一种经纪人离职预估系统及方法技术方案

本发明专利技术提供了一种经纪人离职预估系统及方法，系统包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。本发明专利技术提供的经纪人离职预估系统，能够自动对经纪人离职情况进行准确预估，省时省力，且可提供可解释的预估结果。

A brokers' departure prediction system and method

The invention provides a broker turnover prediction system and method, which comprises a candidate broker selection module, a feature engineering module, an algorithm prediction module and a model interpretation module, a candidate broker selection module for screening probation brokers and a transfer broker, and a feature engineering module for constructing a trial broker. The algorithm prediction module is used to provide the prediction scheme of multi-model decision-making and synthesize the prediction result of each model. The result generates the final prediction results; the model interpretation module is used to interpret the prediction results of each model and the final prediction results using LIME algorithm. The agent turnover prediction system provided by the invention can automatically predict the agent turnover situation accurately, save time and labor, and provide explanable prediction results.

【技术实现步骤摘要】
一种经纪人离职预估系统及方法
本专利技术涉及计算机
，具体涉及一种经纪人离职预估系统及方法。
技术介绍
经纪人作为整个二手房交易中重要环节，承担着连接业主与客户的核心角色。然而随着市场行情的波动，公司管理机制的调整，经纪人管理始终面临着招聘成本高，培养时间长，离职预估居高不下的问题。当前线下的人员管理方式仍较为传统，需要人工统计经纪人每月的房源、客源带看量和业绩收入，采用排名的方式筛选靠后的经纪人。这种处理方式面临三大问题：首先，数据维度单一。只能找到业绩较低的经纪人，而业绩低与市场行情相关，因此低业绩的经纪人并非全部计划离职。此外，经过线下调研发现，收入因素只占离职原因的一小部分，其他如门店的环境，对上级的满意度等等都影响着经纪人在职状态；其次，无法提供可解释原因。目前线下提供的高离职概率经纪人都是收入排名靠后的，当大区总监与经纪人沟通尝试保留经纪人时，无法提前制定针对该经纪人的保留方案。最后，人工成本较高，需要经过人工信息采集，数据核算，录入系统等步骤。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种经纪人离职预估系统及方法，本专利技术提供的经纪人离职预估系统，能够自动对经纪人离职情况进行准确预估，省时省力，且可提供可解释的预估结果。为实现上述目的，本专利技术提供以下技术方案：第一方面，本专利技术提供了一种经纪人离职预估系统，包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；其中，所述候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；所述特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；所述算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；其中，所述多模型包括XGBoost模型、LightGBM模型和RNN模型；具体地，所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的试用期经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对试用期经纪人的离职情况进行预估；所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的转正经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对转正经纪人的离职情况进行预估；所述模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。进一步地，所述特征工程模块在构建各种特征时，对缺失值进行处理，对异常值进行修复，并采用LOF算法与iForest算法检测数据中的离群点，以得到高质量的特征数据。进一步地，所述特征工程模块在构建各种特征时，还用于对离散类型的特征进行One-Hot特征编码，且对于皮尔逊系数高于预设阈值的相关特征进行特征交叉处理。进一步地，所述特征工程模块在构建各种特征时，还用于针对样本平衡问题，采用负样本欠采样与正样本过采样方法，以提升预估效果。进一步地，所述算法预估模块具体用于：分别采用XGBoost模型、LightGBM模型和RNN模型对经纪人进行离职预估得到预估结果后，将每个模型的预估结果分别乘以对应模型的权重系数，得到最终的预估结果；其中，对应每个模型的权重系数通过预先训练得到。进一步地，所述模型解释模块，用于将输入值在样本周围做预设大小的扰动，并观察各模型的预估行为，以及根据这些扰动的数据点距离原始数据的距离分配权重，进而学习得到一个可解释的模型和预估结果。进一步地，所述系统还包括：训练模块，用于采用带有不同离职概率标记的经纪人样本特征数据对所述算法预估模块中的多模型进行分别训练。进一步地，所述转正经纪人特征包括：违规记录、职级滞留、潜在业绩、作战小组、积分、保障底薪、税筹工资、博学考试和门店成本；所述试用期经纪人特征包括：基本特征、陪看特征、电话主动拨打、作战小组和积分体系。进一步地，所述市场特征包括：带看客源量、房屋挂牌量、房屋成交量、房屋成交均价和成交房屋平均挂牌时间；所述大区特征包括：报盘率、报盘成交率、市占率、丢盘率、三证完备率、业主资料完备率、规模效益、业主渗透率、客户渗透率和单边比；所述经纪人所在门店特征包括：门店经纪人数量、经纪人人均工龄、统招本科数量、门店成交均价、门店总业绩量、经纪人离职数、初级经纪人离职占比和门店单边比；所述经纪人基础特征包括：性别、年龄、婚姻、最高学历、家乡城市、毕业院校、首次入职日期、是否重入职、职位级别和职位类型；所述经纪人业绩特征包括：历史最高业绩、最高业绩距今天数、总业绩、总收入、单业绩最大值、单业绩最小值、单业绩平均值、业绩大区排名、收入大区排名和成交量；所述经纪人行为特征包括：IM客源量、400电话量、客源委托量、房源委托量、带看客源、带看房源、最多带看房源、最少带看房源、平均带看房源、平均带看时长、最大带看时长、最小带看时长、房源录入量、房源维护量、房源实勘量和房源钥匙量；所述展位特征包括：钻石展位电话量和钻石展位房源量。第二方面，本专利技术还提供了一种经纪人离职预估方法，该方法采用如第一方面所述的经纪人离职预估系统对经纪人进行离职预估。由上述技术方案可知，本专利技术通过大数据和机器学习相关技术搭建经纪人离职预估系统，实现对经纪人的离职风险自动评估，在节省线下人力成本的基础上，定期提供高离职概率经纪人名单与每个经纪人的离职因素，供线下管理参考，最终提升经纪人留存率，降低整体经纪人管理成本，延长经纪人的职业时间。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例提供的经纪人离职预估系统的结构示意图；图2是本专利技术一实施例提供的经纪人离职预估系统的整体架构示意图；图3是本专利技术一实施例提供的经纪人离职预估系统的数据交互示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术一实施例提供了一种经纪人离职预估系统，参见图1和图2，该系统包括：候选经纪人筛选模块10、特征工程模块20、算法预估模块30和模型解释模块40；其中，所述候选经纪人筛选模块10，用于将试用期经纪人和转正经纪人进行筛选；可以理解的是，所述候选经纪人筛选模块10，基于链家网数据库，筛选离职预估覆盖的经纪人范围，模型主要针对试用期经纪人与已转正经纪人两大类模块进行离职预估。试用期经纪人为刚入职链家地产，仍处于试用期的经纪人，目前试用期包括三个月试用期与六个月试用期两类，都属于试用期经纪人。转正经纪人为成功通过试用期，与链家地产签订劳务合同的转正经纪人。所述特征工程模块20，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征本文档来自技高网...

