1.流失概率预测需求

根据用户的活跃度以及消费情况，判断用户的流失意向。可以对有流失意向的用户及时召回。

其中表包括：模型预测时间，用户id，模型预测得分，模型预测流失等级，模型插入时间。
不能够仅仅通过普通的运算就得出来流失率。而要通过历史既定事实的经验（满足某些特征的人群中，哪些流失了，哪些没流失来得出才更靠谱）。

2.特征工程—— 选择特征

特征选择的原则应该跟用户流失有关系:
活跃属性：登录次数，访问时长，访问深度；
消费属性：消费金额，订单均价，最大单笔消费金额，最小单笔消费金额，退货次数与占比，拒绝收货次数占比等，最后一次登录距今天数，最后一次购买距今天数。
事件属性：好评数。差评数，分享数。

从公司大量的流失与未流失用户中各挑取一万人
将这两万人组成先验样本集。
在数仓中进行抽取。

朴素贝叶斯天生就具备概率的意义；线性回归算法具备概率的隐含含义

加载样本数据；
将样本数据向量化；
构建逻辑回归算法工具；
用算法对样本数据训练模型；
用模型来对未知数据做预测。

对于数据特征的值域差别太大的问题，值域范围大的，对最终结果的影响会明显超出值域范围小的特征，带来预测准确度的降低，相当于把值域特征给忽略掉了。所以需要对值域特征进行规范化处理。可以参考 sparkmllib的规范化工具api。

在这里插入图片描述

用户是否流失是一个典型的概率分析问题

连续数字的区间化处理，减少值的种类数
由于本案例里面的各个特征，都是一些连续的“数字”，无法在概率计算上体现同类别的共同特征，所以此案例中的特征向量化，需要做数据离散化处理。
将特征值区间化
在这里插入图片描述

加载样本特征数据；
数仓的用户活跃度统计报表；
数仓的用户消费订单画像统计报表；
数仓的用户商品画像统计报表；
事实标签。

将特征数据向量化
在这里插入图片描述

特征向量的处理：统一特征值的排序，对需要进行区间化的做区间化。
sparkmllib提供了四种向量规范化的工具
四种规范化

在这里插入图片描述

对调用完训练模型的数据整理为标签模型
gid 模块名标签名标签值权重值

发布了23 篇原创文章 · 获赞 27 · 访问量 2256

私信关注