Apr, 2023

基于深度学习顺序框架的零售业顾客流失建模

PDF
TL;DR本研究使用基于循环神经网络的深度生存分析模型，仅利用个体客户行为预测其购买行为，不需要耗时的特征工程过程，旨在帮助全球零售商提高客户留存率，从而提高业务利润。
retailerspredictive modelcustomer churnsurvival analysisrecurrent neural networks
发现论文，激发创造
  • 使用深度学习分析客户流失的因果关系

    使用深度前馈神经网络和因果贝叶斯网络框架进行顾客流失预测，并通过测试数据的评估度量验证了该模型的优越性。同时，文中还提出了客户超额保证金交纳水平、账户增长和客户任期等独立因果变量可能会成为顾客流失的混淆因素。

    Apr, 2023

  • 大规模用户产品互动时序的早期流失预测

    本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

    Sep, 2023

  • 使用深度卷积神经网络和自编码器进行流失分析

    使用卷积神经网络对超过 6 百万个客户的行为数据进行图像化，以预测客户流失，并使用监督学习和无监督学习方法，通过最大化激活潜在单位来了解客户流失的原因，从而提出预防客户流失的解决方法。

    Apr, 2016

  • 基于生存集成的手机社交游戏流失预测：实现完整评估

    该研究针对社交游戏用户流失问题，提出了一种基于生存模型和集成学习技术的用户流失预测方法，能够高效准确地预测玩家游戏留存时间及提升游戏玩家流失率的分析和决策能力。

    Oct, 2017

  • 使用神经网络建模客户在线行为：应用于转化预测和广告复投

    本文利用神经网络对数字营销进行优化，建立了能够对用户在线行为模型的模型，在此基础上利用蒙特卡罗模拟预测未来潜在客户的转化率。

    Apr, 2018

  • 金融机构中受限高维度特征空间效应提升流失因果分析

    研究提出了一个概念性框架，通过组合不同的算法来解决大规模高维金融数据中客户流失问题。研究评估了不同算法的性能表现，并确定了一些独立和混淆变量对客户流失的影响和可能原因。

    Apr, 2023

  • 基于 LSTM 的时态顾客模型用于时尚推荐

    在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

    Aug, 2017

  • 多模融合学习的客户流失预测：融合客户金融素养、声音和行为数据

    本研究提出了一种多模态融合学习模型，用于识别金融服务提供商中客户流失风险水平，并通过引入迟误融合和混合融合技术取得了显著的流失预测改进，实现了 91.2％的测试准确率、66 的平均准确性和 54 的宏平均 F1 得分，同时还发现了负面情绪、低金融素养得分和高风险客户之间的正相关关系。

    Dec, 2023

  • 零售银行业顾客生命周期价值建模

    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

  • 订阅型市场的流失率估计：学术出版业的实证分析

    本文在学术出版行业中提出了首个客户流失预测的经验研究并对我们提出的预测方法进行了验证，结果表明重新采样客户使用资源来建模流失是比考虑消费行为的高粒度更好的一种方法，即使忽略与每个客户概率相关的特定行为属性，采用机器学习算法可以实现将预测时间拉长到近一年。

    Nov, 2022