本发明一般涉及客户维护领域，具体涉及客户预警领域，尤其涉及一种客户件量预测方法和装置、异动客户预警方法和装置。
背景技术：
企业客户业务量(寄件量)出现下滑可能是自身经营问题，或由于某些原因改用其他物流服务商，后者若能及早发现异动客户，一线销售人员则可采取措施挽回部分业务。由于成本高、效率低，销售难以做到定期拜访全部客户，需要提前对客户异动进行预警。而现有技术很难做到提前识别客户异动。
技术实现要素：
鉴于现有技术中的上述缺陷或不足，期望提供一种能够获得异动客户名单的客户件量预测方法和装置、异动客户预警方法和装置。
第一方面，本发明的客户件量预测方法，包括：
获取待预测客户的待预测时间段之前的多个与待预测时间段长短一致的第一时间段内的第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据；
将多个第一件量数据和/或第一折扣率数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据输入至预先训练的机器学习模型；
通过机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据。
第二方面，本发明的异动客户预警方法，包括
根据客户件量预测方法获得第一预测件量数据；
将第一预测件量数据与和第一预测件量数据相邻的第一时间段内的第一件量数据比较，若第一预测件量数据相对于第一件量数据的下滑幅度超过预设阀值，则将第一预测件量数据对应的待预测客户预测为异动客户。
第三方面，本发明的客户件量预测装置，包括：
获取模块：用于获取待预测客户的待预测时间段之前的多个与待预测时间段长短一致的第一时间段内的第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据；
输入模块：用于将第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据输入至预先训练的机器学习模型；
输出模块：用于通过机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据。
第四方面，本发明的异动客户预警装置，包括
客户件量预测装置；
处理模块，用于将第一预测件量数据与和第一预测件量数据相邻的第一时间段内的第一件量数据比较，若第一预测件量数据相对于第一件量数据的下滑幅度超过预设阀值，则将第一预测件量数据对应的待预测客户预测为异动客户。
根据本申请实施例提供的技术方案，通过将已经获得的待预测时间段之前的一段时间内的第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据输入机器学习模型中，然后通过机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据，将第一预测件量数据与第一件量数据进行比较，获得异动客户名单，销售人员能够根据异动客户名单进行客户维护，提高了销售人员的客户维护的效率，降低了客户维护成本，同时能够挽回企业损失，能够解决现有技术很难做到提前识别客户异动的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本发明的实施例的客户件量预测方法的流程图；
图2为本发明的实施例的异动客户预警方法的流程图；
图3为本发明的实施例的客户件量预测装置的结构示意图；
图4为本发明的实施例的异动客户预警装置的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的其中一个实施例为，请参考图1，客户件量预测方法，包括：
获取待预测客户的待预测时间段之前的多个与待预测时间段长短一致的第一时间段内的第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据；
将多个第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据输入至预先训练的机器学习模型；
通过机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据。
