客户粘性评价方法、装置、电子设备及存储介质与流程

1.本发明涉及大数据和机器学习技术领域，特别是涉及一种客户粘性评价方法、装置、电子设备及存储介质。


背景技术：

2.随着客户经营的数字化转型深入推进，需要针对客户粘性进行定量的评价，然后根据不同粘性的客户采取不同的营销服务策略。
3.现有的针对客户粘性进行评价的方法主要采用美国个人信用评级法(fico)。具体为，确定判断客户粘性的5个指标以及5个指标各自对应的权重，分别为偿还历史(35％)、信用账户数(30％)、使用信用的年限(15％)、新开立的信用账户(10％)以及正在使用的信用类型(10％)，再把各个指标分成若干个档次以及各个档次的得分，然后计算每个指标的加权，最后得到客户粘性的总得分。
4.然而，在应用美国个人信用评级法的过程中，由于各指标对应的权重是固定不变的，再把各个指标分成若干个档次以及各个档次的得分时会存在指标本身所包含的信息量丢失的问题。


技术实现要素：

5.鉴于上述问题，本发明提供了一种客户粘性评价方法、装置、电子设备及存储介质，能够通过对评价指标进行数据处理得到评价指标包含的信息量，解决了现有技术中存在的评价指标本身所包含的信息量丢失的技术问题。
6.依据本发明的第一方面，提供了一种客户粘性评价方法，该方法包括以下步骤：
7.根据预先构建的评价指标体系，获取评价指标；
8.将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；
9.将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；
10.根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；
11.根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。
12.可选地，所述在根据预先构建的指标体系，获取评价指标之前，还包括：
13.获取样本，其中，所述样本包括目标客户和所述目标客户对应的评价指标；
14.根据所述样本进行设置标签，生成样本标签，其中，所述样本标签包括正样本标签和负样本标签；
15.根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系。
16.可选地，所述根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系，包括：
17.将所述样本标签相关的指标，进行初步地指标划分，得到候选的评价指标体系；
18.根据所述候选的评价指标体系中包括的评价指标，分别进行异常数据处理和标准化处理，得到预先构建的评价指标体系。
19.可选地，所述将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量，包括：
20.根据所述评价指标进行特征熵处理，得到所述评价指标对应的特征熵；
21.根据所述评价指标对应的特征熵进行权重处理，生成所述评价指标对应的权重。
22.可选地，所述将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标，包括：
23.根据所述评价指标，进行数据分箱处理，得到所述评价指标对应的分箱值；
24.将所述评价指标对应的分箱值和所述评价指标进行替换，并构建多元线性回归模型；
25.根据所述多元线性回归模型，获取所述评价指标与目标客户之间的关键指标。
26.可选地，所述根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型，包括：
27.根据所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行关键参数处理，得到基准分和调节因子；
28.根据所述基准分、所述调节因子、所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行模型构建，得到客户粘性评分模型。
29.可选地，所述根据所述客户粘性评分模型对所述目标客户进行客户粘性评价，包括：
30.根据所述客户粘性评分模型确定所述评价指标的参数，其中，所述评价指标的参数包括调节因子、权重、分箱值以及关键指标；
31.根据所述评价指标的参数，得到所述目标客户的评分卡；
32.根据所述目标客户的评分卡对所述目标客户进行客户粘性评价。
33.根据本发明的第二方面，提供了一种客户粘性评价装置，该装置包括：
34.评价指标获取模块，用于根据预先构建的评价指标体系，获取评价指标；
35.第一数据处理模块，用于将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；
36.第二数据处理模块，用于将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；
37.客户粘性评分模型构建模块，用于根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；
