論文の概要: e-Profits: A Business-Aligned Evaluation Metric for Profit-Sensitive Customer Churn Prediction

• arxiv url: http://arxiv.org/abs/2507.08860v1
• Date: Wed, 09 Jul 2025 11:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.567961
• Title: e-Profits: A Business-Aligned Evaluation Metric for Profit-Sensitive Customer Churn Prediction
• Title（参考訳）: e-Profits: 収益感のある顧客チャーン予測のためのビジネス指向評価指標
• Authors: Awais Manzoor, M. Atif Qureshi, Etain Kidney, Luca Longo,
• Abstract要約: 保持キャンペーンは、しばしばAUCやF1スコアといった伝統的なメトリクスを用いて評価されたチャーン予測モデルに依存する。 本稿では、顧客固有の価値、維持確率、介入コストに基づいてモデルパフォーマンスを定量化する、新たなビジネス対応評価指標であるe-Profitsを紹介する。 e-ProfitsはKaplan-Meierサバイバル分析を使用してパーソナライズされた保持率を推定し、顧客の評価に応じて粒度をサポートする。
• 参考スコア（独自算出の注目度）: 1.5749416770494704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retention campaigns in customer relationship management often rely on churn prediction models evaluated using traditional metrics such as AUC and F1-score. However, these metrics fail to reflect financial outcomes and may mislead strategic decisions. We introduce e-Profits, a novel business-aligned evaluation metric that quantifies model performance based on customer-specific value, retention probability, and intervention costs. Unlike existing profit-based metrics such as Expected Maximum Profit, which assume fixed population-level parameters, e-Profits uses Kaplan-Meier survival analysis to estimate personalised retention rates and supports granular, per customer evaluation. We benchmark six classifiers across two telecom datasets (IBM Telco and Maven Telecom) and demonstrate that e-Profits reshapes model rankings compared to traditional metrics, revealing financial advantages in models previously overlooked by AUC or F1-score. The metric also enables segment-level insight into which models maximise return on investment for high-value customers. e-Profits is designed as an understandable, post hoc tool to support model evaluation in business contexts, particularly for marketing and analytics teams prioritising profit-driven decisions. All source code is available at: https://github.com/matifq/eprofits.
• Abstract（参考訳）: 顧客関係管理における保持キャンペーンは、しばしばAUCやF1スコアといった伝統的な指標を用いて評価された混乱予測モデルに依存する。 しかし、これらの指標は財政的な成果を反映せず、戦略的決定を誤解させる可能性がある。 本稿では、顧客固有の価値、維持確率、介入コストに基づいてモデルパフォーマンスを定量化する、新たなビジネス対応評価指標であるe-Profitsを紹介する。 固定人口レベルのパラメータを仮定する期待最大利益のような既存の利益ベースの指標とは異なり、e-ProfitsはKaplan-Meierサバイバル分析を使用して個人化された保持率を推定し、顧客の評価に応じて粒度をサポートする。 我々は、2つのテレコムデータセット(IBM TelcoとMaven Telecom)で6つの分類器をベンチマークし、e-Profitsが従来の指標と比較してモデルランキングを再評価することを示した。 このメトリクスは、どのモデルが高価値顧客に対する投資のリターンを最大化するかについてのセグメントレベルの洞察を可能にする。 e-Profitsはビジネスコンテキストにおけるモデル評価をサポートする,理解可能なポストホックツールとして設計されている。 すべてのソースコードは、https://github.com/matifq/eprofits.comで入手できる。

関連論文リスト

• Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
  予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。 本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
  論文  参考訳（メタデータ） (2025-06-06T10:08:17Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [51.41246396610475]
  本稿では,外部ツールを使わずにクローズドブック質問応答(QA)の性能を予測することを目的とする。 我々は、21の公開言語と3つのカスタムトレーニングされた大規模言語モデルの事前学習コーパスに対して、大規模な検索と意味解析を行う。 これらの基礎の上に構築されたSMI(Size-dependent Mutual Information)は,事前学習データの特徴を線形に相関させる情報理論の指標である。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Customer Lifetime Value Prediction with Uncertainty Estimation Using Monte Carlo Dropout [3.187236205541292]
  本稿では,モンテカルロ・ドロップアウト(MCD)フレームワークを組み込むことにより,純粋ニューラルネットワークモデルのアーキテクチャを強化する新しいアプローチを提案する。 世界で最もダウンロード数の多いモバイルゲームのデータを用いて,提案手法のベンチマークを行った。 提案手法は,ニューラルネットワークモデル間での性能評価を行うための余分な次元として信頼性指標を提供する。
  論文  参考訳（メタデータ） (2024-11-24T18:14:44Z)
• A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
  大規模言語モデル(LLM)のための最初の形式的確率的評価フレームワークを紹介する。 すなわち,モデルの出力分布に関する確率保証の高い新しい指標を提案する。 私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
  論文  参考訳（メタデータ） (2024-10-04T15:44:23Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Optimizing Sales Forecasts through Automated Integration of Market Indicators [0.0]
  本研究では、顧客需要予測を改善するために市場指標を自動的に選択・統合するデータ駆動技術の可能性を検討する。 探索的手法を採用することで、国内GDP成長などのマクロ経済時系列をtextitNeural Prophet や textitSARIMAX 予測モデルに統合する。 外部情報を組み込むことで予測が大幅に向上できることが示せる。
  論文  参考訳（メタデータ） (2024-05-15T08:11:41Z)
• Churn Prediction via Multimodal Fusion Learning:Integrating Customer Financial Literacy, Voice, and Behavioral Data [14.948017876322597]
  本稿では,金融サービスプロバイダの顧客リスクレベルを特定するためのマルチモーダル融合学習モデルを提案する。 弊社のアプローチは、顧客感情の財務リテラシー(FL)レベルと、財務行動データを統合している。 我々の新しいアプローチは、チャーン予測の顕著な改善を示し、テスト精度91.2%、平均精度66、マクロ平均F1スコア54を達成した。
  論文  参考訳（メタデータ） (2023-12-03T06:28:55Z)
• 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)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)

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。