論文の概要: Calculating Customer Lifetime Value and Churn using Beta Geometric Negative Binomial and Gamma-Gamma Distribution in a NFT based setting

• arxiv url: http://arxiv.org/abs/2501.04719v1
• Date: Thu, 02 Jan 2025 08:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-12 03:17:08.213216
• Title: Calculating Customer Lifetime Value and Churn using Beta Geometric Negative Binomial and Gamma-Gamma Distribution in a NFT based setting
• Title（参考訳）: ベータ幾何学的負二項分布とガンマガンマ分布を用いたNFTによる顧客寿命値とチャーン算出
• Authors: Sagarnil Das,
• Abstract要約: 顧客ライフサイクルバリュー(CLV)は、顧客が生涯にわたってビジネスにもたらす合計価値を測定する。 ベータ幾何負二項分布(BGNBD)とガンマガンマ分布(Gamma Gamma Distribution)はCLVを計算するために使用できる2つのモデルである。 この記事では、BGNBDとGamma Gammaディストリビューションモデルを説明し、ブロックチェーン環境でNFT(Non-Fungible Token)トランザクションデータのCLVを計算する方法について説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Customer Lifetime Value (CLV) is an important metric that measures the total value a customer will bring to a business over their lifetime. The Beta Geometric Negative Binomial Distribution (BGNBD) and Gamma Gamma Distribution are two models that can be used to calculate CLV, taking into account both the frequency and value of customer transactions. This article explains the BGNBD and Gamma Gamma Distribution models, and how they can be used to calculate CLV for NFT (Non-Fungible Token) transaction data in a blockchain setting. By estimating the parameters of these models using historical transaction data, businesses can gain insights into the lifetime value of their customers and make data-driven decisions about marketing and customer retention strategies.
• Abstract（参考訳）: 顧客ライフサイクルバリュー(英:Customer Lifetime Value、CLV)は、顧客が生涯にわたってビジネスにもたらす合計価値を測定する重要な指標である。 Beta Geometric Negative Binomial Distribution (BGNBD) と Gamma Gamma Distribution は、CLVの計算に使用可能な2つのモデルである。 この記事では、BGNBDとGamma Gammaディストリビューションモデルを説明し、ブロックチェーン環境でNFT(Non-Fungible Token)トランザクションデータのCLVを計算する方法について説明する。 過去のトランザクションデータを使ってこれらのモデルのパラメータを推定することにより、企業は顧客の生涯価値に関する洞察を得て、マーケティングと顧客保持戦略に関するデータ駆動決定を行うことができる。

関連論文リスト

• Double Machine Learning at Scale to Predict Causal Impact of Customer Actions [0.0]
  二重機械学習(DML)手法を用いて、100件の顧客行動にまたがる因果影響(CI)の値を推定する。 Sparkをベースとした因果MLライブラリを通じてDMLを運用しています。 我々は、信頼区間とともに、人口レベルと顧客レベルのCI値を示す。
  論文  参考訳（メタデータ） (2024-09-03T23:13:04Z)
• BIRD: A Trustworthy Bayesian Inference Framework for Large Language Models [52.46248487458641]
  予測モデルは、現実世界のタスクで不完全な情報を扱う必要があることが多い。 現在の大規模言語モデル(LLM)は、そのような正確な推定には不十分である。 本稿では,新しい確率的推論フレームワークBIRDを提案する。
  論文  参考訳（メタデータ） (2024-04-18T20:17:23Z)
• 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)
• FedSampling: A Better Sampling Strategy for Federated Learning [81.85411484302952]
  フェデレートラーニング(FL)は、プライバシを保存する方法で分散化されたデータからモデルを学習するための重要なテクニックである。 既存のFLメソッドは通常、各ラウンドでローカルモデル学習のために一様にクライアントをサンプリングする。 フェデレート学習のための新しいデータ一様サンプリング戦略(FedSampling)を提案する。
  論文  参考訳（メタデータ） (2023-06-25T13:38:51Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Modelling customer lifetime-value in the retail banking industry [0.0]
  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。
  論文  参考訳（メタデータ） (2023-04-06T12:54:33Z)
• Learning Consumer Preferences from Bundle Sales Data [2.6899658723618005]
  本稿では,バンドル販売データを用いて消費者の商品に対する評価値の分布を学習するためのアプローチを提案する。 EMアルゴリズムとモンテカルロシミュレーションを用いて,消費者評価の分布を復元する。
  論文  参考訳（メタデータ） (2022-09-11T21:42:49Z)
• 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)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)
• The Use of Binary Choice Forests to Model and Estimate Discrete Choices [15.952584576883973]
  小売業では、顧客の選択行動を捉えるために、離散選択モデル(DCM)が一般的に使用される。 本研究では,二分決定木の森林を用いてDCMを表現した。 提案手法は,任意のDCMの選択確率を連続的に予測し,不特定性に悩まされないことを示す。
  論文  参考訳（メタデータ） (2019-08-03T02:34:49Z)

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。