基于元学习的堆叠回归方法用于客户终身价值预测
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
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
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
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
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
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
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
利用机器学习技术,该研究分析了市场营销中的机器学习技术,如支持向量机、深度学习和生存模型,以预测个体的购买决策。研究发现,DeepSurv模型预测购买完成度最好,这些洞见可帮助营销人员提高转化率。
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
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