論文の概要: Modelling customer lifetime-value in the retail banking industry
- arxiv url: http://arxiv.org/abs/2304.03038v1
- Date: Thu, 6 Apr 2023 12:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 14:19:17.511691
- Title: Modelling customer lifetime-value in the retail banking industry
- Title(参考訳): 小売銀行業における顧客生涯価値のモデル化
- Authors: Greig Cowan, Salvatore Mercuri, Raad Khraishi
- Abstract要約: 顧客生涯価値をモデル化するための一般的な枠組みを提案する。
長期にわたる契約と製品中心の顧客関係を持つ業界に適用される。
このフレームワークは、任意の時間的地平線と製品に基づく正当性モデル上でのCLV予測を促進する新しい方法である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding customer lifetime value is key to nurturing long-term customer
relationships, however, estimating it is far from straightforward. In the
retail banking industry, commonly used approaches rely on simple heuristics and
do not take advantage of the high predictive ability of modern machine learning
techniques. We present a general framework for modelling customer lifetime
value which may be applied to industries with long-lasting contractual and
product-centric customer relationships, of which retail banking is an example.
This framework is novel in facilitating CLV predictions over arbitrary time
horizons and product-based propensity models. We also detail an implementation
of this model which is currently in production at a large UK lender. In
testing, we estimate an 43% improvement in out-of-time CLV prediction error
relative to a popular baseline approach. Propensity models derived from our CLV
model have been used to support customer contact marketing campaigns. In
testing, we saw that the top 10% of customers ranked by their propensity to
take up investment products were 3.2 times more likely to take up an investment
product in the next year than a customer chosen at random.
- Abstract(参考訳): しかし、顧客生涯価値を理解することは、長期的な顧客関係を育む上でキーとなる。
小売銀行業界では、一般的なアプローチは単純なヒューリスティックに依存しており、現代の機械学習技術の高度な予測能力を利用しない。
本稿では、長期にわたる契約・商品中心の顧客関係を持つ産業に適用可能な顧客寿命価値をモデル化するための一般的な枠組みについて述べる。
このフレームワークは、任意の時間的地平線と製品に基づく確率モデル上でのCLV予測を促進するのに新しい。
また、英国大手銀行で現在生産されているこのモデルの実装についても詳述する。
テストでは,一般的なベースラインアプローチと比較して,時間外CLV予測誤差が43%改善した。
当社のCLVモデルから得られた収益モデルを用いて,顧客のコンタクトマーケティングキャンペーンを支援している。
テストでは、投資商品を入手する傾向によってランク付けされた顧客の上位10%が、ランダムに選択した顧客よりも来年に投資商品を入手する確率が3.2倍高かった。
関連論文リスト
- Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - A Meta-learning based Stacked Regression Approach for Customer Lifetime
Value Prediction [3.6002910014361857]
顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。
CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。
本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
論文 参考訳(メタデータ) (2023-08-07T14:22:02Z) - Causal Analysis of Customer Churn Using Deep Learning [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
本稿では,ディープフィードフォワードニューラルネットワークを用いた分類手法を提案する。
また,顧客を混乱させる原因を予測するための因果ベイズネットワークを提案する。
論文 参考訳(メタデータ) (2023-04-20T18:56:13Z) - Federated Learning of Shareable Bases for Personalization-Friendly Image
Classification [54.72892987840267]
FedBasisは、いくつかの共有可能なベースモデルの集合を学習し、リニアに組み合わせて、クライアント用のパーソナライズされたモデルを形成することができる。
具体的には、新しいクライアントの場合、モデルの重みではなく、小さな組み合わせ係数のみを学ぶ必要がある。
また、FedBasisの有効性と適用性を示すために、画像分類のためのより実用的なPFLテストベッドを提案する。
論文 参考訳(メタデータ) (2023-04-16T20:19:18Z) - Modelling customer churn for the retail industry in a deep learning
based sequential framework [0.0]
この研究は、顧客が非契約条件下で小売企業との購入をやめるリスクがあるかを予測するための、深いサバイバル・フレームワークを提供する。
個人レベルのサバイバルモデルを得ることで、個々の顧客の行動のみに基づいて、購入行動の個人レベルのサバイバルモデルを得ることができる。
論文 参考訳(メタデータ) (2023-04-02T16:48:43Z) - Customer Churn Prediction Model using Explainable Machine Learning [0.0]
この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。
各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。
モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
論文 参考訳(メタデータ) (2023-03-02T04:45:57Z) - Estimating defection in subscription-type markets: empirical analysis
from the scholarly publishing industry [0.0]
本稿では,学術出版業界における顧客チャーン予測の実証的研究について紹介する。
本研究は,6.5年間の顧客定期購読データに対する予測手法について検討した。
このアプローチは、ビジネス対ビジネスのコンテキストにおいて、正確かつ一意に有用であることを示します。
論文 参考訳(メタデータ) (2022-11-18T01:29:51Z) - Robust Quantity-Aware Aggregation for Federated Learning [72.59915691824624]
悪意のあるクライアントは、モデル更新を害し、モデルアグリゲーションにおけるモデル更新の影響を増幅するために大量の要求を行う。
FLの既存の防御メソッドは、悪意のあるモデル更新を処理する一方で、すべての量の良性を扱うか、単にすべてのクライアントの量を無視/停止するだけである。
本稿では,フェデレーション学習のためのロバストな量認識アグリゲーションアルゴリズムであるFedRAを提案し,局所的なデータ量を認識してアグリゲーションを行う。
論文 参考訳(メタデータ) (2022-05-22T15:13:23Z) - No One Left Behind: Inclusive Federated Learning over Heterogeneous
Devices [79.16481453598266]
この問題に対処するクライアント包摂的フェデレーション学習手法であるInclusiveFLを提案する。
InclusiveFLの中核となる考え方は、異なるサイズのモデルを異なる計算能力を持つクライアントに割り当てることである。
また,異なる大きさの複数の局所モデル間で知識を共有する効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-02-16T13:03:27Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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)
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。