通过抑制金融机构中高维特征空间效应改进客户流失因果分析
机器学习
2023-04-25 v1 人机交互
摘要
客户流失是指在特定时期内终止与企业的关系或降低客户参与度。客户获取成本可能是客户保留成本的五到六倍,因此投资于有流失风险的客户是明智的。流失模型的因果分析可预测客户在可预见的未来是否会流失,并识别流失的效应与可能原因。总体而言,本研究提出一个概念框架,以发现与自变量相关且因果作用于影响流失的那些因变量的混杂特征。我们结合SMOTE、集成ANN与贝叶斯网络等不同算法,解决金融机构中因采用客户关系管理系统基于区间的特征而通常生成的海量高维金融数据上的流失预测问题。利用递归特征消除方法评估维度灾难与维度祝福的效应,以克服高维特征空间问题。此外,执行因果发现以寻找可能的解释方法,描述导致客户流失的原因概率。验证数据上的评估指标证实随机森林与我们的集成ANN模型以86%准确率优于其他方法。因果分析结果确认,代表超级年金缴费水平、账户增长与账户余额数量的若干独立因果变量被识别为以高置信度导致客户流失的混杂变量。本文提供了从现状推断到地方超级年金基金未来方向的真实世界客户流失分析。
引用
@article{arxiv.2304.11503,
title = {Improved Churn Causal Analysis Through Restrained High-Dimensional Feature Space Effects in Financial Institutions},
author = {David Hason Rudd and Huan Huo and Guandong Xu},
journal= {arXiv preprint arXiv:2304.11503},
year = {2023}
}
备注
Human-Centric Intelligent Systems 2022. arXiv admin note: substantial text overlap with arXiv:2304.10604