在本发明的实施例中，基于数据库，对各客户的历史数据进行统计，其中历史数据可以包括第一件量数据、第一折扣数据、第一件量数据的第一环比数据、第一件量数据的同比数据等多个维度的数据，可以选取其中至少一个维度的数据输入机器学习模型中进行预测，在月初可以根据前三个月的件量数据通过客户件量预测方法对本月的件量数据进行预测，具体的，将前三个月件量数据输入预先训练好的机器学习模型中，训练好的机器学习模型就是向机器学习模型内输入训练数据，根据机器学习模型的输出结果，对模型完成调整后的机器学习模型，通过机器学习模型输出该客户这个月的预测件量数据，当然，也可以将该客户的金额数据、折扣数据一并进行统计，便于进一步分析和研究，在关联件量数据、金额数据、折扣数据等特征数据时，可以通过订单号进行关联，操作简单、准确。
第一折扣数据可以但不仅仅是折扣率，例如该第一时间段内客户总的实际支付金额为n，其中优惠金额为m，则折扣率为m/(m n)。
机器学习模型可以但不仅仅为xgboost模型，xgboost是在gbdt的基础上对boosting算法进行的改进，内部决策树使用的是回归树，是"极端梯度提升"(extremegradientboosting)的简称。xgboost源于梯度提升框架，但是能并行计算、近似建树、对稀疏数据的有效处理以及内存使用优化，这使得xgboost至少比现有梯度提升实现有至少10倍的速度提升。xgboost可以处理回归、分类和排序等多种任务。在预测性能上的强大且训练速度快、支持多种语言、支持自定义损失函数、目标函数通过二阶泰勒展开式做近似、定义了树的复杂度，并应用到目标函数中、通过特征的列采样可防止过拟合。
对于xgboost的模型，我们需要用数学来准确地表示这个模型，如下所示：
其中
这里的k就是树的棵数，m表示特征数，f表示所有可能的cart树，f表示一棵具体的cart树。这个模型由k棵cart树组成。树拆分成结构部分q和叶子权重部分w,t表示叶子节点的个数，结构函数q把输入映射到叶子的索引号上面去，而w给定了每个索引号对应的叶子分数。
定义这个复杂度包含了一棵树里面节点的个数，以及每个树叶子节点上面输出分数的l2模平方。当然这不是唯一的一种定义方式，不过这一定义方式学习出的树效果一般都比较不错。公式如下：
其中γ，λ均为算法的可调参数，t为回归树的叶子个数，w为叶子的权重部分。
xgboost的目标是希望建立k个回归树，使得树群的预测值尽量接近真实值(准确率)而且有尽量大的泛化能力(更为本质的东西)，目标函数如下：
这个目标函数同样包含两部分，第一部分就是损失函数即样本的预测误差，误差越小越好，第二部分就是正则项，这里的正则化项由k棵树的正则化项相加而得，表示树的复杂度的函数，越小复杂度越低，泛化能力越强。
运用加法训练，我们的目标不再是直接优化整个目标函数，而是分步骤优化目标函数，每次在上一次的预测基础上取最优进一步分裂/建树，即首先优化第一棵树，完了之后再优化第二棵树，直至优化完k棵树，如下：
…
其中，
和传统的boostingtree模型一样，xgboost的提升模型也是采用的残差(或梯度负方向)，不同的是分裂结点选取的时候不一定是最小平方损失。
而xgboost利用泰勒展开三项，做一个近似。
改写目标函数如下：
goal
·seemsstillcomplicatedexceptforthecaseofsquareloss
taketaylorexpansionoftheobjective
·recall
·define
最终的目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数。由于之前的目标函数求最优解的过程中只对平方损失函数时候方便求，对于其他的损失函数变得很复杂，通过二阶泰勒展开式的变换，使得求解其他损失函数变得可行。
目标函数obj(t)都会根据上一轮的结果来相应的自动调整本轮的参数(即有监督的学习)，从而达到不断优化模型的效果。
其中待预测时间段可以选择为一个月，第一件量数据可以选择待预测时间段之前三个月的第一件量数据，例如，需要预测2018年11月份的件量数据，可以获取2018年8月份、9月份、10月份共计三个月的件量数据，一方面提高训练模型的处理速度，另一方面，能够保证获得第一预测件量数据的准确性。当然，第一时间段的数量原则上越多越好，可以但不仅仅选择待预测时间段之前的1-2年的数据来进行预测，能够兼顾预测的准确性以及处理速度。多个待预测客户的数据可以同时输入机器学习模型做并行处理，机器学习模型能够输出多个待预测客户的预测件量数据，提高了运行速度以及处理效率。