38.客户粘性评价模块，用于根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。
39.可选地，所述装置还包括：
40.样本获取模块，用于获取样本，其中，所述样本包括目标客户和所述目标客户对应的评价指标；
41.标签设置模块，用于根据所述样本进行设置标签，生成样本标签，其中，所述样本
标签包括正样本标签和负样本标签；
42.评价指标体系构建模块，用于根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系。
43.可选地，所述评价指标体系构建模块，包括：
44.指标划分子模块，用于将所述样本标签相关的指标，进行初步地指标划分，得到候选的评价指标体系；
45.评价指标体系构建子模块，用于根据所述候选的评价指标体系中包括的评价指标，分别进行异常数据处理和标准化处理，得到预先构建的评价指标体系。
46.可选地，所述第一数据处理模块，包括：
47.特征熵计算子模块，用于根据所述评价指标进行特征熵处理，得到所述评价指标对应的特征熵；
48.权重计算子模块，用于根据所述评价指标对应的特征熵进行权重处理，生成所述评价指标对应的权重。
49.可选地，所述第二数据处理模块，包括：
50.数据分箱处理子模块，用于根据所述评价指标，进行数据分箱处理，得到所述评价指标对应的分箱值；
51.多元线性回归模型构建子模块，用于将所述评价指标对应的分箱值和所述评价指标进行替换，并构建多元线性回归模型；
52.关键指标获取子模块，用于根据所述多元线性回归模型，获取所述评价指标与目标客户之间的关键指标。
53.可选地，所述客户粘性评分模型构建模块，包括：
54.关键参数获取子模块，用于根据所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行关键参数处理，得到基准分和调节因子；
55.客户粘性评分模型构建子模块，用于根据所述基准分、所述调节因子、所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行模型构建，得到客户粘性评分模型。
56.可选地，所述客户粘性评价模块，包括：
57.评价指标的参数获取子模块，用于根据所述客户粘性评分模型确定所述评价指标的参数，其中，所述评价指标的参数包括调节因子、权重、分箱值以及关键指标；
58.目标客户的评分卡获取子模块，用于根据所述评价指标的参数，得到所述目标客户的评分卡；
59.客户粘性评价子模块，用于根据所述目标客户的评分卡对所述目标客户进行客户粘性评价。
60.根据本公开实施例的第三方面，提供一种电子设备，包括：
61.处理器；
62.用于存储所述处理器可执行指令的存储器；
63.其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的客户粘性评价方法。
64.根据本发明的第四方面，提供一种计算机存储介质，当所述计算机存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的客户粘性评价方法。
65.本发明的实施例提供的技术方案可以包括以下有益效果：
66.本发明的实施例可以根据预先构建的评价指标体系，获取评价指标；将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。本发明通过对评价指标进行数据处理得到评价指标包含的信息量，解决了现有技术中存在的评价指标本身所包含的信息量丢失的技术问题。本发明通过构建客户粘性评分模型对目标客户的客户粘性进行评价，减少了基于专家经验评判所需的繁杂评价过程，使得客户粘性的评价过程更加简单。
67.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
68.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
69.图1是根据一示例性实施例示出的一种客户粘性评价方法的流程图；
70.图2是根据一示例性实施例示出的另一种客户粘性评价方法的流程图；
71.图3是图2所示的根据一示例性实施例示出的另一种客户粘性评价方法的流程图中步骤203的流程图；
72.图4是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤102的流程图；
73.图5是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤103的流程图；
74.图6是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤104的流程图；
75.图7是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤105的流程图；
76.图8是根据一示例性实施例示出的一种客户粘性评价装置的装置框图；
77.图9是根据一示例性实施例示出的另一种客户粘性评价装置的装置框图；
78.图10是图9所示的根据一示例性实施例示出的另一种客户粘性评价的装置框图中评价指标体系构建模块903的装置框图；
