一种应用软件客户粘性评价方法及装置制造方法及图纸

本文涉及人工智能领域，提供了一种应用软件客户粘性评价方法及装置，方法包括：收集待分析客户对应用软件的使用因子信息，其中，所述使用因子信息包括：应用软件的使用频度信息、应用软件的交易熵信息及应用软件的营销信息；根据所述使用因子信息及预先建立的客户粘性评价模型，预测得到所述待分析客户的粘性评价等级；其中，客户粘性评价模型通过历史客户对应用软件的使用因子信息及预先标注的客户的粘性评价等级训练得到。本文能够使得客户粘性评价模型学习到应用软件使用频度、交易熵、营销与客户粘性间复杂的非线性关系，利用训练得到客户粘性评价模型预测客户对应用软件的粘性评价指标等级，能够提高应用软件客户粘性评估精度及效率。评估精度及效率。评估精度及效率。

【技术实现步骤摘要】
一种应用软件客户粘性评价方法及装置


[0001]本文涉及人工智能领域，尤其涉及一种应用软件客户粘性评价方法及装置。

技术介绍

[0002]现有技术中，对于应用软件客户粘性评价指标有很多，评价维度丰富，包含使用时长、交易频度、交易量、营销活动参与度等等因素影响。上述影响因子与客户粘性度之间是一种较为复杂的非线性映射关系，要直接确定这种非线性关系并不简单，需要通过各种经验方法进行各因子权重的计算。现有评估方法存在评估不准确、评估经验化、无法预测未知样本等缺点。

