基于贝叶斯分层联合模型刻画电视观看行为：针对时间至事件与计数数据
统计方法学
2022-09-07 v1 机器学习
摘要
客户流失预测在许多行业都是一项有价值的任务。在电信业中，鉴于数据的高维性，以及识别潜在挫折特征（其可能代表未来流失行为的重要驱动因素）之困难，它带来了巨大挑战。此处我们提出一种新颖的贝叶斯分层联合模型，能够基于不同电视观看历程中发生多少事件以及事件间隔时长来刻画客户画像。该模型将每位客户数千条观测的数据维度急剧降低至11个客户层参数估计与随机效应。我们使用来自40名 BT 客户（20名活跃、20名最终取消订阅）的数据检验方法，其电视观看行为记录于2019年10月至12月，总计约五十万条观测。采用不同机器学习技术，以贝叶斯分层模型的参数估计与随机效应作为特征，在验证集上预测流失准确率高达92%，真正率100%，假正率可低至14%。我们提出的方法代表了一种降低数据维度的有效方式，同时保持高描述与预测能力。我们在 https://github.com/rafamoral/profiling_tv_watching_behaviour 提供实现贝叶斯模型的代码。
引用
@article{arxiv.2209.02626,
title = {Profiling Television Watching Behaviour Using Bayesian Hierarchical Joint Models for Time-to-Event and Count Data},
author = {Rafael A. Moral and Zhi Chen and Shuai Zhang and Sally McClean and Gabriel R. Palma and Brahim Allan and Ian Kegel},
journal= {arXiv preprint arXiv:2209.02626},
year = {2022}
}
备注
10 pages, 5 figures