79.图11是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中第一数据处理模块802的装置框图；
80.图12是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中第
二数据处理模块803的装置框图；
81.图13是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中客户粘性评分模型构建模块804的装置框图；
82.图14是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中客户粘性评价模块805的装置框图；
83.图15是图3所示的根据一示例性实施例示出的另一种客户粘性评价方法的流程图中步骤203的流程图中一种评价指标体系的示意图。
具体实施方式
84.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
85.本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
86.本发明提供的技术方案能够应用于5g数字化运营双重项目中，不仅适用于对客户粘性进行评价的场景中，也可适用于对用户信用度进行评价及其他评价场景中，适用范围较广泛。
87.下面结合附图，通过具体的实施例及其应用场景对本发明实施例提供的一种客户粘性评价方法、装置、电子设备及存储介质进行详细地说明。
88.本发明的第一实施方式涉及一种客户粘性评价方法，其流程图如图1所示，包括：
89.步骤101，根据预先构建的评价指标体系，获取评价指标。
90.需要说明的是，在本发明实施例中，从步骤302构建的评价指标体系中获取评价指标，评价指标体系的构建过程详见步骤301-302。
91.进一步地，在本发明实施例中，图2是根据一示例性实施例示出的另一种客户粘性评价方法的流程图，如图2所示，在步骤101之前还可以包括以下步骤。
92.步骤201，获取样本，其中，所述样本包括目标客户和所述目标客户对应的评价指标。
93.需要说明的是，在本发明实施例中，首先需要样本，样本包括目标客户和目标客户对应的评价指标。例如：用户1，与用户1对应的评价指标包括但不限于：用户1的年龄数据、用户1的套餐月均消费数据、用户1的终端时长数据、用户1的天翼云vr流量数据、用户1的近半年咨询次数数据共同组成一个样本，即样本1。
94.步骤202，根据所述样本进行设置标签，生成样本标签，其中，所述样本标签包括正样本标签和负样本标签。
95.需要说明的是，在本发明实施例中，根据样本进行打标签，得到样本标签，样本标
签包括正样本标签和负样本标签。例如：针对步骤101中的样本1，也即用户1，与用户1对应的评价指标包括但不限于：用户1的年龄数据、用户1的套餐月均消费数据、用户1的终端时长数据、用户1的天翼云vr流量数据、用户1的近半年咨询次数数据进行打标签，将样本1打上1的标签，1代表着样本1是正样本；针对样本2，也即用户2，与用户2对应的评价指标包括但不限于：用户2的年龄数据、用户2的套餐月均消费数据、用户2的终端时长数据、用户2的天翼云vr流量数据、用户2的近半年咨询次数数据进行打标签，将样本2打上0的标签，0代表着样本2是负样本。本发明对用于打标签的具体样本和打标签的具体形式不作具体限定。
96.步骤203，根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系。
97.需要说明的是，在本发明实施例中，根据与样本标签相关的指标，例如：针对用户1来说，指标是年龄、套餐月均消费、终端时长、天翼云vr流量、近半年咨询次数；进行指标划分，生成预先构建的评价指标体系。
98.进一步地，在本发明实施例中，图3是图2所示的根据一示例性实施例示出的另一种客户粘性评价方法的流程图中步骤203的流程图，如图3所示，步骤203可以包括以下步骤。
99.步骤301，将所述样本标签相关的指标，进行初步地指标划分，得到候选的评价指标体系。
100.需要说明的是，在本发明实施例中，将样本标签相关的指标，进行初步地指标划分，得到候选的评价指标体系。具体地，如图15所示，经过初步地指标划分得到的候选的评价指标体系中包括若干指标大类，每一个指标大类对应若干指标。例如：指标大类1为基础信息，指标大类1对应的指标包括但不限于年龄、性别、客户星级、靓号等级、家庭人口数；指标大类2为套餐信息，指标大类2对应的指标包括但不限于套餐价值量、套餐流量饱和度、套餐语音使用、套餐月均消费；指标大类3为终端信息，指标大类3对应的指标包括但不限于是否为5g终端、终端品牌、终端价格、终端时长、是否办理智能组网、是否办理天翼看家；指标大类4为服务感知信息，指标大类4对应的指标包括但不限于近半年资费投诉次数、是否有宽带测试、近半年咨询次数、预估客户满意度。
101.步骤302，根据所述候选的评价指标体系中包括的评价指标，分别进行异常数据处理和标准化处理，得到预先构建的评价指标体系。
