論文の概要: RICON: A ML framework for real-time and proactive intervention to
prevent customer churn
- arxiv url: http://arxiv.org/abs/2203.16155v1
- Date: Wed, 30 Mar 2022 08:56:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 15:53:22.769213
- Title: RICON: A ML framework for real-time and proactive intervention to
prevent customer churn
- Title(参考訳): RICON:顧客の混乱を防ぐためのリアルタイムかつ積極的な介入のためのMLフレームワーク
- Authors: Arnab Chakraborty, Vikas Raturi, Shrutendra Harsola
- Abstract要約: RICONはフレキシブルで費用対効果が高く、堅牢な機械学習システムであり、リアルタイムで顧客のチャーン確率を予測する。
我々は、RICONが強いクラス不均衡の存在下で2.68の上昇を達成したことを示す。
- 参考スコア(独自算出の注目度): 0.1473281171535445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of churn prediction in real-time. Because of the
batch mode of inference generation, the traditional methods can only support
retention campaigns with offline interventions, e.g., test messages, emails or
static in-product nudges. Other recent works in real-time churn predictions do
not assess the cost to accuracy trade-off to deploy such models in production.
In this paper we present RICON, a flexible, cost-effective and robust machine
learning system to predict customer churn propensities in real-time using
clickstream data. In addition to churn propensity prediction, RICON provides
insights based on product usage intelligence. Through application on a real big
data of QBO Advanced customers we showcase how RICON has achieved a top decile
lift of 2.68 in the presence of strong class imbalance. Moreover, we execute an
extensive comparative study to justify our modeling choices for RICON. Finally,
we mention how RICON can be integrated with intervention platforms within
Intuit to run large-scale retention campaigns with real-time in-product
contextual helps.
- Abstract(参考訳): 我々は,リアルタイムな予測の問題を考える。
推論生成のバッチモードのため、従来のメソッドは、テストメッセージ、Eメール、静的な製品内ノッジなどのオフライン介入による保持キャンペーンのみをサポートすることができる。
リアルタイムチャーン予測における他の最近の研究は、そのようなモデルを本番環境にデプロイするための正確なトレードオフのコストを評価していない。
本稿では,クリックストリームデータを用いてリアルタイムに顧客のチャーン傾向を予測する,フレキシブルでコスト効率が高く頑健な機械学習システムriconを提案する。
整合性予測に加えて、RICONは製品利用のインテリジェンスに基づいた洞察を提供する。
QBOアドバンスト顧客による真のビッグデータの適用を通じて、強いクラス不均衡の存在下でRICONが2.68の上昇を達成した様子を実演する。
さらに、RICONのモデリング選択を正当化するために、広範な比較研究を実施する。
最後に、RICONをIntuit内の介入プラットフォームと統合して、リアルタイムな製品内コンテキスト支援による大規模保持キャンペーンを実行する方法について述べる。
関連論文リスト
- Refined Mechanism Design for Approximately Structured Priors via Active
Regression [50.71772232237571]
我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。
この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
論文 参考訳(メタデータ) (2023-10-11T20:34:17Z) - Early Churn Prediction from Large Scale User-Product Interaction Time
Series [0.0]
本稿では,歴史的データを用いたユーザチャーン予測に関する徹底的な研究を行う。
我々は,顧客満足度予測モデルを作成し,企業の誘惑傾向の理解と効果的な保留計画の策定を促進することを目的としている。
論文 参考訳(メタデータ) (2023-09-25T08:44:32Z) - ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph
Convolution [0.16317061277456998]
我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。
ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。
ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
論文 参考訳(メタデータ) (2023-09-22T04:37:51Z) - Fast and Private Inference of Deep Neural Networks by Co-designing
Activation Functions [19.118686713513643]
マルチパーティ(MPC)は、暗号化推論によってクライアントのデータを保護する。
推論モデルと精度を競合させる新しいトレーニングアルゴリズムを提案する。
我々の評価では、最大2300万のパラメータを持つ大規模モデルにおいて、推論時間の4ドルから90倍のスピードアップが示されています。
論文 参考訳(メタデータ) (2023-06-14T14:38:25Z) - Revenue Management without Demand Forecasting: A Data-Driven Approach
for Bid Price Generation [25.53238782264327]
本稿では、需要予測と最適化技術の必要性を排除したデータ駆動型の収益管理手法を提案する。
我々はニューラルネットワークアルゴリズムを用いて入札価格を将来に向けて予測する。
以上の結果から,我々のデータ駆動手法は,幅広い設定において理論的に最適(1%の収益格差)に近いままであることがわかった。
論文 参考訳(メタデータ) (2023-04-14T21:10:13Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳(メタデータ) (2022-05-31T17:45:30Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳(メタデータ) (2022-04-16T12:03:52Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Arbitrary Distribution Modeling with Censorship in Real-Time Bidding
Advertising [2.562910030418378]
インベントリプライシングの目的は、オンライン広告の機会に適切な価格を入札することであり、これはデマンド・サイド・プラットフォーム(DSP)がリアルタイム入札(RTB)で競売に勝つために不可欠である。
以前の作品の多くは、勝利価格の分布形式を強く仮定し、その正確さを減らし、一般化する能力を弱めた。
我々は,新たな損失関数であるNLL(Neighborhood Likelihood Loss)を提案し,検閲下での勝利価格分布を予測するためのフレームワークであるArbitrary Distribution Modeling(ADM)と協調する。
論文 参考訳(メタデータ) (2021-10-26T11:40:00Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳(メタデータ) (2020-12-30T10:27:59Z) - Bandit Data-Driven Optimization [62.01362535014316]
機械学習パイプラインが設定で有用になるためには、克服しなければならない大きな問題点が4つある。
これらの問題点に対処する最初の反復予測記述フレームワークであるBanditデータ駆動最適化を導入する。
本稿では,このフレームワークの新しいアルゴリズム PROOF を提案する。
論文 参考訳(メタデータ) (2020-08-26T17:50:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。