将多个第一件量数据输入至预先训练的机器学习模型之前，对第一件量数据进行预处理，并剔除异常第一件量数据。
在本发明的实施例中，在将第一件量数据输入机器学习模型之前，需要对第一件量数据进行预处理，预处理可以但不仅仅为数据清洗、数据集成、数据变换和数据规约，并剔除异常第一件量数据，以提高第一预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。有些客户的历史数据较少，不足以输出较为准确的预测件量数据，可以通过预处理将此部分数据筛除，不进行计算，提高整体运行速度以及预测准确性。
进一步的，根据在各第一时间段内待预测客户的第一折扣数据，获得待预测客户在各第一时间段内的第一折扣率，将第一折扣率和多个第一件量数据输入至机器学习模型，获得第一预测件量数据。
在本发明的实施例中，在第一件量数据中，第一折扣数据对第一件量数据影响比较大，当第一折扣数据对应的第一折扣率较大时，第一件量数据会变大，需要向机器学习模型中的输入第一折扣率，以提高第一预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。
进一步的，获得每个第一时间段内的第一件量数据相对于上个相邻的第一时间段内的第一件量数据的第一环比数据，获得每个第一时间段内的第一件量数据相对于上年度同期的件量数据的第一同比数据，将第一环比数据、第一同比数据和多个第一件量数据输入至机器学习模型，获得第一预测件量数据。
在本发明的实施例中，第一件量数据在不同时间段的第一环比数据和第一同比数据对第一件量数据的预测也具有参考价值。环比数据，表示连续2个单位周期(比如连续两月)内的量的变化比。同比数据一般情况下是今年第n月与去年第n月比。例如，6月份的第一件量数据相对于5月份的第一件量数据的环比数据就是6月份的第一件量数据与5月份的第一件量数据的比值，2018年6月份的第一件量数据相对于2017年6月份的第一件量数据的同比数据就是2018年6月份的第一件量数据与2017年6月份的第一件量数据的比值，例如2018年8月份件量为100，9月份为200，2017年9月份件量数为300，那么9月份件量数的环比数据可以包括200/100，或者(200-100)/100，然后同比数据可以包括200/300或者(300-200)/300，这些数据都是可以一起或择一进入机器模型。具体的，当获取的是2018年8月份、9月份、10月份的件量数据时，第一环比数据是9月份和8月份的环比数据以及10月份和9月份的环比数据，第一同比数据是2018年8月份相对于2017年8月份的同比数据、2018年9月份相对于2017年9月份的同比数据、2018年10月份相对于2017年10月份的同比数据，向机器学习模型中输入多维度的特征能够提高第一预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。
进一步的，机器学习模型的训练，包括调整机器学习模型，其包括如下步骤：
获取待预测客户的第二时间段内的第二件量数据以及第二时间段之前的与第二时间段长度相等的多个第三时间段内的第三件量数据，将第三件量数据输入机器学习模型中，获得与第二件量数据对应的第二预测件量数据，将第二预测件量数据与第二件量数据比较，调整机器学习模型。
在本发明的实施例中，通过数据库内的历史数据来训练机器学习模型，来提高机器学习模型的可用性，具体的，挑选任一时间段内的件量数据，例如可以挑选已知的6月份的件量数据，将3、4、5月份的件量数据输入机器学习模型中，通过机器学习模型输出6月份的预测件量数据，将6月份的预测件量数据与实际的件量数据进行比较，来调整机器学习模型，从而完成机器学习模型的训练，采用此种方法训练机器学习模型的效率高、准确性好，且学习模型需要定期训练和调整，以保证输出结果的准确性和适用性。
在训练机器学习模型之前，对第三件量数据进行预处理，并剔除异常第三件量数据。
在本发明的实施例中，在将第三件量数据输入机器学习模型之前，需要对第三件量数据进行预处理，预处理可以但不仅仅为数据清洗、数据集成、数据变换和数据规约，并剔除异常第三件量数据，以提高第二预测件量数据的准确性，使得客户件量预测方法获得的第二预测件量数据具有更高的参考价值。