102.需要说明的是，在本发明实施例中，根据候选的评价指标体系中包括的评价指标，分别进行异常数据处理和标准化处理，得到预先构建的评价指标体系。具体地，首先根据样本可得到评价指标；例如：针对用户1来说，用户1对应的评价指标包括但不限于：用户1的年龄20岁、用户1的套餐月均消费100元、用户1的终端时长8小时、用户1的天翼云vr流量20g、用户1的近半年咨询次数6次。
103.其次，评价指标在采集过程中难免会由于采集方法的不健全，例如：手工填报或者人为的干预，导致采集到的评价指标存在异常，因此在进行特征熵计算和权重计算之前，需要对存在异常的评价指标进行处理；同时，因为参加评估的评价指标很多，且各评价指标存在量纲不一致，例如收入单位为元，而发展量单位为户，因此需要对评价指标进行标准化处理，使各评价指标的量纲保持一致。具体地，对存在异常的评价指标进行处理，可根据以下的方式去实现：1、将存在异常的评价指标作为空值进行处理。(1)忽略整条数据记录；(2)使
用一个全局变量填充空缺值；(3)使用属性的平均值填充空缺值；(4)使用最可能的值填充空缺值。2、将存在异常的评价指标利用分位数法进行处理，具体为：排序后取上下5％分位数的值，为上下限极值。3、将存在异常的评价指标利用标准差法进行处理，具体为：取正负3西格玛为该维度的上下限极值。对评价指标进行标准化处理，可根据以下的方式去实现：1、针对正向指标，例如：收入、发展量、时序进度等，可通过公式1进行计算；2、针对负向指标，例如：风险问题、安全问题等，可通过公式2进行计算。需要说明的是，在公式1和公式2中，i指的是第几个用户，j指的是第几个评价指标，a
ij
指的是第i个用户的第j个评价指标，max{a
ij
}指的是所有用户的第j个评价指标的最大值，min{a
ij
}指的是所有用户的第j个评价指标的最小值，r
ij
是指a
ij
经过标准化处理后的结果。
[0104][0105][0106]
步骤102，将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量。
[0107]
进一步地，在本发明实施例中，图4是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤102的流程图，如图4所示，步骤102可以包括以下步骤。
[0108]
步骤401，根据所述评价指标进行特征熵处理，得到所述评价指标对应的特征熵。
[0109]
步骤402，根据所述评价指标对应的特征熵进行权重处理，生成所述评价指标对应的权重。
[0110]
在信息论中，信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响(权重)越大，其熵值越小。
[0111]
需要说明的是，在本发明实施例中，对评价指标进行特征熵计算，得到该评价指标对应的特征熵。具体地，根据抽取数据矩阵a(如公式3所示)可获取x
ij
，x
ij
为第i个用户第j个评价指标的数值，其中，抽取数据矩阵中行代表着用户，n行代表着n个用户；列代表着指标，m列代表着第m个评价指标。根据获取到的x
ij
，通过公式4进行计算，能够得到p
ij
，p
ij
指的是第i个用户第j个指标的权重。根据通过公式4计算得到的p
ij
，利用公式5进行计算，得到ej，ej为第j项评价指标的特征熵值，其中，k》0,ln为自然对数，ej≥0，常数k与评价指标数量m有关，一般令k＝1/ln
m,
则0≤e≤1；
[0112][0113]
(4)
[0114][0115]
根据上述计算得到的评价指标的特征熵值进行权重计算，得到该评价指标对应的
权重。具体地，根据计算得到的ej，利用公式6进行计算，得到第j项评价指标的差异系数，也即gi；根据计算得到的gi，利用公式7进行计算，得到第j项评价指标的权重，也即wj。
[0116]gj
＝1-ejꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0117][0118]
步骤103，将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标。
[0119]
进一步地，在本发明实施例中，图5是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤103的流程图，如图5所示，步骤103可以包括以下步骤。
[0120]
步骤501，根据所述评价指标，进行数据分箱处理，得到所述评价指标对应的分箱值。
[0121]
步骤502，将所述评价指标对应的分箱值和所述评价指标进行替换，并构建多元线性回归模型。
[0122]
步骤503，根据所述多元线性回归模型，获取所述评价指标与目标客户之间的关键指标。
[0123]
需要说明的是，在本发明实施例中，在构建多元线性回归模型时，首先需要对评价指标完成数据分箱，数据分箱大致有3个原则：1、分箱的个数不能过少也不能过多，分箱的个数过多达不到分箱效果，分箱的个数过少区分度不高；2、保证各个区间的指标数据尽可能均衡；3、分箱应该尽可能的体现出目标变量的变化趋势。在本发明实施例中优选地采用woe分箱，本发明对采用数据分箱的方法不做具体限定。
