阿里云人工智能平台PAI用户流失预警风控-云淘科技

背景信息

业务发展过程中的重要环节包括开拓新用户和保留老用户。通过建立用户流失预警风控模型，可以预测潜在流失用户，从而提前通过运营手段防范用户流失。

对于用户流失预警监控，主流预警方案均是基于规则实现的，缺少智能化的预测手段和机制，不能准确挖掘潜在流失用户。

解决方案

PAI提供了一套基于标签数据的特征编码、分类模型训练及模型评估的完整方案，具体要求如下：

• 人力要求：需要具备基础建模的背景知识。

• 开发周期：1~2天。

• 数据要求：上千条的标签数据，该数据标记了历史客户在哪种特征情况下流失。

数据集

本工作流数据来源于真实的电信领域客户行为脱敏数据，包含用户基本信息及用户流失属性，共7043条样本数据。工作流的示例数据如下。特征数据包括如下字段。

目标数据包括如下字段。

用户流失预警风控

1. 进入PAI-Designer页面。

   1. 登录PAI控制台。

   2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。

   3. 在工作空间页面的左侧导航栏选择模型开发与训练 > 可视化建模（Designer），进入Designer页面。

2. 构建工作流。

   1. 在PAI-Designer页面，单击预置模板页签。

   2. 在模板列表的流失用户监控区域，单击创建。

   3. 在新建工作流对话框，配置参数（可以全部使用默认参数）。

      其中：工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。

   4. 单击确定。

      您需要等待大约十秒钟，工作流可以创建成功。

   5. 在工作流列表，双击流失用户监控工作流，进入工作流。

   6. 系统根据预置的模板，自动构建工作流，如下图所示。

      

      区域	描述
      ①	工作流的数据集。
      ②	通过one-hot编码组件和SQL脚本实现特征工程建模，将原始字符型特征转化为数值型。以目标字段churn为例，原始数据为Yes或No，可以通过SQL语句将Yes转化为1，将No转化为0，示例如下。 select (case churn when 'Yes' then 1 else 0 end) as churn from ${t1};
      ③	将数据分为训练数据集和预测数据集。因为某用户只有流失与不流失两种可能性，所以用户流失预警属于二分类问题，可以使用二分类算法进行处理。
      ④	使用二分类评估组件进行模型验证，可以通过AUC、KS及F1Score等指标评估模型效果。

3. 运行工作流并查看模型效果。

   1. 单击画布上方的运行。

   2. 工作流运行结束后，右键单击画布中的二分类评估，在快捷菜单，单击可视化分析。

   3. 在二分类评估对话框，单击指标数据页签，即可查看模型评估指标数据。

      AUC取值越接近1，表示模型的预测准确率越高。本文中的AUC取值达到0.8以上，即模型的预测准确率较高。