【技术保护点】
1.一种经纪人离职预估系统，其特征在于，包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；其中，所述候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；所述特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；所述算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；其中，所述多模型包括XGBoost模型、LightGBM模型和RNN模型；具体地，所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的试用期经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对试用期经纪人的离职情况进行预估；所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的转正经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对转正经纪人的离职情况进行预估；所述模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。

【技术特征摘要】
1.一种经纪人离职预估系统，其特征在于，包括：候选经纪人筛选模块、特征工程模块、算法预估模块和模型解释模块；其中，所述候选经纪人筛选模块，用于将试用期经纪人和转正经纪人进行筛选；所述特征工程模块，用于构建试用期经纪人特征、转正经纪人特征、市场特征、大区特征、经纪人所在门店特征、经纪人基础特征、经纪人业绩特征、经纪人行为特征和展位特征；所述算法预估模块，用于提供多模型共同决策的预估方案，综合每个模型的预估结果生成最终的预估结果；其中，所述多模型包括XGBoost模型、LightGBM模型和RNN模型；具体地，所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的试用期经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对试用期经纪人的离职情况进行预估；所述XGBoost模型、LightGBM模型和RNN模型，分别用于根据输入的转正经纪人特征、市场特征、大区特征、门店特征、基础特征、业绩特征、行为特征和展位特征对转正经纪人的离职情况进行预估；所述模型解释模块，用于采用LIME算法解释各模型的预估结果以及最终的预估结果。2.根据权利要求1所述的系统，其特征在于，所述特征工程模块在构建各种特征时，对缺失值进行处理，对异常值进行修复，并采用LOF算法与iForest算法检测数据中的离群点，以得到高质量的特征数据。3.根据权利要求1所述的系统，其特征在于，所述特征工程模块在构建各种特征时，还用于对离散类型的特征进行One-Hot特征编码，且对于皮尔逊系数高于预设阈值的相关特征进行特征交叉处理。4.根据权利要求1所述的系统，其特征在于，所述特征工程模块在构建各种特征时，还用于针对样本平衡问题，采用负样本欠采样与正样本过采样方法，以提升预估效果。5.根据权利要求1所述的系统，其特征在于，所述算法预估模块具体用于：分别采用XGBoost模型、LightGBM模型和RNN模型对经纪人进行离职预估得到预估结果后，将每个模型的预估结果分别乘以对应模型的权重系数，得到最终的预...

【专利技术属性】
技术研发人员：杨也康，侯晏龙，蔡白银，
申请(专利权)人：链家网北京科技有限公司，
类型：发明
国别省市：北京,11