[0124]
在对评价指标完成woe分箱的情况下，可通过公式8进行计算，判断评价指标的分箱是否合理，其中，woe值与分箱的个数保持一致，也即与分箱的类别数一致；正向类别占比为在某一分箱类别中，样本标签为正样本的数量；负向类别占比为在某一分箱类别中，样本标签为负样本的数量。
[0125][0126]
将评价指标均替换为计算得到的每种分箱类别对应的woe值，并构建多元线性回归模型，如表1所示。
[0127]
表1
[0128][0129]
根据表1所示的多元线性回归模型，获取评价指标与目标客户之间的关键指标，其中，关键指标包括评价指标对应的β系数、评价指标与目标客户之间的α系数、显著性系数以及vif系数。在同时满足以下两个条件的情况下，才能够保留多元线性回归模型的关键指标和常数项。1、显著性系数均小于0.05，说明评价指标和目标客户之间相关性较强；2、vif系数均小于10，说明评价指标之间不存在共线性，可以进行多元线性回归分析。
[0130]
步骤104，根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型。
[0131]
进一步地，在本发明实施例中，图6是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤104的流程图，如图6所示，步骤104可以包括以下步骤。
[0132]
步骤601，根据所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行关键参数处理，得到基准分和调节因子。
[0133]
需要说明的是，在本发明实施例中，根据评价指标对应的权重、评价指标与目标客户之间的关键指标以及评价指标对应的分箱值，进行关键参数处理，能够得到基准分(basescore)和调节因子(factor)。具体地，假定需要客户粘性评分的区间在350-850之间，根据已经确定的评价指标对应的权重w和评价指标对应的关键指标β可知，客户粘性评分变化的区间主要控制在woe、basescore和factor三个参数中，满足每个评价指标在取最小woe值时等于最低(minscore)，同时每项woe极差所计算出来分值等于评分区间(maxscore-minscore)，
[0134]
因此需满足公式9和公式10，其中，i指的是第i个评价指标，n指的是评价指标的总数，将公式9和公式10进行联立，即可得到基准分(basescore)，如公式12所示；以及调节因子(factor)，如公式11所示。
[0135][0136]
[0137][0138][0139]
步骤602，根据所述基准分、所述调节因子、所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行模型构建，得到客户粘性评分模型。
[0140]
需要说明的是，在本发明实施例中，根据步骤601计算得到的基准分、调节因子以及已经确定的评价指标对应的权重、评价指标与目标客户之间的关键指标以及评价指标对应的分箱值，进行模型构建，得到客户粘性评分模型。具体地，客户粘性评分模型如公式13所示，其中，score：客户粘性评分，为客户基准分和各特征分累加之和；basescore：客户基准分，每个客户初始分值相同，起到控制得分区间的作用；w：权重，每个评价指标基于特征熵计算出来的权重，反应评价指标本身所包含的信息量；β：关键指标，多元线性回归模型中评价指标和目标客户之间的关键指标，反应评价指标与目标客户之间的相关性；woe：评价指标所对应的woe值，离散化后的评价指标对数据有很强的鲁棒性，采用离散后的woe值能体现与目标客户的变化趋势；factor：调节因子，可以将整体客户粘性评分控制在预定的区间。
[0141][0142]
步骤105，根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。
[0143]
进一步地，在本发明实施例中，图7是图1所示的根据一示例性实施例示出的一种客户粘性评价方法的流程图中步骤105的流程图，如图7所示，步骤105可以包括以下步骤。
[0144]
步骤701，根据所述客户粘性评分模型确定所述评价指标的参数，其中，所述评价指标的参数包括调节因子、权重、分箱值以及关键指标。
[0145]
步骤702，根据所述评价指标的参数，得到所述目标客户的评分卡。
[0146]
需要说明的是，在本发明实施例中，根据客户粘性评分模型确定评价指标的参数，其中，评价指标的参数包括调节因子、权重、分箱值以及关键指标。具体地，根据步骤602构建的客户粘性评分模型，能够确定评价指标对应的调节因子(factor)、woe值、关键指标β、权重w，通过公式14，可计算得到每个评价指标对应的得分，进而能够输出目标客户的客户粘性的评分卡，实现了可直观展现每个评价指标评分的过程，如表2-表8所示，需要说明的是，本发明对评分卡中具体的内容以及评分卡的形式不作具体限定。
[0147]
factor*w*β*woe
ꢀꢀ
(14)
[0148]
表2
[0149]
