ICMLSep, 2023

大规模用户产品互动时序的早期流失预测

PDF
TL;DR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。
user churnpredicting churnchurn predictioncustomer churnretention plans
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

  • 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

  • 我知道你会回来：可解释的移动社交应用新用户聚类和流失预测

    利用 Snapchat 的实际数据为例，本文提出了一种名为 ClusChurn 的两阶段系统框架，通过用户聚类来预测用户流失，结果表明该框架在预测用户流失方面取得了最先进的性能。

    Sep, 2019

  • 大规模移动游戏流失预测的半监督归纳嵌入模型

    该论文提出了一种大规模的流失预测解决方案，使用经过半监督和归纳嵌入模型的深度神经网络以及独特的边嵌入技术来捕捉上下文信息和关系动态，同时考虑拓扑邻接和属性相似度， 以预测用户在移动游戏中的流失行为，并在三星游戏启动器平台上的真实世界数据上证明了其优越性。

    Aug, 2018

  • 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

  • 极端梯度提升与时间数据预测客户流失

    利用极限梯度提升（XGBoost）算法，通过处理时间敏感的特征工程，提升了基于多种时间窗口训练和测试的客户数据集合的客户流失预测模型的准确性，同时在 WSDM Cup 2018 Churn Challenge 比赛中获得了第一名。

    Feb, 2018

  • 在休闲免费游戏中，将顺序数据和聚合数据相结合进行流失预测

    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

  • 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

  • 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