論文の概要: Explainable Artificial Intelligence for Customer Churn Prediction in Telecommunications: A Framework for CRM Integration

• arxiv url: http://arxiv.org/abs/2608.26151v1
• Date: Wed, 01 Jul 2026 15:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.365674
• Title: Explainable Artificial Intelligence for Customer Churn Prediction in Telecommunications: A Framework for CRM Integration
• Title（参考訳）: 電気通信における顧客チャーン予測のための説明可能な人工知能:CRM統合のためのフレームワーク
• Abstract要約: リスクスコアとベクトルを階層化されたセグメンテーションに変換する4層CRM統合アーキテクチャを導入する。 最高リスクのクインタイルを目標にすると、全体のチャーンを3.3～5.3ポイント削減し、キャンペーンサイクル当たり199K〜319Kと見積もられている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subscriber attrition is a costly, persistent challenge for telecommunications providers, with monthly churn of roughly 1.9% in mature markets eroding billions in revenue annually. Predictive models can flag at-risk customers accurately, yet they are routinely excluded from frontline CRM workflows because high-performing ensemble and non-linear architectures are opaque: a retention specialist cannot design a personalised intervention from a probability score alone, without knowing why a subscriber is at risk. This paper addresses that gap. We benchmark four classifiers--Logistic Regression, Random Forest, XGBoost, and LightGBM--on the IBM Telco Customer Churn benchmark (7,043 records; 19 features; 26.5% churn, balanced to 50% via SMOTE on the training partition only). Logistic Regression attains the strongest AUC-ROC (0.8411) and LightGBM the highest accuracy (78.42%); all four fall within a 0.011 AUC band (0.831--0.841), and 5-fold cross-validation confirms the leading models are effectively tied. Explanations are delivered at two granularities: a global SHAP ranking identifying tenure, total charges, and month-to-month contract as the dominant churn signals, and instance-level SHAP and LIME decompositions that expose the drivers behind each prediction. Building on these outputs, we introduce a four-layer CRM integration architecture that converts risk scores and attribution vectors into tiered segmentation, maps top features to structured retention-action templates, and routes campaign outcomes into a retraining feedback loop. Targeting the highest-risk quintile is projected to cut overall churn by 3.3--5.3 percentage points, preserving an estimated $199K--$319K per campaign cycle.
• Abstract（参考訳）: 加入者の誘致は、通信事業者にとって費用がかかる永続的な課題であり、年商数十億ドルを侵食する成熟市場における毎月約1.9%の混乱がある。 予測モデルは、リスクの高い顧客に正確にフラグを立てることができますが、ハイパフォーマンスなアンサンブルと非線形アーキテクチャが不透明であるため、フォアラインCRMワークフローから定期的に除外されます。 この論文はそのギャップに対処する。 IBM Telco Customer Churnベンチマーク(7,043レコード、19のフィーチャ、26.5%のシューン)では、トレーニングパーティションのみでSMOTE経由で50%にバランスをとっています。 ロジスティック回帰は最強のAUC-ROC (0.8411) とLightGBM (78.42%) を達成し、4つとも0.011 AUCバンド (0.831-0.841) に収まる。 説明は2つの粒度で配信される: グローバルなSHAPランキング、総料金、月ごとの契約を支配的なチャーン信号として識別する、インスタンスレベルのSHAPとLIME分解で、各予測の背後にあるドライバを露呈する。 これらの出力に基づいて,リスクスコアと属性ベクトルを階層化されたセグメンテーションに変換し,トップ機能を構造化されたリテンションアクションテンプレートにマップし,キャンペーン結果をリトレーニングされたフィードバックループにルーティングする4層CRM統合アーキテクチャを導入する。 最高リスクのクインタイルを目標にすると、全体のチャーンを3.3～5.3ポイント削減し、キャンペーンサイクル当たり199K〜319Kと見積もられている。

関連論文リスト

• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• SalesLoop: Reinforcement Learning from Performance Feedback for Sales Lead Ranking [3.337528987886516]
  SalesLoopは、ランク付け位置と変換速度によって重み付けされた変換結果をエンコードするパフォーマンス対応の報酬である。 SalesLoopはNDCG@Kを+7.9%改善し、P@Kを+15.8%改善した。
  論文  参考訳（メタデータ） (2026-07-22T18:26:57Z)
• SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification [0.0]
  nsfaguardは、エージェントAIシステムを運用上の脅威から保護するためのガードレールフレームワークである。 まず,185種のリスク変異をCIA-Triad-grounded 階層に分類するNSFA分類について紹介する。 凍結したバックボーン上の識別的分類ヘッドと解釈可能なオフライン監査のためのSFTに基づく生成推論を組み合わせたデュアルモードアプローチを開発した。
  論文  参考訳（メタデータ） (2026-07-13T07:28:45Z)
• Data-Driven Telecom Marketing Optimization: A Machine Learning-Based Churn Prediction and Customer Segmentation Framework [0.0]
  カスタマーチャーン(Customer Churn)は、通信企業にとって大きな課題であり、収益と長期的な顧客関係を直接侵食する。 伝統的なリテンションプログラムは、パーソナライズされたインセンティブではなく、一般的なインセンティブに依存している。 本稿では、機械学習に基づくチャーン予測と、チャーンリスクと顧客価値を組み合わせた顧客セグメンテーションと、セグメンテーション特異的マーケティングとReturn on Investment ROI戦略を組み合わせたデータ駆動マーケティング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-11T11:17:16Z)
• Knowledge Index of Noah's Ark [63.143852586221534]
  KINAは,261分野にわたる899項目のベンチマークである。 ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。 トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
  論文  参考訳（メタデータ） (2026-06-03T17:06:49Z)
• Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
  ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。 本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
  論文  参考訳（メタデータ） (2026-05-07T06:31:34Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Hybrid Reputation Aggregation: A Robust Defense Mechanism for Adversarial Federated Learning in 5G and Edge Network Environments [0.0]
  5Gおよびエッジネットワーク環境におけるフェデレートラーニング(FL)は、敵のクライアントによる深刻なセキュリティ脅威に直面します。 本稿では,攻撃タイプを事前に知ることなく,FLにおける敵の動作を防御する,新しいロバストアグリゲーション機構であるHybrid Reputation Aggregation(HRA)を紹介する。 HRAは、幾何学的異常検出と、モーメントに基づくクライアントの評判追跡を組み合わせる。
  論文  参考訳（メタデータ） (2025-09-22T17:18:59Z)

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。