产品结构评分itv+固话+宽带+移动15itv+固话+移动1itv+宽带+移动5itv+移动-12固话+宽带+移动-1固话+移动-3宽带+移动-2
[0150]
表3
[0151]
活跃4g数评分0-721-142313684805102
[0152]
表4
[0153]
套餐类型评分互联网卡套餐-36抖音卡单品-36大流量套餐-33c+wifi-23乐享-19飞young-19其他-16畅享单产品-18大流量套餐+宽带-16自主版-11爱家自主版-10大众卡-9单c-7爱家双百兆-5爱家一体化-5乡情网-4
[0154]
表5
[0155]
城乡评分乡村0县城0市区0未知-1集镇0
[0156]
表6
[0157]
账户余额评分(-inf，15.0]-48(15.0，23.0]-9(23.0，29.0]8
(29.0，35.0]15(35.0，45.0]18(45.0，55.0]10(55.0，69.0]15(69.0，inf]14
[0158]
表7
[0159]
欠费次数评分(-inf，0.0]4(0.0，1.0]-37(1.0，-inf]-42
[0160]
表8
[0161]
欠费金额评分(-inf，0.0]1(0.0，60.0]-10(60.0，inf]-12
[0162]
步骤703，根据所述目标客户的评分卡对所述目标客户进行客户粘性评价。
[0163]
需要说明的是，在本发明实施例中，根据目标客户的评分卡对目标客户进行客户粘性评价。具体地，客户粘性评分越高客户粘性越强；反之，客户粘性评分越低客户粘性越低。因此，本发明能够根据客户粘性评分的高低，针对不同粘性评分的目标客户采取不同的营销服务策略，例如：中等粘性客户，寻找提升路径，提高客户价值；高粘性客户以服务关注避免过营销打扰，从而提升感知分过程。例如：如表9所示，表1为用户1的粘性评分，针对用户1的粘性评分可评价该用户1的粘性为中等粘性。
[0164]
表9用户1的粘性评分示意图
[0165][0166]
针对用户1的粘性评分，可采取以下的营销服务策略以此来提高用户1的粘性。如表10所示，在连接层采取加装副卡，可增加粘性评分11分；在智能终端层，新装智家产品，可增加粘性评分23分；在应用权益层，办理优品包，可增加粘性评分18分。
[0167]
表10提升用户1的粘性评分的方式示意图
[0168]
连接层加装副卡，可增加11分智能终端层新装智家产品，可增加23分
应用权益层办理优品包，可增加18分
[0169]
本发明实施例提供了一种客户粘性评价方法，该方法包括：根据预先构建的评价指标体系，获取评价指标；将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。本发明通过对评价指标进行数据处理得到评价指标包含的信息量，解决了现有技术中存在的评价指标本身所包含的信息量丢失的技术问题。本发明通过构建客户粘性评分模型对目标客户的客户粘性进行评价，减少了基于专家经验评判所需的繁杂评价过程，使得客户粘性的评价过程更加简单。本发明在构建客户粘性评分模型时，通过引入调节因子和特征熵，达到了使客户粘性评分能够控制在合理的范围内的技术效果。本发明在构建客户粘性评分模型时，通过引入权重，达到了避免评价指标本身所包含的信息量丢失的技术效果。本发明通过直接输出每个评价指标的评分，进而输出与目标客户对应的所有评价指标评分相关的评分卡，实现了可直观展现评分的过程，达到了可解释性强的技术效果。
[0170]
本发明的第二实施方式涉及一种客户粘性评价装置，其装置框图如图8所示，该装置框图包括评价指标获取模块801、第一数据处理模块802、第二数据处理模块803、客户粘性评分模型构建模块804、客户粘性评价模块805。
[0171]
评价指标获取模块801，用于根据预先构建的评价指标体系，获取评价指标。
[0172]
第一数据处理模块802，用于将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量。
[0173]
第二数据处理模块803，用于将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标。
[0174]
客户粘性评分模型构建模块804，用于根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型。
[0175]
客户粘性评价模块805，用于根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。
[0176]
可选地，图9是根据一示例性实施例示出的另一种客户粘性评价装置的装置框图。参照图9，该装置框图包括样本获取模块901、标签设置模块902、评价指标体系构建模块903。
[0177]
样本获取模块901，用于获取样本，其中，所述样本包括若干目标客户。
[0178]
标签设置模块902，用于根据所述样本进行设置标签，生成样本标签，其中，所述样本标签包括正样本标签和负样本标签。
[0179]
评价指标体系构建模块903，用于根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系。