进一步的，根据在各第三时间段内待预测客户的第二折扣数据，获得待预测客户在各第三时间段内的第二折扣率，将第二折扣率和多个第三件量数据输入至机器学习模型，获得第二预测件量数据。
在本发明的实施例中，在第三件量数据中，第二折扣数据对第三件量数据影响比较大，当第二折扣数据对应的第二折扣率较大时，第三件量数据会变大，需要向机器学习模型中的输入第二折扣率，以提高第二预测件量数据的准确性，使得客户件量预测方法获得的第二预测件量数据具有更高的参考价值。
进一步的，获得每个第三时间段内的第三件量数据相对于上个相邻的第三时间段内的第三件量数据的第二环比数据，获得每个第三时间段内的第三件量数据相对于上年度同期的件量数据的第二同比数据，将第二环比数据、第二同比数据和多个第三件量数据输入至机器学习模型，获得第二预测件量数据。
在本发明的实施例中，第三件量数据在不同时间段的环比数据和同比数据对第三件量数据的预测也具有参考价值，向机器学习模型中输入多维度的特征能够提高第三预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。
本发明的另一个实施例为，参考图2，异动客户预警方法，包括
根据客户件量预测方法获得第一预测件量数据；
将第一预测件量数据与和第一预测件量数据相邻的第一时间段内的第一件量数据比较，若第一预测件量数据相对于第一件量数据的下滑幅度超过预设阀值，则将第一预测件量数据对应的待预测客户预测为异动客户。
在本发明的实施例中，预设阀值可以设置为15％，当第一预测件量数据为7月份的件量数据时，则和第一预测件量数据相邻的第一时间段内的第一件量数据为6月份的件量数据，将7月份的件量数据与6月份的件量数据进行比较，如果7月份的件量数据相对于6月份的件量数据下滑幅度达到15％以上，则将该待预测客户预测为异动客户，需要销售人员对该待预测客户进行回访，挽回客户，能够提高销售人员回访的效率，降低客户流失率，降低销售成本。
进一步的，包括筛选待预测客户，筛选待预测客户包括删除季节性待预测客户、均值小的待预测客户、方差大的待预测客户。
在本发明的实施例中，在预警异动客户时，需要删除掉季节性待预测客户、均值小的待预测客户、方差大的待预测客户等数据不规律的客户，以排除数据不规律客户的干扰，提高移动客户预警的准确性以及可用性。
本发明的另一个实施例为，参考图3，客户件量预测装置，包括：
获取模块，用于获取待预测客户的待预测时间段之前的多个与待预测时间段长短一致的第一时间段内的第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据；
输入模块，用于将第一件量数据和/或第一折扣数据和/或第一件量数据的第一环比数据和/或第一件量数据的同比数据输入至预先训练的机器学习模型；
输出模块，用于通过机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据。
在本发明的实施例中，基于数据库，对各客户的历史数据进行统计，其中历史数据可以包括第一件量数据、第一折扣数据、第一件量数据的第一环比数据、第一件量数据的同比数据等多个维度的数据，可以选取其中至少一个维度的数据输入机器学习模型中进行预测，在月初可以根据前三个月的件量数据通过客户件量预测方法对本月的件量数据进行预测，具体的，将前三个月件量数据输入预先训练好的机器学习模型中，通过机器学习模型输出该客户这个月的预测件量数据，当然，也可以将该客户的金额数据、折扣数据一并进行统计，便于进一步分析和研究，在关联件量数据、金额数据、折扣数据等特征数据时，可以通过订单号就行关联，操作简单、准确。
第一折扣数据可以但不仅仅是折扣率，例如该第一时间段内客户总的实际支付金额为n，其中优惠金额为m，则折扣率为m/(m n)。
其中待预测时间段一般选择为一个月，第一件量数据一般选择待预测时间段之前三个月的第一件量数据，一方面提高训练模型的处理速度，另一方面，能够保证获得第一预测件量数据的准确性。当然，第一时间段的数量原则上越多越好，可以但不仅仅选择待预测时间段之前的1-2年的数据来进行预测，能够兼顾预测的准确性以及处理速度。多个待预测客户的数据可以同时输入机器学习模型做并行处理，机器学习模型能够输出多个待预测客户的预测件量数据，提高了运行速度以及处理效率。
进一步的，获取模块：用于根据在各第一时间段内待预测客户的第一折扣数据，获得待预测客户在各第一时间段内的第一折扣率；
