一种基于递归神经网络的客户流失预测方法技术

本发明专利技术公开了一种基于递归神经网络的客户流失预测方法，包括：(1)获取客户数据并对数据进行预处理；(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个T行特征构成的二维数据单元；(3)将所有用户的T行二维数据，构成模型的输入特征矩阵；(4)定义标签，构成被试数据；(5)构建混合递归神经网络，预测客户的流失；(6)将模型训练部分的客户数据经过步骤(1)‑(4)的处理后输入至所述混合递归神经网络中进行模型训练，得到混合递归神经网络模型；(7)采用混合递归神经网络模型对客户进行流失预测。本发明专利技术能够有效提高客户流失预测的准确率，同时减少客户历史数据特征工程的工作量。

【技术实现步骤摘要】
一种基于递归神经网络的客户流失预测方法
本专利技术涉及客户关系管理领域，尤其涉及一种基于递归神经网络的客户流失预测方法。
技术介绍
客户关系管理要求以客户为中心的企业文化来支持有效的市场营销、销售与服务流程，其最终目的是吸引新客户、保留旧客户以及将已有的客户转为忠实用户。研究表明，当前市场条件下，保留旧客户与挖掘新客户相比，前者能够带来更大的经济收益。近年来，人们通过利用机器学习方法来预测客户的流失，以提高企业的利润。深度学习是一种新型的机器学习方法，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)等深度学习结构已成功应用于计算机视觉、语音识别、自然语言处理等领域。深度神经网络相比较于浅层神经网络，多出的层次为模型提供了更高的抽象层次，提高了模型的预测能力。针对复杂多变的客户关系管理环境，如何利用新型的深度学习方法对客户的流失进行高效预测，是亟待解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于递归神经网络的客户流失预测方法。本专利技术能够提高客户流失预测的准确性。本专利技术本文档来自技高网...

【技术保护点】
1.一种基于递归神经网络的客户流失预测方法，其特征在于，具体步骤包括：(1)获取客户数据，对客户数据进行预处理；(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个由T行特征构成的二维数据单元

【技术特征摘要】
1.一种基于递归神经网络的客户流失预测方法，其特征在于，具体步骤包括：(1)获取客户数据，对客户数据进行预处理；(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个由T行特征构成的二维数据单元(3)将所有用户的T行二维数据依次纵向拼接起来，构成输入特征矩阵即客户数据矩阵；(4)根据数据提供者标注的客户是否为流失客户的信息来设置每个客户的标签取值；流失客户的标签设置为1，非流失客户的标签设置为0，得到标签数据与步骤(3)中的输入特征矩阵相结合构成被试数据；(5)构建混合递归神经网络，用于预测客户的流失；(6)将模型训练部分的客户数据，经过步骤(1)-(4)的处理，将得到的被试数据输入至所构建的混合递归神经网络中进行模型训练，获得混合卷积神经网络的参数，得到用于客户流失预测的混合递归神经网络模型；(7)将获得的客户数据依次进行步骤(1)-(3)的处理，将得到的客户数据矩阵输入到混合递归神经网络模型中进行客户流失预测。2.根据权利要求1所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述步骤(1)中的数据预处理包括数据清洗、缺失值填充、数值化和数据归一化处理；所述步骤(1)中的客户数据包括客户特征信息、产品特征信息、客户的产品或业务使用信息、客户的行为和反馈信息以及对应信息的采集时间。3.根据权利要求2所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述数据归一化处理采用max-min数据归一化法，具体计算公式为：其中，max表示数据归一化集合中的最大值，min表示数据归一化集合中的最小值，x表示数据归一化的当前值，x*表示数据归一化的归一化值。4.根据权利要求1所述的一种基于递归神经网络的客户流失预测方法，其特征在于，在所述步骤(4)中，只有被试数据中每个客户的第T行包含标签取值，而该客户对应的被试数据的其他行置为空；缺省地，标签取值为0表示非流失客户，标签取值为1表示流失客户。5.根...

【专利技术属性】
技术研发人员：胡金龙，庄懿，朱闰超，董守斌，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44