論文の概要: Seasonal false alarms in customer churn and decline early-warning systems: adjacent-window labels confound seasonality with decline, and a year-over-year correction

• arxiv url: http://arxiv.org/abs/2608.18174v1
• Date: Mon, 17 Aug 2026 20:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.169065
• Title: Seasonal false alarms in customer churn and decline early-warning systems: adjacent-window labels confound seasonality with decline, and a year-over-year correction
• Title（参考訳）: 早期警戒システムにおける季節的誤報--減量に伴う季節性、年次補正
• Abstract要約: 早期警戒システムはアカウントマネージャのアクションリストをフィードする。 非契約的なチャーン予測の標準的ターゲットは、次の k ヶ月の活動とその後の k ヶ月を比べる。 機構を形式化し、3つの公開パネルと生産パネルで測定する。
• 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: Customer decline early-warning systems feed account-manager action lists, and every flagged account consumes intervention capacity. In a deployed business-to-business marketplace system, one action-list slot in three went to flags that dissolve under a seasonally aligned label. The standard target in non-contractual churn prediction compares an entity's next k months of activity with its trailing k months. The two windows cover different calendar months, so for seasonal entities the threshold-ratio construction confounds seasonality with decline, and the event rate depends on the label's anchor calendar month. We formalize the mechanism and measure it on three public panels and the production panel (the public arms pre-specified). Of the adjacent-window decay events, 37--69% on the public panels and 28--50% in production have no counterpart under a seasonally aligned definition. Pooling anchors, the standard remedy, balances the training mixture but corrects no individual label. Measured alternatives repair the curve only partially or change the detection horizon. Aligning the baseline to the same k calendar months one year prior -- advice practitioners already state, here formalized, measured, and costed -- flattens the curve at the source. With the classifier held fixed, production holdout ROC-AUC rises from 0.767 to 0.864 for decline (different targets; the gap closes on synthetic ground truth and a production hindsight referee). The served action list shrinks by a third, 119 to 79 accounts. The measured price is extra history, a blind spot to decline-then-stabilization, and a stricter cut under sustained growth.
• Abstract（参考訳）: 早期警戒システムはアカウントマネージャのアクションリストをフィードし、フラグ付きアカウントはすべて介入能力を消費する。 ビジネス・ツー・ビジネス・マーケットプレースに展開されたシステムでは、3つに1つのアクションリストスロットが、季節的に整列したラベルの下で解散するフラグに到達した。 非契約的なチャーン予測の標準的なターゲットは、次の k ヶ月のアクティビティと、その後 k ヶ月のアクティビティを比較します。 2つの窓は異なるカレンダーの月をカバーしているため、季節的な構成では、閾値比の構成は季節性と減少を伴い、イベントレートはレーベルのアンカーカレンダーの月によって異なる。 機構を定式化し、3つの公開パネルと生産パネルで測定する。 隣接する窓崩壊イベントのうち、37-69%は公開パネルで、28--50%は季節的に整合した定義の下では競合しない。 標準的な治療薬であるポーリングアンカーは、トレーニング混合物のバランスをとるが、個々のラベルを修正しない。 測定された代替手段は、曲線を部分的に修理するか、検出地平線を変更するだけである。 ベースラインを1年前に同じkカレンダーに調整する -- アドバイス実践者はすでに、公式化され、測定され、コストがかかる -- は、ソースのカーブをフラットにする。 分類器が固定されていると、生産ホールドアウトROC-AUCは減少のために0.767から0.864に上昇する。 サービスされたアクションリストは、3分の1、119から79のアカウントで縮小される。 測定された価格は、余分な歴史であり、その安定化の盲点であり、持続的な成長の下でのより厳格な削減である。

関連論文リスト

• Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
  本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。 トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
  論文  参考訳（メタデータ） (2026-09-15T10:06:03Z)
• The Label Complexity of Class-Conditional Coverage under Distribution Shift [0.614481021961242]
  整形予測は、分類器の予測セットが真理をカバーし、その証明が限界であることを示す。 多くの認識ベンチマークは、分散を評価にシフトさせ、トレーニングとテストの分割に相容れない条件を配置する。 本物のクロステーマのベンチマークでは、限界範囲は90%近く、最悪のクラスは70%程度である。
  論文  参考訳（メタデータ） (2026-07-20T15:54:45Z)
• Mean Time to Remediate Is Not a Fielding Model: A Cadence Audit for Enterprise Vulnerability Management [51.56484100374058]
  本稿では,企業脆弱性管理のための改善ケイデンス監査について紹介する。 平均ラグ、放出期間、放出率、コホート幾何、緊急/ルーチン分割、非着地遅延、局所残留圧証拠、宣言されたレートシナリオを記録している。
  論文  参考訳（メタデータ） (2026-07-05T21:23:26Z)
• Causal Label Recovery in Payment Networks [0.0]
  支払いネットワークにおける不正検出モデルは、体系的にバイアスのあるチャージバックラベルでトレーニングする。 共用紙 [arXiv05:26.27557] は、これらの4つの障害が検出性能に最小限の上限を課すことを示した。 観測パイプラインを3段階, 破損層を有する逐次欠落データ問題として定式化し, 逐次トリプライロバスト推定器を構築した。
  論文  参考訳（メタデータ） (2026-05-28T02:43:34Z)
• SAGA: A Sequence-Adaptive Generative Architecture for Multi-Horizon Probabilistic Forecasting with Adaptive Temporal Conformal Prediction [0.0]
  本稿では,デコーダのみの変換器SAGAを提案する。 1990年から2022年にかけて,2,143,817人,61,284,903人からなる長手スウェーデン LISA レジスターをトレーニングした。 SAGAは10年の地平線で31.9%、20年の地平線で37.7%の絶対誤差を減少させる。
  論文  参考訳（メタデータ） (2026-05-18T18:35:20Z)
• The Extrapolation Cliff in On-Policy Distillation of Near-Deterministic Structured Outputs [52.709361620508595]
  ListOPDは、パラメータの5分の1で8B-SFTベースラインで、学生をドメイン内に持ち込む。 Amazon Fashionでは、3つの事前登録テスト — 細粒度崖間隔テスト、小さなクリップのクロス予測 — がロックされた予測ウィンドウ内に落下し、グリッド解像度以下のクローズドフォーム予測に一致する小さなクリップ値が設定されている。
  論文  参考訳（メタデータ） (2026-05-09T06:48:00Z)
• Conformal Tradeoffs: Guarantees Beyond Coverage [0.02648566468224904]
  配置されたコンフォーマル予測器は、有限操作ウィンドウ上で稼働する長期間の意思決定基盤である。 マージのカバレッジは、デプロイメントに直面する量を特定しません。 私たちは、範囲を超えて運用の認証と計画のためのフレームワークを提供しています。
  論文  参考訳（メタデータ） (2026-02-20T07:58:25Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)

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。