基于机器学习算法的运营商用户流失预测方法

雷中锋，曹 旭，宋 强，曲延庆

（山东联通公司云网运营中心，山东 济南 250001）

现阶段，随着市场的变化与企业的竞争，产品之间存在的差异性逐渐缩小，产品质量也得到了显著的提升。在这样的背景之下，运营商用户也随之发生相应的变动，甚至出现了用户流失现象，在一定程度上给企业造成经济损失[1]。为避免上述问题的出现，同时也进一步加强对用户的管控，通常会设定具体的用户流失预测方法。这些预测方法虽然可以实现预期的任务，但不都是单向的，对于用户测定以及习惯侦测的效率不高[2]。

不仅如此，上述预测方法还极易受到外部因素的影响，导致最终得出的预测结果缺乏精准度和可靠性。因此，对基于机器学习算法的运营商用户流失预测方法进行分析与研究很有必要。将机器学习算法与用户预测流失方法相融合，能够逐步构建更为真实、可靠的预测方法，在复杂的预测环境下，可对易于流失的用户进行精准定位，形成一个稳定的预测流程[3]。另外，机器学习算法对于基础性指标参数的计算，还可以进一步缩短预测时间，加强对预测误差的控制，为后续的运营商用户管理及控制等相关工作提供参考依据[4]。

1.1 初始数据信息预处理

针对企业运营商用户的基础性管理及控制，设定具体的需求及标准，进行初始数据信息预处理[5]。

根据表1完成对企业用户流失预测指标参数的设定，在此基础上构建一个初始的预测数据存储空间，在标定的范围之内设定相应数量的节点，利用节点对各个区域进行分段式覆盖处理[6]。在此过程中将设定的节点进行关联，形成一个稳定的监测区域，不断获取初始的预测数据及信息[7]。

表1 企业用户流失预测指标参数设定表

1.2 提取用户流失特征

完成初始数据信息预处理后，综合实际的用户流失预测需求及标准，对企业内部系统中标定的用户流失特征进行提取。首先，对所属的用户进行特殊的排序与标记，形成一个稳定的预测范围。针对运用商用户日常的特征、习惯、喜好、消费情况等数据信息进行归纳整合，与初始的数据形成对比，测算出其预估的流失率，如式（1）所示。

随后，根据用户的变动情况，整合出用户流失的规律，将一年设定为12个周期，每一个周期1个月，单个周期均需要对企业内部的运营商用户流失情况进行分析与调研。利用获取的实时数据以及信息，对特殊的客户做出应对标记，逐步形成一个更为稳定的特征提取结构。此时可采用机器学习算法测算出特征提取过程中出现的基础预测偏差，如式（2）所示。

式中， 为基础预测偏差；

为挽留概率；

和 分别为预设预测单向区域和实测预测单向区域；

为剔除频率。根据上述测定，完成对基础预测偏差的测算，将其设定为基础预测偏差提取的偏差标准，设定在预测结构中，用于预测基础环境和比照标准。

1.3 构建多目标预测层级

将上述提取的用户流失特征作为用户流失的识别标签，综合机器学习算法，构建更为灵活、多目标的预测层级。首先，对系统内部的用户进行分类，形成一个定向的预测程序或者应变结构。随后，在此基础上，根据分类情况，需要对流失用户的特征进行二次提取，相当于二次信息的筛查，主要针对流失原因、测定方式、流失时间等进行整合与归纳，分析用户实际的流失的主要原因、次要原因和社会原因等。

与此同时，划定对于用户不同群体，也需要做出划定，进一步完善整体的预测结构，确保最终预测结果的真实性和可靠性。

1.4 建立用户流失机器学习计算预测模型

综合上述设计的多目标预测层级，利用机器学习算法，构建用户流失机器学习计算预测模型。可以先根据上述测定得出的高概率用户流失率，对流失范围以及重点位置进行标记。接下来，根据用户在不同周期的习惯、应用情况、消费情况等因素变化，设定识别比照预测结构，同时测算出可挽留、无法挽留高概率流失用户数量，如式（3）、式（4）所示。

根据图1，完成对预测模型调整流程的设计，依据上述流程，对流失用户的数量进行基础性的测定分析，实现用户流失机器学习计算预测模型的构建。

图1 预测模型调整流程图示

1.5 标准化机器修正实现用户流失预测

针对预测模型获取的处理结构，对其进行标准化的机器预测修正处理。首先，对预测异常位置进行标记，构建一个稳定的预测空间，利用预测模型及机器学习核算，划分为多个预测阶段并进行设定，如表2所示。

表2 多预测阶段机器预测修正分析表

根据表2，完成对多预测阶段机器预测修正的分析与研究，在此基础上，根据预测任务的变化，对预测修正目标不断进行调整，形成动态化的预测结构，实现对用户流失预测效果的整体提升。

本次测试主要是对基于机器学习算法的运营商用户流失预测方法的实际应用效果进行分析与研究。考虑到最终测试结果的真实可靠，选定Q企业作为实际的测定目标，标记出该运营商用户系统，并将其划定为4个区段。设采用参考文献[2]和[4]中方法的测试组分别为传统改进EasyEnsemble运营商用户流失预测测试组和传统Stacking集成学习运营商用户流失预测测试组，采用本文中设计方法的测试给为基于机器学习算法的运营商用户流失预测测试组。测试得出的结果以对比的形式展开分析，同时对得出的预测结果进行比照分析，并根据实际的预测需求及标准搭建相应的测试环境。

2.1 测试准备

首先，对选定的4个区段实际用户数量以及按管控现状做出分析。对每一个用户进行标记，并根据用户的喜好、习惯、应用实况、购买记录等进行分类与整合，在系统内部形成一个稳定的预测处理结构。将其设定在构建的预测模型中，并在预设的范围之内设置具有关联性的预测点位，建立预测联系。根据上述节点获取的基础性数据以及信息，进行单区段流失频率的计算，如式（5）所示。

2.2 测试过程及结果分析

综合上述搭建的测试环境，综合机器学习算法，对运营商用户流失预测方法实际应用效果进行分析与研究。对4个测试区域内部的用户做出标记，并对数量进行监测。在预设的测定环境及周期中，测定出用户的流失情况。与此同时，对不可挽回的流失用户存在的问题以及需求进行标记处理，并进行有针对性的改进，形成循环式的预测结构。利用预测模型，对4个区段内最后一个周期的用户流失情况进行预测，并通过预测结果，计算出预测召回率，如式（6）所示。

式中， 为预测召回率；

为定向预测区域；

为重合预测区域；

为流失比；

为转换召回偏差。根据上述测定，最终完成对测试结果的分析，如表3所示。

表3 测试结果对比分析表

根据表3完成对测试结果的分析与研究：与传统改进EasyEnsemble运营商用户流失预测测试组、传统Stacking集成学习运营商用户流失预测测试组相比，基于机器学习算法的运营商用户流失预测测试组最终得出的预测召回率相对较高，表明在实际预测的过程中，该方法的针对性更强一些，对于预测中的误差可控，具有实际的应用价值。

本文中综合机器学习算法，所设计的预测体系相对更加灵活、多变，具有更强的针对性，可以进一步确保预测结果的准确性。■

推荐访问:算法 运营商 流失