输入模块：用于将第一折扣率和多个第一件量数据输入至机器学习模型。
在本发明的实施例中，在第一件量数据中，第一折扣数据对第一件量数据影响比较大，当第一折扣数据对应的第一折扣率较大时，第一件量数据会变大，需要向机器学习模型中的输入第一折扣率，以提高第一预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。有些客户的历史数据较少，不足以输出较为准确的预测件量数据，可以通过预处理将此部分数据筛除，不进行计算，提高整体运行速度以及预测准确性。
进一步的，获取模块：用于获得每个第一时间段内的第一件量数据相对于上个相邻的第一时间段内的第一件量数据的第一环比数据，获得每个第一时间段内的第一件量数据相对于上年度同期的件量数据的第一同比数据；
输入模块：用于将第一环比数据、第一同比数据和多个第一件量数据输入至机器学习模型。
在本发明的实施例中，第一件量数据在不同时间段的环比数据和同比数据对第一件量数据的预测也具有参考价值，向机器学习模型中输入多维度的特征能够提高第一预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。
进一步的，包括训练模块：用于获取待预测客户的第二时间段内的第二件量数据以及第二时间段之前的与第二时间段长度相等的多个第三时间段内的第三件量数据，将第三件量数据输入机器学习模型中，获得与第二件量数据对应的第二预测件量数据，将第二预测件量数据与第二件量数据比较，调整机器学习模型。
在本发明的实施例中，通过数据库内的历史数据来训练机器学习模型，来提高机器学习模型的可用性，具体的，挑选任一时间段内的件量数据，例如可以挑选已知的6月份的件量数据，将3、4、5月份的件量数据输入机器学习模型中，通过机器学习模型输出6月份的预测件量数据，将6月份的预测件量数据与实际的件量数据进行比较，来调整机器学习模型，从而完成机器学习模型的训练，采用此种方法训练机器学习模型的效率高、准确性好。
进一步的，训练模块，用于根据在各第三时间段内待预测客户的第二折扣数据，获得待预测客户在各第三时间段内的第二折扣率，将第二折扣率和多个第三件量数据输入至机器学习模型，获得第二预测件量数据。
在本发明的实施例中，在第三件量数据中，第二折扣数据对第三件量数据影响比较大，当第二折扣数据对应的第二折扣率较大时，第三件量数据会变大，需要向机器学习模型中的输入第二折扣率，以提高第二预测件量数据的准确性，使得客户件量预测方法获得的第二预测件量数据具有更高的参考价值。
进一步的，训练模块，用于获得每个第三时间段内的第三件量数据相对于上个相邻的第三时间段内第三件量数据的第二环比数据，获得每个第三时间段内的第三件量数据相对于上年度同期的件量数据的第二同比数据，将第二环比数据、第二同比数据和多个第三件量数据输入至机器学习模型，获得第二预测件量数据。
在本发明的实施例中，第三件量数据在不同时间段的环比数据和同比数据对第三件量数据的预测也具有参考价值，向机器学习模型中输入多维度的特征能够提高第三预测件量数据的准确性，使得客户件量预测方法获得的第一预测件量数据具有更高的参考价值。
本发明的另一个实施例为，参考图4，异动客户预警装置，包括
客户件量预测装置；
处理模块，用于将第一预测件量数据与和第一预测件量数据相邻的第一时间段内的第一件量数据比较，若第一预测件量数据相对于第一件量数据的下滑幅度超过预设阀值，则将第一预测件量数据对应的待预测客户预测为异动客户。
在本发明的实施例中，预设阀值可以设置为15％，当第一预测件量数据为7月份的件量数据时，则和第一预测件量数据相邻的第一时间段内的第一件量数据为6月份的件量数据，将7月份的件量数据与6月份的件量数据进行比较，如果7月份的件量数据相对于6月份的件量数据下滑幅度达到15％以上，则将该待预测客户预测为异动客户，需要销售人员对该待预测客户进行回访，挽回客户，能够提高销售人员回访的效率，降低客户流失率，降低销售成本。
进一步的，包括筛选模块，用于筛选待预测客户，筛选待预测客户包括删除季节性待预测客户、均值小的待预测客户、方差大的待预测客户。
在本发明的实施例中，在预警异动客户时，需要删除掉季节性待预测客户、均值小的待预测客户、方差大的待预测客户等数据不规律的客户，以排除数据不规律客户的干扰，提高移动客户预警的准确性以及可用性。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
