論文の概要: A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification

• arxiv url: http://arxiv.org/abs/2606.06776v1
• Date: Thu, 04 Jun 2026 23:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.480876
• Title: A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification
• Title（参考訳）: チャーン予測と挙動同定のための転がりウインドウフレームワーク
• Authors: Muhammad Jawad Mufti, Omar Hammad, Haitham Saleh, Muqaddas Gull,
• Abstract要約: 本研究では,転がり挙動ウィンドウを用いた顧客行動のモデル化を行う,時間的に明示的なチャーン予測フレームワークを提案する。 このフレームワークは、機能ベースとシーケンスベースの学習アプローチを統合時間設計に統合する。 実験結果から, 精度は87.6%, ROC-AUCは0.94に向上した。
• 参考スコア（独自算出の注目度）: 0.9449650062296823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Customer churn prediction is a central task in customer analytics, particularly in non-contractual, pay-per-use service environments where disengagement is not explicitly observed and must be inferred from behavioral inactivity. Existing churn prediction approaches often rely on simplified temporal assumptions or single-point representations of customer behavior, which limit their ability to support continuous risk assessment, interpretability, and realistic deployment over time. This study proposes a temporally explicit churn prediction framework that models customer behavior using rolling behavioral windows, enabling repeated and instance-level churn risk estimation as customer activity evolves. Customer behavior is summarized within a fixed 30-day observation window, followed by a 30-day future churn evaluation window, ensuring a clear temporal separation between behavioral evidence and churn outcomes. The framework integrates feature-based and sequence-based learning approaches within a unified temporal design. The proposed approach is evaluated on a large-scale, real-world dataset from a non-contractual service platform. Empirical results demonstrate strong and stable predictive performance, with accuracy reaching 87.6% and ROC-AUC of 0.94 for the feature-based model, while the sequence-based model achieves recall as high as 96.1% by capturing temporal disengagement patterns. Evaluation on future unseen data confirms meaningful robustness under temporal shift, with accuracy remaining above 83% and ROC-AUC exceeding 0.91 without model retraining. Overall, the findings highlight that carefully designed temporal framing, rather than model complexity alone, is critical for achieving robust, interpretable, and deployment-ready churn prediction. The study provides a practical foundation for churn-oriented decision support in dynamic service environments.
• Abstract（参考訳）: 顧客チャーン予測は顧客分析における中心的なタスクであり、特にディエンゲージメントが明示的に観察されず、行動的不活性から推測されなければならない、契約的でない、従量制のサービス環境においてである。 既存のチャーン予測アプローチは、時間とともに継続的なリスクアセスメント、解釈可能性、現実的なデプロイメントをサポートする能力を制限する、顧客行動の単純化された時間的仮定や単一ポイント表現に依存していることが多い。 本研究では,転がり行動ウィンドウを用いた顧客行動の時間的明示的な予測フレームワークを提案し,顧客活動の進展に伴い,反復的かつインスタンスレベルのチャーンリスク推定を可能にする。 顧客行動は、固定された30日間の観察ウィンドウ内で要約され、続いて30日間の将来のチャーン評価ウィンドウが続き、行動証拠とチャーン結果の明確な時間的分離が保証される。 このフレームワークは、機能ベースとシーケンスベースの学習アプローチを統合時間設計に統合する。 提案手法は,非契約型サービスプラットフォームからの大規模実世界のデータセットに基づいて評価される。 実験結果から, 特徴ベースモデルでは精度87.6%, ROC-AUC0.94に達し, 時間的解離パターンを捉えることで, 最大96.1%のリコールが達成された。 将来の未確認データの評価では、時間的シフトの下で有意義な堅牢性が確認され、精度は83%以上であり、ROC-AUCはモデルの再トレーニングなしで0.91以上である。 全体として、モデル複雑さのみではなく、慎重に設計された時間的フレーミングは、堅牢で解釈可能で、デプロイ対応のシャーン予測を達成するために重要である、という結論が浮かび上がっている。 この研究は、動的サービス環境におけるチャーン指向の意思決定支援の実践的基盤を提供する。

関連論文リスト

• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning [0.6524460254566904]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。 ビザンツの攻撃、データ中毒、あるいは適応的な敵行動を通じてモデルの完全性を侵害する悪意のあるクライアントには、依然として脆弱である。 FLAREは,クライアントの信頼性評価を二分決定から連続的多次元信頼評価に変換するアダプティブな評価ベースフレームワークである。
  論文  参考訳（メタデータ） (2025-11-18T17:57:40Z)
• Counterfactual Forecasting For Panel Data [7.191006213124838]
  パネルデータに欠落した項目と時間依存性の潜伏因子を有さない結果を予測するという課題に対処する。 本稿では,従来の行列補完手法を拡張したFOCUS(Forecasting Counterfactuals under Dynamics)を提案する。
  論文  参考訳（メタデータ） (2025-11-09T02:25:49Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• On the estimation of discrete choice models to capture irrational customer behaviors [4.683806391173103]
  我々は、部分的にランク付けされた好みを使って、トランザクションデータから合理的で不合理な顧客タイプを効率的にモデル化する方法を示す。 提案手法の予測精度を評価する実験を幅広く行った。
  論文  参考訳（メタデータ） (2021-09-08T19:19:51Z)
• Interpretable Machine Learning Approaches to Prediction of Chronic Homelessness [2.294014185517203]
  特定されていない顧客避難記録から慢性的なホームレスを予測するための機械学習手法を提案する。 我々のモデルであるHIFIS-RNN-MLPは、クライアントの過去6ヶ月の慢性的なホームレスを予測するために、クライアントの履歴の静的特徴と動的特徴の両方を取り入れている。
  論文  参考訳（メタデータ） (2020-09-12T15:02:30Z)

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。