技术实现思路

[0003]本文用于解决现有技术中应用软件客户粘性评价具有片面性、经验化及评价准确率低的问题。
[0004]为了解决上述技术问题，本文一方面提供一种应用软件客户粘性评价方法，包括：
[0005]收集待分析客户对应用软件的使用因子信息，其中，所述使用因子信息包括：应用软件的使用频度信息、应用软件的交易熵信息及应用软件的营销信息；
[0006]根据所述使用因子信息及预先建立的客户粘性评价模型，预测得到所述待分析客户的粘性评价等级；
[0007]其中，客户粘性评价模型根据历史客户对应用软件的使用因子信息及预先标注的客户的粘性评价等级。
[0008]作为本文进一步实施例中，收集待分析客户对应用软件的使用因子信息包括：
[0009]收集待分析客户对应用软件的使用因子相关的子因子信息；
[0010]对各使用因子相关的子因子信息进行加权求和处理，得到各使用因子信息。
[0011]作为本文进一步实施例中，应用软件的使用频度信息的子因子信息包括：每预定时间段的启动次数、每预定时间段的运行时长、每预定时间段的接收通知数量；
[0012]应用软件的交易熵信息的子因子信息包括：每预定时间段的交易量、每预定时间段的交易额、每预定时间段的交易对象量；
[0013]应用软件的营销信息的子因子信息包括：每预定时间段的参与营销活动量、每预定时间段的营销活动点击量、每预定时间段的分享营销活动量、每预定时间段的营销活动转换率。
[0014]作为本文进一步实施例中，各使用因子相关的子因子信息的权重确定过程包括：
[0015]获取历史客户对应用软件的每一使用因子相关的子因子信息：
[0016]对各子因子信息进行归一化处理；
[0017]对于每一子因子信息，执行如下计算：计算该子因子信息归一化后的数值分布规律；从该子因子的数值分布规律中筛选出分布数量大于预定值的数值；对筛选出的数值进行求平均处理，得到该子因子对应的代表数值；
[0018]根据各子因子的代表数值，计算各子因子的权重。作为本文进一步实施例中，所述客户粘性评价模型包括：输入层、RBF隐含层、BP隐含层及输出层；
[0019]所述输入层中各节点的输入为一使用因子信息；
[0020]所述RBF隐含层中每一节点的输入连接每一输入层的节点，所述RBF隐含层中每一节点的输出连接所述BP隐含层中每一节点的输入，所述BP隐含层中每一节点的输出连接输出层；
[0021]所述输出层的输出为各粘性评价指标等级的概率。
[0022]作为本文进一步实施例中，应用软件客户粘性评价方法还包括：
[0023]根据待分析客户的粘性评价等级，在用户应用软件中推送个性化页面；
[0024]根据客户对个性化页面的响应，调整待分析客户的粘性评价等级。
[0025]本文第二方面提供一种应用软件客户粘性评价装置，包括：
[0026]信息获取单元，用于收集待分析客户对应用软件的使用因子信息，其中，所述使用因子信息包括：应用软件的使用频度信息、应用软件的交易熵信息及应用软件的营销信息；
[0027]预测单元，用于根据所述使用因子信息及预先建立的客户粘性评价模型，预测得到所述待分析客户的粘性评价等级；
[0028]其中，客户粘性评价模型根据历史客户对应用软件的使用因子信息及预先标注的客户的粘性评价等级。
[0029]本文第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任一实施例所述方法。
[0030]本文第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据前述任一实施例所述方法的指令。
[0031]本文第五方面提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现前述任一实施例所述方法。
[0032]本文提供的应用软件客户粘性评价方法及装置，通过历史客户对应用软件的使用因子信息及预先标注的客户的粘性评价等级训练得到客户粘性评价模型，其中，应用软件的使用因子信息包括：应用软件的使用频度信息、应用软件的交易熵信息及应用软件的营销信息，能够使得客户粘性评价模型学习到应用软件使用频度、交易熵、营销与客户粘性间复杂的非线性关系，利用训练得到客户粘性评价模型预测客户对应用软件的粘性评价指标等级，能够提高应用软件客户粘性评估精度及效率。
[0033]为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0034]为了更清楚地说明本文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，下面描述中的附图仅仅是本文的一些实施例，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。
[0035]图1示出了本文实施例应用软件客户粘性评价系统的结构图；
[0036]图2示出了本文实施例应用软件客户粘性评价方法的一流程图；
[0037]图3示出了本文实施例子因子权重计算过程的流程图；
[0038]图4示出了本文实施例客户粘性评价模型的结构图；
[0039]图5示出了本文实施例客户粘性评价模型训练过程的流程图；
[0040]图6示出了本文实施例应用软件客户粘性评价方法的另一流程图；
[0041]图7示出了本文实施例应用软件客户粘性评价装置的结构图；
[0042]图8示出了本文实施例计算机设备的结构图。
[0043]附图符号说明：
[0044]110、数据库；
[0045]120、信息采集器；
[0046]130、服务器；
[0047]701、信息获取单元；
[0048]702、预测单元；
[0049]802、计算机设备；
[0050]804、处理器；
[0051]806、存储器；
[0052]808、驱动机构；
[0053]810、输入/输出模块；
[0054]812、输入设备；
[0055]814、输出设备；
[0056]816、呈现设备；
[0057]818、图形用户接口；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用软件客户粘性评价方法，其特征在于，包括：收集待分析客户对应用软件的使用因子信息，其中，所述使用因子信息包括：应用软件的使用频度信息、应用软件的交易熵信息及应用软件的营销信息；根据所述使用因子信息及预先建立的客户粘性评价模型，预测得到所述待分析客户的粘性评价等级；其中，客户粘性评价模型通过历史客户对应用软件的使用因子信息及预先标注的客户粘性评价等级训练得到。2.如权利要求1所述的方法，其特征在于，收集待分析客户对应用软件的使用因子信息包括：收集待分析客户对应用软件的使用因子相关的子因子信息；对各使用因子相关的子因子信息进行加权求和处理，得到各使用因子信息。3.如权利要求2所述的方法，其特征在于，应用软件的使用频度信息的子因子信息包括：每预定时间段的启动次数、每预定时间段的运行时长、每预定时间段的接收通知数量；应用软件的交易熵信息的子因子信息包括：每预定时间段的交易量、每预定时间段的交易额、每预定时间段的交易对象量；应用软件的营销信息的子因子信息包括：每预定时间段的参与营销活动量、每预定时间段的营销活动点击量、每预定时间段的分享营销活动量、每预定时间段的营销活动转换率。4.如权利要求2所述的方法，其特征在于，各使用因子相关的子因子信息的权重确定过程包括：获取历史客户对应用软件的每一使用因子相关的子因子信息：对各子因子信息进行归一化处理；对于每一子因子信息，执行如下计算：计算该子因子信息归一化后的数值分布规律；从该子因子的数值分布规律中筛选出分布数量大于预定值的数值；对筛选出的数值进行求平均处理，得到该子因子对应的代表数值；根据每一使用因子的各子因子的代表数值，计算各子因子...

【专利技术属性】
技术研发人员：达举东，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：