1.一种客户件量预测方法，其特征在于，包括：
获取待预测客户的待预测时间段之前的多个与待预测时间段长短一致的第一时间段内的第一件量数据和/或第一折扣数据和/或所述第一件量数据的第一环比数据和/或所述第一件量数据的同比数据；
将多个所述第一件量数据和/或第一折扣率数据和/或所述第一件量数据的第一环比数据和/或所述第一件量数据的同比数据输入至预先训练的机器学习模型；
通过所述机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据。
2.根据权利要求1所述的客户件量预测方法，其特征在于，所述机器学习模型的训练，包括调整所述机器学习模型，其包括如下步骤：
获取所述待预测客户的第二时间段内的第二件量数据以及所述第二时间段之前的与所述第二时间段长度相等的多个第三时间段内的第三件量数据，将所述第三件量数据输入所述机器学习模型中，获得与所述第二件量数据对应的第二预测件量数据，将所述第二预测件量数据与所述第二件量数据比较，调整所述机器学习模型。
3.根据权利要求2所述的客户件量预测方法，其特征在于，根据在各所述第三时间段内所述待预测客户的第二折扣数据，获得所述待预测客户在各所述第三时间段内的第二折扣率，将所述第二折扣率和多个所述第三件量数据输入至所述机器学习模型，获得所述第二预测件量数据。
4.根据权利要求2所述的客户件量预测方法，其特征在于，获得每个所述第三时间段内的所述第三件量数据相对于上个相邻的所述第三时间段内的所述第三件量数据的第二环比数据，获得每个所述第三时间段内的所述第三件量数据相对于上年度同期的件量数据的第二同比数据，将所述第二环比数据、所述第二同比数据和多个所述第三件量数据输入至所述机器学习模型，获得所述第二预测件量数据。
5.一种异动客户预警方法，其特征在于，包括
根据权利要求1-4任一项所述的客户件量预测方法获得第一预测件量数据；
将所述第一预测件量数据与和所述第一预测件量数据相邻的第一时间段内的第一件量数据比较，若所述第一预测件量数据相对于所述第一件量数据的下滑幅度超过预设阀值，则将所述第一预测件量数据对应的待预测客户预测为异动客户。
6.一种客户件量预测装置，其特征在于，包括：
获取模块：用于获取待预测客户的待预测时间段之前的多个与待预测时间段长短一致的第一时间段内的第一件量数据和/或第一折扣数据和/或所述第一件量数据的第一环比数据和/或所述第一件量数据的同比数据；
输入模块：用于将所述第一件量数据和/或第一折扣数据和/或所述第一件量数据的第一环比数据和/或所述第一件量数据的同比数据输入至预先训练的机器学习模型；
输出模块：用于通过所述机器学习模型输出待预测客户的待预测时间段内的第一预测件量数据。
7.根据权利要求6所述的客户件量预测装置，其特征在于，包括训练模块：用于获取所述待预测客户的第二时间段内的第二件量数据以及所述第二时间段之前的与所述第二时间段长度相等的多个第三时间段内的第三件量数据，将所述第三件量数据输入所述机器学习模型中，获得与所述第二件量数据对应的第二预测件量数据，将所述第二预测件量数据与所述第二件量数据比较，调整所述机器学习模型。
8.根据权利要求7所述的客户件量预测装置，其特征在于，所述训练模块，用于根据在各所述第三时间段内所述待预测客户的第二折扣数据，获得所述待预测客户在各所述第三时间段内的第二折扣率，将所述第二折扣率和多个所述第三件量数据输入至所述机器学习模型，获得所述第二预测件量数据。
9.根据权利要求7所述的客户件量预测装置，其特征在于，所述训练模块，用于获得每个所述第三时间段内的所述第三件量数据相对于上个相邻的所述第三时间段内的所述第三件量数据的第二环比数据，获得每个所述第三时间段内的所述第三件量数据相对于上年度同期的件量数据的第二同比数据，将所述第二环比数据、所述第二同比数据和多个所述第三件量数据输入至所述机器学习模型，获得所述第二预测件量数据。
10.一种异动客户预警装置，其特征在于，包括
权利要求6-9任一项所述的客户件量预测装置；
处理模块，用于将第一预测件量数据与和所述第一预测件量数据相邻的第一时间段内的第一件量数据比较，若所述第一预测件量数据相对于所述第一件量数据的下滑幅度超过预设阀值，则将所述第一预测件量数据对应的待预测客户预测为异动客户。
技术总结