利用无记忆试验开发客户终身价值
本文提出了一种新的架构,将强化学习与推荐系统相结合,以实现用户-系统交互的累积收益最大化,避免手动调整特征和自动化状态空间表示构建过程,同时在离线实际推荐数据上进行了实验和解决方案分析。
Feb, 2017
ASOS.com是一家全球在线时尚零售商,他们提出并实践了一种基于学习特征表示的顾客生命周期价值(CLTV)预测系统,这种系统可以有效地预测未来价值、定位高价值客户和个性化购物,同时减少了资源浪费和损失。
Mar, 2017
通过机器学习,我们提供了一个可适用于像零售银行这样存在长期合同且以产品为中心的客户关系的行业的客户生命周期价值的建模框架。通过实现我们的模型预测客户接受投资产品的倾向性,我们进行了有效的各种客户营销活动。综上所述,我们的CLV模型及其衍生的倾向性模型具有重要的预测能力,使客户关系的维护更加高效。
Apr, 2023
本文提出了一种对LTV进行多视图预测的对比学习框架,通过综合多种异构的属性回归器来优化模型鲁棒性,并通过对比学习捕获样本关系来减轻对数据的依赖性,实验证明该方法可有效提高LTV预测的精度和收益。
Jun, 2023
通过开发一种基于元学习的堆叠回归模型,该模型整合了拥有良好个体表现的Bagging和Boosting模型的预测,本研究考察了不同模型并展示了所提方法的有效性。
Aug, 2023
本文提出了一种新颖的多任务框架ExpLTV,可以统一进行LTV预测和游戏鲸鱼检测。ExpLTV通过创造性地设计基于深度神经网络的游戏鲸鱼探测器,精确识别高消费者和低消费者,并将其作为门控网络来决定LTV专家组装的不同混合模式,从而充分利用共享信息和特定于场景的信息。最后,设计了一个共享估计器来保留内部任务关系。通过对三个工业数据集的广泛实验验证了ExpLTV的优越性。
Aug, 2023
本文介绍了一种新颖的预测和优化方法,用于以利润为驱动的流失预防。我们将针对留存活动的目标客户选择任务构建为一个后悔最小化问题,主要目标是利用个体客户生命周期价值(CLVs)确保只有最有价值的客户被选中。与许多以利润为驱动的策略侧重于考虑平均CLVs的流失概率相比,我们提出的模型通过遵循预测和优化(PnO)框架的指导方针,并且可以通过随机梯度下降等方法高效解决。来自12份流失预测数据集的结果突显了我们方法的有效性,其在平均利润方面相较于其他成熟策略取得了最优秀的性能。
Oct, 2023
我们开发了一种适用于层级贝叶斯模型和广义线性模型(GLM)的在线学习MCMC方法,并开发了一种广义的重尾LTV模型。我们通过大型移动应用的商业LTV数据对这两个方法进行了演示。
Dec, 2023
基于数据驱动的在线实验,提出了两种方法:使用考虑实验差异性的三层高斯混合模型来估计期望效应大小,以及基于效用理论来确定最佳效应大小,通过与基准方法的比较,表明了这些方法的卓越性能。
Dec, 2023
通过可观察的产品特征和顾客特征,提出一种新算法,通过离散化未知噪声分布和上限置信区间与分层数据分区技术的组合,有效地调节每个周期中的懊悔,从而控制与定价决策相关的懊悔,实现极小极大优化。
Jun, 2024