Apr, 2023

零售银行业顾客生命周期价值建模

PDF
TL;DR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。
customer lifetime valuemachine learningretail bankingproduct-centricpropensity models
发现论文，激发创造
  • 基于元学习的堆叠回归方法用于客户终身价值预测

    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

  • 免费游戏中客户生命周期价值的预测

    针对免费游戏的特殊挑战，该论文概述了服务型业务模型，预测模型，用户获取，免费游戏的客户生命周期价值建模和现有解决方案。

    Sep, 2022

  • 使用嵌入 (Embeddings) 进行顾客生命周期价值预测

    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

  • 利用无记忆试验开发客户终身价值

    本文提出了一种解决 LTV 模型困难的通用方法，基于动态规划求解，可应用于不同服务场景，实验结果验证其有效性，应用于大型电商移动应用程序中，LTV 增长了 10％。

    Jan, 2022

  • 客户终身价值预测的对比多视图框架

    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

  • 基于深度学习顺序框架的零售业顾客流失建模

    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。

    Apr, 2023

  • 突破常规思维：通过专家路由和大型游戏玩家检测提高客户终身价值建模

    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

  • 基于预测和优化的利润驱动流失预防方法

    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

  • 寿命价值推荐系统的自动表示

    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

  • 在匿名基于位置的社交网络中使用机器学习理解和预测用户终身价值

    本文旨在预测沙特阿拉伯 Jodel 匿名定位社交网络内用户的生命周期，并通过机器学习技术中的随机森林模型建立二元分类实现良好的预测效果。

    Mar, 2021