业务和功能介绍
Ted & Poppy 是一家面向亚洲市场的宠物食品订阅平台，近期出现订阅用户流失率上升的趋势。我对企业提供的订阅行为、客户反馈和交易数据进行了深入挖掘，旨在构建精准的流失预测模型，并为企业制定有效的客户保留策略，降低流失、提高忠诚度。
建立标准化数据处理流程，对 20 万+ 条用户数据（含地区、支付、优惠、支持记录等字段）进行清洗、特征提取与分组分析；
使用可视化图表识别高风险客户群体特征（如支持工单密集、未收到优惠、支付失败等）；
构建多个分类模型（Logistic 回归、LightGBM、XGBoost），并评估其准确率、敏感度与 NPV，选择最优模型；
基于模型结果设计精细化客户运营策略，包括个性化优惠、主动客服介入、支付方式多样化、区域定向激励等；
输出完整项目汇报及图文分析报告，供业务决策方参考实施。
建立标准化数据处理流程，对 20 万+ 条用户数据（含地区、支付、优惠、支持记录等字段）进行清洗、特征提取与分组分析；
使用可视化图表识别高风险客户群体特征（如支持工单密集、未收到优惠、支付失败等）；
构建多个分类模型（Logistic 回归、LightGBM、XGBoost），并评估其准确率、敏感度与 NPV，选择最优模型；
基于模型结果设计精细化客户运营策略，包括个性化优惠、主动客服介入、支付方式多样化、区域定向激励等；
输出完整项目汇报及图文分析报告，供业务决策方参考实施。
项目实现
在该项目中，我主要负责数据清洗、模型训练与策略输出工作：
使用 Pandas 和 Scikit-learn 完成数据预处理与特征工程；
实施多模型训练与性能评估，通过混淆矩阵分析模型精度与风险控制能力；
梳理变量重要性，识别影响流失的关键因素如地区偏好、支付失败、用户活跃度等；
配合组员输出图表与展示材料，最终将模型成果以数据故事形式呈现给客户；
最优模型（Logistic 回归）实现了 91% 的敏感度与 98% 的负预测值，有效支持后续客户留存策略落地。
使用 Pandas 和 Scikit-learn 完成数据预处理与特征工程；
实施多模型训练与性能评估，通过混淆矩阵分析模型精度与风险控制能力；
梳理变量重要性，识别影响流失的关键因素如地区偏好、支付失败、用户活跃度等；
配合组员输出图表与展示材料，最终将模型成果以数据故事形式呈现给客户；
最优模型（Logistic 回归）实现了 91% 的敏感度与 98% 的负预测值，有效支持后续客户留存策略落地。
示例图片视频
相似推荐
互联网金融支付项目
1.随着电商、共享经济等新业态爆发，中小商户与个人对便捷、低成本收付款需求激增，传统银行结算流程繁琐、到账慢，第三方支付凭借轻量化、全场景适配优势，成为市场刚需，本项目旨在打造合规、高效的聚合支付系统。
2.支持微信、支付宝、云闪付等主流渠道收款，提供订单管理、自动对账、分账结算、电子发票一键开具，搭载交易风控引擎，实时拦截异常交易，同时开放 API 接口，支持商户个性化二次开发。
3.用户发起付款请求，系统跳转至聚合收银台，用户选择支付渠道完成付款，交易数据同步至风控模块核验，核验通过后资金自动清算至商户账户，同时推送交易凭证与对账报表至商户后台。
智慧金融爬虫数据采集系统
1.立项背景和目标：需要对主流金融网站上的常见金融指标数据进行分析，需要获取实时的数据做量化分析
2.软件功能、核心功能模块的介绍：(1) 爬虫任务定时执行、任务状态检测平台采用dolphinschduler开源框架 (2) 爬取数据采用request,selenium,playwright,rpa,scapy等框架 （3）反爬技术框架采用js逆向、滑块验证码、图片数字验证码、ocr图片识别技术
（4）数据库采用mongoldb,oracle,后端技术采用flask框架
3.业务流程、功能路径描述：爬取主流金融网站的数据、图片、excel文件、html信息，解析、提取、转换其中的数据并落入数据库中，通过接口的形式推送到业务系统做展示
消费金融项目
