用户流失预警风控

业务背景

在业务发展过程中有两个重要的环节，一个是拉新，另一个是留存。如何做到用户的留存需要很多技术手段保证，一个比较重要的方式是建立用户流失模型，通过学习历史上流失用户的特点，通过机器学习的手段训练处风控模型，队可能会流式的用户进行预测，然后可以提前通过运营手段做一些用户流失的防范。

业务痛点

目前用户流失预警监控是业内主流的需求之一，但是缺少智能化的预测手段和机制。目前主流的一些预警方案都是基于一些规则的方案，对于一些潜在可能流失的用户没有很准确的发掘手段。

解决方案

PAI平台提供了一套基于打标数据的特征编码、分类模型训练、模型评估的方案。

1.人力要求：需要具备基础的建模背景知识

2.开发周期：1-2天

3.数据要求：最好有超过千条的打标数据，打标哪些客户在哪种特征情况下流失过，数据越多效果越好

数据说明

数据来自真实的电信领域客户行为数据，包含用户的基本属性以及用户是否会流失，数据一共7043个用户样本。

特征数据：

目标数据：

流程说明

进入PAI-Studio产品：https://pai.data.aliyun.com/console

该方案数据和实验环境已经内置于首页模板：

打开实验：

1.数据源

上文提到的用户流式用户的数据

2.特征编码

通过One-hot以及SQL组件实现特征工程建模，将原始的字符型特征转为数值型特征。

以目标字段churn为例，原始数据是“Yes”和“No”，可以通过SQL语句把"Yes"变为1，“No”变为0：

select (case churn  when 'Yes' then 1 else 0 end) as churn from  ${t1};

3.模型训练

将数据分成两部分，一部分作为训练集训练模型，另一部分做预测集验证模型效果。用户流失预警是个二分类问题，一个用户只有流失和不流失两种可能性。所以选用二分类算法来处理，生成的分类模型可以一键部署为RestfulAPI服务供业务方调用。

4.模型效果验证

通过二分类评估组件验证模型准确性，准确性描述指标AUC可以达到0.83，也就是说预测的准确性在80%左右。

总结

用户流失预警是所有B端客户都可能应用到的场景，PAI提供了一套完整的基于用户特征的算法，可以帮助客户在1-2天快速实现用户流失模型的训练，大大提速了整个实验搭建的周期。>