本說明書實施例公開了一種預測用戶流失的方法和裝置，主要包括：采用訪問用戶樣本集合中流失用戶樣本對目標產(chǎn)品的訪問活躍度，篩選出影響用戶流失行為的關(guān)鍵流失指標，其中，流失用戶樣本是基于流失用戶定義確定的；并根據(jù)訪問用戶樣本集合中每個訪問用戶樣本的與關(guān)鍵流失指標相關(guān)的數(shù)據(jù)及樣本標簽，采用預設(shè)機器學習算法建立用戶流失預測模型；基于用戶流失預測模型對目標產(chǎn)品的訪問用戶進行用戶流失預測。從而，可以提升目標產(chǎn)品用戶流失預測的準確性。

技術(shù)領(lǐng)域

本說明書涉及計算機軟件技術(shù)領(lǐng)域，尤其涉及一種預測用戶流失的方法和裝置。

背景技術(shù)

隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展，各種網(wǎng)站以及APP等網(wǎng)絡(luò)產(chǎn)品應用而生，以滿足不同用戶的體驗需求。

目前，這些網(wǎng)絡(luò)產(chǎn)品上線后，并不一定處于穩(wěn)定的運維狀態(tài)，或多或少會由于用戶流失而被迫下線。因此，定期及時的分析用戶流失情況成為產(chǎn)品運維的關(guān)鍵。

然而，現(xiàn)有的分析用戶流失行為的方案過于簡單，無法有效預測用戶流失行為，因此，亟需找到一種新的預測用戶流失的方案。

發(fā)明內(nèi)容

本說明書實施例的目的是提供一種預測用戶流失的方法和裝置，以有效提升用戶流失預測的準確性。

為解決上述技術(shù)問題，本說明書實施例是這樣實現(xiàn)的：

第一方面，提出了一種預測用戶流失的方法，包括：

獲取目標產(chǎn)品的訪問用戶樣本集合；

基于所述訪問用戶樣本集合中流失用戶樣本對所述目標產(chǎn)品的訪問活躍度，篩選出影響用戶流失行為的關(guān)鍵流失指標，其中，所述流失用戶樣本是基于流失用戶定義確定的；

根據(jù)所述訪問用戶樣本集合中每個訪問用戶樣本的與所述關(guān)鍵流失指標相關(guān)的數(shù)據(jù)及樣本標簽，采用預設(shè)機器學習算法建立用戶流失預測模型，其中，所述預設(shè)機器學習算法為用于分類和回歸的監(jiān)督式機器學習算法；

基于所述用戶流失預測模型對所述目標產(chǎn)品的訪問用戶進行用戶流失預測。

第二方面，提出了一種預測用戶流失的裝置，包括：

獲取模塊，用于獲取目標產(chǎn)品的訪問用戶樣本集合；

篩選模塊，用于基于所述訪問用戶樣本集合中流失用戶樣本對所述目標產(chǎn)品的訪問活躍度，篩選出影響用戶流失行為的關(guān)鍵流失指標，其中，所述流失用戶樣本是基于流失用戶定義確定的；

建立模塊，用于根據(jù)所述訪問用戶樣本集合中每個訪問用戶樣本的與所述關(guān)鍵流失指標相關(guān)的數(shù)據(jù)及樣本標簽，采用預設(shè)機器學習算法建立用戶流失預測模型，其中，所述預設(shè)機器學習算法為用于分類和回歸的監(jiān)督式機器學習算法；

預測模塊，用于基于所述用戶流失預測模型對所述目標產(chǎn)品的訪問用戶進行用戶流失預測。

第三方面，提出了一種電子設(shè)備，包括：

處理器；以及

被安排成存儲計算機可執(zhí)行指令的存儲器，所述可執(zhí)行指令在被執(zhí)行時使所述處理器執(zhí)行以下操作：

獲取目標產(chǎn)品的訪問用戶樣本集合；

基于所述訪問用戶樣本集合中流失用戶樣本對所述目標產(chǎn)品的訪問活躍度，篩選出影響用戶流失行為的關(guān)鍵流失指標，其中，所述流失用戶樣本是基于流失用戶定義確定的；

根據(jù)所述訪問用戶樣本集合中每個訪問用戶樣本的與所述關(guān)鍵流失指標相關(guān)的數(shù)據(jù)及樣本標簽，采用預設(shè)機器學習算法建立用戶流失預測模型，其中，所述預設(shè)機器學習算法為用于分類和回歸的監(jiān)督式機器學習算法；

基于所述用戶流失預測模型對所述目標產(chǎn)品的訪問用戶進行用戶流失預測。