选；
[0025]模型选择模块，被配置为：基于召回率评价指标从多个经典机器学习方法中进行模型筛选；
[0026]主模型构建模块，被配置为：根据筛选出的特征和模型，基于训练样本进行模型迭代优化；
[0027]流失预警模块，被配置为：根据训练好的模型对各个会员的B2B平台数据进行流失概率计算，根据计算出的流失概率发出预警提示。
[0028]进一步地，所述数据清洗和预处理过程包括对原始数据进行缺失值处理、异常数据处理、标准化、归一化、信息量分析、数据分布和类别特征编码处理；
[0029]所述保留数据原始属性的特征筛选方法包括方差分析、相关系数法、卡方检验法、信息熵、基尼系数、过滤法和嵌入法。
[0030]进一步地，从业务完整度层面进行特征筛选具体为：筛选预先设定的重要特征；
[0031]从数据质量层面进行特征筛选具体为：在特征筛选过程中，结合方差、标准差、数据缺失程度、特征相关性及通过集成算法训练筛选相结合的方式进行。
[0032]与现有技术相比，本专利技术具有以下优点：
[0033](1)本专利技术可以实现会员流失概率的精准量化，比靠规则和业务经验计算的方案更加精准。
[0034](2)本专利技术方案能结合影响会员流失特征的重要性，归纳推断会员流失原因，并对
所有会员流失原因的重要性进行排序，进而协助业务人员进行精准的会员运营。
[0035](3)本专利技术特征主要是基于会员所有显性和隐性行为来提取，也包括从供应链全流程、2B平台组成部分、宏观指标、平台功能、金融服务、售后和票据等模块来进行构建。在原始数据特征考虑方面，综合使用了大量新的特征和指标，包括挂货数据、行为数据、大盘数据、白名单数据等，比传统的方案更加全面和精细化。考虑到业务的可解释性和模型最终效果，从业务完整度和数据质量两个层面进行特征筛选。
[0036](4)本专利技术模型可以实现效果的定期更新，相比以前需要人为干预的方案更加高效且公平，全面降低了人为因素对模型效果的影响。
[0037](5)本专利技术解释性强，不论是建模的流程、使用的样本和特征、采用的主模型，还是对模型结果的解读，都考虑了业务实际需求并进行了深度融合，能全面和准确的描述会员流失相关的状态。
附图说明
[0038]图1为本专利技术实施例中提供的一种针对B2B平台用户的会员流失预警方法的流程示意图。
具体实施方式
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对B2B平台用户的会员流失预警方法，其特征在于，包括以下步骤：大数据提取和清洗步骤：接收B2B平台的原始数据并进行数据清洗和预处理，所述B2B平台的原始数据包括会员基础信息、交易数据、行为数据、违约数据和用户负面体验数据；数据标注步骤：在所述原始数据中对部分数据进行流失用户和非流失用户的标注，得到训练样本；并通过非监督机器学习模型进行自动化数据标注，扩充所述训练样本；特征筛选步骤：根据所述原始数据构建特征，采用保留数据原始属性的特征筛选方法，从业务完整度和数据质量层面进行特征筛选；模型选择步骤：基于召回率评价指标从多个经典机器学习方法中进行模型筛选；主模型构建步骤：根据筛选出的特征和模型，基于训练样本进行模型迭代优化；流失预警步骤：根据训练好的模型对各个会员的B2B平台数据进行流失概率计算，根据计算出的流失概率发出预警提示。2.根据权利要求1所述的一种针对B2B平台用户的会员流失预警方法，其特征在于，所述数据清洗和预处理过程包括对原始数据进行缺失值处理、异常数据处理、标准化、归一化、信息量分析、数据分布和类别特征编码处理。3.根据权利要求1所述的一种针对B2B平台用户的会员流失预警方法，其特征在于，所述保留数据原始属性的特征筛选方法包括方差分析、相关系数法、卡方检验法、信息熵、基尼系数、过滤法和嵌入法。4.根据权利要求1所述的一种针对B2B平台用户的会员流失预警方法，其特征在于，从业务完整度层面进行特征筛选具体为：筛选预先设定的重要特征；从数据质量层面进行特征筛选具体为：在特征筛选过程中，结合方差、标准差、数据缺失程度、特征相关性及通过集成算法训练筛选相结合的方式进行。5.根据权利要求4所述的一种针对B2B平台用户的会员流失预警方法，其特征在于，所述重要特征包括：账户信息、采购数据、负面信息、采购偏好、行为数据、违约数据、工商财经数据、时长行情数据和天气季节数据。6.根据权利要求1所述的一种针对B2B平台用户的会员流失预警方法，其特征在于...

【专利技术属性】
技术研发人员：程夏莹，文扬，王来，黄天立，王汇丰，宋希，盛颖涵，朱彭生，万仕龙，
申请(专利权)人：欧冶云商股份有限公司，
类型：发明
国别省市：