Oct, 2023

基于预测和优化的利润驱动流失预防方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用一组优秀模型进行预测性用户流失

    通过研究Rashomon集合中模型更新引起的冲突预测多样性，本文提出了一种传统多样性度量方法用于预测模型的非稳定预测数量，以及如何通过该方法预测、减少和避免消费者应用中的冲突。

    Feb, 2024

  • 低秩张量块危险模型的因果客户流失分析

    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

  • 提升电信行业客户流失预测的自适应集成学习方法

    本研究解决了电信行业客户流失预测准确性不足的问题，提出了一种新颖的自适应集成学习框架。通过将多种基模型（如XGBoost、LightGBM、LSTM、MLP神经网络和SVM）采用堆叠集成方法进行集成，并结合元特征生成，显著提高了预测准确性，达到99.28%。这项研究为电信行业制定主动客户维系策略提供了重要依据。

    Aug, 2024