[0180]
可选地，图10是图9所示的根据一示例性实施例示出的另一种客户粘性评价的装置框图中评价指标体系构建模块903的装置框图，该装置框图包括指标划分子模块1001、评价指标体系构建子模块1002。
[0181]
指标划分子模块1001，用于将所述样本标签相关的指标，进行初步地指标划分，得到候选的评价指标体系。
[0182]
评价指标体系构建子模块1002，用于根据所述候选的评价指标体系中包括的评价指标，分别进行异常数据处理和标准化处理，得到预先构建的评价指标体系。
[0183]
可选地，图11是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中第一数据处理模块802的装置框图，该装置框图包括特征熵计算子模块1101、权重计算子模块1102。
[0184]
特征熵计算子模块1101，用于根据所述评价指标进行特征熵处理，得到所述评价指标对应的特征熵。
[0185]
权重计算子模块1102，用于根据所述评价指标对应的特征熵进行权重处理，生成所述评价指标对应的权重。
[0186]
可选地，图12是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中第二数据处理模块803的装置框图，该装置框图包括数据分箱处理子模块1201、多元线性回归模型构建子模块1202、关键指标获取子模块1203。
[0187]
数据分箱处理子模块1201，用于根据所述评价指标，进行数据分箱处理，得到所述评价指标对应的分箱值。
[0188]
多元线性回归模型构建子模块1202，用于将所述评价指标对应的分箱值和所述评价指标进行替换，并构建多元线性回归模型。
[0189]
关键指标获取子模块1203，用于根据所述多元线性回归模型，获取所述评价指标与目标客户之间的关键指标。
[0190]
可选地，图13是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中客户粘性评分模型构建模块804的装置框图，该装置框图包括关键参数获取子模块1301、客户粘性评分模型构建子模块1302。
[0191]
关键参数获取子模块1301，用于根据所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行关键参数处理，得到基准分和调节因子。
[0192]
客户粘性评分模型构建子模块1302，用于根据所述基准分、所述调节因子、所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行模型构建，得到客户粘性评分模型。
[0193]
可选地，图14是图1所示的根据一示例性实施例示出的一种客户粘性评价的装置框图中客户粘性评价模块805的装置框图，该装置框图包括评价指标的参数获取子模块1401、目标客户的评分卡获取子模块1402、客户粘性评价子模块1403。
[0194]
评价指标的参数获取子模块1401，用于根据所述客户粘性评分模型确定所述评价指标的参数，其中，所述评价指标的参数包括调节因子、权重、分箱值以及关键指标。
[0195]
目标客户的评分卡获取子模块1402，用于根据所述评价指标的参数，得到所述目标客户的评分卡。
[0196]
客户粘性评价子模块1403，用于根据所述目标客户的评分卡对所述目标客户进行客户粘性评价。
[0197]
本发明实施例提供的一种客户粘性评价装置，通过根据预先构建的评价指标体系，获取评价指标；将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；根据
所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。本发明通过对评价指标进行数据处理得到评价指标包含的信息量，解决了现有技术中存在的评价指标本身所包含的信息量丢失的技术问题。本发明通过构建客户粘性评分模型对目标客户的客户粘性进行评价，减少了基于专家经验评判所需的繁杂评价过程，使得客户粘性的评价过程更加简单。本发明在构建客户粘性评分模型时，通过引入调节因子和特征熵，达到了使客户粘性评分能够控制在合理的范围内的技术效果。本发明在构建客户粘性评分模型时，通过引入权重，达到了避免评价指标本身所包含的信息量丢失的技术效果。本发明通过直接输出每个评价指标的评分，进而输出与目标客户对应的所有评价指标评分相关的评分卡，实现了可直观展现评分的过程，达到了可解释性强的技术效果。
[0198]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
[0199]
本发明的第三实施方式涉及一种电子设备，该电子装置包括：
[0200]
处理器；
[0201]
用于存储所述处理器可执行指令的存储器；
[0202]
其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的客户粘性评价方法。
[0203]
本发明的第四实施方式，提供一种计算机存储介质，当所述计算机存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的客户粘性评价方法。
