論文の概要: Explainability, risk modeling, and segmentation based customer churn analytics for personalized retention in e-commerce

• arxiv url: http://arxiv.org/abs/2510.11604v1
• Date: Mon, 13 Oct 2025 16:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.463322
• Title: Explainability, risk modeling, and segmentation based customer churn analytics for personalized retention in e-commerce
• Title（参考訳）: 電子商取引におけるパーソナライズされたリテンションのための説明可能性、リスクモデリング、セグメンテーションに基づく顧客チャーン分析
• Authors: Sanjula De Alwis, Indrajith Ekanayake,
• Abstract要約: 本研究は、特徴貢献を定量化するための説明可能なAIを統合した3成分フレームワーク、時間と時間の間のチャーンリスクのモデルへの生存分析、取引行動による顧客分割のためのRAMプロファイリングを推進した。 これらの手法を組み合わせることで、チャーンドライバの帰属、介入窓の推定、ターゲットアクションのセグメントの優先順位付けが可能となり、顧客の信頼度を低下させる戦略を支援することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In online retail, customer acquisition typically incurs higher costs than customer retention, motivating firms to invest in churn analytics. However, many contemporary churn models operate as opaque black boxes, limiting insight into the determinants of attrition, the timing of retention opportunities, and the identification of high-risk customer segments. Accordingly, the emphasis should shift from prediction alone to the design of personalized retention strategies grounded in interpretable evidence. This study advances a three-component framework that integrates explainable AI to quantify feature contributions, survival analysis to model time-to-event churn risk, and RFM profiling to segment customers by transactional behaviour. In combination, these methods enable the attribution of churn drivers, estimation of intervention windows, and prioritization of segments for targeted actions, thereby supporting strategies that reduce attrition and strengthen customer loyalty.
• Abstract（参考訳）: オンライン小売業界では、顧客獲得は通常、顧客の維持よりも高いコストを発生させ、企業をチャーン分析に投資する動機付けている。 しかし、多くの現代のチャーンモデルは不透明なブラックボックスとして機能し、誘惑の決定要因、保持機会のタイミング、リスクの高い顧客セグメントの識別に関する洞察を制限している。 したがって、予測のみから、解釈可能な証拠に基づくパーソナライズされた保持戦略の設計へと重点を移すべきである。 本研究は、特徴貢献を定量化するための説明可能なAIを統合した3成分フレームワーク、時間と時間の間のチャーンリスクのモデルへの生存分析、取引行動による顧客分割のためのRAMプロファイリングを推進した。 これらの手法を組み合わせることで、チャーンドライバの帰属、介入窓の推定、ターゲットアクションのセグメントの優先順位付けが可能となり、顧客の信頼度を低下させる戦略を支援することができる。

関連論文リスト

• CATS: Clustering-Aggregated and Time Series for Business Customer Purchase Intention Prediction [7.294680030004759]
  顧客が次の購入をするかどうかを予測することは、古典的な時系列予測タスクです。 顧客グループは通常、不均衡を示す。つまり、時々買い手や少数の忠実な顧客がいる。 本稿では,顧客購入意図予測にマルチモーダルデータを活用するクラスタリングとアテンションGRUモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T09:07:34Z)
• Segment Discovery: Enhancing E-commerce Targeting [8.000199536112937]
  本稿では、アップリフトモデリングと制約付き最適化に基づくポリシーフレームワークを提案する。 本研究では,2つの大規模実験と実運用による最先端のターゲット手法の改善について述べる。
  論文  参考訳（メタデータ） (2024-09-20T18:42:04Z)
• Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
  連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。 2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。 提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• AgentBoard: An Analytical Evaluation Board of Multi-turn LLM Agents [74.16170899755281]
  本稿では,LLMエージェントの分析的評価に適したオープンソース評価フレームワークであるAgentBoardを紹介する。 AgentBoardは、インクリメンタルな進歩と包括的な評価ツールキットをキャプチャする、きめ細かい進捗率のメトリクスを提供する。 これはLLMエージェントの能力と限界に光を当てるだけでなく、その性能の解釈可能性も最前線に広める。
  論文  参考訳（メタデータ） (2024-01-24T01:51:00Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation [69.75513501757628]
  FedGTは、フェデレーション学習における悪意のあるクライアントを安全なアグリゲーションで識別するための新しいフレームワークである。 我々はPillutlaらによって最近提案された幾何的中央値に基づいて,FedGTがプライベートロバストアグリゲーションアプローチを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2023-05-09T14:54:59Z)
• Improved Churn Causal Analysis Through Restrained High-Dimensional Feature Space Effects in Financial Institutions [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。 顧客の獲得コストは、顧客の保持の5倍から6倍になり得るので、リスクの厳しい顧客への投資は賢明です。 本研究では、独立変数と相関し、チャーンに影響を及ぼす従属変数と因果関係にある相反する特徴を発見するための概念的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-04-23T00:45:35Z)
• 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)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• 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)

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。