锦咏数据互联网信贷中台（以下简称“信贷中台”）是构建在互联网+的基础上推出的新一代信贷系统平台，为企业客户和金融机构提供全流程、模块化的综合金融科技解决方案。整个系统是集线上线下多渠道导流、智能信贷审核、智能风控引擎、完整信贷核心核算、智能催收系统为一体的综合业务解决方案，解决了传统信贷的放款速度慢、银行垄断及信用审核难等问题，使互联网、个人消费、信用认证、量化评分、快速放款高效地结合到一起。系统平台支持互联网渠道如蚂蚁集团、微众银行、众安保险、度小满金融、360数科等多个导流渠道，支撑多种金融应用场景，完美适应面向场景化消费信贷、现金分期、随借随还、小微信贷等多种金融产品。结合互联网大数据征信对接多维度数据源、个人信用认证、量化评分等，做到快速自动化审批与人工审批完美结合，从而灵活配置风控规则，运用大数据风控建模，降低风控成本，提升审批效率，减少坏账发生率。
基于大模型NLP与游资动量特征的A股智能决策系统
1、立项背景和目标
散户获取股市消息面的渠道分散（新闻联播、财经频道、交易软件、财务报表等），且面对海量资讯时，人类大脑无法在盘中极短时间内完成“阅读->情绪判断->结合盘面->交易决策”的闭环。
本项目旨在解决这一痛点，开发一款“全维量化监控系统”。目标是将国内顶尖短线游资（如“92科比”）的盘面量价心法（硬数据）与基于深度学习的大语言模型（LLM）新闻情感分析（软数据）相结合，实现盘中毫秒级的自动化盯盘与决策辅助。
2、软件功能、核心功能模块的介绍
系统主要包含三大核心模块：
高频行情嗅探模块 (Market Scanner): 绕过繁琐的全市场扫描，直连新浪财经API，实时抓取全市场“高换手率”的活跃资金流向，计算涨跌停家数与市场平均溢价，生成“游资情绪仪表盘”。
量化规则引擎 (Strategy Logic): 基于短线打板心法，内置多重过滤漏斗（剔除ST/退市、锁定5-50元黄金价格带、筛选5%-25%异动换手率、大于2亿成交额的右侧上涨股），精准锁定核心龙头。
AI 舆情雷达模块 (AI News Sentiment): 针对初筛出的龙头股，自动化调用东方财富搜索接口，抓取最近7天的相关新闻。并载入本地部署的 Erlangshen/FinBERT 中文金融自然语言处理模型，对资讯标题进行语义理解，输出“利好/利空/中性”的AI判别及置信度。
3、业务流程、功能路径描述
系统的业务路径为一条高度自动化的流水线：
启动系统 -> 初始化本地NLP大模型 -> 触发定时扫描 -> 拉取新浪实时活跃行情 -> 执行量价策略筛出Top 5目标股 -> 对Top 5目标触发定向新闻爬虫 -> 大模型阅读新闻并打分 -> 融合行情与消息面，终端输出带表情包的可视化决策看板。
SA财富管理系统
该项目是中国民生银行自主研发运营的一套零售理财管理系统，业务主要分为对公和对私，PC端和手机端，服务范围全国28家所有民生银行的理财经、理财助理 、产品经理、产品助理等。包括基本电子基金业务、利息支票业务、货币市场、基本储蓄业务、信用卡及线索营销等服务。该项目每年营业365天，每天营业24小时，通过电子邮件或免费热线，为客户提供充满活力的、全天候的客户服务支持。为用户提供客户信息的收集整理，发起线索，开展营销活动等一系列的流程。实现各级分工协作，适合每个岗位的操作权限的控制。
该项目主要的模式是帮助银行工作人员收集和管理客户信息，为不同的客户群体提供各种有针对性的银行理财产品，帮助客户做出购买决定；充分挖掘潜在客户，持续追踪客户，和客户建立长期稳定的合作关系。
该项目主要运用的技术包括Spring, SpringMVC, MyBatis, Struts, WebService, Ajax, Json, Jsp, jQuery, Easy-ui, E-charts等等。因为该项目是由.net升级改造为Java的一个大型项目工程，有很多业务外包给多家软件公司，跨越多个项目，分属不同领域，所以涵盖的技术也比较多和杂。
主要功能模块分为：工作首页（包含各个功能模块的热点功能），工作专区（工作计划、工作日程、工作提醒），快速查询（查询客户），产品货架（储蓄、基金、债券、贵金属等），系统管理（用户信息管理、菜单设置、权限管理、系统参数配置等，此项仅管理岗可见，且根据权限大小而定），关于我们。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服