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
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。
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
使用潜在因子块危险模型和张量完成方法,在分析各种干预对客户流失影响时,提出了一种创新方法。模型考虑了客户流失数据的二元特性和时间单调趋势,并通过独特的干预分类方法增强了实施客户保留策略的精确性和实用性。
May, 2024
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
通过对八个来自全球电信组织的通话详单数据集进行不同的关系学习器策略测试,本研究评估了关系分类器与集体推断方法对关系学习器预测能力的影响以及在电信行业中预测客户流失时,关系学习器与传统预测方法相结合的性能。需要注意的是,网络构建对预测模型的结果有影响,并提供了如何在电信行业中应用社交网络分析进行流失预测的最佳方案,从网络架构到模型构建和评估均有所提示。
Jan, 2020
本文研究如何结合不同的神经网络结构来利用时序和聚合数据以提高客户流失预测的准确性。研究结果表明,使用这两种数据类型的组合比仅使用时序或聚合数据预测器能带来更好的预测准确性。
Sep, 2022
本研究运用因果推断的原理解决分析顾客关系管理问题(ACRM)的可解释性,并提出改变 ACRM 数据集功能的干预解决方案,进而获得一组反事实证明的质量良好的数据。
Aug, 2022
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