[0204]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0205]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0206]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

技术特征：
1.一种客户粘性评价方法，其特征在于，所述方法包括：根据预先构建的评价指标体系，获取评价指标；将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。2.根据权利要求1所述的方法，其特征在于，所述在根据预先构建的评价指标体系，获取评价指标之前，还包括：获取样本，其中，所述样本包括目标客户和所述目标客户对应的评价指标；根据所述样本进行设置标签，生成样本标签，其中，所述样本标签包括正样本标签和负样本标签；根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系。3.根据权利要求2所述的方法，其特征在于，所述根据与所述样本标签相关的指标，进行指标划分，生成预先构建的评价指标体系，包括：将所述样本标签相关的指标，进行初步地指标划分，得到候选的评价指标体系；根据所述候选的评价指标体系中包括的评价指标，分别进行异常数据处理和标准化处理，得到预先构建的评价指标体系。4.根据权利要求1所述的方法，其特征在于，所述将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量，包括：根据所述评价指标进行特征熵处理，得到所述评价指标对应的特征熵；根据所述评价指标对应的特征熵进行权重处理，生成所述评价指标对应的权重。5.根据权利要求1所述的方法，其特征在于，所述将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标，包括：根据所述评价指标，进行数据分箱处理，得到所述评价指标对应的分箱值；将所述评价指标对应的分箱值和所述评价指标进行替换，并构建多元线性回归模型；根据所述多元线性回归模型，获取所述评价指标与目标客户之间的关键指标。6.根据权利要求1所述的方法，其特征在于，所述根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型，包括：根据所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行关键参数处理，得到基准分和调节因子；根据所述基准分、所述调节因子、所述评价指标对应的权重、所述评价指标与目标客户之间的关键指标以及所述评价指标对应的分箱值，进行模型构建，得到客户粘性评分模型。7.根据权利要求1所述的方法，其特征在于，所述根据所述客户粘性评分模型对所述目标客户进行客户粘性评价，包括：根据所述客户粘性评分模型确定所述评价指标的参数，其中，所述评价指标的参数包括调节因子、权重、分箱值以及关键指标；根据所述评价指标的参数，得到所述目标客户的评分卡；根据所述目标客户的评分卡对所述目标客户进行客户粘性评价。
8.一种客户粘性评价装置，其特征在于，包括：评价指标获取模块，用于根据预先构建的评价指标体系，获取评价指标；第一数据处理模块，用于将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；第二数据处理模块，用于将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；客户粘性评分模型构建模块，用于根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；客户粘性评价模块，用于根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1至7任一所述的客户粘性评价方法。10.一种存储介质，其特征在于，所述存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的客户粘性评价方法步骤。

技术总结
本发明提供了一种客户粘性评价方法，涉及大数据和机器学习技术领域，该方法包括：根据预先构建的指标体系，获取评价指标；将所述评价指标进行第一数据处理，得到所述评价指标包括的信息量；将所述评价指标进行第二数据处理，得到所述评价指标与目标客户之间的关键指标；根据所述评价指标包括的信息量和所述评价指标与目标客户之间的关键指标，构建客户粘性评分模型；根据所述客户粘性评分模型对所述目标客户进行客户粘性评价。应用于对客户粘性进行评价的场景中，通过对评价指标进行数据处理得到评价指标包含的信息量，解决了现有技术中存在的评价指标本身所包含的信息量丢失的技术问题。术问题。术问题。


技术研发人员：马亮 曹蕊 洪沛 杨国锋 左娟 徐虎 李冠华 张国成 戴胜林 陈天池 刘恒智
受保护的技术使用者：中国电信股份有限公司
技术研发日：2021.12.29
技术公布日：2023/7/13